基于LightGBM的豫南浓雾客观预报研究

doi:10.11755/j.issn.1006-7639-2024-05-0702

干旱气象 ›› 2024, Vol. 42 ›› Issue (5): 702-709.DOI: 10.11755/j.issn.1006-7639-2024-05-0702

• “人工智能在干旱气象及相关领域的应用”专栏 • 上一篇下一篇

基于LightGBM的豫南浓雾客观预报研究

王璐璐¹^,²(), 谭江红³()

1.中国气象局河南省农业气象保障与应用技术重点开放实验室，河南郑州 450003
2.河南省驻马店市气象局，河南驻马店 463000
3.湖北省襄阳市气象局，湖北襄阳 441022

收稿日期:2024-05-15 修回日期:2024-08-28 出版日期:2024-10-31 发布日期:2024-11-17
通讯作者: 谭江红（1987—），男，湖北宜昌人，高级工程师，主要从事短期天气预报研究。E-mail: 343017729@qq.com。
作者简介:王璐璐（1996—），女，河南驻马店人，硕士，工程师，主要从事短期天气预报研究。E-mail: wlulu0312@163.com。
基金资助:
中国气象局河南省农业气象保障与应用技术重点实验室应用技术研究基金项目(KM202249);驻马店市花生种植气象服务重点实验室研究基金项目(KL202502);国家自然科学基金项目(42075186);湖北省生态环境保护科研项目(2023ZHB-08)

Objective forecast research of dense fog in southern Henan based on LightGBM

WANG Lulu¹^,²(), TAN Jianghong³()

1. Henan Key Laboratory of Agrometeorological Ensuring and Applied Technique， CMA， Zhengzhou 450003， China
2. Zhumadian Meteorological Office of Henan Province， Zhumadian 463000， Henan， China
3. Xiangyang Meteorological Office of Hubei Province， Xiangyang 441022， Hubei， China

Received:2024-05-15 Revised:2024-08-28 Online:2024-10-31 Published:2024-11-17

摘要/Abstract

摘要：

准确预报浓雾天气（能见度小于等于500 m）对保障人民生命安全和减少经济损失具有重要意义。利用2019—2021年豫南地区31个国家级气象站地面观测资料、环境监测站数据及欧洲中期天气预报中心（European Centre for Medium-Range Weather Forecasts，ECMWF）的ERA5再分析资料分析该地区浓雾的空间分布和物理量特征并选取30个浓雾预报因子，基于LightGBM（Light Gradient Boosting Machine）机器学习方法训练出豫南地区能见度分级预报（Visibility Classification Forecast，VCF）模型。通过输入ECMWF模式每日08：00（北京，下同）起报的预报场数据和08：00 PM_2.5质量浓度监测，得到豫南国家站逐3 h能见度分级预报产品。通过对2022年1—3月豫南17个浓雾日的预报检验显示，VCF模型各项评分总体来看优于ECMWF模式直接输出的能见度预报，基于该模型生成的20：00—20：00豫南浓雾预报产品可为当日夜间到次日上午的浓雾落区潜势预报提供重要参考。

关键词: LightGBM模型, 客观预报, 浓雾预报, 豫南

Abstract:

Accurate forecast of dense fog (visibility less than or equal to 500 meters) is of great significance for ensuring people's safety and reducing economic losses. Based on the ground observation data of 31 national meteorological stations, environmental monitoring station data of southern Henan, and ERA5 reanalysis data from the European Centre for Medium-Range Weather Forecasts (ECMWF) from 2019 to 2021, the spatial distribution and physical characteristics of dense fog in this area were analyzed, and 30 dense fog forecast factors were selected. The visibility classification forecast (VCF) model is trained based on the LightGBM (Light Gradient Boosting Machine) machine learning method. By inputting the forecast field data by the ECMWF model at 08:00 every day and the PM_2.5 concentration monitoring at 08:00, the 3-hour graded visibility forecast products of the national stations in southern Henan are obtained. Through the prediction test of 17 dense fog days in southern Henan from January to March 2022, it was shown that the scores of the VCF model were generally better than the visibility forecast directly output by ECMWF model. The dense fog forecast product generated based on the VCF model for the period from 20:00 to 20:00 in southern Henan can provide important reference for forecasting.

Key words: LightGBM model, objective forecast method, dense fog forecast, southern Henan

中图分类号:

P457.7

王璐璐, 谭江红. 基于LightGBM的豫南浓雾客观预报研究[J]. 干旱气象, 2024, 42(5): 702-709.

WANG Lulu, TAN Jianghong. Objective forecast research of dense fog in southern Henan based on LightGBM[J]. Journal of Arid Meteorology, 2024, 42(5): 702-709.

