基于机器学习技术的黄山风景区及周围雷电临近预报方法.pdf

Oct.2023METEORENEANIOINOLOGY7472023年10 月第51卷第5期JVol.51,No.5象技科基于机器学习技术的黄山风景区及周围雷电临近预报方法姚叶青1王传辉1慕建利2张蕾1王丽娟2（1安徽省公共气象服务中心，合肥2 30 0 31；2 中国气象局公共气象服务中心，北京10 0 0 8 1）摘要为探究影响山岳型景区雷电发展的关键因素，实时掌握黄山风景区及周围雷电发展趋势，采用多普勒天气雷达、气象探空、闪电定位等多种监测数据，根据雷电发生基本物理原理，从系统强度、旺盛程度和移动趋势3个方面提取雷达回波特征作为关键预报因子，基于多种机器学习算法建立了雷电临近预报模型，结果表明：随机森林（RF）、逻辑回归（LR）、K-临近（KNN）、贝叶斯（GNB）、支持向量机（SVM)5种机器学习算法均对雷电具有一定临近预报能力，RF的TS最高，SVM漏报率最低，LR空报率最低；在RF算法中雷暴系统强度和发展旺盛程度两类因子起主要作用，其中作用最大的是雷暴系统强度中一2 0 层高度雷达基本反射率，其次是0 层以上回波厚度。关键词雷电临近预报；随机森林；多普勒天气雷达；一2 0 层雷达基本反射率；0 层以上回波厚度中图分类号：P429D0I:10.19517/j.1671-6345.20220347文献标识码：A引言雷电作为强对流天气伴随现象，可致人员伤亡、供电及通讯信息系统故障或损坏，雷电灾害被联合国列为“最严重的十种自然灾害之一”1。为有效防范雷电灾害，近年来越来越多学者开展雷电临近预报预警方法研究，大量研究显示，雷达回波强度、回波顶高等参数与雷电发生存在较高相关性2-9，同时雷电发生时大气电场强度出现跃变等特征10-131为此，目前雷电临近预报主要采用雷达回波参量、大气电场强度等要素14-15，利用阈值判定、决策树、线性回归等方法5-131，如美国空军第45天气中队给出了以雷达为工具的雷电临近预报经验判定规则，主要包括最大回波强度及其出现高度、强回波体积、回波顶高等参数，通过判定规则预报云闪、地闪5。吕伟涛等6 利用雷达回波强度及其变化率、回波顶高等参数，建立雷电活动概率预报模型。王飞等7、周明薇等8 、刘维成等9 从35dBz或40 dBz雷达回波是否突破0、一10 等特性层高度等角度进行关注，通过阈值判定或决策树方法预报雷电发生及出现时间。姚叶青等10 1通过对已出现闪电的风暴进行追踪和外推来进行雷电临近预报。周俊驰等1、王振会等12 、行鸿彦等13 主要从雷电活动中大气电场变化特征的角度进行研究，采用阈值法或建立回归方程进行雷电预警。大量研究表明，虽然雷暴云电荷结构呈现偶极、三级或多极性，而起电区主要位于0 层及以上不同高度，正负电荷区交错存在，0 层以上冰晶、霞、冰粒子数浓度、大小及垂直运动等是雷电非感应起电机制主要影响因子16-0 。近年来雷电活动期间雷达回波特征的大量分析研究也印证了上述结论，如：雷电与0 层以上雷达回波强度存在较好相关性，雷电发生时0 层、一10 层、一2 0 层位势高度雷达反射率因子大、雷达回波顶高达7 km以上、垂直积分液态含水量大等雷达回波特征3.7.91，这些雷达回波特征体现了雷暴云中冰晶、霰、冰電粒子数浓度以及粒子大小，这与雷暴云非感应起电机制相吻合。同时研究表明，雷电活动强度http:/气象科技家重点研发计划项目（2 0 18 YFC1507802），安徽省气象局创新发展专项（CXM202207）资助国家重点研发计划项目（2 0 18 YFC1507802），安徽省气象局创新发展专项（CXM202207）资助作者简介：姚叶青，女，197 0 年生，硕士，正研级高级工程师，研究方向灾害性天气预报方法及服务关键技术研究，Email：z mh h t 16 3.c o m收稿日期：2 0 2 2 年8 月2 5日；定稿日期：2 0 2 3年5月2 5日气象科技编辑部（CCBY-NC-ND4.0）748象第51卷技科与雷暴发展强度为正相关关系2 。可见，雷电大多产生于发展强盛的雷暴云中。以上大量文献表明，雷暴云发展强度、旺盛程度及移动趋势对雷电位置变化和发展趋势有较强指示意义。近年来机器学习算法在气象观测、数值天气预报、强对流天气识别预警以及卫星资料等领域应用越发广泛2 1，尤其是在天气临近预报领域，广泛应用在风速短期、超短期预报2-2 3，雷达图像外推2 41，以及雷电临近预报14-15.2 51等等方面。以数据驱动的机器学习算法在气象科学领域应用并非取代物理建模方法，而是对物理建模方法补充和丰富，同时机器学习算法应遵循基本物理规律2 6 从以往研究中可以发现，目前大气电场仪有效监测范围小，数据质量参差不齐，推广到其他地区有一定难度。利用雷达数据进行雷电预报中，预报因子选取主要通过雷电与雷达产品相关性分析，导致影响雷电发生的预报因子可能被漏选。为此，本文基于雷暴云中非感应起电机制，从雷暴系统强度、旺盛程度及移动趋势3个方面的雷达特征提取预报因子，采用多种机器学习算法对比研究，选取最优方法建立雷电临近预报模型，取得了较好的效果，为其他地区雷电临近预报提供参考。