雷暴中闪电活动受到对流强度、云微物理过程和大尺度环境的共同影响，因此反映对流云结构和环境条件的观测变量经常被用来估算闪电频率包括模式中闪电的参数化。许多研究采用了不同的观测变量估计闪电，然而，对于不同变量的重要性以及多变量结合的作用仍缺乏系统认识。
本研究利用雷达和闪电等多源观测资料识别追踪华南暖季雷暴闪电活动，结合梯度提升树模型、置换重要性分析和交叉拟合残差诊断等机器学习方法，定量分析了雷达观测变量和环境条件对雷暴内闪电数目的影响。结果表明，雷达观测比环境条件对闪电估算的贡献更大，其中混合相态层的强回波（35dBZ）体积（vol35_M5M40）最为重要。然而，vol35_M5M40和闪电数目的关系存在显著变化。比如在 vol35_M5M40 相近的雷暴中，发展更高、形态更细长的雷暴产生更多的闪电。在限制雷暴发展阶段和形态后，相似vol35_M5M40对应的闪电数目差异减小，表明在vol35_M5M40基础上仍需考虑其它雷达变量和环境变量。此外，不同环境条件下基于vol35_M5M40在闪电估算中的表现也存在差异。其中较薄的暖云厚度（WCD）和较高的气溶胶光学厚度（AOD）对应着相似vol35_M5M40下更多的闪电数目。综上，影响雷暴闪电数目的关键变量并非通过单一路径发挥作用，同时受到内部结构和外部环境等变量的影响；本研究深入探讨了多变量结合的作用及其背后物理机制，为闪电短临预报和机器学习结果的物理一致性分析提供了参考。未来将基于本研究基础，进一步构建基于机器学习的闪电预报模型。
 

闪电估计,机器学习,雷暴结构,环境条件