基于决策树方法雷雨大风天气预警技术研究.docVIP

基于决策树方法的雷雨大风天气预警技术研究 张雪晨、郑媛媛、姚晨 （安徽省气象台，合肥，230031） 摘要：本文通过利用2001-2009年安徽省雷雨大风实况数据和同期的NCEP/NCAR FNL再分析数据训练拟合，采用了基于C4.5算法的决策树方法，对其气象条件分析基础上建立了雷雨大风决策树预报模型；并采用独立样本对预报模型的性能进行检验，同时分析了雷雨大风模型预报流程的物理含义。结果表明：采用C4.5算法建立安徽省雷雨大风决策树预报模型，针对安徽省2008～2010年6月历史预报准确率可达26.7%，对预报有一定的指示意义；雷雨大风决策树具有显著的物理含义，建立了两种基于强抬升干对流和弱抬升湿对流情况下的物理量判别方法，可用于业务判别雷雨大风，对雷雨大风强对流预报方法研究有一定的借鉴；C4.5算法计算雷雨大风分类合理，算法准确率较高，可成为其他强对流天气预报方法建立决策树模型的有效建模工具。 关键字： 决策树 雷雨大风 强对流预警模型 1、背景 强对流天气是我国发生频率较高的灾害性天气之一，常造成重大灾害损失。据近5年的统计，每年仅冰雹和龙卷风造成的直接经济损失已占年平均自然灾害损失的9.6%；而雷雨大风更是能直接造成大量人员伤亡。如2009年6月3日、5日、14日，河南、安徽、山东、江苏等地出现大范围对流性大风、冰雹等强对流天气，共计造成72人死亡。 安徽省位于暖温带向亚热带的过渡区域，受到低纬和中高纬各种天气系统的影响，冷暖气团在此交绥频繁，常会造成大范围的大气层结不稳定，加之地形复杂，雷雨大风、冰雹等强对流天气时有发生。因此加强强对流天气短时和临近预报技术研究，提高强对流预报能力是非常必要的。国内外有关强对流预报方法的研究已有很多成果，陈秋平[1]等利用中尺度模式和探空资料在短时潜势预报方面做了大量工作，郑媛媛[2]等对不同大尺度环流背景下的强对流天气预报方法进行了研究，从实际预报检验效果来看，强对流天气空报率较高，同时还存在一定程度的漏报情况。近年来，神经网络等一些统计建模方法也被尝试用于强对流天气的预报，决策树作为运用最广泛的归纳学习方法之一, 在专家系统、金融保险预测以及医疗诊断等领域都有广泛的应用。 90年代末，澳大利亚区域业务数值天气预报模式的输出产品被用作为热力学和动力学场输入到决策树中,该决策树用于诊断雷暴产生的可能性以及产生雷暴的环境是否会进一步导致强雷暴、超级单体或龙卷超级单体雷暴的发生。在所描述的强天气观测的目标个例中,系统成功地识别了强雷暴而且大致区分出龙卷和非龙卷事件，并使雷暴预报效率明显提高。 本文研究主要探讨了利用物理量通过决策树方法建立雷雨大风强对流天气预报模型的可能性，为雷雨大风等强对流天气预报建立新思路。本文通过利用2001-2009年安徽省雷雨大风实况数据和同期的NCEP/NCAR FNL再分析数据训练拟合，采用了基于C4.5算法的决策树方法，对其气象条件分析基础上建立了雷雨大风决策树预报模型；并采用独立样本对预报模型的性能进行检验，同时分析了雷雨大风模型预报流程的物理含义。 2、资料和方法 本文采用的实况观测资料主要为2001～2009年4～9月安徽省79个市县级观测站点来源的灾情报告、自动站降水量等主客观观测资料，主要针对地面站出现17m/s以上雷雨大风同时前后3小时内观测有雷暴定义为雷雨大风，共计雷雨大风288例；同期采用的NCEP/NCAR FNL再分析数据，资料的空间分辨率为1×1。时间分辨率为6h。前期通过分析雷雨大风个例，运用中尺度分析方法挑选了有利于雷雨大风发生发展的能量、温度、湿度、风向风速等包括对流有效位能、抑制能量、大气可降水量、温度、风场等物理量作为预报变量，经度范围：114～120。E，纬度范围：29～35。N，共计7×7=49个格点，选择的物理量及层次具体见表1。 表1 预报要素物理量及层次 物理量 层次 平均海平面气压 地面层 CAPE 特性层 CIN 特性层 PW（大气可降水量） 特性层 抬升指数 特性层（地面抬升） 位势高度 1000、925、850、700、500 温度 1000、925、850、700、500 风U分量 1000、925、850、700、500 风V分量 1000、925、850、700、500 本文采用C4.5决策树算法，该算法继承了ID3算法的优点，产生的分类规则易于理解，准确率较高。具体算法步骤如下：创建节点N；如果训练集为空，在返回节点N标记为Failure；如果训练集中的所有记录都属于同一个类别，则以该类别标记节点N；如果候选属性为空，则返回N作为叶节点，标记为训练集中最普通的类；for each 候选属性 attribute_list；if 候选属性是联系的then；对该属性进行离散化；选择候选