学术报告

研究作者和发表信息

本文题为《基于深度学习的雷电预警算法》（Lightning warning algorithms based on deep learning），作者为沈岳峰（Shen Yue-feng）、刘冬（Liu Dong）、刘银锋（Liu Yin-feng）和杜建苹（Du Jian-ping），主要研究机构包括天津滨海新区气象局（Tianjin Binhai New Area Meteorological Bureau）和北京华云东方探测技术有限公司（Beijing HY Orient Detection Technology Co., Ltd.）。该研究发表在《自动化与仪表》（Automation & Instrumentation）2022年第38卷第10期，DOI为10.19557/j.cnki.1001-9944.2022.10.001。

研究背景

雷电灾害是全球十大最严重的自然灾害之一，每年因为雷击而造成的人员伤亡超过一万人，物质损失也难以估量。因此，设计出一种能够高效预测雷电发生位置和概率的方法，对防范雷电灾害意义重大。现有的主流雷电预警方法存在一定不足：
- 闪电定位系统仅能确定闪电发生的具体位置和强度，但不具有预警功能；
- 传统机器学习融合多源监测数据的方法特征提取依赖专家经验，存在地域适用性限制，难以实现区域迁移或全国推广；
- 基于大气电场数据的研究尽管在雷电预警中取得了进展，但难以精准判断雷电发生的具体位置和走向；
- 基于天气雷达数据的雷电预警方法预测精度偏低。

为了弥补上述不足，本文基于深度学习算法（deep learning algorithm）结合光流法（optical flow method）、大气电场数据（atmospheric electric field data）、闪电定位数据（lightning location data）及雷达数据（radar data），提出了一种三源数据融合的雷电预警算法，旨在突破现有方法的局限，更高效地实现雷电预警。

研究流程

数据预处理

1. 雷达数据预处理
   
   • 研究选用沧州站、秦皇岛站及塘沽站共计3个气象站的组合反射率雷达格点数据，覆盖经度112°～124°，纬度35°～44°。
   • 数据进行归一化处理并拼接成组合反射率格点矩阵。
   • 为提高数据样本的均衡性，研究通过数据筛选和加权进行校验。

光流法的应用
- 利用光流法提取雷达帧间的像素位移，计算雷达反射率的物体运动信息。实验展示了光流法在细节捕获的优越性能，但其对演化信息捕获的效果不足。

1. 闪电数据预处理

   • 闪电数据转换为雷电概率分布图，这些概率图将与雷达数据一起输入深度学习模型。
   • 数据反映了闪电位置的空间分布，以正闪电和负闪电特性分别用符号“+”和“-”表示。

2. 大气电场数据预处理

   • 数据来源于天津滨海新区的12台大气电场仪，经过缺失值、重复值和噪声的清洗，形成净化后的电场数据曲线。

算法和模型构建

1. DBSCAN模型搭建

   • 传统DBSCAN算法用于雷电数据聚类和趋势外推分析。
   • 发现即使针对60分钟和30分钟的时间分组应用DBSCAN，预警效率和临界成功指数（CSI）较低，仅能提供初步参考。

2. 深度学习模型搭建

   • 研究使用卷积神经网络（CNN）开展多种数据的特征提取，共设立三个子模型：
     a. 电场模型
     通过一维卷积处理电场数据并升维为二维矩阵，利用反卷积技术提取电场特征。
     b. 雷电模型
     对雷电概率数据乘以光流值矩阵，生成外推的雷电概率图，通过卷积操作优化雷电概率信息的提取。
     c. 雷达模型
     雷达数据读取过去4个时次的组合反射率拼图，通过光流计算未来雷达演变后的强度分布。深度学习的方法能够捕捉雷达强度演变的细节信息。

   • 多要素融合模型
     综合雷达与雷电的融合特征向量及电场特征向量，采用反卷积和上采样，在保持多源数据空间结构的基础上融合三种数据特征，最终输出雷电发生概率图。

3. 损失函数与优化算法

   • 使用均方差损失（Mean Squared Error, MSE）衡量预测值与实测值的相似度，并通过Adam优化算法进行权重更新。

实验分析与结果

1. 模型预测结果

   • 输出矩阵大小为547×532，代表每个格点的雷电概率（取值范围为0至1）。
   • 对比预测和实测雷电概率分布图，研究验证深度学习算法能很好覆盖雷电发生区域，预测结果与真实情况基本一致。

2. 模型评价

   • 通过214个30分钟时效预警样本，研究调节报警阈值以优化预警效果。
     
   • 当阈值为0.7时临界成功指数（CSI）达到最高（0.6412），命中率（POD）为80.15%，漏报率（MR）为19.85%，虚报率（FAR）为23.77%。该性能明显优于DBSCAN算法和传统的机器学习方法。

研究结论和意义

1. 研究亮点

   • 该研究首创将大气电场数据、闪电定位数据和天气雷达数据这三种不同类型的数据融合。
     
   • 基于深度学习和纯卷积网络，提出能够实现区域雷电概率30分钟外推预测的新算法。实践证明，算法推演的结果与实际雷电发生规律高度吻合。

2. 科学意义

   • 提出了一种具有全球或其他区域适用性的普遍算法，为雷电预警技术提供了全新思路。补充了传统基于单一数据集方法的不足，使得雷电灾害的预测更精准、更高效。

3. 应用价值

   • 为雷电多发地区如港口、高速铁路、电力设施等提供了高效、可靠的预警技术保障，能够为人口密集区和关键设备区争取预警响应时间，降低潜在利益损失。

展望

未来研究中，将结合时序特征优异的深度学习算法（如LSTM、ConvLSTM、RNN等），进一步优化模型性能，提升对于复杂气象环境中的雷电预测精度。同时，可探索其算法设计在其他自然灾害预警（如台风、暴雨等）场景中的扩展应用可能性。