基于多阈值聚类的对流系统电荷区识别

陈希凡; 谭涌波; 汪海潮; 陈浩琛; 邓洁

doi:10.12404/j.issn.1671-1815.2507223

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (23) :9786-9795 DOI: 10.12404/j.issn.1671-1815.2507223

天文学、地球科学

基于多阈值聚类的对流系统电荷区识别

作者信息 +

Identification of Charge Regions in Convective Systems Based on Multi-threshold Clustering

Author information +

文章历史 +

摘要

强对流天气系统常伴随大量闪电,而闪电的关键放电特征与电荷区密切相关。然而,现有探测手段难以实现对电荷区域的完整观测,因此,为深入理解闪电放电过程,建立能够有效识别电荷区的算法至关重要。基于多通道阈值法与聚类算法,提出了一种针对对流系统电荷区的识别算法。研究采用命中率、虚警率和临界成功指数作为量化指标,对算法的识别结果进行了评估。结果表明,该算法具有较高的识别精度,其中命中率为71.67%,虚警率为3.83%,临界成功指数为69.67%。将本算法与现有基于单通道阈值的强对流云团识别算法进行对比,通过对相同数据的分析发现:电荷区多呈零散分布,而对流云团则以片状分布为主;电荷区与对流云团的范围不完全重合,电荷区更倾向于出现在对流云团的边缘区域;并非所有对流云团内部都存在电荷区;此外,电荷中心与对流中心之间存在一定的空间错位。

Abstract

Severe convective weather systems are often accompanied by abundant lightning, and the key discharge characteristics of lightning are closely related to charge regions. However, existing detection methods cannot achieve comprehensive observation of these charge regions, which limits the in-depth understanding of lightning discharge processes.To address this issue, an identification algorithm for charge regions in convective systems was developed based on a multi-channel threshold method combined with a clustering algorithm. The probability of detection (POD), false alarm rate (FAR), and critical success index (CSI) were used as quantitative metrics to evaluate the algorithm’s performance. The results show that the algorithm achieves high identification accuracy, with a POD of 71.67%, a FAR of 3.83%, and a CSI of 69.67%.A comparative analysis was carried out between the proposed algorithm and an existing single-channel threshold algorithm for convective cloud cluster identification, based on the same dataset. Distinct differences were found in their results: charge regions tend to be sporadically distributed, while convective cloud clusters appear as large contiguous patches; the spatial scope of charge regions does not fully overlap with that of convective cloud clusters, and charge regions are likely to be located at the peripheries of cloud clusters; additionally, not all convective cloud clusters contain charge regions. It is concluded that there is a certain spatial displacement between charge centers and convective centers. The research findings provide valuable references for optimizing charge region detection techniques and deepening the study of lightning discharge mechanisms.

Graphical abstract

关键词

雷电物理学 / 强对流天气系统 / 电荷分布 / 识别算法

Key words

lightning physics / severe convective weather systems / charge regions / identification algorithm

引用本文

引用格式 ▾

陈希凡, 谭涌波, 汪海潮, 陈浩琛, 邓洁. 基于多阈值聚类的对流系统电荷区识别[J]. 科学技术与工程, 2026, 26(23): 9786-9795 DOI:10.12404/j.issn.1671-1815.2507223

CHEN Xi-fan, TAN Yong-bo, WANG Hai-chao, CHEN Hao-chen, DENG Jie. Identification of Charge Regions in Convective Systems Based on Multi-threshold Clustering[J]. Science Technology and Engineering, 2026, 26(23): 9786-9795 DOI:10.12404/j.issn.1671-1815.2507223

登录浏览全文

4963

注册一个新账户忘记密码

强对流天气系统,易引发短时强降水、冰雹、雷雨大风、龙卷等灾害性天气,期间常伴随产生大量的闪电活动。闪电作为一种蕴含巨大能量的自然放电现象,其发生发展与云内动力、微物理过程紧密联系,一直是研究者关注的重点。大量研究表明,闪电的类型^[1]、发生率、传播特征等关键放电特征与云内电荷分布密切相关^[2-5]。因此,准确获取云内电荷分布对于深入理解闪电放电过程至关重要。然而,目前主要的雷暴云电荷结构探测手段存在局限性:电场探空仅能获取探空路径垂直方向上的电荷分布信息,而基于闪电电磁辐射的定位技术虽突破了探空路径的限制,但其定位结果主要反映的是参与放电过程的电荷区^[6]。因此,通过现有的探测手段难以实现对强对流天气系统内部电荷区的完整探测^[7]。在此背景下,如何有效识别对流系统中的电荷区,已成为雷电物理研究领域亟需解决的一个难题。

