.png){kind=icon}
返回
A Machine Learning-Based Quality Control Algorithm for Heavy Rainfall Using Multi-Source Data
.png){kind=icon}
OA
AI
DOI：10.3390/rs17243976.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本研究通过整合自动气象站观测数据、遥感数据、分钟级数据及元数据，开发了一种基于机器学习的暴雨质量控制算法。基于2022年6月1日至2024年12月31日的暴雨样本，四种梯度提升模型——eXtreme Gradient Boosting (XGBoost)、Light Gradient Boosting Machine (LightGBM)、Categorical Boosting (CatBoost)和Gradient Boosted Regression Trees (GBRT)——的性能显著优于基于降水阈值的传统方法，包括区域极值检验、时间一致性检验等。具体而言，XGBoost尤其实现了精度提升0.110、召回率提升0.162。这一改进显著减少了暴雨异常事件的误报（高精度）和漏报（高召回率），从而大幅提升了质量控制数据的可靠性。雷达复合反射率、卫星云顶温度和分钟级降水量被确认为模型预测的主导贡献因子。多传感器观测的融合有效克服了传统阈值法的固有局限性。通过基于SHapley Additive exPlanations (SHAP)的可解释性分析，模型的决策逻辑被证明与气象物理原理一致。低雷达反射率与高云顶温度的组合等特征模式被标记为异常降雨事件，通常对应于人工操作错误。此外，模型将异常的分钟级降水极值识别为检测仪器故障、数据编码及传输错误的关键信号。模型推理的物理一致性增强了其可信度，并支持其在暴雨质量控制中的潜在业务化应用。
Keyword:
quality control
heavy rainfall
machine learning
multi-source data
interpretability
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
4.1
论文数:
7.6K
被引数:
15.1W
机构
引用论文
.png){kind=icon}
Confusion Matrix-Based Performance Evaluation Metrics萨特亚纳拉扬南, S., 坦特里, B.R., 2024. 基于混淆矩阵的性能评估指标. 非洲生物医学研究杂志 27, 4023-4031.
PREAI
分享收藏分享收藏分享收藏Understanding Winter Precipitation Impacts on Automated Gauge Observations within a Real-Time System了解冬季降水对实时系统中自动仪表观测的影响OAAI
OAAI分享收藏
查看更多内容