機(jī)器學(xué)習(xí)在廣西臺(tái)風(fēng)極大風(fēng)速預(yù)報(bào)中的應(yīng)用

吳玉霜，黃小燕，陳家正，趙華生

（1.廣西壯族自治區(qū)氣象臺(tái)，南寧 530022；2.廣西壯族自治區(qū)氣象災(zāi)害防御技術(shù)中心，南寧 530022；3.廣西壯族自治區(qū)氣象科學(xué)研究所，南寧 530022；4.廣西民族大學(xué)，南寧 530006）

引言

近年來，許多專家學(xué)者采用機(jī)器學(xué)習(xí)方法對(duì)臺(tái)風(fēng)大風(fēng)進(jìn)行預(yù)報(bào)建模研究，嘗試從具有隨機(jī)波動(dòng)性、不確定性和非線性的風(fēng)速數(shù)據(jù)間挖掘出變化規(guī)律，提高風(fēng)速預(yù)報(bào)的精度［1－5］。楊曉君等［6］利用了天津中尺度天氣預(yù)報(bào)模式產(chǎn)品和EC 數(shù)值模式產(chǎn)品，建立了渤海海風(fēng)的BP 神經(jīng)網(wǎng)絡(luò)兩級(jí)海風(fēng)預(yù)報(bào)模型，對(duì)于災(zāi)害大風(fēng)的預(yù)報(bào)取得了較好的效果。朱智慧等［7］利用2011—2012 年臺(tái)風(fēng)影響期間上海沿海的5 個(gè)浮標(biāo)站的2min 平均風(fēng)速和極大風(fēng)速，運(yùn)用回歸分析方法得到了臺(tái)風(fēng)期間沿海極大風(fēng)速的客觀方程，并將客觀方程帶入WRF 模式進(jìn)行極大風(fēng)速預(yù)報(bào)，結(jié)果較為理想。錢燕珍等［8］將支持向量機(jī)方法應(yīng)用于臺(tái)風(fēng)影響下的站點(diǎn)風(fēng)速預(yù)報(bào)，表明在適當(dāng)?shù)臉颖窘厝『皖A(yù)報(bào)因子選取后，風(fēng)速預(yù)報(bào)48h 內(nèi)效果較好。

目前對(duì)于臺(tái)風(fēng)影響廣西期間的地面站點(diǎn)極大風(fēng)速的預(yù)報(bào)研究相對(duì)較少，客觀定量預(yù)報(bào)方法缺乏，主要還是根據(jù)預(yù)報(bào)員的主觀分析進(jìn)行實(shí)際業(yè)務(wù)預(yù)報(bào)［9－11］。陳潤珍等［12］利用線 性回歸方法和旋衡風(fēng)方程，建立了廣西沿海臺(tái)風(fēng)大風(fēng)預(yù)報(bào)模型，預(yù)報(bào)效果較好。董彥等［13］采用遺傳－神經(jīng)網(wǎng)絡(luò)集合預(yù)報(bào)方法預(yù)報(bào)廣西臺(tái)風(fēng)大風(fēng)，模型對(duì)≥10m·s－1的強(qiáng)風(fēng)有較好的預(yù)報(bào)性能。本研究嘗試以臺(tái)風(fēng)影響廣西期間部分地面站點(diǎn)的日極大風(fēng)速作為預(yù)報(bào)對(duì)象，采用多元線性回歸（Multiple Regression，MR）、支持向量機(jī)（Support Vector Machine，SVM）、模糊神經(jīng)網(wǎng)絡(luò)（Fuzzy Neural Network，F(xiàn)NN）等三種較為常用的線性和非線性機(jī)器學(xué)習(xí)方法分別進(jìn)行預(yù)報(bào)建模研究，討論分析和對(duì)比三種不同的機(jī)器學(xué)習(xí)算法對(duì)廣西臺(tái)風(fēng)極大風(fēng)速的預(yù)報(bào)效果，為臺(tái)風(fēng)影響廣西期間的地面極大風(fēng)速預(yù)報(bào)工作提供預(yù)報(bào)參考。

