CN113204903A - 一种预测雷电的方法 - Google Patents

Abstract

本发明属于雷电预警技术领域，公开了一种预测雷电的方法。包括数据预处理，雷电预测和输出预测结果三个阶段，其中数据预处理阶段用图像表征待处理数据的属性并模糊处理；雷电预测阶段是运用卷积运算抽取所述经模糊处理图像的特征，通过循环神经网络编码后得到反映雷电属性变化的函数，再进行反卷积运算将该函数表征的雷电属性未来变化状况解码为动态灰度图像；该方法消除了非对流性回波或非闪电位置回波导致的冗余和干扰，构建了与雷电发生直接相关的雷暴云团的局部空间特征和时序变化规律，从而提高了雷电预测的准确率。

Description

一种预测雷电的方法

技术领域

本发明属于雷电预警技术领域，具体公开了一种预测雷电的方法。

背景技术

雷电是强对流天气过程的产物。强对流天气过程演变迅速，云团生成、消散、合并和分裂规律复杂，导致雷电的预报预警难度大。目前雷电预报方法主要有如下几种：

利用大气电场仪或其组成的网络预报雷电。譬如，中国专利CN110297284A“一种基于三维大气电场仪的雷暴云移动路径跟踪方法”公开了利用大气电场仪探测雷暴云方位和跟踪其移动路径的方法。中国专利CN106353604B“一种基于大气电场背景噪声自动追踪的雷电预警方法”提出了一种剔除非雷暴时背景电场噪声，进而提高雷电预警准确度的方法。

基于雷电定位数据外推预测雷暴移动路径。譬如，论文《基于闪电数据的雷暴识别、追踪和外推方法》提出了先利用密度聚类算法识别雷暴，再利用卡尔曼滤波算法追踪和外推雷暴路径的方法。

基于气象雷达预报雷电。譬如，中国专利CN110927725“一种基于气象雷达的雷电预警和监测方法”提供了一种基于气象雷达回波功率和反射率因子的雷电预警方法。中国专利CN106019287A“一种基于小型雷达的输电线路雷电监测预警方法”公开了结合小型雷达反射率因子和雷电定位系统数据预报输电杆塔雷击风险的方法。

基于卫星监测数据预报雷电。如中国专利CN10944990A“一种基于气象卫星数据的雷电预警方法”建立了云顶亮温变化率和雷电之间的关系，进而对雷电进行风险等级预警。

基于数值天气预报模式开展雷电预报。如中国专利CN109447315A“一种基于多时空尺度的电力气象数值天气预报方法和装置”提供了利用中尺度天气预报模式开展包括雷电在内的多种气象灾害多尺度预报方法。

除了以上回顾的单独利用大气电场仪、雷电定位系统、雷达、卫星和数值天气预报模式开展雷电预报，还有综合多种手段开展雷电预报的方法，如中国专利CN109738970A“基于雷电数据挖掘实现雷电预警的方法、装置和存储介质”公开了综合利用大气电场强度、雷达回波、雷电定位数据和卫星云图，预测雷暴团移动速度和方向的方法。

总体而言，目前各种雷电预报方法提出的判据比较单一，通常利用某物理参量(如大气电场强度或其变化率、云顶亮温变化率、雷达回波dBZ)的阈值或相关关系公式对雷暴的发生或移动路径进行预测，难以准确刻画雷暴云团运动和生、消、聚、变的复杂规律。

发明内容

本发明的目的在于针对现有技术的不足，提出了一种预测雷电的方法，包括数据预处理，雷电预测和输出预测结果三个步骤，所述数据预处理是用图像表征待处理数据的属性并模糊处理；所述雷电预测是运用卷积运算抽取所述经模糊处理图像的特征，通过循环神经网络编码后得到反映雷电属性变化的函数，再进行反卷积运算将该函数表征的雷电属性未来变化解码为动态灰度图像。

进一步的，数据预处理包括以下步骤：

S1.对获取的雷达基数据进行解析并提取出雷达反射率因子数据，用最邻近法插值到以雷达站为中心的固定大小的等经纬度网格；

S2.取同一位置不同高度上的最大反射率因子值生成组合反射率，把所述组合反射率转换为灰度值，并保存为灰度图。

S3.在雷达基数据处理的范围内，以雷达扫描一次时间为周期，提取对应时间内雷电定位散点数据。

S4.将所述雷电定位散点数据网格化，采用与所述雷达基数据相同的网格数和网格分辨率，在每一个网格内对雷电进行计数，然后转换为灰度值，并保存为和所述雷达基数据图片格式相同的雷电定位散点数据的灰度图。

