鶴壁地區雷電分布特征及預測研究

摘 要：利用鶴壁國家綜合氣象觀測專項試驗外場提供的觀測資料和“天擎”氣象大數據云平臺中的雷電資料等，運用Python等編程工具對鶴壁地區雷電分布特征進行了分析。結果顯示：鶴壁地區所發生的閃擊主要分布在7—8月，占閃電總數的61.1%；閃擊主要分布于04：00～15：00，占總閃電次數的75.4%；由西北方向進入的雷暴最多，占全部方位機率的39.5%；鶴壁地區西部和北部地閃密度值最高，分別為2.8次/（km2·年）和3.1次/（km2·年）；鶴壁地區平均雷電流強度為約為110 kA，大部分雷電流分布在150 kA以下；采用神經網絡算法對雷電活動進行預測，通過模型分析，預測準確率65%，效果良好。

關鍵詞：雷電；鶴壁地區；特征分析；神經網絡算法

中圖分類號：P429 文獻標志碼：B 文章編號：2095–3305（2024）11–0-03

雷電是大氣中的一種自然放電現象，由帶電荷的云—云、云—地、云內瞬時強大放電電流所產生，常常對地面建（構）筑物或其他設施造成影響，甚至造成人員傷亡事故。雷擊主要有兩種形式，即直接雷擊和雷電感應。直接雷擊是指雷電直接擊在物體上，產生電效應、熱效應和機械力，造成物體熔化、斷裂破碎；雷電感應指雷閃放電的強大電磁場作用，電力設備、電子設備等產生過電壓，從而容易引起電擊、火災、爆炸，進而危及人身安全[1]。隨著全球氣候變化加劇，極端天氣事件頻發，嚴重影響社會經濟發展。

國際有關組織將雷電災害列入“最嚴重的10種自然災害之一”，很多研究人員開展了大量研究工作，取得了不少的研究成果[2]。王娟等[3]利用全國閃電定位數據對我國閃電的時空分布特征進行了統計分析；王學良等[4]、丁旻等[5]、王欣眉等[6]分別利用雷電定位數據對當地的閃電活動規律進行了研究。本研究主要利用鶴壁國家綜合氣象觀測專項試驗外場提供的觀測資料和“天擎”氣象大數據云平臺中的雷電資料等，對河南省鶴壁市雷電時空分布特征進行分析，探討鶴壁地區雷電活動月變化、日變化、雷電流強度分布、閃電位置分布等規律，并利用神經網絡算法預測雷電活動。

1 雷電活動預測的原理

采用神經網絡算法對雷電數據進行訓練，進而預測雷電活動。神經網絡算法是一種受到生物神經元網絡啟發的人工智能算法，用于模擬人腦的學習和推理過程。它通過多個神經元之間的連接和權重處理輸入數據，并根據訓練數據進行調整和優化[7-8]。

在神經網絡算法中，最常見的是前饋神經網絡（Feedforward Neural Network），它由輸入層、隱藏層和輸出層組成。每個層都由多個人工神經元構成，其中每個神經元與上一層的所有神經元連接，并具有權重。每個神經元都通過激活函數對輸入進行加權處理，并將結果傳遞給下一層的神經元。

訓練神經網絡算法通常需要兩個關鍵步驟：前向傳播和反向傳播。（1）前向傳播：在前向傳播中，輸入數據通過網絡的每一層，從輸入層傳遞至輸出層。每個神經元的輸入與權重相乘并經過激活函數處理得到輸出。此過程從輸入層一直進行到輸出層，生成網絡的預測結果。（2）反向傳播：在反向傳播中，通過比較預測結果與實際標簽，計算出網絡的誤差。然后根據誤差反向傳播計算每個權重的梯度，并使用梯度下降算法更新網絡中的權重。這個反復迭代的過程使得神經網絡逐漸減小誤差并提升預測的準確性[9-10]。

