[發明專利]一種基于人工智能算法的強對流天氣短時臨近識別方法

有效

• 申請號: 202010543364.X
• 申請日: 2020-06-15
• 公開（公告）號: CN111796343B
• 公開（公告）日: 2022-07-01
• 發明（設計）人: 劉新偉;黃武斌;蔣盈沙;劉維成;魏棟;段伯隆;劉娜;郭潤霞
• 申請（專利權）人: 蘭州中心氣象臺（蘭州干旱生態環境監測預測中心）
• 主分類號: G01W1/10
• 分類號: G01W1/10;G01S13/95;G01S7/41;G06F30/27
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于人工智能算法的強對流天氣短時臨近識別方法，其特征在于，包括以下步驟：

S1、獲取檢測數據；

S2、對獲取的各類檢測數據進行數據清洗、質量控制；

S21、獲取不同地段C波段雷達一定范圍內的回波產品數據及強對流實況觀測數據；

S22、根據強對流發生時段，剔除特征變量不全或存在奇異值的樣本，建立樣本數據集；

S3、對數據按比例劃分成訓練集和測試集；所述步驟S3中，根據因變量特征，提取自變量及對數據集按8：2的比例進行劃分成訓練集和測試集，并對因變量進行標簽值設定；

S4、將數據輸入到LightGBM算法中，建立算法模型；所述步驟S4中，將因變量、自變量數據處理完成后，輸入到LightGBM算法中，建立算法模型，包括以下步驟：

S41、將自變量數據輸入到LightGBM算法中，分別計算每個自變量的特征值得分；該步驟采用基于梯度的單邊采樣方法計算信息增益，判斷各特征值的重要性；

S42、根據特征值得分，調整部分自變量的權重系數；在調整部分自變量的權重系數時，模型會自動根據特征重要性獲取這種重要性加權，然后再不斷地去圍繞權重較大的特征構造新的特征；

S5、反復進行模型訓練、評估及算法調參優化；

S6、待模型最優后，進行業務應用。

2.根據權利要求1所述的一種基于人工智能算法的強對流天氣短時臨近識別方法，其特征在于，所述檢測數據包括實況站點觀測數據和雷達數據。

3.根據權利要求1所述的一種基于人工智能算法的強對流天氣短時臨近識別方法，其特征在于，所述步驟S3包括以下步驟：

S31、根據實況站點觀測特征，將實況站點數據劃分為是否存在強對流的各種情況，并分別添加數據標簽；

S32、根據因變量特征，提取出自變量。

4.根據權利要求3所述的一種基于人工智能算法的強對流天氣短時臨近識別方法，其特征在于，所述自變量包括雷達產品、基于雷達產品的計算量和地面觀測數據；

所述雷達產品和基于雷達產品的計算量分別為組合反射率、反射率因子、平均徑向速度、對回波頂高、風暴頂高、最強回波對應的高度及垂直累積液態水含量、核心區厚度、45dBZ以上質心高度以及強回波持續時間。

5.根據權利要求4所述的一種基于人工智能算法的強對流天氣短時臨近識別方法，其特征在于，在產品特征數據提取中，以強對流天氣實況觀測點最近的像素為中心，提取周圍像素范圍內的最大值，作為強對流天氣的風暴體特征值；

對于地面觀測數據分別是測站氣壓、氣溫、相對濕度、瞬時風速。

6.根據權利要求5所述的一種基于人工智能算法的強對流天氣短時臨近識別方法，其特征在于，所述以強對流天氣實況觀測點最近的像素為中心，提取周圍像素范圍內的最大值，作為強對流天氣的風暴體特征值的具體計算公式為：

其中，n為風暴單體編號，i和j的取值從-2到2。

7.根據權利要求1所述的一種基于人工智能算法的強對流天氣短時臨近識別方法，其特征在于，所述步驟S5中，是以損失函數和誤判率為評價標準進行；所述步驟S5包括以下步驟：

S51、經過反復訓練調優，得到最終人工智能算法模型的部分參數；

調優的具體方法為：通過給模型設置不同的訓練參數，得到各個類別在不同參數下的F1分數；

F1分數，是利用精確率PRE和召回率REC的組合的一種性能評價指標，評估模型對數據的預測能力：

；

S52、模型建好后，選取評價方案再次對模型進行評價；

S53、根據以上評價體系，對模型在訓練集和測試集的效果進行評估。