论文部分内容阅读
雷暴蕴含着巨大的不稳定能量,能够产生风雨雷电等灾害性天气,对人类活动及人民的生命安全和财产安全形成巨大的威胁,一直是天气预报业务的重点。本文以站点强对流产生的雷暴作为研究对象,提出了新的雷暴预报方法,即二进制粒子群-朴素贝叶斯分类器(Binary Particle Swarm Optimization-Na?ve Bayesian Classifiers,BPSONBC)和二进制粒子群-贝叶斯判别准则(Binary Particle Swarm Optimization-Bayes Discriminatory Criterion,BPSO-BDC)方法。应用二进制粒子群优化(Binary Particle Swarm Optimization,BPSO)算法,结合朴素贝叶斯分类器(Na?ve Bayesian Classifiers,NBC)和贝叶斯判别准则(Bayes Discriminatory Criterion,BDC)方法,可以自动筛选备选因子集中NBC和BDC模型的最优子集,不仅使得繁琐的NBC和BDC模型的预报因子选取工作变得简单方便,而且使它们的预报结果成为所有预报子集中的最优。同时,分析比较了BPSO-NBC、BPSO-BDC雷暴模型与逐步判别和K近邻非参数回归等经典模型之间的性能差异;分析了各种模型的稳定性。主要如下:首先,建立NBC和BDC雷暴预报模型。利用2010~2014年逐年8月T511L60中期数值预报产品,计算出K指数、S指数等27个强对流指数,配合遂溪站、陵水站、乐东站三站观测资料,形成释用模型建立所需的训练集和测试集。针对雷暴发生频率少的特点,利用强对流指数历史最小值进行”消空”后,使雷暴数在训练集中的频率提升了2-3倍。采用Fisher判别准则对NBC和BDC模型进行因子筛选。其中,NBC模型直接采用Fisher准则对强对流指数进行排序,选取其中量值较大的作为预报因子;BDC模型先使用t检验进行因子初步筛选,当不满足t检验受显著性检验标准时,再采用Fisher准则选取预报因子。基于以上整理后得数据集,采用NBC和BDC方法,分别建立了三站的NBC和BDC雷暴预报模型。利用2010~2013年资料进行拟合分析,利用2014年资料进行试报。拟合结果表明,NBC模型和BDC模型的三站平均TS评分都在0.20以上,24h以内拟合效果最好。试报结果表明,NBC模型的三站平均TS评分都在0.18以上低于拟合水平。随着预报时次的增加,整体预报水平有所下滑。然后,建立BPSO-NBC和BPSO-BDC雷暴预报模型。利用BPSO算法,通过设计适应度,选取了备选因子集中NBC和BDC模型的最优子集,并建立BPSO-NBC和BPSO-BDC雷暴预报模型。拟合结果表明,BPSO-NBC模型的三站平均TS评分都在0.35以上,BPSO-BDC模型的三站平均TS评分都在0.29以上,较NBC和BDC模型有了明显提升。试报结果表明,BPSO-NBC模型的平均TS评分在0.27以上,BPSO-BDC模型的平均TS评分在0.19以上,低于拟合水平。但BPSO-NBC和BPSO-BDC模型在各时间段的三站平均结果都要优于NBC和BDC模型,24h后的效果提升很明显。最后,进行了几种贝叶斯模型与逐步判别和K近邻非参数模型的对比试验。从平均TS评分结果来看,BPSO-NBC、逐步判别、NBC、BPSO-BDC、K近邻和BDC6个模型的试报TS评分分别为0.276、0.210、0.202、0.192、0.187、0.155,BPSO-NBC效果最好。它们的空报率相差不多,漏报率排序相同于TS评分。从稳定性检验结果来看,BPSO-NBC模型的稳定性最好,三站TS评分都稳定在0.2以上,BDC、K近邻和NBC模型三站TS评分都在0.18以上,BPSO-BDC模型稳定性都在0.17以上,逐步判别模型的TS评分都在0.12以上。研究表明,通过BPSO算法改进NBC和BDC模型,可以显著提高贝叶斯模型的雷暴预报水平。也为单站雷暴预报以及其他不能自动选取因子的算法和模型的优化,提供了新的思路与方法。