Blitz-Nowcasting mit Aerosol

npj Climate and Atmospheric Science Band 6, Artikelnummer: 126 (2023) Diesen Artikel zitieren

97 Zugriffe

2 Altmetrisch

Details zu den Metriken

Eine genaue und rechtzeitige Vorhersage von Blitzereignissen spielt eine entscheidende Rolle für den Schutz des menschlichen Wohlergehens und der globalen Umwelt. Auf maschinellem Lernen basierende Modelle wurden bisher zur Vorhersage des Auftretens von Blitzen eingesetzt und bieten Vorteile bei der Recheneffizienz. Diese Modelle wurden jedoch durch eine begrenzte Genauigkeit aufgrund einer unzureichenden Darstellung der komplizierten Mechanismen, die Blitze steuern, und eines begrenzten Trainingsdatensatzes behindert. Um diese Einschränkungen zu beseitigen, präsentieren wir einen maschinellen Lernansatz, der Aerosolfunktionen integriert, um Blitzmechanismen effektiver zu erfassen, ergänzt durch angereicherte Satellitenbeobachtungen vom Geostationary Lightning Mapper (GLM). Durch das Training eines gut optimierten LightGBM-Modells können wir während der Sommersaison erfolgreich räumlich kontinuierliche (0,25° x 0,25°) und stündliche Blitz-Nowcasts über die angrenzenden Vereinigten Staaten (CONUS) generieren und damit die Leistung konkurrierender Basislinien übertreffen. Die Modellleistung wird anhand verschiedener Metriken bewertet, darunter Genauigkeit (94,3 %), Erkennungswahrscheinlichkeit (POD, 75,0 %), Fehlalarmquote (FAR, 38,1 %), Fläche unter der Präzisions-Recall-Kurve (PRC-AUC, 0,727). . Zusätzlich zum angereicherten Datensatz ist die verbesserte Leistung auf die Einbeziehung von Aerosolmerkmalen zurückzuführen, die das Modell erheblich verbessert haben. Dieser entscheidende Aspekt wurde in früheren Studien übersehen. Darüber hinaus entschlüsselt unser Modell den Einfluss der Aerosolzusammensetzung und -beladung auf die Blitzentstehung und weist darauf hin, dass eine hohe Aerosolbeladung bestehend aus Sulfaten und organischen Verbindungen tendenziell die Blitzaktivität steigert, während Ruß sie hemmt. Diese Ergebnisse stimmen mit aktuellen wissenschaftlichen Erkenntnissen überein und zeigen das enorme Potenzial zur Aufklärung der komplexen Mechanismen, die Aerosol-assoziierten Blitzphänomenen zugrunde liegen.

Blitze, eine der Hauptursachen für natürliche Todesfälle bei Menschen, stellen eine erhebliche Bedrohung für die moderne Gesellschaft dar und führen jedes Jahr weltweit zu über 4.000 Todesfällen1,2. Darüber hinaus führt es zu erheblichen wirtschaftlichen Verlusten, wobei allein in den USA jährlich Schäden in Höhe von rund 1 Milliarde US-Dollar entstehen. Die rechtzeitige und genaue Vorhersage von Blitzereignissen spielt eine entscheidende Rolle bei der Erleichterung der Notfallvorsorge und bei Schutzmaßnahmen. Darüber hinaus dienen Blitze als primäre natürliche Quelle von Stickoxiden und üben dadurch erheblichen Einfluss auf die Chemie der Atmosphäre aus3, was die Bedeutung der Blitzvorhersage für den Schutz des menschlichen Wohlbefindens und der globalen Umwelt unterstreicht.

