基于LightGBM算法的强对流天气分类识别研究

强对流天气将导致多种灾害性天气,但由于其突发性强且尺度较小,在气象业务工作中仍难以准确地预警和预报。本文基于LightGBM(Light Gradient Boosting Machine)算法,利用甘肃三个地区的C波段雷达回波产品以及地面观测数据,构建了LightGBM模型,并分类判识了三类主要的强对流天气[冰雹、雷暴大风、短时强降水(短强)]。结果表明,在2011-2017年训练集中,LightGBM模型表现较好,整体误判率仅为4.9%。在2018年的独立样本测试中,模型对三类强对流和非强对流天气的整体误判率为7.0%,对三类强对流天气的平均命中率(Probability of Detection,POD)为86.4%,平均临界成功指数(Critical Success Index,CSI)为64.3%,平均空报比率(False Alarm Ratio,FAR)为29.0%。其中,短强的误判率最低,POD和CSI最高,FAR也最小,而雷暴大风和冰雹的误判率和评分比较接近。因此,本文构建的LightGBM模型对强对流天气的分类识别较为理想,首次对三类主要的强对流天气实现了自动化预警,在未来的气象业务自动化工作中有广阔的应用前景。     

机器学习分类算法在降雨型滑坡预报中的应用

针对气象灾害预警业务中客观描述降雨型滑坡发生不确定性的实际需求,利用2014—2020年全国滑坡数据以及多源融合降水实况分析数据,通过样本构建、模型训练、参数优化以及预报输出等关键步骤构建基于机器学习分类算法的区域降雨诱发滑坡概率预报模型,探究不同类型机器学习分类算法识别诱发滑坡的降雨过程的可行性。结果表明：在算法评估中,线性判别分析算法准确率最高且泛化能力最好,其次为逻辑回归算法,再次为最邻近算法。在预报试验中,线性判别分析、逻辑回归以及最邻近等算法能够提取并学习降雨诱发滑坡的条件特征,对诱发滑坡的降雨过程有一定识别能力,最邻近算法和逻辑回归算法的概率预报高值区范围相对较大,易造成虚警结果,线性判别分析算法对局地降雨信息的提炼较好,但线性判别分析算法在非降雨中心区域输出低值概率预报的面积偏大。     

基于机器学习分类算法的臭氧浓度等级预报在长沙的应用

为准确预报臭氧浓度等级,基于EC＿THIN全球天气模式产品和我国自主研发的CMA＿GFS全球天气数值预报产品以及华南GRACEs大气成分模式输出产品,融合气象和环境观测数据,使用6种机器学习智能算法,构建耦合数值预报模式和机器学习的混合模型,旨在充分发挥数值预报与机器学习智能算法的优势和互补协同作用,实现臭氧浓度等级预报准确度的跨越式提升。共设置4个控制试验,选取不同的特征产品,依次使用机器学习经典分类算法对长沙市未来4天的臭氧浓度等级进行分类预报,取测试准确度最高的模型输出结果作为结果统计。发现：最优模型1～4天的测试准确度分别为81.7%、81.7%、78.3%、60.9%,大大高于大气成分模式预报和预报员经验,达到预期设计目标;高质量的天气模式产品对模型贡献大,而大气成分模式产品对模型贡献有限;模型3天以内预测性能较好,低等级预测性能较好,高等级预测性能一般。提出解决方案供讨论：增加高等级样本数量,增强模型对此类事件的识别能力;加强高等级臭氧污染的机理分析,组合出更精炼的因子供模型使用。     

基于中尺度数值模式快速循环系统的强对流天气分类概率预报试验

在利用实况探空资料、微波辐射计和风廓线构建的特种探空资料对北京地区强对流天气进行判别,以及快速更新循环同化预报系统(BJ-RUC模式)探空资料可应用性分析的基础上,针对模式探空基本要素计算多种热力、动力、综合不稳定物理量,根据统计的强对流天气判别指标,计算模式格点上的强对流发生概率,并进一步针对冰雹(雷暴大风)和强对流短时暴雨天气下不同物理量的阈值范围,初步探索中尺度数值模式对强对流天气分类预报的可能性.通过不同组合的预报方案进行的对比分析表明,利用北京地区中尺度数值模式快速循环系统(BJ-RUC)的格点探空资料进行强对流天气概率的预报是可以实现的,强对流天气的分类概率预报也存在一定的成功率.     