1 研究方法

1.1 多元線性回歸

本文將多元線性回歸（MR）模型設(shè)定如下，設(shè)預(yù)報(bào)量Y：

式中β0，β1，...，βm均為對(duì)應(yīng)特征向量x1，x2，...，xm的回歸系數(shù)，ε 為隨機(jī)殘差。

1.2 支持向量機(jī)方法

支持向量機(jī)（SVM）以結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則為理論基礎(chǔ)，首先在低維空間進(jìn)行計(jì)算，通過核函數(shù)將低維的原始數(shù)據(jù)非線性映射到高維的新特征空間，最終在高維特征空間中轉(zhuǎn)換為線性學(xué)習(xí)構(gòu)造出最優(yōu)分離超平面。在實(shí)際問題中，大量風(fēng)速樣本數(shù)據(jù)為非線性集合，SVM 對(duì)非線性數(shù)據(jù)有較好的處理能力［14－15］。對(duì)SVM 非線性回歸模型，預(yù)報(bào)量與指標(biāo)量的一般形式為：

式中：w 是法向量，b 是位移項(xiàng)，φ（x）是非線性映射函數(shù)。

引入拉格朗日因子和核函數(shù)K（xi·xj），本文主要選取的是多項(xiàng)式核函數(shù)作為模型的核函數(shù)，可以得到SVM 非線性回歸形式如下：

式中：ai為最大化目標(biāo)函數(shù)。

1.3 模糊神經(jīng)網(wǎng)絡(luò)

模糊神經(jīng)網(wǎng)絡(luò)（FNN）主要以模糊控制理論為基礎(chǔ)，融合了模糊系統(tǒng)的非線性處理能力以及人工神經(jīng)網(wǎng)絡(luò)的自學(xué)能力等優(yōu)點(diǎn)［16］。這里采用的是一種結(jié)論為數(shù)值型的模糊神經(jīng)網(wǎng)絡(luò)，由輸入層、隸屬函數(shù)層、推理層和反模糊化輸出層四個(gè)環(huán)節(jié)組成：

隸屬函數(shù)層：通過采用高斯函數(shù)可以得到狀態(tài)變量x1的隸屬度μij，其基本表達(dá)式為：

其中1≤i≤n；1≤j≤m，μij，aij，σij與隸屬度函數(shù)層的各節(jié)點(diǎn)相對(duì)應(yīng)，輸出μij的下標(biāo)依次為μ11，μ12，…，μ1m；μ21，μ22，…，μ2m；…；μn1，μn2，…，μnm。

推理層：包含了模糊規(guī)則和模糊推理兩個(gè)部分，在模糊邏輯中，模糊推理是根據(jù)建立的模糊規(guī)則進(jìn)行輸出，本文按照“and”運(yùn)算和IF－THEN 的判斷形式構(gòu)建模糊規(guī)則形式：

運(yùn)用相乘的方式計(jì)算模糊規(guī)則中各節(jié)點(diǎn)的輸出值，分別是該節(jié)點(diǎn)所有輸入的代數(shù)乘積∏：

輸出層：使用反模糊化網(wǎng)絡(luò)進(jìn)行輸出：

其中ωj（j＝1，2，…，m）為連接權(quán)。

2 臺(tái)風(fēng)極大風(fēng)速預(yù)報(bào)試驗(yàn)

2.1 預(yù)報(bào)資料

本文主要是為了對(duì)比評(píng)估3 種預(yù)報(bào)方法對(duì)臺(tái)風(fēng)極大風(fēng)速的預(yù)報(bào)效果，因此選取預(yù)報(bào)對(duì)象為臺(tái)風(fēng)進(jìn)入廣西影響范圍時(shí)（19°N 以北，112°E 以西）的地面日極大風(fēng)速值。由于統(tǒng)計(jì)預(yù)報(bào)方法需要較大樣本的數(shù)據(jù)才能進(jìn)行更好地建模預(yù)報(bào)，為此，挑選了廣西站點(diǎn)日極大風(fēng)速記錄中有較長時(shí)間序列并且資料較為完善的站點(diǎn)，從而得到1980—2020 年位于廣西東部的梧州、東南部的玉林、中南部的南寧、北部的桂林和西南部的龍州5 個(gè)氣象觀測站的地面日極大風(fēng)速實(shí)測值，資料來自廣西氣象局氣象信息中心。

