1.一种基于lightgbm的气象目标分类方法，其特征在于，包括以下步骤：
2.根据权利要求1所述一种基于lightgbm的气象目标分类方法，其特征在于，步骤s1中所述气象雷达观测资料具体指noaa气象观测资料的反射率因子、差分反射率因子、差分相移率、相关系数以及noaa分类结果，其中，反射率因子为360×460的二维矩阵，差分反射率、相关系数、差分相移率以及分类结果数据均为360×1200的二维矩阵。
3.根据权利要求1或2所述一种基于lightgbm的气象目标分类方法，其特征在于，步骤s1中数据集制作的方法包括以下步骤：
4.根据权利要求1所述一种基于lightgbm的气象目标分类方法，其特征在于，所述，步骤s2中初始模型参数设置为：learning_rate:0.05；boosting_type:gbdt；num_leaves:31；max_depth:6；feature_fraction:0.9；bagging_fraction:0.8；
5.根据权利要求1所述一种基于lightgbm的气象目标分类方法，其特征在于，步骤s2中模型参数调整具体指：在初始模型的参数基础上，调用python的hyperopt库对lightgbm自动化调参，设置参数搜索域，定义以提升测试集准确率为需求的目标函数，选择tpe搜索算法，得到测试集准确率最高时的模型参数。
6.根据权利要求1或5所述一种基于lightgbm的气象目标分类方法，其特征在于，步骤s2中，对hyperopt调参得到的模型参数为：learning_rate:0.013；boosting_type:dart；num_leaves:63；max_depth:8；feature_fraction:0.69；bagging_fraction:0.85；bagging_freq:15；min_data_in_leaf:7；min_gain_to_split:0.28；reg_alpha:0.43；reg_lambda:0.16。
7.根据权利要求1所述一种基于lightgbm的气象目标分类方法，其特征在于，lightgbm包括了基于histogram的决策树算法、带深度限制的leaf-wise叶子生长策略、单边梯度采样算法goss、特征捆绑算法efb和直接支持类别特征；其中，基于梯度的单面采样算法和特征捆绑算法，以梯度提升决策树模型为基础，对模型的训练速度与内存占用方面进行优化；基于梯度的单面采样算法具体如下：
8.根据权利要求7所述一种基于lightgbm的气象目标分类方法，其特征在于，特征捆绑算法在执行过程中，首先寻找需要合并的互斥特征，该算法将特征看成图的顶点，运用贪心算法将特征的捆绑转化为图的着色问题，然后特征捆绑算法运用直方图算法对特征进行合并，将连续的特征离散化为k个整数，同时构造一个宽度为k的直方图。遍历数据的过程中，根据离散化后的值作为索引在直方图中累积统计量，最后根据直方图的离散值，寻找最优分割点。