基于数值预报和随机森林算法的强对流天气分类预报技术

随机森林算法是当前得到较为广泛应用的机器学习方法之一,有着很高的预测精度,训练结果稳定,泛化能力强,解决多分类问题有明显优势。本文将随机森林算法应用于强对流的潜势预测和分类,分短时强降水、雷暴大风、冰雹和无强对流四种类别,基于2005—2016年NCEP 1°×1°再分析资料计算的对流指数和物理量,开展强对流天气的分类训练、0～12 h预报和检验,经2015—2016年独立测试样本检验表明,针对强对流发生站点的点对点检验,整体误判率为21. 9%,85次强对流过程基本无漏报,模型尤其适用于较大范围强对流天气。随机森林算法筛选的因子物理意义较为明确,和主观预报经验基本相符,模型准确率高,可用于日常业务。     

通用模式指标预报程序的设计方法

目前,在专业气象服务中,台站积累了大量的预报模式指标（如入梅预报模式指标、出梅预报模式指标等）,随着计算机的广泛应用,所面对的实际问题是将这些预报工具编制成可操作的应用程序。模式指标中的指标因子,随着历史样本的变化,并不是固定不变的,如果每个模式指标的预报都要用一个命令程序描述,那将是十分繁琐复杂的事。解决此问题的较好办法是设计通用的模式指标预报程序。在此,笔者介绍一种比较简单适用的通用模式指标预报程序的设计方法。该方法是根据模式指标预报的一般规律,采用建立外部参量文件的办法,实现预报程序的“通用性”。用该方法设计的预报程序不仅适用于模式指标中指标因子变化的情况,而且适用于大量模式指标的预报。     

人工智能在冰雹识别及临近预报中的初步应用

基于广东10部S波段多普勒天气雷达的三维拼图资料,利用机器学习技术开发了一种冰雹识别和临近预报的人工智能算法。算法设计时以雷达回波反射率的垂直和水平扫描数据为基础训练集,将冰雹云的雷达反射率扫描数据作为正样本,将其他雷达反射率扫描数据作为负样本,通过贝叶斯分类法对正、负样本数据集进行机器学习,训练人工智能识别冰雹云内在规律的能力。训练时以广东省2008-2013和2015-2016年的数据作为训练集,使用了2014年广东省12次冰雹过程的数据做检验。对比检验的结果表明,人工智能法比传统的概念模型法击中率高9个百分点。研究结果表明了人工智能对冰雹这类非线性强天气过程具有较强的识别能力。      

卫星遥感云分类和TBB产品在天津地区云状识别的应用分析

利用2012年4月1日至2013年7月31日地面观测资料和卫星遥感云分类、相当黑体亮温TBB产品,针对不同天气类型进行背景统计和个例分析,讨论云分类、TBB产品在云状自动识别中的应用。结果表明:地面云观测取消后,云观测业务可以依据卫星遥感产品展开,即以云分类产品为基础,结合TBB资料和天气现象进行订正。当无降水时,云状以云分类产品为主,如云分类产品为积雨云,可将云状订正为非降水云;当TBB240 K时,同时变率由负值向正值转变至接近0时,有雷暴活动发生,无论是何种云分类产品,云状可直接定为积雨云;TBB在240~260 K,为稳定性降水时,考虑为非对流性云(层积云或高积云、高层云或雨层云)。     

