基于动态阈值优化与多特征LightGBM的GNSSPWV降雨预测: 以新疆S101线K105处为例

陈志强; 刘琦; 王洋; 黄纪晨; 刘杰

doi:10.12404/j.issn.1671-1815.2504356

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (12) :4940-4947 DOI: 10.12404/j.issn.1671-1815.2504356

天文学、地球科学

基于动态阈值优化与多特征LightGBM的GNSSPWV降雨预测: 以新疆S101线K105处为例

陈志强 ¹^,² ,
刘琦 ²^,³ ,
王洋 ²^,³ ,
黄纪晨 ²^,³ ,
刘杰 ¹^,²^,³^,^*

作者信息 +

Dynamic Threshold Optimization with Multi-feature-based LightGBM for Precipitation Prediction from GNSS PWV: K105 Section of Route S101, Xinjiang

CHEN Zhi-qiang ¹^,² ,
LIU Qi ²^,³ ,
WANG Yang ²^,³ ,
HUANG Ji-chen ²^,³ ,
LIU Jie ¹^,²^,³^,^*

Author information +

文章历史 +

摘要

针对传统降雨预测模型无法适应新疆干旱区季节性降雨差异及小样本条件下预测精度衰减显著的问题,提出一种融合动态阈值优化与多特征LightGBM的预测方法。通过构建包含大气可降水量(precipitable water vapor,PWV)基准值、PWV增量、PWV增率等9维特征体系,采用动态阈值分月建模机制,有效解决了季节性降雨差异与训练样本不足的双重挑战。结果表明:动态阈值模型在4月临界成功指数达到85.5%,较全年最优固定阈值提升7.5%;模型在7月强对流降雨与9月层云降雨中命中率均保持在92%以上,且误报率在22%以下,验证了动态阈值机制与多特征融合策略对季节性降雨的适应性,提升了小样本条件下的降雨预测精度,为提升新疆干旱区公路地质灾害防治能力提供技术支撑。

Abstract

Traditional rainfall prediction models have limitations in adapting to seasonal precipitation variations and suffer from significant accuracy degradation under small-sample conditions in Xinjiang's arid regions. To address this, a prediction method integrating dynamic threshold optimization and multi-feature LightGBM was proposed. A 9-dimensional feature system was constructed, including precipitable water vapor (PWV) baseline values, PWV increments, PWV growth rates, and other auxiliary atmospheric variables. A monthly dynamic threshold modeling mechanism was adopted to address the dual challenges of seasonal rainfall differences and insufficient training samples. The results show that the dynamic threshold model achieves a critical success index of 85.5% in April, which is 7.5 percentage points higher than the annual optimal fixed threshold. The model maintains a detection rate above 92% for both convective rainfall in July and stratiform rainfall in September, with a false alarm rate below 22%. The effectiveness of the dynamic threshold mechanism and multi-feature fusion strategy is confirmed in adapting to seasonal rainfall patterns and improving prediction accuracy under limited sample conditions, thereby providing technical support for the prevention of highway geological disasters in the arid regions of Xinjiang.

Graphical abstract

关键词

动态阈值优化 / LightGBM / 多特征融合 / 季节性降雨

Key words

dynamic threshold optimization / LightGBM / multi-feature fusion / seasonal rainfall

引用本文

引用格式 ▾

陈志强, 刘琦, 王洋, 黄纪晨, 刘杰. 基于动态阈值优化与多特征LightGBM的GNSSPWV降雨预测: 以新疆S101线K105处为例[J]. 科学技术与工程, 2026, 26(12): 4940-4947 DOI:10.12404/j.issn.1671-1815.2504356

CHEN Zhi-qiang, LIU Qi, WANG Yang, HUANG Ji-chen, LIU Jie. Dynamic Threshold Optimization with Multi-feature-based LightGBM for Precipitation Prediction from GNSS PWV: K105 Section of Route S101, Xinjiang[J]. Science Technology and Engineering, 2026, 26(12): 4940-4947 DOI:10.12404/j.issn.1671-1815.2504356

登录浏览全文

4963

注册一个新账户忘记密码

全球导航卫星系统(Global Navigation Satellite System, GNSS)具备高时空分辨率、低成本运行、全天候稳定性及高精度观测等特性^[1-2],可以有效解决气象领域中水汽动态监测的难题,为大气可降水量(precipitable water vapor, PWV)的反演和短临降雨预测提供了高质量数据支撑^[3],使GNSS水汽反演突破毫米级精度。因此,基于GNSS PWV的短临降雨预测成为气象学领域的研究热点。

