基于 LightGBM 的海洋水域主波周期预报
摘要
本文中，我们提出一种轻量梯度提升（LightGBM）方法来预报海洋水域的主波周期。首先，我们使用从 CDIP 浮标收集的数据并应用多种数据滤波方法。数据滤波方法使我们能获得用于训练和验证的高质量数据集。然后，我们提取各种基于波浪的特征（如波高、周期、偏度、峰度等）以及浮标的大气特征（如湿度、气压和气温）。之后，我们通过 hv-block 交叉验证方案训练使用 LightGBM 和 Extra Trees 的算法，以预报未来最多 30 天的主体波周期。LightGBM 在提前 1 天、15 天和 30 天预测的 R2 分数分别为 0.94、0.94 和 0.94。类似地，Extra Trees（ET）在提前 1 天、15 天和 30 天预测的 R2 分数分别为 0.88、0.86 和 0.85。在测试数据集中，LightGBM 在提前 1 天、15 天和 30 天预测的 R2 分数分别为 0.94、0.94 和 0.94。ET 在提前 1 天、15 天和 30 天预测的 R2 分数分别为 0.88、0.86 和 0.85。训练与测试数据集相似的 R2 分数表明本文开发的机器学习模型是鲁棒的。由于 LightGBM 算法在所有测试的窗口中都优于 ET，它被选为最终算法。注意两种方法的性能随预报时效增加并未显著下降。同样，所提方法在测试数据集中优于本文包含的数值方法。对于提前 1 天预测，所提算法的 SI、Bias、CC 和 RMSE 分别为 0.09、0.00、0.97 和 1.78，而欧洲中期天气预报中心（ECMWF）模型分别为 0.268、0.40、0.63 和 2.18，后者在测试数据集中优于所有其他方法。
引用
@article{arxiv.2105.08721,
title = {A LightGBM based Forecasting of Dominant Wave Periods in Oceanic Waters},
author = {Pujan Pokhrel},
journal= {arXiv preprint arXiv:2105.08721},
year = {2021}
}
备注
arXiv admin note: text overlap with arXiv:2105.08583