Study on Short Term Temperature Forecast Model in Jiangxi Province based on LightGBM Machine Learning Algorithm

Kanghui SUN; An XIAO; Houjie XIA

doi:10.7522/j.issn.1000-0534.2024.00035

Plateau Meteorology >

2024 , Vol. 43 >Issue 6: 1520 - 1535

DOI: https://doi.org/10.7522/j.issn.1000-0534.2024.00035

Study on Short Term Temperature Forecast Model in Jiangxi Province based on LightGBM Machine Learning Algorithm

Kanghui SUN ,
An XIAO ,
Houjie XIA

Expand

Jiangxi Meteorological Observatory，Weather Forecast Open Laboratory of Jiangxi Meteorological Bureau，Nanchang 330096，Jiangxi，China

Received date: 2023-11-07

Revised date: 2024-03-11

Online published: 2024-03-11

Fold

Abstract

In order to achieve further improvement in the forecast accuracy of station temperatures and enhance the forecast capability for extreme temperatures， this study establishes a 24-hour national station daily maximum （minimum） temperature forecast model for Jiangxi Province based on the LightGBM machine-learning algorithm and the MOS forecast framework by using the surface observation data of 91 national stations in Jiangxi Province and the upper-air and surface forecast data of the ECMWF model from 2017 to 2019.The results of the 2020 evaluation show that the LightGBM model daily maximum （minimum） temperature forecast is consistent with the observed trend， and the annual average forecast is better than that of three numerical models， ECMWF， CMA-SH9 and CMA-GFS， two machine learning products， RF and SVM， and subjective revision products.In terms of the spatial and temporal distribution of forecast errors， the model's daily maximum （minimum） temperature forecast errors in winter and spring are slightly larger than those in summer and autumn； the daily maximum temperature forecast errors show the spatial distribution characteristics of "larger in the south and smaller in the north， and larger in the periphery than in the centre"， while the opposite is true for the daily minimum temperatures.In terms of important weather processes， the LightGBM model has the best prediction effect among the seven products in the high temperature process； in the strong cold air process， the LightGBM model is still better than the three numerical model products and the other two machine-learning models， but the prediction effect of the daily minimum temperature is not as good as that of the subjective revision products.After a simple empirical correction for the low-temperature forecast error in the strong cold air process， the model low-temperature forecast effect is close to that of the subjective revision product.The model significance analysis shows that the recent surface observation features also contribute to the model construction， and the results can be used as a reference for model improvement and temperature forecast product development.At present， the LightGBM model temperature forecast products have been applied to meteorological operations in Jiangxi Province.

Key words： temperature forecast; ECMWF; machine learning; LightGBM; evaluation of prediction result

Cite this article

Kanghui SUN , An XIAO , Houjie XIA . Study on Short Term Temperature Forecast Model in Jiangxi Province based on LightGBM Machine Learning Algorithm[J]. Plateau Meteorology, 2024 , 43(6) : 1520 -1535 . DOI: 10.7522/j.issn.1000-0534.2024.00035