臺(tái)風(fēng)資料選取1980—2020 年共41a 影響廣西的臺(tái)風(fēng)路徑、中心風(fēng)速、最大風(fēng)速等數(shù)據(jù)集資料，來自CMA 最優(yōu)臺(tái)風(fēng)路徑數(shù)據(jù)集（https：//tcdata.typhoon.org.cn／）。物理量風(fēng)速預(yù)報(bào)資料選自歐洲中期天氣預(yù)報(bào)中心（ECMWF）ERA5 再分析數(shù)據(jù)的各層各要素場的數(shù)據(jù)資料。時(shí)間分辨率是6h（02∶00，08∶00，14∶00 和20∶00），格距：0.25×0.25；緯度：9.75°N～40.5°N；經(jīng)度為79.5°E～120°E，共計(jì)61364 個(gè)格點(diǎn)。為了對(duì)預(yù)報(bào)方法進(jìn)行客觀比較與檢驗(yàn)，統(tǒng)一選取1980—2010 年數(shù)據(jù)作為建模樣本，2011—2020 年的樣本作為獨(dú)立測試樣本進(jìn)行預(yù)報(bào)測試，其中需對(duì)缺失樣本進(jìn)行剔除處理。表1 為各個(gè)氣象站用于預(yù)報(bào)試驗(yàn)的樣本數(shù)。

表1 廣西臺(tái)風(fēng)地面日極大風(fēng)速預(yù)報(bào)建模樣本（d）

2.2 預(yù)報(bào)因子初選

2.2.1 物理量預(yù)報(bào)因子

將18.25°N～29.75°N，100.25°E～114.75°E 范 圍ERA5 再分析的各層要素場和物理量場格點(diǎn)數(shù)據(jù)（共計(jì)15342 個(gè)格點(diǎn)，圖2）作為待選預(yù)報(bào)因子，通過相關(guān)分析和顯著性檢驗(yàn)，桂林站入選預(yù)報(bào)因子數(shù)量為70 個(gè)，梧州站入選81 個(gè)，龍州站入選59 個(gè)，南寧站入選81 個(gè)，玉林站入選76 個(gè)。

圖1 原物理量場選擇范圍（短斷線方框）以及裁剪后預(yù)報(bào)因子場區(qū)域（實(shí)線方框）圖

2.2.2 臺(tái)風(fēng)預(yù)報(bào)因子

由于研究對(duì)象是臺(tái)風(fēng)造成的極大風(fēng)速，因此臺(tái)風(fēng)本身所處的經(jīng)緯度、氣壓、中心風(fēng)速等特征量也是預(yù)報(bào)地面極大風(fēng)速的重要因素。這里選取了起報(bào)時(shí)刻臺(tái)風(fēng)所處的經(jīng)度和緯度、中心最低氣壓、中心附近最大風(fēng)速、地面極大風(fēng)速、過去24h 變壓、前24h 中心附近最大風(fēng)速增量等7 個(gè)臺(tái)風(fēng)氣候持續(xù)預(yù)報(bào)因子作為極大風(fēng)速預(yù)報(bào)的待選因子。分析發(fā)現(xiàn)，入選的臺(tái)風(fēng)預(yù)報(bào)因子與風(fēng)速的相關(guān)有地域性的差異，相關(guān)率呈現(xiàn)為玉林、南寧、梧州、龍州到桂林的逐漸遞減。究其原因，可能影響廣西的臺(tái)風(fēng)大多數(shù)是從東南部的玉林市進(jìn)入的，相關(guān)高（≥0.04）；相鄰的南寧和梧州影響次之；北部的桂林和西南部的龍州一般處于臺(tái)風(fēng)影響后期，因而相關(guān)性偏小。

