摘 要：利用鶴壁國(guó)家綜合氣象觀測(cè)專項(xiàng)試驗(yàn)外場(chǎng)提供的觀測(cè)資料和“天擎”氣象大數(shù)據(jù)云平臺(tái)中的雷電資料等，運(yùn)用Python等編程工具對(duì)鶴壁地區(qū)雷電分布特征進(jìn)行了分析。結(jié)果顯示：鶴壁地區(qū)所發(fā)生的閃擊主要分布在7—8月，占閃電總數(shù)的61.1%；閃擊主要分布于04：00～15：00，占總閃電次數(shù)的75.4%；由西北方向進(jìn)入的雷暴最多，占全部方位機(jī)率的39.5%；鶴壁地區(qū)西部和北部地閃密度值最高，分別為2.8次/（km2·年）和3.1次/（km2·年）；鶴壁地區(qū)平均雷電流強(qiáng)度為約為110 kA，大部分雷電流分布在150 kA以下；采用神經(jīng)網(wǎng)絡(luò)算法對(duì)雷電活動(dòng)進(jìn)行預(yù)測(cè)，通過(guò)模型分析，預(yù)測(cè)準(zhǔn)確率65%，效果良好。

關(guān)鍵詞：雷電；鶴壁地區(qū)；特征分析；神經(jīng)網(wǎng)絡(luò)算法

中圖分類號(hào)：P429 文獻(xiàn)標(biāo)志碼：B 文章編號(hào)：2095–3305（2024）11–0-03

雷電是大氣中的一種自然放電現(xiàn)象，由帶電荷的云—云、云—地、云內(nèi)瞬時(shí)強(qiáng)大放電電流所產(chǎn)生，常常對(duì)地面建（構(gòu)）筑物或其他設(shè)施造成影響，甚至造成人員傷亡事故。雷擊主要有兩種形式，即直接雷擊和雷電感應(yīng)。直接雷擊是指雷電直接擊在物體上，產(chǎn)生電效應(yīng)、熱效應(yīng)和機(jī)械力，造成物體熔化、斷裂破碎；雷電感應(yīng)指雷閃放電的強(qiáng)大電磁場(chǎng)作用，電力設(shè)備、電子設(shè)備等產(chǎn)生過(guò)電壓，從而容易引起電擊、火災(zāi)、爆炸，進(jìn)而危及人身安全[1]。隨著全球氣候變化加劇，極端天氣事件頻發(fā)，嚴(yán)重影響社會(huì)經(jīng)濟(jì)發(fā)展。

國(guó)際有關(guān)組織將雷電災(zāi)害列入“最嚴(yán)重的10種自然災(zāi)害之一”，很多研究人員開(kāi)展了大量研究工作，取得了不少的研究成果[2]。王娟等[3]利用全國(guó)閃電定位數(shù)據(jù)對(duì)我國(guó)閃電的時(shí)空分布特征進(jìn)行了統(tǒng)計(jì)分析；王學(xué)良等[4]、丁旻等[5]、王欣眉等[6]分別利用雷電定位數(shù)據(jù)對(duì)當(dāng)?shù)氐拈W電活動(dòng)規(guī)律進(jìn)行了研究。本研究主要利用鶴壁國(guó)家綜合氣象觀測(cè)專項(xiàng)試驗(yàn)外場(chǎng)提供的觀測(cè)資料和“天擎”氣象大數(shù)據(jù)云平臺(tái)中的雷電資料等，對(duì)河南省鶴壁市雷電時(shí)空分布特征進(jìn)行分析，探討鶴壁地區(qū)雷電活動(dòng)月變化、日變化、雷電流強(qiáng)度分布、閃電位置分布等規(guī)律，并利用神經(jīng)網(wǎng)絡(luò)算法預(yù)測(cè)雷電活動(dòng)。

1 雷電活動(dòng)預(yù)測(cè)的原理

采用神經(jīng)網(wǎng)絡(luò)算法對(duì)雷電數(shù)據(jù)進(jìn)行訓(xùn)練，進(jìn)而預(yù)測(cè)雷電活動(dòng)。神經(jīng)網(wǎng)絡(luò)算法是一種受到生物神經(jīng)元網(wǎng)絡(luò)啟發(fā)的人工智能算法，用于模擬人腦的學(xué)習(xí)和推理過(guò)程。它通過(guò)多個(gè)神經(jīng)元之間的連接和權(quán)重處理輸入數(shù)據(jù)，并根據(jù)訓(xùn)練數(shù)據(jù)進(jìn)行調(diào)整和優(yōu)化[7-8]。