References

null	Bauer P， Thorpe A， Brunet G， 2015.The quiet revolution of numerical weather prediction［J］.Nature， 525 （7567）： 47.DOI： 10. 1038/nature14956 .
null	Breiman L， 1996.Bagging predictors［J］.Machine Learning， 24（2）： 123-140.DOI： 10.1023/A： 1018 054314350 .
null	Breiman L， 2001.Random forests［J］.Machine Learning， 45（1）： 5-32.DOI： 10.1023/A： 1010933404 324 .
null	Chen H Q， Zhao L， Dong W， et al， 2022.Spatiotemporal variation of mortality burden attributable to heatwaves in China， 1979-2020［J］.Science Bulletin， 67（13）： 1340-1344.DOI： 10.1016/j.scib.2022.05.006 .
null	Fan J L， Yue W J， Wu L F， et al， 2018.Evaluation of SVM， ELM and four tree-based ensemble models for predicting daily reference evapotranspiration using limited meteorological data in different climates of China［J］.Agricultural and Forest Meteorology， 263： 225-241.DOI： 10.1 016/j.agrformet.2018.08.019 .
null	Friedman J H， 2001.Greedy function approximation： a gradient boosting machine［J］.The Annals of Statistics， 5（29）： 1189-1232.
null	Glahn H R， Lowry D A， 1972.The use of model output statistics （MOS） in objective weather forecasting［J］.Journal of Applied Meteorology， 11（8）： 1203-1211.
null	Han L， Chen M X， Chen K K， et al， 2021.A deep learning method for bias correction of ECMWF 24-240 h forecasts［J］.Advances In Atmospheric Sciences， 38（9）： 1444-1459.DOI： 10.1007/s 00376-021-0215-y .
null	Hossain M， Rekabdar B， Louis S J， et al， 2015.Forecasting the weather of Nevada： a deep learning approach［C］.International Joint Conference on Neural Networks， IEEE， 1-6， DOI： 10. 1109/IJCNN.2015.7280812 .
null	Ke G L， Meng Q， Finley T， et al， 2017.LightGBM： a highly efficient gradient boosting decision tree［J］.Advances in Neural Information Processing Systems.30： 3149-3157.
null	Klein W H， Lewis B M， Enger I， 1959.Objective prediction of five-day mean temperatures during winter［J］.Journal of Meteorology， 16（6）： 672-682.
null	Liu X W， Duan H X， Huang W B， et al， 2021.Classified early warning and forecast of severe convective weather based on LightGBM algorithm［J］.Atmospheric and Climate Sciences， 11（2）： 284-301.DOI： 10.4236/acs.2021.112017 .
null	Lynch P， 2008.The origins of computer weather prediction and climate modeling［J］.Journal of Computational Physics， 227（7）： 3431-3444.DOI： 10.1016/j.jcp.2007.02.034 .
null	Parzen E， 1962.On estimation of probability density function and mode［J］.The Annals of Mathematical Statistics， 33（3）： 1065-1076.DOI： 10.1214/aoms/1177704472 .
null	Salcedo-Sanz S， Deo R C， Carro-Calvo L， et al， 2016.Monthly prediction of air temperature in Australia and New Zealand with machine learning algorithms［J］.Theoretical and Applied Climatology， 125（1-2）： 13-25.DOI： 10.1007/s00704-015-1480-4 .
null	Schapire R E， 1990.The strength of weak learnability［J］.Machine Learning， 5（2）： 197-227.DOI： 10.1007/ BF0011 6037 .
