基于LG-ResUnet的闪电时空临近预测方法

王东耀; 刘立群; 何俊强; 吴青峰; 樊亚敏

doi:10.12404/j.issn.1671-1815.2501287

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (5) :2027-2036 DOI: 10.12404/j.issn.1671-1815.2501287

自动化技术、计算机技术

基于LG-ResUnet的闪电时空临近预测方法

作者信息 +

Lightning Spatio-temporal Proximity Prediction Method Based on LG-ResUnet

Author information +

文章历史 +

摘要

闪电预测对电力系统防雷保护具有重要作用,针对如今电力系统雷电预测方法存在准确性低、建模复杂等问题,以SEVIR数据集为背景,提出了一种新的闪电时空临近预测模型——LG-ResUnet。该模型在Unet架构基础上融合了残差结构和时空注意力机制,可以自适应地捕捉闪电的时空动态变化特征。实验与几种现有模型在命中率(probability of detection,POD)、临界成功指数(critical success index,CSI)、均方误差(mean squared error,MSE)等相关评价指标下进行性能对比测试。结果表明,在闪击阈值为5次时,LG-ResUnet模型命中率和临界成功指数相较其他模型分别提升44.3%和38%,均方误差平均减少4%。消融实验验证了在残差结构和注意力机制的共同作用下,模型整体性能平均提升10%以上。同时,在不同雷暴场景下的外推结果显示,模型具有较好的泛化能力和鲁棒优势,具备一定的应用与参考价值。

Abstract

Lightning prediction plays an important role in lightning protection of power systems. For the problems of low accuracy and complex modeling of lightning prediction methods in power systems today, a new lightning spatio-temporal proximity prediction model, LG-ResUnet, was proposed with the SEVIR dataset as the background. The model, based on the Unet architecture incorporates the residual structure and the spatio-temporal attention mechanism, which can adaptively capture the spatio-temporal dynamic change characteristics of lightning. Experiments were conducted to test the performance comparison with several existing models under the relevant evaluation indexes such as probability of detection (POD), critical success index (CSI), and mean squared error (MSE). The results show that the hit rate and critical success index of the LG-ResUnet model are improved by 44.3% and 38%, respectively, compared with other models, and the mean squared error is reduced by 4% on average at a blitz threshold of 5 times. The ablation experiment verifies that the overall model performance is improved by more than 10% on average under the joint effect of residual structure and attention mechanism. Meanwhile, the extrapolation results under different thunderstorm scenarios show that the model has better generalization ability and robustness advantage, which has certain application and reference value.

Graphical abstract

关键词

闪电临近预报 / 雷电预测 / 深度学习 / LG-ResUnet模型 / 时空注意力机制

Key words

lightning proximity forecasting / lightning prediction / deep learning / LG-ResUnet model / spatio-temporal attention mechanism

引用本文

引用格式 ▾

王东耀, 刘立群, 何俊强, 吴青峰, 樊亚敏. 基于LG-ResUnet的闪电时空临近预测方法[J]. 科学技术与工程, 2026, 26(5): 2027-2036 DOI:10.12404/j.issn.1671-1815.2501287

WANG Dong-yao, LIU Li-qun, HE Jun-qiang, WU Qing-feng, FAN Ya-min. Lightning Spatio-temporal Proximity Prediction Method Based on LG-ResUnet[J]. Science Technology and Engineering, 2026, 26(5): 2027-2036 DOI:10.12404/j.issn.1671-1815.2501287

登录浏览全文

4963

注册一个新账户忘记密码

雷电是种极端天气现象,是电荷积云在大气物理和电气学原理的共同作用下,与空气绝缘介质触发静电放电,从而释放出巨大的能量^[1]。以电力系统为例,每年因输电线路遭受雷击而引发的跳闸事件远胜其他,雷击产生的瞬态过电压不仅会造成绝缘击穿,进而引发设备损坏、线路短路或断路,甚至可能造成大规模停电事故^[2],其产生的强电磁场还会干扰通信系统,致使监控和控制系统瘫痪。除此之外,雷电还可能造成人员伤亡以及引发山火,对社会经济建设和人们的生产生活带来了极大的危害。因此,提前对闪电事件的发生进行精准预测,并采取相应的保护措施,具有重要的现实意义^[3]。

