科学数据众包处理研究

获取科学数据的最终目的是根据具体需要从数据中提取有用的知识,并将这些知识应用到具体的领域中,帮助决策制定者制定决策.由于科学数据规模越来越大,而且呈现结构复杂的特点,如半结构化或非结构化,难以通过计算机实现自动化处理.众包通过高效调用人力资源,成为进行科学大数据众包处理的解决方案之一.针对科学大数据众包处理的特点,围绕人才筛选机制、任务处理模式和结果评估策略3方面对科学数据众包体系进行研究,并通过地理空间数据云平台开展地学领域的基于众包的遥感影像信息提取实验.研究表明,科学数据不仅能够通过众包模式来进行处理,而且通过合理的设计众包流程能够获得高质量的数据结果.     

基于决策树的雷暴天气短临预报

雷暴天气是指伴有雷电、冰雹、大风和强降水的局地强对流性天气,它对航空运输、电力设施、通讯设备与建筑物等均可造成不同程度的破坏,严重时甚至造成人员伤亡。开展雷暴天气过程的短临预报具有重要的科学意义与实用价值。本文对我国 2010~2015 年雷暴天气事件的时空分布特征进行了统计分析,结果表明：雷暴天气事件集中分布于国内少数区域夏季 7~8 月份的 14:00~18:00 点。在此基础上,基于 2010~2015 年的地面气象观测资料建立决策树模型,预测未来 3~4 小时雷暴天气的发生概率。模型对雷暴事件的漏报率和误报率均低于 10%,这一结果表明：本文所建立的模型能够较为准确地进行雷暴天气短临预报,能够为保障飞行安全提供较为可靠的决策支持。而对特征的相对重要性排序结果表明：测站的地理环境特征和气象条件对雷暴天气过程的发生具有显著的影响。     

基于 HY-FMV 模型的雷暴天气预测研究

本文以极端天气中的雷暴天气为研究对象,基于历史气象数据预测未来三小时是否发生雷暴。为预测雷暴是否发生,本文分别对极端天气气象数据的采样、数据预处理、特征选择,以及建模分析进行了研究,最终提出一种基于机器学习方法的HY-FMV模型框架对雷暴天气进行预测。该模型采用混合模型进行数据预处理,基于概率分布与模型评价进行特征的选择和构建,并使用梯度提升树算法对极端天气进行预测分类。最后,本文以2010年到2015年福建和广东两省数据为例,分别使用本文所提出的HY-FMV模型,和随机森林算法等进行雷暴天气预测,结果表明,本文所提出的HY-FMV模型在F1指标上精度达到78%,相比其他算法,在雷暴天气预测精度上提高了0.5%-0.6%。