(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211102588.2 (22)申请日 2022.09.09 (71)申请人 浙江省气象台 地址 310021 浙江省杭州市滨江区长河街 道国慷街256号浙江省气象防灾减灾 中心 (72)发明人 李文娟　罗玲　黄旋旋　彭霞云　 罗然　张智察　 (74)专利代理 机构 北京金智普华知识产权代理 有限公司 1 1401 专利代理师 张晓博 (51)Int.Cl. G06Q 10/04(2012.01) G06N 20/20(2019.01) G06Q 50/26(2012.01)G06N 5/00(2006.01) G06K 9/62(2022.01) (54)发明名称 一种强对流预报中强对流潜在落区预测方 法及系统 (57)摘要 本发明属于大风预测技术领域， 公开一种基 于数值模式多源资料融合的强对流大风潜在落 区预测方法及系统， 采集10年以上强对流大风样 本的训练集， 利用机器学习方法建立强对流大风 潜势预测模 型， 进一步利用机器学习方法优化强 对流大风潜势预测模型， 建立数值模式逐小时物 理量预报产品与强对流大风实况的逻辑统计关 系， 用空间邻域法进行空间匹配， 采用TS评分最 优法提取逐月物理量组合阈值， 再用多要素分级 配料法可 以将12小时内强对流潜在落区分割到 逐小时， 最终得到强对流大风概率预报产品。 本 发明对现有强对流大风的预测技术有所突破， 并 且通过动态学习可持续优化， 大幅度提升强对流 大风的预报准确率和预警提前量， 显著提高强对 流大风的预测能力。 权利要求书2页 说明书8页 附图6页 CN 115392584 A 2022.11.25 CN 115392584 A 1.一种强对流潜在落区预测方法， 其特征在于， 所述强对流潜在落区预测方法通过机 器学习自动化筛选出适应地区气候背 景的强对流大风的主要影响因子， 建立了两种机器学 习算法的强对流大风的潜势分类模型； 利用多种方法实现机器学习 模型的优化， 利用动态学习解决强对流大风样本量不足训 练； 利用天气学物理意 义的因子实现机器学习算法的消空； 利用空间邻域法和分级 要素配料法， 弥补数值模式对强对流大风预报能力的不足。 2.如权利要求1所述强对流潜在落区预测方法， 其特征在于， 所述强对流潜在落 区预测 方法包括： 步骤一： 采集数据， 构建10年以上强对流大风样本的训练集； 步骤二： 利用XGBOOST和随机森林两种机器学习方法建立强对流大风潜势预测模型， 应 用数值模式输出的环境物理量进行12小时内强对流大风潜在落区预测； 步骤三： 利用动态学习策略和天气学物理约束相结合的方法进行机器学习强对流大风 潜在落区预测模型的优化； 步骤四： 建立数值模式逐小时物理量预报产品与强对流大风实况的逻辑统计关系， 利 用空间邻域法进行空间匹配， 采用TS评分最优法提取逐月物理量组合阈值， 再利用多要素 分级配料法可以将12小时内强对流潜在落区分割到逐小时； 步骤五： 对生成多家数值模式预报产品的两种机器学习模型的预测结果进行集成， 得 到强对流大风 概率预报产品。 3.如权利要求1所述强对流潜在落区预测方法， 其特征在于， 所述机器学习方法建立强 对流大风潜势预测模型包括： 利用数值模式资料计算从地面到300hpa不同层次的68个物理量， 可以较全面描述强对 流大风发生的热力、 抬升、 水汽条件， 建立机器学习训练库， 构建预测模 型， 根据最新的物理 量数据计算输出12小时内强对流大风潜在落区。 4.如权利要求1所述强对流潜在落区预测方法， 其特 征在于， 所述动态学习策略包括： 构建动态学习模型， 结合闪电资料每日自动生成逐小时实况大风监测数据， 根据最短 距离法， 将发生 强对流大风的站点和格点指数相匹配， 监督模态下更新历史训练库， 将预报 失败的样本重新进入历史学习样本库， 可以弥补训练样本不充分的问题， 持续优化机器学 习模型。 5.如权利要求1所述强对流潜在落区预测方法， 其特征在于， 所述天气学物理约束相结 合的方法是利用核密度估计方法分季节提取强对流大风敏感性物理量及其阈值， 再结合数 值模式预报的反射 率因子进一 步消空； 所述步骤四还包括， 计算预报物理量CAPE、 BLI及反射率因子REF， 根据 最优TS评分方法 筛选出膨胀半径， 一般取25km作为膨胀半径， 提取该范围的最大值， 进一步做膨胀处理， 以 提高空间匹配的命中率。 6.如权利要求1所述强对流潜在落区预测方法， 其特征在于， 所述步骤四还包括利用TS 评分最优法提取小时降水量R1、 对流有效位能CAPE、 最佳抬升指数BLI、 反射率因子REF等物 理量要素的组合阈值， 结合CSI和命中率两个指标综合筛 选逐月的物理量阈值。 7.如权利要求1所述强对流潜在落区预测方法， 其特征在于， 所述步骤四还包括将降水 量级分为0mm、 1mm、 5mm加上反射率因子45dbz四个等级进行物理量配料， 采用分级降水配料权　利　要　求　书 1/2 页 2 CN 115392584 A 2的方法， 将小时降水量、 对流有效位能CAPE、 最佳抬升指数BLI、 反射率因子REF构建组合配 料方案， 实现逐小时强对流大风的落区预报。 8.一种实施如权利要求1 ‑7任意一项所述强对流潜在落 区预测方法的强对流潜在落 区 预测系统， 其特 征在于， 所述强对流潜在落区预测系统包括： 模型建立模块， 用于建立强对流大风潜势预测模型； 模型优化模块， 用于优化强对流大风潜在落区预测模型； 阈值分割 模块， 用于建立数值模式逐小时物理量预报产品与强对流大风实况的逻辑统 计关系； 集成模块， 用于对生成多家数值模式预报产品的两种机器学习模型的6个预测结果进 行集成， 得到强对流大风 概率预报产品。 9.一种计算机设备， 其特征在于， 所述计算机设备包括存储器和处理器， 所述存储器存 储有计算机程序， 所述计算机程序被所述处理器执行时， 使得所述处理器执行如权利要求 1‑7任意一项所述强对流潜在落区预测方法的步骤。 10.一种计算机可读存储介质， 存储有计算机程序， 所述计算机程序被处理器执行时， 使得所述处理器执行如权利要求1 ‑7任意一项所述强对流潜在落区预测方法的步骤。权　利　要　求　书 2/2 页 3 CN 115392584 A 3