CN110796299A - 一种雷电预测方法 - Google Patents

Abstract

本发明公开了一种雷电预测方法，包括如下步骤：获取待预测区域的基础气象参数；基于待预测区域的高阶气象参数，计算与雷电相关的高阶气象参数；获取待预测区域的雷电定位观测数据，并将雷电定位观测数据进行网格化处理；基于随机森林算法，计算各高阶气象参数与雷电的相关程度，并选取出与雷电相关程度最高的高阶气象参数；基于预报时效和预报时次，利用XGBoost算法建立预报模型；基于待预测区域的高阶气象参数，利用预报模型对雷电的空间分布和发生概率进行预测。

Description

一种雷电预测方法

技术领域

本发明涉及防灾减灾技术领域，尤其涉及一种雷电预测方法。

背景技术

雷电发生时常伴有闪电和雷鸣，也被称为闪电，是一种极为壮观而又具有极强破坏性的自然现象。雷电的产生位置多是在对流过程激烈的积雨云中，或者是在带电雷云和地面突出物之间。雷电过程的发生和发展是大气运动和地球磁场等诸多自然条件和物理条件综合作用的结果。作为一种强放电现象，雷电发生过程中的电流值可达上万安培。而且，雷电的瞬时电压也很高，能达到几百万伏特，所以说一个中低等强度雷暴的功率就可达到一千万瓦左右，这一数量与一座小型核电站的输出功率相当。因此，雷电释放的能量巨大，其瞬时破坏性极强，因而也引起了广泛的关注，在“联合国国际减灾十年”被列为“十种最为严重的自然灾害之一”。所以，为了有效地降低雷电灾害对经济社会发展的影响，避免重大人员伤亡和经济损失事故的发生，进行雷电预警是十分重要的。

雷电预警是国家灾害性天气预报不可或缺的一部分，提高其准确性和预报服务的水平，这与全社会的发展以及各行业和人民生活的安全息息相关。常见的雷电预报预警方法主要为雷达数据外推、数值模式直接预报、基于气象要素的经验预报、基于大气电场仪的短临预报等方法，其中：数值模式直接预报的准确度高，但所需算力非常大，成本很高；雷达数据外推法和基于气象要素的经验预报方法所需计算量相对数值模式远远偏小，但准确率较低；基于大气电场仪的短临预报等方法预报结果较为准确，但预报时效很小。

现有的雷电预警方法存在准确率不高、所需计算资源太大、预报时效太小等缺陷。如何降低计算力的试用、节约成本、提高预报时效，并达到较优的准确度，是当前需要解决的问题。

发明内容

本发明的目的是提供一种雷电预测方法，其计算量小、成本低且预报准确性高。

为实现本发明的目的，本发明所采用的技术方案内容具体如下：

一种雷电预测方法，包括如下步骤：

S1：获取待预测区域的基础气象参数；

S2：基于待预测区域的高阶气象参数，计算与雷电相关的高阶气象参数；

S3：获取待预测区域的雷电定位观测数据，并将雷电定位观测数据进行网格化处理；

S4：基于随机森林算法，计算各高阶气象参数与雷电的相关程度，并选取出与雷电相关程度高的高阶气象参数；

S5：基于预报时效、预报时次以及与雷电相关程度高的高阶气象参数，利用XGBoost算法建立预报模型；

S6：基于待预测区域的高阶气象参数，利用预报模型对雷电的空间分布和发生概率进行预测。

作为上述方案的优选，所述基础气象参数包括待预测区域不同高度层的温度、湿度、露点、涡度、气压、对流降水量、非对流降水量、对流有效位能以及雷达反射率。

作为上述方案的优选，所述高阶气象参数包括A指数、K指数、沙氏指数以及强天气威胁指数。

作为上述方案的优选，在步骤S3中，将雷电定位观测数据进行网格化处理是指利用格点化方法，将雷电定位观测数据转换为与基础气象参数具有相同经度、纬度以及分辨率的网格化数据。

作为上述方案的优选，在步骤S4中，基于随机森林算法，计算各高阶气象参数与雷电的相关程度的具体方法为：以各高阶气象参数为特征向量、以经过网格化处理的雷电定位观测数据为目标向量建立随机森林模型，然后将袋外函数为评价指标，计算各特征向量的重要性，并根据各个特征向量的重要性的大小确定各高阶气象参数与雷电的相关程度。