在神經(jīng)網(wǎng)絡(luò)算法中，最常見(jiàn)的是前饋神經(jīng)網(wǎng)絡(luò)（Feedforward Neural Network），它由輸入層、隱藏層和輸出層組成。每個(gè)層都由多個(gè)人工神經(jīng)元構(gòu)成，其中每個(gè)神經(jīng)元與上一層的所有神經(jīng)元連接，并具有權(quán)重。每個(gè)神經(jīng)元都通過(guò)激活函數(shù)對(duì)輸入進(jìn)行加權(quán)處理，并將結(jié)果傳遞給下一層的神經(jīng)元。

訓(xùn)練神經(jīng)網(wǎng)絡(luò)算法通常需要兩個(gè)關(guān)鍵步驟：前向傳播和反向傳播。（1）前向傳播：在前向傳播中，輸入數(shù)據(jù)通過(guò)網(wǎng)絡(luò)的每一層，從輸入層傳遞至輸出層。每個(gè)神經(jīng)元的輸入與權(quán)重相乘并經(jīng)過(guò)激活函數(shù)處理得到輸出。此過(guò)程從輸入層一直進(jìn)行到輸出層，生成網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果。（2）反向傳播：在反向傳播中，通過(guò)比較預(yù)測(cè)結(jié)果與實(shí)際標(biāo)簽，計(jì)算出網(wǎng)絡(luò)的誤差。然后根據(jù)誤差反向傳播計(jì)算每個(gè)權(quán)重的梯度，并使用梯度下降算法更新網(wǎng)絡(luò)中的權(quán)重。這個(gè)反復(fù)迭代的過(guò)程使得神經(jīng)網(wǎng)絡(luò)逐漸減小誤差并提升預(yù)測(cè)的準(zhǔn)確性[9-10]。

使用神經(jīng)網(wǎng)絡(luò)算法分析氣象數(shù)據(jù)進(jìn)行預(yù)測(cè)具有以下優(yōu)勢(shì)：（1）非線性建模能力：神經(jīng)網(wǎng)絡(luò)是一種強(qiáng)大的非線性建模工具，可以捕捉到氣象數(shù)據(jù)中的復(fù)雜非線性關(guān)系。這使得神經(jīng)網(wǎng)絡(luò)能夠更好地預(yù)測(cè)氣象數(shù)據(jù)，如溫度、濕度等。（2）適應(yīng)性強(qiáng)：神經(jīng)網(wǎng)絡(luò)算法可以自動(dòng)學(xué)習(xí)和適應(yīng)不同的氣象數(shù)據(jù)模式和變化。它能夠根據(jù)不同的氣象條件和環(huán)境變化，自動(dòng)調(diào)整其內(nèi)部參數(shù)和權(quán)重，以提升預(yù)測(cè)的準(zhǔn)確性和穩(wěn)定性。（3）多變量處理能力：氣象數(shù)據(jù)通常包含多個(gè)變量，如溫度、經(jīng)緯度等。神經(jīng)網(wǎng)絡(luò)可以同時(shí)處理多個(gè)變量，并將它們的關(guān)系納入預(yù)測(cè)模型，從而提升預(yù)測(cè)的準(zhǔn)確性。

2 雷電時(shí)空特征分析

利用Python編程軟件處理數(shù)據(jù)，Python在數(shù)據(jù)可視化方面優(yōu)勢(shì)突出。它生成的圖表可以在數(shù)字設(shè)備上顯示且可以根據(jù)設(shè)備尺寸自動(dòng)調(diào)整大小，同時(shí)還具備眾多交互特性。當(dāng)點(diǎn)擊圖片所示位置時(shí)，右下角自動(dòng)顯示經(jīng)緯度信息等。這種交互性對(duì)于雷電位置特征分析，以及雷電災(zāi)害調(diào)查與鑒定具有極大作用。同時(shí)，可以根據(jù)實(shí)際需要，通過(guò)右上角的調(diào)節(jié)方框，實(shí)時(shí)調(diào)整圖片位置信息等。

2.1 資料來(lái)源

通過(guò)“天擎”氣象大數(shù)據(jù)云平臺(tái)獲取閃電定位數(shù)據(jù)，數(shù)據(jù)內(nèi)容主要包括：時(shí)間、經(jīng)度、緯度、雷電流強(qiáng)度、定位方式等。由于“天擎”氣象大數(shù)據(jù)云平臺(tái)從2020年開(kāi)始啟用，之前的數(shù)據(jù)無(wú)法獲取，因此本研究采用近三年的數(shù)據(jù)。

2.2 月變化特征

利用閃電定位數(shù)據(jù)統(tǒng)計(jì)2020—2022年鶴壁地區(qū)各月出現(xiàn)的總閃次數(shù)平均值，統(tǒng)計(jì)數(shù)據(jù)顯示，正閃很少，本研究不區(qū)分正負(fù)閃。

