.png){kind=icon}
返回
Optimizing Clear Air Turbulence Forecasts Using the K-Nearest Neighbor Algorithm
.png){kind=icon}
PRE
AI
DOI：10.1007/s13351-024-4060-7.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
晴空湍流（CAT）的复杂性和不可预测性对航空安全构成了重大挑战。湍流事件的准确预测对于减少飞行事故和经济损失至关重要。然而，传统的湍流预测方法（如集合预报技术）存在一定局限性：它们仅考虑最近期的湍流数据，难以捕捉湍流中的非线性关系。本研究提出了一种基于K近邻（KNN）算法的湍流预测模型，该模型采用八种CAT诊断特征的组合作为特征向量，并引入CAT诊断特征权重以提高预测精度。该模型将ECMWF第五代再分析数据集（ERA5）中125至500 hPa高度层七年的CAT诊断结果作为特征向量输入，并结合了标注的飞行员报告（PIREP）数据标签，每个样本均对预测结果做出贡献。通过测量当前CAT诊断变量与其他变量的距离，模型确定气候上最相似的邻近点，并识别当前变量引起的湍流强度类别。为评估该模型在科罗拉多州高空湍流诊断中的性能，随机选取了PIREP案例进行分析。结果表明，加权KNN（W-KNN）模型在湍流预测方面表现出更高的技巧，并且在捕捉中等级别或更高（MOG）湍流方面优于传统预测方法和其他机器学习模型（如随机森林）。通过评估接收者操作特征（ROC）曲线、最大真技巧统计量（maxTSS = 0.552）和可靠性图，验证了模型的性能。获得了稳健评分（曲线下面积：AUC = 0.86），且该模型表现出对季节性和年度气候波动的敏感性。
Keyword:
clear air turbulence
K-nearest neighbor (KNN) algorithm
the ECMWF fifth-generation reanalysis dataset (ERA5)
turbulence prediction
期刊
IF:
2.5
论文数:
199
被引数:
2.0K
机构
引用论文
.png){kind=icon}
On the characterization of mountain waves and the development of a warning method for aviation safety using WRF forecast关于山地波的特征描述及利用WRF预报开发航空安全预警方法的研究
PREAI
分享收藏
查看更多内容