S5.对所述雷电定位散点数据的灰度图进行模糊处理。

优选的，所述编码和解码之间插入数据筛选步骤；所述编码构成神经网络计算模块，所述神经网络模块包括：

将所述S2和S5步骤中灰度图经卷积网络变换和下采样后形成中间数据E0组成的输入层；

以所述中间数据E0作为输入，经过卷积网络变换后形成中间数据E1组成的第一层；

以所述中间数据E1作为输入，对其进行下采样，获得中间数据E12组成的下采样层；

以所述中间数据E12作为输入，对其进行卷积网络变换，获得中间数据E2组成的第二层；

接收上一个时次的E1和本时次的E0,输出本时次的E1以及接收上一个时次的E2和本时次的E12,输出本时次的E2的时间步进演算层；

数据筛选步骤包括：对所述编码构成神经网络计算模块的第一层和第二层每个时间步输出的中间数据进行编码，所述第一层得到中间数据A1，所述第二层得到中间数据A2；

所述解码包括以下步骤：

P1.以所述中间数据A2作为输入，经过卷积网络变换后得到中间数据D2；

P2.对所述中间数据D2进行上采样，获得中间数据D21；

P3.以所述中间数据A1作为输入，进行卷积网络变换后获得中间数据D1；

P4.对所述中间数据D21和D1在第三维进行拼接，将拼接后的数据进行卷积网络变换并进行上采样获得中间数据D10。

P5.接收上一个时次的所述中间数据D2和本时次的A2,输出本时次的A2；接收上一个时次的所述中间数据D1和本时次的A1,输出本时次的A1。

P6.对所述中间数据D10进行卷积网络变换，输出多个时次的预测数据，并把该预测数据保存为与输入相同格式的灰度图。

进一步的，输出预测结果包括如下步骤：

F1.将雷电预测结果的灰度图转换为彩色图；

F2.叠加地图作为底图；

F3.添加坐标轴和必要的说明文字。

相对于现有技术，本发明具有以下有益效果：

本发明提供的一种预测雷电的方法通过融合雷达反射率因子数据和雷电定位数据，在机器学习架构中进行自拟合和学习，刻画和雷电发生直接相关的雷暴云团的局部空间特征和时序变化规律，进而能够实现更加可靠而精准的雷电预报。

附图说明

图1为本发明实施例中步骤模块关系图

图2为本发明实施例中雷电定位数据灰度图及其高斯模糊图

图3为本发明实施例中雷电预测模块深度学习框架图

图4为本发明实施例中雷达反射率因子和雷电定位数据融合图

图5为本发明实施例中预测雷电和实测雷电分布图，图中第一行为预测结果，第二行为观测结果

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行描述，所描述的实施例是本发明一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域技术人员在没有做出创新劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

以下结合本说明书附图1至5和具体实施例对本发明作进一步的详细说明：

本发明公开的一种预测雷电的方法，该方法主要包含3个按顺序执行的步骤模块，其中模块1为模块2提供数据样本，模块2输出预测结果，模块3对预测结果进行加工处理，方便用户通过图片理解预测结果。

本发明采用的数据为雷达组合反射率因子图像和雷电定位散点图像，可将临近预报问题抽象为对应的图像时间序列的预测问题。

下面分别对本发明的3个模块进行详细说明。

模块1：数据预处理模块，包括对雷达和雷电数据的预处理。

雷达数据预处理是将雷达基数据解析后绘制为图片。

以中国气象局业务运行的S波段雷达为例，该雷达一次体扫时间6分钟，基数据有11个高度层，最大扫描半径460km。

在对雷达数据处理时，分两个步骤：

第一步：以雷达站为中心，划分出460km×460km的等经纬度网格，网格分辨率约为0.01°×0.01°，对每一个高度层的反射率因子数据用最邻近法插值。

第二步：取同一位置不同高度上的最大反射率因子数据生成组合反射率，按照如下公式将组合反射率转换为灰度值，

GS＝dBZ/70×255 (1)

