一种区域雷电潜势预警方法、装置及介质与流程

摘要: 本技术涉及气象预警,具体涉及一种区域雷电潜势预警方法、装置及介质。背景技术:1、目前,在区域雷电潜势预警领域中,通常采用深度学习算法挖掘气象再分析数据与闪电定位...
一种区域雷电潜势预警方法、装置及介质与流程

本技术涉及气象预警,具体涉及一种区域雷电潜势预警方法、装置及介质。

背景技术:

1、目前,在区域雷电潜势预警领域中,通常采用深度学习算法挖掘气象再分析数据与闪电定位数据之间的关联特征来进行预测。然而,在实际的大气环境中,雷暴发生属于小概率极端事件,导致历史数据集中正样本(有雷电)与负样本(无雷电)的比例极度失衡。现有的数据处理方法多采用随机欠采样或过采样等纯统计学手段来平衡样本,这种方式容易破坏气象物理场的时空连续性,或者误删那些虽然当前未发生雷电但大气环境已处于临界不稳定状态的高风险边缘样本。这种对物理机制的忽视,使得训练得到的预警模型在面对复杂天气过程时,往往难以捕捉雷暴孕育的前兆特征,导致漏报率较高,且模型的泛化能力和可靠性无法满足电网、油气场站等重点防护区域对长时效、高精度前置预警的需求。

技术实现思路

1、针对现有技术存在的因样本极度不平衡及缺乏物理机制约束导致雷电潜势预警漏报率高、泛化能力差的问题,本技术通过一种区域雷电潜势预警方法、装置及介质,利用气象物理先验知识优化样本分布并自适应校准决策边界,实现对区域雷电潜势的精准预测。

2、为实现上述目的,本技术采用如下技术方案:

3、第一方面,本技术提供了一种区域雷电潜势预警方法,包括:获取目标区域的历史气象特征数据与历史闪电事件数据,构建包含气象特征与雷暴标签的初始样本集;基于气象物理先验条件对所述初始样本集进行掩码筛选,得到优化样本集;所述掩码筛选包括:剔除满足稳定状态条件的背景样本,并强制保留满足大气不稳定度条件的风险样本;基于所述优化样本集训练雷电潜势预警模型,并在模型验证阶段基于综合评价指标最大化进行动态阈值校准,确定目标分类阈值;获取所述目标区域的实时气象特征数据,通过所述雷电潜势预警模型输出雷电发生潜势概率,并基于所述目标分类阈值和所述雷电发生潜势概率生成雷电潜势预警信号。

4、上述方案通过将气象物理先验知识融入数据预处理与模型决策全流程,在样本构建阶段利用物理规则定向清洗数据,既剔除了绝对稳定的无效背景噪声,又通过保护机制避免了高风险潜在样本的丢失,从源头上改善了样本质量;同时在模型验证阶段引入综合评价指标最大化的动态阈值校准机制,使模型决策边界能够自适应适配非平衡分类场景,从而在保证预警精确率的同时显著降低漏报率,提升了区域雷电潜势预警的整体可靠性与业务实用价值。

5、可选的,所述基于气象物理先验条件对所述初始样本集进行掩码筛选,得到优化样本集,包括:针对所述初始样本集中的各个初始样本,判断所述初始样本的第一类气象参量是否低于第一阈值;若所述第一类气象参量低于所述第一阈值,则判定所述初始样本满足所述稳定状态条件;判断所述初始样本的大气不稳定度参量是否高于第二阈值;若所述大气不稳定度参量高于所述第二阈值,则判定所述初始样本满足所述大气不稳定度条件,并强制保留所述初始样本;若所述第一类气象参量低于所述第一阈值,且所述大气不稳定度参量不高于所述第二阈值,则剔除所述初始样本。

6、可选的,所述第一类气象参量包括总云量和对流降水,所述大气不稳定度参量包括对流有效位能;所述判断所述初始样本的第一类气象参量是否低于第一阈值,包括:判断所述总云量是否低于10%且所述对流降水是否低于;所述判断所述初始样本的大气不稳定度参量是否高于第二阈值,包括:判断所述对流有效位能是否高于。

7、可选的,所述在模型验证阶段基于综合评价指标最大化进行动态阈值校准,确定目标分类阈值,包括:在预设概率区间内按固定步长生成多个候选概率阈值;在模型验证阶段,针对每个所述候选概率阈值,计算所述雷电潜势预警模型在验证集上的综合评价指标;选取使所述综合评价指标最大化的候选概率阈值,作为所述目标分类阈值。

8、可选的,所述预设概率区间为,所述固定步长为;所述综合评价指标为f1分数;所述方法还包括:当所述雷电潜势预警模型在所述验证集上的f1分数大于或等于0.8、命中率大于或等于85%且精确率大于或等于75%时,完成模型固化。

9、可选的,所述获取目标区域的历史气象特征数据与历史闪电事件数据,构建包含气象特征与雷暴标签的初始样本集,包括:获取所述目标区域的初始气象参量集;基于皮尔逊相关系数从所述初始气象参量集中筛选出与雷暴标签的相关性高于预设相关性阈值的热力参量与水汽参量;完整保留预设垂直空间层级范围内的全层级水平风分量;基于筛选出的所述热力参量、所述水汽参量以及所述全层级水平风分量,构建所述气象特征;

10、所述获取目标区域的历史气象特征数据,还包括: 获取预警研究区域的海拔高程数据,用于修正复杂地形带来的气象数据误差,剔除地面以下或受地表摩擦影响严重的低层等压面数据,确保气象参量能够真实反映研究区域的大气边界层与高空大气状况。

11、可选的,所述初始气象参量集包含61个初始气象参量,构建的所述气象特征包含28个核心特征变量;所述方法还包括:对所述气象特征进行z-score标准化处理,将所述气象特征映射为标准正态分布。

12、可选的,所述雷电潜势预警模型为卷积神经网络模型,其输入为形状为的四维张量,其中为批次大小,为输入通道数;所述卷积神经网络模型包括特征提取部分和分类头部分;所述特征提取部分包括三级依次连接的卷积模块,每个所述卷积模块依次包括卷积层、批归一化层、激活函数层和最大池化层;所述分类头部分依次包括自适应平均池化层、展平层、全连接层和sigmoid激活函数层。

13、第二方面,本技术还提供了一种区域雷电潜势预警装置,包括:数据获取模块,用于获取目标区域的历史气象特征数据与历史闪电事件数据,构建包含气象特征与雷暴标签的初始样本集;以及获取所述目标区域的实时气象特征数据;样本优化模块,用于基于气象物理先验条件对所述初始样本集进行掩码筛选,得到优化样本集;所述掩码筛选包括:剔除满足稳定状态条件的背景样本,并强制保留满足大气不稳定度条件的风险样本;模型训练与校准模块,用于基于所述优化样本集训练雷电潜势预警模型,并在模型验证阶段基于综合评价指标最大化进行动态阈值校准,确定目标分类阈值;实时预警模块,用于通过所述雷电潜势预警模型输出雷电发生潜势概率,并基于所述目标分类阈值和所述雷电发生潜势概率生成雷电潜势预警信号。

14、第三方面,本技术还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上述方案所述的区域雷电潜势预警方法。

15、有益效果:

16、本技术提供的技术方案,通过构建基于气象物理先验条件的掩码筛选策略,利用总云量、对流降水等表征稳定状态的参量与对流有效位能等表征大气不稳定度的参量进行双重判定,在剔除大量绝对无雷电风险的晴空背景样本以缓解类别不平衡问题的同时,通过强制保留机制确保了那些虽暂未产生降水但大气能量积累已达临界值的高风险边缘样本不被误删,从而保证了训练数据在物理意义上的完整性与代表性,有效解决了纯数据驱动采样方法易丢失关键前兆信息导致模型漏报率高的问题。

17、进一步地,本技术在模型验证阶段引入基于综合评价指标最大化的动态阈值校准机制,通过在预设概率区间内遍历候选阈值并选取使f1分数最大化的阈值作为最终判定标准,打破了传统固定0.5阈值的局限性,使模型决策边界能够根据验证集的实际分布特性进行自适应调整,在非平衡分类场景下实现了精确率与命中率的最佳平衡,显著提升了预警模型在复杂气象条件下的泛化能力与业务可用性。

18、此外,本技术采用物理驱动与数据驱动相结合的特征工程策略,在利用统计学方法筛选高相关性热力与水汽参量的基础上,完整保留了全层级水平风分量,既降低了特征冗余度,又确保了反映大气动力场结构的关键物理信息不丢失,配合轻量级卷积神经网络架构与标准化的数据处理流程,在保证预警精度的前提下降低了计算复杂度,满足了区域尺度雷电潜势预警对长时效、广覆盖的业务需求。