2.3 構(gòu)建預(yù)報(bào)模型

本文以1980—2010 年的數(shù)據(jù)作為基礎(chǔ)建模樣本，對(duì)2011—2020 年共10a 臺(tái)風(fēng)影響廣西期間5 個(gè)氣象站的地面日極大風(fēng)速樣本作為獨(dú)立預(yù)報(bào)樣本進(jìn)行預(yù)報(bào)試驗(yàn)，選擇機(jī)器學(xué)習(xí)中的MR、SVM、FNN 三種方法分別構(gòu)建不同站點(diǎn)的臺(tái)風(fēng)極大風(fēng)速預(yù)報(bào)模型。模型構(gòu)建思路如下：

（1）建立MR 臺(tái)風(fēng)極大風(fēng)速預(yù)報(bào)模型：經(jīng)過多次試驗(yàn)，當(dāng)設(shè)定多元線性回歸中的統(tǒng)計(jì)量F 值＝3 的入選因子數(shù)的結(jié)構(gòu)較為適宜，得到的預(yù)報(bào)值也是最優(yōu)，各站點(diǎn)分別入選的預(yù)報(bào)方程因子數(shù)量，桂林站為6 個(gè)，梧州站入選5 個(gè)，龍州站8 個(gè)，南寧站8個(gè)，玉林站8 個(gè)。利用確定的預(yù)報(bào)因子，分別建立了5個(gè)站點(diǎn)的臺(tái)風(fēng)極大風(fēng)速預(yù)報(bào)方程，由于每個(gè)站點(diǎn)的建模樣本量不同，回歸方程的系數(shù)也不同，得到方程如下：

式（10）—（14）中Y桂林、Y梧州、Y龍州、Y南寧、Y玉林表示極大風(fēng)速的預(yù)報(bào)值，X 表示通過多元線性回歸方案設(shè)定F 值為3 時(shí)自動(dòng)篩選得到的預(yù)報(bào)因子，下標(biāo)為預(yù)報(bào)因子在所有初選預(yù)報(bào)因子集合排序中所在的序號(hào)。

（2）建立SVM 臺(tái)風(fēng)極大風(fēng)速預(yù)報(bào)模型：為了進(jìn)行客觀對(duì)比，在建立SVM 臺(tái)風(fēng)極大風(fēng)速預(yù)報(bào)模型時(shí)，同樣以多元線性回歸方案篩選出來的預(yù)報(bào)因子集作為預(yù)報(bào)模型的因子輸入，實(shí)際觀測的極大風(fēng)速值作為訓(xùn)練目標(biāo)樣本。本方案設(shè)置拉格朗日乘子上界為200，并構(gòu)造核函數(shù)K（x，xi）＝［（x·xi）＋1］q，其中q 是多項(xiàng)式的階次，所得到的是q 階多項(xiàng)式分類器。最后利用三次多項(xiàng)式求解線性方程得到ai和b，建立SVM 非線性回歸模型對(duì)臺(tái)風(fēng)極大風(fēng)速進(jìn)行預(yù)報(bào)。

（3）建立FNN 臺(tái)風(fēng)極大風(fēng)速預(yù)報(bào)模型：采用模糊神經(jīng)網(wǎng)絡(luò)預(yù)報(bào)模型對(duì)廣西臺(tái)風(fēng)期間地面日極大風(fēng)速進(jìn)行預(yù)報(bào)試驗(yàn)時(shí)，因子輸入和上述2 個(gè)模型一致，這里的模型參數(shù)統(tǒng)一設(shè)置為：網(wǎng)絡(luò)的輸入節(jié)點(diǎn)為篩選出的各站點(diǎn)的預(yù)報(bào)因子數(shù)量，網(wǎng)絡(luò)的輸出節(jié)點(diǎn)為1，設(shè)置3 個(gè)推理層節(jié)，網(wǎng)絡(luò)訓(xùn)練次數(shù)設(shè)定為300 次，學(xué)習(xí)因子取0.9，總體誤差定為0.0001。