然后绘制灰度图，保存为png格式图片。

雷电定位数据预处理是将雷电定位散点数据绘制为图片。雷电定位数据主要信息包含雷电发生时间、经纬度位置等。处理步骤包括：

第一步：在雷达数据处理的范围内(以雷达为中心，460km×460km范围)，以雷达一次体扫时间(6分钟)为周期，提取对应时间内雷电定位散点数据。

第二步：计算每一个1km×1km网格中的雷电数量，按照如下公式雷电数转换为灰度值，

GS＝Flash/2×255 (2)

然后绘制灰度图，保存为png格式图片。

第三步：对雷电定位数据的灰度图进行高斯模糊处理。高斯模糊的窗口大小取15km×15km，标准差3。通过图2中模糊前后的图片对比看出高斯模糊效果。高斯模糊的作用是“模糊”掉雷电定位散点数据中比较分散的结果，保留团状、片状雷电定位结果。

模块2：雷电预测模块。该模块采用深度学习方法，包括数据编码、筛选和解码3个步骤，分别由对应的编码网络(E)、注意力网络(A)和解码网络(D)3个模块来执行。

编码网络包含：

输入层：接收10个连续时次的雷达组合反射率因子灰度图和雷电定位数据灰度图，两种数据叠加成460*460*2的数据后(叠加操作如图4所示)，经过卷积网络变换和下采样后变成115*115*64的中间数据，该中间数据标记为E0。

第一层：以E0作为输入，经过卷积网络变换后变为115*115*64的中间数据：记为E1。

下采样层DS12:以E1作为输入，对E1进行下采样，获得24*24*128的中间数据，记为E12。

第二层：以E12作为输入，对E12进行卷积网络变换，获得中间数据E2。

时间信息传播模块：该模块采用循环神经网络中的GRU模型。其作用是接收上一个时次的E1和本时次的E0,输出本时次的E1；接收上一个时次的E2和本时次的E12,输出本时次的E2。

注意力网络包含：对编码网络的第一层和第二层每个时间步输出的中间数据进行编码，编码得到中间数据记为A1和A2。

解码网络包含：

第二层：以A2作为输入，经过卷积网络变换后变为24*24*128的中间数据：记为D2。

上采样层US21:以D2作为输入，对D2进行上采样，获得115*115*128的中间数据，记为D21。

第一层：以A1作为输入，进行卷积网络变换后获得中间数据D1,形状为115*115*64。

融合层：对D21和D1在第三维进行拼接，对拼接后的数据进行卷积网络变换并进行上采样获得460*460*32的中间数据D10。

时间信息传播模块：该模块采用循环神经网络中的GRU模型。其作用是接收上一个时次的D2和本时次的A2,输出本时次的A2；接收上一个时次的D1和本时次的A1,输出本时次的A1。

输出层：对D10进行卷积网络变换，输出连续10个时次的460*460*1的预测数据，并把预测数据保存为与输入相同格式的灰度图。

雷电预测模型所采用的优化算法为ADAM优化算法，学习率设为0.002，代价函数是绝对值误差和均方根误差之和：L1+L2，最大训练轮数为200。

模块3：预测结果输出模块。在本模块中，主要执行如下步骤：

1.将雷电预测结果的灰度图转换为彩色图；

2.叠加地图作为底图；

3.添加坐标轴和必要的说明文字。

获得预测结果后，采用如下方法对结果进行定量评估。对于一次预测，存在如下4种情况：

(1)预测有，实际有；将这种情况发生次数记为a。

(2)预测有，实际无；将这种情况发生次数记为b。

(3)预测无，实际有；将这种情况发生次数记为c。

(4)预测无，实际无；将这种情况发生次数记为d。

通过如下5个指标定量评价预测结果，分别为：

正确率(PC)：PC＝(a+d)/n，其中n＝a+b+c+d

命中率(H)：H＝a/(a+c)

虚警率(FAR)：FAR＝b/(a+b)

关键成功指数(CSI)：CSI＝a/(a+b+c)

偏差(B)：B＝(a+b)/(a+c)

获取模块2得到的雷电预测结果灰度图图像数据，重新对应模块1的经纬度范围(以雷达为中心，460km×460km范围)，根据给定色标绘制彩图并叠加地图。图5为2020年03月21日武汉市雷暴过程的预测结果，第一行为预测结果(北京时2020年03月21日22时18分到03月22日00时06分，每12分钟预测一次)，第二行为预测结果对应的观测结果。模型正确预测了此次雷暴过程2小时内的雷电主要发生区域，雷电从无到有的趋势变化也得到很好的预测。

