首页 | 本学科首页   官方微博 | 高级检索  
     检索      

基于SSA-XGBoost方法的降水变化趋势预测模型
引用本文:徐磊,王甜莉,刘松国,李东,李伟,谭亮成.基于SSA-XGBoost方法的降水变化趋势预测模型[J].地球环境学报,2020,11(5):475-485.
作者姓名:徐磊  王甜莉  刘松国  李东  李伟  谭亮成
作者单位:1.长安大学 信息工程学院,西安 710064
2.中国科学院地球环境研究所 黄土与第四纪地质国家重点实验室,西安 710061
3.中国科学院大学,北京 100049
4.之江实验室,杭州 310000
5.长安大学 图书馆,西安 710064
6.中国科学院第四纪科学与全球变化卓越创新中心,西安 710061
7.西安交通大学 全球环境变化研究院,西安 710049
基金项目:中国科学院战略性先导科技专项(B类)(XDB40000000);国家自然科学基金项目(41991252);国家重点研发计划(2017YFA0603401)
摘    要:全球变暖预期下不同区域的未来降水变化,是政府和公众都关心的重要问题,也是全球变化研究的前沿科学问题。预测模型的建立是预测/预估研究的重点和难点,现今不稳定的气候背景对预测模型的精准度提出了更高的要求。为了解决传统方法对长期时间序列预测效果欠佳的问题,本文以泰国南部洞穴石笋δ18O重建的过去270多年(公元1773—2004年)的降水记录为数据集,提出了SSA-XGBoost预测模型。对原始数据去趋势预处理后,采用奇异谱分析法(SSA)提取前部分数据(1773—1964年)的振荡成分以确定数据的最佳谐波个数,并进行准确的周期信号分量分解;之后用去趋势数据减去周期信号得到随机信号,再利用XGBoost模型对随机项进行预测;最后将预测的序列、趋势曲线和周期信号延拓结果相叠加得到最终的预测数据(1965—2004年)。与其他四种模型(XGBoost、ARIMA、SSA-ARIMA、LightGBM)的预测结果相比,SSA-XGBoost的预测结果与真实值最相近,且MAE和RMSE均最小,R2也更接近1,说明该模型具有更高的精度和稳定性。该研究对于泰国南部等热带地区未来的降水变化趋势预测具有较好的指导意义,也可为其他长时间序列的预估研究提供借鉴。

关 键 词:降水变化趋势  预测  机器学习  XGBoost模型  奇异谱分解

Model based on SSA-XGBoost method for predicting precipitation change trends
Authors:XU Lei  WANG Tianli  LIU Songguo  LI Dong  LI Wei  TAN Liangcheng
Abstract:
Keywords:precipitation change trend  prediction  machine learning  XGBoost Model  Singular Spectrum Analysis (SSA)
点击此处可从《地球环境学报》浏览原始摘要信息
点击此处可从《地球环境学报》下载免费的PDF全文
设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号