提升印度北部闪电密度预报精度:集合模型与深度学习方法的应用
《Physics and Chemistry of the Earth, Parts A/B/C》:Enhancing the forecasting of Lightning Density over Northern India: An Ensemble and Deep Learning Models Approach
【字体:
大
中
小
】
时间:2026年08月02日
来源:Physics and Chemistry of the Earth, Parts A/B/C 3.0
编辑推荐:
•机器学习可预测季风活跃的印度北部的闪电密度。•ERA5指数与LIS/OTD数据用于构建印度北部闪电预测模型。•经过优化的XGBoost模型在月度闪电预测中的R2值为0.84。•每日预测中,XGBoost/随机森林模型的R2值约为0.72,优于决策树模型。•LSTM模型的R2值为
•机器学习可预测季风活跃的印度北部的闪电密度。•ERA5指数与LIS/OTD数据用于构建印度北部闪电预测模型。•经过优化的XGBoost模型在月度闪电预测中的R2值为0.84。•每日预测中,XGBoost/随机森林模型的R2值约为0.72,优于决策树模型。•LSTM模型的R2值为0.62,低于经过优化的树集成模型在每日闪电预测中的表现。
引言
闪电是一种自然的大气现象,表现为云层内部、云层之间或云层与地球表面之间的快速静电放电。根据Akinyemi等人2014年的研究,闪电的形成与大气动力学密切相关,尤其是雷暴云内的电荷分离过程,这一过程由强烈的上升气流和冰粒子碰撞所驱动。当大气绝缘能力被突破时,就会发生云内、云间或云地闪电;其中云地闪电对人类和财产的危害最大(Meng等人,2019年;Rakov与Uman,2007年)。闪电是大气不稳定性的重要指标,因为每次闪电爆发都会释放巨大能量,电流强度可从数千安培到超过20万安培不等(IEEE电力与社会委员会)。大气对流、水分含量以及不同性质的气团相互作用,如热干气流与冷湿气流的交汇,都会影响闪电的发生(Lal等人,2018年)。此外,气候变化预计会加剧闪电活动,因为全球气温上升会提高大气不稳定性和对流有效位能,从而导致更频繁且更强烈的雷暴(Geng等人,2021a年;Romps等人,2018年)。
基础设施、生态系统和人类健康都面临着闪电的严重威胁。据Cavaiola等人2024年的研究,闪电每年在全球造成24,000人死亡和240,000人受伤。闪电带来巨大的人员损失,有10%至30的幸存者会遭受长期的神经或身体残疾(Whitecomb等人,2002年)。闪电还会破坏电气系统、干扰电力供应,并引发野火等危险,进一步加剧其社会经济影响(Mulder等人,2012年;Dowdy,2016年)。印度是该地区最易遭受闪电袭击的国家之一。受闪电影响最严重的邦分别是马哈拉施特拉邦(29%)、西孟加拉邦(12%)和北方邦(9%),1979年至2011年间共有5,259人因此丧生(Singh与Singh,2015年)。根据印度国家犯罪记录局的数据,印度每年因闪电造成的死亡人数平均超过2,000人,相当于每百万人中有0.25人死亡(NCRB,2015年)。尽管闪电带来的危害如此之大,但在印度的极端天气监测记录中,闪电一直未被充分重视;直到最近才建立起系统的监测网络(De等人,2005年;IMD,2012年)。最新研究表明,闪电在印度仍是一种重大灾害,每年平均有约1876人因此死亡。自2001年以来,死亡人数有所增加,中央邦(313人死亡)、马哈拉施特拉邦(281人死亡)和奥里萨邦(255人死亡)等地的年度伤亡人数尤为突出(Mishra等人,2024年;Yadava等人,2020年)。同样,全球范围内的研究也显示,闪电相关的死亡事件仍在发生,例如欧洲每年有64人死于闪电(Kühne等人,2025年)。
由于微物理参数化和空间分辨率的限制,传统的数值天气预报模型无法准确模拟复杂的非线性风暴尺度过程,而这些过程对于有效的闪电预测至关重要(Galanaki等人,2015年)。通过发现高维大气数据中的潜在模式以及与闪电相关的预测因子,最新的机器学习技术得以填补这些空白。(Sch?n等人,2019年)利用基于光流的机器学习特征进行15分钟预报时,准确率达到了96%;而(Bao等人,2022年)则通过基于人工神经网络的电场变换方法,以82%的准确率和92%的精确度检测出闪电。通过考虑大气场的时空依赖性,深度学习架构进一步提升了对闪电的预测能力。尤其是在高频即时预报方面,自动编码器、空间自动编码器框架(Bao等人,2022年)以及RNN/LSTM模型(Essa等人,2021年)的表现均优于传统的统计模型。(La Fata等人,2021年)表明,基于18年地球物理数据训练的机器学习模型能够实现准确的1小时云地闪电即时预报;(Mostajabi等人,2019年)则证明,仅使用温度、湿度、气压和风速数据,随机森林模型就能在10分钟内准确预测闪电发生的概率。
