本文由郑黎明、耿阳李敖、姚雯、郑栋、周心源、吕伟涛和李清勇共同撰写，发表于《郑州大学学报(理学版)》2022年第54卷第3期。研究团队主要来自北京交通大学交通数据分析与挖掘北京重点实验室和中国气象科学研究院灾害天气国家重点实验室。该研究提出了一种基于主从时空预测网络（Master-Slave Spatiotemporal Prediction Network, MSTNet）的闪电临近预警方法，旨在通过深度学习技术提高闪电预警的准确性和时效性。

学术背景

闪电是一种强烈的放电现象，常伴随雷暴天气，对人类生命财产安全构成严重威胁。传统的闪电预警方法多依赖于外推法，如单体质心法和交叉相关法，但这些方法在雷暴活动不稳定时性能会显著下降。近年来，随着数据驱动方法的兴起，研究者开始利用机器学习模型进行闪电预警。然而，现有方法大多仅使用单一数据源（如闪电观测数据或雷达回波数据），未能充分利用多源数据的互补优势。因此，本文提出了一种基于双源数据（闪电观测与雷达回波）的深度学习模型MSTNet，旨在通过挖掘两种数据的时空规律，实现对闪电的精准临近预警。

研究流程

MSTNet模型的核心思想是通过主从时空预测网络分别处理闪电观测数据和雷达回波数据，并通过融合模块将两种数据的特征进行互补，最终实现对闪电是否出现及其强度的预测。具体流程如下：

1. 数据输入与预处理：模型的输入包括历史闪电观测数据和雷达回波数据。闪电数据为二维时空序列，表示每个时间步长内闪电的发生次数；雷达数据为三维时空序列，表示每个时间步长内雷达回波的强度。数据经过网格化处理，空间分辨率为2 km × 2 km，时间分辨率为12分钟。

2. 主从时空预测网络：

   • 从时空预测网络（雷达数据编解码模块）：该模块使用3D-ConvLSTM（三维卷积长短期记忆网络）对雷达数据进行时空特征提取，预测未来雷达回波的变化趋势。雷达数据的稳定性和连续性使其成为辅助闪电预测的重要信息来源。
   • 主时空预测网络（闪电编码模块）：该模块使用2D-ConvLSTM对闪电观测数据进行时空特征提取，挖掘闪电的时空变化规律。闪电数据虽然具有随机性和离散性，但其与未来闪电的强时序关系为预测提供了直接依据。
   • 融合解码模块：该模块将雷达预测特征与闪电特征进行融合，通过多层2D-ConvLSTM生成未来闪电的预测结果。融合模块的设计使得模型能够充分利用两种数据的互补信息，提高预测精度。

3. 损失函数与训练策略：模型的损失函数由两部分组成，分别针对雷达数据和闪电数据的预测误差。雷达部分的损失采用均方误差（MSE），闪电部分的损失则采用正样本加权的均方误差（PMSE）。模型采用两阶段训练策略，首先通过较大的权重训练雷达编解码模块，随后调整权重，专注于闪电预测模块的训练。

主要结果

实验结果表明，MSTNet在多个评估指标上均优于现有的主流时空序列预测模型（如ConvLSTM、PredRNN、StepDeep等）。具体而言，MSTNet在TS评分、ETS评分、命中率（POD）和正样本均方误差（PMSE）等指标上均取得了最优结果。尽管MSTNet的虚警率（FAR）略高于部分对比模型，但其命中率的显著提升表明该模型在闪电预警任务中具有更高的实用价值。

结论与意义

本文提出的MSTNet模型通过主从时空预测网络的设计，成功实现了对闪电的精准临近预警。该模型不仅能够预测闪电是否出现，还能预测其强度，具有较高的科学价值和实际应用价值。实验结果表明，MSTNet在华南地区的真实数据集上表现优异，显著优于现有的主流方法。未来，研究团队计划从模型结构优化、雷达数据补全和工程化部署等方面进一步改进该模型，以提升其在更长时段的预警性能，并将其应用于中国气象科学研究院的雷暴灾害预警系统中，为社会提供更高效的闪电预警服务。

研究亮点

1. 双源数据融合：MSTNet首次将闪电观测数据与雷达回波数据相结合，通过主从时空预测网络的设计，充分挖掘了两种数据的互补优势，显著提升了闪电预警的准确性。
2. 端到端模型：MSTNet是一个端到端的深度学习模型，能够同时预测闪电是否出现及其强度，具有较高的实用价值。
3. 两阶段训练策略：模型采用两阶段训练策略，先通过雷达数据训练模型，再专注于闪电预测，有效提升了模型的整体性能。
4. 实验验证：在华南地区的真实数据集上，MSTNet在多个评估指标上均优于现有的主流方法，证明了其在闪电临近预警任务中的优越性。

未来展望

未来，研究团队计划从以下几个方面进一步优化MSTNet模型：一是改进模型结构和损失函数，以提升其在较长时段的预警性能；二是借鉴图像修复技术，对低海拔和缺失帧的雷达回波数据进行补全；三是将模型工程化并部署到实际的气象预警系统中，为社会提供更高效的闪电预警服务。