3 三種機(jī)器學(xué)習(xí)方法預(yù)報(bào)結(jié)果對(duì)比分析

按照2.3 節(jié)構(gòu)建的預(yù)報(bào)建模試驗(yàn)思路，三種機(jī)器學(xué)習(xí)方法對(duì)廣西5 個(gè)氣象站點(diǎn)臺(tái)風(fēng)期間地面日極大風(fēng)速的預(yù)報(bào)結(jié)果見表2。平均絕對(duì)誤差（MAE）可以很好地反映預(yù)報(bào)模型的總體預(yù)報(bào)精度情況，因此本文主要采用該評(píng)估指標(biāo)對(duì)三種機(jī)器學(xué)習(xí)方法的獨(dú)立樣本預(yù)報(bào)結(jié)果進(jìn)行分析評(píng)估。分析表2 可知，三種預(yù)報(bào)模型的平均絕對(duì)誤差在1.7～3.3m·s－1之間，三種方案對(duì)桂林站的預(yù)報(bào)效果最理想，其次為龍州站，誤差最大均為玉林站。進(jìn)一步分析可知，MR 預(yù)報(bào)模型5 個(gè)站點(diǎn)的預(yù)報(bào)平均絕對(duì)誤差為2.53m·s－1，其中預(yù)報(bào)誤差最小為桂林站2.25m·s－1，誤差最大為玉林站的2.96m·s－1。SVM 預(yù)報(bào)模型5 個(gè)站點(diǎn)的預(yù)報(bào)平均絕對(duì)誤差為2.76m·s－1，其中預(yù)報(bào)誤差最小為桂林站2.28m·s－1，誤差最大為玉林站的3.29m·s－1。FNN 預(yù)報(bào)模型5 個(gè)站點(diǎn)的預(yù)報(bào)平均絕對(duì)誤差為2.38m·s－1，其中預(yù)報(bào)誤差最小為桂林站1.74m·s－1，誤差最大為玉林站的2.92m·s－1。對(duì)比分析可知，F(xiàn)NN 預(yù)報(bào)模型對(duì)桂林站、梧州站、龍州站、玉林站共4 個(gè)站點(diǎn)預(yù)報(bào)的平均絕對(duì)誤差最小，總體預(yù)報(bào)精度最好；而MR 預(yù)報(bào)模型對(duì)南寧站預(yù)報(bào)的平均絕對(duì)誤差最小，該方法對(duì)南寧站有較好的預(yù)報(bào)能力。

表2 三種機(jī)器學(xué)習(xí)預(yù)報(bào)模型平均絕對(duì)誤差統(tǒng)計(jì)（單位：m·s－1）

其中FNN 預(yù)報(bào)模型的平均絕對(duì)誤差比MR 預(yù)報(bào)模型減少了1%～29%（除南寧站外）。FNN 預(yù)報(bào)模型的平均絕對(duì)誤差比SVM 預(yù)報(bào)模型減少了6%～29%。MR 預(yù)報(bào)模型的平均絕對(duì)誤差比SVM 預(yù)報(bào)模型減少了5%～13%（除桂林站外）。

本文把預(yù)報(bào)絕對(duì)誤差≤2m·s－1的樣本視為預(yù)報(bào)效果較好，表3 是三種機(jī)器學(xué)習(xí)預(yù)報(bào)模型對(duì)5 個(gè)站點(diǎn)的獨(dú)立預(yù)報(bào)樣本預(yù)報(bào)較好的樣本個(gè)數(shù)情況。分析可知，對(duì)于桂林、龍州和玉林等3 個(gè)站點(diǎn)的預(yù)報(bào)，F(xiàn)NN 預(yù)報(bào)模型預(yù)報(bào)效果好的樣本個(gè)數(shù)最多；MR和SVM 預(yù)報(bào)模型預(yù)報(bào)對(duì)梧州站預(yù)報(bào)效果好的樣本個(gè)數(shù)一樣多；對(duì)南寧站的預(yù)報(bào)，MR 預(yù)報(bào)模型表現(xiàn)最優(yōu)。