null	Ustaoglu B， Cigizoglu H K， Karaca M， 2010.Forecast of daily mean， maximum and minimum temperature time series by three artificial neural network methods［J］.Meteorological Applications， 15（4）： 431-445.DOI： 10.1002/met.83 .
null	Zhong J T， Zhang X Y， Gui K， et al， 2021.Robust prediction of hourly PM2.5 from meteorological data using LightGBM［J］， National Science Review， 8（10）： 1-12.DOI： 10.1093/nsr/nwaa307 .
null	Zhou J， Li E M， Yang S， et al， 2019.Slope stability prediction for circular mode failure using gradient boosting machine approach based on an updated database of case histories［J］.Safety Science， 118： 505-518.DOI： 10.1016/j.ssci.2019.05.046 .
null	Aurélien G， 2020.机器学习实战：基于Scikit-Learn、 Keras和TensorFlow（第二版）［M］.宋能辉，李娴，译.北京：机械工业出版社， 66-67.Aurélien G， 2020.Hands-on machine learning with scikit-learn， keras & tensorflow［M］.Translated by Song N H and Li X.BeiJing： China Machine Press， 66-67.
null	白永清，林春泽，陈正洪，等， 2013．基于LAPS分析的WRF模式逐时气温精细化预报释用［J］.气象， 39（4）： 460-465.DOI： 10.7519/j.issn.1000-0526.2013.4.008.Bai Y Q ，
null	Lin C Z， Chen Z H， et al， 2013.Product interpretation of refined hourly temperature based on the assimilation of WRF model in LAPS［J］.Meteorology Monthly， 39（4）： 460-465.DOI： 10.7519/j.issn.1000-0526.2013.4.008 .
null	陈昱文，黄小猛，李熠，等．2020．基于ECMWF产品的站点气温预报集成学习误差订正［J］.应用气象学报， 31（4）： 494-503.DOI： 10.11898/1001-7313.20200411.Chen Y W ，
null	Huang X M， Li Y， et al， 2020.Ensemble learning for bias correction of station temperature forecast based on ECMWF products［J］.Journal of Applied Meteorological Science， 31（4）： 494-503.DOI： 10.11898/1001-7313.20200411 .
null	程胡华，王益柏，赵亮，等， 2020.相似偏差订正法在短期温度预报中的应用研究［J］．气象研究与应用， 41（3）： 21-26.DOI： 10.19849/j.cnki.CN45-1356/P.2020.3.04.Cheng H H ，
null	Wang Y B， Zhao L， et al， 2020.Application of similar deviation correction method in short-term temperature forecast［J］.Journal of Meteorological Research and Application， 41（3）： 21-26.DOI： 10.19849/j.cnki.CN45-1356/P.2020.3.04 .
null	代刊，曹勇，钱奇峰，等， 2016．中短期数字化天气预报技术现状及趋势［J］．气象， 42（12）： 1445-1455.DOI： 10.7519/j.issn.1000-0526.2016.12.002.Dai K ，
null	Cao Y， Qian Q F， et al， 2016.Situation and tendency of operational technologies in short and medium range weather forecast［J］.Meteorological Monthly， 42（12）： 1445-1455.DOI： 10.7519/j.issn.1000-0526.2016.12.002 .
null	贺倩，汪明，刘凯， 2022.基于机器学习的气温要素空间插值［J］.高原气象， 41（3）： 733-748.DOI： 10.7522/j.issn.1000-0534.2021.000007.He Q ，
null	Wang M， Liu K， 2022.Spatial interpolation of air temperature based on machine learning［J］.Plateau Meteorology， 41（3）： 733-748.DOI： 10.7522/j.issn.1000-0534.2021.000007 .
null	姜红，何清，曾晓青，等， 2021.基于随机森林和卷积神经网络的FY-4A号卫星沙尘监测研究［J］.高原气象， 40（3）： 680-689.DOI： 10.7522/j.issn.1000-0534.2020.00060.Jiang H ，
null	He Q， Zeng X Q， et al， 2021.Sand and dust monitoring using FY-4A satellite data based on the random forests and convolutional neural networks［J］.Plateau Meteorology， 40（3）： 680-689.DOI： 10.7522/j.issn.1000-0534.2020.00060 .
