利用福建省古田人工增雨试验基地2014年1月—2023年1月小时自然降水数据, 结合线性拟合、多项式回归和样条回归等多种数学统计方法, 开展决策树、支持向量机(SVM)和卷积神经网络(CNN)3种机器学习方法在估测目标区自然降水中的应用研究。目标区和对比区自然雨量关系模型对比结果表明:以区域平均面雨量为统计变量时, CNN和四项式回归效果相对较好, 其中CNN的确定系数为0.516, 均方根误差为1.097 mm;对平均面雨量进行六次方根变换后, 各模型的精准度大幅提升, CNN表现最优, 确定系数为0.658, 其次为SVM;为克服目标区和对比区雨量时间序列效应及空间分布不均等问题, 以面雨量空间格点数据作为研究对象, 采用CNN 3种优化器(自适应矩估计、均方根传递和梯度随机下降)算法进行对比, 发现基于自适应矩估计优化器建立目标区和对比区雨量关系模型最优, 其降水估测值与实测值更接近, 均方根误差最小, 为0.61 mm。因此, 利用CNN方法能够进一步优化目标区和对比区雨量关系模型, 可为定量评估人工增雨效果提供参考。

人工增雨效果评估; 区域历史回归; 机器学习; 统计检验