在GNSS PWV短临降雨预测领域,现有预测方法主要分为两种:基于多源气象参数融合的预测方法与基于PWV本身特征的预测方法^[4-5]。前者将GNSS PWV与地表气压、相对湿度等气象要素进行耦合,借助机器学习算法实现短临降雨预测。王式太等^[6]利用长短期记忆网络(long short-term memory network, LSTM)捕捉PWV时序特征,在1~6 h预报窗口内误报率仅8%,准确率达66%。Cai等^[7]基于人工神经网络建立了中国南方地区的混合模型,PWV反演误差较传统模型降低33.9%~37.0%。这类多参数融合方法虽取得显著进展,但其对地面气象观测数据具有较强的依赖性,在仪器布设密度较低的山区存在应用瓶颈。针对此限制,学者们提出了基于PWV本身特征的预测方法^[8]。Manandhar等^[9]将PWV最大值与PWV最大变化率作为预测因子,预测降雨正确率达到了80%。单路路等^[10]将GNSS-PWV阈值进行改进,联合PWV变化量和PWV变化率,平均正确率达92%以上,平均误报率63%。上述研究虽验证了多特征融合的有效性,但针对干旱区突发性强降水的预报仍存在挑战,特别是水汽参数的突变特征。

为此,提出动态阈值优化与多特征轻量级梯度提升机(light gradient boosting machine, LightGBM)融合预测框架:首先,通过融合PWV基准值、增量、增率及滑动窗口统计量构建9维特征集,结合平方项与对数变换增强非线性表征;其次,采用Optuna贝叶斯优化实现超参数自适应搜索,配合Leaf-wise生长策略提升小时变率特征计算效率;最后,建立时序解耦四阶段建模机制,通过分层滚动验证消除信息泄露风险,并基于综合降雨预测评分(inte-grated precipitation prediction score, IPPS)动态优化分类阈值,为提升新疆干旱区短临降雨预报精度提供技术支撑。

1 地基GNSS PWV获取

由地基GNSS返回的接收文件解算得到对流层天顶总延迟(zenith total delay, ZTD),主要分为天顶干延迟(zenith hydrostatic delay, ZHD)和天顶湿延迟(zenith wet delay, ZWD),ZHD通常用Saastamoinen模型计算^[11],计算公式为

(1)ZHD=$\frac{0.002277{P}_{\mathrm{s}}}{1-0.00266\mathrm{c}\mathrm{o}\mathrm{s}\left(2\varphi \right)-0.00028H}$

式(1)中:P_s为测站处地面气压,hPa;ϕ为接收机纬度;H为测站高程,m。

ZWD的计算公式为

(2)ZWD=ZTD-ZHD

PWV的计算公式为

(3)PWV=ΠZWD

(4)Π=

${\frac{{10}^{6}}{{\rho }_{\mathrm{w}}({k}_{3}/{T}_{\mathrm{m}}+{k}_{2})R}}_{\mathrm{v}}$

(5)T_m=70.2+0.72T_s

式中:ρ_w为液态水密度,取10³ kg/m³;k₂、k₃为大气折射常数分别取16.48 K/hPa、3.776×10⁵ K²/hPa;R_v为水汽气体常数,取461 J/(kg·K);T_m为加权平均温度,K;T_s为测站地表温度,K。

2 数据介绍

2.1 数据来源

选取新疆S101省道K105+397~K105+602段监测区于2023年末建成并投入运行的北斗GNSS监测网络(含1个基准站、7个监测站、1个雨量站)为研究对象,测站位置与分布如图1所示。

由于建站时间较短,优先采用基准站2024年1月 1日—12月31日的北斗GNSS观测数据进行分析,该基准站因选址于稳定基岩且配备双频扼流圈天线,受滑坡地表形变与多路径效应干扰较小,数据质量显著优于监测站,并对雨量站每小时的降雨信息进行统计。利用PRIDE_PPPAR^[12]软件对观测数据进行处理,得到全年共365 d的每小时一次的PWV序列。

2.2 数据分析

新疆S101省道K105路段监测区地处干旱区,夏季强对流降水突发性强,秋季层云降水持续时间短,水汽月际差异显著^[13],基准站8、9月较明显降雨与PWV趋势如图2所示。

