【技术实现步骤摘要】
本专利技术涉及飞行安全，尤其是涉及一种基于机器学习的对流性颠簸预报方法。
技术介绍
1、目前，对流性颠簸的准确预测对天气预报和飞行安全具有重要的意义。传统的对流性颠簸预报方法主要基于经验模型和数值模拟模型。然而，这些方法存在一些局限性和不足之处。首先，基于经验模型的预测方法往往依赖于人工经验和主观判断，缺乏科学的数学算法支持。这种方法对特定气象条件的适应性较强，但无法在复杂多变的气象环境下进行准确预测，存在预测精度低的问题。其次，基于数值模拟模型的预测方法使用复杂的数学模型和气象数据进行预测，能够提供更加详细的气象参数，但仍然存在一些问题。这些模型的运行时间较长，实时性差，无法满足飞行安全等紧急需求。此外，这些模型需要大量的计算资源和数据输入，对于预测结果的稳定性和可靠性也存在一定挑战。因此，亟需一种新的对流性颠簸预报方法来克服上述问题。基于机器学习的方法在气象预测领域具有广泛应用前景。该方法通过分析大量的历史数据和气象条件，利用高效的机器学习算法和模型，能够更准确地预测对流性颠簸的发生和发展趋势。它能够充分利用大数据和人工智能的优势，提高预测精度和时效性，为天气预报和飞行安全提供更可靠的决策支持。在当前的
中，存在着一些问题和挑战，需要通过创新的解决方案来解决。本专利技术旨在提供一种改进的技术，以解决现有技术中存在的一些限制和不足之处。
技术实现思路
1、本专利技术的目的是提供一种基于机器学习的对流性颠簸预报方法，以解决上述
技术介绍
中提到的问题。
2、为实现上述
3、s1、获取包含飞行颠簸信息的飞行员报告，利用葵花8号卫星13号通道亮温数据，判断飞行颠簸信息是否为对流性颠簸，确定目标飞行员报告；
4、s2、从飞行颠簸信息中解析出颠簸参数，并获取与颠簸参数对应的目标气象数据；其中，颠簸参数包括：颠簸时间、颠簸高度和颠簸位置；
5、s3、根据目标气象数据，计算出预设颠簸指标的颠簸指数；
6、s4、将颠簸指数输入到预训练好的预测模型中，并获取预测模型的输出得到与飞行颠簸信息对应的颠簸等级。
7、优选的，包含飞行颠簸信息的飞行员报告中，云顶亮温小于237k为对流性云，为对流性颠簸，云顶亮温高于237k为非对流性颠簸；若是对流性颠簸，则将飞行员报告设置为目标飞行员报告。
8、优选的，预设颠簸指标包括：a指数、k指数、沙氏指数，简化的沙氏指数，抬升指数和总指数。
9、优选的，计算出预设颠簸指标的颠簸指数，具体包括：
10、a指数计算公式如下：
11、a＝(t850-t500)-[(t-td)850+(t-td)700+(t-td)500]
12、其中第一项为850hpa与500hpa的温度差，第二项为850hpa的温度露点差，第三项表示700hpa的温度露点差，第四项表示500hpa的温度露点差；
13、k指数计算公式如下：
14、k＝(t850-t500)+td850-(t-td)700
15、其中第一项为850hpa与500hpa的温度差，代表温度递减率，第二项为850hpa的露点，表示低层水汽条件，第三项为700hpa的温度露点差，反映中层饱和程度和湿层厚度；
16、沙氏指数计算公式如下：
17、si＝(te-tp)500
18、沙氏指数是指气块从850hpa开始，干绝热上升至抬升凝结高度，然后按湿绝热递减率上升至500hpa，在500hpa上的环境温度与该上升气块达500hpa的温度的差值；在si＞0，表示气层稳定，si＜0，表示气层不稳定，负值越大，气层越不稳定；
19、简化的沙氏指数计算公式如下：
20、ssi＝te500-tp
21、简化的沙氏指数是指，将850hpa的气块按干绝热递减率上升至500hpa，该上升气块温度tp与500hpa的环境温度te500之间的插值，单位为℃，量级为10-1-101；
22、抬升指数计算公式如下：
23、li＝te850-tp500
24、抬升指数是指气块从自由对流高度出发，湿绝热上升至500hpa处的温度与500hpa环境温度之差，单位为℃，量级为10-1-101；当li为负值时，表示气块不稳定；
25、总指数计算公式如下：
26、tt＝t850+td850-2t500
27、其中第一项为850hpa的温度，第二项为850hpa的露点，第三项为500hpa的温度；总指数单位为℃，量级为100-102。
28、优选的，执行s4之前建立决策树模型：
29、将目标气象数据作为样本数据集，将样本数据集划分为训练集和测试集；
30、构建随机森林模型是建立多个决策树模型，并通过对样本数据进行有放回抽样的方式，构建不同的训练数据集；
31、针对每个决策树，随机森林通过对特征的随机选择，建立分支节点，不断递归地划分子节点，直到满足终止条件，并通过计算基尼系数或信息增益指标，确定最佳的分支点，生成一个完整的决策树。
32、优选的，s4具体包括：
33、集成所有决策树的结果，进行平均预测，得到最终的预测结果，根据模型训练得到分类规则和阈值设置，对新的输入数据进行预测，得到对流性颠簸的等级分类结果。
34、因此，本专利技术采用上述的一种基于机器学习的对流性颠簸预报方法，通过筛选飞行员报告和结合颠簸的位置高度和强度信息，利用机器学习模型进行自动分类，能够更加准确地识别和分类对流性颠簸，从而提高预测的准确性和时效性。为天气预报和飞行安全提供更可靠和快速的决策支持，减少飞行事故的发生概率，降低人员和财产损失。
35、下面通过附图和实施例，对本专利技术的技术方案做进一步的详细描述。
本文档来自技高网...【技术保护点】
1.一种基于机器学习的对流性颠簸预报方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于机器学习的对流性颠簸预报方法，其特征在于，步骤S1中的判断依据为：包含飞行颠簸信息的飞行员报告中，云顶亮温小于237K为对流性云，为对流性颠簸，云顶亮温高于237K为非对流性颠簸；若是对流性颠簸，则将飞行员报告设置为目标飞行员报告。
3.根据权利要求1所述的一种基于机器学习的对流性颠簸预报方法，其特征在于，预设颠簸指标包括：A指数、K指数、沙氏指数，简化的沙氏指数，抬升指数和总指数。
4.根据权利要求3所述的一种基于机器学习的对流性颠簸预报方法，其特征在于，计算出预设颠簸指标的颠簸指数，具体包括：
5.根据权利要求1所述的一种基于机器学习的对流性颠簸预报方法，其特征在于：执行S4之前建立决策树模型步骤如下：
6.根据权利要求5所述的一种基于机器学习的对流性颠簸预报方法，其特征在于，S4具体包括：
【技术特征摘要】
1.一种基于机器学习的对流性颠簸预报方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于机器学习的对流性颠簸预报方法，其特征在于，步骤s1中的判断依据为：包含飞行颠簸信息的飞行员报告中，云顶亮温小于237k为对流性云，为对流性颠簸，云顶亮温高于237k为非对流性颠簸；若是对流性颠簸，则将飞行员报告设置为目标飞行员报告。
3.根据权利要求1所述的一种基于机器学习的对流性颠簸预报方法，其特征在于，...
【专利技术属性】
技术研发人员：邵靖媛，庄子波，秦宇怡，张春晖，
申请(专利权)人：中国民航大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。