[AOSL 2025]Nowcasting of cloud-to-ground lightning location and frequency based on a deep learning technique

博主： y0k1n0
发布时间：2025 年 11 月 28 日
98 次浏览
暂无评论
1893字数
分类：临近预测

# Nowcasting of cloud-to-ground lightning location and frequency based on a deep learning technique 阅读笔记

## Introduction

本节首先介绍了云地闪电对输电网络的危害，并由此引出了传统的闪电预测方案，指出了其计算量大，无法处理非线性问题的缺陷；然后引出了最近的深度学习方案，介绍了ConvLSTM、ConvGRU等；接着提出了本研究的内容和数据集；最后介绍了研究的创新点：

- 实现了云对地闪电的频次预测
- 对两个实际问题进行预测，验证了落地的价值

## Data and methods

### Data

这节讲述了数据来源:

- 闪电数据为文本数据，来自CG发现网络
- 卫星数据来自卫星图像，空间分辨率为0.05°，时间分辨率为10分钟

在数据集划分上：

- 将20-22年的数据作为训练集，23年的数据作为测试集
- 训练集八二分为训练集和测试集

### Methods

#### Data preprocessing

这部分讲了一下数据的预处理方式

- 雷电数据：先采用log2norm初始化纠正偏斜的分布，然后再用min-max norm消除量纲影响
- 卫星图像数据：直接采用min-max norm 消除量纲影响

然后作者做了一些初期的可视化，发现云地闪电的发生情况和卫星图像之间有一定的对应关系，初步验证了想法的可行性

#### Conv-GRU-attention model

这部分主要讲了整体模型的结构，由输入层、卷积层、最大池化层、GRU 层、全连接层、输出层以及注意力机制组成。

- 输入：过去六个时间步的卫星数据和闪电数据
- 输出：未来12个时间步的闪电频次图像
- CNN：提取空间特征
- GRU：捕捉不同时间步之间的依赖性
- Attention：计算不同位置的注意力权重
- Full connection：预测未来 120 分钟的闪电情况

### Model training and evaluation

这部分介绍了损失函数和训练设计。

损失函数：

$$
\text{Loss} = \sum_{t=0}^{T} W_t \cdot \frac{1}{M}
\sum_{i=1}^{N_x} \sum_{j=1}^{N_y}
\exp^{2.5Fls^2}\left(\hat{Fls}_{i,j} - Fls_{,i,j}\right)
$$

其中：

- $Fls_{i, j}$：某个网格实际观测到的闪电频次
- $\hat{Fls}_{i, j}$：某个网格预测的闪电频次
- 指数中的$Fls$：同$Fls_{i, j}$，通过高频闪电区域误差的加权放大，无闪电区域误差常规惩罚，解决样本不平衡的问题
- $W_t$：未来12个时间步的时间权重，模型对于较晚的时间步赋予更大的权重

## Results and discussion

### Model performance for the test set

这部分通过对于预测图象的可视化证明了模型的有效性

### Model generalization capability

#### Time dimension

这部分做了时间维度的消融实验和可视化讨论。模型是基于中国中部的夏季气象数据进行训练，然后再中国中部的冬季气象数据下进行可视化，验证模型的结果。结果表明模型在在不同时间下也有很好的表现，证明了在时间维度的生成能力。

#### Spatial dimension

这部分做了空间维度的消融实验和可视化讨论。模型是基于中国中部的夏季气象数据进行训练，然后再中国南部的夏季气象数据下进行可视化，验证模型的结果。结果表明模型不同地域下也有很好的表现，验证了再空间维度的生成能力。

## 总结和反思

这篇文章没有给出具体的模型实现细节，不过大体给出了实现思路：

- 时序+特征提取结合，进行视频预测
  - CNN关注特征信息，GRU关注时序信息
- 注意力机制重新分配权重，迫使模型关注雷电发生的区域
- 通过在不同时段的数据上测试验证在时间维度的生成能力；在不同空间的数据上验证在空间维度上的生成能力

最后修改：2025 年 11 月 30 日

如果觉得我的文章对你有用，请随意赞赏

发表评论取消回复
使用cookie技术保留您的个人信息以便您下次快速评论，继续评论表示您已同意该条款

评论 *

私密评论

名称 *

🎲

邮箱

地址

[AOSL 2025]Nowcasting of cloud-to-ground lightning location and frequency based on a deep learning technique

y0k1n0 • 2025 年 11 月 28 日

# Nowcasting of cloud-to-ground lightning location and frequency based on a deep learning technique 阅读笔记

## Introduction

- 实现了云对地闪电的频次预测
- 对两个实际问题进行预测，验证了落地的价值

## Data and methods

### Data

这节讲述了数据来源:

- 闪电数据为文本数据，来自CG发现网络
- 卫星数据来自卫星图像，空间分辨率为0.05°，时间分辨率为10分钟

在数据集划分上：

- 将20-22年的数据作为训练集，23年的数据作为测试集
- 训练集八二分为训练集和测试集

### Methods

#### Data preprocessing

这部分讲了一下数据的预处理方式

- 雷电数据：先采用log2norm初始化纠正偏斜的分布，然后再用min-max norm消除量纲影响
- 卫星图像数据：直接采用min-max norm 消除量纲影响

然后作者做了一些初期的可视化，发现云地闪电的发生情况和卫星图像之间有一定的对应关系，初步验证了想法的可行性

#### Conv-GRU-attention model

这部分主要讲了整体模型的结构，由输入层、卷积层、最大池化层、GRU 层、全连接层、输出层以及注意力机制组成。

### Model training and evaluation

这部分介绍了损失函数和训练设计。

损失函数：

$$
\text{Loss} = \sum_{t=0}^{T} W_t \cdot \frac{1}{M}
\sum_{i=1}^{N_x} \sum_{j=1}^{N_y}
\exp^{2.5Fls^2}\left(\hat{Fls}_{i,j} - Fls_{,i,j}\right)
$$

其中：

## Results and discussion

### Model performance for the test set

这部分通过对于预测图象的可视化证明了模型的有效性

### Model generalization capability

#### Time dimension

#### Spatial dimension

## 总结和反思

这篇文章没有给出具体的模型实现细节，不过大体给出了实现思路：

[AOSL 2025]Nowcasting of cloud-to-ground lightning location and frequency based on a deep learning technique

发表评论取消回复
使用cookie技术保留您的个人信息以便您下次快速评论，继续评论表示您已同意该条款

stable diffusion代码阅读笔记

《ORANGE‘s 一个操作系统的实现》--认识保护模式

高斯随机变量

MySQL数据库的熟悉与使用

ACWing 1072 树的最长路径题解

理解相似矩阵对角化

ACWing 344 观光之旅题解

ACWing 175 电路维修题解

AcWing 272 最长公共上升子序列题解

Codeforces Round 981 (Div. 3) F. Kosuke's Sloth 题解

[AOSL 2025]Nowcasting of cloud-to-ground lightning location and frequency based on a deep learning technique

发表评论 取消回复 使用cookie技术保留您的个人信息以便您下次快速评论，继续评论表示您已同意该条款

[AOSL 2025]Nowcasting of cloud-to-ground lightning location and frequency based on a deep learning technique

发表评论取消回复
使用cookie技术保留您的个人信息以便您下次快速评论，继续评论表示您已同意该条款