[發明專利]一種基于氣溶膠信息和深度學習的實時預測閃電方法

在審

• 申請號: 202310270702.0
• 申請日: 2023-03-20
• 公開（公告）號: CN116562418A
• 公開（公告）日: 2023-08-08
• 發明（設計）人: 李四維;宋戈
• 申請（專利權）人: 武漢大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G01W1/10;G01W1/02;G06Q50/26;G06N3/0442;G06N3/08;G06N5/01;G06N20/20
• 代理公司: 武漢科皓知識產權代理事務所(特殊普通合伙) 42222
• 代理人: 王琪

1.一種基于氣溶膠信息和深度學習的實時預測閃電方法，其特征在于，包括如下步驟：

A)閃電發生統計數據集的預處理；

閃電發生統計數據集預處理包括站點對閃電觀測的有效樣本的篩選、閃電發生位置的經緯度匹配、以及閃電活躍與不活躍期間氣溶膠和氣象相關參數的匹配；

B)基于氣溶膠和氣象信息的閃電實時預測深度學習模型的建立；

搭建具備時間序列捕捉能力和高分類精度的基于氣溶膠和氣象信息的閃電實時預測深度學習模型，將閃電發生的統計數據集輸入到該深度學習模型中，捕捉閃電發生的相關條件；

C)深度學習模型的自驗證；

深度學習模型的自驗證包括使用基于時間的十折交叉驗證對深度學習模型精度進行評估；

D)模型應用預測未來閃電的發生；

將目標測試時間段的氣溶膠、氣象參數數據輸入到深度學習模型中，最終輸出的數據為未來1小時閃電發生的概率。

2.如權利要求1所述的一種基于氣溶膠信息和深度學習的實時預測閃電方法，其特征在于：步驟A)的具體實現方式如下；

A1，準備長時間的靜止衛星全域觀測空間范圍的閃電觀測衛星文件，讀取其中閃光記錄，即短時間內和有限空間內閃電束的發生，然后整理其數據柵格化，以小時為時間分辨率、以0.25°×0.25°為空間分辨率，記錄每個柵格中的閃光密度，如果一個柵格中，有至少連續1分鐘的閃電觀測記錄，則該柵格中的閃光為有效觀測數據，閃光密度記為Flash；

A2，創建閃電記錄的匹配數據集，將閃電發生的柵格經緯度以及時間和該柵格內的有效閃光密度Flash進行匹配，其中經緯度分別記作LAT、LON，日期記作YY/MM/DD/HH，即YY為年、MM為月、DD為日、HH為小時；對于未發生閃電的柵格，閃光密度記為0；

A3，準備與閃電觀測時間范圍和空間范圍相同的氣象觀測數據和氣溶膠觀測數據產品，并讀取其數據信息，包括以下參數：位于500hPa的溫度，記作T500；地表氣壓，記作SP；位于500hPa的空氣相對濕度，記作SH；位于500hPa的U方向風速，記作UW；位于500hPa的V方向風速，記作VW；灰塵氣溶膠光學厚度，記作DU；硫酸鹽氣溶膠光學厚度，記作SO4；海鹽氣溶膠光學厚度，記作SS；黑炭氣溶膠光學厚度，記作BC；有機氣溶膠光學厚度，記作OC。

3.如權利要求1所述的一種基于氣溶膠信息和深度學習的實時預測閃電方法，其特征在于：步驟B)中將LSTM模型與LightGBM模型進行串聯得到深度學習模型，模型記為LSTM-LightGBM，深度學習模型的輸入變量包括：氣象變量、氣溶膠參數和歷史閃電觀測記錄，輸出標簽為下一小時閃電發生的預測情況。

4.如權利要求3所述的一種基于氣溶膠信息和深度學習的實時預測閃電方法，其特征在于：在搭建的深度學習模型中，LSTM的具體參數如下：輸入尺寸為[樣本數*特征數*時間序列數]；時間序列為T、T-1、T-2；隱藏層共兩層，每層節點數分別為[32，16]；每層的丟棄系數均為0.1；LightGBM的具體參數如下：葉子節點數為600、估算器數量為1000、學習速率為0.01、建樹的特征選擇比例為0.75、建樹的樣本采樣比例為0.75。

5.如權利要求3所述的一種基于氣溶膠信息和深度學習的實時預測閃電方法，其特征在于：LightGBM的代價函數為Focal?Loss函數，以突出對小概率發生的閃電的特征捕捉能力，其中，權重因子α＝0.75，放大因子γ＝0。

6.如權利要求1所述的一種基于氣溶膠信息和深度學習的實時預測閃電方法，其特征在于：步驟C)中對模型進行評估的指標包括預測準確率、預測檢出率、誤警率、臨界成功指數、Heidke技巧評分、檢出率-誤警率曲線積分，其中檢出率-誤警率曲線積分，強調深度學習模型對于閃電復雜情景的區分能力。

7.如權利要求2所述的一種基于氣溶膠信息和深度學習的實時預測閃電方法，其特征在于：步驟D)中的氣象參數數據包括T、T-1、T-2小時的T500、SP、SH、UW、VW、DU、SO4、SS、BC、OC、Flash。