使用神經網絡算法分析氣象數據進行預測具有以下優勢：（1）非線性建模能力：神經網絡是一種強大的非線性建模工具，可以捕捉到氣象數據中的復雜非線性關系。這使得神經網絡能夠更好地預測氣象數據，如溫度、濕度等。（2）適應性強：神經網絡算法可以自動學習和適應不同的氣象數據模式和變化。它能夠根據不同的氣象條件和環境變化，自動調整其內部參數和權重，以提升預測的準確性和穩定性。（3）多變量處理能力：氣象數據通常包含多個變量，如溫度、經緯度等。神經網絡可以同時處理多個變量，并將它們的關系納入預測模型，從而提升預測的準確性。

2 雷電時空特征分析

利用Python編程軟件處理數據，Python在數據可視化方面優勢突出。它生成的圖表可以在數字設備上顯示且可以根據設備尺寸自動調整大小，同時還具備眾多交互特性。當點擊圖片所示位置時，右下角自動顯示經緯度信息等。這種交互性對于雷電位置特征分析，以及雷電災害調查與鑒定具有極大作用。同時，可以根據實際需要，通過右上角的調節方框，實時調整圖片位置信息等。

2.1 資料來源

通過“天擎”氣象大數據云平臺獲取閃電定位數據，數據內容主要包括：時間、經度、緯度、雷電流強度、定位方式等。由于“天擎”氣象大數據云平臺從2020年開始啟用，之前的數據無法獲取，因此本研究采用近三年的數據。

2.2 月變化特征

利用閃電定位數據統計2020—2022年鶴壁地區各月出現的總閃次數平均值，統計數據顯示，正閃很少，本研究不區分正負閃。

由閃電月變化規律（圖1）可知，鶴壁市所發生的閃擊主要分布在7—8月，占閃電總數的61.1%。其中7月最多，為751次，占閃電總數的35.7%。8月次之，為536次，占閃電總數的25.4%。雷電主要出現在盛夏季節，春季次之，冬季雷電活動較少。主要原因是7、8月強對流天氣較多，秋、冬季強對流天氣少，雷電活動減少。10月，雷電活動相對減少，但雷電發生次數仍然較多，危害強度并不小，為460次，占閃電總數的21.8%。主要原因是秋季轉冷，冷暖空氣交會處，部分云帶正電荷，部分云帶負電荷，正負云碰撞，產生雷電。因此，相關部門需要重視秋季的防雷工作。

2.3 雷暴移動傳播方向分析

地面測站雷暴路徑資料分析可體現鶴壁地區的雷暴發展趨勢，為提高區域雷電災害防范能力提供重要參考依據。由于資料限制，僅對2004—2011年的雷暴移動路徑進行統計，得到雷暴路徑統計圖（圖2）。

由圖2可以看出，從西北方向進入的雷暴最多，占全部方位機率的39.5%。其次是西南方向，占比14.3%。因此，在進行區域雷電防護時，相關單位應特別注意該方向的接閃器設置等。建設單位盡量不要在雷暴主路徑上建設對雷電敏感度高的建（構）筑物或易燃易爆場所等。

2.4 地電密度分布

地閃密度是指在每平方千米、每年地面落雷的次數，是表征雷云對地放電的頻繁程度的量，也是估算建筑物年預計雷擊次數時重要的參數。用Ng表示，單位為：次/（km2·年）。根據閃電數據得到鶴壁地區地閃密度分布如圖3。

由圖3可知，鶴壁地區西部和北部地閃密度值最高，分別為2.8次/（km2·年）、3.1次/（km2·年）；西北部和東北部次之，分別為1.2次/（km2·年）和0.9次/（km2·年）；南部和東南部地閃密度值最低分別為0.2次/（km2·年）和0.3次/（km2·年）。

2.5 雷電流強度分布

鶴壁市雷電流分布見圖4。雷電流分析不區分正負，負數直接取絕對值處理。如圖4所示，鶴壁地區平均雷電流強度為約為110 kA，大部分雷電流分布在150 kA以下。西北、東北、南部雷電流強度最大，約為291 kA。西部雷電流最小約為40 kA。

