[论文解读] Data archive for "Seamless lightning nowcasting with recurrent-convolutional deep learning"

Jussi Leinonen, Ulrich Hamann+1 more|arXiv (Cornell University)|Mar 15, 2022

Meteorological Phenomena and Simulations被引用 6

一句话总结

本论文提出一种循环-卷积深度学习模型，实现瑞士地区5分钟分辨率、长达60分钟的无缝闪电临近预报。模型利用多源数据（包括雷达、卫星、NWP和地形数据），在60分钟内实现像素级命中率（CSI）为0.45，CSI从5分钟时的0.75下降至60分钟时的0.32，表明模型在无需风暴目标追踪的情况下，对雷暴移动、发展与消散过程具有优异的预测能力。

ABSTRACT

A deep learning model is presented to nowcast the occurrence of lightning at a five-minute time resolution 60 minutes into the future. The model is based on a recurrent-convolutional architecture that allows it to recognize and predict the spatiotemporal development of convection, including the motion, growth and decay of thunderstorm cells. The predictions are performed on a stationary grid, without the use of storm object detection and tracking. The input data, collected from an area in and surrounding Switzerland, comprise ground-based radar data, visible/infrared satellite data and derived cloud products, lightning detection, numerical weather prediction and digital elevation model data. We analyze different alternative loss functions, class weighting strategies and model features, providing guidelines for future studies to select loss functions optimally and to properly calibrate the probabilistic predictions of their model. Based on these analyses, we use focal loss in this study, but conclude that it only provides a small benefit over cross entropy, which is a viable option if recalibration of the model is not practical. The model achieves a pixel-wise critical success index (CSI) of 0.45 to predict lightning occurrence within 8 km over the 60-min nowcast period, ranging from a CSI of 0.75 at a 5-min lead time to a CSI of 0.32 at a 60-min lead time.

研究动机与目标

• 开发一种深度学习模型，实现短时灾害缓解所需的无缝、高分辨率闪电临近预报。
• 通过在基于网格的框架中直接整合观测数据与NWP数据，克服传统临近预报方法的局限性，无需依赖风暴目标追踪。
• 针对复杂且快速演变的对流系统，优化损失函数与校准策略，实现概率性闪电预测。
• 为航空、民防与能源基础设施等提供可迁移、数据驱动的闪电风险管控方法。

提出的方法

• 采用循环-卷积神经网络（RCNN）架构，建模对流系统的时空演变，结合卷积神经网络（CNN）进行空间特征提取，以及循环神经网络（RNN）捕捉时间动态。
• 输入数据包括地面雷达（RZC、CZC、LZC）、地球静止卫星辐射率（VIS、IR、WV）、衍生云产品（云顶温度、高度、相态）、NWP变量（CAPE、CIN、omega）以及数字高程模型（DEM）的衍生变量。
• 所有输入变量均通过归一化及对数或线性缩放进行预处理，以确保输入范围一致，提升模型收敛性。
• 模型在固定网格上输出概率性闪电发生预测，支持不确定性量化与用户自定义阈值设定。
• 评估并对比了焦点损失（focal loss）与交叉熵损失；焦点损失仅带来微小改进，表明在合理校准下，交叉熵损失仍具可行性。
• 模型训练采用焦点损失与类别权重相结合的方式，以缓解闪电发生数据中的类别不平衡问题，并通过大量消融实验指导超参数选择。

实验结果

研究问题

• RQ1 在不依赖风暴目标追踪的前提下，循环-卷积深度学习模型在多大程度上能够准确预测产生闪电的雷暴系统的时空演变？
• RQ2 在处理高度不平衡的闪电发生数据时，训练概率性闪电临近预报模型的最优损失函数是什么？
• RQ3 不同输入数据源（雷达、卫星、NWP、DEM）在短临闪电预测中的贡献如何？
• RQ4 模型在极短预警时间（如5分钟）下能否保持高分辨率预测保真度，同时将预测时长扩展至60分钟？
• RQ5 如何对概率性预测进行有效校准，以支持多样化终端用户的应用决策？

主要发现

• 模型在瑞士地区60分钟闪电临近预报中实现像素级命中率（CSI）为0.45，CSI从5分钟时的0.75显著下降至60分钟时的0.32。
• 焦点损失相较于标准交叉熵损失仅带来微小改进，表明在模型校准得当的情况下，交叉熵损失仍为强大基线。
• 引入NWP数据，特别是CAPE与CIN，显著提升模型性能，尤其在捕捉风暴发展与消散动态方面。
• 模型在无需依赖风暴目标检测的情况下，成功预测了对流单体的移动、发展与消散，展现出在基于网格的临近预报中的鲁棒性。
• 输入变量的预处理——尤其是对数与归一化缩放——显著提升了训练稳定性与预测精度。
• 训练完成的模型及配套数据集已按CC BY-NC-SA 4.0协议公开，支持可复现性，并为闪电临近预报领域未来基准测试提供基础。