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。