在不确定性下的闪电预测：结合模糊损失的DeepLight模型

《Expert Systems with Applications》：Lightning Prediction under Uncertainty: DeepLight with Hazy Loss

DeepLight采用多分支卷积和Hazy Loss函数，通过整合雷达反射率、云属性等实时气象数据，有效捕捉动态空间关联并降低时空不确定性，在多个预测时效下较现有方法提升18%-30%的ETS指标。

　　

Md Sultanul Arifin|Abu Nowshed Sakib|Yeasir Rayhan|Tanzima Hashem

孟加拉工程技术大学计算机科学与工程系，达卡，1000，孟加拉国

摘要

闪电是恶劣气象条件的常见现象，它带来了从直接人员伤亡到重大经济损失等一系列风险。这些风险因气候变化而进一步加剧。如果能提前准确预测闪电，就可以采取预防措施来保护人们的安全、财产，并将经济损失降到最低。在本文中，我们提出了DeepLight这一新颖的深度学习架构，用于预测闪电的发生。现有的预测模型存在几个关键局限性：i) 它们往往难以捕捉闪电事件的动态空间背景及其固有的随机性，包括即使在相似的气象条件下，闪电是否发生以及其发生位置和时间的变化；ii) 它们未能充分利用雷达反射率和云属性等关键观测数据；iii) 它们严重依赖数值天气预报（NWP）系统，而这些系统不仅计算成本高昂，而且对参数设置非常敏感。为了克服这些挑战，DeepLight利用了包括雷达反射率、云属性和历史闪电记录在内的多源气象数据，通过双编码器架构进行预测。通过采用多分支卷积技术，该模型能够动态捕捉不同范围内的空间相关性。此外，其新颖的Hazy Loss函数通过根据与真实事件的接近程度对偏差进行惩罚，从而明确处理了闪电的时空不确定性，使模型能够在随机性中更好地学习模式。大量实验表明，DeepLight将公平威胁评分（Equitable Threat Score, ETS）提高了18%–30%，证明了它是一种可靠的闪电预测解决方案。

引言

闪电是恶劣气象条件的典型特征，它带来了包括人员伤亡、财产损失以及对电子和航空系统干扰在内的重大风险（Cooper & Holle, 2019）。例如，在孟加拉国，2024年5月1日至8日的八天内就有43人因雷击丧生，这一趋势与气候变化有关¹。同样，在尼泊尔，2019年至2023年间有360人死于与闪电相关的事件，超过了每年的季风洪水死亡人数²。除了直接的人员伤亡外，闪电还会引发野火并破坏关键基础设施，例如2012年美国发生的由闪电引发的野火，烧毁了超过900万英亩的土地（Cooper & Holle, 2019）。这些影响凸显了准确预测闪电的重要性。

由于闪电具有高度局部化、瞬时性和固有的随机性，因此预测闪电非常具有挑战性。即使在相似的气象条件下，闪电也可能发生，也可能不发生，或者发生在不同的位置和时间。这种不确定性不同于通过概率分布、方差或置信区间来表征的认知不确定性。闪电形成于快速演变的对流风暴中，其中冰、霰粒和过冷水之间的微物理相互作用导致电荷分离。这些电离过程发生在毫秒级别，标准大气传感器无法直接观测到，从而限制了闪电发生的可预测性。因此，研究人员依赖历史闪电记录和雷达反射率、云属性等间接指标来预测闪电。

早期的闪电预测工作主要依赖于数值天气预报（NWP）系统（Powers et al., 2017）。基于NWP的经验模型（如PR92（Price & Rind, 1992）和MNSRP99（Michalon, Nassif, Saouri, Royer, & Pontikis, 1999）使用NWP模拟的微物理和动力学参数来估计闪电频率。然而，基于NWP的方法对物理参数化选择敏感，需要大量的计算资源，并且难以捕捉细尺度的空间模式。

最近的深度学习方法（例如LightNet（Geng et al., 2019）、ADSNet（Lin et al., 2019）、HSTN（Geng et al., 2020）、LightNet+（Zhou et al., 2022）通过学习历史闪电观测数据和基于NWP的特征来改进了闪电预测。然而，这些模型仍面临一些关键局限性：（i）难以模拟不同范围的空间动态背景；（ii）对真实观测雷达和云数据的整合有限；（iii）尽管不同物理参数化方案对同一风暴事件的结果影响不同，但仍然依赖NWP系统（Vemuri, Buckingham, Munters, Helsen, & van Beeck, 2022）。这些局限性表明需要一种不依赖NWP的方法，能够从真实的多源数据中稳健地学习时空相关性。