作为上述方案的优选，在步骤S5中，基于预报时效、预报时次以及与雷电相关程度高的高阶气象参数，利用XGBoost算法建立预报模型为：针对每个高阶气象参数，以高阶气象参数的历史数据为特征向量，以经过网格化处理的雷电定位历史观测数据为目标向量，以线性回归函数为objective参数，使用hyperopt算法对XGBoost算法中的超参数进行贝叶斯调参，构建高阶气象参数与雷电数据在不同预报时次时的预报模型，即得到多时次预报模型。

作为上述方案的优选，基于待预测区域的高阶气象参数，利用预报模型对雷电的空间分布和发生概率进行预测包括：

(1)将各预报时次的高阶气象参数输入多时次预报模型，得到各预报时次的雷电预报数据；

(2)将同一预报时次的雷电预报数据序列重新组合，生成网格化的雷电预报数据基于待预测区域的高阶气象参数。

与现有技术相比，本发明的有益效果在于：

本发明公开的雷电预测方法，其相对于数值预报而言，计算量明显减小，大大降低了计算成本；而且，其利用随机森林算法和XGBoost算法等方法建立了预报模型。该方法相对于动辄数个Tflop/s的基于复杂流体力学方程求解的数值预报模型而言，具有计算量小、成本低的优势；而且，相较于传统的基于线性模型的气象统计模型，引入了更多非线性，复杂程度更高，因此准确性较高且其预报时效与输入的全球模式预报时效相等，最高可达十余天_。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其他目的、特征和优点能够更明显易懂，以下特举较佳实施例，详细说明如下。

具体实施方式

为更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合较佳实施例，对依据本发明的具体实施方式、结构、特征及其功效，详细说明如下：

本发明公开了一种雷电预测方法，包括如下步骤：

S1：获取待预测区域的基础气象参数。

S2：基于待预测区域的高阶气象参数，计算与雷电相关的高阶气象参数；

S3：获取待预测区域的雷电定位观测数据，并将雷电定位观测数据进行网格化处理；

S4：基于随机森林算法，计算各高阶气象参数与雷电的相关程度，并选取出与雷电相关程度高的高阶气象参数，这是由于利用随机森林算法判断高阶气象参数的重要程度时，不需要考虑各高阶气象参数之间是否是线性可分的，也不需要对特征作归一化处理或标准化处理；

S5：基于预报时效、预报时次以及与雷电相关程度高的高阶气象参数，利用XGBoost算法建立预报模型。

XGBoost算法是boosting算法的其中一种，而Boosting算法的思想是将许多弱分类器集成在一起形成一个强分类器，而且，由于XGBoost是一种提升树模型，所以它是将许多树模型集成在一起，形成一个很强的分类器，在本发明中，雷电预报的目标函数为线性回归函数，针对每个预报时次和每个时间段，分别使用贝叶斯优化方法，对最大深度、树的数量、学习率、采样数、终点节点最小样本占比的和等系数进行优化，然后每一段时间，将获得的新的观测数据放入训练样本中，重新训练一次，获得新的预报模型，因此，在本发明中，预报模型的预报效果可得到持续提高。

S6：基于待预测区域的高阶气象参数，利用预报模型对雷电的空间分布和发生概率进行预测。

作为进一步优选的方案，所述基础气象参数包括待预测区域不同高度层的温度、湿度、露点、涡度、气压、对流降水量、非对流降水量、对流有效位能以及雷达反射率，具体地，从EC全球预报模式中获得72小时、逐3小时预报的各气压层的温度、湿度、露点、涡度等变量，获得地面的对流降水、非对流降水、对流有效位能等变量；从区域预报模式中获取雷达反射率等。

