CN106526708A - 一种基于机器学习的气象强对流天气的智能预警分析方法 - Google Patents

Abstract

本发明公开一种基于机器学习的气象强对流天气的智能预警方法，通过服务器接收强对流天气预警基本数据，包含闪电定位数据、天气电场数据、自动站气象要素实况数据、雷达实况基数数据等，根据历史气象数据以基于回归分析法为各区域提供本地化强对流天气预警阀值；通过多种气象要素的大数据的回归分析计算得到实时气象综合数据，并与预警阈值进行比较，生成预警信息。本发明利用机器学习的回归分析方法对气象历史数据进行回朔及数据回推，并根据语境阀值的动态计算与智能调整，同时将雷达外推结果与自动站气象要素实况数据进行数据对比，运用基于机器学习对强对流天气进行识别及预警，实现对指定区域的强对流气象的精准预警。

Description

一种基于机器学习的气象强对流天气的智能预警分析方法

技术领域

本发明涉及气象预报及预警领域，具体涉及一种利用气象大数据并基于机器学习的气象强对流天气的智能预警分析方法。

背景技术

强对流天气是主要的气象灾害性天气之一，是气象部门重点监测的对象。强对流天气是发生突然、移动迅速、天气剧烈、破坏力极强的灾害性天气，主要有雷雨大风、冰雹、***、局部强降雨等。有效、快速地提高对强对流天气的识别预报率，能减少人民生命财产和工农业生产的损失。不同的地点因受地形、季节等因素的影响，使得对强对流天气预警的阀值会有所不同，如何进行本地化强对流天气预警分析是一大难题。传统方式的强对流气象预警中，不考虑本地化问题，只根据气象雷达基数据资料进行预报预警，其预警能力较弱，预警精度较低；传统的强对流天气预警中，根据经验进行手工预警阀值处理，往往无法得到合理的预警阈值，而导致预警信息的误判或者降低了预警的精度。

发明内容

为了解决上述问题，提出了一种基于机器学习的气象强对流天气的智能预警分析方法，该方法利用机器学习的回归分析方法对自动站历史数据进行回朔及数据回推实现对定点区域气象灾害预警阀值进行推演识别和设置，将雷达外推结果与自动站气象要素实况数据进行数据对比，运用基于机器学习的对强对流天气进行识别及预警。

本发明的目的至少通过如下技术方案之一实现。

一种基于机器学习的气象强对流天气的智能预警方法，其包括：

利用基于机器学习方法对当前分析区域的气象历史数据进行回朔及数据回推，确定当前定点区域气象灾害预警阀值Y；

接收当前分析区域的实时气象基本数据，所述实时气象基本数据包含闪电定位数据、大气电场数据、自动站气象要素实况数据、气象雷达基数据；

对接收的实时气象基本数据进行分析，通过实时气象基本数据中所含有的定位数据，对强对流天气发生区域进行定位和分区，从而确定该强对流天气预警信息发布区域；

根据获得的实时气象基本数据，综合判断当前分析区域的实时气象综合数据R，并与所述设定的预警阈值Y进行比较，根据比较值大小确定是否进行强对流天气预警。具体步骤如下：

1.1 设定需要分析的区域；根据设定的分析区域，提取已经获得的该区域的实时气象基本数据数据；

1.3分析当前区域的实时雷达回波强度数据，将雷达回波强度数值设置为X1；当前季节时间设置为X2；分析大气场强数据，将其数值设置为X3；分析闪电落点，设置为数据X4；分析当前区域的风力，将其数值设置为X5；分析当前区域降水数据，将其数值设置为X6；

1.4 根据预先设定的权重，分别为：雷达回波强度W1、季节时间W2、大气场强W3、闪电落点W4、风力W5、降水W6，与上述1.3中得到的数据，进行加权计算得到当前分析区域的实时气象综合数据R，其公式为R=X1*W1+ X2*W2+ X3*W3+ X4*W4+ X5*W5+ X6*W6;

1.5 将上述得到的实时气象综合数据R，与设定的预警阈值Y进行比对；当R≥Y时，发出预警信息，否则不发出预警信息；所述预警阈值，是根据各区域气象站的历史数据进行综合判断的，预警阈值的计算方法如下：

分区域按该区域不同历史数据进行机器学习分析；首先，根据历史强对流气象数据，通过机器学习，得到一个强对流天气的预警初始阀值Y；其次根据最近一次或多次强对流气象数据对初始预警初始阀值Y进行人工修正。

进一步地，所述历史强对流气象数据是指该区域气象站建站以来且有记录的历史气象数据，包括雷雨大风、冰雹、***、局部强降雨等数据。

进一步地，步骤1.5对强对流天气的预警初始阀值Y进行人工修正的过程中，时间越靠后的历史数据，参考价值和权重越大；最接近目前的一次或者若干次强对流天气综合气象参数R超过预警阀值Y并显示有强对流天气发生，如果事实并没有发生，则相应提高阀值，否则降低阀值。

根据权利要求1所述的基于机器学习的气象强对流天气的智能预警方法，其特征在于，所述的气象雷达基数据，需要通过雷达外推算法，对该数据进行区域、数据格点化处理；所述雷达外推算法是定量降雨估计、雷达回波追踪、时间外推算法中的一种或者多种；

所述定量降雨估计是透过关系式Z=a*r*b求得；所述关系式中参数Z为雷达发射率，参数r为降雨率，参数a是自动雨量器数据，b是海拔2公里等高雷达反射率，以线性回归法实时校正；所述定量降雨估计，在降雨刚开始或雨量器数据不足的情况下进行估计，a、b 参数采用合符本地气候的默认值；

所述雷达回波追踪采用多尺度光流变分法，以捕捉雨区的多尺度运动；所述多尺度光流变分法为：客观地分析雨区运动的多重尺度，把相关的雷达反射率数据，以不同的分辨率，共分7层级进行光流分析，从低至高分辨率即对应尺度从大至小，逐一解出相应的光流场；

所述时间外推算法主要是采用半拉格朗日平流（semi-Lagrangian advection，简称SLA）方案，具体是指：对足量的气象历史数据采用半拉格朗日平流算法，并进行数据内插，计算出该地区在设定时间段的强对流天气的发生概率；所述雷达外推算法在时间外推中，考虑到用户个人化预报服务的需要，只选取首两小时准确度较高的预报资料；

所述数据格点化处理对雷达基数据进行分析，对线性插值或者非线性插值方法得出该区域的格点化数据；所述雷达基数据线性插值方法适用于不受外界特定障碍物影响的区域，如有高楼阻挡的区域，得出较准确的格点化数据，否则，根据该区域障碍物影响大小动态调整非线性插值的参数。

进一步地，所述雷达回波追踪还包括雷达基数据分析，并因此得出雷达回波强度dBZ值，并根据雷达回波的强度及移动趋势对该区域的影响设定相应的参数值X1；所述dBZ值为用来估算降雨和降雪强度及预测冰雹或大风灾害性天气出现的可能性；dBZ值越大降雨或降雪可能性越大，强度也越强；当dBZ值大于或等于40dBZ时，出现雷雨天气的可能性较大，当dBZ值在45dBZ或以上时，出现暴雨、冰雹、大风强对流天气的可能性较大。

进一步地，所述季节时间参数的设置方法，是通过机器学习的方法，对该区域历史数据进行分析判断，得出强对流天气不同季节的变化情况，得到大气场强数据数值X2，其中，夏季强对流天气发生频率较高，则相应设定加权数值应占比较高；

所述大气场强数据加权值的设置方法，是根据来自大气电场仪以及用于检验大气电场仪预警信息的雷电监测设备的实时采集数据，生成强对流业务可用的场强数据，最终得到大气场强数据数值X3；

所述闪电落点参数的设置方法，是根据采集来自大气电场仪以及用于检验大气电场仪预警信息的雷电落区的实时数据，对数据库内的各类气象数据进行加工处理，生成强对流业务可用的雷电落区数据，最终得到闪电落点的数值X4；

所述风力数据的设置方法，是根据该区域自动站监测的实时风力数据，根据检测到的风力数据大小最终得到风力数据的数值X5；

所述降水数据的设置方法，是根据该区域自动站监测的实时降水数据，根据检测到的降水数据大小，最终得到降水数据的的数值X6。

相对于现有技术，本发明具有以下优点：

本发明利用机器学习的回归分析方法对自动站历史数据、雷达历史资料进行回朔及数据回推，对定点区域气象灾害预警阀值进行推演识别和设置，并根据语境阀值的动态计算与智能调整，同时将雷达外推结果与自动站气象要素实况数据进行数据对比，运用基于机器学习对强对流天气进行识别及预警，生成强对流天气预警分析模型，运用机器学习对强对对流天气进行识别预警。

