CN113376711A - 基于卷积神经网络的闪电频数预报方法 - Google Patents

基于卷积神经网络的闪电频数预报方法 Download PDF

Info

Publication number
CN113376711A
CN113376711A CN202010836991.2A CN202010836991A CN113376711A CN 113376711 A CN113376711 A CN 113376711A CN 202010836991 A CN202010836991 A CN 202010836991A CN 113376711 A CN113376711 A CN 113376711A
Authority
CN
China
Prior art keywords
lightning
model
neural network
convolutional neural
forecasting
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202010836991.2A
Other languages
English (en)
Other versions
CN113376711B (zh
Inventor
郭树昌
杨毅
刘鹏
甘茹蕙
杨志达
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Lanzhou University
Original Assignee
Lanzhou University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Lanzhou University filed Critical Lanzhou University
Priority to CN202010836991.2A priority Critical patent/CN113376711B/zh
Publication of CN113376711A publication Critical patent/CN113376711A/zh
Application granted granted Critical
Publication of CN113376711B publication Critical patent/CN113376711B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/10—Devices for predicting weather conditions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Environmental & Geological Engineering (AREA)
  • Atmospheric Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Ecology (AREA)
  • Environmental Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及闪电频数预报技术，具体涉及基于卷积神经网络的闪电频数预报方法，包括如下步骤：A：建立模型；B：训练模型；C：进行预报；使用中尺度气象模式WRF对预报时刻物理量的预报结果和预报时刻过去3小时的闪电观测资料，使用卷积神经网络方法提取特征，训练模型并进行预报，改进闪电的频数预报，使用卷积神经网络算法对于高时空分辨率的闪电频数有较好的预报效果，同时具有用时短、自适应性较强等优点，预报评分显著提高，取代了传统预报闪电发生概率的方法，可应用在电力、交通、森林防火等多个方面，为人类生产生活提供了有效保障。

