Spatial quality control method for surface temperature observations based on multiple elements

Método de control de calidad espacial para observaciones de temperatura superficial basado en múltiples elementos

El control de calidad puede mejorar efectivamente la calidad de las observaciones meteorológicas. Para asegurar la estabilidad y efectividad de un modelo de control de calidad bajo condiciones diferentes de terreno y climáticas es necesario estructurar un esquema con una fuerte habilidad de generalización. Algoritmos como el método de bosques aleatorios (del inglés Random Forest) cumplen con estas condiciones. Sin embargo, los algoritmos de máquinas de aprendizaje son más lentos que los modelos matemáticos tradicionales. En este artículo se propone un algoritmo de control de calidad tipo bosques aleatorios basado en el Análisis de Componentes Principales (PCA-RF). Se seleccionaron 15 estaciones objetivo bajo diferentes condiciones climáticas y geomorfológicas y se evaluaron con observaciones realizadas cuatro veces por día en estaciones vecinas desde 2005 hasta 2014. Los resultados muestran que usando PCA para analizar la composición elemental y seleccionar elementos con factores de correlación alta, al igual que la aplicación del algoritmo Random Forest, se puede reducir efectivamente el tiempo de ejecución y mantener la exactitud del modelo. La dependencia de la muestra de prueba, la exactitud del modelo de predicción y la tasa de detección de error del modelo PCA-RF son superiores a aquellos del método de Regresión Espacial. Por lo tanto, el método PCA-RF es un mejor modelo para el control de calidad de elementos múltiples en las observaciones superficiales de aire y temperatura.

1. INTRODUCCIÓN

Las observaciones meteorológicas son importantes para identificar y comprender las variaciones y los cambios en el clima regional y mundial (Feng et al., 2004). Estas observaciones también son esenciales para una amplia gama de aplicaciones meteorológicas, como la vigilancia del clima, la predicción del tiempo y la evaluación de los modelos de predicción meteorológica numérica (NWP) (He et al., 2016; Ingleby y Lorenc, 1993). Por lo tanto, es de especial importancia mejorar la precisión de las observaciones meteorológicas, especialmente las de superficie (Barnes, 1964; Gandin, 1988). Por un lado, las observaciones meteorológicas de superficie tienen una larga historia en China. Por otro lado, las observaciones meteorológicas de superficie pueden representar con mayor precisión las características atmosféricas de la zona cercana a la superficie en comparación con otras observaciones meteorológicas (Xu et al., 2013; Hu et al., 2002; Mi et al., 2014).