在现有的探测技术下,研究者对闪电放电特征与云内电荷分布关系开展了大量研究,并取得了一系列重要进展。Wilson^[8]利用地面电场观测数据,分析了闪电放电过程中的电荷转移特征。Simpson等^[9-10]通过气球探空电场观测,揭示了雷暴云上正下负并伴有低层局地正电荷区的典型垂直电荷结构。Marshall等^[11]和Stolzenburg等^[12]利用气球电场探空资料,分析了云内电场廓线和多层电荷区分布,表明雷暴云电荷结构具有明显的垂直分层和区域差异。辛雪琪等^[13]、张琴等^[14]和崔雪东等^[15]分别利用地闪定位、雷达及三维闪电监测资料,分析了高原雷暴、强对流中尺度对流系统以及多回击闪电的活动特征,揭示了不同地区和不同对流系统中闪电活动的时空分布及放电参数差异。张义军等^[16]利用闪电甚高频辐射源高时空分辨率的三维观测资料,分析了两个超级单体雷暴地闪的时空分布特征和电荷结构,指出正地闪主要发生在雷暴的主体部分(电荷结构为反三极性),负地闪主要发生在雷暴的砧体部分(电荷结构为反偶极性)。郄秀书等^[17]利用自主研制的闪电甚高频宽带成像干涉仪等技术,分析了一次产生2次罕见晴天霹雳的单体雷暴过程,指出引发晴天霹雳的主要原因是高原雷暴特殊的电荷结构。Coleman等^[18]通过气球探空结合闪电辐射源定位,发现云闪通道分支结构和传播高度与正负电荷区的电荷分布高度一致。Pilkey等^[19]指出不同电荷分布下触发的闪电在水平方向的传播特征差异很大。由此可见,云内电荷分布与闪电放电特征之间存在密切联系,准确刻画云内的电荷区,是理解闪电放电过程的重要基础。

要实现对电荷区的准确刻画,首要前提是建立可靠的电荷区识别方法。电荷区主要存在于强对流区域中,但当前对流识别领域中,专门针对电荷区的识别算法研究很少,研究大多聚焦于强对流云团的宏微观特征识别^[20-23]。Maddox^[24]率先利用增强红外云图识别提取大尺度对流天气系统,提出了经典的亮温阈值法。部分学者基于云团的形状、纹理等特征实现强对流云团识别^[25],另有研究借助天气雷达网络观测资料,构建对流区域自动识别模型^[26-27]。随着人工智能的发展,深度学习方法^[28]被引入强对流云团识别研究中,有效提升了对不同发展阶段(从初生到消散)强对流云团的识别精度^[29-30]。但是电荷区识别这一关键问题尚未得到足够关注。已有观测与研究表明,对流系统中,电荷区和强对流云团在空间分布上并非完全重合^[31-32],因此,利用强对流云团的识别方法是无法准确获取电荷区的空间位置与范围。综上所述,针对对流系统中的电荷区,开展专门的识别算法研究是很有必要的。

因此,建立一种能有效识别对流系统电荷区的算法,采用命中率、虚警率及临界成功指数作为量化指标,综合评估算法识别结果的准确性与可靠性,并将算法与现有强对流云团识别算法对比,通过分析识别结果阐明两者的差异性,进而探讨对流系统中电荷区的分布特征。

1 数据与方法

1.1 数据

本文算法所使用的数据包括目标区域对流系统的宏微观参量和电荷结构信息。其中,宏微观参量作为电荷区识别的输入特征,电荷结构信息则用于数据集标定及算法识别效果的验证。

需要说明的是,当前,雷暴云中电荷的直接观测主要通过原位电场探空和闪电辐射源定位反演^[6],基于目前的观测现状,难以全面地获取对流系统中电荷结构信息^[33-35],而中尺度数值模式WRF-ELEC(weather research and forecasting with the electrification extra package)对对流系统动力和微物理具有较强的描述能力,可以详细描述起电过程、空间电荷结构及放电过程,能够提供算法所需的宏微观参量和电荷结构信息。该模式在雷电物理研究中有成熟应用, 有很多学者在此基础上开展了大量相关研究^[36-39],较好地验证其模拟数据对真实情况的反映能力。因此,本文算法所使用的数据均由中尺度WRF-ELEC模式模拟得到。

采用整合起放电参数化方案的WRF-ELEC(V3.3.1)^[40-42]模式模拟对流天气过程,以获取算法识别、验证所需的三维数据。海上的强对流天气对海洋活动及周边地区影响显著,是相关研究领域的一个热点。基于此,选取中国毗邻海域(105°E~135°E,1°N~20°N)作为研究的目标区域。开展模拟前,利用全球闪电定位系统(world wide lightning location network,WWLLN)提供的闪电定位资料筛选出目标区域内闪电活动频繁的区域,依据闪电活动的时空分布特征,确定强对流天气过程的大致时空范围。下载对应时空范围内的美国国家环境预报中心(National Centers for Environmental Prediction,NCEP)1°×1°再分析资料,作为模式模拟的初始场数据输入WRF-ELEC模式,对强对流天气过程进行模拟,最终输出模拟得到的垂直风风场、温度、组合反射率、冰晶混合比和数浓度、雪混合比和数浓度、霰混合比和数浓度、云滴混合比和数浓度、位势高度、总空间电荷密度的三维数据。强对流天气过程一般不超过十几个小时,每经过数小时,对流系统的生成消亡、分布范围及内部电荷分布等变化较大,因此从强对流天气过程的模拟结果中,每两小时提取一次上述参量,以形成多个个例。为清晰呈现数据层次,对相关概念作出如下界定:将一次完整的强对流天气过程(从发生到消亡的全生命史)定义为一个“事件”;将一个“事件”中提取的一次数据定义为一个“个例”;每个“个例”中包含多个独立的电荷区,一个电荷区称为一个“样本”。通过中尺度WRF-ELEC模式对目标区域内不同类型的对流系统进行模拟,累计模拟21个事件,获得146个个例,共10 413个样本,构建形成数据集。

