本文提出了一种名叫LightNet的模型用于对雷电进行预测。通过数值天气预报系统(NWP)计算出参数,对参数进行编码,同时通过对观测图像也进行编码,其目的是校准参数编码并协助预测,对两个编码后的输出进行融合,在进行编码,最后得到需要的结果。实验证明LightNet效果优于传统气象方法和单纯的ConvLSTM。
研究目的
严重的雷电现象通常会对人类活动产生危害,因此对雷电现象的预测就显得至关重要。现存的预测方法都是基于数值天气预报系统,但这些方法都存在两个缺点:
1.基于数值天气预报的模型仿真时会在空间和时间领域上造成偏差,这就会对后续的参数化处理造成无法弥补的偏差。
2.关于雷电的参数化方案都是由专家们手动设计的,而没有利用历史信息。
因此,在本文中,作者提出了一种数据驱动的神经网络模型LightNet。LightNet不仅建立在数值天气模型上,还引入了近期雷电观测,从这两部分提取时空特征。本文的贡献在于:
1.提出了数据驱动的LightNet模型。这个模型的效果要优于现存的那些无法利用历史信息的模型。
2.引入了双编码器用于提取基于仿真和基于预测的特征。
3.通过融合模型将仿真编码器和预测编码器的特征结合。(结果证明这点有效的抵抗了仿真中的偏差)
4.通过中国南边的雷电数据集实现了三方面的提高。
模型框架
模型的框架如下图所示: