鹤壁地区雷电分布特征及预测研究

2024-02-19王瑞阳

农业灾害研究 2024年11期

摘要：利用鹤壁国家综合气象观测专项试验外场提供的观测资料和“天擎”气象大数据云平台中的雷电资料等，运用Python等编程工具对鹤壁地区雷电分布特征进行了分析。结果显示：鹤壁地区所发生的闪击主要分布在7—8月，占闪电总数的61.1%；闪击主要分布于04：00～15：00，占总闪电次数的75.4%；由西北方向进入的雷暴最多，占全部方位机率的39.5%；鹤壁地区西部和北部地闪密度值最高，分别为2.8次/（km2·年）和3.1次/（km2·年）；鹤壁地区平均雷电流强度为约为110 kA，大部分雷电流分布在150 kA以下；采用神经网络算法对雷电活动进行预测，通过模型分析，预测准确率65%，效果良好。

关键词：雷电；鹤壁地区；特征分析；神经网络算法

中图分类号：P429 文献标志码：B 文章编号：2095–3305（2024）11–0-03

雷电是大气中的一种自然放电现象，由带电荷的云—云、云—地、云内瞬时强大放电电流所产生，常常对地面建（构）筑物或其他设施造成影响，甚至造成人员伤亡事故。雷击主要有两种形式，即直接雷击和雷电感应。直接雷击是指雷电直接击在物体上，产生电效应、热效应和机械力，造成物体熔化、断裂破碎；雷电感应指雷闪放电的强大电磁场作用，电力设备、电子设备等产生过电压，从而容易引起电击、火灾、爆炸，进而危及人身安全[1]。随着全球气候变化加剧，极端天气事件频发，严重影响社会经济发展。

国际有关组织将雷电灾害列入“最严重的10种自然灾害之一”，很多研究人员开展了大量研究工作，取得了不少的研究成果[2]。王娟等[3]利用全国闪电定位数据对我国闪电的时空分布特征进行了统计分析；王学良等[4]、丁旻等[5]、王欣眉等[6]分别利用雷电定位数据对当地的闪电活动规律进行了研究。本研究主要利用鹤壁国家综合气象观测专项试验外场提供的观测资料和“天擎”气象大数据云平台中的雷电资料等，对河南省鹤壁市雷电时空分布特征进行分析，探讨鹤壁地区雷电活动月变化、日变化、雷电流强度分布、闪电位置分布等规律，并利用神经网络算法预测雷电活动。

1 雷电活动预测的原理

采用神经网络算法对雷电数据进行训练，进而预测雷电活动。神经网络算法是一种受到生物神经元网络启发的人工智能算法，用于模拟人脑的学习和推理过程。它通过多个神经元之间的连接和权重处理输入数据，并根据训练数据进行调整和优化[7-8]。

在神经网络算法中，最常见的是前馈神经网络（Feedforward Neural Network），它由输入层、隐藏层和输出层组成。每个层都由多个人工神经元构成，其中每个神经元与上一层的所有神经元连接，并具有权重。每个神经元都通过激活函数对输入进行加权处理，并将结果传递给下一层的神经元。

训练神经网络算法通常需要两个关键步骤：前向传播和反向传播。（1）前向传播：在前向传播中，输入数据通过网络的每一层，从输入层传递至输出层。每个神经元的输入与权重相乘并经过激活函数处理得到输出。此过程从输入层一直进行到输出层，生成网络的预测结果。（2）反向传播：在反向传播中，通过比较预测结果与实际标签，计算出网络的误差。然后根据误差反向传播计算每个权重的梯度，并使用梯度下降算法更新网络中的权重。这个反复迭代的过程使得神经网络逐渐减小误差并提升预测的准确性[9-10]。

使用神经网络算法分析气象数据进行预测具有以下优势：（1）非线性建模能力：神经网络是一种强大的非线性建模工具，可以捕捉到气象数据中的复杂非线性关系。这使得神经网络能够更好地预测气象数据，如温度、湿度等。（2）适应性强：神经网络算法可以自动学习和适应不同的气象数据模式和变化。它能够根据不同的气象条件和环境变化，自动调整其内部参数和权重，以提升预测的准确性和稳定性。（3）多变量处理能力：气象数据通常包含多个变量，如温度、经纬度等。神经网络可以同时处理多个变量，并将它们的关系纳入预测模型，从而提升预测的准确性。

2 雷电时空特征分析

利用Python编程软件处理数据，Python在数据可视化方面优势突出。它生成的图表可以在数字设备上显示且可以根据设备尺寸自动调整大小，同时还具备众多交互特性。当点击图片所示位置时，右下角自动显示经纬度信息等。这种交互性对于雷电位置特征分析，以及雷电灾害调查与鉴定具有极大作用。同时，可以根据实际需要，通过右上角的调节方框，实时调整图片位置信息等。

2.1 资料来源

通过“天擎”气象大数据云平台获取闪电定位数据，数据内容主要包括：时间、经度、纬度、雷电流强度、定位方式等。由于“天擎”气象大数据云平台从2020年开始启用，之前的数据无法获取，因此本研究采用近三年的数据。