null	林纾，李红英，黄鹏程，等， 2022.2022年夏季我国高温干旱特征及其环流形势分析［J］.干旱气象， 40（5）： 748-763.DOI： 10.11755/j.issn.1006-7639（2022）-05-0748.Lin S ，
null	Li H Y， Huang P C， et al， 2022.Characteristics of high temperature， drought and circulation situation in summer 2022 in China［J］.Journal of Arid Meteorology， 40（5）： 748-763.DOI： 10.11755/ j.issn.1006-7639（2022）-05-0748 .
null	罗聪，曾沁，高亭亭，等， 2012.精细化逐时滚动温度预报方法及检验［J］.热带气象学报， 28（4）： 552-556.DOI： 10.3969/j.issn.1004-4965.2012.04.014.Luo C ，
null	Zeng Q， Gao T T， et al， 2012.Research of seamless hourly updated forecast of temperature and verification［J］.Journal of Tropical Meteorology， 28（4）： 552-556.DOI： 10.3969/j.issn.1004-4965.2012.04.014 .
null	马学款，普布次仁，唐叔乙，等， 2007.人工神经网络在西藏中短期温度预报中的应用［J］．高原气象， 26（3）： 491-495．DOI： 10.3321/j.issn： 1000-0534.2007.03.008.Ma X K ，
null	Pubu C R， Tang S Y， et al， 2007.The application of artificial neural network to short and mid-range temperature forecast in Tibet［J］.Plateau Meteorology， 26（3）： 491-495.DOI： 10.3321/j.issn： 1000-0534.2007.03.008 .
null	门晓磊，焦瑞莉，王鼎，等， 2019.基于机器学习的华北气温多模式集合预报的订正方法［J］.气候与环境研究， 24 （1）： 116-124.DOI： 10.3878/j.issn.1006-9585.2018.18049.Men X L ，
null	Jiao R L， Wang D， et al， 2019.A temperature correction method for multi-model ensemble forecast in North China based on machine learning［J］.Climatic and Environmental Research （in Chinese）， 24（1）： 116-124.DOI： 10.3878/j.issn.1006-9585.2018.18049 .
null	谭江红，陈伟亮，王珊珊， 2018.一种机器学习方法在湖北定时气温预报中的应用试验［J］.气象科技进展， 8（5）： 46-50.DOI： 10.3969/j.issn.2095-1973.2018.05.006.Tan J H ，
null	Chen W L， Wang S S， 2018.Using a machine learning method for temperature forecast in Hubei province［J］.Advances in Meteorological Science and Technology， 8（5）： 46-50.DOI： 10.3969/j.issn.2095-1973.2018.05.006 .
null	王丹，黄少妮，高红燕，等， 2016.递减平均法对陕西SCMOC精细化温度预报的订正效果［J］.干旱气象， 34（3）： 575-583.DOI： 10.11755/j.issn.1006-7639（2016）-03-0575.Wang D ，
null	Huang S N， Gao H Y， et al， 2016.Analysis on errors of SCMOC refined guidance temperature prediction corrected by the decaying averaging method in Shaanxi province［J］.Journal of Arid Meteorology， 34（3）： 575-583.DOI： 10.11755/j.issn.1006-7639（2016）-03-0575 .
null	王菲，张华，刘梦婷，等， 2022.气候反馈对温度空间模态的依赖性： IPCC AR6解读［J］.大气科学学报， 45（6）： 826-834.DOI： 10.13878/j.cnki.dqkxxb.20220928001.Wang F ，
null	Zhang H， Liu M T， et al， 2022.Dependence of climate feedbacks on temperature patterns： interpreting IPCC AR6［J］.Transactions of Atmospheric Sciences， 45（6）： 826-834.DOI： 10.13878/j.cnki.dqkxxb.20220928001 .
null	王可心，包云轩，朱承瑛，等， 2021.随机森林回归法在冬季路面温度预报中的应用［J］.气象， 47（1）： 82-93.DOI： 10.7519/j.issn.1000-0526.2021.01.008.Wang K X ，
null	Bao Y X， Zhu C Y， et al， 2021.Forecasts of road surface temperature in winter based on random forests regression［J］.Meteorology Monthly， 47（1）： 82-93.DOI： 10.7519/j.issn.1000-0526.2021.01.008 .
null	王胜，田红，吴蓉，等， 2022.2022年安徽省区域性高温和干旱过程综合评估［J］.干旱气象， 40（5）： 771-779.DOI： 10.11755/j.issn.1006-7639（2022）-05-0771.Wang S ，