1.2 研究方法

1.2.1 聚类算法

本文算法用到的聚类算法为DBSCAN^[43-44](density-based spatial clustering of applications with noise),是一种通用的机器学习聚类算法,其主要特点是无需指定聚类中心或聚类数量就能够处理任意形状的聚类,而且具备处理噪声的能力以及对数据顺序不敏感。DBSCAN根据邻域半径ε和minPts对样本点进行聚类(minPts表示成为核心样本点的点在邻域半径内的最少样本点数)。聚类中的样本点被分为核心样本点、边界样本点和噪声样本点。如果一个样本点周围ε范围内有至少minPts个其他样本点,则该点被定义为核心样本点。边界样本点在某个核心样本点的ε范围内,但周围少于minPts个样本点。核心样本点允许扩散,继续搜索它的邻近点,而边界样本点可以被搜索到,但不会进一步搜索它的邻近点。噪声样本点则是不会被核心样本点搜索到的,相对孤立的点。在minPts为3的情况下聚类原理如图1所示,其中点A、B为核心点,半径内分别有4个点和3个点;点C半径内只有2个点,且落在核心点B范围内,属于边界点;点D、E均为噪声点。

1.2.2 参量的选取

本文算法从WRF-ELEC模式中提取的用于识别的宏微观参量包括云顶高度、上升风速、云滴、霰、冰晶、雪粒子的混合比。这些参量的选取主要基于其与起电过程的紧密联系,它们是影响电荷区空间特征的重要因素。云顶高度是表征对流强度的重要指标,更高的云顶通常意味着更强的对流活动,间接指示云中电过程的强度,同时也有助于界定对流发生的空间范围。上升气流与雷暴起电的密切关联已被大量研究证实^[45-46],云中的电过程依赖于冰相和液相粒子的相互作用,而上升气流的强弱会影响云中物质的向上输送,更强的上升气流能为云中混合相态区提供更多液水,并增加冰相粒子的碰撞频次,从而推动云中起电过程,最终对云中电荷区的电荷量及空间分布等特征产生影响。霰粒子、冰晶、雪粒子及云滴是云中电过程的重要参与者和主要荷电粒子^[47-48]。

基于上述参量的物理意义及其与起电过程的关联性,对提取的原始数据首先进行预处理:其中,云滴在高度方向上进行累加得到柱总云液水含量,即云液水;上升风速经高度方向累加处理得到垂直累计风速;冰晶、霰和雪分别在高度上累加得到各自的柱总量,再将这三个柱总量相加得到柱总云冰水含量,即云冰水。最终参与电荷区识别的参量为云顶高度、垂直累计风速、云液水和云冰水。

1.2.3 算法评价指标

采用基于混淆矩阵的评价指标体系^[49],将命中率(probability of detection,POD)、虚警率(false alarm ratio,FAR)、临界成功指数(critical success index,CSI)作为评价指标,衡量算法识别结果的准确性与可靠性。其中,POD表示样本中实际存在的电荷区被算法成功识别出来的比例;FAR表示算法识别出的电荷区中,实际并非电荷区的比例;CSI综合考虑命中、漏报和虚警,是气象领域常用的综合评价指标之一。命中率P₁、虚警率P₂与临界成功指数P₃的计算公式分别为

(1)$ P_{1}=\frac{\mathrm{TP}}{\mathrm{TP}+\mathrm{FN}}$

(2)$ P_{2}=\frac{\mathrm{FP}}{\mathrm{TP}+\mathrm{FP}}$

(3)$ P_{3}=\frac{\mathrm{TP}}{\mathrm{TP}+\mathrm{FP}+\mathrm{FN}}$

式中:TP为正确识别的电荷区个数;FN为漏识别个数;FP为误识别个数。

1.3 算法流程

算法识别过程采用多阈值筛选与聚类相结合的方法,具体步骤如图2所示。首先,以云顶高度作为筛选指标,提取出云顶高度大于6 000 m^[50]的格点,初步锁定对流发展旺盛的区域。其次,基于初筛结果,进一步结合云内粒子信息(即云液水、云冰水含量)和垂直累计风速,保留同时满足粒子含量与上升气流条件的格点。该阈值筛选的依据在于电荷区的形成机制,通常依赖于强烈的对流活动、丰富的云内水成物粒子以及持续的上升气流。经过上述筛选后,所得离散格点构成符合阈值要求的二维矩阵,定义为“备选云区”。最后,利用DBSCAN聚类算法对备选云区中的离散格点进行空间聚类,将邻近的格点聚合为若干独立的区域,每一聚类单元最终被识别为一个“备选电荷区”。

在获得的备选电荷区中,部分备选电荷区水平空间范围较大,其可能由多个电荷区组成。针对这种情况,采用多参数加权融合的方法实现此类区域中电荷区的有效识别与分离。首先,构建融合矩阵$ \boldsymbol{M}_{\text {weight }}$为

(4)$ \boldsymbol{M}_{\text {weight }}=\boldsymbol{C}_{1} \times \boldsymbol{C}_{2} \times \boldsymbol{C}_{3} \times \boldsymbol{C}_{4}$

式(4)中:$ \boldsymbol{C}_{1}$、$ \boldsymbol{C}_{2}$、$ \boldsymbol{C}_{3}$、$ \boldsymbol{C}_{4}$分别为云顶高度、云液水、云冰水和垂直累计风速的二维矩阵。该矩阵可以在一定程度上反映电荷区的强度特征,其格点值越高代表电荷量越大,如果备选电荷区的融合矩阵存在多个高值中心,就认为该备选电荷区由多个电荷区组成。对每个备选电荷区中的格点进行筛选,保留满足以下条件的格点:

