雷雨大风分级预警方法、系统、存储介质、计算机程序技术方案

本发明专利技术属于天气预报技术领域，公开了一种雷雨大风分级预警方法、系统、存储介质、计算机程序，利用二步式速度退模糊方法对雷达资料径向速度进行质量控制；获取径向速度大风区数据，并逐方位扫描大风数据；挑选出大于设定面积阈值的大风区域；获取雷达站周围80km范围内0.5°仰角径向速度超过17m/s以上大风区域格点数据；采用自助法重采样技术生成新的训练样本集合；将每个大风区域内的7‑14级风所占区域面积百分比作为特征；进行随机森林的构建；通过5折交叉验证来进行模型评估。本发明专利技术能够提供大风预警落区和分级预警信息，为预报人员发布预警提供信息，对灾害大风敏感行业提供参考。

【技术实现步骤摘要】
雷雨大风分级预警方法、系统、存储介质、计算机程序
本专利技术属于天气预报
，尤其涉及一种雷雨大风分级预警方法、系统、存储介质、计算机程序。
技术介绍
目前，近地面大风可以影响人类活动，对电线，树木和建筑造成损坏，危险人类生命安全和企业生产。在对流性强风的业务预报预警方面，国内外目前主要从两方面入手开展相关工作。一是基于天气学、动力气象学和热力学理论发展短期潛势预报，以期为对流性强风短临预警提供前瞻性指导。由于降水蒸发导致负浮力是造成直线型雷暴大风的机理，这类预报主要利用观测和数值模拟数据计算相关参量，建立多因子的预报方程，但目前基于该方法的预报能力与防灾减灾需求还存在相当距离。其局限性主要表现在多个方面：一是对产生对流性强风的对流风暴空间结构的剖析、风暴内部降水粒子的相态变化物理过程，以及风暴内下沉气流的成因理解还不够充分；二是用以刻画描述产生对流性强风的环境条件的特征对流参数提炼不精确，以致与其它天气现象(如普通雷暴、冰雹、降水等)的对流参数之间的辨识度不足，在实际预报业务中对流性强风的预报也就因缺乏独立技术支撑而处于从属、顺带的尴尬状况；三是用以提炼特征对流参数的分析资料和用以预报对流参数的中尺度数值模式还不够精确。二是基于以多普勒天气雷达为主的多种探测技术的对流性强风识别和短临预警，实现对流性强风的精细化预警。这类技术主要依赖于大风发生之前雷达回波结构特征的变化，通过模糊逻辑或者支持向量机等方法实现基于观测的短临预警。这类方法受到雷达观测影响严重，如雷达最低探测高度随距离升高，此外对于对流系统造成的大风识别能力有限，结果仅能给出是否存在大风的结果，不能给出预警灾害大风具体范围和等级。基于以上原因，本专利技术提出基于雷达资料径向风的大风区域预警和分级预警方法。综上所述，现有技术存在的问题是：(1)现有基于天气学、动力气象学和热力学理论发展短期潛势预报的方法，其局限性主要表现在多个方面：1)对产生对流性强风的对流风暴空间结构的剖析、风暴内部降水粒子的相态变化物理过程，以及风暴内下沉气流的成因理解还不够充分；2)用以刻画描述产生对流性强风的环境条件的特征对流参数提炼不精确，以致与其它天气现象(如普通雷暴、冰雹、降水等)的对流参数之间的辨识度不足，在实际预报业务中对流性强风的预报也就因缺乏独立技术支撑而处于从属、顺带的尴尬状况；3)用以提炼特征对流参数的分析资料和用以预报对流参数的中尺度数值模式还不够精确。(2)现有基于以多普勒天气雷达为主的多种探测技术的对流性强风识别和短临预警的方法，受到雷达观测影响严重，如雷达最低探测高度随距离升高，此外对于对流系统造成的大风识别能力有限，结果仅能给出是否存在大风的结果，不能给出预警灾害大风具体范围和等级。解决上述技术问题的难度：构建基于随机森林的大风分级预警模型。解决上述技术问题的意义：本专利技术能够提供大风预警落区和分级预警信息，为预报人员发布预警提供信息，对灾害大风敏感行业提供参考，利用了以前已有现成的技术进行前期处理，比如径向速度退模糊方法，SCIT方法。
技术实现思路
针对现有技术存在的问题，本专利技术提供了一种雷雨大风分级预警方法、系统、存储介质、计算机程序，旨在解决现有技术中预警对流系统不能预报大风落区和不能实现大风分级预警的问题。本专利技术是这样实现的，一种雷雨大风分级预警方法，所述雷雨大风分级预警方法包括以下步骤：步骤一，获取雷达站径向速度超过17m/s大风区域格点数据；步骤二，采用自助法重采样技术，从原始训练样本集N中有放回地重复随机抽取k个样本生成新的训练样本集合；步骤三，将每个大风区域内的7-14级风所占区域面积百分比作为特征；步骤四，采用地面自动站大风作为实况数据，并根据大风等级标准划分等级作为标签，进行随机森林的构建；步骤五，通过5折交叉验证模型。进一步，所述步骤一，获取雷达站径向速度超过17m/s大风区域格点数据；所述步骤三，将每个大风区域内的7-14级风所占区域面积百分比作为特征。进一步，所述步骤一之前需要：第一步，利用二步式速度退模糊方法对雷达资料径向速度进行质量控制；第二步，获取径向速度大风区数据，采用SCIT算法逐方位扫描大风数据；第三步，组合相邻区域大风数据段为大风区域，挑选出大于设定面积阈值的大风区域，正负速度区分离处理，互不干扰；进一步，所述第四步中，所述随机森林在构建时，利用GINI指数作为划分分支标准的顺序：式中，k＝8代表8个类别，Pi为第i类的概率。进一步，所述第五步中5折交叉验证方法如下：将数据集分为5折，分别为A、B、C、D、E；第一次使用A+B+C+D训练，E验证，分数S1；第二次使用A+B+D+E训练，C验证，分数S2；第三次使用A+C+D+E训练，B验证，分数S3；第四次使用B+C+D+E训练，A验证，分数S4；第五次使用A+B+C+E训练，D验证，分数S5；最终分数为S1、S2、S3、S4、S5的平均；最终选取的随机森林参数为：森林中共有决策树100棵，每棵树最大深度为8，叶子节点含有的最少样本为1，节点分的最小样本数为2；最终实现雷雨大风分级预警产品，分为7级、8-9级和10级等级。进一步，所述大风落区预报采用交叉相关方法获取当前大风区移动矢量，然后根据移动矢量实现30分钟和60分钟预报：本专利技术另一目的在于提供一种存储在计算机可读介质上的计算机程序产品，包括计算机可读程序，供于电子装置上执行时，提供用户输入接口以实施所述的雷雨大风分级预警方法。本专利技术另一目的在于提供一种接收用户输入程序存储介质，所存储的计算机程序使电子设备执行权利要求任意一项所述包括下列步骤：步骤一，获取雷达站径向速度超过17m/s大风区域格点数据；步骤二，采用自助法重采样技术，从原始训练样本集N中有放回地重复随机抽取k个样本生成新的训练样本集合；步骤三，将每个大风区域内的7-14级风所占区域面积百分比作为特征；步骤四，采用地面自动站大风作为实况数据，并根据大风等级标准划分等级作为标签，进行随机森林的构建；步骤五，通过5折交叉验证模型。本专利技术另一目的在于提供一种应用所述的雷雨大风分级预警方法的雷雨大风分级预警系统，所述雷雨大风分级预警系统包括：数据质控模块，用于实现历史多普勒径向风数据质控；区域识别模块，用于进行多普勒径向大风区域识别；区域特征统计模块，用于统计大风区域特征；区域特征获取模块，用于获取典型大风区域特征；自助法重采样模块，用于通过自助法重采样技术，从原始训练样本集N中有放回地重复随机抽取k个样本生成新的训练样本集合；决策树构建模块，用于结合自动站实测大风构建决策树；随机森林构建模块，采用地面自动站大风作为实况数据，并根据中国气象局发布大风等级标准划分等级作为标签，进行随机森林的构建；数据传输模块，利用本文档来自技高网...

