Delta特征与随机森林增强型LSTM-注意力模型结合概率后处理方法在降雨预测中的应用

《Scientific Reports》：Delta feature and random forest–enhanced LSTM–attention forecasts with probabilistic postprocessing for rainfall forecasting

　　

摘要

可靠的降雨预报对于实时防洪和水资源管理至关重要。深度学习、高性能计算以及基于物联网（IoT）的天气观测技术的进步使得降雨预测的准确性不断提高。本研究的贡献主要有三点：（1）利用具有不同时间延迟的邻近站点的数据来模拟空间传播和区域降雨动态；（2）引入基于“差分”（delta）的特征，以捕捉气象变量的时间变化趋势；（3）开发了一种结合注意力机制（Attention）和长短期记忆网络（LSTM）的混合模型，并采用概率后处理方法进行极端值预测。研究分析了目标站点及其七个邻近站点的数据以及六个气象变量。为了捕捉时间依赖性，研究人员创建了差分特征和时间延迟特征，并通过主成分分析（PCA）、相关性分析和随机森林（Random Forest）方法筛选出最具信息量的输入数据。以LSTM模型作为基准，评估了多种改进模型，包括Attention-LSTM、Progressive Graph Convolutional Network-LSTM（PGCN-LSTM）以及带有注意力机制的PGCN-LSTM。这些模型倾向于低估极端降雨事件的发生概率，这可能是由于极端样本数量不平衡所致。随后使用基于韦伯分布（Weibull distribution）的阈值处理方法对预测结果进行了修正。在模型超参数调优方面，正则化和dropout机制在防止过拟合方面发挥了关键作用，确保了深度学习框架在短期降雨预测中的稳健性。所提出的混合模型能够对一般降雨和极端降雨事件提供较为准确的预测（相关性约为0.69），但高强度对流事件的预测仍存在一定偏差。