《表5 基于独立检验样本的霜判识模型检验效果》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于Logistic回归建立霜自动判识模型》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

注：NA表示人工观测有霜现象且模型判识也有霜现象的日数，NB表示人工观测无霜现象而模型判识有霜现象的日数，NC表示人工观测有霜现象但模型判识无霜现象的日数，ND表示人工观测无霜现象模型判识也无霜现象的日数。下同。

表5给出了基于处理后的2013-2017年观测数据的检验效果。由表可见，2013-2017年的检验样本中，平均每站有霜日233.1d，平均每站无霜日306.8d，共计539.9d，其中安徽省北部地区有霜日数较多，长江以南地区有霜日数较少。应用基于Logistic回归的霜判识模型检验发现，233.1个有霜日中模型正确判识有霜日213.6d，306.8个无霜日中模型正确判识无霜日266.6d，霜判识模型平均准确率为89.0%，其中滁州站的模型准确率最低为84.0%，祁门站的模型准确率最高为93.8%，大部分气象站的模型准确率在86%～90%，表明基于Logistic回归的霜判识模型对安徽各气象站是否出现霜都具有较高的判识准确率。在命中率方面，模型平均有霜命中率为91.6%，有霜命中率高于90%的有15个站点，其中合肥站的有霜命中率最高，为95.8%，太湖站的有霜命中率最低，为80.2%，总体表明基于Logistic回归的霜判识模型对安徽省各站的霜有较好的命中率。在漏判率方面，模型平均漏判率为8.4%，其中六安站和太湖站的漏判率较高，分别为16.2%和19.8%，其余各站霜模型漏判率较低。在空判率方面，模型平均空判率为15.8%，空判率高于20%的有7个站点，其中马鞍山站的空判率最高，为26.2%。统计发现，2013年以后各台站观测人员记录到的霜日数明显减少（图略），这是由于2013年气象站实行观测业务改革，减少夜间观测时次导致霜漏测现象偏多，因此模型空判率有所偏高。在TS评分方面，霜判识模型平均TS评分为78.2%，大部分站点的霜判识模型TS评分较高，其中有8个站点的模型TS评分在80%以上，而模型TS评分较低的站点为马鞍山站和太湖站，TS评分分别为67.3%和68.4%。这是因为马鞍山站和太湖站在2013-2017年期间人工观测的有霜日分别为121d和116d，相比周边台站，记录的霜日数明显偏少，存在着明显的漏测现象，导致模型误判较多。所以，马鞍山站和太湖站霜判识模型的TS评分偏低。总体上，模型对霜具有较高的判识准确率、命中率和TS评分，且对霜的漏判率、空判率较低。这充分反映出基于Logistic回归的霜判识模型对日霜是否出现的判识能力，表明应用Logistic回归建立的霜判识模型是合理的，可以接受的。