由閃電月變化規(guī)律（圖1）可知，鶴壁市所發(fā)生的閃擊主要分布在7—8月，占閃電總數(shù)的61.1%。其中7月最多，為751次，占閃電總數(shù)的35.7%。8月次之，為536次，占閃電總數(shù)的25.4%。雷電主要出現(xiàn)在盛夏季節(jié)，春季次之，冬季雷電活動(dòng)較少。主要原因是7、8月強(qiáng)對(duì)流天氣較多，秋、冬季強(qiáng)對(duì)流天氣少，雷電活動(dòng)減少。10月，雷電活動(dòng)相對(duì)減少，但雷電發(fā)生次數(shù)仍然較多，危害強(qiáng)度并不小，為460次，占閃電總數(shù)的21.8%。主要原因是秋季轉(zhuǎn)冷，冷暖空氣交會(huì)處，部分云帶正電荷，部分云帶負(fù)電荷，正負(fù)云碰撞，產(chǎn)生雷電。因此，相關(guān)部門需要重視秋季的防雷工作。

2.3 雷暴移動(dòng)傳播方向分析

地面測(cè)站雷暴路徑資料分析可體現(xiàn)鶴壁地區(qū)的雷暴發(fā)展趨勢(shì)，為提高區(qū)域雷電災(zāi)害防范能力提供重要參考依據(jù)。由于資料限制，僅對(duì)2004—2011年的雷暴移動(dòng)路徑進(jìn)行統(tǒng)計(jì)，得到雷暴路徑統(tǒng)計(jì)圖（圖2）。

由圖2可以看出，從西北方向進(jìn)入的雷暴最多，占全部方位機(jī)率的39.5%。其次是西南方向，占比14.3%。因此，在進(jìn)行區(qū)域雷電防護(hù)時(shí)，相關(guān)單位應(yīng)特別注意該方向的接閃器設(shè)置等。建設(shè)單位盡量不要在雷暴主路徑上建設(shè)對(duì)雷電敏感度高的建（構(gòu)）筑物或易燃易爆場(chǎng)所等。

2.4 地電密度分布

地閃密度是指在每平方千米、每年地面落雷的次數(shù)，是表征雷云對(duì)地放電的頻繁程度的量，也是估算建筑物年預(yù)計(jì)雷擊次數(shù)時(shí)重要的參數(shù)。用Ng表示，單位為：次/（km2·年）。根據(jù)閃電數(shù)據(jù)得到鶴壁地區(qū)地閃密度分布如圖3。

由圖3可知，鶴壁地區(qū)西部和北部地閃密度值最高，分別為2.8次/（km2·年）、3.1次/（km2·年）；西北部和東北部次之，分別為1.2次/（km2·年）和0.9次/（km2·年）；南部和東南部地閃密度值最低分別為0.2次/（km2·年）和0.3次/（km2·年）。

2.5 雷電流強(qiáng)度分布

鶴壁市雷電流分布見(jiàn)圖4。雷電流分析不區(qū)分正負(fù)，負(fù)數(shù)直接取絕對(duì)值處理。如圖4所示，鶴壁地區(qū)平均雷電流強(qiáng)度為約為110 kA，大部分雷電流分布在150 kA以下。西北、東北、南部雷電流強(qiáng)度最大，約為291 kA。西部雷電流最小約為40 kA。

3 雷電活動(dòng)預(yù)測(cè)

神經(jīng)網(wǎng)絡(luò)理論模型的預(yù)測(cè)效果可以在多種情況下達(dá)到非常高的水平，具體程度取決于多個(gè)因素。例如，數(shù)據(jù)質(zhì)量：高質(zhì)量、充足的數(shù)據(jù)通常能顯著改善模型的表現(xiàn)。模型架構(gòu)：選擇適當(dāng)?shù)木W(wǎng)絡(luò)結(jié)構(gòu)（如卷積神經(jīng)網(wǎng)絡(luò)、遞歸神經(jīng)網(wǎng)絡(luò)等）對(duì)特定任務(wù)影響巨大。超參數(shù)調(diào)優(yōu)：學(xué)習(xí)率、批量大小和正則化等超參數(shù)的調(diào)優(yōu)可以顯著增強(qiáng)模型性能。訓(xùn)練時(shí)間：充足的訓(xùn)練時(shí)間可以幫助模型更好地?cái)M合數(shù)據(jù)。應(yīng)用領(lǐng)域：在圖像識(shí)別、自然語(yǔ)言處理和時(shí)間序列預(yù)測(cè)等領(lǐng)域，神經(jīng)網(wǎng)絡(luò)已展示出超人類的性能[11]。

