关键词:
北京冬奥会
复杂地形
极大风
机器学习
集成学习
摘要:
高山滑雪运动对风极为敏感,风速尤其是极大风速往往是决定冬奥会赛事顺利进行的关键因素之一。利用2018—2021年1—3月欧洲中期天气预报中心(ECMWF)模式预报产品以及冬奥会延庆赛区8个关键点位的极大风速观测数据,基于决策树(DT)、随机森林(RF)和梯度提升决策树(GBDT)三种不同类型的机器学习算法分别构建极大风速客观预报模型。对比评估表明:极大风速预报的最佳预报因子主要集中在不同高度层的风速和风向,个别站还包括垂直速度,若去掉风向因子,绝大多数模型的预报准确率会降低,平均绝对误差会增加;总体上基于决策树基学习器集成学习的GBDT和RF模型要优于单一决策树模型DT,平均绝对误差最低的GBDT模型预报的极大风速误差介于1.56~3.57 m·s^(-1),较DT模型的改善率高达8.7%,同时,GBDT模型对超阈值极大风速的预报也较为优秀;随着预报点位海拔高度升高,各模型的平均绝对误差和准确率分别有增加和降低的趋势;随着预报时效增加,各模型的平均绝对误差表现出一定的周期性日变化特征。将表现优异的GBDT和RF两个模型作为初级学习器,以支持向量机模型作为次级学习器,基于stacking方法构建集成学习模型RGL。结果表明:集成模型对极大风速的预报较单一模型具备一定的改进能力,且以极大风速相对较大的高海拔站改进更为突出,平均绝对误差较单一模型最大可降低0.13 m·s^(-1),准确率最高可提升0.022。相关研究成果有力保障了2022年北京冬(残)奥会顺利进行。