在面臨災(zāi)害性天氣時,對即將發(fā)生的閃電事件給予精準(zhǔn)的預(yù)報預(yù)警,可以使各行業(yè)因閃電災(zāi)害而產(chǎn)生的人員傷亡及運營損失得到有效的預(yù)防或減少。傳統(tǒng)上,研究者利用獲取的氣象資料信息,開展了一系列閃電預(yù)報預(yù)警工作。近年來,數(shù)據(jù)已成為各行業(yè)中重要的生產(chǎn)因素,機器學(xué)習(xí)作為與“大數(shù)據(jù)”應(yīng)用結(jié)合的最佳方法技術(shù),在各種建模預(yù)測的工作中,相比傳統(tǒng)方法,取得了的突破性進展與性能表現(xiàn)。在此情形下,本文基于氣象部門與行業(yè)發(fā)展大數(shù)據(jù)應(yīng)用的先天優(yōu)勢和迫切需求,將機器學(xué)習(xí)方法引入現(xiàn)有的閃電預(yù)報預(yù)警技術(shù)中。首先,利用在ERA5中選取的與閃電發(fā)生具有較好相關(guān)性的氣象特征數(shù)據(jù)與網(wǎng)格化統(tǒng)計的閃電頻次數(shù)據(jù),基于集成算法XGBoost構(gòu)建了高性能的閃電預(yù)報模型,在對閃電發(fā)生與否的基礎(chǔ)預(yù)報中,得到的預(yù)報命中率POD為90.41%,虛警率FAR為7.46%,臨界成功指數(shù)CSI為84.27%,技巧評分TSS為0.83,其性能表現(xiàn)相較于傳統(tǒng)研究中所提出的模型方法得到了明顯的提升,并在此基礎(chǔ)上進一步實現(xiàn)了關(guān)于閃電頻次區(qū)間的多分類預(yù)報。隨后,利用同樣的ERA5數(shù)據(jù)與網(wǎng)格化統(tǒng)計的平均閃電幅值數(shù)據(jù),基于Stacking模型融合的方法構(gòu)建了關(guān)于閃電幅值的預(yù)...

【文章頁數(shù)】：73 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 研究背景及意義
    1.2 當(dāng)前研究現(xiàn)狀
        1.2.1 關(guān)于閃電預(yù)報技術(shù)的研究現(xiàn)狀
        1.2.2 關(guān)于閃電預(yù)警技術(shù)的研究現(xiàn)狀
    1.3 本文主要工作
第二章 機器學(xué)習(xí)基礎(chǔ)簡述
    2.1 基本框架
    2.2 模型訓(xùn)練
    2.3 主要流程
第三章 機器學(xué)習(xí)下的閃電預(yù)報模型構(gòu)建研究
    3.1 集成學(xué)習(xí)
        3.1.1 梯度提升框架
        3.1.2 加法模型的生成
    3.2 閃電預(yù)報模型構(gòu)建
        3.2.1 XGBoost原理
        3.2.2 XGBoost實現(xiàn)閃電預(yù)報
    3.3 數(shù)據(jù)
        3.3.1 資料選取
        3.3.2 數(shù)據(jù)集的處理
        3.3.3 數(shù)據(jù)集的劃分
    3.4 檢驗
        3.4.1 檢驗指標(biāo)
        3.4.2 檢驗結(jié)果
    3.5 與其他預(yù)報模型的比較
        3.5.1 基于Logistic回歸的預(yù)報原理簡述
        3.5.2 基于SVM的預(yù)報原理簡述
        3.5.3 預(yù)報結(jié)果對比
    3.6 本章小結(jié)
第四章 多模型融合方法在閃電幅值預(yù)測中的應(yīng)用
    4.1 模型融合
    4.2 數(shù)據(jù)
        4.2.1 數(shù)據(jù)集的選取
        4.2.2 數(shù)據(jù)集的處理
    4.3 閃電幅值預(yù)測的模型
        4.3.1 基于線性回歸的幅值預(yù)測結(jié)果
        4.3.2 基于支持向量回歸的幅值預(yù)測結(jié)果
        4.3.3 基于隨機森林的幅值預(yù)測結(jié)果
        4.3.4 基于Boosting類模型的幅值預(yù)測結(jié)果
    4.4 閃電幅值預(yù)測的融合模型
        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預(yù)測結(jié)果
    4.5 預(yù)測性能的比較與可視化
    4.6 本章小結(jié)
第五章 基于深度學(xué)習(xí)模型的強對流預(yù)警研究
    5.1 神經(jīng)網(wǎng)絡(luò)簡述
    5.2 時空特性下的強對流預(yù)警模型
    5.3 數(shù)據(jù)
    5.4 檢驗
    5.5 個例分析
    5.6 本章小結(jié)
第六章 全文總結(jié)
    6.1 主要研究結(jié)論
        6.1.1 關(guān)于閃電預(yù)報模型的研究結(jié)論
        6.1.2 關(guān)于閃電幅值預(yù)測模型的研究結(jié)論
        6.1.3 關(guān)于強對流預(yù)警模型的研究結(jié)論
    6.2 本文創(chuàng)新點
    6.3 不足與討論
參考文獻
作者簡介
致謝



本文編號：4034500