附图说明

图1是本发明的一种基于机器学习的气象强对流天气的智能预警分析方法的具体流程示意图。

图2是本发明的一种基于机器学习的气象强对流天气的智能预警分析方法的一个实施例流程图。

图3是本发明的一种基于机器学习的气象强对流天气的智能预警分析方法的另一个实施例流程图。

具体实施方式

以下将结合实施例和附图对本发明的具体实施作进一步举例说明，但本发明的保护和实施不限于此，需指出的是，以下若有未特别详细说明之过程或参数，均是本领域技术人员可参照现有技术实现的。

图1是本发明的一种基于机器学习的气象强对流天气的智能预警分析方法的具体流程示意图，如图所示本实施例包括：

S101，强对流天气预警分析流程开始，所述强对流天气包含雷雨大风、冰雹、***、局部强降雨气象灾害。

S102，服务器接收强对流天气中闪电定位数据。

具体的，所述闪电定位数据包括云地闪和云闪数据，所述云地闪分为正闪、负闪，所述云闪分为云内、云气和云云数据，并由此判断闪电落区。

S103，服务器接收强对流天气中大气电场仪数据。

具体的，所述大气电场仪用来测量大气电场及其变化，利用导体在电场中产生感应电荷的原理来测量电场强度。

S104，服务器接收强对流天气中自动站气象要素实况数据。

具体的，所述自动站气象要素实况数据，包括测量气象要素数据，包括温度、湿度、风向风速、气压、能见度和降雨量。

S105，智能分析判断影响区域，根据所述上述S102~S104数据，利用基于机器学习的方法智能判断受此因素影响的区域。

S106，服务器接收强对流天气中雷达实况据基数据。

S107，利用雷达外推算法对接收到的雷达实况进行处理。

具体的，所述雷达外推算法包括定量降雨估计、雷达回波追踪、时间外推算法；

进一步的，所述定量降雨估计是透过关系式Z=arb求得；所述关系式中参数Z为雷达发射率，参数r为降雨率，参数a是自动雨量器数据，b海拔2公里等高雷达反射率，以线性回归法实时校正；

进一步的，所述定量降雨估计，在降雨刚开始或雨量器数据不足的情况下，a、b 参数采用合符本地气候的默认值；

进一步的，所述雷达回波追踪在现时业务***采用多尺度光流变分法，以捕捉雨区的多尺度运动；

所述多尺度光流变分法具体来说，第一层级的分析尺度最大，取整4/13个计算域的宽度（即半径256公里的雷达扫描范围），第二层则定为计算域的五分之一宽度，而从第三层级开始，每层的分辨率设为上一层级的双倍，直至最终的第七层级。而由于每层级的光流分析，皆由上一层级的光流场提供初估值，所以在最终层级的分析之中，特别是在没有雷达回波的区域上，自动承继了所有较大尺度的运动矢量。透过这个多尺度的分析程序，雨带在每个设定分辨率或尺度下的运动矢量得以成功捕捉得到，而其整体的群速和个别回波的相位速度亦因而能够在最终的分析场中反映出来。

S108，对雷达外推数据进行区域、数据格点化。

具体的，所述区域、数据格点化处理对雷达外推数据进行分析，对线性插值或者非线性插值方法得出该区域的格点化数据；

进一步的，所述线性插值方法适用于不受外界特定障碍物影响的区域，如高楼阻挡，得出较准确的格点化数据，否则，根据该区域障碍物影响大小动态调整非线性插值的参数；

S109，对上述接收到的数据进一步进行综合分析，判断、定位强对流天气区域。

具体的，根据定位区域后的基本数据，利用基于机器学习的回归分析方法对自动站历史数据、雷达历史资料进行回朔及数据回推，对定点区域气象灾害预警阀值进行推演识别和设置，并根据预警阀值的动态计算与智能调整。

S110，输入雷达同波强度参数X1。

具体的，所述雷达回波强度dbz值根据雷达基数据分析得出，并根据雷达回波的强度及移动趋势，对该区域的影响设定相应的参数值X1。

S111，根据自动站历史数据、雷达历史资料进行回朔及数据回推，对雷达同波强度参数X1加权重W1，输出新基本数据，以此类推。

S112，输入季节时间参数X2。

S113，对季节时间参数X2加权重W2。

S114，输入大气场强参数X3。

S115，对大气场强X3参数加权重W3。

S116，输入闪电落点参数X4。

S117，对闪电落点参数X4加权重W4。

S118，输入风力参数X5。

S119，对风力参数X5加权重W5。

S120，输入降水参数X6。

S121，对降水参数X6加权重W6。

S122，根据加权后计算输出的所有新数据进行求和计算，根据公式R=X1*W1+ X2*W2+ X3*W3+ X4*W4+ X5*W5+ X6*W6，得出强对流天气分析模型的综合参数R。

