用于总云量预测的机器学习

准确可靠的总云量（TCC）预报对天文学、能源供需与农业生产等诸多领域至关重要。多数气象中心发布 TCC 的集合预报，然而这些预报常未校准且预报技巧劣于其他气象变量的集合预报。因此亟需某种形式的后处理以提升预测性能。由于 TCC 观测通常按称为 okta 的仅取九个离散值的标度报告，TCC 集合预报的统计校准可视为以 okta 概率为输出的分类问题。这是机器学习方法应用的经典领域。我们研究了使用多层感知机（MLP）神经网络、梯度提升机（GBM）和随机森林（RF）方法进行后处理的性能。基于欧洲中期天气预报中心 2002–2014 年全球 TCC 集合预报，我们将这些方法与比例优势逻辑回归（POLR）和多类逻辑回归（MLR）模型以及原始 TCC 集合预报进行比较。我们进一步评估了通过引入降水集合预报作为附加预测因子能否获得预报技巧的提升。与原始集合相比，所有校准方法均显著改善预报技巧。RF 模型带来的预测性能提升最小，而 MLP、POLR 和 GBM 方法表现最佳。降水预报数据的使用进一步提升了预报技巧，除极短预报时效外，扩展的 MLP 模型展现出最佳总体性能。