从图2呈现的8月与9月PWV及降水数据来看,两时段的PWV动态和降水模式存在显著差异。8月9—12日,PWV曲线呈现出剧烈的脉冲式波动,尤其是在8月10、11日出现急速攀升,从18 mm陡增至28 mm峰值,随后又快速回落至 16 mm。伴随这一PWV剧变过程,降雨量在8月11日单日4 h内达到26.8 mm的强降水峰值,反映出夏季强对流降水突发性强。相较之下,9月1—4日的PWV变化则显得更为平缓,PWV曲线在 9月 1日从9 mm起步,经过约48 h的持续缓升后达到 22 mm,随后以日均2 mm的速率逐渐下降。该时段对应的降雨量虽在9月2、3日持续出现,但单日最高值仅6 mm,且降水发生前存在约24 h的PWV缓慢积累过程,这种水汽月际差异揭示了季节转换中大气层结稳定性的改变。

当降雨发生时,PWV必然会出现显著波动,这是由于水汽作为降雨形成的必要条件所决定的。然而,PWV的异常变化并不总能触发降雨,其根本原因如下。

(1)PWV升高仅表明水汽充足,但降雨还需温度、抬升动力等条件配合^[14];若大气稳定性强或缺乏凝结核,水汽无法有效凝结致雨。

(2)雨量站为单点观测,可能遗漏测站周边数公里外的降水(如山体另一侧),导致PWV变化与降雨记录不匹配。

(3)测站位于北坡,当水汽被山体阻挡时,需绕流或爬升才能抵达,可能延迟降雨;迎风坡降雨消耗水汽后,背风坡因下沉气流抑制降水,加剧PWV变化与局地降水的时空差异。

2.3 数据预处理

由于新疆地区季节性降雨差异显著,从不同相态降水日数的月际分布来看,降雨主要出现在2024年4—10月。为提升降雨预测模型的一致性,数据预处理分为以下四部分。

(1)时间窗口约束。保留2024年4月1日—10月31日的观测数据,该时段GNSS信号受降雪干扰较小。

(2)异常值处理。GNSS数据在采集过程中,由于仪器不稳定或极端天气干扰,存在部分时段数据空缺现象,GNSS数据完整性统计如表1所示。

2024年4—10月数据空缺率为16.58%。根据空缺时长特征,采取差异化处理策略:对于单小时内偶发性数据缺失(如15 s间隔观测中少量历元缺失),直接删除该时段缺失数据。针对连续整小时数据缺失,构建基于人工神经网络的PWV插值模型。

(3)数据均衡处理。表2为GNSS站2024年降雨类数据和非降雨类数据之间的比例信息。

由表2可知,2024年降雨类数据和非降雨类数据比例为1∶13.35,说明降雨类数据和非降雨类数据存在失衡,因此通过合成少数类过采样技术(synthetic minority oversampling technique, SMOTE)过采样平衡数据。

3 LightGBM理论

LightGBM是一种高效的梯度提升框架,支持大规模数据训练,其直方图优化算法可自动捕捉线性与非线性特征^[15],尤其适用于高维稀疏数据场景。通过Optuna框架的智能搜索策略,用最少的次数逐月搜索最优分类阈值。

3.1 LightGBM结构

LightGBM作为梯度提升决策树算法(gradient boosting decision tree, GBDT)的高效改进方案,其特征离散化方法通过将连续PWV时序数据进行256区间分箱处理,大幅优化了小时变率特征的处理速度,有效适应高频分钟级数据的即时分析要求。针对新疆区域降水过程存在的时序分布差异性特征,采用Leaf-wise生长策略替代传统Level-wise策略,结合并行化特征计算架构实现多维非线性特征的独立建模。Leaf-wise生长策略拓扑图如图3所示。

该策略在迭代过程中动态选择当前分裂增益最大的叶节点进行扩展,通过持续优化分裂显著提升模型收敛效率。相较于传统Level-wise生长方式,该策略在相同分裂次数下能够实现更显著的误差衰减,从而获得更高精度的预测结果。

3.2 LightGBM参数优化策略

为解决传统GBDT模型在降水预测中的过拟合风险与收敛速度问题,采用Optuna框架进行贝叶斯优化,如式(6)所示。

(6)

