基于XGBoost与特征重要性筛选的闪电预报模型构建研究

作者：陶世银; 贺敬安^*

来源：国外电子测量技术, 2022, 41(01): 99-105.

DOI：10.19652/j.cnki.femt.2103129

• 闪电预报
• 机器学习
• 特征重要性筛选
• XGBoost
• ERA5

使用2019年5～7月青海地区的ERA5再分析资料与同期闪电定位资料，结合机器学习方法构建闪电发生的预报模型。首先选取ERA5中与闪电发生具有较好相关性的特征，及对应闪电定位数据，基于XGBoost算法训练初始模型，得到特征重要性排序；其次引入特征重要性筛选方法，用以去除无效的噪声特征，利用筛选后的数据重新训练得到最终模型；最后使用同年8月中下旬的数据对预报模型的性能进行测试。结果表明，相比传统的支持向量机(SVM)闪电预报模型，基于XGBoost构建的初始模型在各预报评价指标上的提升明显。而经过特征重要性筛选后的最终模型，在测试数据上的预报命中率为0.779,虚警率为0.838,临界成功指数为0.154,相较与初始模型，平均预报性能进一步提升了9%。

• 单位
  青海省气象灾害防御技术中心