Description

基于卷积神经网络的闪电频数预报方法
技术领域
本发明涉及闪电频数预报技术，具体涉及基于卷积神经网络的闪电频数预报方法。
背景技术
闪电是一种通常发生在雷暴天气期间的突然的静电放电现象。这种放电主要发生在云间或云与地面之间，造成较多的财产损失和人员伤亡。提高闪电预报的精度是当前气象工作的重点和难点。
利用全球闪电定位网，根据闪电所产生的声、光、电等特性，可以长时间、全天候的获得闪电发生的时间、地点、强度、极性等特征，是开展闪电的研究和预报的基础，同时在灾害性天气的监测预警、人工增雨、森林防火等方面具有参考意义。 闪电预报的思路是利用闪电定位资料、历史再分析资料、探空资料等数据，尝试寻找导致闪电发生的影响因子，根据我国不同地区、不同天气条件下的天气背景，对闪电进行预报。这些影响因子有对流抑制指数（CIN），对流有效位能（CAPE）[Stefanescu et al., 2013]，全总指数（TT）[Miller etal.，1970]。Zepka et al. [2013] 利用WRF模型，采用不同的对流和微物理方案，对12个雷暴案例进行了短期预测。通过统计评估得出，最能描述巴西东南部闪电活动的对流参数化方案是Grell-Devenyi和Thompson方案的组合。王振会等[2012] 使用雷达观测资料，利用电场幅值阂值和差分阂值的方法，提出了一种新的雷电临近预报方法。可以直观的显示闪电发生情况，并对潜在发生区域进行预警，取得了较好的预警效果。张霞等[2010]计算了多个环境参数，探讨了与闪电发生的相关性，得到的闪电概率潜势预报方程通过了显著性检验，TS评分达到63%，对闪电的预警提供了客观的参考依据。
随着业务化要求的不断提高，高时空分辨率的闪电频数预报逐渐热门。WANG etal. [2010]利用GRAPES模式，建立了雷达回波和闪电频数的关系，其中雷达回波为6 km和9km高度上的雷达反射率。模式分辨率为0.2°×0.2°，经过两个闪电个例的测试，结果表明对华南地区6h的闪电频数内有一定预报能力。LYNN et al. [2012]利用WRF模式建立变量潜在电能EP，当其消散超过预先指定的阈值时认为发生雷电。模式采用RAP再分析数据初始化，相比于GFS数据，RAP数据的分辨率更高（13 Km）且同化了雷达回波数据，初始化效果更好。经过4个个例的试验，模式对闪电的发生位置和频数预报效果较好。
机器学习作为人工智能的核心，其本质上是一个“黑箱子”模型，通过不断的训练，使得输入与输出的关系更加明显，得到一些客观存在但我们并不清楚的模型。目前机器学习在闪电预报中取得了较好的应用。徐会明等[2008]使用探空资料和T213数值模式产品，提取了垂直风切变、500hpa涡度、对流有效位能等因子，运用决策树的方法，建立了预报模型。陈勇伟等[2013]使用9 个对流参数，运用人工神经网络的方法，得到的模型具有较好的预报效果和稳定性。由于对流参数的计算存在多种算法，在不同地区的适用性有待研究，此类方法的代表性和普及度有待提高。同时各类预报方程在不同区域和时段的适用性存在较大差异，针对性会受到较大影响。卷积神经网络方法具有强大的非线性表达能力和特征提取功能，可从影响闪电发生的因子中提取闪电发生的位置、强度等特征。Lin et al.[2019]使用Encoder-Decoder模型，同时融合了卷积神经网络方法，将累计格点降水、霰混合比等物理量作为输入变量，预报未来时刻闪电落区。
现有的卷积神经网络用于闪电预报的方法多数预报闪电发生概率，存在以下问题：一是其中多采用边界处不填充、池化操作等方法，导致在信息提取的过程中重要特征丢失；二是闪电频数预报结果不够精准。
发明内容
为克服上述现有技术中存在的问题，本发明的目的是提供基于卷积神经网络的闪电频数预报方法，避免重要特征丢失，提升闪电频数预报准确率，解决了现有技术中存在的问题。
本发明所采用的技术方案是：
基于卷积神经网络的闪电频数预报方法包括如下步骤：
A：建立模型；B：训练模型；C：进行预报；
其中所述的步骤A中包括：
A1：使用中尺度气象模式WRF形成的预报时刻的预报结果，从中提取影响闪电发生的物理量；
A2：获取预报时刻前3个小时的闪电观测资料；
A3：将A1中得到的影响闪电发生的物理量及A2中的闪电观测资料一并作为卷积神经网络模型的输入层；
A4:构建卷积模型，模型包含5个卷积层，每层的神经元数量分别为128、64、32、16、1，其中在第四层神经元中添加Dropout层；
