研究背景
现有问题
- 降雨样本类别不均衡影响机器学习反演精度
- 随机过采样可能导致过拟合，欠采样导致信息丢失
- 特征间相关性高，存在多重共线性问题
研究意义
- 防御气象灾害，保护生态环境
- 科学管理水资源
- 提升气象防灾减灾能力
研究方法
SMOTE
合成少数类过采样技术，解决样本不均衡问题
PCA
主成分分析，降维优化，消除特征相关性
RF
随机森林分类器，集成学习提升精度
数据来源
实测数据
- • 福建省2020-2022年14次主要降雨过程
- • 2,312个气象站点降水资料
- • 年均降水量1,491.5mm
卫星数据
- • FY-3D/TSHS微波湿度计亮温
- • 空间分辨率33km，15个探测通道
- • 星地匹配数据24,225条
模型架构
基于FY-3D/TSHS微波湿度计亮温的降雨反演模型建立流程
降雨落区模型
- • 识别有雨/无雨区域
- • 无雨样本18,552条
- • 有雨样本5,673条
- • 7:3比例划分训练/测试集
等级划分模型
- • 小雨：0.1-2.5mm
- • 中雨：2.6-8.0mm
- • 大雨/暴雨：≥8.1mm
- • 五折交叉验证优化
应用案例
2022年6月9日4时、11日4时与15日16时福建省站点雨情与SMOTE-PCA-RF模型反演结果对比
案例分析结果
6月9日4时
中部与东北部降雨识别
6月11日4时
西南部降雨区域判识
6月15日16时
全省范围降雨分布
实验结果
模型性能对比
| 模型 | 降雨落区TS值 | 等级划分F1值 | 训练时效提升 |
|---|---|---|---|
| SMOTE-PCA-RF | 0.60 | 0.60 | 27.32% |
| SMOTE-RF | 0.58 | 0.55 | - |
| PCA-RF | 0.56 | 0.47 | 31.70% |
| RF | 0.55 | 0.45 | - |
优势表现
- • TS值提升3.45%~9.09%
- • F1值提升9.09%~33.33%
- • 命中率达0.79，漏报率降至0.21
- • 空报率改善至0.28
重要发现
- • SMOTE提升分类性能但增加过拟合
- • PCA降维提高泛化能力和训练效率
- • 精度随雨量等级增加而降低
- • 反演结果与实测雨况空间分布一致
研究结论
主要成果
- SMOTE-PCA-RF模型在降雨落区反演和等级划分中表现最优，TS值和F1值均达0.60
- SMOTE法提升分类性能，PCA法提高泛化能力和训练效率9.75%~31.70%
- 模型能较好反映实际雨况，对台风等天气系统的大/暴雨核心区具有一定命中率
应用价值
研究为降雨监测提供技术支撑，有助于相关部门快速且直观了解大尺度范围内降雨落区及强度划分的空间分布变化， 进一步提升气象防灾减灾能力，为气象灾害防御和高风险区域人员疏散等提供决策依据。