基于信息粒化和模糊C均值聚类的动态雷暴捕捉与路径成像技术

《Knowledge-Based Systems》:Dynamic Thunderstorm Capture and Path Imaging Driven by Information Granulation and Fuzzy C-Means Clustering

【字体: 大 中 小 】 时间:2026年01月18日 来源:Knowledge-Based Systems 7.6

编辑推荐:

  基于模糊C-均值聚类和信息粒化的动态雷暴时间窗口捕捉方法,通过分析大气电场信号的多维度特征,结合α-cut方法确定雷暴主导时段,并采用专家经验融合的两步评估机制验证结果可靠性,最终实现雷暴云点电荷移动路径的空间成像。实验表明该方法在多个天气案例中有效捕捉雷暴时间窗口并准确成像。

  
徐阳|邢宏艳|苏鑫|维托尔德·佩德里奇
中国南通大学信息科学与技术学院,南通226019

摘要

大气电场(AEFs)所携带的模糊天气属性的挖掘,尤其是雷暴发生时间的准确估计,具有相当大的挑战性。本文首次提出了一种基于模糊C-均值(FCM)聚类的方法来捕捉雷暴时间窗口。通过处理一阶差分、统计数据和时间属性等时间序列AEF信号,构建了表征雷暴为主导天气的模糊集——信息颗粒。结合标记的AEF案例,确定了多种颗粒度之间的最优信息粒度。然后应用α-切割来锁定和捕捉代表雷暴主导性的颗粒元素的时间起点和终点。这些时间点对应于可能的雷暴时间窗口及其对应的AEF成分。基于专家知识和天气变化规则,对窗口的合理性进行了初步评估。只有通过初步评估,并且随后通过设计的专家经验融合方法被评估为雷暴主导的成分,才会被用于在空间域中成像雷暴云点电荷的运动路径。结果表明,所提出的方法能够准确捕捉时间窗口,并在多个案例中可靠地成像雷暴运动路径。这种可解释的动态捕捉方法相比基于等时AEF划分的天气评估方法具有显著优势,有助于实现实时和高效率的雷暴监测。