所述的步骤B中包括：
使用A3中的输入层进行卷积操作，输出层为预报时刻未来1小时的闪电频数，完成模型训练过程；
所述的步骤C中包括：
C1：获取最新的中尺度气象模式WRF形成的预报结果；
C2：获取预报时刻前3个小时的闪电观测资料；
C3：将C1中的预报结果和C2中的闪电观测资料一并作为卷积神经网络模型的输入层，使用该输入层输入至训练好的模型中，此时的输出层则为预报时刻未来1小时的闪电频数。
进一步对所述的A2中的闪电观测资料进行加密处理，加密处理的方法为：将闪电发生位置30km范围内均认为发生了闪电。
进一步所述的步骤B中进行卷积操作时，对边界进行填充并不使用池化操作。
进一步所述的A1中的影响闪电发生的物理量包括：对流有效位能、风暴螺旋度、水汽混合比、云水混合比、雨水混合比、冰混合比、雪混合比、霰混合比、最大垂直速度、雷达最大回波、6 km 高度雷达回波、9 km高度雷达回波、累计格点降水、预报时刻过去3小时逐小时的闪电频数。
进一步所述的A4中的卷积模型，每层网络的卷积核维度与输入变量一致。
本发明的有益效果是：
使用中尺度气象模式WRF对预报时刻物理量的预报结果和预报时刻过去3小时的闪电观测资料，使用卷积神经网络方法提取特征，训练模型并进行预报，改进闪电的频数预报，使用卷积神经网络算法对于高时空分辨率的闪电频数有较好的预报效果，同时具有用时短、自适应性较强等优点，预报评分显著提高，取代了传统预报闪电发生概率的方法，可应用在电力、交通、森林防火等多个方面，为人类生产生活提供了有效保障。
附图说明
图1是本发明闪电观测资料加密前示意图；
图2是本发明闪电观测资料加密后示意图；
图3是本发明实施例中一次闪电过程原始观测点图；
图4是本发明实施例中一次闪电加密后点图；
图5是本发明实施例中一次闪电频数统计阴影图；
图6是本发明实施例中卷积神经网络设计图；
图7是本发明实施例中闪电的初始状态；
图8是本发明实施例中闪电的中间状态；
图9是本发明实施例中闪电的消亡状态；
图10是本发明实施例中预测闪电初始状态；
图11是本发明实施例中预测闪电中间状态；
图12是本发明实施例中预测闪电消亡状态；
图13是本发明实施例中一次闪电过程预报结果命中率评分（阈值=1）；
图14是本发明实施例中一次闪电过程预报结果命中率评分（阈值=20）。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明：
为研究深度学习方法在高时空分辨率闪电频数预报方面的运用，本发明选用2017年7月至9月的闪电过程作为训练和检验样本作为实施例进行说明，预报流程如下：
A：建立模型；
A1：使用中尺度气象模式WRF形成的预报时刻的预报结果，从中提取影响闪电发生的物理量；
A2：获取预报时刻前3个小时的闪电观测资料；
A3：将A1中得到的影响闪电发生的物理量及A2中的闪电观测资料一并作为卷积神经网络模型的输入层；
A4:构建卷积模型，模型包含5个卷积层，每层的神经元数量分别为128、64、32、16、1，其中在第四层神经元中添加Dropout层。
所述的A2中的闪电观测资料进行加密处理，加密处理的方法为：将闪电发生位置30km范围内均认为发生了闪电。
所述的A1中的影响闪电发生的物理量包括：对流有效位能、风暴螺旋度、水汽混合比、云水混合比、雨水混合比、冰混合比、雪混合比、霰混合比、最大垂直速度、雷达最大回波、6 km 高度雷达回波、9 km高度雷达回波、累计格点降水、预报时刻过去3小时逐小时的闪电频数。
所述的A4中的卷积模型，每层网络的卷积核维度与输入变量一致。
中尺度气象模式WRF为美国国家大气研究中心等机构研发的新一代天气预报模式，使用WRF模式对预报时刻物理量的预报结果（分辨率为20 km）和预报时刻过去3小时逐小时的闪电观测资料，归一化后作为输入层输入至卷积神经网络模型中进行训练。
闪电作为一种强对流天气现象，其发生发展受到对流不稳定能量、冰相粒子等物理量影响，同时历史闪电观测资料也可在一定程度上反映闪电的变化趋势，所以模型输入层的变量包含WRF模式对影响闪电发生的13个物理量的预报结果和预报时刻过去3小时逐小时的闪电观测资料，即对流有效位能、风暴螺旋度、水汽混合比、云水混合比、雨水混合比、冰混合比、雪混合比、霰混合比、最大垂直速度、雷达最大回波、6 km 高度雷达回波、9km高度雷达回波、累计格点降水、预报时刻过去3小时逐小时的闪电频数（每个小时的闪电频数为1个变量，则3个小时的闪电频数为3个变量），共16个变量，输出层为预报时刻未来1小时的闪电频数。
