基于CatBoost算法的長江中游冬季降水相態(tài)預(yù)報方法研究*

王珊珊 雷彥森 方鴻斌 孟英杰 章翠紅 劉文婷 李康麗

1 武漢中心氣象臺，武漢 430074 2 湖北省荊門市氣象臺，荊門 448124

提 要： 利用2000—2014年地面觀測資料和歐洲中期天氣預(yù)報中心(ECMWF)ERA5再分析資料，選取表征四類降水相態(tài)(雨、雪、雨夾雪、凍雨)的溫度、濕度、微物理特征的43個特征量，使用精細地形高度訂正，利用CatBoost算法開展長江中游降水相態(tài)預(yù)報方法研究。結(jié)果顯示：此方法對雨、雪、凍雨有較好的分類和預(yù)報效果。使用精細地形高度預(yù)處理后的特征量，能夠提高降水相態(tài)判別的準確率和空間精細度。雨、雪、凍雨的預(yù)報準確率與ECMWF預(yù)報產(chǎn)品相比分別提高了9.9%、39.1%、11.1%，但對雨夾雪的改進不明顯。

引 言

長江流域地處中緯度地帶，冬季降水相態(tài)復(fù)雜多變，同樣量級的降水，由于雨、雪、雨夾雪、凍雨等不同的降水相態(tài)，其對人類的生產(chǎn)和活動的影響也不同，如2008年初發(fā)生在中國南方的低溫雨雪冰凍災(zāi)害，使得城鄉(xiāng)交通、電力、通信等遭受重創(chuàng)，百姓生活受到嚴重影響，經(jīng)濟損失巨大。降水相態(tài)預(yù)報一直是長江流域冬季降水預(yù)報的難點，很多學者進行了大量研究。關(guān)于雨雪的判別，國內(nèi)很多研究針對溫度層結(jié)和特定氣壓層的厚度進行了大量統(tǒng)計和分析，徐輝和宗志平(2014)在2012年11月3—4日華北地區(qū)降水相態(tài)轉(zhuǎn)換過程中溫度垂直結(jié)構(gòu)特征分析中指出，當850～1 000 hPa的厚度差<1 300 gpm，且700～850 hPa的厚度差<1 530 gpm時，地面的降水相態(tài)類型以雪或雨夾雪為主，反之，則以雨為主。張琳娜等(2013)通過對近10年北京地區(qū)雨雪轉(zhuǎn)換過程分析，得到了850 hPa溫度、925 hPa 溫度、1 000 hPa溫度、1 000～700 hPa厚度、1 000～850 hPa厚度和地面溫濕條件(2 m溫度、2 m相對濕度的結(jié)合量)與雨、雨夾雪、雪三種降水相態(tài)的關(guān)系。漆梁波和張瑛(2012)考慮溫度和厚度因子提出了中國東部降水相態(tài)的識別判據(jù)。陳雙和符嬌蘭(2021)、陳雷等(2012)、鄭麗娜等(2016)、楊成芳等(2015a；2015b)、許愛華等(2006)基于個例分析，給出了溫度和厚度的識別指標。

另外還有一些學者通過開展客觀算法研究實現(xiàn)降水相態(tài)預(yù)報，Dai(2008)通過30年的地面觀測建立了降雪頻率與地面氣溫和氣壓的關(guān)系，Bourgouin(2000)認為降水相態(tài)的變化與垂直方向上高于和低于0℃的面積相關(guān)，因此利用環(huán)境融化參數(shù)研發(fā)了降水相態(tài)識別算法。陳雙等(2019)通過對我國臨界氣溫條件下降雪的時空分布特征分析，引入濕球溫度，利用決策樹方法對臨界條件下雪和雨進行了判別分析。

近年來機器學習算法在氣象領(lǐng)域廣泛應(yīng)用，朱文剛等(2020)發(fā)現(xiàn)利用DNN法對山東雨、雪、雨夾雪的預(yù)報較ECMWF預(yù)報有明顯的提高。董全等(2013)對相同條件下線性回歸法和人工神經(jīng)網(wǎng)絡(luò)的預(yù)報效果進行對比，指出人工神經(jīng)網(wǎng)絡(luò)法要優(yōu)于線性回歸，同時也指出南方的雨雪分界線沒有北方的預(yù)報效果好。楊璐等(2021)分別基于XGBoost、SVM、DNN三種機器學習方法建立了降水相態(tài)的高分辨率客觀分類模型，通過對比指出XGBoost和DNN都很好地實現(xiàn)降水相態(tài)的分類。黃驕文等(2021)應(yīng)用深度學習網(wǎng)絡(luò)技術(shù)構(gòu)建雨、雪判識模型，雨雪分界線比ECMWF預(yù)報更接近實況。