所述高阶气象参数包括A指数、K指数、沙氏指数以及强天气威胁指数，其中：

(1)A指数的计算公式为：

A＝T850-T500-(T850-Td850)-(T700-Td700)-(T500-Td500)；

(2)K指数计算公式为：

K指数定义为：K＝T850-T500+Td850-(T700-Td700)；

(3)沙氏指数定义为：

SI＝T500-T’，其中：T’为850hPa等压面上的湿空气块沿干绝热线抬升，到达凝结高度后再沿湿绝热线上升至500hPa时具有的气块温度。

(4)强天气威胁指数定义为：

SWEAT＝12*Td850+20*(TT-49)+4*WF850+2*WF500+125*(sin(WD500-WD 850)+0.2)，其中：TT为全总指数值，若算式子项小于0，不算该子项，即值为0，WF以“m/s”为单位，最右的子项必须满足WD850在130°～250°，WD500 在210°～310°，WD500大于WD850，WF850、WF500均大于7.5m/s时才计算，否则为0。

需要说明的是，在上述定义中，T代表温度，Td代表位温，WF代表风速， WD代表风向，后缀的数值代表变量所处气压层。

在步骤S3中，将雷电定位观测数据进行网格化处理是指利用格点化方法，将雷电定位观测数据转换为与基础气象参数具有相同经度、纬度以及分辨率的网格化数据，这是由于雷电定位观测数据为站点数据，利用格点化方法可以将雷电定位观测数据转换为与基础气象参数具有相同经度、相同纬度以及相同分辨率的网格化数据。

为了更好地说明格点化的方法，以待预测区域的某个格点为例附近，以该格点圆心、R为半径的范围内，发生闪电的次数为N，当满足R<20km、且N/ R²≥1/(5*5)时，则认为格点值为1，否则为0，最后获得一个二维的矩阵，即为网格化的雷电数据。

作为上述方案的优选，在步骤S4中，基于随机森林算法，计算各高阶气象参数与雷电的相关程度的具体方法为：以各高阶气象参数为特征向量、以经过网格化处理的雷电定位观测数据为目标向量建立随机森林模型，然后将袋外函数为评价指标，计算各特征向量的重要性，并根据各个特征向量的重要性的大小确定各高阶气象参数与雷电的相关程度。

另外，选取出与雷电相关程度高的高阶气象参数是从A指数、K指数、沙氏指数以及强天气威胁指数中选取出一个或多个参数，以将其作为雷电预报的重要参考变量。

作为上述方案的优选，在步骤S5中，基于预报时效、预报时次以及与雷电相关程度高的高阶气象参数，利用XGBoost算法建立预报模型为：针对每个高阶气象参数，以高阶气象参数的历史数据为特征向量，以经过网格化处理的雷电定位历史观测数据为目标向量，以线性回归函数为objective参数，使用 hyperopt算法对XGBoost算法中的超参数进行贝叶斯调参，构建高阶气象参数与雷电数据在不同预报时次时的预报模型，即得到多时次预报模型，具体为：针对每个高阶气象参数，以经过网格化处理的雷电定位观测数据的历史数据为目标向量，以线性回归函数为objective参数，使用hyperopt算法对迭代次数、树的个数、树的深度等XGBoost算法中的超参数进行贝叶斯调参；(2)在每个预报时次，建立高阶气象参数与雷电数据的预报模型，即可得到多时次预报模型。

需要说明的时，在本发明中，使用XGBoost算法建立预报模型是因为 XGBoost算法具有如下优势：(1)XGBoost算法支持线性分类器，相当于引入 L1和L2正则化项的逻辑回归(分类问题)和线性回归(回归问题)；(2)XGBoost 算法对代价函数做了二阶泰勒展开，引入了一阶导数和二阶导数，这样做使得我们可以很清楚地理解整个目标是什么，并且一步一步推导出如何进行树的学习；(3)当样本存在缺失值是，XGBoost能自动学习分裂方向；(4)XGBoost 借鉴RF的做法，支持列抽样，这样不仅能防止过拟合，还能降低计算量；(5)XGBoost算法的代价函数引入正则化项，控制了模型的复杂度，正则化项包含全部叶子节点的个数，每个叶子节点输出的score的L2模的平方和。从贝叶斯方差角度考虑，正则项降低了模型的方差，防止模型过拟合；(6)XGBoost在每次迭代之后，为叶子结点分配学习速率，降低每棵树的权重，减少每棵树的影响，为后面提供更好的学习空间；(7)XGBoost工具支持并行,但并不是tree 粒度上的，而是特征粒度，决策树最耗时的步骤是对特征的值排序，XGBoost 在迭代之前，先进行预排序，存为block结构，每次迭代，重复使用该结构，降低了模型的计算；block结构也为模型提供了并行可能，在进行结点的分裂时，计算每个特征的增益，选增益最大的特征进行下一步分裂，那么各个特征的增益可以开多线程进行；(8)可并行的近似直方图算法，树结点在进行分裂时，需要计算每个节点的增益，若数据量较大，对所有节点的特征进行排序，遍历的得到最优分割点，这种贪心法异常耗时，这时引进近似直方图算法，用于生成高效的分割点，即用分裂后的某种值减去分裂前的某种值，获得增益，为了限制树的增长，引入阈值，当增益大于阈值时，进行分裂。总体上来说，XGBoost 是对结构化数据进行机器学习建模，最常用，也是效果最好的模型之一。