独立于传统数值天气预报模型的机器学习模型,通过识别那些常常被忽视的非线性相互作用,在闪电和雷暴预报中也展现了出色的性能。Sobash和Ahijevych(2025年)通过用神经网络对高分辨率快速更新模型输出数据进行后处理,为美国本土制定了概率闪电预报。他们发现,在几乎所有的预报时段内,神经网络生成的概率预报都优于基于HRRR模型的上升气流诊断结果。这些机器学习预报的结果也优于高分辨率集合预报模型提供的雷暴预警。此外,在夜间对流条件下,它们的可靠性还高于美国国家气象局的雷暴预报概率评估。Song等人(2024年)使用了包括支持向量机、随机森林、XGBoost和光梯度提升机在内的多种机器学习模型,来预测中国东北地区的闪电活动。他们的预测基于ERA5气象变量和闪电监测网络数据。其中随机森林模型的表现最佳,R2值为0.83,通过SHAP方法进行特征分析后,发现对闪电密度起主要预测作用的是对流有效位能、卡门指数和近地面温度。
Chatterjee等人(2023年)构建了一个基于机器学习的回归框架,用于预测印度各地的季节性闪电密度。他们将印度次大陆划分为七个闪电气候区,以对流有效位能、温度、湿度和卡门指数作为预测因子。研究发现,随机森林模型的表现最为出色,季风期间的预测R2值为0.81,季风前的预测R2值为0.71。Mandal等人(2024年)开发了一个可解释的机器学习模型,用于预测印度东北部的闪电密度。他们采用了温度、对流有效位能、卡门指数和地表热通量等大气因素作为预测依据。其中随机森林模型再次表现出最佳性能,预测R2值为0.86,平均绝对误差为0.0071。SHAP分析表明,滞后温度、对流有效位能和卡门指数是预测闪电的关键变量。对于印度东北部短时效雷暴预报,Vanganuru等人(2025年)采用了带有Levenberg–Marquardt优化算法的人工神经网络模型,他们在1至24小时的提前时间内,对温度、湿度和地表状况的变化做出了非常准确的预测。在SHAP方法的辅助下,确定了重要的对流预测因子,K. Saha等人(2025年)使用XGBoost模型对孟加拉国的季风前闪电进行了预报,准确率为71%,AUC值为76%,POD值为86%。通过改进与闪电形成密切相关的对流有效位能、水汽通量和云冰含量等参数化过程,机器学习模型能够持续补充传统数值天气预报模型的不足,这些优异的预测成绩便是明证。众多混合研究也表明,机器学习不仅能大幅提升数值天气预报的能力,而非取代它。(Sarkar等人,2025年)开发了一种C2AE双自动编码器框架,该框架可将数值天气预报模型产生的数据压缩为低维潜变量,同时保留对闪电形成至关重要的对流特征;当使用均方误差作为损失函数时,预测误差从0.02降低到了0.01。(Cavaiola等人,2024年)证明,将欧洲中期天气预报中心的预报数据与机器学习技术相结合,可在0至24小时的预报时间内,将闪电检测的召回率提高到95%,这一数值远远超过了欧洲中期天气预报中心基于确定性方法的85%召回率。
尽管在闪电预测的机器学习应用方面已取得了一定进展,但大多数研究仍集中在印度北部以外的全球或区域范围内。由于强烈的对流活动和复杂的地形,印度北部在季风期间闪电活动极为频繁。因此,本研究旨在评估多种机器学习模型在预测印度北部闪电密度方面的性能。由于所使用的闪电数据集空间分辨率仅为2.5°,且训练时间有限,本研究在方法上存在一定限制。第二部分介绍了研究区域、所使用的数据集(LIS/OTD和ERA5)、数据预处理过程以及机器学习方法。第三部分则展示了研究结果,包括印度及印度北部的闪电气候特征、基于机器学习的月度和日度预报结果、超参数调优情况、特征重要性分析、残差分析、时空对比结果,以及用于日度预报的LSTM模型。第四部分总结了本研究得出的结论。
研究区域
本研究针对的是印度北部地区,包括喜马拉雅山脚地带,其地理范围位于北纬26.25°至33.75°、东经71.25°至78.75°之间。该研究区域的纬度跨度约为7.5°,经度跨度也为7.5°。考虑到LIS/OTD数据集的空间分辨率,该研究区域在纬度方向上包含4个网格点(北纬26.25°、28.75°、31.25°、33.75°),在经度方向上也有4个网格点(东经71.25°、73.75°、76.25°、78.75°),因此总共包含16个网格点。
结果与讨论
本部分介绍了对印度北部闪电密度的气候学分析结果以及基于机器学习的预测结果。首先,我们利用观测数据集分析了闪电活动的时空变化特征,以识别出主要的季节性和区域性规律。随后,详细评估了各种模型在再现这些规律方面的表现,包括对观测到的闪电密度与预测结果的时空对比分析。
总结与结论
本研究为印度北部地区建立了一个全面的闪电预测框架,而该地区此前尽管属于季风闪电高发区,却缺乏基于机器学习的预测方法。研究人员利用ERA5数据集中的预测因子,为2000年至2011年的数据建立了多种机器学习模型,并在2012年至2013年对这些模型进行了测试。在2012年至2013年的月度数据集上,基准模型测试结果显示,集成方法的表现最初优于单一树模型。随机森林模型的R2值为0.7781,平均绝对误差为0.0128。
生物通微信公众号
生物通新浪微博
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