图/表 7

图1 2019—2021年豫南国家站浓雾频次（红色圆点中心为国家站位置，大小表示频次）、环境监测站（紫色三角形）和地形高度（彩色填色，单位：m）空间分布

Fig.1 The spatial distribution of dense fog frequency at national stations in southern Henan from 2019 to 2021 （the center of the red dot represents the position of the national station， and the size represents the frequency）， environmental monitoring station positions （purple triangle） and terrain height （the color shaded， Unit： m）

表1 预报因子选取

Tab.1 Selection of forecast factors

项目	预报因子
地面场要素	T_{2 m}、T_{24 h}、（T-T_d）_{2 m}、WD_{10 m}、WS_{10 m}、MSLP、P_{3 h}、P_{24 h}
高空场要素	RH₁₀₀₀、RH₉₅₀、RH₉₂₅、RH₈₅₀、RH₇₀₀、RH₆₀₀、RH₅₀₀、RH₄₀₀ U₇₀₀、V₇₀₀、U₈₅₀、V₈₅₀、U₉₂₅、V₉₂₅、U₁₀₀₀、V₁₀₀₀ WF_1000-925、TD_950-925
衍生变量	T_max1000-850-T_{min 2 m-950}
其余	stationID、Height、PM_2.5

图2 模型特征重要性排名

Fig.2 Ranking of model feature importance

表2 能见度分级

Tab.2 Visibility classification

分级/预报量	VIS
0	VIS≤500 m
1	500 m<VIS≤1 km
2	1 km<VIS≤5 km
3	5 km<VIS≤10 km
4	VIS>10 km

表3 VCF模型主要参数

Tab.3 Main parameters of VCF model

参数名称	参数简介	参数值
boosting_type	弱学习器类型	gbdt
objective	学习任务及相应的学习目标	multiclass
metric	用于指定评估指标	multi_logloss
learning_rate	学习率	0.077
num_leaves	叶子个数	80
Max_depth	最大深度	8
min_data_in_leaf	叶节点样本的最少数量用于防止过拟合	12
feature_fraction	对特征随机采样的比例	0.9
bagging_fraction	每次迭代时用的数据比例	0.876

图3 2022年1—3月豫南17个浓雾日不同模型不同预报时效的平均ACC（a）及逐日ACC（b）、REC（c）、TS评分（d）

Fig.3 The average accuracy score of different forecast time periods （a） and daily accuracy score （b）， recall score （c） and threat score （d） with different models of 17 dense fog days in southern Henan from January to March 2022

图4 2022年1月16日20：00—17日20：00 （a）、17日20：00—18日20：00 （b）、18日20：00—19日20：00 （c）浓雾预报与实况的空间分布

Fig.4 The spatial distribution of dense fog forecast and observation from 20：00 on January 16 to 20：00 on January 17 （a）， from 20：00 on January 17 to 20：00 on January 18 （b）， and from 20：00 on January 18 to 20：00 on January 19 （c）， 2022