綜上所述，國內(nèi)外很多判斷降水相態(tài)的判據(jù)，不管是人工判斷還是客觀算法判斷，主要是對溫度和厚度的垂直分布的分析，因此降水相態(tài)的轉(zhuǎn)換更加依賴對溫度的分析，對于數(shù)值預(yù)報而言，看似很小的溫度誤差，也會導(dǎo)致錯誤的預(yù)測(Frick and Wernli，2012)。

除溫度外，相對濕度由于能影響降水粒子融化蒸發(fā)等過程，也會影響到達地面的降水相態(tài)(Kain et al，2000；Stewart et al，2015)。也有研究表明造成降水相態(tài)不同的關(guān)鍵在于云中的成雪機制以及雪花下落過程中發(fā)生的變化(廖曉農(nóng)等，2013)，也就是云微物理機制。

因此，降水相態(tài)的預(yù)報需綜合考慮溫度、濕度和云物理等要素。目前在實際的預(yù)報業(yè)務(wù)中發(fā)現(xiàn)，長江中下游降水相態(tài)精細化預(yù)報主要有兩個難點：一是地形復(fù)雜，降水相態(tài)精細化格點預(yù)報模型不好建立；二是溫度的預(yù)報準確率對降水相態(tài)預(yù)報影響較大。本文采用5 km分辨率的地形對訓練數(shù)據(jù)進行預(yù)處理，將降水相態(tài)分為四類(雨、雪、雨夾雪、凍雨)進行建模，使用訂正后的地面溫度逐小時預(yù)報產(chǎn)品，選用CatBoost(黨存祿等，2020)算法進行預(yù)報，提供更加準確和精細的格點降水相態(tài)客觀預(yù)報產(chǎn)品。

1 資料和方法

1.1 資 料

所用資料包括2000—2014年冬季(11月至次年2月)范圍為27°～36°N、108°～118°E的地面觀測站逐小時的2 m氣溫(T2 m)、降水相態(tài)、高空觀測數(shù)據(jù)以及地面觀測站所在高度；ECMWF ERA5再分析資料(以下簡稱ERA5)，包括1 000、975、950、925、900、875、850、825、800、775、750、700、650、600、550、500、400、300、200 hPa溫度(T1000、T975、T950、T925、T900、T875、T850、T825、T800、T775、T750、T700、T650、T600、T550、T500、T400、T300、T200)、比濕、云冰和云水混合比，并計算得到700 hPa以下大于0℃的層數(shù)(以下簡稱暖層層數(shù))和小于0℃的層數(shù)(以下簡稱冷層層數(shù))。ERA5的空間分辨率為0.25°×0.25°，時間分辨率為1 h。分析時利用反距離權(quán)重插值法將ERA5逐小時數(shù)據(jù)插值到上述范圍內(nèi)的自動氣象站數(shù)據(jù)，與觀測的降水相態(tài)進行時間匹配。

1.2 CatBoost算法

降水相態(tài)的判斷是個復(fù)雜的過程，要綜合考慮各層的溫度、濕度的配置，單一的決策樹方法往往難以判斷不同溫濕狀態(tài)下的降水相態(tài)。因此本文采用集成學習算法，它使用一系列的學習器進行學習，并使用某種規(guī)則將各個學習器的學習結(jié)果進行整合，從而獲得比單個學習器更好的學習效果。集成學習模型主要分為Bagging和Boosting。基于Bagging模型的方差較小，但偏差較大。Boosting可以降低模型偏差，它通過迭代訓練一系列的分類器，每個分類器采用的樣本分布都和上一輪的學習結(jié)果有關(guān)，對基分類器的準確性要求較低。基于Boosting模型的算法主要有AdaBoost，GBDT，XGBoost，LightGBM，CatBoost等算法。CatBoost是基于梯度提升決策樹(GBDT)(劉順祥，2018)的機器學習方法，相對其他Boosting算法的優(yōu)勢是無需調(diào)參即可獲得較高的模型質(zhì)量。降水相態(tài)預(yù)報中需要尋找各個要素的聯(lián)系，如溫度和濕度，該算法使用了組合類別特征，可以利用特征之間的聯(lián)系，極大豐富特征的維度。CatBoost通過添加先驗分布項的方式減少了噪聲和低頻數(shù)據(jù)對于數(shù)據(jù)分布的影響，對于類別數(shù)較少的特征，先驗項的添加有利于噪音數(shù)據(jù)的減少。傳統(tǒng)的Boosting算法計算的是平均數(shù)，而CatBoost在這方面做了優(yōu)化，采用oblivious 樹(黨存祿等，2020)作為基學習器，oblivious樹中每個葉子節(jié)點的索引被編碼為長度與樹深度相等的二進制矢量，這種計算節(jié)點值的方式避免了直接計算過擬合的問題。

