Lightning Strike Location Prediction Using a Deep Learning Model
-
摘要: 以PredRNN时空预测模型作为骨干网络，ASPP模块为分类器，构建了雷电落区预报的深度学习模型(Lightning-Net)。模型以前1 h的雷达组合反射率和雷电定位数据为预报因子，输出未来1 h的雷电落区。利用2020—2021年重庆市雷达、雷电定位数据对模型进行训练，在2022年的数据集上测试。结果表明：构建的Lightning-Net模型TS（Threat score，威胁分数）评分为0.53、命中率(POD)为0.82，相比传统的光流法和UNet模型具有一定的优势；个例检验发现，模型对强雷暴的预报效果优于弱雷暴，模型对雷电落区变化的整体趋势能很好的把握，但对雷暴主体周围的零星雷电预报能力不足。Abstract: In this study, Lightning-Net, a deep learning model for lightning strike location prediction, was developed using a PredRNN spatio-temporal prediction model as the backbone network, and an Astrus spatial pyramid pooling module as the classifier. The model employed the radar composite reflectivity and the lightning location data of the preceding hour as predictive factors to predict the lightning strike location for the subsequent hour. The model was trained with the radar composite reflectivity and the lightning location data of Chongqing during 2020—2021 and tested with the dataset of Chongqing in 2022. The results show that the Lightning-Net model, with a threat score of 0.53 and a probability of detection of 0.82, demonstrated advantages over traditional optical flow methods and U-Net models. Case studies show that the model's forecasting performance for severe thunderstorms was better than that for weak thunderstorms. While the model adeptly captured the overall trend of lightning strike location changes, it exhibited limitations in predicting sporadic lightning around the main body of thunderstorms.
-
Key words:
- deep learning /
- lightning strike location prediction /
- radar /
- lightning location data
-
表 1 定量评估结果
评估指标 TS评分 FAR POD PO Lightning-Net +数据增广 0.53 0.35 0.82 0.23 Lightning-Net 0.51 0.38 0.80 0.24 UNet 0.45 0.42 0.75 0.28 光流法 0.42 0.45 0.70 0.35 
下载: 导出CSV
表 2 个例1雷电预报定量评估结果
评估指标 TS评分 FAR POD PO 光流法 0.45 0.34 0.72 0.38 UNet 0.48 0.37 0.78 0.25 Lightning-Net 0.53 0.35 0.85 0.22
下载: 导出CSV
表 3 个例2雷电预报定量评估结果
评估指标 TS评分 FAR POD PO 光流法 0.47 0.39 0.77 0.27 UNet 0.46 0.38 0.79 0.26 Lightning-Net 0.55 0.34 0.87 0.19
下载: 导出CSV
-
[1] 许小峰. 雷电灾害与监测预报[J]. 气象, 2004, 30(12): 17-21. [2] 吕伟涛, 张义军, 孟青, 等. 雷电临近预警方法和系统研发[J]. 气象, 2009, 35(5): 10-17, 131. [3] 姚叶青, 袁松, 张义军, 等. 利用闪电定位和雷达资料进行雷电临近预报方法研究[J]. 热带气象学报, 2011, 27(6): 905-911. [4] 殷娴, 肖稳安, 尹丽云. 江苏省雷电活动潜势预报研究[J]. 热带气象学报, 2011, 27(5): 758-764. [5] 吴安坤, 丁旻, 李迪, 等. 基于物理量参数的贵州省雷电潜势预报研究[J]. 电瓷避雷器, 2023, (1): 208-215. [6] 苟阿宁, 韩芳蓉, 张文刚, 等. 地基微波辐射计观测资料在一次雷电潜势预报中的应用分析[J]. 热带气象学报, 2018, 34(2): 268-278. [7] 赵伟, 陆韬, 张祎, 等. 基于多源监测数据的雷电预警方法[J]. 气象科技, 2020, 48(3): 438-442. [8] 周明薇, 王道平, 罗龙友, 等. 基于闪电定位和雷达资料的邵阳地区雷电预报预警研究[J]. 气象与环境学报, 2021, 37(3): 117-124. [9] 杨艳蓉, 王振会, 张其林, 等. 雷达资料时间循环同化应用于闪电落区等研究初探[J]. 热带气象学报, 2012, (4): 533-540. [10] 周康辉, 郑永光, 王婷波. 利用深度学习融合NWP和多源观测数据的, 闪电落区短时预报方法[J]. 气象学报, 2021, 79(1): 1-14. [11] 王志斌, 肖艳姣, 王珏, 等. 基于卷积神经网和SVM雷电监测预警[J]. 自然灾害学报, 2022, 31 (1): 219-225. [12] 李健, 王宇, 刘泽, 等. 基于雷达反射率因子和雷电定位数据的深度学习雷电预报模型[J]. 气象科技, 2022, 50(5): 724-733. [13] 陈靖宇, 汤德佑, 伍光胜, 等. 基于特征提取和集成学习的雷电预测能力提升[J]. 热带气象学报, 2021, 37(3): 450-456. [14] 张烨方, 冯真祯, 刘冰. 基于卷积神经网络的雷电临近预警模型[J]. 气象, 2021, 47(3): 373-380. [15] 付光攀, 李艳飞, 朱璐, 等. 基于电场特征和深度学习的雷电预警方法[J]. 南方电网技术, 2023, 17: 1-10. [16] 孟晓阳, 王佳权, 马启明, 等. 2020年基于VLF/LF三维闪电定位系统的全国闪电数据集[J]. 中国科学数据(中英文网络版), 2022, 7(1): 31-44. [17] WANG Y B, LONG M S, WANG J M, et al. PredRNN: Recurrent neural networks for predictive learning using spatiotemporal LSTMs[C]//Proceedings of the 31st International Conference on Neural Information Processing Systems. December 4-9, 2017, Long Beach, California, USA. New York: ACM, 2017: 879-888. [18] CHEN L C, PAPANDREOUS G, SCHROFF F, et al. Rethinking atrous convolution for semantic image segmentation[J]. ArXiv, 2017. https://arxiv.org/abs/1706.05587. [19] GIBSON J J. The ecological approach to visual perception[M]. Boston: Houghton Mifflin, 1950: 332. [20] 曹春燕, 陈元昭, 刘东华, 等. 光流法及其在临近预报中的应用[J]. 气象学报, 2015, 73(3): 471-480. -
点击查看大图
图(4) / 表(3)
计量
- 文章访问数: 27
- HTML全文浏览量: 10
- PDF下载量: 1
- 被引次数: 0
粤公网安备 4401069904700003号