【技术保护点】
1.一种雷雨大风分级预警方法，其特征在于，所述雷雨大风分级预警方法包括以下步骤：/n步骤一，获取雷达站径向速度区域格点数据；/n步骤二，采用自助法重采样技术，从原始训练样本集N中有放回地重复随机抽取k个样本生成新的训练样本集合；/n步骤三，将每个大风区域内的风所占区域面积百分比作为特征；/n步骤四，采用地面自动站大风作为实况数据，并根据大风等级标准划分等级作为标签，进行随机森林的构建；/n步骤五，通过5折交叉验证模型。/n

【技术特征摘要】
1.一种雷雨大风分级预警方法，其特征在于，所述雷雨大风分级预警方法包括以下步骤：
步骤一，获取雷达站径向速度区域格点数据；
步骤二，采用自助法重采样技术，从原始训练样本集N中有放回地重复随机抽取k个样本生成新的训练样本集合；
步骤三，将每个大风区域内的风所占区域面积百分比作为特征；
步骤四，采用地面自动站大风作为实况数据，并根据大风等级标准划分等级作为标签，进行随机森林的构建；
步骤五，通过5折交叉验证模型。


2.如权利要求1所述的雷雨大风分级预警方法，其特征在于，所述步骤一，获取雷达站径向速度超过17m/s大风区域格点数据；
所述步骤三，将每个大风区域内的7-14级风所占区域面积百分比作为特征。


3.如权利要求1所述的雷雨大风分级预警方法，其特征在于，所述步骤一之前需要：
第一步，利用二步式速度退模糊方法对雷达资料径向速度进行质量控制；
第二步，获取径向速度大风区数据，采用SCIT算法逐方位扫描大风数据；
第三步，组合相邻区域大风数据段为大风区域，挑选出大于设定面积阈值的大风区域，正负速度区分离处理，互不干扰。


4.如权利要求1所述的雷雨大风分级预警方法，其特征在于，所述第四步中，所述随机森林在构建时，利用GINI指数作为划分分支标准的顺序：



式中，k＝8代表8个类别，Pi为第i类的概率。


5.如权利要求1所述的雷雨大风分级预警方法，其特征在于，所述第五步中5折交叉验证方法如下：将数据集分为5折，分别为A、B、C、D、E；
第一次使用A+B+C+D训练，E验证，分数S1；
第二次使用A+B+D+E训练，C验证，分数S2；
第三次使用A+C+D+E训练，B验证，分数S3；
第四次使用B+C+D+E训练，A验证，分数S4；
第五次使用A+B+C+E训练，D验证，分数S5；
最终分数为S1、S2、S3、S4、S5的平均；
最终选取的随机森林参数为：森林中共有决策树100棵，每棵树最大深度为8，叶子节点含有的最少样本为1，节点分...

【专利技术属性】
技术研发人员：杨吉，郑媛媛，孙康远，徐芬，王啸华，慕瑞琪，杜良永，慕熙煜，曾明剑，王易，夏文梅，
申请(专利权)人：江苏省气象科学研究所，
类型：发明
国别省市：江苏;32