(5)$ M_{i j} \geqslant \alpha M_{\max }$

式(5)中:M_ij为矩阵$ \boldsymbol{M}_{\text {weight }}$中(i,j)位置格点的值;α为阈值系数,用于调节保留格点的临界条件,取值范围在0~1,该系数越大则保留的格点越少;M_max为该备选电荷区内融合矩阵的最大值。该条件用于减少高值中心之间相连的低值区域的干扰。在此基础上,对保留的格点再次应用DBSCAN聚类算法,最终得到的聚类结果即识别出的电荷区。

2 结果与分析

2.1 识别效果整体评估

在前文所述的数据集上,对本文算法做精度评估,得到结果如表1所示。该数据集经标定共有10 413个强电荷区。由表1可知,本文算法正确识别的电荷区个数显著多于误识别和漏识别的个数,临界成功指数达69.67%;虚警率为3.83%,处于较低水平;命中率达71.67%,漏识别的情况相对更多。上述结果表明,本文算法有较高的识别精度,能够准确且可靠地识别对流系统中的电荷区。

2.2 个例分析

选取5个典型个例展开分析,个例分别从发生于2022年6月13日、2023年5月27日、2019年8月9日、2022年9月25日、2023年8月31日的强对流模拟结果中获取,依次记作case1、 case2、 case3、case4、case5。

3个个例的电荷区识别完整结果如图3所示。综合3个个例的识别结果可见,本文算法识别出的电荷区与模拟所得的体电荷密度高值区在空间分布上高度吻合,说明本算法能够可靠地识别出对流系统中的电荷区。下面对3个个例的识别结果开展分析。

如图3(a)、图3(b)所示,case1为典型的飑线系统,其对流区狭窄,电荷主要分布在狭窄的强对流带上,右下方组合反射率相对低的区域,电荷密度也显著偏低。对比算法识别得到的电荷区域与电荷密度分布可知,本文算法能够识别出飑线系统中大部分的电荷区,漏识别的现象较少。算法能够准确捕捉飑线系统的带状分布特征,尤其在强对流带上的识别结果很好地对应了电荷密度高值区的形态与位置。总的来说,本文算法在飑线个例中命中率高,仅存在少量电荷区未识别到,识别效果与数据集整体的命中率表现一致。此外,该个例的右下角存在1次误识别情况。

如图3(c)、图3(d)所示,case2为台风系统,组合反射率的高值出现在云墙区,该区域电荷密度也较高,而螺旋雨带区的电荷密度较低,分布相对分散。从识别结果来看,算法不仅对于对流旺盛的云墙区识别效果较好,能够实现相邻的多个电荷区有效分离,而且能够识别螺旋雨带区中分散且范围较小的电荷区。总的来说,本文算法在台风个例中识别出的区域能够覆盖大部分电荷密度高值区,尽管在螺旋雨带区漏识别情况增多,但整体仍保持了较高的命中率。此外,case2中存在3次误识别情况。

如图3(e)、图3(f)所示,该强对流系统同时包含密集成片的电荷区和零散分布的电荷区(分布于系统的外围)。本算法的识别结果显示,算法对上述两类电荷区均实现了有效识别。对于密集区,该算法准确反映出其整体轮廓,清晰分离了其中多个相邻的电荷中心;对于外围零散、范围较小的电荷区,算法成功识别多数电荷区,未将其作为噪声滤除。总的来说,本算法能够处理由不同强度起电过程形成的、从密集到零散等多种空间形态的电荷区,并保持较高的命中率和较低的虚警率。

由上述个例识别结果分析可知,本文算法在电荷区识别中整体表现可靠,能够有效处理强对流系统中电荷区复杂的空间分布,对各类形态的电荷分布均展现出较好的适用性,识别出的电荷区与模拟的电荷密度场基本对应。漏识别情况主要发生在电荷密度低的区域,同时这些区域中的电荷区范围都较小,如飑线系统中组合反射率相对低的边缘地带、台风螺旋雨带区。误识别情况较少,整体符合虚警率较低的特征。

文献[31-32]指出,电荷区与对流云团在空间分布上存在差异。为了进一步探讨这种差异的具体表现,引入经典的单通道阈值法,利用相同的数据集进行对流云团识别,并与本文算法识别结果进行对比。单通道阈值法通过设置一个亮温阈值对强对流云团进行识别,中国研究中常用阈值为241 K^[51-53],也有研究者采用221 K^[54]、233 K^[55]作为阈值。由于本文数据来源于WRF-ELEC模式模拟,无法获取由观测得到的云顶亮温(cloud top brightness temperature,TBB)数据,因此采用模式输出的云顶温度替代亮温数据,识别阈值选取241 K。

2个个例的识别结果对比如图4所示,从整体识别结果来看,电荷区与对流云团的空间分布存在显著差异,电荷区多呈零散分布,而对流云团则以连续的片状分布为主,同时识别得到的对流云团水平范围明显大于电荷区,即电荷区仅分布于对流云团内的部分区域,并非覆盖整个对流云团。此外,多数电荷区分布于云顶温度低于220 K的区域,但并不集中分布于云顶温度最低的区域。如图4(a)所示,飑线系统中多数电荷区分布于对流云团的边缘区域,且基本对应云顶温度低值区(即对流发展旺盛的区域)。在图4(a)中位于120°E~125°E,31°N~38°N区域的大对流云团中,电荷区没有出现在云顶温度的相对低值区,而是出现在对流云边缘的云顶温度梯度区。如图4(b)所示,台风系统中电荷区主要分布于云墙区和螺旋雨带区,但其与云顶温度低值区没有很好的对应,靠近台风中心的螺旋雨带云顶温度低,对流活动强,但电荷区分布少,而外围的螺旋雨带云顶温度相对高,对流活动相对弱,电荷区反而更多。此外,台风外围的电荷区也并非主要分布在云顶温度相对低的区域。算法揭示出的电荷区主要分布与观测中台风闪电活动呈现外雨带闪电频次最高,眼壁区闪电频次较低,内雨带闪电活动稀少^[56]的三圈分布特征一致。这表明本算法能作为一种有效的工具,在一定程度上反映电荷区的位置信息。