雷电的发生往往伴随着非常复杂的大气环境,呈现强烈的非线性特征,一直以来是预报领域的重难点,特别是针对短期临近预报,传统的数值预报方法因建模过于复杂而存在“模式起转”的问题,预报结果并不可靠,无法直接对雷电的生消演变做出有效预测。因此,有学者提出利用闪电实时定位数据结合机器学习方法来对闪电进行分类预测^[4],但该方法大多只实现了针对雷暴单体的质心外推,无法全面对闪电的时空关联特征做出有效的预测。近年来,随着计算机科学的飞速发展,深度学习被广泛应用于计算机视觉、图像处理等领域^[5-7],并逐步扩展到闪电预测方面^[8]。深度学习能够自动捕获和学习输入数据中复杂的非线性关系,在预报准确率和预报时效方面的表现逐渐超越传统方法。

目前,针对闪电的时空预测所采用的深度学习模型主要分为循环神经网络模型(recurrent neural network,RNN)和卷积神经网络模型(convolutional neural network,CNN)两大类^[9]。在用于时空预测的RNN模型中,最具代表性的当属ConvLSTM模型,其将CNN网络和长短期记忆网络(long short-term memory,LSTM)进行了有效融合,能够自适应地捕获序列中的时空特征^[10],在预测精度上展现出比光流法更为良好的效果。Yaseen等^[11]基于该模型的框架针对南非东北部的闪电事件进行了预测。Sabrina等^[12]则成功实现了一种能够对可能发生的强雷暴事件及时发出警报的预警机。在此基础上,众多学者对其进行了改进和扩展,例如,在最近的一项研究中,Lu等^[13]将该模型与生成对抗网络(generative adversarial network,GAN)相结合,并使用多源数据对浙江周边区域的闪电进行了补充,实现了更加准确的预测。然而,尽管基于循环神经网络的深度学习模型在闪电临近预报任务中获得了良好的结果,但受限于循环结构的连续性特征,其外推过程受到一定限制^[14]。在该模型中,当前帧的输入取决于前一帧的输出结果,这导致无法实现并行化的操作,进而在反向传播过程中造成较大的时间消耗。此外,在内存消耗和预报时效方面,循环神经网络模型也存在较大的局限性。

鉴于此,学者们将目光转向了空间特征捕获能力更强的CNN模型上,其中最具代表性的是Unet模型,因其强大的空间特征提取能力和独特的编码器-解码器结构而备受关注。Unet模型架构最初应用于医学图像分割领域,后有学者将其应用于时空预测任务中并取得了良好的效果,因此,该模型在时空序列预测领域也得到了广泛应用。Unet模型允许同时提取粗和细的空间特征,并在编码和解码之间通过Skip来建立连接,进而保留更多的特征信息,提高预测的准确性。近年来,Unet模型开始在闪电预测任务展现出较好的性能。例如,Fan等^[15]提出一种Light 3DUnet网络,通过雷达回波反射率数据和闪电观测数据,实现对未来一小时内闪电的预测;Zhou等^[16]在此基础上加入了注意力门融合机制,进一步提升了预测效果;Li等^[17]利用多个卫星通道图像输入Unet模型进行多任务学习,分别实现了针对降水和闪电的双任务预测;Liu等^[18]将Unet与Transformer进行结合,提出了TG-TransUNet模型,并将其应用于京津冀地区的雷暴阵风预测任务中。然而,在应用于闪电预测的CNN模型中,多数研究侧重于对闪电时空位置变化进行预测^[19],而针对闪电发生频次、强度变化方面的研究却相对较少。

基于以上分析,现提出一种用于闪电临近预报的新型时空预测模型LG-ResUnet。该模型基于Unet架构建立,通过引入深度残差网络结构和注意力机制,实现对闪电发生位置和闪击强度的预测,更符合闪电发生的实际情况,提供实际应用参考价值。

1 数据和方法

1.1 数据集

使用的闪电数据源自SEVIR公开数据集,是从美国国家环境信息中心的风暴事件数据库中选择的真实风暴事件。其中,闪电信息由GOES-16对地静止卫星上搭载的GLM闪电传感器观测获得,以离散集合矩阵的形式进行存储,涵盖了具有固定维度和不同地理位置的闪电发生信息,通过对收集到的闪电数据进行时空网格化处理,将其转化为包含闪电频次的二维网格图像帧序列。每个图像都对应一块384 km × 384 km的区域,时间分辨率为5 min,空间分辨率为8 km,处理后的闪电时空图像如图1所示,每张闪电图像为48 × 48个格点。研究中,以1 h前的闪电信息作为输入,用于预测后1 h的闪电情况。选取2018年2月—2019年12月共计159 054条数据,每0.5 h提取一个时间序列图像(24张图像)构成数据集,用于神经网络的训练和测试。数据集具体划分为:2018年2月—2019年6月的训练集和验证集(样本数分别为11 439和1 271),2019年7—2019年12月的测试集(样本数为3 520)。