1资资料与方法1.1数据资料安徽省气象信息中心提供的2 0 15年9 月到2019年5月0 8：0 0 和2 0：0 0 每日2 次安庆站气温和位势高度探空数据，安庆探空站位于研究区域西侧6 0 km处；6 min间隔的黄山光明顶和铜陵多普勒天气雷达基数据，两站距离相对较近，其观测范围可覆盖黄山景区全境；以及研究区域范围内的闪电定位数据。研究区域为黄山风景区及周边（117.6 118.6E，2 9.7 30.7 N），地形情况见图1。1.2预报因子的预处理针对气象探空和雷达基数据两方面数据进行预处理。气象探空数据主要用来确定以下两方面指标，其一是0、-10、一15、-2 0、一30 层共5层温度层的位势高度；其二，计算0 层和一2 0 层位势高度差（H。-2 0）。1.2.1雷暴云发展强度为反映雷暴云强度，预报因子选取0、一10、15、一2 0、一30 共5层基本反射率因子31.2Nm140031.01300120030.8110030.6X100090030.480030.270060030.050029.840030029.6117117.3 117.6117.9 118.2118.5E图1黄山风景区及周边（黑线所围区域）海拔高度分布（为铜陵雷达站；为光明顶雷达站；X为安庆探空站）Fig.1 Altitude of Huangshan Scenic Area and its surroundings(surroundedbytheblack line)(T o n g li n g r a d a r;G u a n g m i n g d i n g r a d a r;X A n q i n g r a d i o s o n d e)（Ba s i c Re f le c t i v i t y，以下简称BR）、垂直积分液态水含量（Vertical Integrated Liquid，以下简称VIL)以及VIL与回波顶高的比值。为区分不同方位回波强度对雷电发生的影响，进一步将一10 层高度的BR按照方位分为东北（NE_BR）、东南（SE_BR）、西南（SW_BR)和西北（NW_BR)4个象限。1.2.2雷暴云旺盛程度选取回波顶高（EchoTop，以下简称ET）和0层以上回波厚度2 个方面来反映回波旺盛程度。0 层以上回波厚度为ET与0 层位势高度之差。1.2.3雷暴云移动趋势雷暴云前侧对流区通常表现为雷达基本反射率梯度大，雷电多发生于雷暴前侧对流云中，后侧多为层状云回波，较少产生雷电2 7 ，所以雷达基本反射率梯度大值区也是接下来发生雷电高风险地区。选取0 和一10 层高度雷达基本反射率水平梯度（分别记为0 _grad和一10 _grad），用以反映雷电移动趋势。具体做法是分别计算X方向梯度和Y方向梯度，对任意一点A（，y,）X方向梯度和Y方向梯度计算方法见式（12），进而采用利用式（3）得到平面梯度。X林度=(Br(1u+1y.)-Br(a,-1 y,)/2(1)Y林度=(Br(Tu a+1)Br(n y-1)/2（2）亚面样庙2）1/2（3）平面梯度=（X梯度”+Y梯度）1/2式中，BR为基本反射率因子。749第5期姚叶青等：基习技术的黄山风景区及周围雷电临近预报方法2雷电临近预报方法建立2.1建模样本准备雷电发生发展主要有3方面的影响因素，分别为反映对流系统的强度因素、反映对流系统发展旺盛程度因素以及反映对流系统移动趋势因素。从这3个方面进行总结预报模型的16 项输入因子(表1)。表1车输入预报因子Table 1A list of model input factors类别预报因子含义简写0层BR（基本反射率因子）反映0 层液态、固态混合降水粒子数浓度、大小0 _BR-10层BR反映一10 层过冷却水滴和霰、冰等固态粒子数浓度、大小-10_BR-15层BR反映一15层冰晶、霰、冰雷等降水粒子数浓度、大小-15_BR-20层BR反映一2 0 层冰晶、霞、冰電等降水粒子数浓度、大小-20_BR-30层高度BR反映一30 层冰晶、霞、冰電等降水粒子数浓度、大小-30_BR系统第一象限一10 层BR反映一10 层第一象限过冷却水滴和固态粒子数浓度、大小NE_ BR强度第二象限一10 层BR反映一10 层第二象限过冷却水滴和固态粒子数浓度、大小SE_BR第三象限一10 层BR反映一10 层第三象限过冷却水滴和固态粒子数浓度，大小SW_BR第四象限一10 层BR反映一10 层第四象限过冷却水滴和固态粒子数浓度、大小NW_BRVIL（垂直积分液态水含量）系统垂直总含水量VILVIL/ET（回波顶高）系统垂直单位厚度平均含水量VIL/ETET系统发展高度ET旺盛0层以上回波厚度0层以上系统厚度，反映起电区厚度ET-Ho程度0与一2 0 层位势高度差反映0 与一2 0 层空气密度，影响大气稳定性，从而影响系统旺盛程度DHo-20移动0层BR梯度反映雷电活动趋势和系统可能移动趋势o_g r a d趋势-10层BR梯度反映雷电活动趋势和系统可能移动趋势-10_g r a d将16 个预报因子通过线性插值方式形成1kmX1km分辨率数据集，利用闪电定位仪数据作为真实雷电发生数据，将闪电出现位置与出现前半小时内半径10 km范围内要素进行匹配，形成数据集样本，剔除掉雷达组合反射率小于15dBz的样本（在预测中直接将雷达组合反射率小于15dBz的地区输出无雷电）。