基于气象大模型的门控时空融合网络闪电预报方法

闪电属于典型的自然灾害之一, 对人类生活与工业生产有重大影响, 精细化闪电预报对防灾减灾具有重要意义. 传统闪电预报方法主要依赖数值天气模式, 需要通过大量计算资源求解复杂的物理方程. 近年来, 基于人工智能的天气预报模型迅速发展, 尤其是气象大模型技术, 预报准确度可与世界领先的数值天气模式相媲美, 而计算开销仅为其万分之一. 然而, 当前气象大模型无法直接生成闪电预报产品, 且在空间分辨率上也难以满足精细化预报的需求. 为此, 本文研究了基于气象大模型的精细化闪电预报方法, 提出大模型与闪电观测双源数据驱动的预报框架, 融合二者的互补优势提升闪电预报效果. 进一步, 本文设计了一种门控时空融合网络预报模型gSTFNet用以解决双源数据在跨时域和跨模态融合中面临的挑战. gSTFNet首先通过双编码结构对气象大模型预测结果和临近闪电观测数据分别进行特征编码, 减小两类数据在特征空间中的模态差异. 随后利用门控时空融合模块建模双源特征的时空关联, 实现二者的跨时域融合. 最后通过反卷积网络对融合特征进行解码生成预报. 本文利用广东地区2018~2022年五年的真实闪电观测数据对方法进行了评估. 实验结果表明: (1) 在ETS评分上, 双源融合的预报思路相较于直接基于大模型的闪电预报结果提升约50%, 比欧洲中期天气预报中心发布的HRES闪电预报产品提升约300%; (2) 与其他基于深度神经网络的预报模型相比, 本文提出的gSTFNet模型取得了更优的性能表现.