表3 三種機(jī)器學(xué)習(xí)預(yù)報(bào)模型平均絕對(duì)誤差個(gè)數(shù)對(duì)比

總體上，通過MAE 檢驗(yàn)統(tǒng)計(jì)的分析表明，F(xiàn)NN預(yù)報(bào)模型的預(yù)報(bào)精度最高，MR 模型低于FNN 預(yù)報(bào)模型但優(yōu)于SVM 預(yù)報(bào)模型。

在實(shí)際的業(yè)務(wù)預(yù)報(bào)中，更關(guān)注的是6 級(jí)（10.8m·s－1）以上風(fēng)速的預(yù)報(bào)，為了分析三種機(jī)器學(xué)習(xí)模型對(duì)廣西臺(tái)風(fēng)期間地面6 級(jí)以上日極大風(fēng)速的預(yù)報(bào)能力，這里重點(diǎn)分析了2011—2020 年10a 期間各個(gè)站點(diǎn)的實(shí)際6 級(jí)以上風(fēng)速的風(fēng)速預(yù)報(bào)情況。主要采用TS評(píng)分、命中率、空?qǐng)?bào)率和預(yù)報(bào)偏差等4 種檢驗(yàn)方法進(jìn)行對(duì)比檢驗(yàn)。

從為三種預(yù)報(bào)模型6 級(jí)以上風(fēng)速預(yù)報(bào)的TS 評(píng)分（圖2a）的對(duì)比分析可知，5 個(gè)站點(diǎn)（桂林、梧州、龍州、南寧、玉林）的MR 預(yù)報(bào)模型的TS 評(píng)分為：0.22、0.32、0.09、0.30、0.36；SVM 預(yù)報(bào)模型的TS 評(píng)分 為：0.24、0.28、0.11、0.26、0.32；FNN 報(bào)模型FNN 的TS評(píng)分為：0.29、0.33、0.06、0.21、0.45。對(duì)于桂林、梧州和玉林3 個(gè)站點(diǎn)，F(xiàn)NN 預(yù)報(bào)模型的評(píng)分均高于MR預(yù)報(bào)模型和SVM 預(yù)報(bào)模型，分別提高了22.5%、2.04%、19.7%和17.2%、13.4%、27.7%。分析發(fā)現(xiàn)，對(duì)龍州站的預(yù)報(bào)中，F(xiàn)NN 預(yù)報(bào)模型和MR 預(yù)報(bào)模型的預(yù)報(bào)效果非常差，而SVM 預(yù)報(bào)模型相對(duì)最理想。在MR 預(yù)報(bào)模型的評(píng)分略高于SVM 預(yù)報(bào)模型，除了桂林和龍州站，其余站點(diǎn)提高了11.6%、12.1%和10%。

命中率結(jié)果顯示（圖2b），總體上FNN 預(yù)報(bào)模型的命中率更高。具體分析可知，三種機(jī)器學(xué)習(xí)模型對(duì)桂林站的命中率基本都較高；對(duì)于梧州和玉林站，F(xiàn)NN 預(yù)報(bào)模型相比MR 預(yù)報(bào)模型和SVM 預(yù)報(bào)模型，分別提高了5.88%、10%和11.7%、26.6%；三種方案對(duì)龍州站的命中率都偏低。

圖2c 為三種預(yù)報(bào)模型地面日極大風(fēng)速預(yù)報(bào)FAR 評(píng)分的對(duì)比，從總體上看，F(xiàn)NN 預(yù)報(bào)模型的空?qǐng)?bào)率低于其它兩個(gè)機(jī)器學(xué)習(xí)模型。具體分析可知，F(xiàn)NN 預(yù)報(bào)模型在桂林、龍州、南寧、玉林站的空?qǐng)?bào)率比MR 預(yù)報(bào)模型降低了19.1%、42.8%、10.3%、68.4%；，F(xiàn)NN 預(yù)報(bào)模型在桂林、梧州、龍州、玉林站的空?qǐng)?bào)率比SVM 預(yù)報(bào)模型降低了14.5%、14.4%、25%、9.45%。