通过2 0 15年9月到2 0 19年5月共整理得到348 457 个样本。在同一次雷暴过程中往往同一实况被多次应用，为此间隔2 个雷达体扫时间取一次样本。考虑到样本中无雷电发生数据比例过高，对无雷电发生样本进行随机抽取达到样本均衡目的，最终形成有雷电与无雷电样本比例为1：3，共得到有效样本数量为59 133个2.2预测结果及检验采用RandomForest(RF)、Lo g i s t i c Re g r e s s i o n(LR）、K-Ne a r e s t Ne ig h b o r（K NN）、G a u s s ia n NB(GNB)和Support Vector Machines(SVM)共5种算法对样本进行训练，模型中不同的参数设置预测的结果会略存差异，通过不断试验，本研究各方法采用的参数见表2。将2.1节中有效样本按照3：1的比例随机分为训练集和测试集，利用5种机器学习算法使用训练集进行训练，建立5种预测模型。利用测试集进行测试评估，具体测试方法和流程如下：首先将雷达产品插值为1km1km的格点数据，将数据输入训练好的预报模型后形成1km1km的雷电未来30min的是否发生的预报数据；然后用未来30 min内10 km半径范围内监测到闪电作为雷电出现实况对该预报结果进行准确性评估。测试情况见图2，其中漏报率、空报率和TS评分见式（4）（6）。(6)（5）确次数）有闪电预报正空报率：空报人（空报次数750象第51卷技科表2 5种机器学习算法参数设置Table2Parameter settings in 5 machine learning algorithms算法参数设置n_estimators=10;criterion=gini;max_depth=9;min_samples_split=2;min_samples_leaf=l;min_weight_fraction_leaf=O;max_features=auto;max_leaf_nodes=None;min_impurity_decrease=O.;min_impurity_split=None;RFbootstrap=True;oob_score=False;n_jobs=l;random_state=None;verbose=0;warm_start=False;class_weight=Nonepenalty=12;dual=False;tol=le-4;C=1.0;fit_intercept=True;intercept_scaling=1;LRclass_weight=None;random_state=None;solver=liblinear;max_iter=100;multi_class=ovr;verbose=0;warm_start=False;n_jobs=1n_neighbors=5；w e ig h t s=u n if o r m;a lg o r it h m=a u t o;le a f _s iz e=30;p=2;KNNmetric=minkowski;metric_params=None;n_jobs=1GNBpriors=NoneC=-1.0;kernel=rbf;degree=3;gamma=auto;coefo=0.0;shrinking=True;SVMprobability=False;tol=le-3;cache_size=200;class_weight=None;verbose=False;max_iter=-l;decision_function_shape=ovr;random_state=None1.0120007(a)(b)回漏报率 通空报率巴TS评分口无闪电预报正确闪电漏报0.8口闪电空报有闪电预报正确SL/90000.660000.4-230000.200RFLRKNNGNBSVMRFLRKNNGNBSVM机器学习算法机器学习算法图2 利用测试集得到不同机器学习算法雷电预警模型测试结果：(a)各机器学习算法空报、漏报和预报正确数量，（b)各机器学习算法空报率、漏报率和TS评分Fig.2The lightning nowcasting model test results of different machine learning algorithms using the test set:(a)the number of false alarm,missing alarm and correct reports for each machine learning algorithm;(b)the false alarm rate,missing alarm rate and TS for each machine learning algorithm漏报率=漏报次数/（漏报次数十有闪电预报正确次数）(4)TS=有闪电预报正确次数/（空报次数十漏报次数十有闪电预报正确次数）通过图2 可以看出，5种机器学习算法中，RF算法TS最高，LR算法空报最少，但漏报较多。