ISSN 1004-4965

CN 44-1326/P

用微信扫描二维码

分享至好友和朋友圈

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于FLBO-CatBoost算法的上海长江口区强风潜势预报技术研究

陈诗祺 张吉 岳彩军 沙莎 黄筱灿

陈诗祺, 张吉, 岳彩军, 沙莎, 黄筱灿. 基于FLBO-CatBoost算法的上海长江口区强风潜势预报技术研究[J]. 热带气象学报, 2024, 40(4): 659-668. doi: 10.16032/j.issn.1004-4965.2024.058
引用本文: 陈诗祺, 张吉, 岳彩军, 沙莎, 黄筱灿. 基于FLBO-CatBoost算法的上海长江口区强风潜势预报技术研究[J]. 热带气象学报, 2024, 40(4): 659-668. doi: 10.16032/j.issn.1004-4965.2024.058
CHEN Shiqi, ZHANG Ji, YUE Caijun, SHA Sha, HUANG Xiaocan. Forecasting Convective Gust Potential in the Shanghai Yangtze River Estuary Based on FLBO-CatBoost[J]. Journal of Tropical Meteorology, 2024, 40(4): 659-668. doi: 10.16032/j.issn.1004-4965.2024.058
Citation: CHEN Shiqi, ZHANG Ji, YUE Caijun, SHA Sha, HUANG Xiaocan. Forecasting Convective Gust Potential in the Shanghai Yangtze River Estuary Based on FLBO-CatBoost[J]. Journal of Tropical Meteorology, 2024, 40(4): 659-668. doi: 10.16032/j.issn.1004-4965.2024.058

基于FLBO-CatBoost算法的上海长江口区强风潜势预报技术研究

doi: 10.16032/j.issn.1004-4965.2024.058
基金项目: 

国家自然科学基金项目 41875059

国家自然科学基金项目 41875071

中国气象局青年创新团队 CMA2024QN02

上海台风研究基金 TFFJJ202319

中国气象局气象能力提升联合研究专项 22NLTSQ005

详细信息
    作者简介:

    陈诗祺, 男, 上海市人, 工程师, 主要从事强对流预报技术研究。E-mail: onlycsq@163.com

  • 中图分类号: P456.7

Forecasting Convective Gust Potential in the Shanghai Yangtze River Estuary Based on FLBO-CatBoost

  • 摘要: 选取2015—2021年逐小时0.25 ° ×0.25 ° ERA5再分析资料和上海长江口区5个沿江地面自动气象站观测资料,运用FLBO-CatBoost集成学习算法,将6种强对流指数作为输入因子,实现对强对流影响下的长江口区强风的潜势分类及概率预报,并利用SHAP方法进行输入因子分析。结果表明:通过加入Multi-Class Focal Loss与贝叶斯优化模块,提高了FLBO-CatBoost综合性能,模型筛选的输入因子物理意义较明确,判断7级强风时POD、CSI、FAR均达到0.70,0.67、0.12,判断8级以上强风时分别达到0.97、0.91、0.07,优于其他五种集成学习模型。运用SHAP方法进行重要性排序可知,在水汽、能量、动力等条件方面,模型能起到优秀的影响要素诊断与筛选功能。同时,将对流云团影响下,长江口区7级以上强风概率预报的最优阈值选定为0.5,之后进一步结合个例验证模型对长江口区的强风的可预报性。整体而言,建立的强风预报模型具有一定的业务应用前景。

     

  • 图  1  FLBO-CatBoost模型架构图

    图  2  2015—2021年上海长江口区强风日分布

    图  3  7级强风(a)、8级以上强风(b)潜势预报的气象指数混淆矩阵

    图  4  7级以上强风概率预报模型的气象指数(a)、ROC曲线和约顿指数(b)随阈值变化图

    图  5  FLBO-CatBoost重要性排序的前20项因子

    图  6  2022年4月30日12时(a)、22时(b)各站点实况

    单位:m·s-1

    图  7  2022年4月30日12时7级以上(a)、12时强风分类(b),22时7级以上(c)、22时强风分类(d) FLBO-CatBoost强风潜势预报产品

