FlashNet笔记

1772882983920.png

预测任务

grid + 3h 时间窗是否发生 lightning（二分类）

  1. 空间分辨率：ECMWF HRES网格（0.1°×0.1° ≈ 10 km）

  2. 时间分辨率：每3小时一个窗口（0/1标签：该格点3h内是否有至少1次闪电）

  3. 研究区域：意大利全境（36.0°N–47.0°N，7.5°E–19.0°E，9975个网格点，约99.75万 km²）

输入数据

ECMWF HRES 气象特征（不含litota3闪电变量本身）

  1. 9个二维场 + 5个垂直廓线（7个气压层：925/850/700/600/500/400/300 hPa）

  2. 原始特征示例：CAPE、cp（对流降水）、tcw、tp、mslp、hcc、sp、w925、w850

  3. 衍生特征：ΔT/Δq/Δθ（各层温差、比湿差、位温差）、capetp乘积、q-vector、位涡、潜在温度垂直梯度

  4. 空间聚合：每个网格点额外计算11×11邻域的mean/max/min/std（捕捉大尺度效应）

  5. 辅助特征：纬度、经度、地表位势、sin/cos（小时/月份）

  6. 来源：00:00 UTC起报的HRES预报（0–48 h，每3h采样）

标签

LAMPINET 闪电观测网络（意大利国家闪电探测网）

模型

multi-head neural network（FlashNet）

架构：Ensemble（20个成员）+ 双头结构

  • Head 1（点特征）：4层全连接（472→1416→2832→2832→500），带Dropout + ELU/ReLU/Swish
  • Head 2（垂直廓线）：1D-Conv（40/80 filters）+ MaxPooling + Flatten + Dense
  • 拼接后 → 2层全连接 → Sigmoid输出

使用的训练技巧

  1. 平衡数据集（正负样本1:1）

  2. Bootstrap + 各成员独立标准化（增强鲁棒性）

  3. Brier Score损失 + Adam（lr=0.0001）+ Early Stopping + LR衰减

  4. 输出校准：Bayes Minimum Risk（BMR）修正undersampling偏差

  5. k=3折交叉验证：每年轮流做测试集，训练/验证始终平衡

输出

lightning occurrence probability（0–1概率）

论文创新点

不直接学习天气动力学，而是让AI学习HRES已预测的优秀大尺度代理变量 → 真实闪电发生的非线性映射

发明了Precision随Prevalence缩放公式（Eq. 8），解决不平衡数据集跨集比较难题。