雷电对人们的日常生活有着严重的威胁,对雷电进行时空规律分析,以及对雷暴进行更高精度的预报具有重要的现实意义。随着互联网的高速发展和气象监测水平的不断提高,产生了海量的雷电资料数据。在对雷电资料数据进行分析或预报等业务时,需要进行大量繁复的运算,而大规模运算存在耗时较长的问题,传统的单机方式已经越来越难以满足海量雷电资料的存储与处理。如何更好的对海量雷电资料数据进行挖掘研究成为气象部门工作的研究热点。大数据技术的出现,为海量雷电资料的处理提供了一个新的思路。课题针对内蒙古地闪时空分布特征分析研究,主要研究内容包括雷电时空规律分析和雷暴预报应用研究。雷电时空规律分析主要采用Spark算子和K-means算法对地闪定位资料分析;雷暴预报主要采用朴素贝叶斯算法,进一步对雷电时空规律分析,目的是对未来某一区域某一时段是否发生雷暴做出预测,主要工作如下。1.基于Hadoop+Spark平台设计了雷电高发区域划分算法SCK-means和雷电时间规律STime算法。针对K-means算法随机选取初始聚类中心和K值的问题,采用Canopy对K-means算法进行优化,并将优化的算法基于Spark平台进行并行化设计,形成了雷电高发区域划分算法SCK-means。利用Spark算子设计了雷电时间分布规律算法STime。最后,采用SSE、加速比和扩展比作为评价指标,实验结果表明本文设计的时空规律算法可以准确快速的挖掘雷电规律,为防雷减灾提供决策支持。2.基于Hadoop+Spark平台设计了SPNBC雷暴预报模型。针对传统朴素贝叶斯分类模型(NBC)的独立性假设问题,采用PCA算法优化贝叶斯分类器构建PNBC;并将优化后的算法基于Spark平台进行并行化设计,形成了雷暴预报模型SPNBC。最后,采用准确率、空报率、加速比和扩展比作为评价指标,与常用的BP神经网络和传统朴素贝叶斯雷暴预报方法进行实验对比,实验结果表明本文所提出的雷暴预报模型具有较佳的准确率和空报率,而且在处理海量数据时有较大的性能优势。论文通过对雷电时空规律分析、雷暴预报领域的研究,设计了基于Hadoop平台的雷电资料的存储方案、基于Spark平台的雷电时间与空间规律挖掘算法和雷暴预报模型,并通过实验验证了本文提出的算法和模型有效提高了雷电数据挖掘的效率和雷暴预报的可靠性。利用本文的研究成果可以构建快速的雷电数据分析平台,为气象相关人员快速分析雷电地闪过程的强弱和走向趋势提供良好的服务,为气象数据进一步的应用奠定了基础。