3 雷電活動預測

神經網絡理論模型的預測效果可以在多種情況下達到非常高的水平，具體程度取決于多個因素。例如，數據質量：高質量、充足的數據通常能顯著改善模型的表現。模型架構：選擇適當的網絡結構（如卷積神經網絡、遞歸神經網絡等）對特定任務影響巨大。超參數調優：學習率、批量大小和正則化等超參數的調優可以顯著增強模型性能。訓練時間：充足的訓練時間可以幫助模型更好地擬合數據。應用領域：在圖像識別、自然語言處理和時間序列預測等領域，神經網絡已展示出超人類的性能[11]。

圖4 "雷電流分布

在某些任務中，模型的準確率可能超過90%，甚至在一些特定應用中達到95%及以上。對于一些復雜的任務，如復雜圖像生成或高級語義理解，可能需要更復雜的模型和更長的訓練時間。

神經網絡理論模型的效果在理想條件下十分出色，但需結合具體應用和環境來評估。根據雷電定位數據，運用神經網絡算法，構建預測模型，得到如下結果（圖5）。空心圓表示預測值，實心圓表示真實值，預測整體趨勢一致。采用的雷電數據，按照4∶1比例訓練數據，訓練集占比0.8，測試集占比0.2。

在具體迭代計算過程中，損失變化見圖6。實線表示訓練集損失量變化，虛線表示驗證集損失量變化，兩者趨勢一致，回合數epochs＞100時，損失趨于穩定，最后穩定在0.03左右。經計算預測準確率65%，效果良好。

4 結論

運用神經網絡算法預測雷電活動效果較好，預測準確率65%。后期可適當增加數據量，進一步改進算法，優化預測模型，進一步提高預測準確率。

（2）鶴壁地區所發生的閃擊主要分布在7—8月，占閃電總數的61.1%；由西北方向進入的雷暴最多，占全部方位機率的39.5%；鶴壁地區西部和北部地閃密度值最高，分別為2.8次/（km2·年）和3.1次/（km2·年）；鶴壁地區平均雷電流強度為約為110 kA，大部分雷電流分布在150 kA以下。

參考文獻

[1] 許小峰.雷電災害與監測預報[J].氣象，2004（12）：17-21.

[2] 顧東彥.保定雷電分布特征及短時預警研究[D].南京：南京信息工程大學，2013.

[3] 王娟，諶蕓.2009—2012年中國閃電分布特征分析[J].氣象，2015，41（2）：160-170.

[4] 王學良，余田野，賀姍.湖泊與陸地雷電參數分布特征及其對比分析[J].氣象與環境學報，2019，35（6）：132-138.

[5] 丁旻，陳春，張建軍.貴州省近10年地閃分布特征分析[J].中國農業資源與區劃，2020，41（1）：166-172.

[6] 王欣眉，宋琳，王新功，等.1971—2008年青島地區雷電時空分布特征[J].氣象與環境學報，2011，27（4）：39-43.

[7] 蔡永祥，羅少輝，唐文婷，等.1995—2020年青海省雷電災害時空分布及其災害特征分析[J].災害學，2022，37（1）：92-95，119.

[8] 曲學斌，王彥平，楊淑香，等.2014—2018年內蒙古大興安嶺地區干雷電時空分布特征[J].氣象與環境學報，2021，37 （1）：53-58.

[9] 呂東波，林偉楠，田寶星，等.哈爾濱地區雷電日數的演變特征[J].中國農學通報，2019，35（23）：110-115.

[10] 錢勇，譚僑，焦陽，等.2013-2016年新疆地區閃電活動時空特征分析[J].成都信息工程大學學報，2018，33（1）：62-67.

[11] 劉克中，謝長富，武天明.遼寧省雷電時空分布特征分析系統研究及應用[J].現代農業科技，2015（23）：265-266.