Blitze treten häufig bei der Entstehung von Gewittern auf, die typischerweise durch einen hohen Feuchtigkeitsgehalt und eine instabile Atmosphäre gekennzeichnet sind4,5,6,7,8. Numerische Modelle können die Blitzentstehung explizit simulieren, indem sie parametrisierte mikrophysikalische Prozesse einbeziehen9,10. Aktuelle numerische Modelle haben jedoch Schwierigkeiten, ein Gleichgewicht zwischen hoher Erkennbarkeit von Blitzen und niedrigen Fehlalarmraten (FAR) zu finden, wodurch ihre Anwendbarkeit bei der Blitzvorhersage eingeschränkt wird11,12,13. Darüber hinaus behindern die Rechenanforderungen der Blitzsimulation innerhalb numerischer Modelle die Effizienz der Blitzvorhersage, bei der die Aktualität in Bereichen wie der Luftfahrt und der Fertigung von entscheidender Bedeutung ist. Im Gegensatz dazu haben sich beobachtungsbasierte, datengesteuerte Blitzmodelle als effiziente Methoden zur Erzielung präziser Blitzvorhersagen herausgestellt, indem sie bodennahe Stichproben zu geringeren Rechenkosten nutzen. Beispielsweise waren Mostajabi et al.14 Pioniere bei der Erforschung datengesteuerter Modelle für die Vorhersage von Blitzen in der zukünftigen Stunde mit bemerkenswerter Genauigkeit, indem sie ausschließlich Wettervariablen nutzten. Darüber hinaus ermöglicht die inhärente Fähigkeit von Modellen des maschinellen Lernens, nichtlineare Eigenschaften zu erfassen, selbst bei einfachen und praktischen Funktionseingaben eine hohe Leistung. Bisher wurde eine Reihe von Modellen für maschinelles Lernen untersucht, um das Auftreten von Blitzen mit meteorologischen Variablen vorherzusagen, entweder von Wetterstationen oder assimilierten meteorologischen Modellen und Wetterradaren, einschließlich künstlichem neuronalem Netzwerk und Entscheidungsbaum15, Light Gradient-Boosting Machine (LightGBM). 16, Unterstützung von Vektormaschinen und Zufallswäldern17 sowie wiederkehrenden neuronalen Netzwerken mit langem Kurzzeitgedächtnis18. Aktuelle Modelle des maschinellen Lernens weisen eine hohe Effizienz auf; Allerdings stoßen sie immer noch auf Herausforderungen mit hoher FAR bei hoher Erkennungswahrscheinlichkeit (POD)17. Diese Einschränkung kann auf unzureichende Trainingsdatensätze und unvollständige Funktionsdaten zurückgeführt werden, die in früheren Modellen verwendet wurden, was in den folgenden Abschnitten ausführlich erläutert wird.

Erstens stützten sich frühere Studien hauptsächlich auf bodengestützte Blitzerkennungsnetzwerke und Sensoren an Bord von Satelliten in der Polarumlaufbahn, die erhebliche Einschränkungen hinsichtlich der Erkennungseffizienz und der räumlichen Abdeckung pro Überführung aufweisen, wodurch die Genauigkeit beobachtungsbasierter Modelle für die Blitzvorhersage eingeschränkt wird19,20, 21,22. Mit der Entwicklung der geostationären Satelliten wird eine Echtzeitüberwachung des Auftretens von Blitzen im gesamten Weltraum möglich. Insbesondere der Sensor Geostationary Lightning Mapper (GLM) an Bord der Geostationary Operational Environmental Satellites (GOES) kann die detaillierten Merkmale des Auftretens von Blitzen bei voller räumlich-zeitlicher Abdeckung erfassen, um die Analyse einschließlich der Diagnose der aktuellen numerischen Modelle23,24 und Untersuchungen zum Zusammenhang von Naturereignissen zu unterstützen Ereignisse im Klimasystem25,26,27 und Risikoprävention28,29. Eine solch hohe Erkennungseffizienz von Wolken-zu-Boden- (CG) und Intracloud- (IC) Blitzen, abgeleitet aus GLM, bietet ein großes Potenzial für die Bereitstellung zuverlässiger Aufzeichnungen über das Auftreten von Blitzen30 für das beobachtungsbasierte Modell zur Blitzvorhersage.