闪电观测资料加密，闪电通常发生在中尺度天气系统中，空间尺度在几十至几百公里。由于网格点间的距离较小，闪电发生位置邻近网格点之间的环境背景是极其相似的。若不对闪电观测资料进行加密，在对网格点进行闪电频数统计时，可能会导致与闪电发生位置环境相似的网格点的闪电频数偏小甚至为0，对模型训练产生干扰，不利于模型收敛。另一方面，由于闪电的发生是低概率事件，本发明的检验样本共有1122400个网格点，其中有闪电发生的网格点的数量为4505个，仅占检验样本总数的0.4%，剩余99%以上的网格点的闪电频数均为0。深度学习模型训练的过程是将模型预报结果和闪电观测资料的差距极小化（代价函数达到最小），经过我们测试，在闪电观测资料不加密的情况下，会导致模型预报的闪电频数倾向于0，预报结果表明多数闪电发生位置的闪电频数被预报为0，命中率较低。所以闪电观测资料的加密对于模型预报的准确性有较大提升。
加密方法如下：统计网格点上闪电频数时，将闪电发生位置30 km范围内的网格点均进行标记，认为闪电在多个网格点上均有发生。图1、2为闪电观测资料加密示意图，图1中点E为闪电发生位置，网格格距为20km，以点E为中心30 km的范围内的网格点A、B、C、D与点E的环境背景是极其相似的，所以认为闪电在网格点A、B、C、D上均有发生，加密后的闪电如图2所示。
图3-5为一次闪电过程原始观测和加密后的结果示意图，其中图3、图4、图5分别为闪电原始观测点图、闪电加密后点图、闪电频数统计阴影图，加密后的闪电趋于团状，更符合实际大气环境背景。
卷积神经网络具有强大的非线性表达能力和特征提取功能，结构设计如图6所示，包含5个卷积层，每层的神经元数量分别为128、64、32、16、1，其中在第四层神经元中添加Dropout层（比例取0.2）以避免过拟合，提高模型泛化能力。每层网络的卷积核维度（46×61）与输入变量一致，并添加填充模块（padding），以保持输出维度与输入维度一致，避免丢失边界信息。
所述的步骤B中包括：使用A3中的输入层进行卷积操作，输出层为预报时刻未来1小时的闪电频数，完成模型训练过程。
使用卷积神经网络方法对输入层进行卷积操作以提取特征，其中对边界进行填充并不使用池化操作，保持输出维度与输入维度一致以避免丢失重要信息，输出层为预报时刻未来1小时的闪电频数，对模型进行训练。
所述的步骤C中包括：
C1：获取最新的中尺度气象模式WRF形成的预报结果；
C2：获取预报时刻前3个小时的闪电观测资料；
C3：将C1中的预报结果和C2中的闪电观测资料一并作为卷积神经网络模型的输入层，使用该输入层输入至训练好的模型中，此时的输出层则为预报时刻未来1小时的闪电频数。
使用模型训练结束后，输入最新的WRF模式预报结果和预报时刻过去3小时逐小时的闪电频数，即可获得预报时刻的闪电频数预报结果。
本发明选取2017-09-20 20:00至2017-09-21 18:00的一次闪电过程进行检验，此次闪电过程初始时刻主要发生在山西和陕西交界处，内蒙古地区中部，随后范围逐渐扩大呈带状分布，自西向东移动，途径陕西、山西、河北和山东地区。部分时刻预报结果如图7-12所示，其中图7、图8、图9分别为2017-09-20 21:00、2017-09-21 09:00、2017-09-21 18:00时刻闪电频数观测结果，其分别代表了本次过程闪电的初始状态、中间状态和消亡状态，图10、图11、图12分别为对应时刻的模型预报结果。
从图中可以看出，在2017-09-20 21:00时刻闪电高值区分布在山西和陕西地区交界处，预报结果的高值区与观测分布基本一致，命中率达到0.92（图13）；2017-09-21 09:00时刻闪电范围逐渐扩大，主要分布在山西地区，呈东北-西南走向，预报结果命中率达到0.84，仅在山西北部和东南部地区存在一定量的空报，整体预报效果较好。2017-09-21 18:00时刻闪电逐渐消散，主要分布在山东地区的西北部，预报结果与观测相比略微偏北，原因考虑WRF对影响闪电发生的物理量的预报结果本身存在一定的偏差，命中率达到0.77，整体趋势与观测较为一致。
图13和图14分别为在阈值为1和20的情形下，采用邻域法对本次闪电过程预报结果的命中率评分，在阈值为1的情况下有22个样本命中率大于0.5，平均命中率达到0.79；阈值为20的情况下，有14个样本命中率大于0.3，平均命中率达到0.46，结果表明模型对不同频数的闪电预报均能达到较高的命中率。