    图  8  2021年4月30日22时ERA5再分析资料对流性大风重要影响因子分布图

    a. RH850 hPa(阴影,单位:%),500 hPa位势高度(等值线,单位:gpm),850 hPa风场(矢量,m·s-1);b. RH500 hPa(阴影,单位:%),CAPE (等值线,单位:J·kg-1),200 hPa风场(矢量,m·s-1);c. K指数(阴影,单位:℃),整层水汽含量(等值线,单位:kg·m2)。;d.T-Td(阴影,单位:℃),T850 hPa-T500 hPa(等值线,单位:℃)。

    表  1  模型算法的主要输入因子类型和要素(地面、500 hPa、700 hPa、850 hPa、925 hPa)

    要素 主要输入因子
    水汽因子 整层水汽含量(TCWV)、露点(Td)、比湿(q)、相对湿度(RH)、温度露点差(T-Td)
    动力因子 散度(d)、相对涡度(vo)、垂直速度(w)、位势涡度(PV)、风(uv)
    热力因子 K指数(K)、沙氏指数(SI)、抬升指数(LI)、不稳定能量(CAPE)、总指数(TT)、温度差(T850-500)、温度(T)、对流抑制(CIN)
    综合指数 强天气威胁指数(SWEAT)、瑞士雷暴指数(SWISS)、风暴强度指数(SSI)、深对流指数(DCI)
    位置信息 经度(lon)、纬度(lat)
    高度层因子 0 ℃层高度、-10 ℃层高度
    下载: 导出CSV

    表  2  2015—2021年上海长江口区强风风力占比情况

    强风级别 占比
    7级(13.9~17.1 m·s-1) 0.661
    8级(17.2~20.7 m·s-1) 0.246
    9级(20.8~24.4 m·s-1) 0.064
    10级以上(≥24.5 m·s-1) 0.029
    下载: 导出CSV

    表  3  检验分类表

    实况 预测(无) 预测(有)
    实况(无) TN(True negative) FP(False positive)
    实况(有) FN(False negative) TP(True positive)
    下载: 导出CSV
  • [1] DOSWELL Ⅲ C A. Severe Convective Storms-An Overview[J]. Severe Convective Storms, 2001, 28(50): l5-25.
    [2] 齐大鹏, 杨林, 周明飞, 等. 用改进的光流法和卫星TBB资料进行对流临近预报[J]. 热带气象学报, 2023, 39(1): 47-54.
    [3] 曾琳, 张羽, 李怀宇, 等. 基于多源探测资料的一次广州局地强对流垂直结构分析[J]. 热带气象学报, 2023, 39(3): 348-360.
    [4] 俞小鼎, 周小刚, 王秀明. 雷暴与强对流临近天气预报技术进展[J]. 气象学报, 2012, 70(3): 331-337.
    [5] 郑永光, 周康辉, 盛杰, 等. 强对流天气监测预报预警技术进展[J]. 应用气象学报, 2015, 26(6): 641-657.
    [6] 漆梁波. 高分辨率数值模式在强对流天气预警中的业务应用进展[J]. 气象, 2015, 41(6): 661-673.
    [7] QX/T 416-2018. 强对流天气等级[S]. 北京: 气象出版社, 2018: 1-2.
    [8] YU X D, ZHENG Y G. Advances in Severe Convection Research and Operation in China[J], Journal of Meteorological Research, 2020, 34 (1): 1-29.
    [9] KOLENDOWICZ L, TASZAREK M, CZERNECKI B. Convective and non-convective wind gusts in Poland, 2001-2015, Meteorology Hydrology and Water Management[J]. Research and Operational Applications, 2016, 4(2): 15-21.
    [10] MOHR S, KUNZ M, RICHTER A, et al. Statistical characteristics of convective wind gusts in Germany[J]. Natural Hazards and Earth System Sciences, 2017, 17(6): 957-969.
    [11] 郑永光, 宋敏敏. 冷涡影响中国对流性大风与冰雹的分布特征[J]. 热带气象学报, 2021, 37(5/6): 710-720.
    [12] WAKIMOTO R M. Convectively driven high wind events[M] // DOSWELL Ⅲ C A. Meteor Monogr, Amer Meteor Soc, Boston, 2001, 50: 255-299.
    [13] STENSRUD D J, XUE M, WICKER L J, et al. Convective-scale warn-on-forecast system: A vision for 2020[J]. Bulletin of the American Meteorological Society, 2009, 90(10): 1 487-1 500.
    [14] 沈晓玲, 章丽娜, 桑明慧, 等. 浙江夏季弱天气尺度强迫背景下午后局地热对流特征分析[J]. 热带气象学报, 2023, 39(4): 443-452.
    [15] 朱智慧, 郑运霞, 过霁冰. 上海沿海站点极大风速预报方程的细化和完善[J]. 海洋预报, 2022, 39(1): 32-38.
    [16] MECIKALSKI J R, WILLIAMS J K, JEWETT C P, et al. ProbabiIistic O-1-h convective initiation nowcasts that combine geostationary satellite observations and numerical weather Drediction model data[J]. J Appl Meteor Climatol, 2015, 54(5): 1 039-1 059.
    [17] 修媛媛, 韩雷, 冯海磊. 基于机器学习方法的强对流天气识别研究[J]. 电子设计工程, 2016, 24(9): 4 -11.
    [18] 李文娟, 赵放, 郦敏杰, 等. 基于数值预报和随机森林算法的强对流天气分类预报技术[J]. 气象, 2018, 44(12): 1 555-1 564.
    [19] SHI X J, CHEN Z, WANG H, et al. Convolutional LSTM network: A machine learning approach for precipitation nowcasting[C]. Advances in Neural Information Processing Systems, 2015: 802-810.
    [20] TRAN Q K, SONG S. Computer vision in precipitation nowcasting: Applying image quality assessment metrics for training deep neural networks[J]. Atmos, 2019, 10(5): 244.
    [21] PAN X, LU Y, ZHAO K, et al. Improving nowcasting of convective development by incorporating polarimetric radar variables into a deep learning model[J]. Geophys Res Lett, 2021, 48(21) : 1-10.
    [22] 李国翠, 刘黎平, 连志鸾, 等. 利用雷达回波三维拼图资料识别雷暴大风统计研究[J]. 气象学报, 2014, 72(1): 168-181.
    [23] 李海峰. 基于雷达回波的雷暴大风识别算法研究[D]. 黑龙江: 哈尔滨工业大学, 2018.
    [24] 杨璐, 韩丰, 陈明轩, 等. 基于支持向量机的雷暴大风识别方法[J]. 应用气象学报, 2018, 29(6): 680-689.
    [25] XIAO H X, WANG Y Q, ZHENG Y, et al. Convective Gusts Nowcasting Based on Radar Reflectivity and a Deep Learning Algorithm[J]. Geoscientific Model Development, 2023, 16(12): 3 611-3 628.
    [26] 吕晓娜, 牛淑贞, 张一平, 等. 基于概率与权重的雷暴大风潜势客观预报方法研究[J]. 暴雨灾害, 2020, 39(1): 20-29.
    [27] JOHN T H, TAGHI M K. CatBoost for big data: an interdisciplinary review[J]. Journal of Big Data, 2020, 7(1): 1-45.
    [28] LIN T Y, GOYAL P, GIRSHICK R, et al. Focal Loss for dense object detection[C]. PROCeedings of the IEEE International Conference on Computer Vision(ICCV), 2017: 2 980-2 988.
    [29] SHAHRIARI B, SWERSKY K, WANG Z, et al. Taking the human out of the loop: A review of Bayesian optimization[J]. Proceedings of the IEEE, 2016, 104(1): 148-175.
    [30] 刘建文, 郭虎, 李耀东, 等. 天气分析预报物理量计算基础[M]. 北京: 气象出版社, 2005: 91-141.
    [31] STEINBACH W R, RICHTER K. Multiple classifiCation and receiver operating characteristic (ROC) analysis[J]. Med Decis Making, 1987, 7(4): 234-237.
    [32] WOJTUCH A, JANKOWSKI R, PODLEWSKA S. How can shap values help to shape metabolic stability of chemical compounds?[J]. Journal of Cheminformatics, 2021, 13(1): 1-20.
  • 加载中
图(8) / 表(3)
计量
  • 文章访问数:  22
  • HTML全文浏览量:  4
  • PDF下载量:  0
  • 被引次数: 0
出版历程
  • 收稿日期:  2023-04-25
  • 修回日期:  2024-05-28
  • 网络出版日期:  2024-10-15
  • 刊出日期:  2024-08-20

目录

    /

    返回文章
    返回