Al abordar las proporciones desiguales de las muestras de la categoría de datos en la función de estructura de velocidad del modelo de identificación de turbulencias LiDAR, proponemos un modelo de identificación de turbulencias en vuelo que utiliza tanto una red generativa adversarial condicional (CGAN) como un aumento extremo de gradiente (XGBoost). Este modelo puede aprender completamente muestras de turbulencias pequeñas y medianas, reducir la tasa de falsas alarmas, mejorar la robustez y mantener la estabilidad del modelo. El entrenamiento del modelo implica construir un conjunto de datos equilibrado generando muestras que se ajusten a la distribución de datos original a través de la CGAN. Posteriormente, el modelo XGBoost se entrena de manera iterativa en el conjunto de muestras para obtener el nivel de clasificación de turbulencias en vuelo. Los experimentos muestran que la precisión de reconocimiento de turbulencias lograda en el conjunto de muestras aumentadas generadas por la CGAN mejora en un 15%. Además, al incorporar datos del campo de viento obtenidos por LiDAR, el rendimiento del modelo XGBoost supera al de algoritmos de clasificación tradicionales como los vecinos más cercanos, las máquinas de soporte vectorial y los bosques aleatorios en un 14%, 8% y 5%, respectivamente, afirmando la excelencia del modelo para la clasificación de turbulencias. Además, un análisis comparativo realizado en un informe de la tripulación de vuelo del Aeropuerto Zhongchuan mostró que el modelo logró una precisión de identificación de turbulencias del 78%, lo que indica una capacidad de reconocimiento mejorada en condiciones de datos desiguales. En conclusión, nuestro modelo CGAN/XGBoost aborda eficazmente el problema del desequilibrio de proporciones.