2处局部区域的识别结果对比如图5所示,图5(a)截取于case3中,图5(b)截取于case4中。如图5(a)所示,利用单通道阈值法识别得到多个独立分布的对流云块,但这些对流云块中并非均存在电荷区,部分对流云块内未检测到电荷区,而存在电荷区的云块中,电荷也不是均匀分布在整个对流云团中,从识别结果来看,电荷区更倾向于出现在对流云块的边缘区域。张腾飞等^[57]对云南的两次中尺度对流雷暴系统分析发现,雷暴云中闪电空间分布不均匀,密集的负地闪主要发生在雷暴云带前缘。由于闪电活动的本质是电荷分离与积累到一定程度后的放电过程,其空间分布特征反映了电荷区的分布规律,因此上述闪电分布的不均匀性可以说明电荷在雷暴云中的非均匀分布。这与本文识别结果中电荷区在对流云块边缘聚集的特征具有较好的一致性。这表明,本文算法能够有效揭示电荷分布的非均匀特性,可靠刻画电荷区的空间分布。

如图5(b)所示,识别得到的两个电荷区都与云顶温度低值中心存在明显的空间偏移。而云顶温度作为表征对流强度的关键指标,其值越低通常指示对流发展越旺盛,上述偏移现象说明电荷中心与对流中心并非完全重合,存在明显错位。这种错位并非偶然,与对流系统内部的动力过程及微物理过程密切相关。对流中心通常是上升气流比较强的区域,虽可为水汽凝结及粒子增长提供有利条件,但过于强烈的上升运动可能导致粒子在该区域停留时间较短,难以充分完成起电过程;而在对流中心外围的梯度区,上升气流强度适中,能持续输送水汽和粒子,粒子的碰并、分离的时间充足,更利于电荷的积累与分离,进而形成电荷区。有相关观测研究也证实了这种情况:林小红等^[32]利用风云四号A星闪电成像仪获取的闪电资料研究发现,闪电高密度区并非出现在TBB最低中心,而是集中分布于TBB低值区的前沿梯度区。由此可见,本文算法识别结果表明的电荷中心与对流中心的偏移是合理的。

3 结论

建立了一个基于多通道阈值法和聚类算法的对流系统电荷区识别算法,通过量化指标验证了其识别精度,将其识别结果与经典单通道阈值法的对流云团识别结果进行对比,并分析了电荷区的分布特征。得到以下主要结论。

(1)建立的对流系统电荷区识别算法具有较高的识别精度,经统计,该算法命中率为71.67%,虚警率为3.83%,临界成功指数为69.67%。该算法对电荷区有较高的识别准确性和可靠性,能有效识别出对流系统中的电荷区,在飑线和台风等典型对流系统中均表现出良好的适用性。

(2)电荷区与对流云团的水平空间分布特征存在显著差异,主要体现在:电荷区多呈零散分布,对流云团则以片状分布为主;对流云团中并非都存在电荷区;电荷区与对流云团在范围上不完全重合,电荷区倾向于出现在对流云团的边缘区域;电荷中心与对流中心存在一定的错位。上述电荷区的分布特征能与闪电活动的观测规律有较好的一致性,表明本算法输出的电荷区信息有助于更深入理解闪电起放电特征。

本文建立的电荷区识别算法仍存在一些不足之处,一是漏识别的情况相对较多,命中率有待提高;二是在电荷区边缘的判定还有所欠缺,可能会出现两个电荷区重叠的情况。此外,建立本算法的数据具有一定的局限性,仅来源于WRF-ELEC模式模拟,其与大气中的真实情况存在一定的偏差。在算法验证中,由于观测技术限制,暂时无法提供相应的实测云内电荷数据,因此算法电荷区识别精度的量化指标由模式模拟的数据计算得到。后续研究中,在对本算法进行进一步改进,提高算法的准确性的同时,将及时跟踪观测进展,条件允许时引入更多实际观测数据,对算法进行优化和验证。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	杨俊, 刘岩, 李杰, 等. 基于多尺度残差网络的闪电类型识别[J]. 科学技术与工程, 2025, 25(27): 11483-11489.

[2]	Yang Jun, Liu Yan, Li Jie, et al. Research on lightning type recognition based on multi-scale residual networks[J]. Science Technology and Engineering, 2025, 25(27): 11483-11489.

[3]	Mazur V, Ruhnke L H. Model of electric charges in thunderstorms and associated lightning[J]. Journal of Geophysical Research: Atmospheres, 1998, 103(D18): 23299-23308.

[4]	张义军, 徐良韬, 郑栋, 等. 强风暴中反极性电荷结构研究进展[J]. 应用气象学报, 2014, 25(5): 513-526.

[5]	Zhang Yijun, Xu Liangtao, Zheng Dong, et al. Review on inverted charge structure of severe storms[J]. Journal of Applied Meteorological Science, 2014, 25(5): 513-526.