1.2 预处理

由于区域性雷暴存在强弱之分,数据集中的闪电事件样本本身存在着严重的不平衡,弱雷暴事件数据占比远超强雷暴事件。样本数据的不平衡会导致预测结果出现失真,从而影响预测的准确性。常规的Min-Max归一化是一种线性归一化方式,无法改变数据样本的分布,因此这种归一化方式并不适用于数据集不平衡的情况。而Robust和R²归一化虽然可以在闪电数据的分布上起到一定的改善作用,但实验发现其改善效果并不理想。于是采用一种非线性对数函数归一化方法对数据进行归一化操作,该方法不仅可以有效改善其数据分布,还能提高数据集的平衡指数,使数据更加均匀地分布在0~1。具体归一化方式为

(1)lgt_i_,_j=log₂(light_i_,_j+1)

式(1)中:i,j为所对应的格点位置坐标;light_i_,_j为单个格点内的闪电发生次数。同时,采用式(2)来衡量数据整体的平衡度水平。

(2)level=$\frac{\stackrel{M}{\sum _{k=1}}{X}_{(0<\mathrm{l}\mathrm{g}t<0.2)}}{\stackrel{M}{\sum _{k=1}}{Y}_{(0.2<\mathrm{l}\mathrm{g}t<1)}}$×100%

式(2)中:M为整个数据集中闪电发生样本数;X、Y分别为所对应lgt阈值下的闪电发生样本数。图2清晰地展示了4种归一化方法加载到数据集后,其数据平衡指数的变化情况。可以明显发现,在对数据集进行对数归一化后,数据的平衡指数得到了显著提升。

2 模型搭建和实验设计

2.1 实验流程

闪电临近预报可以看作一个端到端的时空图像序列预测问题,通过过去一段时间内的图像序列来预测接下来一段时间的图像序列。首先,对获得的闪电数据进行预处理,将其转换和划分为具有时空信息的闪电图像帧序列,每个时间帧的闪电密度图像包含该时段下闪电发生的位置和频率信息,然后,将划分好的图像序列依次输入神经网络预测模型之中进行训练和特征提取,模型会根据所获得信息进行自动化推演,并输出预测图像。最后,将输出图像进行反归一化处理,得到最终的预测结果。

2.2 模型主体框架搭建

2.2.1 改进Unet结构

Unet网络可以从不同尺度提取图像细节信息,并从解码器侧生成像素级的预测图像。为了使其更加适用于闪电时空预测任务,在其基础上对模型结构部分进行了改进,并将改进后的模型命名为LG-ResUnet模型。具体改进过程如图3所示。

从上述结构可以看到,主要针对模型的卷积部分进行了改进,原来的双卷积层是由两组3×3卷积、归一化层和非线性Relu层构成,改进部分则是在每个双卷积块的末尾BatchNorm后加入了残差连接,并在Relu层之后引入注意力机制,形成一个新的双卷积块。在每个下采样阶段,输入图像经改进后的双卷积层提取特征,再通过池化压缩其特征图维数,然后通过不断堆叠,加深网络层数,以逐步获取图像中更多的细节信息。在解码器侧,首先对深层的特征图进行上采样(采用双线性插值上采样)操作,恢复其特征维度,再将每一层上采样后的特征图与同层编码器侧特征图在通道维度进行特征拼接,以还原其丢失的空间信息,经过多层操作,图像被恢复为原始维度大小,最后通过一个卷积层输出预测结果。图4展示了LG-ResUnet模型的基本结构图。

与原始的Unet模型不同,所提的算法模型在每个双卷积中都加入了残差连接,有效解决了在训练过程中出现的梯度消失或梯度爆炸等问题。可以加速模型收敛速度,提高模型表达能力。同时,由通道注意力机制和空间注意力机制级联形成的LG注意力模块。其兼具时间和空间双重关注能力。可以在特征提取过程中捕获到更多时空关联特征,进而提高预测的准确性。以下是对LG模块各组成部分的详细解释。