$\mathrm{\Gamma }\left(\mathrm{\theta }\right)=\stackrel{n}{\sum _{i=1}}({y}_{i}-{\hat{y}}_{i}{)}^{2}+\lambda \Vert \theta {\Vert }_{2}^{2}$

式(6)中:Γ(θ)为目标函数;θ为超参数组合;y_i为第i个样本的真实标签值;

${\hat{y}}_{i}$

为第i个样本的模型预测值;λ为正则化系数。

针对类别不平衡,采用SMOTE过采样将降雨/非降雨样本比调节至1∶1,并结合动态类别权重强化少数类表征;训练中通过早停机制监控验证集对数损失,以抑制过拟合^[16]。

在模型训练阶段,采用按月划分的分层验证框架,在每月数据内部执行交叉验证,以保留季节特性并确保降雨事件在时序上的均匀分布。

4 降雨预测实验

4.1 预测因子选取

研究表明,PWV的急剧波动常与降水事件存在关联,为了精准捕捉水汽参数的动态变化特征并确保预测因子与气象要素的时变同步性,融合PWV值、PWV实时增量及PWV变化率作为主要预测因子,计算公式为

(7)ΔPWV(t)=PWV(t)-PWV(t₀)

(8)ΔPWV_t=$\frac{\mathrm{\Delta }\mathrm{P}\mathrm{W}\mathrm{V}\left(t\right)}{t-{t}_{0}}$

式中:ΔPWV(t)为PWV在指定时间窗口内的变化量,mm;PWV(t)为t时刻的PWV值,mm;PWV(t₀)为在时间窗口[t-6 h,t]内,PWV取最小值时的值,mm;t₀为PWV在[t-6 h,t]内取最小值所对应的时刻;ΔPWV_t为PWV的变化率,mm/h,并且规定当t₀=t时,ΔPWV_t=0。

为进一步增强模型对时间演变模式和周期性规律的捕捉能力,构建多维度辅助特征,通过3 h和5 h滚动均值刻画短期变化趋势,5 h滚动标准差量化波动强度;引入PWV的平方项和对数变换来捕捉非线性响应关系;提取观测时刻的小时分量编码日周期变化规律,同时采用前向填充策略处理滑动窗口统计量,确保时序特征的连续性。这些辅助因子通过时域卷积特征强化趋势捕捉能力,通过非线性变换(平方、对数)扩展特征空间维度,形成对PWV动态演变过程的多尺度解析框架。

4.2 LightGBM实验设计

4.2.1 评价指标

将一个发生降雨的时刻视作一个降雨事件。如果在t时刻事件A_t的预测发生结果与实际发生结果相同,说明预测正确,用真正例(true positive, TP)与真负例(true negative, TN)分别表示实际有雨且预测为有雨的样本数和实际无雨且预测为无雨的样本数;反之则说明预测错误,用假正例(false positive, FP)表示实际无雨但预测为有雨的样本数;假负例(false negative, FN)表示实际有雨但预测为无雨的样本数,其预测列联表如表3所示。

Donaldson等^[17]确定了气象预测中的几种标准,如临界成功指数(critical success index, CSI),反映预测正确的降雨事件比例,CSI越高表示预测能力越强;命中率(probability of detection, POD),反映实际降雨事件中被正确预测的比例;误报率(false alarm rate, FAR),反映预测为降雨的事件中实际未降雨的比例。其计算公式分别为

(9)CSI=$\frac{\mathrm{T}\mathrm{P}}{\mathrm{T}\mathrm{P}+\mathrm{F}\mathrm{P}+\mathrm{F}\mathrm{N}}$×100%

(10)POD=$\frac{\mathrm{T}\mathrm{P}}{\mathrm{T}\mathrm{P}+\mathrm{F}\mathrm{N}}$×100%

(11)FAR=$\frac{\mathrm{F}\mathrm{P}}{\mathrm{T}\mathrm{P}+\mathrm{F}\mathrm{P}}$×100%

科学合理的阈值设定需在预测过程中确保较高的POD与较低的FAR。CSI作为综合反映POD与FAR平衡关系的复合指标,CSI越大,则POD越大或者FAR越小。

为综合评估模型对降雨事件的识别能力,引入正确率(correct rate, CR)表示整体预测正确的样本比例,用以补充命中率和误报率在预测覆盖范围方面的局限性,其定义为^[18]