GRAPES模式对湖北省汛期强降水预报的分类检验分析

使用常规观测资料及GFS资料(1°×1°),选取2005-2008年汛期22次湖北省强降水天气过程,按照其影响系统分为低槽型、台风型和副高外围型三类,对GRAPES模式(2.1版本)预报效果进行分类检验分析,结果表明:(1)就低槽型降水而言,0-24 h预报时效内,模式对晴雨、小雨、大雨的预报效果在三类降水中最好,24～48 h则中雨预报效果最好,0～24 h预报效果总体而言优于24～48 h.模式预报的主要降水区从雨型、雨区范围和雨强的分布特征均与实况较为一致,预报的主要偏差在于强中心位置偏离和强度偏弱.(2)就台风型降水而言,0～24 h预报时效内,模式对中雨和暴雨的预报效果在三类降水中最好,24～48 h,则晴雨、小雨、大雨、暴雨预报效果最好,24～48 h预报效果总体而言优于0～24 h.模式对台风的主体降水落区把握得比较好,和实况较为一致,但对于台风外围云系产生的降水往往与实况差别较大,另外,主体降水中暴雨落区预报总是比实况偏小.(3)副高外围型降水在上述两个预报时次中,各量级的评分成绩均为最低,0～24 h预报效果总体而言优于24～48 h.模式对副高外围局地性强降水过程预报能力较弱,基本不具备预报中雨以上降水的能力.最后对(;RAPES模式的进一步改进提出了一些建议.     

用非线性分类筛选模式做短期气候预测的尝试

在相关普查的基础上,使用最优分割挑选因子,逐步对预报量进行分类,按照业务预报的需求,形成分类预报模式,取得了较好的试报、预报效果。     

西北太平洋迅速加强热带气旋的统计特征和识别预报试验

利用2000—2014年热带气旋(TC)最佳路径、最终分析资料和静止卫星红外云顶亮温(TBB)资料,对比分析了西北太平洋(WNP),以及南海(SCS)的迅速加强(RI),与非迅速加强(non-RI)TC样本的环境背景和TBB统计特征,其中non-RI样本细分为不同的强度变化率即:缓慢加强(SI),强度稳定、缓慢减弱和迅速减弱等。结果表明,相对于SI,WNP海域的RI样本处于海表温度较高、海洋上层热容量较大、最大可能强度较大、高层辐散较强、风垂直切变(VWS)较弱和高层纬向风(U200)偏东分量较大等环境背景条件下;SCS海域的RI样本较易发生在VWS较弱的环境背景条件下。此外,相对于non-RI,支持RI发展的有利条件还包括中低层相对湿度较大、高层环境温度较低等。RI样本通常具备的TBB特征为TC内核的对流云覆盖率较大、TBB平均值相对较小。采用K最近邻分类算法进行RI预报试验,交叉检验结果表明,该方法对RI样本有一定的识别预报能力,RI样本概括率达到74.2%,技巧评分达到0.717。     

基于XGBoost算法的电网二次设备缺陷分类研究

电网二次设备缺陷严重程度的精确判断可为设备的运行和维护提供重要依据.针对电网二次设备缺陷数据特征量多、人为判断难度大、易出错等问题,提出基于XGBoost（eXtreme Gradient Boosting）的二次设备缺陷分类方法,提高二次设备缺陷分类的准确率.首先,对二次设备历史缺陷数据进行去异常值、编码等一系列预处理工作,并筛选出与设备缺陷相关性高的特征建立特征指标集;然后,利用历史缺陷数据对XGBoost模型进行训练和参数寻优;最后,用训练好的分类模型实现二次设备缺陷的准确分类.本文采用某电厂二次设备缺陷数据对所提算法进行算例分析,并与传统分类器（决策树、逻辑回归等）进行比较,结果表明XGBoost可以实现对二次设备缺陷程度的精确判断,进而可以很好地辅助检修人员进行设备的维护与管理.     