2.2.2 SE通道注意力模块

SE(squeeze-and-excitation)通道注意力模块是一种专注于提取通道信息的模块,可以自适应地在通道维度上对特征层进行特征提取。它首先采用自适应全局平均池化层来实现特征的空间维度压缩,只留下通道维度的信息(输出维度为1×1×C)。之后通过全连接层对每个通道的重要性进行评估,为每个特征通道生成0-1的通道权重。最后对原特征层进行加权,完成在通道维度上的对原始特征的重新标定。SE注意力模块主体结构如图5所示。

2.2.3 SA空间注意力模块

为了对区域内发生的闪电获得更好的识别能力,还引入了空间注意力(spatial-attention,SA)模块,如图6所示。它首先将输入的特征图分别通过全局最大池化和全局平均池化后再进行拼接,之后经过一个卷积层捕获其空间特征,提取到的特征将自动聚焦闪电发生区域的空间信息,并通过sigmoid函数生成一个空间特征权重矩阵,矩阵中每个格点的权重值大小代表闪电发生的密集程度。之后将该权重矩阵与原特征图相乘,增强输入特征图的特征。SA模块可以根据闪电发生情况来自动调整权重矩阵,实现针对闪电空间位置更加准确的预测。

所设计的闪电时空预测网络模型均通过开源python库pytorch进行搭建。所有编写代码均在(NVIDIA GPU:RTX 4060)上运行实现,训练策略具体为:批量大小epoch设置为32,训练轮数设置为100轮,初始学习率设置为0.001,学习率下降采用ReduceLROnPlateau优化方法,当验证损失连续5个周期没有下降时,则将学习率降低为原来的0.1倍,采用Adam优化方案作为学习策略。在此条件下,选取验证损失最优的模型用于测试。在整个训练测试阶段,使用相同的随机种子和参数初始方法,以实现稳定的训练结果和可重现的实验对比。

2.3 损失函数设计

研究目标是预测闪电发生的位置和频次,因此采用了深度学习回归任务中常用的均方误差(mean squared error,MSE)作为损失函数来训练神经网络。其通过计算预测图像和真实图像的逐像素误差平方和并进行求平均,能够很好地反映预测值和真实值之间的差异。采用的MSE损失函数具体计算公式为

(3)MSE=$\stackrel{T}{\sum _{t=0}}\frac{1}{M}\stackrel{m}{\sum _{i=1}}\stackrel{m}{\sum _{j=1}}({y}_{i,j}-{\stackrel{\wedge }{y}}_{i,j}{)}^{2}$

式(3)中:y_i_,_j为真实值;

${\stackrel{\wedge }{y}}_{i,j}$

为预测值;M为网格点总数;m为网格图像的维数;T为输入次数总数(12个时间步)。通过设置该损失函数,模型可以精准捕获每个像素中的闪电特征差异,并进行反向传播回调优化,使预测值更好地拟合真实的闪电发生情况,提高预测的精度。

2.4 相关评价指标

为了更加准确地评估所搭建神经网络模型的预测性能,选取了以下几项指标:命中率(probability of detection,POD)、临界成功指数(critical success index,CSI)、虚警率(false alarm rate,FAR)、F₁分数(F₁-score,F₁)来测试模型的预测能力。各项指标参数的计算公式如下。

(4)POD=$\frac{\mathrm{T}\mathrm{P}}{\mathrm{T}\mathrm{P}+\mathrm{F}\mathrm{N}}$

(5)CSI=$\frac{\mathrm{T}\mathrm{P}}{\mathrm{T}\mathrm{N}+\mathrm{F}\mathrm{P}+\mathrm{F}\mathrm{N}}$

(6)FAR=$\frac{\mathrm{F}\mathrm{P}}{\mathrm{T}\mathrm{P}+\mathrm{F}\mathrm{P}}$

(7)F₁=$\frac{2\mathrm{T}\mathrm{P}}{\mathrm{T}\mathrm{P}+\mathrm{F}\mathrm{N}+\mathrm{T}\mathrm{P}+\mathrm{F}\mathrm{P}}$

式中:TP为模型正确预测为正类的格点数;FP为模型预测为正但实际并不满足阈值的格点数;FN为实际为正但预测不满足阈值的格点数;TN为两者均不满足阈值的格点数。计算各项评价指标需要根据指定阈值将预测值和真实观测值进行0-1二值化处理,并进行逐像素对比,然后建立混淆矩阵,代入式(4)~式(7)计算出各项指标。通过计算,各项指标的范围均在0~1。计算结果临界成功指数、命中率、F₁分数的值越大,且虚警率、均方误差越小,则代表模型的预测性能越好。