KNN和GNB在各项指标没有明显突出方面，各项指标表现相对均衡。SVM算法漏报最少，但其空报明显高于其他算法，刘承启等2 5 利用决策树和SVM在雷电临近预报对比中得到相似的认识。可751姚叶青等：基于机器学习技术的黄山风景区及周围雷电临近预报方法第5期以看到，整体上不同预测方法准确率相差不大，但不同的算法优势不同。例如SVM算法正确率最低，但是闪电漏报确最少，在实际应用中可根据实际需求选取相应算法。下面以TS最高的RF为例分析各预报因子重要性。2.3各预报因子重要度评估RF算法能够根据各预报因子在RF中每棵树上做贡献大小，通过计算基尼系数作为衡量指标，贡献最大因子定义为10 0，计算其他各因子与贡献最大因子相对数值，作为各预报因子重要度（图3）。可以看到，在各预报因子中，一2 0 层BR在RF模型中重要度最高，其次为0 层以上回波厚度，其数值为30.8 9，另外大于2 0 预报因子包括一10 层BR、0 层BR、一30 层BR、VIL和VIL/ET。由此可见，在RF算法中系统强度和旺盛程度两类因子起最主要的作用。1007550-250.0a.0Hapel80.01-TILE/TIApei0.0预报因子图3各预报因子重要度Fig.3Importance of each factor3典型雷电过程预报案例研究表明，中国雷电主要集中在4一9月午后时段2 8 。2 0 2 1年8 月2 9日午后黄山风景区及周围出现了大范围强雷暴过程伴有大量的闪电发生，利用第2 节RF模型输出雷电预报结果与未来30 min闪电定位仪得到闪电实际出现位置（图4）。从图4中可以看出实际闪电发生区与预报区域基本一致，在闪电高发区约152 0 km范围内存在部分空报，边缘有一些零星漏报，而6 min一次的预报更新基本可以解决漏报问题。在整个过程中空报率0.42 5，漏报率0.37 8，TS0.426。可见，RF模型在黄山景区具有较好的预报效果。(a)13:1830.6N30.430.230.029.8117.6117.8118118.2118.4 E(b)13:4830.6N30.430.230.029.8117.6117.8118118.2118.4E30.6N(c)14:1830.430.230.029.8117.6117.8118118.2118.4E(d)15:0030.6N30.430.230.029.8117.6117.8118118.2118.4E图42021年8 月2 9 日黄山风景区周围闪电预报及实况对比（-为未来30 min闪电实况；灰色区域为闪电预报）Fig.4 Comparison lightning forecast to live around HuangshanScenic Area on August 29,2021（-,a c t u a l l i g h t n i n gin the next 30 minutes;gray areas,lightning forecast)752象第51卷技科4结论与讨论利用多普勒天气雷达、气象探空数据，根据雷电非感应起电原理，以雷达回波变量及其变形变量做为模型输人数据。采用不同机器学习算法建立黄山风景区及周围雷电临近预报模型，经过检验和典型个例研究得到以下几方面认识。(1)RF、LR、K NN、G NB和SVM共5种机器学习算法均对雷电具有一定临近预报能力，整体RF最优，SVM漏报率最低，LR空报率最低。(2)在RF算法中系统强度和旺盛程度两类因子起主要作用，其中一2 0 层BR起的作用最大，其次为0 层以上回波厚度。使用目前应用较为广泛的5种机器学习算法进行建模，当前机器学习算法较多，随着深度学习算法不断完善，可能对雷电的临近预警有进一步推进作用。研究中采用的5种机器学习算法均是善于分类的算法，如需预测雷电密度等连续变量，可以考虑采用回归算法，采用的5种算法不一定是最优的算法。另外，不同机器学习算法中参数设置较为复杂，虽然在研究过程中对其参数进行一定程度的优化设置，但对不同地区、不同场景下参数仍有进一步调优空间。参考文献1许小峰。雷电灾害与监测预报J.气象，2 0 0 4，30（12）：17-21.Xu X F.Lightning induced disasters and its detectingand forecasting LJJ.Meteor Mon（in C h in e s e),2 0 0 4,30(12):17-21.2孟青，樊鹏磊，郑栋，等.青藏高原那曲地区地闪与雷达参量关系J.