1.3 檢驗方法算法

本文將降水相態(tài)劃分為四類：雨、雪、雨夾雪、凍雨，對某一類降水相態(tài)檢驗其準確率、漏報率和空報率。以雪為例，當觀測為雪、預(yù)報也是雪時，判別為正確，記為NA；當觀測為雪、預(yù)報為其他相態(tài)時，判別錯誤，記為NC；當預(yù)報為雪，觀測為其他相態(tài)時，判別錯誤，記為NB。任意一類降水相態(tài)的檢驗公式如下：

式中：TS為某一類降水相態(tài)的準確率，PO為某一類降水相態(tài)的漏報率，F(xiàn)AR為某一類降水相態(tài)的空報率。

2 主要氣象要素統(tǒng)計特征

選取地面觀測中的T2 m和天氣現(xiàn)象(將天氣現(xiàn)象分為四類降水相態(tài))，ERA5的1 000～700 hPa溫度、850 hPa以下的云冰混合比和云水混合比，及利用ERA5各層溫度統(tǒng)計的冷暖層的層數(shù)作為降水相態(tài)判別的特征量，提取各個站點海拔高度以上的數(shù)值作統(tǒng)計，以確保數(shù)據(jù)真實性和可用性。

為了檢驗ERA5要素的可用性，首先將實況探空500、700、850、925 hPa的溫度與ERA5相同層次對比，圖1a～1d分別為2000—2014年長江中游探空站雨、雪、雨夾雪、凍雨相態(tài)對應(yīng)的500、700、850、925 hPa的實況探空溫度和ERA5相同層次溫度。可以看出雨、雪、雨夾雪實況觀測的數(shù)據(jù)與ERA5觀測的數(shù)據(jù)分布基本一致，雨的850 hPa和925 hPa溫度的第50%分位均高于0℃，雪的各層溫度均低于0℃，但是凍雨實況觀測的各層溫度第50%分位比ERA5低1～2℃。對比發(fā)現(xiàn)，除了凍雨觀測與ERA5略有偏差外，其他幾種相態(tài)偏差很小，由于ERA5的垂直層次、水平分辨率以及時間分辨率更精細，因此可以使用ERA5的數(shù)據(jù)與國家站逐3 h的地面觀測數(shù)據(jù)一一對應(yīng)，建立降水相態(tài)數(shù)據(jù)集。

2.1 各層氣溫與降水相態(tài)的統(tǒng)計特征

圖2a為2000—2014年不同降水相態(tài)T2 m的箱線圖，粗柱分別代表第25%分位和第75%分位，可以看出，75%以上的降雨樣本T2 m>4℃，降雪樣本T2 m<0.6℃，凍雨樣本T2 m<-0.2℃，雨夾雪樣本T2 m<2℃，可見，四類降水相態(tài)的T2 m有一定的差異，但是也有交叉，特別是雪和凍雨在25%～75%樣本的T2 m分布范圍基本一致。圖2b為各類相態(tài)的925 hPa溫度箱線圖，75%以上的降雨樣本T925>0℃，而75%以上的雨夾雪、雪、凍雨樣本的T925在-7～0℃，交叉范圍大，無法確定閾值分類，但從分布看，凍雨的低層溫度要比雨夾雪更低一些。圖2c為775 hPa溫度箱線圖，75%以上的降雨和凍雨樣本T775>0℃，而75%以上的降雪和雨夾雪樣本T775<0℃。表1為1 000～700 hPa各類降水相態(tài)的第50%分位溫度值，可以看出，低層溫度很難區(qū)分雪和凍雨，但是從875 hPa開始，雪的溫度依然維持在-5℃以下，而凍雨的溫度快速升高，在775 hPa 達到最高，為1.7℃。雨夾雪不管是低層溫度還是中層溫度一直處于雪和凍雨之間。從以上的分析可以看出，為某一層溫度設(shè)定一個閾值來判斷降水相態(tài)是不合理的，在判斷降水相態(tài)時，需要綜合各層溫度的配置，因此可選用各層溫度作為機器學習輸入的一個特征量。