[6]	Tan Y, Tao S, Zhu B. Fine-resolution simulation of the channel structures and propagation features of intracloud lightning[J]. Geophysical Research Letters, 2006, 33(9): 2005GL025523.

[7]	Tan Y, Tao S, Zhu B, et al. A simulation of the effects of intra-cloud lightning discharges on the charges and electrostatic potential distributions in a thundercloud[J]. Chinese Journal of Geophysics, 2007, 50(4): 916-930.

[8]	郄秀书, 刘冬霞, 蒋如斌, 等. 强对流雷暴和闪电的探测、机理及预报[J]. 气象学报, 2025, 83(3): 833-854.

[9]	Qie Xiushu, Liu Dongxia, Jiang Rubin, et al. Detection, mechanism, and forecasting of lightning and thunderstorms[J]. Journal of Meteorological Research, 2025, 83(3): 833-854.

[10]	朱杰, 程攀, 唐顺仙, 等. 基于多源资料的中国星载闪电探测数据质量控制技术[J]. 科学技术与工程, 2022, 22(27): 11783-11791.

[11]	Zhu Jie, Chen Pan, Tang Shunxian, et al. Research on quality control technology of Chinese satellite-based lightning data based on multi-source data[J]. Science Technology and Engineering, 2022, 22(27): 11783-11791.

[12]	Wilson C T R. Investigations on lightning discharges and on the electric field of thunderstorms[J]. Philosophical Transactions of the Royal Society of London. Series A, Containing Papers of a Mathematical or Physical Character, 1921, 221: 582-593.

[13]	Simpson G C, Scrase F J. The distribution of electricity in thunderclouds[J]. Proceedings of the Royal Society of London. Series A-Mathematical and Physical Sciences, 1937, 161: 309-352.

[14]	Simpson G C, Robinson G D. The distribution of electricity in thunderclouds, II[J]. Proceedings of the Royal Society of London. Series A. Mathematical and Physical Sciences, 1941, 177: 281-329.

[15]	Marshall T C, Rust W D. Electric field soundings through thunderstorms[J]. Journal of Geophysical Research: Atmospheres, 1991, 96(D12): 22297-22306.

[16]	Stolzenburg M, Marshall T C, Rust W D, et al. Horizontal distribution of electrical and meteorological conditions across the stratiform region of a mesoscale convective system[J]. Monthly Weather Review, 1994, 122(8): 1777-1797.

[17]	辛雪琪, 赵阳, 田建兵, 等. 青藏高原东部地区雷暴及其地闪活动特征分析[J]. 科学技术与工程, 2019, 19(18): 47-57.

[18]	Xin Xueqi, Zhao Yang, Tian Jianbing, et al. Analysis of thunderstorm and its CG lightning characteristics in the eastern Qinghai-Tibet Plateau[J]. Science Technology and Engineering, 2019, 19(18): 47-57.

[19]	张琴, 张晓, 苟阿宁, 等. 山东两次强对流天气中尺度对流系统的闪电特征分析[J]. 科学技术与工程, 2018, 18(28): 6-14.

[20]	Zhang Qin, Zhang Xiao, Gou Aning, et al. Analysis of lightning characteristics of mesoscale convective system in two strong convective weather in Shandong province[J]. Science Technology and Engineering, 2018, 18(28): 6-14.

[21]	崔雪东, 顾媛, 徐震宇, 等. 基于浙江省三维闪电监测系统的多回击闪电参数的特征分析[J]. 科学技术与工程, 2021, 21(23): 9706-9712.

[22]	Cui Xuedong, Gu Yuan, Xu Zhenyu, et al. Characteristic analyses on multi-return stroke of lightning parameters over Zhejiang based on 3-D lightning location system data[J]. Science Technology and Engineering, 2021, 21(23): 9706-9712.

[23]	张义军, 孟青, 吕伟涛, 等. 两次超级单体雷暴的电荷结构及其地闪特征[J]. 科学通报, 2005, 50(23): 2663-2675.

[24]	Zhang Yijun, Meng Qing, Lu Weitao, et al. The charge structure and ground lightning characteristics of two supercell thunderstorms[J]. Chinese Science Bulletin, 2005, 50(23): 2663-2675.

[25]	郄秀书, 刘冬霞, 李丰全, 等. 青藏高原单体雷暴的电荷结构及“晴天霹雳”闪电成因[J]. 科学通报, 2025, 70(7): 944-954.

[26]	Qie Xiushu, Liu Dongxia, Li Fengquan, et al. Charge structure of an isolated thunderstorm on the Tibetan Plateau and the formation of bolt-from-the-blue lightning[J]. Chinese Science Bulletin, 2025, 70(7): 944-954.

[27]	Coleman L M, Marshall T C, Stolzenburg M, et al. Effects of charge and electrostatic potential on lightning propagation[J]. Journal of Geophysical Research: Atmospheres, 2003, 108(D9): 4298.

[28]	Pilkey J T, Uman M A, Hill J D, et al. Rocket-triggered lightning propagation paths relative to preceding natural lightning activity and inferred cloud charge[J]. Journal of Geophysical Research: Atmospheres, 2014, 119(23): 427-456.

[29]	Goyens C, Lauwaet D, Schröder M, et al. Tracking mesoscale convective systems in the sahel: relation between cloud parameters and precipitation[J]. International Journal of Climatology, 2012, 32(12): 1921-1934.

[30]	Chen D, Guo J, Yao D, et al. Mesoscale convective systems in the Asian monsoon region from advanced himawari imager: algorithms and preliminary results[J]. Journal of Geophysical Research: Atmospheres, 2019, 124(4): 2210-2234.

