随着科学技术的快速发展,机器学习算法越来越深入当今社会与科学研究当中,机器学习模型被越来越广泛的应用于交叉学科研究领域。因此,本文主要使用机器学习算法对2002年9月到2022年2月卫星反演的向外长波辐射（Outgoing Longwave Radiation,OLR）数据进行时空特征分析和预测研究。首先,对原始数据进行预处理操作,探究东亚地区OLR的时空特征变化趋势;其次,通过单一机器学习算法对OLR的时空特征以及预测进行研究;最后,通过组合算法模型对OLR的时间序列进行预测分析。本文的主要研究内容有:（1）数据获取与预处理。首先,介绍了数据集的来源和获取方式;其次,通过编写相关批处理的脚本提取经预处理之后的数据集;然后,对数据进行缩放处理,使用归一化或者标准化操作消除样本中不同属性间的差异;最后,对数据进行经验性检验来验证数据的准确程度。（2）东亚区域OLR时空特征研究。本文运用了线性拟合、Mann-Kendall（M-K）和Pearson相关分析等方法对东亚区域OLR的时空特征进行分析,结果发现空间上OLR随纬度升高而降低,并且OLR以七月为分界线对称分布,而时间上关于赤道附近对称变化。在使用MK趋势分析发现空间上通过显著性检验区域的增长绝对值在2.2w/m2左右,通过MK突变分析得知OLR受2015年强厄尔尼诺“李小龙”的影响在此年前后会发生较大变化。最后,本文经相关性分析发现OLR与总柱水汽（Total Column Water Vapor,TCWV）、气温（Air Temperature,AT）、云顶温度（Cloud Top Temperature,CTT）有较高正相关,而与云顶气压（Cloud Top Pressure,CTP）呈负相关。空间上OLR与TCWV、AT都是在0～25°N为负相关,30～60°N为正相关。而OLR与CTP则在韩国、朝鲜、日本以及中国北部呈负相关,其他区域为正相关。OLR与CTT在东亚多数地方有超过0.8以上的正相关性,只有少部分地区有较低负相关。（3）基于单一算法对OLR的特征分析与预测。本文运用经验正交函数分析方法（Empirical Orthogonal Function,EOF）分析了空间特征趋势,结果发现EOF分解的四个模态总方差贡献度超过70%,四个时间系数PC都是下降的,并且得到了南海型与孟加拉湾型空间特征。然后建立lstm网络模型对OLR数据进行预测,结果较好,误差较低,四种评价指标均方根误差RMSE、平均绝对误差MAE、平均绝对百分比误差MAPE、判定系数R2结果分别为2.8136、2.1669、0.9043、0.6812。（4）基于lstm组合算法对OLR的预测分析。本文基于lstm模型提出了EEMD-lstm和VMD-lstm两种组合模型对OLR的时间序列进行预测研究,结果发现组合算法模型要优于lstm网络模型,同时VMD-lstm模型为三者中最优,其误差评价指标RMSE、MAE、MAPE、R2分别为0.4238、0.3316、0.1386、0.9919,误差为三者中最小且判定系数非常接近于1,说明预测值几乎拟合真实值。图42表16参考文献96
暂无评论