(12)CR=$\frac{\mathrm{T}\mathrm{P}+\mathrm{T}\mathrm{N}}{\mathrm{T}\mathrm{P}+\mathrm{T}\mathrm{N}+\mathrm{F}\mathrm{P}+\mathrm{F}\mathrm{N}}$×100%

在POD趋近于最大值1时,CR也接近1;当POD较低时,CR与POD的关联性呈现非线性衰减。即使在某些POD较低的情况下,数值模型仍可实现对降雨事件的有效捕捉。

4.2.2 实验设计

针对新疆气象活跃期(2024年4—10月) GNSS大气可降水量建模中的两大挑战:单年度数据样本有限性与季节性降雨差异,建立时序解耦四阶段框架,具体流程如图4所示。

(1)特征空间扩展。基于原始PWV时序构建包含实时增量、增率及滑动窗口统计量的9维特征,并通过引入平方项与对数变换增强非线性表征,提升样本信息密度。

(2)月际解耦建模。采用按月独立建模策略,首先利用SMOTE过采样平衡正负样本,再通过Optuna框架优化LightGBM超参数,结合正则化与早停机制抑制过拟合。

(3)时序泛化验证。为确保模型在未观测时段的预测效能,设计分层滚动验证机制^[19]:将各月数据按时序划分为5个连续子集(每个覆盖约20%时段),首轮训练集以前4个子集(前80%时段)构建,测试集固定为末位子集(后20%时段);后续采用滑动步长为1的子集滚动窗口迭代5次,严格保持训练集时段始终早于测试集,杜绝时序信息泄露。

(4)动态阈值优化。针对降雨频率月际差异,提出以综合降雨预测评分IPPS[式(13)]为优化目标的动态阈值算法,在0.1~1.0范围内逐月搜索最优分类阈值,同步输出CSI、CR、POD及FAR等指标,缓解固定阈值在季节性降雨预测中的系统性偏差。

(13)IPPS=3CR+CSI+POD-FAR

IPPS函数设计通过专家访谈确定权重分配,一方面通过3倍CR权重保障非降雨时段的预报稳定性,另一方面通过CSI与POD联合优化强化对强降雨事件的捕捉能力,同时以FAR项抑制误报率,以此确定最优阈值。

4.3 实验结果

为了验证模型预测PWV值与真实值之间的时序变化趋势,绘制如图5所示的时序变化图。由图5可知,模型预测PWV值与真实值的时序变化趋势具有高度同步性。

为了验证模型预测PWV值与真实值之间的偏差(Bias)、均方根误差(root mean square error, RMSE)月均值,绘制如图6所示的误差统计图。由图6可知,其Bias绝对值均小于0.3 mm,RMSE稳定维持在0.6~0.8 mm,说明了模型对季节性气候差异的适应性。

为了展示2024年4—10月动态阈值优化后的降雨预测性能指标分布,绘制如图7所示的指标分布图。从数据关联性可见:各月最优阈值在 0.26~0.64波动,与新疆降雨机理高度吻合。当阈值处于中高区间0.42~0.64时,模型在4、5、8、10月展现出较低的误报率(FAR<0.111)与较高的命中率(POD>0.900),其中4月CSI达到峰值0.855。阈值调低至0.26~0.36时(7、9月),POD进一步提升至0.922、0.990,但伴随FAR显著上升,导致CSI出现低谷,7月的CSI=0.731,9月的 CSI=0.791。8月在阈值为0.64下仍维持FAR=0.092与POD=0.910的均衡状态,CSI达0.835,表明该月水汽特征与降雨事件的信噪比较高。各月CSI标准差为0.04,验证了动态阈值策略对月际差异的适应性。

为验证动态阈值策略的优越性,采用相同数据集,利用Optuna框架确定全年最优固定阈值(0.48)作为基准模型,其余实验设置保持不变。对比结果如表4所示。

从表4可以看出,模型性能呈现显著月际异质性,与新疆降水气候特征紧密相关。4—6月动态阈值FAR控制在11.33%以下,符合春季持续性降雨的可预测性规律。7月动态阈值FAR升高到22.66%与新疆夏季强对流降雨时空分散性相关^[20],但模型仍保持POD=92.17%。9月动态阈值方案POD达99.03%,较固定阈值提升8.32%,反映秋雨型降雨“短时高强度”特征与低阈值策略的适配性。在动态阈值优化与季节性响应方面,所提出的动态阈值算法通过IPPS评分函数实现了阈值随降雨特性的自适应调整。4月阈值设定为0.42时,POD达95.73%,较固定阈值方案显著提升,表明中等阈值对春季融雪型降雨的适应性。主雨季 (7—8月)阈值动态调整策略体现明显优势:7月阈值降至0.36时,模型在强对流降雨场景下仍保持POD=92.17%、CR=87.19%,而固定阈值方案的POD=84.51%、CR=80.02%,印证IPPS函数中3CR权重项对非降雨时段稳定性的保障作用。