Zweitens besteht eine entscheidende Einschränkung aktueller maschineller Lernmodelle für die Blitzvorhersage darin, dass sie sich ausschließlich auf meteorologische Informationen verlassen und den erheblichen Einfluss von Aerosolen auf Blitzmuster vernachlässigen. Beobachtungsstudien haben jedoch den erheblichen Einfluss von Aerosolen auf die Blitzentstehung gezeigt31,32. Einerseits können Aerosole die Konvektion anregen, wodurch die Kollision von Partikeln gefördert und die Ladungsableitung verbessert wird. Andererseits besitzen Aerosole bemerkenswerte Strahlungseigenschaften, die die Partikelaktivierung unterdrücken33,34,35,36. Darüber hinaus weisen verschiedene Aerosolkomponenten unterschiedliche Einflusswege auf Blitzentladungen auf37. Daher ist die Einbeziehung detaillierter Aerosolinformationen unerlässlich, um die Leistung von Blitzvorhersagemodellen zu verbessern. Satellitenbasierte Messungen ermöglichen eine Echtzeitüberwachung der chemischen Komponenten von Aerosolen auf einer umfassenden räumlich-zeitlichen Skala. Darüber hinaus haben Studien auf einen engen Zusammenhang zwischen oberflächennahen Aerosolen und PM2,5 hingewiesen, was eine rechtzeitige Überwachung der oberflächennahen Aerosolverteilung ermöglicht38,39. Durch die Nutzung gut konzipierter Modelle für maschinelles Lernen, die Aerosolinformationen einbeziehen, und die Verwendung von mit Satellitendaten angereicherten Datensätzen werden erhebliche Verbesserungen der Blitzvorhersageleistung erwartet.

In dieser Studie wollten wir das bestehende Blitz-Nowcasting-Modell durch die Einbeziehung von Aerosolinformationen, insbesondere der optischen Tiefe und Zusammensetzung des Aerosols, zusätzlich zu herkömmlichen meteorologischen Variablen und bodengestützten Netzwerken verbessern. Darüber hinaus haben wir unter Berücksichtigung ihrer Stabilität und Datenverfügbarkeit Beobachtungen von geostationären Satelliten als primäre Datenquelle und Bezeichnung für das Blitz-Nowcasting-Modell verwendet. Die Bewertungsergebnisse wurden anhand gängiger Metriken der Nowcasting- und Prognoseforschung bewertet. Unsere Ergebnisse belegen die Wirksamkeit des aerosolbasierten maschinellen Lernens bei der Vorhersage von Blitzereignissen innerhalb der nächsten Stunde und liefern gleichzeitig wertvolle Einblicke in die Rolle von Aerosolen bei der Blitzentstehung.

Dieses Papier ist wie folgt aufgebaut. Im folgenden Abschnitt stellen wir die Ergebnisse und Analysen des von uns vorgeschlagenen Blitz-Nowcasting-Modells vor, das Aerosolinformationen und geostationäre Satellitenbeobachtungen nutzt. Anschließend diskutieren wir die Ergebnisse und ziehen unsere Schlussfolgerungen.