应用气象学报，2 0 18，2 9（5）：52 4-533.Meng Q,Fan P L,Zheng D,et al.Relationships between cloud-to-ground lightning and radar parameters at Naqu of the Qinghai-Tibet PlateauJ.JAppl Meteor Sci(in Chinese),2018,29(5):524-533.3李国梁，李俊，李享，等.武汉地区雷电预警阈值研究.气象科技，2 0 15，43(5)：8 7 4-8 7 9.LiGL,LiJLiX，e ta l.Thresholds of lightning warning in Wuhan JJ.Meteorol SciTechnol（in C h in e s e),2 0 15,43(5):8 7 4-8 7 9.4常越，陈德生，郭在华，多普勒天气雷达与雷电预警关系研究JJ.气象与环境科学，2 0 10，33(1）：36-39ChangY，Ch e nD.Guo Z H.Research on the relationship of doppler radar andthe lightning warning JJ.Meteor Environ Sci(in Chinese),2010，33(1):36-39.5Roeder W P,Pinder C S.Lightning forecasting empirical tech-niques for central florida in support of Americas space programCJ/16th Conference on Weather Analysis and Forecasting,1998:475-477.6吕伟涛，张义军，孟青，等雷电临近预警方法和系统研发JJ.气象，2 0 0 9，35(5)：10-18.LyuWT,ZhangYJ,Meng Q,et al.Development of lightning nowcasting andwarning method and system J.Meteor Mon(in Chinese),2009,35(5):10-17.7王飞，张义军，赵均壮，等雷达资料在孤立单体雷电预警中的初步应用.应用气象学报，2 0 0 8，19（2）：153-16 0.Wang F,Zhang Y J,Zhao J Z,et al.The prelimiary applica-tion of radar data to the lightning warning of isolated stormcells JJ.J Appl Meteor Sci(in Chinese),2008,19(2):153-160.8周明薇，王道平，罗龙友，等。基于闪电定位和雷达资料的邵阳地区雷电预报预警研究J气象与环境学报，2 0 2 1，37(3):117-124.Zhou MW,Wang DP,Luo LY,et al.Re-search on lightning forecast and early warning in Shaoyang areabased on lightning location and radar data JJ.Journal of Me-teorology and Environment（in C h in e s e)，2 0 2 137（3):117-124.9刘维成，苟尚，傅朝雷达资料在高原东北侧雷电预警中的应用LJJ.气象，2 0 15，41(10)：12 53-12 59.LiuWC，G o u S,Fu Z.Application of radar data in lightning warning over theNortheast of Tibetan Plateau J.Meteor Mon(in Chinese),2015,41(10):1253-1259.10姚叶青，袁松，张义军，等。利用闪电定位和雷达资料进行雷电临近预报方法研究JI.热带气象学报，2 0 11，2 7（6）：90 5-9ll.Yao YQ,Yuan S,Zhang Y J,et al.A study of light-ning nowcasting method using LD-II and CINRAD-SA radardata JI.JTrop Meteor(in Chinese),201l,27(6):905-91l.11】周俊驰，王振会，冯民学，等。南京周边地区雷暴过境时电场特征及其在预警中的应用J.高原气象，2 0 13，32（5）：147 0-1477.ZhouJC,Wang ZH,Feng M X,et al.Applicationof atmospheric electric field data on lightning prediction aroundNanjing J.Plateau Meteorology(in Chinese),2013,32(5):1470-1477.12王振会，徐栋璞，曾庆锋，等。利用地面大气电场和雷达资料进行雷电临近预报方法.