3 实验对比分析

3.1 多重对比评估实验

为全面评估LG-ResUnet模型在不同雷电强度下的预测性能,设置了4个闪击频次作为阈值进行对比实验,分别为1、3、5、10次。以覆盖不同强度的雷电场景。实验中,以5个现有基准模型作为对照,在相同数据集和实验环境下进行训练、验证和测试,闪电图像外推时长为1 h。表1~表4分别展示了各模型在4个不同闪击阈值下的命中率、临界成功指数、虚警率、F₁分数及均方误差等评估指标的结果,数据为测试集数据样本在1 h内各个评价指标的平均值。

通过对表1~表4数据深入分析可以得到,所提出的LG-ResUnet模型在不同的闪电频次阈值下命中率、临界成功指数、F₁分数等几项关键性指标均优于其他现有模型,且该模型的MSE均方误差损失更小。同时,为了更加直观比较各模型性能及数据变化趋势,还绘制了不同闪击阈值下各时间步对应的CSI临界成功指数变化曲线,如图7所示。分析结果表明,随着预测时长的增加,各个模型的CSI曲线均呈现递减趋势,预测性能逐渐降低。但是相较于其他模型,本文模型在不同的闪电阈值下曲线的下降趋势则更为平缓,预测表现更好。而且在对较强等级闪电进行预测时,虽然在预测的后几个时间步,所有模型几近丧失了对强雷暴现象的有效预测,但总体来看,本文模型仍然表现出较好的预测效果,其临界成功指数平均高于其他模型40%以上,展现出该模型针对强雷暴事件更加优良的预测性能。

3.2 消融实验

Unet网络模型已在闪电时空序列预测领域有所应用,但是在处理分散、非平稳连续等时空特征数据,特别是较强雷暴的识别预测,仍存在较大局限。针对以上问题,提出的LG-ResUnet模型在原有Unet网络基础上增加了残差连接,以减轻在特征提取阶段出现的特征丢失和梯度爆炸问题。同时结合了时空注意力机制,旨在提高模型时空特征的捕获能力,进而提高模型的预报准确率。为了评估各模块对模型性能的贡献度,在不同闪电阈值条件下开展了系统的消融实验,实验结果如表5所示。

实验数据分析表明,各改进模块对模型预测精度均具有显著影响。完整保留所有改进模块的LG-ResUnet模型在各项性能指标上均优于部分改进或未改进的模型。特别值得注意的是,在指定闪电阈值条件下,移除LG注意力机制后,模型的性能指标下降最为显著,这证实了该模块在整体预测过程中起到了关键性作用。具体而言,在去掉该模块后,模型的命中率平均减少0.044,临界成功指数平均降低0.035,F₁分数平均下降0.056。同时可以发现,在较大闪击阈值情况下,残差模块的优势开始显现,其可以在保证其他指标基本不变的情况下,大幅减少虚报率,这得益于其残差结构在卷积过程中可以保留更多的细节特征,减少预测失误的可能。相对来说,去掉LG模块中的单个注意力模块对模型性能的改变较轻,据其数据显示,SA空间注意力模块在阈值较低时较之SE通道注意力模块贡献更大,而随着闪击频次的增加,通道注意力SE模块逐步发挥出更加重要的作用。

图8分别为设置闪击阈值为3次和10次时,LG-ResUnet模型去掉各模块后外推1 h内临界成功指数的整体变化过程,可以看出,不同模块的缺失会导致模型预测效能出现不同程度的下降。当去掉LG时空注意力模块后,模型的临近成功指数下降速度最快,说明引入该模块在整体预测过程中作用最为显著。而其他去掉对应模块的模型虽然在预测性能上的影响相对较小,但均低于完整的LG-ResUnet模型。同时也可以清楚看到,完整的LG-ResUnet模型临界成功指数曲线在整体预测过程中下降更慢,下降趋势更为平缓,其指标相较其他去除模块的模型更高,模型预测效果更好。

4 闪电外推结果对比

为验证所提模型的泛化能力,随机选取了测试集中不同类别的雷暴事件发生过程作为不同的预测场景:场景一为聚集型强雷暴事件,场景二为分散型弱雷暴事件,以此分类来讨论模型在不同雷暴场景下的预测性能,之后将输出的闪电外推结果进行可视化呈现。