Um das Blitzvorhersagemodell zu trainieren und zu validieren, haben wir eine Blitzdatenbank mit Beobachtungen des Geostationary Lightning Mapper (GLM) an Bord des geostationären Satelliten (GOES-16) gesammelt. Die Daten wurden anhand des Vorhandenseins oder Nichtvorhandenseins von Blitzaktivität gekennzeichnet. Darüber hinaus wurden meteorologische und Aerosoldaten aus Vorhersageprodukten des Copernicus Atmosphere Monitoring Service (CAMS) gewonnen und als Eingabemerkmale für das Modell verwendet. Zur Bewertung der Leistung des Modells wurden verschiedene Validierungsschemata und Bewertungsmetriken eingesetzt. Detaillierte Informationen zu den Validierungsmethoden finden Sie im Abschnitt „Methoden“, während Tabelle 1 die verwendeten Bewertungsparameter und Metriken darstellt. Abbildung 1 zeigt die Leistung des vorgeschlagenen Blitzvorhersagemodells, das im Sommer 2020 trainiert und kreuzvalidiert wurde. Die Präzisions-Recall-Kurve in der Abbildung zeigt den Kompromiss zwischen Präzision und Recall bei Differenzschwellenwerten (beschriftet als „Kreuzvalidierung“) im Sommer 2020“ in Abb. 1). Das Modell zeigte eine vielversprechende Fähigkeit zur Blitzvorhersage, was durch einen PRC-AUC von 0,727 für das LightGBM-Modell belegt wird. Insbesondere die Form der Präzisions-Erinnerungskurve zeigt, dass das Modell einen geringen Anteil an Fehlalarmvorhersagen aufrechterhalten kann, wenn eine höhere Präzision gewünscht ist. Konkret wurde der FAR bei einem Schwellenwert, bei dem das Modell einen POD von 75 % erreicht, einem üblichen Wert bei bestehenden Modellen, auf 38 % festgelegt. Der Vergleich der Präzisions-Erinnerungskurve dieses LightGBM-Modells mit der eines Zufallsklassifikators unterstreicht die Fähigkeit des Modells, effektiv zwischen Blitz- und Nicht-Blitzfällen zu unterscheiden.

Das Modell wird nach zwei Schemata evaluiert: 10-fache Kreuzvalidierung und Out-of-Sample-Validierung mit Testsatz ab Sommer 2021.

Darüber hinaus führten wir eine Bewertung des vorgeschlagenen Modells hinsichtlich seiner Übertragbarkeit durch, die sich auf die Fähigkeit des trainierten Modells bezieht, auf einen anderen interessierenden zeitlichen Bereich angewendet zu werden. In diesem Validierungsschema wurde das Modell anhand von Datensätzen aus der Sommerzeit 2020 trainiert und anschließend an Daten aus der Sommerzeit 2021 getestet. Abbildung 1 zeigt die Leistung des Modells bei Anwendung auf die Sommerzeit 2021 (beschriftet als „Out-of-sample-Validierung in der Sommerzeit 2021“). in Abb. 1). Bemerkenswert ist, dass im Vergleich zur Leistung im Sommer 2020 nur ein geringer Kontrast zu beobachten ist. Das übertragene Modell weist im Vergleich zu seiner Anwendung im Jahr 2020 eine leicht reduzierte PRC-AUC von 0,699 auf wird künftig zur Interpretation des Auftretens von Blitzen während numerischer Simulationen verwendet.

Um die Wirksamkeit des vorgeschlagenen Blitzvorhersagemodells im Vergleich zu häufig verwendeten Basismodellen, nämlich dem Persistenzmodell und dem CAPE-Modell (wie in der ergänzenden Methode 1 ausführlich beschrieben), zu bewerten, haben wir einen umfassenden Modellvergleich durchgeführt. Die Bewertung dieser Modelle basiert auf etablierten Metriken, die in früheren Studien zum Vergleich von Modellen zum Auftreten von Blitzen verwendet wurden, nämlich POD, FAR, Critical Success Index (CSI) und Heidke Skill Score (HSS). Die Ergebnisse sind in Abb. 2 dargestellt, wo das vorgeschlagene Modell den höchsten POD (0,75 für dieses Modell, 0,53 für das Persistenzmodell und 0,47 für das CAPE-Modell), CSI (0,53 für dieses Modell, 0,37 für das Persistenzmodell) erreicht. und 0,13 für das CAPE-Modell) und HSS (0,66 für dieses Modell, 0,55 für das Persistenzmodell und 0,20 für das CAPE-Modell). Darüber hinaus weist das vorgeschlagene Modell die niedrigste FAR auf (0,38 für dieses Modell, 0,45 für das Persistence-Modell und 0,85 für das CAPE-Modell), was auf seine überlegene Fähigkeit hinweist, das Auftreten von Blitzen genau zu erfassen und die grundlegenden Vorhersageansätze zu übertreffen.

