Page 123 - 《高原气象》2025年第6期

6 期 刘 杰等：基于决策树算法的青海省高原地区冰雹预报及关键特征因子分析 1531
Kim M H， Lee J， Lee S J， 2023. Hail： Mechanisms， monitoring， Glaciology， 52（58）： 81-88.
forecasting， damages， financial compensation systems， and pre‐ Zheng Y G， Tao Z Y， Yu X D， 2017. Some essential issues of severe
vention［J］. Atmosphere， 14（11）： 1642. convective weather forecasting［J］. Meteorological Monthly， 43
Martius O， Hering A， Kunz M， et al， 2018. Challenges and recent ad‐ （6）： 641-652. DOI： 10. 7519/j. issn. 1000-0526. 2017. 06. 001.
vances in hail research［J］. Bulletin of the American Meteorologi‐ 曹艳察， 田付友， 郑永光， 等， 2018. 中国两级阶梯地势区域冰雹天
cal Society， 99（3）： ES51-ES54. 气的环境物理量统计特征［J］. 高原气象， 37（1）： 185-196.
McGovern A， Elmore K L， Gagne D J， et al， 2017. Using artificial DOI： 10. 7522/j. issn. 1000-0534. 2017. 00044. Cao Y C， Tian
intelligence to improve real-time decision-making for high-impact F Y， Zheng Y G， et al， 2018. Statistical characteristics of envi‐
weather［J］. Bulletin of the American Meteorological Society， 98 ronmental physical quantities in hail weather over China's Two-
（10）： 2073-2090. Tiered Terrain Regions ［J］. Plateau Meteorology， 37（1）： 185-
McGovern A， Gagne D J， Williams J K， et al， 2014. Enhancing un‐ 196. DOI： 10. 7522/j. issn. 1000-0534. 2017. 00044.
derstanding and improving prediction of severe weather through 匡秋明， 杨雪冰， 张文生， 等， 2017. 多源数据融合高时空分辨率晴
spatiotemporal relational learning［J］. Machine Learning， 95： 雨分类［J］. 软件学报， 28（11）： 2925-2939. DOI： 10. 13328/j.
27-50. cnki. jos. 005336. Kuang Q M， Yang X B， Zhang W S， et al，
Meifang Q U， Xiaoding Y U， Mengsong N， et al， 2021. Develop‐ 2017. High spatiotemporal resolution rainfall classification
ment and maintenance of squall line in a weak vertical wind shear through multi-source data fusion［J］. Journal of Software， 28
environment［J］. Torrential Rain and Disasters， 40（5）： 466-473. （11）： 2925-2939. DOI： 10. 13328/j. cnki. jos. 005336.
Noor N M， Al Bakri A M M， Yahaya A S， et al， 2015. Comparison of 李典， 白爱娟， 薛羽君， 等， 2014. 青藏高原和四川盆地夏季对流性
linear interpolation method and mean method to replace the miss‐ 降水特征的对比分析［J］. 气象， 40（3）： 280-289. DOI： 10.
ing values in environmental data set［C］//Materials science forum. 7519/j. issn. 1000-0526. 2014. 03. 003. Li D， Bai A J， Xue Y J，
Trans Tech Publications Ltd， 803： 278-281. et al， 2014. Comparative analysis on characteristics of summer
Otchere D A， Ganat T O A， Gholami R， et al， 2021. Application of convective precipitation over Tibetan Plateau and Sichuan Basin
supervised machine learning paradigms in the prediction of petro‐ ［J］. Meteorological Monthly， 40（3）： 280-289. DOI： 10. 7519/
leum reservoir properties： comparative analysis of ANN and j. issn. 1000-0526. 2014. 03. 003.
SVM models［J］. Journal of Petroleum Science and Engineering， 李文娟， 赵放， 郦敏杰， 等， 2018. 基于数值预报和随机森林算法的
200： 108182. 强对流天气分类预报技术［J］. 气象， 44（12）： 1555-1564.
Prein A F， Holland G J， 2018. Global estimates of damaging hail haz‐ DOI： 10. 7519/j. issn. 1000-0526. 2018. 12. 005. Li W J， Zhao
ard［J］. Weather and Climate Extremes， 22： 10-23. F， Li M J， et al， 2018. Forecasting and classification of severe
Punge H J， Kunz M， 2016. Hail observations and hailstorm character‐ convective weather based on numerical forecast and random for‐
istics in Europe： a review［J］. Atmospheric Research， 176： est algorithm［J］. Meteorological Monthly， 44（12）： 1555-1564.
159-184. DOI： 10. 7519/j. issn. 1000-0526. 2018. 12. 005.
Qu M F， Yu X D， Nong M S， et al， 2021. Development and mainte‐ 刘莲， 王迎春， 陈明轩， 2015. 京津冀一次飑线过程的精细时空演
nance of squall line in a weak vertical wind shear environment 变特征分析［J］. 气象， 41（12）： 1433-1446. DOI： 10. 7519/j.
［J］. Torrential Rain and Disasters， 40（5）： 466-473. issn. 1000-0526. 2015. 12. 001. Liu L， Wang Y C， Chen M X，
Rana V S， Sharma S， Rana N， et al， 2022. Management of hailstorms 2015. Spatio-temporal evolution characteristics of a squall line in
under a changing climate in agriculture： a review［J］. Environ‐ Beijing-Tianjin-Hebei Region［J］. Meteorological Monthly， 41
mental Chemistry Letters， 20（6）： 3971-3991. （12）： 1433-1446. DOI： 10. 7519/j. issn. 1000-0526. 2015.
Reichstein M， Camps-Valls G， Stevens B， et al， 2019. Deep learning 12. 001.
and process understanding for data-driven Earth system science 刘新伟， 黄武斌， 蒋盈沙， 等， 2021. 基于 LightGBM 算法的强对流
［J］. Nature， 566（7743）： 195-204. 天气分类识别研究［J］. 高原气象， 40（4）： 909-918. DOI： 10.
Sarker I H， 2021. Machine learning： algorithms， real-world applica‐ 7522/j. issn. 1000-0534. 2020. 00075. Liu X W， Huang W B， Ji‐
tions and research directions［J］. SN Computer Science， 2 ang Y S， et al， 2021. Research on the classification and identifi‐
（3）： 160. cation of severe convective weather based on the LightGBM Algo‐
Sui X， He S， Vilsen S B， et al， 2021. A review of non-probabilistic rithm［J］. Plateau Meteorology， 40（4）： 909-918. DOI： 10. 7522/
machine learning-based state of health estimation techniques for j. issn. 1000-0534. 2020. 00075.
Lithium-ion battery［J］. Applied Energy， 300： 117346. 马晓玲， 李德帅， 胡淑娟， 2020. 青海地区雷暴， 冰雹空间分布及时
Yao H， Li X， Pang H， et al， 2020. Application of random forest algo‐ 间变化特征的精细化分析［J］. 气象， 46（3）： 301-312. DOI：
rithm in hail forecasting over Shandong Peninsula［J］. Atmospher‐ 10. 7519/j. issn. 1000-0526. 2020. 03. 002. Ma X L， Li D S， Hu
ic Research， 244： 105093. S J， 2020. Refined analysis of spatio-temporal characteristics of
Zhang Y， Guo Y， 2011. Variability of atmospheric freezing-level thunderstorm and hail over Qinghai Province［J］. Meteorological
height and its impact on the cryosphere in China［J］. Annals of Monthly， 46（3）： 301-312. DOI： 10. 7519/j. issn. 1000-0526.