机构名称：
¥ 4.0
在亚季节时间尺度上产生关键气候变量（例如温度和沉淀）的高质量预测长期以来一直是操作预测的差距。本研究探讨了机器学习（ML）模型作为次生预测的后处理工具。滞后的数值集合预测（即成员具有不同初始化日期的合奏）和观察数据，包括相对湿度，海平面压力和地理位置高度，以预测每月平均降水量和两周的温度，以预测每月平均降水量和两周的温度。用于回归，分位数回归和二齿分类任务，我们考虑使用线性模型，随机森林，卷积神经网络和堆叠模型（基于单个ML模型的预测，一种多模型方法）。与以前单独使用集合的ML方法不同，我们利用嵌入整体预测中的信息来提高预测准确性。此外，我们研究了极端事件预测，这些预测对于计划和缓解工作至关重要。将合奏成员视为空间前铸件的集合，我们探讨了使用空间信息的不同方法。可以通过模型堆叠来减轻不同方法之间的权衡。我们提出的模型优于标准基准，例如气候预测和整体手段。此外，我们研究特征的重要性，使用完整的合奏或仅合奏均值之间的权衡以及对空间可变性的不同会计模式。
超越合奏平均：利用气候模型组合进行下午预测
主要关键词
相关文件推荐