Claims (5)

1.基于卷积神经网络的闪电频数预报方法，其特征在于包括如下步骤：
A：建立模型；B：训练模型；C：进行预报；
其中所述的步骤A中包括：
A1：使用中尺度气象模式WRF形成的预报时刻的预报结果，从中提取影响闪电发生的物理量；
A2：获取预报时刻前3个小时的闪电观测资料；
A3：将A1中得到的影响闪电发生的物理量及A2中的闪电观测资料一并作为卷积神经网络模型的输入层；
A4:构建卷积模型，模型包含5个卷积层，每层的神经元数量分别为128、64、32、16、1，其中在第四层神经元中添加Dropout层；
所述的步骤B中包括：
使用A3中的输入层进行卷积操作，输出层为预报时刻未来1小时的闪电频数，完成模型训练过程；
所述的步骤C中包括：
C1：获取最新的中尺度气象模式WRF形成的预报结果；
C2：获取预报时刻前3个小时的闪电观测资料；
C3：将C1中的预报结果和C2中的闪电观测资料一并作为卷积神经网络模型的输入层，使用该输入层输入至训练好的模型中，此时的输出层则为预报时刻未来1小时的闪电频数。
2.根据权利要求1所述的基于卷积神经网络的闪电频数预报方法，其特征在于：对所述的A2中的闪电观测资料进行加密处理，加密处理的方法为：将闪电发生位置30km范围内均认为发生了闪电。
3.根据权利要求1所述的基于卷积神经网络的闪电频数预报方法，其特征在于：所述的步骤B中进行卷积操作时，对边界进行填充并不使用池化操作。
4.根据权利要求1所述的基于卷积神经网络的闪电频数预报方法，其特征在于：所述的A1中的影响闪电发生的物理量包括：对流有效位能、风暴螺旋度、水汽混合比、云水混合比、雨水混合比、冰混合比、雪混合比、霰混合比、最大垂直速度、雷达最大回波、6 km 高度雷达回波、9 km高度雷达回波、累计格点降水、预报时刻过去3小时逐小时的闪电频数。
5.根据权利要求1所述的基于卷积神经网络的闪电频数预报方法，其特征在于：所述的A4中的卷积模型，每层网络的卷积核维度与输入变量一致。
CN202010836991.2A 2020-08-19 2020-08-19 基于卷积神经网络的闪电频数预报方法 Active CN113376711B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010836991.2A CN113376711B (zh) 2020-08-19 2020-08-19 基于卷积神经网络的闪电频数预报方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010836991.2A CN113376711B (zh) 2020-08-19 2020-08-19 基于卷积神经网络的闪电频数预报方法

Publications (2)

Publication Number Publication Date
CN113376711A true CN113376711A (zh) 2021-09-10
CN113376711B CN113376711B (zh) 2022-11-04

Family

ID=77568928

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010836991.2A Active CN113376711B (zh) 2020-08-19 2020-08-19 基于卷积神经网络的闪电频数预报方法

Country Status (1)

Country Link
CN (1) CN113376711B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115079306A (zh) * 2022-05-23 2022-09-20 远景智能国际私人投资有限公司 闪电预报方法、装置、设备、存储介质及计算机程序产品

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5140523A (en) * 1989-09-05 1992-08-18 Ktaadn, Inc. Neural network for predicting lightning
CN108052734A (zh) * 2017-12-12 2018-05-18 中国电力科学研究院有限公司 一种基于气象参数对雷电流幅值进行预测的方法及系统
CN108108520A (zh) * 2017-11-29 2018-06-01 海南电网有限责任公司电力科学研究院 一种基于神经网络集成的输电线路雷害风险预测模型
CN108445464A (zh) * 2018-03-12 2018-08-24 南京恩瑞特实业有限公司 Nriet基于机器学习的卫星雷达反演融合方法
CN109086916A (zh) * 2018-07-16 2018-12-25 国家气象中心 一种基于多源观测数据的对流天气临近预报方法及装置
CN109754124A (zh) * 2019-01-14 2019-05-14 兰州大学 一种闪电潜势预报方法
CN110197218A (zh) * 2019-05-24 2019-09-03 绍兴达道生涯教育信息咨询有限公司 基于多源卷积神经网络的雷雨大风等级预测分类方法
CN111242374A (zh) * 2020-01-10 2020-06-05 上海眼控科技股份有限公司 雷电预测方法、装置、计算机设备和计算机可读存储介质

