基于机器学习模型的数值降雨预报校正

以潮白河流域 12 个站点为研究对象，选取 12 个站点的未来 12?h 不同预见期的预报降水数据，构建基于支 持 向 量机 (support?vector?machine,?SVM) 模 型 、 随 机 森 林 (random?forest,?RF) 模 型 和 多 层 感 知 机 (multilayer perceptron，MLP) 模型的不同预见期预报降雨校正模型，模型输入为站点对应网格及其周边 8 个网格的降雨预报 数据，模型参数采用贝叶斯优化技术进行估计。利用均方根误差和确定性系数评估各模型对不同预见期预报降 水的校正效果。结果表明：未经校正的原始预报在不同预见期的预报精度均较差；各个误差校正模型在率定期与 验证期对不同预见期降雨均具有较好的校正效果；经 SVM、RF 和 MLP 模型校正后，均方根误差的平均值在率定 期分别降低了：54.2%、50.0% 和 20.8%，在验证期分别降低 42.9%、33.3% 和 14.3%；确定性系数的平均值在率定期 与验证期也均有显著提高；3 个误差校正模型中，SVM 模型表现最优，RF 模型次之。研究成果可为其他流域数值 降雨预报数据校正提供参考。