Page 122 - 《高原气象》2025年第6期
P. 122
高 原 气 象 44 卷
1530
据， 利用热力条件、 水汽条件、 动力条件和特性高 （4） 通过对 ERA5 特征因子的核密度估计曲线
度层这些特征因子， 通过决策树算法建立特征因子 分析发现， p54. 162 和 p60. 162 在冰雹样本和非冰
与冰雹标签之间的非线性映射关系。决策树算法 雹样本中呈现较大的区分性， 冰雹样本数据中的
通过递归的特征空间二分划分， 形成树状结构模 p54. 162 和 p60. 162 特征因子呈现出多个与非冰雹
型， 根据设定的阈值得到最终的冰雹标签预测值， 数据不同的峰值。并且， 冰雹样本数据的 d2m 特征
得到以下主要结论： 因子的峰值主要集中在 260~290 之间， 而非冰雹样
（1） 本研究构建的决策树模型可将数值天气 本数据的 d2m 特征因子的峰值主要集中在 230~300
预报场作为输入特征， 充分考虑青海省高原复杂地 之间。这三个特征因子可以作为主观冰雹预测的
形的影响， 实现对研究区域的冰雹天气潜势预报。 优选指标。然后其他大部分特征因子的核密度估
模型输出的概率预报值可为业务预警提供客观的 计曲线并未呈现出明显的分离性， 可以看出单一特
定量参考依据， 有助于提升冰雹天气的预警能力。 征因子很难对冰雹天气的产生决定性影响。
（2） 通过对随机森林、 XGBoost 和 LightGBM （5） 实例分析表明， LightGBM 算法预测的高
三种决策树模型进行系统评估， 采用命中率、 虚警 冰雹概率区域与实际地面观测到的冰雹区域吻合
率、 临界成功指数、 准确率和召回率等多维指标进 度较高。根据对 2017年 7月 9日青海省泽库站和茶
行性能对比。结果表明， 随机森林模型在预报效果 卡站部分因子的分析， 茶卡站发生较大冰雹（8
和计算效率方面均表现欠佳。XGBoost 和 LightG‐ mm）的原因可能与更强烈的对流活动、 更大的
BM 两 种 算 法 都 展 现 出 良 好 的 预 报 能 力 ， 其 中 p54. 162 波动以及更高的空气湿度（较高的 d2m 值）
LightGBM 算法在预报性能和计算效率上具有明显 相关。此外， 茶卡站在 11:00 的较大 u500 的值和较
优势。特别值得注意的是， 在针对冰雹直径≥2 mm 低的 t100值， 进一步表明该地区存在更强的对流活
和≥5 mm 两组独立测试集的验证中， LightGBM 模 动， 促使水滴冻结并形成较大的冰雹。
型对较大尺度冰雹（直径≥5 mm）的预报效果优于小 综上所述， 冰雹属于强对流天气现象， 具有极
尺度冰雹（直径≥2 mm）， 表现出对强度较大冰雹天
大的破坏性和危险性。本研究旨在发现气象特征
气的优异识别能力。本研究进一步探讨了 LightG‐
因子与冰雹之间的非线性关系， 以期较好地预测冰
BM 模型在预测更大尺度冰雹（直径≥10 mm 和直径
雹天气， 从而减小其带来的危害。但受限于冰雹样
≥20 mm）时的性能表现。实验结果表明， 随着冰雹
本数量， 决策树算法在训练时难以充分建立特征因
直径的增加， 模型的平均命中率、 临界成功指数等
子与冰雹标签之间的映射关系， 导致存在一定误报
关键指标仍然保持在较高水平， 表明该方法在不同
情况。为进一步提升模型性能， 可利用冰雹高发区
尺度冰雹预测任务中的适用性。然而， 相较于直径
域的冰雹样本增强模型训练， 同时提高地面气象站
≥2 mm 和≥5 mm 的实验结果， 较大冰雹样本的误报
的观测技术， 提高青海省冰雹灾情报告的质量， 为
率仍然存在一定的提升空间， 表明模型在极端冰雹
青海省区域获取更多冰雹样本， 从而降低误报率，
事件上的判别能力可能受到数据样本量、 特征表达
提高预测精确度。
能力及非均衡分布的影响。
（3） 通过对基于 LightGBM 模型的特征重要性 参考文献（References）：
分析表明， 在两组实验中， 温度垂直积分、 热能垂
Ahmad H， 2019. Machine learning applications in oceanography［J］.
直积分、 2 m 露点温度等热力条件因子始终占据主
Aquatic Research， 2（3）： 161-169.
导地位， 其中在直径≥2 mm 的实验中， 热力条件的
Chen T， Guestrin C， 2016. Xgboost： A scalable tree boosting system
贡献度超过 50%。值得注意的是， 在直径≥5 mm 的 ［C］//Proceedings of the 22nd acm sigkdd international confer‐
实验中， 500 hPa 东西向风速、 200 hPa 风的南北方 ence on knowledge discovery and data mining， 785-794.
向分量等动力条件因子的重要性显著提升， 同时特 Chen X， Wang H， Zhen F， et al， 2022. Hail disaster recognition
性高度层的贡献度也相应增加， 表明较大尺度冰雹 method based on artificial intelligence with Doppler radar data
［J］. Journal of Applied Remote Sensing， 16（1）： 014519-
的形成机制更依赖于强动力系统的配置。这一结
014519.
果不仅揭示了不同尺度冰雹形成的关键影响因子，
Ke G， Meng Q， Finley T， et al， 2017. Lightgbm： a highly efficient
也为提高冰雹预报的针对性提供了重要的科学 gradient boosting decision tree［J］. Advances in Neural Informa‐
依据。 tion Processing Systems， 30.