圖1 2000—2014年不同降水相態(tài)(a)雨,(b)雪,(c)雨夾雪,(d)凍雨高空觀測與ERA5數(shù)據(jù)的500、700、850、925 hPa溫度箱線圖Fig.1 Boxplots of temperature at 500, 700, 850, 925 hPa between observation and ERA5 data for (a) rain, (b) snow, (c) sleet, (d) freezing rain during 2000-2014

2.2 冷、暖層厚度和強度與相態(tài)的統(tǒng)計特征和差異分析

為了描述溫度在垂直方向的分布對降水相態(tài)的影響，統(tǒng)計700 hPa以下暖層(≥0℃)和冷層(<0℃)的層數(shù),以反映垂直方向上大氣的冷暖結(jié)構(gòu)。圖3a、3b分別為2000—2014年ERA5資料冬季(11月至次年2月)不同降水相態(tài)對應(yīng)的冷層、暖層層數(shù)箱線圖，可以看出在雨和雪的判斷上，冷層層數(shù)和暖層層數(shù)上基本無交叉，降雪冷層大于10層，降雨有25%樣本冷層大于4層。雨夾雪和凍雨有交叉，凍雨的暖層層數(shù)要比雨夾雪多，第50%分位為5層，而雨夾雪為2層，同時暖層最高溫度也高于雨夾雪(圖3c)。總體上看，暖層層數(shù)和冷層層數(shù)對降水相態(tài)有較好的指示意義，由于機器學習算法尋找的是特征量與結(jié)果的數(shù)學關(guān)系，而氣象預(yù)報關(guān)注的是物理意義，因此該帶有物理意義的特征量可以作為機器學習算法的輸入量。

2.3 云中冰水混合比與降水相態(tài)的統(tǒng)計特征

由于每次過程云冰和云水含量差別比較大，單獨分析某層云冰或云水的含量，數(shù)值變化范圍很大，并不容易總結(jié)出閾值。因此分析四種相態(tài)各層水或冰所占云中水物質(zhì)的比值，以925 hPa(圖4a)和800 hPa(圖4b)為例，可以看到雨和雪仍然是比較容易區(qū)分的，但是雪和雨夾雪、凍雨和雨則存在很多交叉。越到低層，雪和雨夾雪的含冰量占比分布范圍比較寬，為25%～100%，而雨的含冰量基本為0%，凍雨的含冰量占比主要在0%～25%，而隨著高度的增加，雨夾雪的含冰量占比降到50%以下，而凍雨的含冰量占比降到0%。根據(jù)逐層分析(圖略)，可以看出，850 hPa以下的云冰和云水占比對降水相態(tài)有一定的指示意義，特別是利用從低到高云冰和云水占比的變化，可以對四類相態(tài)做區(qū)分。

圖2 2000—2014年不同降水相態(tài)(a)T2 m，(b)ERA5 T925，(c)ERA5 T775的箱線圖Fig.2 Boxplots of (a) T2 m, (b) ERA5 T925, (c) ERA5 T775for different precipitation types during 2000-2014

相態(tài)p/hPa7007507758008258508759009259509751 000雪-5.7-5.5-5.7-5.8-5.9-5.7-5.4-4.9-4.2-3.3-2.0-0.5雨夾雪-3.4-2.8-2.9-3.2-3.4-3.6-3.5-3.0-2.3-1.4-0.31.0凍雨0.21.61.7-1.30.4-0.9-2.5-3.6-3.8-3.1-1.8-0.4雨0.12.43.23.63.73.73.63.74.04.75.87.1

3 算法設(shè)計

3.1 基于地形高度的特征量預(yù)處理

首先需要提取每個站點相對地面以上的特征量，主要原因在于：(1)對于海拔高度高的站點，邊界層(如925 hPa)的特征量在地面以下，該層數(shù)據(jù)對降水相態(tài)沒有指示意義，不能作為訓練數(shù)據(jù)；(2)由于預(yù)報的分辨率是5 km×5 km，地形起伏比較大，長江中下游部分地區(qū)海拔高度可達3 km以上，而用于訓練的國家站均在3 km高度以下，建立的模型用于更高海拔高度臺站的降水相態(tài)預(yù)報誤差會比較大。基于以上兩點原因，首先把特征量在垂直方向上進行插值，然后選取每個站點地面以上固定層數(shù)的特征量，形成訓練數(shù)據(jù)集。