[31]	赵文化, 单海滨. 基于红外窗区与水汽通道对流云团识别方法研究[J]. 气象, 2018, 44(6): 814-824.

[32]	Zhao Wenhua, Shan Haibin. Study of convective cloud identification based on H₂O/IRW observation[J]. Meteorological Monthly, 2018, 44(6): 814-824.

[33]	宋冬昊, 王文明, 王敏仲, 等. 基于轻量级梯度提升机对毫米波雷达云回波数据分类[J]. 科学技术与工程, 2025, 25(17): 7072-7079.

[34]	Song Donghao, Wang Wenming, Wang Minzhong, et al. Classification of millimeter-wave radar cloud echo data based on lightweight gradient boosting machine[J]. Science Technology and Engineering, 2025, 25(17): 7072-7079.

[35]	Maddox R A. Mesoscale convective complexes[J]. Bulletin of the American Meteorological Society, 1980, 61: 1374-1387.

[36]	白洁, 王洪庆, 陶祖钰. GMS卫星红外云图强对流云团的识别与追踪[J]. 热带气象学报, 1997, 3(2): 192-201.

[37]	Bai Jie, Wang Hongqing, Tao Zuyu. The recognition and tracking of severe convective cloud from ir images of GMS[J]. Journal of Tropical Meteorology, 1997, 3(2): 192-201.

[38]	Steiner M, Houze Jr R A, Yuter S E. Climatological characterization of three-dimensional storm structure from operational radar and rain gauge data[J]. Journal of Applied Meteorology and Climatology, 1995, 34(9): 1978-2007.

[39]	Biggerstaff M I, Listemaa S A. An improved scheme for convective/stratiform echo classification using radar reflectivity[J]. Journal of Applied Meteorology, 2000, 39(12): 2129-2150.

[40]	Hinton G E, Osindero S, Teh Y W. A fast learning algorithm for deep belief nets[J]. Neural Computation, 2006, 18(7): 1527-1554.

[41]	郑益勤, 杨晓峰, 李紫薇. 深度学习模型识别静止卫星图像海上强对流云团[J]. 遥感学报, 2020, 24(1): 97-106.

[42]	Zheng Yiqin, Yang Xiaofeng, Li Ziwei. Detection of severe convective cloud over sea surface from geostationary meteorological satellite images based on deep learning[J]. Journal of Remote Sensing, 2020, 24(1): 97-106.

[43]	周康辉, 郑永光, 韩雷, 等. 机器学习在强对流监测预报中的应用进展[J]. 气象, 2021, 47(3): 274-289.

[44]	Zhou Kanghui, Zheng Yongguang, Han Lei, et al. Advances in application of machine learning to severe convective weather monitoring and forecasting[J]. Meteorological Monthly, 2021, 47(3): 274-289.

[45]	刘冬霞, 郄秀书, 王志超, 等. 飑线系统中的闪电辐射源分布特征及云内电荷结构讨论[J]. 物理学报, 2013, 62(21): 526-534.

[46]	Liu Dongxia, Qie Xiushu, Wang Zhichao, et al. Characteristics of lightning radiation source distribution and charge structure of squall line[J]. Acta Physica Sinica, 2013, 62(21): 526-534.

[47]	林小红, 张文娟, 范能柱, 等. FY-4A LMI观测的利奇马(2019)台前飑线闪电活动及其与对流演变的关系[J]. 遥感技术与应用, 2021, 36(4): 873-886.

[48]	Lin Xiaohong, Zhang Wenjuan, Fan Nengzhu, et al. Lightning activity in the pre-TC squall line of typhoon Lekima (2019) observed by FY-4A LMI and its relationship with convective evolution[J]. Remote Sensing Technology and Application, 2021, 36(4): 873-886.

[49]	刘恒毅, 董万胜, 徐良韬, 等. 闪电起始过程时空特征的宽带干涉仪三维观测[J]. 应用气象学报, 2016, 27(1): 16-24.

[50]	Liu Hengyi, Dong Wansheng, Xu Liangtao, et al. 3D spatial-temporal characteristics of initial breakdown process in lightning observed by broadband interferometer[J]. Journal of Applied Meteorological Science, 2016, 27(1): 16-24.

[51]	郑栋, 张义军, 孟青, 等. 北京地区雷暴过程闪电与地面降水的相关关系[J]. 应用气象学报, 2010, 21(3): 287-297.

[52]	Zheng Dong, Zhang Yijun, Meng Qing, et al. Relationship between lightning activities and surface precipitation in thunderstorm weather in Beijing[J]. Journal of Applied Meteorological Science, 2010, 21(3): 287-297.

[53]	Stolzenburg M, Rust W D, Smull B F, et al. Electrical structure in thunderstorm convective regions: 1. mesoscale convective systems[J]. Journal of Geophysical Research: Atmospheres, 1998, 103(D12): 14059-14078.

[54]	Fierro A O, Mansell E R, MacGorman D R, et al. The implementation of an explicit charging and discharge lightning scheme within the WRF-ARW model: benchmark simulations of a continental squall line, a tropical cyclone, and a winter storm[J]. Monthly Weather Review, 2013, 141(7): 2390-2415.

[55]	孙凌, 郄秀书, Edward R. Mansell, 等. 雷暴云内电场力对起电和电荷结构的反馈作用[J]. 物理学报, 2018, 67(16): 378-389.