2.2 月变化特征

利用闪电定位数据统计2020—2022年鹤壁地区各月出现的总闪次数平均值，统计数据显示，正闪很少，本研究不区分正负闪。

由闪电月变化规律（图1）可知，鹤壁市所发生的闪击主要分布在7—8月，占闪电总数的61.1%。其中7月最多，为751次，占闪电总数的35.7%。8月次之，为536次，占闪电总数的25.4%。雷电主要出现在盛夏季节，春季次之，冬季雷电活动较少。主要原因是7、8月强对流天气较多，秋、冬季强对流天气少，雷电活动减少。10月，雷电活动相对减少，但雷电发生次数仍然较多，危害强度并不小，为460次，占闪电总数的21.8%。主要原因是秋季转冷，冷暖空气交会处，部分云带正电荷，部分云带负电荷，正负云碰撞，产生雷电。因此，相关部门需要重视秋季的防雷工作。

2.3 雷暴移动传播方向分析

地面测站雷暴路径资料分析可体现鹤壁地区的雷暴发展趋势，为提高区域雷电灾害防范能力提供重要参考依据。由于资料限制，仅对2004—2011年的雷暴移动路径进行统计，得到雷暴路径统计图（图2）。

由图2可以看出，从西北方向进入的雷暴最多，占全部方位机率的39.5%。其次是西南方向，占比14.3%。因此，在进行区域雷电防护时，相关单位应特别注意该方向的接闪器设置等。建设单位尽量不要在雷暴主路径上建设对雷电敏感度高的建（构）筑物或易燃易爆场所等。

2.4 地电密度分布

地闪密度是指在每平方千米、每年地面落雷的次数，是表征雷云对地放电的频繁程度的量，也是估算建筑物年预计雷击次数时重要的参数。用Ng表示，单位为：次/（km2·年）。根据闪电数据得到鹤壁地区地闪密度分布如图3。

由图3可知，鹤壁地区西部和北部地闪密度值最高，分别为2.8次/（km2·年）、3.1次/（km2·年）；西北部和东北部次之，分别为1.2次/（km2·年）和0.9次/（km2·年）；南部和东南部地闪密度值最低分别为0.2次/（km2·年）和0.3次/（km2·年）。

2.5 雷电流强度分布

鹤壁市雷电流分布见图4。雷电流分析不区分正负，负数直接取绝对值处理。如图4所示，鹤壁地区平均雷电流强度为约为110 kA，大部分雷电流分布在150 kA以下。西北、东北、南部雷电流强度最大，约为291 kA。西部雷电流最小约为40 kA。

3 雷电活动预测

神经网络理论模型的预测效果可以在多种情况下达到非常高的水平，具体程度取决于多个因素。例如，数据质量：高质量、充足的数据通常能显著改善模型的表现。模型架构：选择适当的网络结构（如卷积神经网络、递归神经网络等）对特定任务影响巨大。超参数调优：学习率、批量大小和正则化等超参数的调优可以显著增强模型性能。训练时间：充足的训练时间可以帮助模型更好地拟合数据。应用领域：在图像识别、自然语言处理和时间序列预测等领域，神经网络已展示出超人类的性能[11]。

图4 "雷电流分布

在某些任务中，模型的准确率可能超过90%，甚至在一些特定应用中达到95%及以上。对于一些复杂的任务，如复杂图像生成或高级语义理解，可能需要更复杂的模型和更长的训练时间。

神经网络理论模型的效果在理想条件下十分出色，但需结合具体应用和环境来评估。根据雷电定位数据，运用神经网络算法，构建预测模型，得到如下结果（图5）。空心圆表示预测值，实心圆表示真实值，预测整体趋势一致。采用的雷电数据，按照4∶1比例训练数据，训练集占比0.8，测试集占比0.2。

在具体迭代计算过程中，损失变化见图6。实线表示训练集损失量变化，虚线表示验证集损失量变化，两者趋势一致，回合数epochs＞100时，损失趋于稳定，最后稳定在0.03左右。经计算预测准确率65%，效果良好。

4 结论

运用神经网络算法预测雷电活动效果较好，预测准确率65%。后期可适当增加数据量，进一步改进算法，优化预测模型，进一步提高预测准确率。

（2）鹤壁地区所发生的闪击主要分布在7—8月，占闪电总数的61.1%；由西北方向进入的雷暴最多，占全部方位机率的39.5%；鹤壁地区西部和北部地闪密度值最高，分别为2.8次/（km2·年）和3.1次/（km2·年）；鹤壁地区平均雷电流强度为约为110 kA，大部分雷电流分布在150 kA以下。

参考文献

[1] 许小峰.雷电灾害与监测预报[J].气象，2004（12）：17-21.

[2] 顾东彦.保定雷电分布特征及短时预警研究[D].南京：南京信息工程大学，2013.

[3] 王娟，谌芸.2009—2012年中国闪电分布特征分析[J].气象，2015，41（2）：160-170.

[4] 王学良，余田野，贺姗.湖泊与陆地雷电参数分布特征及其对比分析[J].气象与环境学报，2019，35（6）：132-138.