3.2 訓練模型

通過上文降水相態(tài)與溫度、濕度及微物理特征量的分析，利用不同特征量組合測試，找到最優(yōu)的輸入特征量。選取表征四類降水相態(tài)(雨、雪、雨夾雪、凍雨)的溫度、濕度、微物理特征的43個特征量，包括地面以上0～3.6 km每300 m間隔高度上的溫度、云冰混合比、云水混合比，600～400 hPa的比濕，0～3 km冷層和暖層的層數(shù)。其中之所以采用600～400 hPa的比濕是由于在預(yù)報個例總結(jié)中，高層的比濕反映了水汽伸展的高度，體現(xiàn)了高層冰晶的含量，對降水相態(tài)的判斷也有一定的輔助作用。利用CatBoost算法，建立降水相態(tài)預(yù)報模型。

圖3 2000—2014年不同降水相態(tài)700 hPa以下(a)冷層層數(shù)，(b)暖層層數(shù)，(c)暖層最高溫度箱線圖Fig.3 Boxplots of (a) cold layer thickness, (b) warm layer thickness, (c) maximum temperature of warm layer for different precipitation types during 2000-2014

圖4 2000—2014年不同降水相態(tài)(a)925 hPa,(b)800 hPa云冰混合比箱線圖Fig.4 Boxplots of specific cloud ice mixing ratio of (a) 925 hPa and (b) 800 hPa for different precipitation types during 2000-2014

以2000—2014年的數(shù)據(jù)訓練模型，經(jīng)統(tǒng)計，2000—2014年區(qū)域內(nèi)雨、雪、雨夾雪、凍雨分別有372 386、70 987、9 849、5 660個站次。通過分析也發(fā)現(xiàn)，雨、雪、雨夾雪、凍雨樣本比例為66∶13∶2∶1，存在明顯的數(shù)據(jù)不平衡現(xiàn)象，因此在訓練前首先進行數(shù)據(jù)不平衡處理。常見的處理不平衡數(shù)據(jù)多采用SMOTE(synthetic minority oversampling technique)(郝曉紅，2019)，該算法的缺點是生成的少數(shù)類樣本容易與周圍的多數(shù)類樣本產(chǎn)生重疊導(dǎo)致難以分類，本文采用SMOTE+ENN(郝曉紅，2019)方法，該算法是SMOTE和k近鄰算法(劉順祥，2018)的結(jié)合。先用SMOTE方法生成新的少數(shù)類樣本，獲得新的數(shù)據(jù)集對其中每一個樣本使用k近鄰預(yù)測，若預(yù)測結(jié)果和實際類別標簽不同則剔除該樣本，對于屬于多數(shù)類的一個樣本，如果其k個近鄰點有超過一半都不屬于多數(shù)類，則這個樣本會被剔除，以達到數(shù)據(jù)類別均勻的目的。

為了能夠得到比較理想的結(jié)果，需要不斷嘗試不同的組合參數(shù)值，Python提供了網(wǎng)格搜索法(劉順祥，2018)，可以快速進行各參數(shù)組合試錯，最終得到最佳參數(shù)組合值，本文通過該方法選取最優(yōu)參數(shù)組合為：iterations=1 000, depth=10, learning rate=0.3, loss function=‘multiclass’。

4 應(yīng)用效果評估

4.1 獨立樣本檢驗

為了更加真實地反映模型的性能，不使用隨機抽取樣本方式檢驗，而是采用獨立樣本方式檢驗，本文使用2015—2019年的樣本，并將檢驗數(shù)據(jù)范圍擴大為25°～36°N、105°～118°E，包括湖南和貴州的大部站點，以獲取更多的降水相態(tài)數(shù)據(jù)進行檢驗。共有降雨樣本204 151個站次，降雪樣本28 627個站次，雨夾雪樣本5 045個站次，凍雨樣本2 238個站次。表2為2015—2019年利用上述方法訓練出的模型對降水相態(tài)判別的結(jié)果，可以看出雨、雪的準確率比較高，分別為95.1%和75.8%，凍雨準確率為34.1%，最低的雨夾雪僅為12.3 %。總體來看雨一般以空報為主，雪、雨夾雪、凍雨均是以漏報為主。

表2 2015—2019年CatBoost算法識別降水相態(tài)檢驗結(jié)果Table 2 The verification results of precipitation type identified by CatBoost algorithm during 2015-2019