引言

大气电场(AEFs)始终存在于大气中[1],[2]。由3DAEF设备(3DAEFA)测量的三维(3D)AEF包括两个水平电场E_x和E_y,以及一个垂直电场E_z。晴天时3DAEF的值较小,特别是水平电场可以忽略不计。在雷暴期间,3DAEF会有显著的不规则变化。AEF与天气变化(尤其是雷暴)之间的强相关性已通过基于AEF的雷暴监测得到了广泛研究[3],[4],[5]。
AEF信号(AEFS)携带并蕴含了各种属性,如时间;统计信息(包括平均值(AV)、标准差(SD)、阈值(TV)等;以及变化率。这些属性及相关方法(极性反转、快速变化的抖动、阈值警告等)被用于研究时间域中的AEF[3],[4],[5],[6],[7],[8],[9]。杨等人[9]首次开发了雷暴云点电荷的定位模型,并提出了一种全向定位方法。这项工作的结果促进了空间域中雷暴的进一步研究。传统的时域方法和新的空间域方法旨在识别反映雷暴的AEF成分。不断变化的天气对应于不断变化的AEF,因此,找到AEF成分的前提是评估并获取不同时间段(雷暴或非雷暴主导)AEF所携带的天气属性(WA)。
人工智能和数据挖掘技术已被用于研究AEF的WA[10],[11]和[12]。在[10]中,通过以30分钟间隔划分AEF获得的AEF成分的WA使用预测值区间进行了评估(对应于不同的WA)。为了提高评估的可靠性,在[11]中使用了预定义的线性函数来融合预测值和统计特征。根据输出函数值所在的数值区间,使用AEF特征值获得了WA结果。尽管这些工作提供了有前景的参考,但AEF时间窗口的划分仍然存在不确定性。尽管常用的等时划分在处理批量数据、匹配人工智能模型的输入要求等方面具有优势,但对应于被评估为携带雷暴属性(TAs)的AEF成分的时间窗口与实际雷暴发生的时间窗口并不一致。换句话说,静态评估无法实现准确的雷暴监测。
在将静态评估转换为动态评估的过程中,需要考虑所获得结果的可靠性和合理性。实际上,AEF成分的WA的合理性取决于它是否遵循实际的天气变化规则。这要求相关链接和操作具有高度的可解释性。为了进行全面评估,包含至少两次评估的机制可能确保获得可靠的结果。
模糊C-均值(FCM)聚类已在包括气候变化、交通、医学和波浪能利用在内的多个领域得到广泛应用[13],[14],[15],[16],[17]。为了研究Kebir-Rhumel流域干旱的严重性和频率,采用了标准化降水温度指数和FCM来分析以严重干旱和强降水间隔为特征的降雨模式变化[13]。实验结果揭示了降雨变异性、温度上升和干旱严重性之间的复杂相互作用。参考文献[14]提出了一种结合特征选择和改进的FCM聚类算法的分类方法,以解决显著波高预测模型中的数据模式异质性问题。作为关键的信息处理工具,信息粒度在时间序列预测、聚类、特征选择和分析、数据分类[18],[19],[20],[21],[22]中经常被使用。FCM与信息粒度的结合产生了重要的研究成果[23],[24],[25],[26]。通过改进FCM并基于精细的合理性原则,提出了一种新的二元关系方法,以提高基于等价关系划分的容错性[23]。[25]提出了一种基于信息颗粒的FCM聚类方法,用于多视图点集配准,在多视图对齐中展示了卓越的准确性和鲁棒性。然而,将两者结合应用于基于AEF的雷暴检测的研究尚未展开。将FCM与基于信息粒度的精确雷暴检测相结合,可以显著提高雷暴活动跟踪的准确性。
为了可解释且动态地估计雷暴发生的时间窗口,并确保其可靠性和合理性,本文提出了一种基于FCM聚类的新方法来捕捉雷暴时间窗口。首先,FCM将包含AEF时间序列及其一阶差分、AV、SD、TV和时间属性的数据集转换为数据簇。这样做是为了获得雷暴和非雷暴主导的时间序列隶属度(MDs),从而构成能够描述天气的信息颗粒。其次,根据标记的AEF数据调整信息粒度到最优值。第三,对目标颗粒应用最优α的α-切割,以锁定和捕捉代表雷暴主导性的颗粒元素的时间起点和终点(即时间窗口)。最后,基于天气变化规则,对捕获的窗口合理性进行初步评估(即窗口是否出现在整个AEF中的合理时间和位置,以及提供的信息是否与天气发展相匹配)。设计了一种基于专家经验融合的WA评估方法,对通过初步评估的AEF成分进行第二步评估。最终,通过两步评估的成分对应的窗口被视为可靠的,并进行雷暴成像。当评估机制中的某一步未通过时,引入实时雷达图进行重新评估。最后,为了验证所提出方法的有效性,我们在多种天气情况下进行了实际实验,并基于数据集中的不同属性组合进行了对比实验。
本研究的新颖性体现在三个方面。首先,使用基于模糊集的属性构建信息颗粒来反映天气条件。其次,提出了一种基于FCM聚类的新雷暴捕捉方法,并为聚类提供了最优的属性组合。第三,设计了一种基于α-切割的雷暴时间窗口捕捉方案,这与传统的静态划分不同。与现有方法相比,我们的方法综合考虑了特定领域的雷暴气象规则、FCM用于WA评估的可行性以及信息粒度在动态雷暴捕捉中的作用。最显著的创新在于建立的机制,该机制利用FCM和信息粒度之间的协同作用实现了准确的捕捉。
本文的其余部分组织如下。第2节介绍了等时划分(ETD)、FCM和信息粒度。第3节详细阐述了使用FCM聚类形成的信息颗粒,并描述了提出的雷暴捕捉和可靠性评估机制,以及最终的成像细节。第4节讨论了用于聚类的数据集构建,并确定了阈值、最优信息粒度和α。第5.1节展示了几个实验的结果和分析,随后是第4节的讨论和结论。

部分摘录

初步介绍

本节简要概述了ETD、FCM聚类和信息粒度。

雷暴捕捉与评估

本节讨论了基于模糊集的信息颗粒的形成,进行了基于α-切割的雷暴时间窗口捕捉,并实施了窗口可靠性的两步双重评估(即窗口提供的天气信息的可靠性)。图1展示了所提出的雷暴捕捉方法的流程图。
图1显示,用于FCM聚类的数据集包含属性x_i(时间序列AEFS)、Δx_i(AEFS的一阶差分)、AV、SD、TV

参数分析

本节构建了用于FCM聚类的数据集,并确定了FCM的阈值、最优信息粒度和α。

结果与分析

进行了实际实验,并基于雷暴和非雷暴案例分析了实验结果。还进行了额外的对比实验来评估所提出的属性组合方法。实验中使用的AEF数据均由南通大学站测量。

讨论与结论

精细化和可解释性是雷暴甚至气象测量的关键。本文提出了一种高度创新的动态雷暴窗口捕捉方法,通过构建可解释的天气描述的信息颗粒来实现。首先确定与当地AEF数据特征匹配的最优粒度,该方法设计了一种结合α-切割和最大窗口原则的捕捉方案,然后通过两步评估机制进行评估

CRediT作者贡献声明

徐阳:撰写——原始草稿、方法论、概念化。邢宏艳:撰写——原始草稿、监督、资金获取。苏鑫:方法论、形式分析、数据整理。维托尔德·佩德里奇:撰写——审阅与编辑、概念化。

利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系可能会影响本文报告的工作。

致谢

本研究得到了国家自然科学基金(项目编号62171228和62371181)、南通大学高层次人才项目(项目编号03083130)以及常州市科技国际合作计划(项目编号CZ20230029)的支持。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号