S123，根据强对流天气分析模型的综合参数R与预警阀值Y对比。

具体的，强对流天气预警信息推送发送请求根据模型分析结果与预警阀值Y对比，若R≥Y大，则发送预警请求，否则不发送预警。

S124，发出强对流预警信息。

S125，强对流天气预警分分析过程结束。

图2是本发明的一种基于机器学习的气象强对流天气的智能预警分析方法的另一实施例，如图所示本实施例包括：

S201，强对流天气预报流程，所述实施例为暴雨强对流天气判断流程。

S202，暴雨强对流天气判断流程开始。

S203，服务器接收强对流天气中自动站降水数据，所述降水数据指自动站所测得降雨量。

S204，智能分析判断影响区域，根据接收到的上述降水数据，利用基于机器学习的方法智能判断受此因素影响的区域。

S205，服务器接收强对流天气中雷达实况据基数据。

S206，利用雷达外推算法对接收到的雷达实况进行处理。

具体的，所述雷达外推算法包括定量降雨估计、雷达回波追踪、时间外推算法；

进一步的，所述定量降雨估计是透过关系式Z=arb求得；所述关系式中参数Z为雷达发射率，参数r为降雨率，参数a是自动雨量器数据，b是海拔2公里等高雷达反射率，以线性回归法实时校正；

进一步的，所述定量降雨估计，在降雨刚开始或雨量器数据不足的情况下，a、b 参数采用合符本地气候的默认值；

进一步的，所述雷达回波追踪在现时业务***采用“多尺度光流变分法”，以捕捉雨区的多尺度运动；

S207，对雷达外推处理数据进行区域数据格点化。

具体的，所述数据格点化处理对雷达基数据进行分析，对线性插值或者非线性插值方法得出该区域的格点化数据；

进一步的，所述雷达基数据线性插值方法适用于不受外界特定障碍物影响的区域，如高楼阻挡，得出较准确的格点化数据，否则，根据该区域障碍物影响大小动态调整非线性插值的参数；

S208，对上述接收到的数据进行综合分析，判断、定位强对流天气区域。

具体的，根据定位区域后的基本数据，利用基于机器学习的回归分析方法对自动站历史降水数据、雷达历史资料进行回朔及数据回推，对定点区域气象灾害预警阀值进行推演识别和设置，并根据语境阀值的动态计算与智能调整。

S211，输入雷达同波强度参数X1。

具体的，所述雷达回波强度dbz值根据雷达基数据分析得出，并根据雷达回波的强度及移动趋势，对该区域的影响设定相应的参数值X1。

S212，根据自动站历史数据、雷达历史资料进行回朔及数据回推，对雷达同波强度参数X1加权重W1，输出新基本数据，以此类推。

S213，输入季节时间参数X2。

S214，对季节时间参数X2加权重W2。

S215，输入大气场强参数X3.

S216，输入降水参数X6.

S217，对降水参数X6加权重W6，输出新基本数据。

S218，根据加权后计算输出的所有新数据进行求和计算，根据公式R=X1*W1+ X2*W2+ X3*W3，得出分析模型的结果R。

S219，具体的，强对流暴雨天气预警信息推送发送请求根据模型分析结果与预警阀值Y对比，若R>Y大，则发送预警请求，反之，若R<Y，则不发送预警。

S220，发出强对流暴雨预警信息。

S221，强对流暴雨天气预警分析过程结束。

图3是本发明的一种基于机器学习的气象强对流天气的智能预警分析方法的另一实施例，如图所示本实施例包括：

S301，强对流天气预报流程，所述实施例为雷暴强对流天气判断流程。

S302，雷暴强对流天气判断流程开始。

S303，服务器接收闪电定位数据。

具体的，所述闪电定位数据包括云地闪和云闪数据，所述云地闪分为正闪、负闪，所述云闪分为云内、云气和云云数据，并由此判断闪电落区。

S304，服务器接收强对流天气中大气电场仪数据。

具体的，所述大气电场仪用来测量大气电场及其变化，利用导体在电场中产生感应电荷的原理来测量电场强度。

S305，智能分析判断影响区域，根据接收到的上述降水数据，利用基于机器学习的方法智能判断受此因素影响的区域。

S306，服务器接收强对流天气中雷达实况据基数据。

S307，利用雷达外推算法对接收到的雷达实况进行处理。

具体的，所述雷达外推算法包括定量降雨估计、雷达回波追踪、时间外推算法；

进一步的，所述定量降雨估计是透过关系式Z=a*r*b求得；所述关系式中参数Z为雷达发射率，参数r为降雨率，参数a是自动雨量器数据，b是海拔2公里等高雷达反射率，以线性回归法实时校正；

进一步的，所述定量降雨估计，在降雨刚开始或雨量器数据不足的情况下，a、b 参数采用合符本地气候的默认值；

进一步的，所述雷达回波追踪在现时业务***采用“多尺度光流变分法”，以捕捉雨区的多尺度运动；

S308，对雷达外推处理数据进行区域数据格点化。

具体的，所述数据格点化处理对雷达基数据进行分析，对线性插值或者非线性插值方法得出该区域的格点化数据；

进一步的，所述雷达基数据线性插值方法适用于不受外界特定障碍物影响的区域，如高楼阻挡，得出较准确的格点化数据，否则，根据该区域障碍物影响大小动态调整非线性插值的参数；

S309，对上述接收到的数据进行综合分析，判断、定位强对流天气区域。

具体的，根据定位区域后的基本数据，利用基于机器学习的回归分析方法对自动站历史降水数据、雷达历史资料进行回朔及数据回推，对定点区域气象灾害预警阀值进行推演识别和设置，并根据语境阀值的动态计算与智能调整。

S310，输入雷达同波强度参数X1。

具体的，所述雷达回波强度dbz值根据雷达基数据分析得出，并根据雷达回波的强度及移动趋势，对该区域的影响设定相应的参数值X1。

S311，根据自动站历史数据、雷达历史资料进行回朔及数据回推，对雷达同波强度参数X1加权重W1，输出新基本数据，以此类推。

S312，输入季节时间参数X2。

S313，对季节时间参数X2加权重W2。

S314，输入大气场强参数X3。

S315，输入闪电落点X4。

S316，对闪电落点X4加权重W4。

S317，根据加权后计算输出的所有新数据进行求和计算，根据公式R=X1*W1+ X2*W2+ X3*W3+X4*W4，得出分析模型的结果R。

S318，具体的，强对流暴雨天气预警信息推送发送请求根据模型分析结果与预警阀值Y对比，若R>Y大，则发送预警请求，反之，若R<Y，则不发送预警。

S219，发出强对流雷暴预警信息。

S220，强对流雷暴天气预警分析过程结束。

根据上述说明书的揭示和教导，本发明所属领域的技术人员还可以对上述实施方式进行变更和修改。因此，本发明并不局限于上面揭示和描述的具体实施方式，对本发明的一些修改和变更也应当落入本发明的权利要求的保护范围内。

Claims (6)

1.一种基于机器学习的气象强对流天气的智能预警方法，其特征在于包括：

利用基于机器学习方法对当前分析区域的气象历史数据进行回朔及数据回推，确定当前定点区域气象灾害预警阀值Y；

接收当前分析区域的实时气象基本数据，所述实时气象基本数据包含闪电定位数据、大气电场数据、自动站气象要素实况数据、气象雷达基数据；

对接收的实时气象基本数据进行分析，通过实时气象基本数据中所含有的定位数据，对强对流天气发生区域进行定位和分区，从而确定该强对流天气预警信息发布区域；

根据获得的实时气象基本数据，综合判断当前分析区域的实时气象综合数据R，并与所述设定的预警阈值Y进行比较，根据比较值大小确定是否进行强对流天气预警；具体步骤如下：

1.1 设定需要分析的区域；根据设定的分析区域，提取已经获得的该区域的实时气象基本数据数据；

1.3分析当前区域的实时雷达回波强度数据，将雷达回波强度数值设置为X1；当前季节时间设置为X2；分析大气场强数据，将其数值设置为X3；分析闪电落点，设置为数据X4；分析当前区域的风力，将其数值设置为X5；分析当前区域降水数据，将其数值设置为X6；

1.4 根据预先设定的权重，分别为：雷达回波强度W1、季节时间W2、大气场强W3、闪电落点W4、风力W5、降水W6，与上述1.3中得到的数据，进行加权计算得到当前分析区域的实时气象综合数据R，其公式为R=X1*W1+ X2*W2+ X3*W3+ X4*W4+ X5*W5+ X6*W6;

1.5 将上述得到的实时气象综合数据R，与设定的预警阈值Y进行比对；当R≥Y时，发出预警信息，否则不发出预警信息；所述预警阈值，是根据各区域气象站的历史数据进行综合判断的，预警阈值的计算方法如下：

