基于LightGBM融合并强调极端分位数的卫星与雨量计实测降水
信号处理
2023-08-04 v2 机器学习
摘要
了解实际降水在时空上的分布在水文建模应用中至关重要，然而受经济条件限制，雨量计站的空间覆盖有限。网格化卫星降水数据集通过均匀覆盖大面积区域为估算实际降水提供了替代方案，尽管相关估算并不精确。为改进降水估算，应用机器学习融合基于雨量计的测量值与网格化卫星降水产品。在此背景下，观测降水作为因变量，卫星数据作为预测变量。随机森林是相关应用中的主导机器学习算法。在此类空间预测设定中，给出因变量的点预测（多为条件分布的均值或中位数）。本文旨在解决空间插值设定下强调极端分位数的降水概率预测问题。在此我们提出使用轻量梯度提升机（LightGBM）给出降水的概率空间预测。LightGBM是一种提升算法，在预测与预报竞赛的获奖方案中表现突出。为评估LightGBM，我们提供了一个大规模应用，包括将美国本土的每日降水测量值与PERSIANN及GPM-IMERG卫星降水数据融合。我们关注因变量概率分布的极端分位数，在极端分位数上LightGBM在分位数分数方面优于分位数回归森林（QRF，随机森林的一种变体）。我们的研究增进了对使用机器学习的空间设定下概率预测的理解。
引用
@article{arxiv.2302.03606,
title = {Merging satellite and gauge-measured precipitation using LightGBM with an emphasis on extreme quantiles},
author = {Hristos Tyralis and Georgia Papacharalampous and Nikolaos Doulamis and Anastasios Doulamis},
journal= {arXiv preprint arXiv:2302.03606},
year = {2023}
}
备注
26 pages, 6 figures