本文介绍的研究由赵生昊、覃彬全和杜乐共同完成，分别来自重庆市气象安全技术中心和重庆市地质矿产勘查开发局。该研究于2022年2月发表在《气象科技》（Meteorological Science and Technology）期刊上，题为《基于机器学习和单站地面气象要素的雷电临近预警方法》。该研究旨在通过机器学习技术，结合单站地面气象要素和闪电定位数据，开发一种灵活且高效的雷电临近预警方法，以减少雷电灾害造成的人身伤亡和经济损失。

研究背景与目的

雷电防护是减少雷电灾害的重要手段之一。传统的雷电防护方法主要依赖于防雷装置，而雷电临近预警则是一种主动防护手段，能够在雷电发生前提供预警信息，帮助人们采取预防措施。近年来，国内外学者在雷电临近预警领域开展了大量研究，主要依赖于气象卫星、雷达、大气电场仪等专业设备。然而，这些设备成本较高，且需要建立中心化网络，推广难度较大。相比之下，自动气象站技术成熟、成本低廉，已在多个行业广泛应用。因此，本研究旨在利用单站地面气象要素和闪电定位数据，结合机器学习技术，开发一种基于单站气象要素的雷电临近预警方法，探讨其可行性和应用价值。

研究方法与流程

研究选取了重庆市8个自动气象站的数据，时间跨度为2017年6月至2019年12月。数据包括温度、气压、湿度和风速四种地面气象要素，以及来自ADTD（Advanced Direction and Time of Arrival）闪电定位系统的地闪数据。研究的主要流程包括以下几个步骤：

1. 数据收集与清洗：从重庆市气象探测数据平台获取地面气象要素数据，并筛选出8个站点的数据。闪电定位数据来自重庆市闪电定位系统，经过清洗后，删除了定位精度较低和电流强度较小的记录。

2. 特征向量选取：选取气压、温度、湿度和风速作为特征向量，并加入观测时间的月份和时段特征，通过三角函数处理使其具有周期性。

3. 标签向量设置：以20公里为半径，对每个站点进行缓冲区处理，筛选出观测时间后0-10分钟、10-20分钟、20-30分钟内发生的地闪活动，并设置相应的标签向量。

4. 机器学习模型构建：研究采用了多种机器学习分类器（如KNN、决策树、随机森林、极限树等）和重采样技术（如随机下采样、SMOTE、ADASYN等），通过交叉验证和参数调优，最终选择了ADASYN-ET（Adaptive Synthetic Sampling with Extra Trees）模型作为最优模型。

5. 模型性能评估：使用F1得分、虚报率（FAR）和预警失败率（FTWR）等指标评估模型性能。结果表明，ADASYN-ET模型在0-30分钟的预警提前期内表现稳定，F1得分在0.59至0.60之间，优于其他对比方法。

主要结果

研究结果表明，基于ADASYN-ET模型的雷电临近预警方法在重庆市8个站点上均表现出良好的预警效果。在0-10分钟、10-20分钟和20-30分钟的预警提前期内，F1得分分别为0.60、0.59和0.60，表明该方法在0-30分钟的预警提前期内性能稳定，无明显衰减。与其他雷电临近预警方法相比，该方法具有更高的灵活性和较低的实现成本。

结论与意义

本研究提出了一种基于机器学习和单站地面气象要素的雷电临近预警方法，具有以下特点： 1. 灵活性高：该方法仅需单站气象要素数据，无需依赖昂贵的专业设备，适用于资源有限的地区。 2. 预警效果良好：在0-30分钟的预警提前期内，模型性能稳定，F1得分较高，能够有效减少虚报和漏报。 3. 应用价值广泛：该方法可为缺乏雷达、卫星等设备的地区提供有效的雷电预警参考，具有较高的应用价值。

研究亮点

1. 创新性：本研究首次将机器学习技术与单站地面气象要素结合，开发了一种新型雷电临近预警方法。
2. 实用性：该方法实现成本低，适用于广泛的应用场景，特别是在资源有限的地区。
3. 性能优越：与其他雷电预警方法相比，该方法在0-30分钟的预警提前期内表现稳定，F1得分较高。

不足之处

1. 预警区域较广：该方法基于20公里的预警区域，若缩小区域，可能导致地闪样本减少，影响模型性能。
2. 数据需求较高：模型需要至少2年的单站气象数据进行训练，对数据连续性要求较高。

总结

本研究通过机器学习技术，结合单站地面气象要素和闪电定位数据，开发了一种灵活且高效的雷电临近预警方法。该方法在重庆市8个站点上表现出良好的预警效果，具有较高的应用价值，特别是在资源有限的地区。未来的研究可以进一步优化模型，缩小预警区域，并探索更多气象要素的应用。