作为进一步的方案，基于待预测区域的基础气象参数基于待预测区域的高阶气象参数，利用预报模型对雷电的空间分布和发生概率进行预测包括：

(1)将各预报时次的高阶气象参数输入多时次预报模型，得到各预报时次的雷电预报数据；

(2)将同一预报时次的雷电预报数据序列重新组合，生成网格化的雷电预报数据。。

上述实施方式仅为本发明的优选实施方式，不能以此来限定本发明保护的范围，本领域的技术人员在本发明的基础上所做的任何非实质性的变化及替换均属于本发明所要求保护的范围。

Claims (7)

1.一种雷电预测方法，其特征在于，包括如下步骤：

S1：获取待预测区域的基础气象参数；

S2：基于待预测区域的高阶气象参数，计算与雷电相关的高阶气象参数；

S3：获取待预测区域的雷电定位观测数据，并将雷电定位观测数据进行网格化处理；

S4：基于随机森林算法，计算各高阶气象参数与雷电的相关程度，并选取出与雷电相关程度高的高阶气象参数；

S5：基于预报时效、预报时次以及与雷电相关程度高的高阶气象参数，利用XGBoost算法建立预报模型；

S6：基于待预测区域的高阶气象参数，利用预报模型对雷电的空间分布和发生概率进行预测。

2.根据权利要求1所述的雷电预测方法，其特征在于，所述基础气象参数包括待预测区域不同高度层的温度、湿度、露点、涡度、气压、对流降水量、非对流降水量、对流有效位能以及雷达反射率。

3.根据权利要求1所述的雷电预测方法，其特征在于，所述高阶气象参数包括A指数、K指数、沙氏指数以及强天气威胁指数。

4.根据权利要求1所述的雷电预测方法，其特征在于，在步骤S3中，将雷电定位观测数据进行网格化处理是指利用格点化方法，将雷电定位观测数据转换为与基础气象参数具有相同经度、纬度以及分辨率的网格化数据。

5.根据权利要求1所述的雷电预测方法，其特征在于，在步骤S4中，基于随机森林算法，计算各高阶气象参数与雷电的相关程度的具体方法为：以各高阶气象参数为特征向量、以经过网格化处理的雷电定位观测数据为目标向量建立随机森林模型，然后将袋外函数为评价指标，计算各特征向量的重要性，并根据各个特征向量的重要性的大小确定各高阶气象参数与雷电的相关程度。

6.根据权利要求1所述的雷电预测方法，其特征在于，在步骤S5中，基于预报时效、预报时次以及与雷电相关程度高的高阶气象参数，利用XGBoost算法建立预报模型为：针对每个高阶气象参数，以高阶气象参数的历史数据为特征向量，以经过网格化处理的雷电定位历史观测数据为目标向量，以线性回归函数为objective参数，使用hyperopt算法对XGBoost算法中的超参数进行贝叶斯调参，构建高阶气象参数与雷电数据在不同预报时次时的预报模型，即得到多时次预报模型。

7.根据权利要求6所述的雷电预测方法，其特征在于，基于待预测区域的高阶气象参数，利用预报模型对雷电的空间分布和发生概率进行预测包括：

(1)将各预报时次的高阶气象参数输入多时次预报模型，得到各预报时次的雷电预报数据；

(2)将同一预报时次的雷电预报数据序列重新组合，生成网格化的雷电预报数据。