PSO-PSR-ELM集成学习算法在地面气温观测资料质量控制.PDF

第22 卷 第1 期 气 候 与 环 境 研 究 Vol. 22, No. 1 2017 年1 月 Climatic and Environmental Research Jan. 2017 , , . 2017. PSO-PSR-ELM [J]. , 22 (1): 59–70. Zhang 张颖超 姚润进 熊雄，等 集成学习算法在地面气温观测资料质量控制中的应用 气候与环境研究 Yingchao, Yao Runjin, Xiong Xiong, et al. 2017. Application of PSO-PSR-ELM-based ensemble learning algorithm in quality control of surface temperature observations [J]. Climatic and Environmental Research (in Chinese), 22 (1): 59–70, doi:10.3878/j.issn.1006-9585.2016.16013. PSO-PSR-ELM 集成学习算法在地面气温观测 资料质量控制中的应用 张颖超1, 2 1 3 1 姚润进 熊雄 沈云培 1 南京信息工程大学信息与控制学院，南京210044 2 南京信息工程大学气象灾害预报预警与评估协同创新中心，南京210044 3 南京信息工程大学气象灾害教育部重点实验室，南京210044 摘 要 针对台站密度低、新建台站以及特种单要素站等无法获得有效邻站或内部参考资料情况下的质量控制问 题，从气温时间序列的混沌特性出发，考虑气温在短时间内的连续性和稳定性，提出一种基于粒子群（Particle Swarm Optimization, PSO Phase Space Reconstruction, PSR Extreme Learning ）改进的相空间重构法（ ）和极限学习机（ Machine, ELM ）的集成学习算法的地面逐时气温观测资料的单站质量控制方法，实现气温资料的质量控制。为检 验该方法的适用性，运用该方法对江苏省八市2007～2009 年的地面气温观测资料进行质量控制，并与传统单站方 法及切比雪夫多项式内插法（Tshebyshev Polynomial Interpolation, TPI ）进行对比。实验结果表明，该方法相比较 TPI 于 和传统方法可以更有效地标记出可疑数据，具有检错率高、地区和气候适应性、可控性强等优点。 关键词 质量控制 气温 混沌性 粒子群 相空间重构 极限学习机 1006-9585 2017 01-0059-12 P413 A 文章编号 （ ）