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5140523A (en) * 1989-09-05 1992-08-18 Ktaadn, Inc. Neural network for predicting lightning
CN108108520A (zh) * 2017-11-29 2018-06-01 海南电网有限责任公司电力科学研究院 一种基于神经网络集成的输电线路雷害风险预测模型
CN108052734A (zh) * 2017-12-12 2018-05-18 中国电力科学研究院有限公司 一种基于气象参数对雷电流幅值进行预测的方法及系统
CN108445464A (zh) * 2018-03-12 2018-08-24 南京恩瑞特实业有限公司 Nriet基于机器学习的卫星雷达反演融合方法
CN109086916A (zh) * 2018-07-16 2018-12-25 国家气象中心 一种基于多源观测数据的对流天气临近预报方法及装置
CN109754124A (zh) * 2019-01-14 2019-05-14 兰州大学 一种闪电潜势预报方法
CN110197218A (zh) * 2019-05-24 2019-09-03 绍兴达道生涯教育信息咨询有限公司 基于多源卷积神经网络的雷雨大风等级预测分类方法
CN111242374A (zh) * 2020-01-10 2020-06-05 上海眼控科技股份有限公司 雷电预测方法、装置、计算机设备和计算机可读存储介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
杨仲江 等: "序列结构的RNN 模型在闪电预警中的应用", 《灾害学》 *
赵旭寰 等: "神经网络在雷暴预报中的应用初步研究", 《热带气象学报》 *
陈尊界 等: "BP神经网络在雷电预报中的应用", 《南方农业》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115079306A (zh) * 2022-05-23 2022-09-20 远景智能国际私人投资有限公司 闪电预报方法、装置、设备、存储介质及计算机程序产品
CN115079306B (zh) * 2022-05-23 2023-12-05 远景智能国际私人投资有限公司 闪电预报方法、装置、设备、存储介质及计算机程序产品

Also Published As

Publication number Publication date
CN113376711B (zh) 2022-11-04

Similar Documents

Publication Publication Date Title
Piper et al. Exceptional sequence of severe thunderstorms and related flash floods in May and June 2016 in Germany–Part 1: Meteorological background
CN112764129B (zh) 一种雷暴短临预报方法、系统及终端
CN109086916B (zh) 一种基于多源观测数据的对流天气临近预报方法及装置
Sun et al. Radar data assimilation with WRF 4D-Var. Part II: Comparison with 3D-Var for a squall line over the US Great Plains
Sideratos et al. Using radial basis neural networks to estimate wind power production
Goudenhoofdt et al. Statistical characteristics of convective storms in Belgium derived from volumetric weather radar observations
Ahuna et al. Rain attenuation prediction using artificial neural network for dynamic rain fade mitigation
Davis et al. Identifying and characterizing the impact of turbine icing on wind farm power generation
CN103514328B (zh) 一种基于wrf的极端干旱地区风场模拟方法
CN103837769B (zh) 一种输电线路雷害预警方法及其系统
Azorin-Molina et al. Sea breeze thunderstorms in the eastern Iberian Peninsula. Neighborhood verification of HIRLAM and HARMONIE precipitation forecasts
CN115219810B (zh) 一种基于雷电定位系统的线路跳闸预测方法
CN113689053B (zh) 一种基于随机森林的强对流天气架空线停电预测方法
CN110908014A (zh) 舞动精细化订正预报方法及系统
CN109858657A (zh) 海上风电场的预报预警系统
Mazzarella et al. Comparison between 3D-Var and 4D-Var data assimilation methods for the simulation of a heavy rainfall case in central Italy
Yang et al. Using numerical weather model outputs to forecast wind gusts during typhoons
CN113376711B (zh) 基于卷积神经网络的闪电频数预报方法
Wapler et al. Characterisation and predictability of a strong and a weak forcing severe convective event–a multi-data approach
CN113075751A (zh) 一种观测资料在短临预报中的融合方法和系统
Xie et al. Characteristics of cloud-to-ground lightning activity in hailstorms over Yunnan province
CN111427101A (zh) 雷雨大风分级预警方法、系统、存储介质、计算机程序
Minářová et al. Seasonality of mean and heavy precipitation in the area of the Vosges Mountains: dependence on the selection criterion
Naylor et al. Variability in isolated convective activity between Louisville, Kentucky, and nearby rural locations
CN112382977B (zh) 一种输电线路差异化防雷方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant