基于时空记忆解耦RNN的雷暴预测方法

使用循环神经网络进行雷暴的外推预测,利用气象雷达历史反射率因子资料给出未来一小时的雷暴预测结果。网络的核心是时空长短时记忆(spatiotemporal long short-term memory,ST-LSTM)单元,加入了记忆解耦结构以分离时间记忆和空间记忆状态。在中国香港天文台(Hong Kong Observatorg,HKO)的HKO-7数据集的基础上筛选雷暴数据,构建训练及测试数据集。将有记忆解耦结构、无记忆解耦结构的ST-LSTM网络和MIM(memory in memory)网络以及传统的单体质心法进行比较。预报评分因子数值比较和个例分析检验结果表明,预测神经网络在探测成功概率、临界成功指数上均高于单体质心法,虚警率低于单体质心法。加入记忆解耦结构的网络预报因子评分高于ST-LSTM网络和MIM网络,雷暴回波外推的预测效果更好,尤其是强回波的预测效果更好。

基于树分类器神经网络的雷暴预测方法

针对基于机器学习的雷暴预测问题提出了一种新方法,该方法将应用于气象卫星图像的二维光流算法误差作为机器学习模型的特征。为了考虑空间邻近性,根据特征训练不同的树分类器模型以及神经网络,以预测未来几个小时内的闪电,即临近预报。通过比较不同模型的预测能力以及不同特征对分类结果的影响。研究结果表明,对于未来15min的预测,该方法准确率高达96%,随着预测时间的增加,准确率略有下降,但对于长达5h的预测,准确率仍然高于83%。该方法为雷暴预警预测方法选用提供了新的思路。

雷暴预测器

确实，听VHF调频广播较之过去中、长波调幅广播要悦耳得多。不过，你的调频收音机再也不能像以前的调幅收音机那样可靠地、在几小时以前预测到雷暴。

基于雷电数据库的雷灾预警方法初探

结合雷暴预警的重要意义,针对国内雷电短时监测预警现状,通过统计雷电发生的各要素并建立数据库,尝试寻找一种更为有效和实用的雷灾预警方法,并确定雷暴高发区,以期指导雷电防护工作。

基于HY-FMV模型的雷暴天气预测研究

本文以极端天气中的雷暴天气为研究对象,基于历史气象数据预测未来三小时是否发生雷暴。为预测雷暴是否发生,本文分别对极端天气气象数据的采样、数据预处理、特征选择,以及建模分析进行了研究,最终提出一种基于机器学习方法的HY-FMV模型框架对雷暴天气进行预测。该模型采用混合模型进行数据预处理,基于概率分布与模型评价进行特征的选择和构建,并使用梯度提升树算法对极端天气进行预测分类。最后,本文以2010年到2015年福建和广东两省数据为例,分别使用本文所提出的HY-FMV模型,和随机森林算法等进行雷暴天气预测,结果表明,本文所提出的HY-FMV模型在F1指标上精度达到78%,相比其他算法,在雷暴天气预测精度上提高了0.5%-0.6%。