123 / 2023-03-27 17:26:29

基于机器学习的高原地区雷电落区预报模型 —以西藏山南地区为例

雷电临近预报,机器学习,FY-4A,云图外推

基于2019-2021年FY-4A多通道数据、ERA5再分析数据、闪电定位资料等，确定了16个预报因子，包括：卫星多个红外通道亮温值以及红外亮温梯度、亮温随时间变化率等卫星产品，对流有效位能（CAPE）、对流抑制能量（CIN）、K指数等对流指数和过去10-20分钟、20-30分钟闪电定位数据等，将预报因子线性插值为4km×4km分辨率的格点数据作为模型的输入变量，未来0-30min或30-60min闪电定位仪数据作为输出变量，形成数据集样本（2019-2020年数据作为训练集，2021年数据作为测试集），采用欠采样方法对训练集中样本不平衡的问题进行处理，最终形成了雷电样本数 259008个，无雷电样本数1036032个的训练集。采用随机森林、BP神经网络、XGBOOST和决策树四种机器学习方法，通过网格搜索和交叉验证方法对四种机器学习模型进行超参数调优，分别建立了适用于高原地区的0-30min和30-60min雷电落区预报模型。以山南地区为例进行检验，结果表明0-30min雷电落区预报，随机森林、BP神经网络和XGBOOST三种机器学习模型预报效果均较好，随机森林算法能够在具有较高POD的同时保证偏低的FAR，CSI评分最高，可达到0.73，整体预报效果最佳。随着预报时效的增长，单机器学习算法建立的雷电落区预报模型预报效果下降明显，30-60min 最佳雷电预报模型CSI也从0.73下降至0.60。结合云图外推方法对30-60min模型进行改进，改进后的模型预报效果得到较大提升，尤其是模型POD提升明显，从0.71升至0.82，CSI也从0.60提升至0.67。