5 结论

针对新疆S101省道K105+397~K105+602段监测区GNSS PWV降雨预测中的季节性偏差及小样本条件下预测精度衰减问题,提出基于动态阈值优化与多特征LightGBM的预测模型。基于北斗GNSS站2024年4—10月数据的实验验证,得出以下结论。

(1)动态阈值优化机制显著提升模型季节适应性。通过构建IPPS评分函数逐月搜索最优阈值,克服了传统全年最优固定阈值在新疆降水季节性转换中的局限性。实验表明,动态阈值使CSI较固定阈值模型提升1.78%~10.67%,其中9月POD提升达8.32%,验证了低阈值对秋雨短时强降水的敏感性。

(2)多特征LightGBM有效缓解单年度数据样本不足的挑战。融合PWV、PWV增量、PWV增率等9维特征体系,结合分月独立建模,在有限数据下实现强泛化能力,CSI标准差为0.04。模型在7月夏季强对流中POD=92.17%,9月秋季层云降雨时POD=99.03%表现稳健,验证多特征工程对局地水汽异质性的表征优势。

(3)动态阈值优化与多特征融合框架有效克服了季节性降雨与小样本挑战,其综合性能显著优于传统方法,为提升新疆干旱区短临降雨预报精度、进而增强公路地质灾害防治能力提供了技术支撑。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	Manandhar S, Dev S, Lee Y H, et al. Systematic study of weather variables for rainfall detection[C]// Proceedings of 2018 IEEE International Geoscience and Remote Sensing Symposium. Valencia: IEEE, 2018: 3027-3030.

[2]	张克非, 李浩博, 王晓明, 等. 地基GNSS大气水汽探测遥感研究进展和展望[J]. 测绘学报, 2022, 51(7): 1172-1191.

[3]	Zhang Kefei, Li Haobo, Wang Xiaoming, et al. Recent progresses and future prospectives of ground-based GNSS water vapor sounding[J]. Acta Geodaetica et Cartographica Sinica, 2022, 51(7): 1172-1191.

[4]	郑志卿, 张克非, 师嘉奇, 等. GNSS-PWV结合多气象要素分析“21·7”河南特大暴雨过程[J]. 大地测量与地球动力学, 2023, 43(8): 809-815.

[5]	Zheng Zhiqing, Zhang Kefei, Shi Jiaqi, et al. Using GNSS-PWV combined with multiple meteorological elements to analyze the process of “21·7” severe rainstorm in Henan Province[J]. Journal of Geodesy and Geodynamics, 2023, 43(8): 809-815.

[6]	刘洋, 赵庆志, 姚顽强. 基于多隐层神经网络的GNSS PWV和气象数据的降雨预测研究[J]. 测绘通报, 2019(S1): 36-40.

[7]	Liu Yang, Zhao Qingzhi, Yao Wanqiang. Rainfall forecast based on multihidden layers neural network and GNSS-PWV[J]. Bulletin of Surveying and Mapping, 2019(S1): 36-40.

[8]	赵庆志, 刘洋, 姚顽强. 利用最小二乘支持向量机的短临降雨预测模型构建[J]. 大地测量与地球动力学, 2021, 41(2): 152-156.

[9]	Zhao Qingzhi, Liu Yang, Yao Wanqiang. Establishment of short-term rainfall forecast model by least square support vector machine[J]. Journal of Geodesy and Geodynamics, 2021, 41(2): 152-156.

[10]	王式太, 张定红, 殷敏, 等. 基于LSTM模型的降雨短临预报[J]. 无线电工程, 2021, 51(11): 1278-1283.

[11]	Wang Shitai, Zhang Dinghong, Yin Min, et al. Short-term and imminent rainfall forecast based on LSTM model[J]. Radio Engineering, 2021, 51(11): 1278-1283.

