AI赋能GNSS：两步机器学习新方法显著提升短期降雨预报精度

发布时间：2026-03-09 打印

　　面对气候变化加剧导致的全球洪水灾害频发，提升短时降水预报的精准度已成为构建早期预警系统和增强防灾韧性的关键挑战。传统数值天气预测模型虽功能强大，但在高计算资源需求和局地短时预报精度方面存在局限。本研究旨在通过一种创新的混合机器学习方法，整合GNSS反演的PWV与地面气象数据，以更有效的方式预测未来1-2小时内的最大降雨强度和累积降雨量，从而为灾害风险管理提供更及时、可靠的技术支撑。

　　该研究的核心是一个两步走的机器学习框架。首先，研究团队利用随机森林回归模型（RFR）处理包括温度、湿度、气压以及由GNSS数据导出的可降水量（PWV）在内的瞬时观测数据，旨在估算当前的降雨强度（RNI）。RFR模型能够有效捕捉PWV与降雨之间的复杂非线性关联，并证实了PWV作为降雨预测关键因子的重要性。随后，将RFR模型的输出作为一个新的输入特征，与原始气象数据一同 feeding 到长短期记忆（LSTM）神经网络中。LSTM模型专为处理时间序列数据而设计，它通过分析过去数小时的历史观测序列，学习大气状态的演变规律，从而预测未来的降雨情况。这种两步法特别巧妙地解决了LSTM模型在实际应用中对累积降雨量（RNC）这一强相关特征的过度依赖问题，即使在缺少直接降雨观测的情况下，也能通过RFR的预处理有效提升预报性能。

　　研究结果表明，这种两步式混合模型取得了显著成功。当移除累积降雨量（RNC）这一关键输入时，单一的LSTM模型预测性能急剧下降，而引入了RFR预处理的两步模型则表现优异，其预测精度得到了显著改善。此项研究的意义在于，它为在没有直接雨量计覆盖的地区进行精准降水预报提供了切实可行的解决方案，充分发掘了GNSS-derived PWV在气象学领域的应用价值。该方法不仅计算效率高于传统模型，还能作为决策支持工具，增强应急管理部门在关键时刻的响应能力。未来的研究重点将聚焦于探索更多样的混合模型架构、引入空间再分析数据（如ERA5）、设计更先进的特征工程（如PWV变化梯度），以及采用技术手段解决数据不平衡问题，从而进一步提升模型对极端降雨事件的捕捉能力和泛化水平，推动短时临近预报技术的持续发展。

相关研究以A Two-Step Machine Learning Approach Integrating GNSS-Derived PWV for Improved Precipitation Forecasting为题发表在Journal information期刊上。

（本篇摘编翻译：马杰）

附件：