分区域按该区域不同历史数据进行机器学习分析；首先，根据历史强对流气象数据，通过机器学习，得到一个强对流天气的预警初始阀值Y；其次根据最近一次或多次强对流气象数据对初始预警初始阀值Y进行人工修正。

2.根据权利要求1所述的基于机器学习的气象强对流天气的智能预警方法，其特征在于所述历史强对流气象数据是指该区域气象站建站以来且有记录的历史气象数据，包括雷雨大风、冰雹、***、局部强降雨等数据。

3.根据权利要求1所述的基于机器学习的气象强对流天气的智能预警方法，其特征在于，步骤1.5对强对流天气的预警初始阀值Y进行人工修正的过程中，时间越靠后的历史数据，参考价值和权重越大；最接近目前的一次或者若干次强对流天气综合气象参数R超过预警阀值Y并显示有强对流天气发生，如果事实并没有发生，则相应提高阀值，否则降低阀值。

4.根据权利要求1所述的基于机器学习的气象强对流天气的智能预警方法，其特征在于，所述的气象雷达基数据，需要通过雷达外推算法，对该数据进行区域、数据格点化处理；所述雷达外推算法是定量降雨估计、雷达回波追踪、时间外推算法中的一种或者多种；

所述定量降雨估计是透过关系式Z=a*r*b求得；所述关系式中参数Z为雷达发射率，参数r为降雨率，参数a是自动雨量器数据，b是海拔2公里等高雷达反射率，以线性回归法实时校正；所述定量降雨估计，在降雨刚开始或雨量器数据不足的情况下进行估计，a、b 参数采用合符本地气候的默认值；

所述雷达回波追踪采用多尺度光流变分法，以捕捉雨区的多尺度运动；所述多尺度光流变分法为：客观地分析雨区运动的多重尺度，把相关的雷达反射率数据，以不同的分辨率，共分7层级进行光流分析，从低至高分辨率即对应尺度从大至小，逐一解出相应的光流场；

所述时间外推算法主要是采用半拉格朗日平流方案，具体是指：对足量的气象历史数据采用半拉格朗日平流算法，并进行数据内插，计算出该地区在设定时间段的强对流天气的发生概率；所述雷达外推算法在时间外推中，考虑到用户个人化预报服务的需要，只选取首两小时准确度较高的预报资料；

所述数据格点化处理对雷达基数据进行分析，对线性插值或者非线性插值方法得出该区域的格点化数据；所述雷达基数据线性插值方法适用于不受外界特定障碍物影响的区域，得出较准确的格点化数据，否则，根据该区域障碍物影响大小动态调整非线性插值的参数。

5.如权利要求4所述的基于机器学习的气象强对流天气的智能预警方法，其特征在于，所述雷达回波追踪还包括雷达基数据分析，并因此得出雷达回波强度dBZ值，并根据雷达回波的强度及移动趋势对该区域的影响设定相应的参数值X1；所述dBZ值为用来估算降雨和降雪强度及预测冰雹或大风灾害性天气出现的可能性；dBZ值越大降雨或降雪可能性越大，强度也越强；当dBZ值大于或等于40dBZ时，出现雷雨天气的可能性较大，当dBZ值在45dBZ或以上时，出现暴雨、冰雹、大风强对流天气的可能性较大。

6.根据权利要求1所述的基于机器学习的气象强对流天气的智能预警方法，其特征在于，所述季节时间参数的设置方法，是通过机器学习的方法，对该区域历史数据进行分析判断，得出强对流天气不同季节的变化情况，得到大气场强数据数值X2，其中，夏季强对流天气发生频率较高，则相应设定加权数值应占比较高；

所述大气场强数据加权值的设置方法，是根据来自大气电场仪以及用于检验大气电场仪预警信息的雷电监测设备的实时采集数据，生成强对流业务可用的场强数据，最终得到大气场强数据数值X3；

所述闪电落点参数的设置方法，是根据采集来自大气电场仪以及用于检验大气电场仪预警信息的雷电落区的实时数据，对数据库内的各类气象数据进行加工处理，生成强对流业务可用的雷电落区数据，最终得到闪电落点的数值X4；

所述风力数据的设置方法，是根据该区域自动站监测的实时风力数据，根据检测到的风力数据大小最终得到风力数据的数值X5；

所述降水数据的设置方法，是根据该区域自动站监测的实时降水数据，根据检测到的降水数据大小，最终得到降水数据的的数值X6。