在本文中，我们开发了DeepLight这一基于深度学习的闪电预测框架。DeepLight仅使用真实观测数据，学习了气象参数与闪电发生之间的时空相关性以及这些参数之间的相互依赖性。它采用多分支架构，能够模拟不同尺度的空间依赖性，并引入了Hazy Loss函数，该函数通过根据与真实情况的接近程度对时空偏差进行惩罚，从而处理闪电事件中的固有随机性和不确定性。这鼓励模型学习能够容忍空间和时间变化的模式。通过整合雷达反射率、云属性和历史闪电观测数据，DeepLight为闪电预测问题提供了全面而可靠的解决方案。我们的模型设计消除了对NWP系统的依赖，同时解决了动态空间背景和闪电发生的固有随机性问题。

我们的贡献总结如下：

•

我们提出了DeepLight，这是一种利用真实多源数据进行闪电预测的深度学习架构，且不依赖NWP系统。

•

我们识别了空间相关性的动态特性，并设计了多分支卷积技术来捕捉不同空间范围内的背景信息。

•

我们引入了Hazy Loss函数，这是一种考虑邻域的损失函数，能够在闪电事件中固有的高时空不确定性下改善学习效果。

•

通过大量实验，我们证明了DeepLight在多个预测时段内的表现明显优于现有模型。

章节片段

问题表述

我们的目标是利用历史真实数据（包括闪电观测和活动数据）以及辅助气象参数（如雷达反射率（NOAA, 2018）和云属性（GOES-R, GOES-R, GOES-R）来预测未来的闪电发生。这些特征的选择基于Leinonen等人（Leinonen, Hamann, Germann, & Mecikalski, 2022）的全面分析，这些特征在闪电预测中非常重要。此外，之前的最新研究也证实了这一点

闪电预测模型

传统上，数值天气预报（NWP）系统被用于预测闪电发生。其中一个流行的NWP系统是天气研究和预报（WRF）模型（Powers et al., 2017）。WRF是一个用于大气研究和业务预报的中尺度NWP系统，能够模拟各种天气现象。最近的研究尝试通过多种方法解决闪电预测问题。一些模型结合了机器学习技术

材料与方法

在本文中，我们介绍了DeepLight，这是一种用于预测闪电发生的深度学习模型。该模型的改进性能得益于其新颖的邻域感知损失函数Hazy Loss、多分支深度学习架构，以及它从多样化的真实世界气象观测数据（包括雷达反射率、云属性和历史闪电记录）中学习的能力。Hazy Loss函数通过平滑评分来处理随机性

评估

在本节中，我们通过实验评估DeepLight的性能。具体来说，我们展示了实验设置、DeepLight与基线的比较、Hazy Loss和多分支方法的效果、消融研究、计算效率分析以及案例研究。

研究的局限性

在6小时预测中的性能提升相对有限，介于8%到13%之间，表明长期闪电预测的难度增加。尽管DeepLight继续优于现有方法，但随着预测时间的延长，其预测准确性有所下降。这反映了在更长时间尺度上模拟复杂、高度动态和混沌的闪电生成对流系统的固有挑战。

特别是，在

结论

在本文中，我们介绍了DeepLight，这是一种不同于传统数值方法的闪电预测深度学习模型。它采用了多分支ConvLSTM架构，可以从不同半径的邻域中提取空间相关性。此外，DeepLight还引入了一种新颖的邻域感知损失函数，根据闪电预测与真实情况的时空距离对其进行惩罚。我们的实验利用了真实世界的闪电数据和辅助数据

写作过程中生成式AI和AI辅助技术的声明

在准备本工作时，作者使用了ChatGPT来提高手稿的可读性和语言表达。使用该工具后，作者根据需要审查和编辑了内容，并对发表文章的内容负全责。

利益冲突声明

作者声明他们没有已知的财务利益或个人关系可能影响本文所述的工作。