4.2 個例檢驗

將以上模型投入實時業(yè)務(wù)運行，需要使用數(shù)值模式要素作為特征量輸入模型。由于不同模式預(yù)報偏差不同，會影響降水相態(tài)的判別，因此在輸入模型前，首先對各個模式的要素預(yù)報效果進行檢驗。通過對幾種業(yè)務(wù)運行的數(shù)值模式檢驗，ECMWF細網(wǎng)格模式要素預(yù)報要優(yōu)于其他幾個業(yè)務(wù)模式，因此，使用ECMWF細網(wǎng)格模式要素預(yù)報來驅(qū)動降水相態(tài)預(yù)報模型。另外，地面2 m氣溫使用武漢中心氣象臺自主研發(fā)融合影響因子及模式偏差訂正的機器學習格點氣溫預(yù)報產(chǎn)品，該產(chǎn)品在湖北省特別是西部山區(qū)的絕對誤差低于ECMWF細網(wǎng)格的預(yù)報，因此用該產(chǎn)品代替模型中ECMWF細網(wǎng)格模式的地面2 m 氣溫。

2020年1月6—10日湖北出現(xiàn)一次大范圍雨、雪、雨夾雪和凍雨天氣過程。表3為2020年1月5日20時至1月9日20時起報的未來12～36 h逐3 h的ECMWF細網(wǎng)格模式與本方法的降水相態(tài)預(yù)報準確率對比，可見，與ECMWF細網(wǎng)格模式預(yù)報的降水相態(tài)對比，雨準確率提高了9.9%，雪提高了39.1%，凍雨提高了11.1%，雨夾雪的準確率相當。圖5為CatBoost算法和ECMWF 2020年1月8日08時起報18 h和24 h降水相態(tài)和實況觀測對比圖，可見，1月9日02時(18 h)湖北中部一線已經(jīng)轉(zhuǎn)為純雪，CatBoost算法對降雪與降雨的分界線預(yù)報的比較準確，特別是孝感和襄陽，而ECMWF對襄陽和孝感的降雪出現(xiàn)了漏報，1月9日08時(24 h)，孝感至宜昌一線均轉(zhuǎn)為純雪，ECMWF的純雪有明顯的漏報，而CatBoost算法預(yù)報襄陽、孝感、宜昌和荊門的轉(zhuǎn)雪時間基本與實況一致。通過對比，可以看出CatBoost算法對相態(tài)的預(yù)報能力要明顯優(yōu)于ECMWF的預(yù)報。

圖5 (a,b)CatBoost算法和(c,d)ECMWF在2020年1月8日08時起報(a,c)18 h和(b，d)24 h降水相態(tài)預(yù)報(填色)與實況觀測(符號)Fig.5 The forecast precipitation types with (a, c) 18 h and (b, d) 24 h leadtimes starting from 08:00 BT 8 January 2020 by (a, b) CatBoost algorithm, (c, d) ECMWF and the observation(colored: forecast, symbol: observation)

表3 2020年1月6—10日CatBoost算法與ECMWF細網(wǎng)格模式降水相態(tài)準確率Table 3 Precipitation types identified by CatBoost algorithm and ECMWF during 6-10 January 2020

5 結(jié) 論

(1)通過對2000—2014年冬季不同降水相態(tài)的溫度、濕度和微物理特征的統(tǒng)計分析，得到降水相態(tài)機器學習算法輸入的43個特征量，利用CatBoost算法，建立湖北省降水相態(tài)格點預(yù)報模型，可以提供時間和空間更精細的降水相態(tài)預(yù)報。

(2)利用5 km分辨率的地形高度數(shù)據(jù)，將要素訂正到相對地形高度以上等高度的層次上，與使用固定層次的特征量訓練的模型相比，對降水相態(tài)的判別和預(yù)報準確率均有提高，同時能反映湖北省西部高山和平原相態(tài)的區(qū)別。

(3)由于地面2 m溫度受地形影響偏差較大，利用本地2 m溫度客觀產(chǎn)品代替ECMWF的地面2 m 溫度預(yù)報產(chǎn)品，能夠更好地反映地形的 2 m溫度的變化，從而提高降水相態(tài)的預(yù)報準確率，特別是雨雪分界線也較ECMWF有更好的訂正。

(4)利用建立的模型對2020年1月6—10日大范圍雨雪過程做訂正預(yù)報，并與ECMWF的降水相態(tài)預(yù)報產(chǎn)品對比，對雨、雪、凍雨的準確率有明顯的提高，雨夾雪準確率仍比較低。