黑龙江省降雨事件分类的机器学习模型性能研究

王嘉程; 陈末; 刘佳敏

doi:10.20040/j.cnki.1000-7709.2026.20251103

欢迎来到能源电力期刊网！

English Version 期刊登录

您当前的位置：

首页 >

文章列表页 >

黑龙江省降雨事件分类的机器学习模型性能研究

水文水资源与环境 | 更新时间：2026-06-27

- 黑龙江省降雨事件分类的机器学习模型性能研究
- 黑龙江省降雨事件分类的机器学习模型性能研究
- 水电能源科学 2026年44卷第6期页码：52-56+109
- 作者机构：
  
  1. 黑龙江大学水利电力学院(河湖长学院)
  2. 黑龙江大学寒区地下水研究所
- 作者简介：
- 基金信息：
- DOI：10.20040/j.cnki.1000-7709.2026.20251103
  中图分类号： TP181;P457.6
- 纸质出版：2026
- 稿件说明：
移动端阅览
王嘉程, 陈末, 刘佳敏. 黑龙江省降雨事件分类的机器学习模型性能研究[J]. 水电能源科学, 2026,44(6):52-56+109.

王嘉程, 陈末, 刘佳敏. 黑龙江省降雨事件分类的机器学习模型性能研究[J]. 2026, 44(6): 52-56+109.
王嘉程, 陈末, 刘佳敏. 黑龙江省降雨事件分类的机器学习模型性能研究[J]. 水电能源科学, 2026,44(6):52-56+109. DOI： 10.20040/j.cnki.1000-7709.2026.20251103.

王嘉程, 陈末, 刘佳敏. 黑龙江省降雨事件分类的机器学习模型性能研究[J]. 2026, 44(6): 52-56+109. DOI： 10.20040/j.cnki.1000-7709.2026.20251103.

摘要

为提升区域复杂气象条件下降雨事件分类的智能化预测水平，基于黑龙江省20个气象站点10年多源观测数据，系统评估了支持向量机(SVM)、粒子群优化支持向量机(PSO-SVM)、AdaBoost、XGBoost四种典型机器学习模型的分类性能。结果表明，XGBoost在准确率、召回率、F1值、AUC等综合评估指标中均表现最优；基于SHAP可解释性分析，前7 d露点均值、平均能见度、气温为主要影响特征。研究结果为水文气象事件分类模型的选择与优化提供了依据，并为极端天气智能预警系统构建提供了理论支持。

Abstract

关键词

Keywords

references

杨剑锋,乔佩蕊,李永梅,王宁.机器学习分类问题及算法研究综述[J].统计与决策,2019(06).

刘媛媛,刘洪伟,霍风霖,刘业森.基于机器学习短历时暴雨时空分布规律研究[J].水利学报,2019(06).

崔巍,顾冉浩,陈奔月,王文.BP与LSTM神经网络在福建小流域水文预报中的应用对比[J].人民珠江,2020(02).

张海生,曹喆,杨昌海,骆雲鹏,华回春.基于AdaBoost-DT算法的电力市场串谋行为识别研究[J].电力工程技术,2020(02).

万雨勤,仝纪龙,刘永乐,王书苏,杨宏,陈敏.基于XGBoost算法量化气象要素对兰州市主城区夏季臭氧浓度的影响[J].环境科学,2026(01).

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于ICPO-VMD与自适应多模型融合的水电机组振动趋势预测

南通市极端降水时空演变特征及驱动机制

基于多源气象资料与机器学习的降水数据质量控制方法研究

CEEMDAN分解与机器学习耦合模型在林海水库入库径流预报中的多尺度适用性分析

大型水轮发电机定子绕组温度智能预测方法