机器学习方法在闪电预报预警中的应用

发布时间：2025-03-01 11:16

　　在面临灾害性天气时,对即将发生的闪电事件给予精准的预报预警,可以使各行业因闪电灾害而产生的人员伤亡及运营损失得到有效的预防或减少。传统上,研究者利用获取的气象资料信息,开展了一系列闪电预报预警工作。近年来,数据已成为各行业中重要的生产因素,机器学习作为与“大数据”应用结合的最佳方法技术,在各种建模预测的工作中,相比传统方法,取得了的突破性进展与性能表现。在此情形下,本文基于气象部门与行业发展大数据应用的先天优势和迫切需求,将机器学习方法引入现有的闪电预报预警技术中。首先,利用在ERA5中选取的与闪电发生具有较好相关性的气象特征数据与网格化统计的闪电频次数据,基于集成算法XGBoost构建了高性能的闪电预报模型,在对闪电发生与否的基础预报中,得到的预报命中率POD为90.41%,虚警率FAR为7.46%,临界成功指数CSI为84.27%,技巧评分TSS为0.83,其性能表现相较于传统研究中所提出的模型方法得到了明显的提升,并在此基础上进一步实现了关于闪电频次区间的多分类预报。随后,利用同样的ERA5数据与网格化统计的平均闪电幅值数据,基于Stacking模型融合的方法构建了关于闪电幅值的预...

【文章页数】：73 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第一章 绪论
    1.1 研究背景及意义
    1.2 当前研究现状
        1.2.1 关于闪电预报技术的研究现状
        1.2.2 关于闪电预警技术的研究现状
    1.3 本文主要工作
第二章 机器学习基础简述
    2.1 基本框架
    2.2 模型训练
    2.3 主要流程
第三章 机器学习下的闪电预报模型构建研究
    3.1 集成学习
        3.1.1 梯度提升框架
        3.1.2 加法模型的生成
    3.2 闪电预报模型构建
        3.2.1 XGBoost原理
        3.2.2 XGBoost实现闪电预报
    3.3 数据
        3.3.1 资料选取
        3.3.2 数据集的处理
        3.3.3 数据集的划分
    3.4 检验
        3.4.1 检验指标
        3.4.2 检验结果
    3.5 与其他预报模型的比较
        3.5.1 基于Logistic回归的预报原理简述
        3.5.2 基于SVM的预报原理简述
        3.5.3 预报结果对比
    3.6 本章小结
第四章 多模型融合方法在闪电幅值预测中的应用
    4.1 模型融合
    4.2 数据
        4.2.1 数据集的选取
        4.2.2 数据集的处理
    4.3 闪电幅值预测的模型
        4.3.1 基于线性回归的幅值预测结果
        4.3.2 基于支持向量回归的幅值预测结果
        4.3.3 基于随机森林的幅值预测结果
        4.3.4 基于Boosting类模型的幅值预测结果
    4.4 闪电幅值预测的融合模型
        4.4.1 基于Stacking方法的融合原理
        4.4.2 融合模型中的元模型及幅值预测结果
    4.5 预测性能的比较与可视化
    4.6 本章小结
第五章 基于深度学习模型的强对流预警研究
    5.1 神经网络简述
    5.2 时空特性下的强对流预警模型
    5.3 数据
    5.4 检验
    5.5 个例分析
    5.6 本章小结
第六章 全文总结
    6.1 主要研究结论
        6.1.1 关于闪电预报模型的研究结论
        6.1.2 关于闪电幅值预测模型的研究结论
        6.1.3 关于强对流预警模型的研究结论
    6.2 本文创新点
    6.3 不足与讨论
参考文献
作者简介
致谢



本文编号：4034500