针对模块2得到的雷电预测结果图像数据进行定量评估。预测结果图像数据为460km×460km的网格数据，以5km×5km为统计单位对网格数据进行划分，若该5km×5km网格内存在不为0的值，则将新组成的网格记为1，否则记为0，最终得到92×92个网格，同理得到92×92的观测数据网格。将二者网格一一对应针对上文指出的4种情况进行匹配判断，得到评估结果。表1为2020年03月21日22时40分和2020年03月22日00时06分(即起报后的36分钟和2小时)的评估结果，两次雷电预测正确率均达到90％，随着预测时间增加虚警率有所上升，但都低于27％，CSI也有所下降，但高于0.4，可以认为虽然随着预测时间增加，模型预测能力有所下降，总体而言对于此次雷暴过程模型达到了较好的预测效果。

表1雷电预测定量评估结果

通过以上实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可通过软件编程加上通用计算机硬件设备方式来实现，也可以全部通过硬件实现。基于该理解，上述技术方案对现有技术贡献的内容可以通过软件产品的形式实现，该软件产品可以存储在计算设备可读介质中，例如硬盘、光盘等，包含若干指令用来让一台计算设备执行实施例或其中部分方法。

最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种预测雷电的方法，包括数据预处理，雷电预测和输出预测结果三个步骤，其特征为：所述数据预处理是用图像表征待处理数据的属性并模糊处理；所述雷电预测是运用卷积运算抽取所述经模糊处理图像的特征，通过循环神经网络编码后得到反映雷电属性变化的函数，再进行反卷积运算将该函数表征的雷电属性未来变化解码为动态灰度图像。

2.根据权利要求1所述的一种预测雷电的方法，其特征在于：所述数据预处理包括以下步骤：

S1.对获取的雷达基数据进行解析并提取出雷达反射率因子数据，用最邻近法插值到以雷达站为中心的固定大小的等经纬度网格；

S2.取同一位置不同高度上的最大反射率因子值生成组合反射率，把所述组合反射率转换为灰度值，并保存为灰度图。

S3.在雷达基数据处理的范围内，以雷达扫描一次时间为周期，提取对应时间内雷电定位散点数据。

S4.将所述雷电定位散点数据网格化，采用与所述雷达基数据相同的网格数和网格分辨率，在每一个网格内对雷电进行计数，然后转换为灰度值，并保存为和所述雷达基数据图片格式相同的雷电定位散点数据的灰度图。

S5.对所述雷电定位散点数据的灰度图进行模糊处理。

3.根据权利要求2的一种预测雷电的方法，其特征在于：所述编码和解码之间插入数据筛选步骤；所述编码构成神经网络计算模块，所述神经网络模块包括：

将所述S2和S5步骤中灰度图经卷积网络变换和下采样后形成中间数据E0组成的输入层；

以所述中间数据E0作为输入，经过卷积网络变换后形成中间数据E1组成的第一层；

以所述中间数据E1作为输入，对其进行下采样，获得中间数据E12组成的下采样层；

以所述中间数据E12作为输入，对其进行卷积网络变换，获得中间数据E2组成的第二层；

接收上一个时次的E1和本时次的E0,输出本时次的E1以及接收上一个时次的E2和本时次的E12,输出本时次的E2的时间步进演算层；

数据筛选步骤包括：对所述编码构成神经网络计算模块的第一层和第二层每个时间步输出的中间数据进行编码，所述第一层得到中间数据A1，所述第二层得到中间数据A2；

所述解码包括以下步骤：

P1.以所述中间数据A2作为输入，经过卷积网络变换后得到中间数据D2；

P2.对所述中间数据D2进行上采样，获得中间数据D21；

P3.以所述中间数据A1作为输入，进行卷积网络变换后获得中间数据D1；

P4.对所述中间数据D21和D1在第三维进行拼接，将拼接后的数据进行卷积网络变换并进行上采样获得中间数据D10。

P5.接收上一个时次的所述中间数据D2和本时次的A2,输出本时次的A2；接收上一个时次的所述中间数据D1和本时次的A1,输出本时次的A1。

P6.对所述中间数据D10进行卷积网络变换，输出多个时次的预测数据，并把该预测数据保存为与输入相同格式的灰度图。

4.如权利要求1所述的一种预测雷电的方法，其特征在于所述输出预测结果包括如下步骤：

F1.将雷电预测结果的灰度图转换为彩色图；

F2.叠加地图作为底图；

F3.添加坐标轴和必要的说明文字。

Images