null	Tian H， Wu R， et al， 2022.Comprehensive assessment of regional high temperature and drought processes in Anhui province in 2022［J］.Journal of Arid Meteorology， 40（5）： 771-779.DOI： 10.11755/j.is- sn.1006-7639（2022）-05-0771 .
null	肖玉华，赵静，蒋丽娟， 2010.数值模式预报性能的地域性特点初步分析［J］.暴雨灾害， 29（4）： 28-33.DOI： 10.3969/j.issn.1004-9045.2010.04.004.Xiao Y H ，
null	Zhao J， Jiang L J， 2010.Analysis on geography & physiognomy character of numerical model prediction performance［J］.Torrential Rain and Disasters， 29（4）： 28-33.DOI： 10.3969/j.issn.1004-9045.2010.04.004 .
null	薛谌彬，陈娴，张瑛，等， 2019.ECMWF高分辨率模式2m 温度预报误差订正方法研究［J］.气象， 45（6）： 831-842.DOI： 10.7519/j.issn.1000-0526.2019.06.009.Xue C B ，
null	Chen X， Zhang Y， et al， 2019.Bias correction method for the 2m temperature forecast of ECMWF high resolution model［J］.Meteorological Monthly， 45（6）： 831-842 （in Chinese）.DOI： 10.7519/j.issn.1000-0526.2019.06.009 .
null	姚望玲，陈正洪，向玉春， 2010.武汉市气候变暖与极端天气事件变化的归因分析［J］.气象， 36（11）： 88-94.
null	Yao W L， Chen Z H， Xiang Y C， 2010.DOI： 10.7519/j.issn.1000-0526.2010.11.013.Trends in climate extremes in association with climate warming in Wuhan ［J］.Meteorology Monthly， 36（11）： 88-94.DOI： 10.7519/j.issn.1000-0526.2010.11.013 .
null	叶宇辰，陈海山，朱司光，等， 2024.基于机器学习的中国夏季降水延伸期预报及土壤湿度的可能贡献［J］.高原气象.43（1）： 184-198.DOI： 10.7522/j.issn.1000-0534.2023.00025.Ye Y C ，
null	Chen H S， Zhu S G， et al， 2024.Machine learning-based prediction of summer extended-range precipitation and possible contribution of soil moisture over China［J］.Plateau Meteorology.2024， 43（1）： 184-198.DOI： 10.7522/j.issn.1000-0534.2023.00025 .
null	张延彪，陈明轩，韩雷，等， 2022.数值天气预报多要素深度学习融合订正方法［J］.气象学报， 80（1）： 153-167.DOI： 10.11676/qxxb2021.066.Zhang Y B ，
null	Chen M X， Han L， et al， 2022.Multi-element deep learning fusion correction method for numerical weather prediction［J］.Acta Meteorologica Sinic， 80（1）： 153-167.DOI： 10.11676/qxxb2021.066 .
null	钟敏，肖安，许冠宇，等， 2022.基于CMA-MESO的分级短时强降水概率预报方法研究［J］.干旱气象， 40（4）： 700-709.DOI： 10.11755/j.issn.1006-7639（2022）-04-0700.Zhong M ，
null	Xiao A， Xu G Y， et al， 2022.Study on probability forecast method about graded short-term heavy rain based on CMA-MESO［J］.Journal of Arid Meteorology， 40（4）： 700-709.DOI： 10.11755/j.issn.1006-7639（2022）-04-0700 .
null	周慧，朱彬，陈万隆，等， 2005．动态学习率神经网络预测气温的尝试［J］．大气科学学报， 28（3）： 398-403.
null	Zhou H， Zhu B， Chen W L， et al， 2005.Daily air temperature predication using a dynamic learning rate neural network system［J］.Transactions of Atmospheric Sciences， 28（3）： 398-403.
null	朱浩楠，刘晓冉，孙佳，等， 2021.基于遥感和数值模拟的重庆海绵城市热岛效应分析［J］.高原气象， 40（5）： 1202-1212.DOI： 10.7522/j.issn.1000-0534.2020.00089.Zhu H N ，
null	Liu X R， Sun J， et al， 2021.Evaluation of the urban heat island effect of sponge city in Chongqing using satellite remote sensing data and numerical simulation［J］.Plateau Meteorology， 40（5）： 1202-1212.DOI： 10.7522/j.issn.1000-0534.2020.00089 .

Options

Outlines

模态框（Modal）标题

Abstract

Cite this article

References