基于LBP算法的全天空红外云图的分类研究

利用局部二值模式（Local Binary Patterns,LBP）,结合局部云图的方差信息（VAR）,对全天空红外测云系统获得的红外云图进行了分类研究。首先建立了器测云状分类与传统分类的对应关系,其次分析了层状云、积状云、波状云、卷云和晴空5种类型天空的LBP谱和VAR特征,最后对274个样本进行了分类识别,并与人工观测结果比较,结果表明,层状云、积状云、波状云、卷云和晴空的识别正确率分别为100．0％、84．2％、70．3％、64．7％、99．0％,平均正确率达到87．2％。     

卫星云图的识别与降水的预报

从卫星云图的区别,常见的云型,重要天气系统云型的特征以及对降水的作用等方面进行分析。     

河南省分类强对流天气概率预报方法研究与应用

采用每日4次0.75°×0.75°的欧洲中心再分析资料和2006-2015年4-9月河南省117个国家自动站冰雹、雷暴大风和短时强降水3类强对流天气实况资料,基于"邻(临)近原则"构建了河南分类强对流天气的网格点历史个例库,计算了逐日分类强对流天气物理参数和其15 d滑动气候平均值.综合考虑环境物理参数相对稳定性及其与...     

回波识别跟踪预报的SMR方法

本文利用数字化雷达t1、t2两时刻的回波数据，经过图像预处理，提取特征面积、强度、位置等基本特征S、R描绘子、矩不变量M等多个特征量，采用多级识别技术、质量控制手段和新的轮廓跟踪方法（简称RMS法）经多阈值综合分析，并据风场连续性原理，用加权平均法等预测下一时刻回波移动位置，最后给出强降水区的预报图。经检验预测精度达80％以上。     

MIGFA阵风锋识别算法改进与检验

根据南京CINRAD/SA天气雷达探测的江苏沿江地区阵风锋回波特征,对MIGFA(Machine Intelligence Gust Front Algorithm)阵风锋识别算法进行改进:在考虑平滑算法使用和低仰角数据融合的基础上,根据阵风锋回波特征,改进了0.5°反射率阵风锋细线函数模板,设计了较高仰角(1.5°/2.4°)反射率阵风锋细线函数模板,引入1.5°和2.4°双层反射率阵风锋细线函数模板替代原空间差分反射率函数模板。考虑阵风锋特征与距离测站的关系,设计了动态权重函数组合多组得分值,从而有效识别阵风锋回波。在此基础上通过弧度判断和阵风锋回波平坦度测试的方式,进一步降低虚警率。最后利用2009年6月14日南京雷达阵风锋个例进行效果识别,并采用临界成功指数对南京雷达120个阵风锋样本进行效果评估。结果表明:改进的MIGFA法识别效果良好,将临界成功指数从0.39提高至0.60,引入降低虚警率的做法使得虚假警报率从0.34降至0.16。     

基于神经网络B—P算法的雹云识别模型及其效果检验

本文根据成都、内江和泸州等地的雷达回波和部分探空资料，应用神经网络Ｂ－Ｐ算法建立了不同地区的３参数和４参数雹云识别模型，并对模型进行了分析和效果检验。结果表明：该模型不仅能得到较高的拟合率和预报准确率，而且由于Ｂ－Ｐ网络具有自组织，自学习和自适应的能力，与其它方法相比具有一定的优越性。     

天津市多模式气温集成预报方法

在遗传算法和粒子群算法的基础上,采用权重分配方法开展基于混合演化算法的多模式气温集成预报方法研究。利用2012年5—10月中国气象局GRAPES模式、北京市气象局BJ-RUC模式、中国气象局T639模式、天津市气象局TJWRF模式24 h预报时效的逐6 h地面2 m高度气温和35个天津区域自动气象站点资料,通过逐日滚动建立集成预报模型,对混合演化算法的多模式气温集成预报方法进行了绝对误差在2℃以内的分级、分类及分站检验分析。结果表明:使用该方法建立的气温集成预报模型具有比较可靠的预报能力,预报误差明显小于任一成员,预报准确率高。按绝对误差不大于2℃的检验标准,2012年35个站逐6 h气温、最低气温、最高气温的集成预报平均准确率分别为76.34%,77.88%,78.00%。     

天气阶段的识别及其预报时效的提高

扼要叙述了天气阶段的概念、属性、划分原则及不同天气阶段类型对应的不同天气，介绍了不同天气阶段类型的识别方法，并利用欧洲中心中期数值预报产品，提高了预报时效。