[12]	Cai M, Li J Y, Liu L H, et al. Weighted mean temperature hybrid models in China based on artificial neural network methods[J]. Remote Sensing, 2022, 14(15): 22-23.

[13]	Benevides P, Catalao J, Miranda A M P. On the inclusion of GPS precipitable water vapour in the nowcasting of rainfall[J]. Natural Hazards and Earth System Sciences, 2015, 15(12): 2605-2616.

[14]	Manandhar S, Lee H Y, Meng S Y. GPS-PWV based improved long-term rainfall prediction algorithm for tropical regions[J]. Remote Sensing, 2019, 11(22): 1-17.

[15]	单路路, 姚宜斌, 赵庆志, 等. 基于GNSS PWV的短临降雨预测方法[J]. 测绘地理信息, 2019, 44(1): 22-26.

[16]	Shan Lulu, Yao Yibin, Zhao Qingzhi, et al. A short-term rainfall forecasting method based on GNSS PWV data[J]. Journal of Geomatics 2019, 44(1): 22-26.

[17]	Saastamoinen J. Atmospheric correction for the troposphere and stratosphere in radio ranging satellites[J]. Geophysical Monograph Series, 1972, 15: 247-251.

[18]	Zeng J, Geng J H, Li G C, et al. Improving cycle slip detection in ambiguity-fixed precise point positioning for kinematic LEO orbit determination[J]. GPS Solutions, 2024, 28(3): 135-149.

[19]	谢泽明, 周玉淑, 杨莲梅. 新疆降水研究进展综述[J]. 暴雨灾害, 2018, 37(3): 204-212.

[20]	Xie Zeming, Zhou Yushu, Yang Lianmei. Review of study on precipitation in Xinjiang[J]. Torrential Rain and Disasters, 2018, 37(3): 204-212.

[21]	王浩宇, 韩玲, 李良志. 利用气象大模型和区域预训练调优进行日降水预报: 以陕西省为例[J]. 科学技术与工程, 2025, 25(20): 8379-8391.

[22]	Wang Haoyu, Han Ling, Li Liangzhi. Daily precipitation forecasting using a global weather model and regional pre-training optimization: a case study in Shaanxi Province[J]. Science Technology and Engineering, 2025, 25(20): 8379-8391.

[23]	陈纬楠, 胡志坚, 岳菁鹏, 等. 基于长短期记忆网络和LightGBM组合模型的短期负荷预测[J]. 电力系统自动化, 2021, 45(4): 91-97.

[24]	Chen Weinan, Hu Zhijian, Yue Jingpeng, et al. Short-term loadprediction based on combined model of long short-term memory network and Light gradient boosting machine[J]. Automation of Electric Power Systems, 2021, 45(4): 91-97.

[25]	杨莉, 周子希, 王婷婷, 等. 基于CNN-GRU-LightGBM模型的单井产量预测方法[J]. 科学技术与工程, 2024, 24(18): 7606-7614.

[26]	Yang Li, Zhou Zixi, Wang Tingting, et al. Single well production forecasting method based on the CNN-GRU-LightGBM model[J]. Science Technology and Engineering, 2024, 24(18): 7606-7614.

[27]	Donaldson R I, Dyer R M, Kraus M J. Objective evaluator of techniques for predicting severe weather events[J]. Bulletin of the American Meteorological Society, 1975, 56(7): 29-34.

[28]	Yao Y, Shan L, Zhao Q. Establishing a method of short-term rainfall forecasting based on GNSS derived PWV and its application[J]. Scientific Reports, 2017, 7(1): 12465.

[29]	卢海钊, 张烈平, 王守峰, 等. 基于改进Light-GBM的室内指纹定位算法[J]. 科学技术与工程, 2024, 24(15): 6306-6312.

[30]	Lu Haizhao, Zhang Lieping, Wang Shoufeng, et al. Indoor fingerprint location algorithm based on improved LightGBM[J]. Science Technology and Engineering, 2024, 24(15): 6306-6312.

[31]	蒋慧敏, 刘春云, 贾健, 等. 新疆夏季对流性降水时空分布特征及成因分析[J]. 高原气象, 2019, 38(2): 340-348.

[32]	Jiang Huimin, Liu Chunyun, Jia Jian, et al. The temporal and spatial characteristics of convective precipitation in Xinjiang among the summer and causes analysis[J]. Plateau Meteorology, 2019, 38(2): 340-348.