表6显示了在某个场景一雷暴事件下进行预测的定量评估结果,其中命中率为60.9%,临界成功指数为45.5%,虚警率为35.8%,F₁分数为62.5%。图9展示了该雷暴实际的发生过程与模型的预测结果,其中第1、3行代表雷暴实际发生情况,第2、4行则表示模型的预测结果。从其中可以看到,模型的预测结果与闪电发生的实际情况保持一致。同时可以发现,随着时间的推移,雷暴云逐渐向东方缓慢移动,并伴随着逐步走向消散,而模型也正确预测到了这一趋势。这表明该模型对于场景一闪电的时空变化趋势展现出较好的把控能力,并产生了可靠的预报结果。

图10展现了所提模型在场景二中的预测结果,可以看到,模型在面对弱雷暴事件时,其预测性能相比于强雷暴事件时较弱。在场景二的预测结果中,模型在前几个时间步内的闪电预测效果较好(对应第1、2行结果图),预测雷电发生情况与闪电实际发生情况基本相符,但随着预测时间步长逐步增加,其预测能力逐渐减弱(对应3、4行结果图)。表7显示了在此预测过程中的各项评估指标信息,其中命中率为21.6%,临界成功指数为19.4%,虚警率为35.2%,F₁分数为32.4%。

除此之外,还将所提模型的外推结果与其他模型进行了对比,结果如图11所示。可以发现,LG-ResUnet模型在预测性能上展现出一定的优势。其外推图像具有更清晰的边缘特征和纹理细节。同时,在强雷暴区域的预测效果上优于其他基准模型。相比之下,该模型能够更准确地预测出强雷暴的动态演变过程,其他基准模型在强雷暴事件的预测能力上存在不足。特别是在动态特征捕捉方面,与本文模型存在一定差距。

5 结论

针对电力系统闪电预测方法准确率不高、效率较低的问题,提出了一种新的闪电时空临近预测模型——LG-ResUnet,该模型可以对区域雷暴事件实现更为精准的预测。研究在SEVIR公开数据集上进行了系统性的训练与测试,主要结论如下。

(1)首先,采用对数归一化的方式对数据进行预处理,大大提升了闪电数据的平衡指数。其次,LG-ResUnet模型在Unet网络架构的基础上,融合了残差连接和时空注意力机制,有效提升了模型的时空特征提取能力,进而提高模型预测闪电的精度。实验结果表明该方法具有一定的先进性和实用价值。

(2)多重对比评估实验结果显示,LG-ResUnet模型在不同闪击阈值下取得了最高的命中率、临界成功指数和F₁分数,且均方误差达到最小。尤其在强闪击阈值下,临界成功指数相较于其他基准模型平均提高40%以上,展现出良好的强雷暴预测能力。消融试验验证了在各改进模块的共同作用下,模型整体性能平均提升10%以上。

(3)在不同场景下的闪电临近预报外推结果表明,本文模型拥有较好的泛化能力。模型可以实现对不同类别雷暴事件的有效预测,但在强雷暴事件上相比于弱雷暴事件预测性能更强,预测效果更好。同时,不同模型的闪电外推图像对比结果也证实了本文模型的预测性能相较其他模型更有优势,预测结果更加符合闪电发生的实际情况,在实际应用中具有一定的参考价值。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	Bao J, Wang X, Zheng Y, et al. Lightning performance evaluation of transmission line based on data-driven lightning identification, tracking, and analysis[J]. IEEE Transactions on Electromagnetic Compatibility, 2021, 21(3): 160-171.

[2]	邬蓉蓉, 黄志都, 黄维, 等. 基于杆塔点云数据的数字化输电线路防雷性能评估技术[J]. 沈阳工业大学学报, 2024, 46(6): 735-741.

[3]	Wu Rongrong, Huang Zhidu, Huang Wei, et al. Evaluation technology for lightning protection performance of digital transmission lines based on tower point cloud data[J]. Journal of Shenyang University of Technology, 2024, 46(6): 735-741.

[4]	Souto L, Taylor P C, Wilkinson J, et al. Probabilistic impact assessment of lightning strikes on power systems incorporating lightning protection design and asset condition[J]. International Journal of Electrical Power & Energy Systems, 2023, 148(3): 108974.