科技导报，2 0 12，30（14)：42-48.Wang Z H,Xu D P,Zeng QF,et al.Method of lightningforecasting using atmospheric electric field and radar data JJ.Science&Technology Review(in Chinese),2012,30(14):42-48.13行鸿彦，张强，季鑫源，等基于地面电场资料的雷暴临近预报研究JJ.大气科学学报，2 0 17，40（1）：111-117.XingHY,Zhang Q,Ji X Y,et al.Experimental research on thunder-storm nowcasting based on atmospheric electric field data J.Trans Atmos Sci(in Chinese),2017,40(1):111-117.14赵生昊，覃彬全，杜乐基于机器学习和单站地面气象要素的雷电临近预警方法J.气象科技，2 0 2 2，50（1）：12 1-12 8.753第5期姚叶青等：基于可技术的黄山风景区及周围雷电临近预报方法Zhao S H,Qin B Q,Du L.Warning method of lightning now-casting based on machine learning and single station groundmeteorological elements J.Meteorol Sci Technol(in Chi-nese),2022,50(1):121-128.15李健，王宇，刘泽，等基于雷达反射率因子和雷电定位数据的深度学习雷电预报模型J.气象科技，2 0 2 2，50（5）：7 2 4-733.Li J,Wang Y,Liu Z,et al.Research of lightning fore-casting based on deep learning model with radar reflectivityfactors and lightning location data EJJ.Meteorol Sci Technol(inChinese),2022,50(5):724-733.16 Takahashi T.Riming electrification as a charge generationmechanism in thunderstorms JJ.J Atmos Sci,1978,35(8):1536-1548.17J Williams E,Boldi B,Matlin A,et al.The behavior of totallightning activity in severe Florida thunderstorms J.AtmosRes，19 9 9,51(3):2 45-2 6 5.18 Williams E R.The electrification of severe storms CJ/Bos-ton MA:Amer Meteor Soc,200l:527-561.19郑栋，张文娟，姚雯，等.雷暴闪电活动特征研究进展J热带气象学报，2 0 2 1，37（3）：2 8 9-2 97.ZhengD，Zh a n g W J，Yao W,et al.Research progress of lightning a activity inthunderstorms JJ.Journal of Tropical Meteorology(in Chi-nese),2021,37(3)：2 8 9-2 97.2oJ Deierling W,Latham J,Petersen W A,et al.On the relation-ship of the thunderstorm ice hydrometeor characteristics andtotal lightning measurements J.Atmos Res,2005,76(2):114-126.2 1杜智涛，姜明波，杜晓勇，等机器学习在气象领域的应用现状与展望J.气象科技，2 0 2 1，49（6）：930-941DuZT，Jiang M B,Du X Y,et al.Application status and prospect ofmachine learning in meteorology J.Meteorol Sci Technol(inChinese),2021,49(6)：9 30-9 41.2 2 方楠，姜舒婕，闫晓敏，等基于长短期记忆神经网络的风速超短期快速滚动预报技术J.气象科技，2 0 2 2，50（6）：8 42-850.Fang N,Jiang SJ,Yan X M,et al.Research on ultrashort-term fast rolling prediction technology of wind speedbased on LSTM neural network JJ.Meteorol Sci Technol(inChinese),2022,50(6):842-850.2 3刘志丰，丁锋.