参考文献 37

[1]	陈健, 周后福, 周文鳞, 等, 2020. 合肥市大雾预报方法的建立与应用[J]. 沙漠与绿洲气象, 14(2): 98-104.
[2]	方鸿斌, 王珊珊, 王晓玲, 等, 2024. 基于机器学习的格点气温预报订正方法[J]. 气象, 50(1): 103-114.
[3]	方楠, 谢国权, 阮小建, 等, 2022. 长短期记忆神经网络(LSTM)模型在低能见度预报中的应用[J]. 气象与环境学报, 38(5): 34-41.
[4]	周永水, 原野, 石艳, 等, 2022. 两种方法在不同海拔地区计算湿球温度的对比[J]. 高原山地气象研究, 42(3): 145-150.
[5]	何东坡, 王玥彤, 杜小玲, 等, 2023. 基于机器学习方法的贵阳雾预报模型研究[J]. 高原山地气象研究, 43(4): 42-47.
[6]	胡海川, 张恒德, 朱彬, 等, 2018. 神经网络方法在环渤海能见度预报中的应用分析[J]. 气象科学, 38(6): 798-805.
[7]	蒋大凯, 闵锦忠, 陈传雷, 等, 2007. 辽宁省区域性大雾预报研究[J]. 气象科学, 27(5): 578-583.
[8]	李沛, 王式功, 尚可政, 等, 2012. 基于神经网络逐级分类建模的北京地区能见度预报[J]. 兰州大学学报:自然科学版, 48(3): 52-57.
[9]	李子华, 2001. 中国近40年雾的研究[J]. 气象学报, 59(5): 616-624.
[10]	刘超, 谭艳梅, 陈阳权, 等, 2023. 冬季乌鲁木齐城区和机场雾的特征及地面气象条件对比分析[J]. 沙漠与绿洲气象, 17(4): 118-124.
[11]	刘德, 李永华, 喻桥, 等, 2005. 基于客观分析的重庆雾的BP神经元网络预报模型研究[J]. 气象科学, 25(3): 293-298.
[12]	刘杰, 刘高平, 安晶晶, 等, 2024. 基于机器学习的模式温度预报订正方法[J]. 沙漠与绿洲气象, 18(3): 96-104.
[13]	毛冬艳, 杨贵名, 2006. 华北平原雾发生的气象条件[J]. 气象, 32(1): 78-83.
[14]	潘留杰, 张宏芳, 王建鹏, 2014. 数值天气预报检验方法研究进展[J]. 地球科学进展, 29(3): 327-335. DOI
[15]	谭江红, 陈伟亮, 王珊珊, 2018. 一种机器学习方法在湖北定时气温预报中的应用试验[J]. 气象科技进展, 8(5): 46-50.
[16]	王华勇, 杨超, 唐华, 2018. 基于LightGBM改进的GBDT短期负荷预测研究[J]. 自动化仪表, 39(9): 76-78.
[17]	王清平, 张亚莉, 万瑜, 等, 2024. 基于多源数据的北疆一次持续性浓雾天气过程的演变特征[J]. 沙漠与绿洲气象, 18(2): 83-91.
[18]	王勇, 2019. 基于多源数据和XGBoost算法的上海市能见度预测模型研究[D]. 上海: 华东师范大学.
[19]	王志宇, 2019. 基于LightGBM框架的上海市大气能见度预报订正研究[D]. 上海: 华东师范大学.
[20]	文俊鹏, 蓝静, 刘峰, 2021. 广州白云机场低能见度客观预报方法试验[J]. 气象科技进展, 11(2): 176-180.
[21]	吴波, 胡邦辉, 王学忠, 等, 2017. 基于近似支持向量机的能见度释用预报研究[J]. 热带气象学报, 33(1): 104-110.
[22]	韦荣, 张小玲, 华明, 等, 2022. 2012—2020年成都市不同等级能见度的时空分布特征[J]. 高原山地气象研究, 42(4): 136-145.
[23]	谢超, 马学款, 张恒德, 2019. 华南低能见度天气特征及客观预报研究[J]. 气象科学, 39(4): 556-561.
[24]	邢楠, 赵玮, 付宗钰, 等, 2020. 多元动态逐步回归方法在北京地区能见度预报中的应用[J]. 干旱气象, 38(4): 665-673.
[25]	赵欢, 庞轶舒, 2023. 成都地区雾的气候时空特征及其与近年空气质量的关系[J]. 高原山地气象研究, 43(3): 122-129.
[26]	章国材, 2016. 中国雾的业务预报和应用[J]. 气象科技进展, 6(2): 42-48.
[27]	赵翠光, 赵声蓉, 林建, 等, 2022. 基于区域建模的能见度预报及影响因子分析[J]. 气象, 48(6): 773-782.
[28]	周康辉, 郑永光, 王婷波, 2021. 利用深度学习融合NWP和多源观测数据的闪电落区短时预报方法[J]. 气象学报, 79(1): 1-14.
[29]	周文君, 平海波, 刘端阳, 等, 2016. 江苏盐城地区一次持续雾-霾天气过程的综合分析[J]. 气象, 42(7): 838-846.
[30]	周须文, 时青格, 贾俊妹, 等, 2014. 低能见度雾的分级预报方法研究[J]. 热带气象学报, 30(1): 161-166.
[31]	宗晨, 钱玮, 包云轩, 等, 2019. 江苏省夏季浓雾的时空分布特征及气象影响因子分析[J]. 气象, 45(7): 968-977.
[32]	KE G, MENG Q, FINELY T, et al, 2017. LightGBM: A highly efficient gradient boosting decision tree[C]// 31st Conference on Neural Information Processing Systems(NIPS 2017). LongBeach, CA, USA.
[33]	NIU S J, LU C S, YU H Y, et al, 2010. Fog research in China: An overview[J]. Advance Atmospheric Sciences, 27(3): 639-662.
[34]	OLSON R S, MOORE J H, 2019. TPOT: A tree-based pipeline optimization tool for automating machine learning[M]// The springer series on challenges in machine learning. Cham: Springer International Publishing: 151-160.
[35]	PEDREGOSA F, GRAMFORT A, MICHEL V, et al, 2012. Scikit-learn: Machine learning in Python[J]. Journal of Machine Learning Research, 12(10): 2 825-2 830.
[36]	SCHAEFER J T, 1990. The critical success index as an indicator of warning skill[J]. Weather and Forecasting, 5(4): 570-575.
[37]	WANG B J, WANG Y L, QIN K, et al, 2018. Detecting transportation modes based on LightGBM classifier from GPS trajectory data[C]// 2018 26th International Conference on Geoinformatics. Kunming, China. IEEE: 1-7.

基于LightGBM的豫南浓雾客观预报研究

Objective forecast research of dense fog in southern Henan based on LightGBM

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 7

参考文献 37

相关文章 4

编辑推荐

Metrics

[1]	卢晔, 孟妙志, 乔丹杨, 任欢, 贺瑶, 韩洁. 宝鸡市冬半年降水相态精细化客观预报方法研究[J]. 干旱气象, 2023, 41(5): 820-827.
[2]	莫丽霞, 高宪权, 欧徽宁, 周云霞, 梁维亮. 基于数值模式产品的广西冰雹客观预报方法研究[J]. 干旱气象, 2020, 38(03): 480-489.
[3]	刘世祥, 陶健红, 张铁军, 尚大成, 伏晓红, 张静, 宋秀玲. 西北区秋季短期气象要素客观预报检验评估[J]. J4, 2010, 28(3): 346-351.
[4]	王锡稳, 孙兰东, 张新荣, 张铁军, 王朝英. 甘肃春季一场罕见强霜冻、冻害天气的分析[J]. J4, 2005, 23(4): 7-11.