[发明专利]一种基于大气电场数据的雷电强度值预测方法

摘要

一种基于大气电场数据的雷电强度值预测方法应用于雷电预警领域。本发明提出了一种通过提取大气电场数据的深度特征，将原始一维大气电场数据转化为二维图像表达并挖掘图像的深度特征信息，结合非线性回归分析法，建立大气电场数据和雷电强度值的关系模型，对雷电强度值进行预测。本发明使用了多种探测资料来进行雷电预警，即大气电场数据和雷电数据。采用维度转化的方式，将一维大气电场数据转化为二维图像表达，增强大气电场数据结构表达。利用深度模型提取到大气电场数据的深度特征信息。利用大气电场资料来预测雷电强度值，填补了其他预测方法中对大气电场资料利用较少，和对雷暴强度值预测的空白。

主权项

一种基于大气电场数据的雷电强度值预测方法，其特征在于，包括以下步骤：1)、大气电场数据维度转化利用RGB颜色表数据映射关系，实现原始一维大气数据向二维图像转化，使多台仪器数据融合，完备整个地区的大气电场表达；2)、深度学习模型建立该部分包括深度学习分类模型的分类标签自动化标注，和深度学习分类模型结构组成；采用深度学习模型Alexnet建立分类模型，提取到大气电场数据的深度特征；具体预处理操作如下：(1)生成groundtruth；原始数据来自大气电场仪和闪电定位仪，其中groundtruth为分类标签，需要对闪电定位仪采集到的雷暴数据进行类别划分，分为2类，表示“有雷电”和“无雷电”的两种情况，则标签的数值取1和0；(2)设计深度学习分类模型结构结构如下：a.网络组成为5个卷积层，3个全连接层；输入数据格式为LMDB，最后一个全连接层的输出送入一个softmax层，得到分类标签的分布；b.层1、2、5中加入了Pooling层；层6和层7中加入了Dropout层，减少过拟合；c.第8层的Softmax中神经元个数设置为2，针对二分类任务，分别表示“有雷”和“无雷”；d.基于Alexnet的初始参数进行训练3)、深度模型训练设置网络输入分别是大气电场数据RGB图和标签为2类的雷电数据标签，一一对应；将其分为训练集、验证集和测试集，将网络最后一层输出的神经元个数设置为2，在此模型基础上进行参数调优得到二分类的分类网络模型；4)、深度特征提取将输入的大气电场数据测试集转化为BMP图像数据集，需要BMP图像该数据集的Mean值文件，和二分类的分类网络模型,读取模型的各层输出，得到深度特征；5)、雷暴强度值回归标签化对原始雷电记录数据的每一分钟内雷电强度值设置条件，以绝对值最大的数据为准，将该位置的强度值作为该时间段的浮点回归标签；6)、回归分析预测得到基于大气电场数据的雷电强度值。