第二届未来大气科学论坛

准确预测青藏高原复杂地形区域的短期降水是水文气象学的难点之一。本研究提出一种融合两阶段机器学习与地形增强修正（PAEC）的降水预报方法，旨在提高未来3天累积降水的预测精度。基于NCEP再分析资料和ERA5地形高程数据，构建包含空间邻域统计量及滞后特征的日尺度数据集。使用XGBoost分类器判断格点未来3天是否有雨，并对雨日样本单独训练XGBoost回归器预测降水量，利用线性回归拟合地形复杂度指标与两阶段预测残差之间的关系，对初步预测进行物理引导的校正。模型在测试集上表现稳健。降水量回归的R²为0.77，RMSE为11.38 mm。与单阶段XGBoost基线相比，PAEC修正进一步将RMSE降低0.67%。通过XGBoost内置特征重要性分析发现，滞后降水、垂直速度空间均值、700 hPa比湿等特征排名靠前，局地动力学信息对预报贡献显著。两阶段XGBoost耦合PAEC的方法，可有效捕捉降水的非线性特征和地形影响，可为在复杂区域内的短期降水预报提供参考。
 

短期降水预测；两阶段XGBoost；地形增强修正；物理引导特征