[56]	Sun Ling, Qie Xiushu, Edward R. Mansell, et al. Feedback effect of electric field force on electrification and charge structure in thunderstorm[J]. Acta Physica Sinica, 2018, 67(16): 378-389.

[57]	Srivastava A, Kundu S S, Pawar S D, et al. Evaluation of WRF-ELEC model to forecast lightning over the North Eastern region of India[J]. Meteorology and Atmospheric Physics, 2023, 135(4): 39.

[58]	葛苏鞍, 李阳, 杨仕轩, 等. WRF模式中参数化方案对新疆北部不同地形地区风场模拟的影响[J]. 科学技术与工程, 2024, 24(31): 13277-13287.

[59]	Ge Suan, Li Yang, Yang Shixuan, et al. Effects of WRF parameterization schemes on wind field simulation in different terrain areas in Northern Xinjiang[J]. Science Technology and Engineering, 2024, 24(31): 13277-13287.

[60]	Mansell E R, Ziegler C L, Bruning E C. Simulated electrification of a small thunderstorm with two-moment bulk microphysics[J]. Journal of the Atmospheric Sciences, 2010, 67(1): 171-194.

[61]	Saunders C P R, Keith W D, Mitzeva R P. The effect of liquid water on thunderstorm charging[J]. Journal of Geophysical Research: Atmospheres, 1991, 96(D6): 11007-11017.

[62]	Ziegler C L, MacGorman D R, Dye J E, et al. A model evaluation of noninductive graupel-ice charging in the early electrification of a mountain thunderstorm[J]. Journal of Geophysical Research: Atmospheres, 1991, 96(D7): 12833-12855.

[63]	Ester M, Kriegel H P, Sander J, et al. A density-based algorithm for discovering clusters in large spatial databases with noise[C]// Proceedings of the 2nd International Conference on Knowledge Discovery and Data Mining (KDD-96). Washington: AAAI, 1996: 226-231.

[64]	Hutchins M L, Holzworth R H, Brundell J B. Diurnal variation of the global electric circuit from clustered thunderstorms[J]. Journal of Geophysical Research: Space Physics, 2014, 119(1): 620-629.

[65]	Marshall T C, Rust W D, Stolzenburg M. Electrical structure and updraft speeds in thunderstorms over the southern Great Plains[J]. Journal of Geophysical Research: Atmospheres, 1995, 100(D1): 1001-1015.

[66]	Bruning E C, MacGorman D R. Theory and observations of controls on lightning flash size spectra[J]. Journal of the Atmospheric Sciences, 2013, 70(12): 4012-4029.

[67]	Takahashi T. Riming electrification as a charge generation mechanism in thunderstorms[J]. Journal of Atmospheric Sciences, 1978, 35(8): 1536-1548.

[68]	Jayaratne E R, Saunders C P R. Charge on ice crystals in laboratory clouds[J]. Journal of Geophysical Research: Oceans, 1983, 88(C9): 5494-5496.

[69]	Townsend J T. Theoretical analysis of an alphabetic confusion matrix[J]. Perception & Psychophysics, 1971, 9(1): 40-50.

[70]	张杨. 利用葵花8卫星反演降水云云顶高度的方法研究[D]. 德阳: 中国民用航空飞行学院, 2023.

[71]	Zhang Yang. Method of cloud top height inversion of precipitation using Himawairi-8[D]. Deyang: Civil Aviation Flight University of China, 2023.

[72]	俞小鼎, 郑永光. 中国当代强对流天气研究与业务进展[J]. 气象学报, 2020, 78(3): 391-418.

[73]	Yu Xiaoding, Zheng Yongguang. Advances in severe convective weather research and operational service in China[J]. Acta Meteorologica Sinica, 2020, 78(3): 391-418.

[74]	李扬. 基于深度学习的强对流临近预报方法研究[D]. 南京: 南京信息工程大学, 2023.

[75]	Li Yang. Using deep learning for severe convective nowcasting[D]. Nanjing: Nanjing University of Information Science and Technology, 2023.

[76]	郑永光, 陈炯, 朱佩君. 中国及周边地区夏季中尺度对流系统分布及其日变化特征[J]. 科学通报, 2008, 53(10): 1574-1586.

[77]	Zheng Yongguang, Chen Jong, Zhu Peijun. Climatological distribution and diurnal variation of mesoscale convective systems over China and its vicinity during summer[J]. Chinese Science Bulletin, 2008, 53(10): 1574-1586.

[78]	Velasco I, Fritsch J M. Mesoscale convective complexes in the Americas[J]. Journal of Geophysical Research: Atmospheres, 1987, 92(D8): 9591-9613.

[79]	Fu R, Del Genio A D, Rossow W B. Behavior of deep convective clouds in the tropical Pacific deduced from ISCCP radiances[J]. Journal of Climate, 1990, 3(10): 1129-1152.

[80]	Zhang W, Zhang Y, Zheng D, et al. Lightning distribution and eyewall outbreaks in tropical cyclones during landfall[J]. Monthly Weather Review, 2012, 140(11): 3573-3586.

[81]	张腾飞, 尹丽云, 张杰, 等. 云南两次中尺度对流雷暴系统演变和地闪特征[J]. 应用气象学报, 2013, 24(2): 207-218.

[82]	Zhang Tengfei, Yin Liyun, Zhang Jie. Evolutions and cloud-toground lightning features of two mesoscale convective thunder storm systems in Yunnan[J]. Quarterly Journal of Applied Meteorological Science, 2013, 24(2): 207-218.