對(duì)預(yù)報(bào)偏差進(jìn)行分析對(duì)比（圖2d），F(xiàn)NN 預(yù)報(bào)模型的預(yù)報(bào)偏差最小，SVM 報(bào)模型次之，MR 預(yù)報(bào)模型的預(yù)報(bào)偏差最大。FNN 預(yù)報(bào)模型比MR 預(yù)報(bào)模型分別減少了35%、100%、31.5%、12.8%（除梧州站外），SVM 預(yù)報(bào)模型比MR 預(yù)報(bào)模型分別減少了8%、27.2%、38.8%、37.5%（除梧州站外）。

圖2 MR、SVM 和FNN 預(yù)報(bào)模型對(duì)2011—2020 年獨(dú)立樣本預(yù)報(bào)的地面日極大風(fēng)（＞10.8m·s－1）的TS 評(píng)分（a）、命中率（b）、空?qǐng)?bào)率（c）和預(yù)報(bào)偏差（d）

以上分析結(jié)果表明，F(xiàn)NN 預(yù)報(bào)模型的預(yù)報(bào)性能優(yōu)于MR 預(yù)報(bào)模型和SVM 預(yù)報(bào)模型，對(duì)廣西臺(tái)風(fēng)期間地面日極大風(fēng)速有較好的預(yù)報(bào)能力。

4 結(jié)論與討論

采用多元線性回歸、支持向量機(jī)、模糊神經(jīng)網(wǎng)絡(luò)三種不同的機(jī)器學(xué)習(xí)方法進(jìn)行廣西臺(tái)風(fēng)期間的5 個(gè)氣象觀測站桂林、梧州、龍州、南寧、玉林的地面日極大風(fēng)速進(jìn)行預(yù)報(bào)建模試驗(yàn)，全部獨(dú)立預(yù)報(bào)樣本的絕對(duì)誤差以及6 級(jí)以上風(fēng)速的TS 評(píng)分、命中率、空?qǐng)?bào)率和預(yù)報(bào)偏差的結(jié)果都表明，模糊神經(jīng)網(wǎng)絡(luò)預(yù)報(bào)模型的預(yù)測精度最高且相對(duì)穩(wěn)定，多元線性回歸方案次之，支持向量機(jī)在三種方案中預(yù)報(bào)效果最差。模糊神經(jīng)網(wǎng)絡(luò)對(duì)極大風(fēng)速預(yù)報(bào)具有一定的適用性，可對(duì)廣西臺(tái)風(fēng)期間地面日極大風(fēng)速的預(yù)報(bào)有較好的參考作用，并可為后期進(jìn)行廣西的大風(fēng)災(zāi)害預(yù)測研究的開展提供理論參考和實(shí)證基礎(chǔ)。

另外，需要說明的是，本文只選取了廣西5 個(gè)具有區(qū)域代表性的氣象站點(diǎn)對(duì)預(yù)報(bào)模型的預(yù)報(bào)能力進(jìn)行對(duì)比說明，后續(xù)可進(jìn)一步將預(yù)報(bào)范圍輻射至整個(gè)廣西區(qū)域的所有站點(diǎn)進(jìn)行預(yù)報(bào)試驗(yàn)。在試驗(yàn)中的某些指標(biāo)上，我們發(fā)現(xiàn)模糊神經(jīng)網(wǎng)絡(luò)方法并非最優(yōu)，其他機(jī)器學(xué)習(xí)方法也有很好的表現(xiàn)，可據(jù)此深入分析，考慮用將預(yù)報(bào)性能較好的機(jī)器學(xué)習(xí)算法進(jìn)行有效集合，應(yīng)該可以更好地提高風(fēng)速的預(yù)報(bào)精度，為廣西的大風(fēng)災(zāi)害預(yù)報(bào)提供參考。