[5]	黄哲浩. 基于XGBoost的网格化雷电预测模型[J]. 山东工业技术, 2024(4): 107-114.

[6]	Huang Zhehao. Gridded lightning prediction model based on XGBoost[J]. Shandong Industrial Technology, 2024(4): 107-114.

[7]	胡瑞朋, 何春燕, 张伟明, 等. 基于卷积循环神经网络的手写汉字文本识别[J]. 科学技术与工程, 2025, 25(4): 1547-1554.

[8]	Hu Ruipeng, He Chunyan, Zhang Weiming, et al. Handwritten Chinese character text recognition based on convolutional recurrent neural network[J]. Science Technology and Engineering, 2025, 25(4): 1547-1554.

[9]	李志昂, 肖小玲, 周绍发. 基于改进的YOLOv5s小目标船舶遥感图像检测[J]. 科学技术与工程, 2025, 25(2): 657-666.

[10]	Li Zhiang, Xiao Xiaoling, Zhou Shaofa. Remote sensing image detection of small target ships based on improved YOLOv5s[J]. Science Technology and Engineering, 2025, 25(2): 657-666.

[11]	曹若琛, 冯秀芳, 赵晨. 基于运动特征增强双流网络的视频行为识别[J]. 科学技术与工程, 2025, 25(4): 1540-1546.

[12]	Cao Ruochen, Feng Xiufang, Zhao Chen. Video behavior recognition based on motion feature-enhanced dual-stream network[J]. Science Technology and Engineering, 2025, 25(4): 1540-1546.

[13]	Wang X P, Hu K Y, Wu Y L, et al. A survey of deep learning-based lightning prediction[J]. Atmosphere, 2023, 14(11): 1698.

[14]	Randy J C, David R H, Gary M L, et al. A machine learning tutorial for operational meteorology. part II: neural networks and deep learning[J]. Weather and Forecasting, 2023, 38(8): 1271-1293.

[15]	夏成龙. 基于ConvLSTM网络的北极海冰时空序列预测研究[J]. 海洋测绘, 2024, 44(4): 48-53.

[16]	Xia Chenglong. Research on spatiotemporal sequence prediction of arctic sea ice based on ConvLSTM network[J]. Ocean Surveying and Mapping, 2024, 44(4): 48-53.

[17]	Yaseen E, Hugh G P H, Morne G, et al. Deep learning prediction of thunderstorm severity using remote sensing weather data[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2022, 15: 4004-4013.

[18]	Sabrina G, Michele P, Marco T, et al. Prediction of severe thunderstorm events with ensemble deep learning and radar data[J]. Scientific Reports, 2022, 12(1): 20049.

[19]	Lu M Y, Jin C W, Yu M Z, et al. MCGLN: a multimodal ConvLSTM GAN framework for lightning nowcasting utilizing multisource spatiotemporal data[J]. Atmospheric Research, 2024, 297: 107093.

[20]	Sutskever I, Vinyals O, Le Q V, et al. Sequence to sequence learning with neural networks[J]. Advances in Neural Information Processing Systems, 2014, 27: 3104-3112.

[21]	Fan L, Zhou C. Cloud-to-ground and intra-cloud nowcasting lightning using a semantic segmentation deep learning network[J]. Remote Sensing, 2023, 15(20): 4981.

[22]	Zhou C H, Fan L, Neri F, et al. A spatio temporal fusion deep learning network with application to lightning nowcasting[J]. Integrated Computer-aided Engineering, 2024, 31(3): 233-247.

[23]	Li Y, Liu Y B, Sun R F, et al. Convective storm VIL and lightning nowcasting using satellite and weather radar measurements based on multi-task learning models[J]. Advances in Atmospheric Sciences, 2023, 40(5): 887-899.

[24]	Liu Y Q, Yang L, Chen M X, et al. A deep learning approach for forecasting thunderstorm gusts in the Beijing-Tianjin-Hebei region[J]. Advances in Atmospheric Sciences, 2024, 41(7): 1342-1363.

[25]	付光攀, 李艳飞, 朱璐, 等. 基于电场特征和深度学习的雷电预警方法[J]. 南方电网技术, 2023, 17(3): 97-106.

[26]	Fu Guangpan, Li Yanfei, Zhu Lu, et al. Lightning early warning method based on electric field characteristics and deep learning[J]. China Southern Power Grid Technology, 2023, 17(3): 97-106.