圖4 "雷電流分布

在某些任務(wù)中，模型的準(zhǔn)確率可能超過(guò)90%，甚至在一些特定應(yīng)用中達(dá)到95%及以上。對(duì)于一些復(fù)雜的任務(wù)，如復(fù)雜圖像生成或高級(jí)語(yǔ)義理解，可能需要更復(fù)雜的模型和更長(zhǎng)的訓(xùn)練時(shí)間。

神經(jīng)網(wǎng)絡(luò)理論模型的效果在理想條件下十分出色，但需結(jié)合具體應(yīng)用和環(huán)境來(lái)評(píng)估。根據(jù)雷電定位數(shù)據(jù)，運(yùn)用神經(jīng)網(wǎng)絡(luò)算法，構(gòu)建預(yù)測(cè)模型，得到如下結(jié)果（圖5）?？招膱A表示預(yù)測(cè)值，實(shí)心圓表示真實(shí)值，預(yù)測(cè)整體趨勢(shì)一致。采用的雷電數(shù)據(jù)，按照4∶1比例訓(xùn)練數(shù)據(jù)，訓(xùn)練集占比0.8，測(cè)試集占比0.2。

在具體迭代計(jì)算過(guò)程中，損失變化見(jiàn)圖6。實(shí)線表示訓(xùn)練集損失量變化，虛線表示驗(yàn)證集損失量變化，兩者趨勢(shì)一致，回合數(shù)epochs＞100時(shí)，損失趨于穩(wěn)定，最后穩(wěn)定在0.03左右。經(jīng)計(jì)算預(yù)測(cè)準(zhǔn)確率65%，效果良好。

4 結(jié)論

運(yùn)用神經(jīng)網(wǎng)絡(luò)算法預(yù)測(cè)雷電活動(dòng)效果較好，預(yù)測(cè)準(zhǔn)確率65%。后期可適當(dāng)增加數(shù)據(jù)量，進(jìn)一步改進(jìn)算法，優(yōu)化預(yù)測(cè)模型，進(jìn)一步提高預(yù)測(cè)準(zhǔn)確率。

（2）鶴壁地區(qū)所發(fā)生的閃擊主要分布在7—8月，占閃電總數(shù)的61.1%；由西北方向進(jìn)入的雷暴最多，占全部方位機(jī)率的39.5%；鶴壁地區(qū)西部和北部地閃密度值最高，分別為2.8次/（km2·年）和3.1次/（km2·年）；鶴壁地區(qū)平均雷電流強(qiáng)度為約為110 kA，大部分雷電流分布在150 kA以下。

參考文獻(xiàn)

[1] 許小峰.雷電災(zāi)害與監(jiān)測(cè)預(yù)報(bào)[J].氣象，2004（12）：17-21.

[2] 顧東彥.保定雷電分布特征及短時(shí)預(yù)警研究[D].南京：南京信息工程大學(xué)，2013.

[3] 王娟，諶蕓.2009—2012年中國(guó)閃電分布特征分析[J].氣象，2015，41（2）：160-170.

[4] 王學(xué)良，余田野，賀姍.湖泊與陸地雷電參數(shù)分布特征及其對(duì)比分析[J].氣象與環(huán)境學(xué)報(bào)，2019，35（6）：132-138.

[5] 丁旻，陳春，張建軍.貴州省近10年地閃分布特征分析[J].中國(guó)農(nóng)業(yè)資源與區(qū)劃，2020，41（1）：166-172.

[6] 王欣眉，宋琳，王新功，等.1971—2008年青島地區(qū)雷電時(shí)空分布特征[J].氣象與環(huán)境學(xué)報(bào)，2011，27（4）：39-43.

[7] 蔡永祥，羅少輝，唐文婷，等.1995—2020年青海省雷電災(zāi)害時(shí)空分布及其災(zāi)害特征分析[J].災(zāi)害學(xué)，2022，37（1）：92-95，119.

[8] 曲學(xué)斌，王彥平，楊淑香，等.2014—2018年內(nèi)蒙古大興安嶺地區(qū)干雷電時(shí)空分布特征[J].氣象與環(huán)境學(xué)報(bào)，2021，37 （1）：53-58.

[9] 呂東波，林偉楠，田寶星，等.哈爾濱地區(qū)雷電日數(shù)的演變特征[J].中國(guó)農(nóng)學(xué)通報(bào)，2019，35（23）：110-115.

[10] 錢勇，譚僑，焦陽(yáng)，等.2013-2016年新疆地區(qū)閃電活動(dòng)時(shí)空特征分析[J].成都信息工程大學(xué)學(xué)報(bào)，2018，33（1）：62-67.

[11] 劉克中，謝長(zhǎng)富，武天明.遼寧省雷電時(shí)空分布特征分析系統(tǒng)研究及應(yīng)用[J].現(xiàn)代農(nóng)業(yè)科技，2015（23）：265-266.