基于人工神经网络的沿海风速多步预测研究JJ.气象科技，2 0 2 2，50（6)：8 51-8 58.LiuZF，D i n g F.Research on application of artificial neural network for sea sur-face wind speed forecasting J.Meteorol Sci Technol(in Chi-nese),2022,50(6):851-858.2 4尹麒名，甘建红，漆慧，等。一种改进的循环神经网络雷达图像外推算法JJ.气象科技，2 0 2 1，49(1)：18-2 4YinQM，Gan J H,Qi H,et al.An improved algorithm of radar imageextrapolation based on recurrent neural network JJ.MeteorolSci Technol(in Chinese),2021,49(1):18-24.2 5刘承启，黄学坚，徐健锋，等。基于决策树和粗糙集的高分辨率短时临近雷电预报模型J.南昌大学学报（理科版），2 0 14，38(6):559-563+568.Liu CQ.HuangXJ,XuJF,etal.A forecast model of high-resolution and short-term approac-hing thunderstorms based on decision tree and rough set J.Journal of Nanchang University（Na t u r a l Sc i e n c e）（i n Ch i-nese)，2 0 14,38(6)：559-56 3+56 8.2 6 贺洁颖，唐伟，周勇，等。人工智能在气象科学中应用的机遇和挑战JJ中国信息化，2 0 19（12）：7 9-8 1HeJY，T a n gW,Zhou Y,et al.Opportunities and challenges in the applica-tion of artificial intelligence in meteorological science LJJ.In-formatization of China(in Chinese),2019(12):79-81.2 7 慕建利，李泽春，谌云一次强暴雨过程地闪活动特征与中尺度对流系统和强降水的关系J.气象，2 0 12，38（1）：56-6 5.Mu J L,Li Z C,Chen Y.Characteristics of ground lightningand relationships of mesoscale convective systems and heavyrainfall in a strong rainstrom J.Meteor Mon(in Chinese),2012,38(1)：56-6 5.28林建，曲晓波中国雷电事件的时空分布特征J气象，2008,34(11):22-30.Lin J,QuXB.Spatial and temporalcharacteristics of thunderstorm in China J.Meteor Mon(inChinese),2008,34(11):22-30.Editorial Office of Meteorological Science and Technology(CC BY-NC-ND 4.O)Acce2023-05-25Received:2022-08-25754第51卷象技科Lightning Nowcasting Method in Huangshan Scenic Spot and ItsSurroundings Based on Machine Learning AlgorithmYAO YeqingWANG ChuanhuiMU Jianli2ZHANG LeilWANG Lijuan(1 Anhui Public Meteorological Service Center,Hefei 23003;2 China Meteorological AdministrationPublic Meteorological Service Center,Beijing 100081)Abstract:Lightning disasters are now recognised as one of the top ten most severe natural calamities,being particularly frequent in mountainous areas.The continuous growth of tourism has led to significantimpacts on tourists and cable cars,especi