强对流天气作为一种具有极大破坏力的气候类型,常常对我国的经济、农业、民生造成严重损失。因此,本文通过对多普勒天气雷达反射率图和剖面图的分析提出了一种基于数据挖掘技术的强对流天气识别方法,完成对强对流天气的有效识别,帮助气象研究人员实现相关跟踪与监测。此方法涉及的主要工作如下:(1)根据多普勒天气雷达提供的数据信息生成反射率图像和垂直剖面图,对共计1926个强对流天气样本进行属性提取,再加上部分气象属性,构建了27维的属性数据库。(2)以粗糙集理论为基础,提出了一种基于人工鱼群与蛙跳混合算法的属性约简算法(FSA-SFLAAR算法)。通过在UCI公共数据集上的一系列实验和对比分析,验证了该算法的高效性与准确性。(3)将属性数据库转化为天气识别决策表,采用有监督的离散化方法将其离散,然后利用FSA-SFLAAR算法进行属性约简,得到具有7维条件属性和1维决策属性的决策表,有效地去除了冗余信息。(4)基于(3)得到的决策表生成CART决策树,建立强对流天气识别模型。考虑到在实际应用中,会不断得到新的强对流样本数据,因此将朴素贝叶斯方法应用于决策树,实现识别模型的增量学习。实验结果表明,本文提出的具有自学习功能的强对流天气识别方法能够准确地确定强对流单体回波区域,实现天气类型判定,同时保持着高效的增量学习能力。总结上述分析,本方法能够有效识别强对流天气,完成冰雹暴雨的分类,满足了实际应用的需要。