Zu den Basismodellen gehören das Persistence-Modell, das CAPE-Modell, das Data-Deplete-Modell, das mit Lightning Mapping Array (LMA) trainiert wird, und ein Modell ohne Aerosol als Eingabe. Die Bewertungsmetriken umfassen POD, FAR, CSI und HSS.

Um die räumliche Wirksamkeit des Blitzvorhersagemodells im gesamten CONUS hervorzuheben, wird die räumliche Verteilung von zwei Schlüsselmetriken, POD und FAR, anhand von Validierungsdatensätzen in Abb. 3a, b dargestellt. Die Ergebnisse zeigen, dass beide Metriken im südöstlichen CONUS höhere Werte aufweisen, was mit Regionen übereinstimmt, die durch eine erhöhte Blitzdichte gekennzeichnet sind. Darüber hinaus wird beobachtet, dass die räumliche Verteilung der Modellleistung mit der Verteilung der Blitzdichte korreliert, wie in Abb. 3c dargestellt. Insbesondere Regionen mit seltenem Blitzaufkommen weisen niedrigere POD-Werte auf und erreichen etwa 30 % in Gebieten, in denen die Blitzdichte unter 0,05 Blitze pro Quadratkilometer fällt. Dieses Phänomen kann auf den unausgeglichenen Datensatz zurückgeführt werden, der im maschinellen Lernprozess verwendet wird, wobei Stichproben mit seltenen Blitzereignissen möglicherweise zu einer geringeren Leistung in diesen Regionen beitragen.

a Räumliche Erinnerungsverteilung (POD) in CONUS; b räumliche Verteilung der Präzision (1-FAR) in CONUS; und c die räumliche Verteilung der Blitzdichte während der Sommerzeit 2020.

Frühere Studien haben gezeigt, dass auf maschinellem Lernen basierende Blitzvorhersagemodelle, die Daten von Radar- und bodengestützten Blitznetzwerken nutzen, mäßige Nowcasting-Fähigkeiten aufweisen. In dieser Studie präsentieren wir eine Verbesserung der Modellgenauigkeit durch die Einbeziehung datenangereicherter Beobachtungen von GLM an Bord des geostationären Satelliten GOES-16, der eine vollständige räumliche Abdeckung bietet. Wir vergleichen das vorgeschlagene Modell und das Blitzvorhersagemodell, das auf der Grundlage der öffentlich zugänglichen Beobachtungen des Lightning Mapping Array (LMA) (im Folgenden als „Data-Deplete“-Modell bezeichnet) simuliert wurde und umfassend untersucht wurde, um die Blitzmuster zu untersuchen40. 41. Im Vergleich zum vorgeschlagenen Modell (datenangereichertes Modell) nutzt das datenarme Modell Beobachtungen von LMA, um den Blitz vorherzusagen. Details der LMA und ihrer entsprechenden Zentrumspositionen werden in der Ergänzungsmethode 2 erläutert und in der Ergänzungstabelle 1 dargestellt. Abbildung 2 zeigt die überlegene Leistung des datenangereicherten Modells im Vergleich zum datenarmen Modell über alle Bewertungsmetriken hinweg. Obwohl der POD des datenangereicherten Modells (75 %) nur geringfügig höher ist als der des datenerschöpften Modells (72 %), ist der FAR des datenerschöpften Modells (56 %) deutlich höher als der des datenergänzten Modells (36). %). Darüber hinaus deuten die CSI- und HSS-Werte für das datenarme Modell (38 % bzw. 48 %) auf inhärente Mängel im Modell ohne die durch geostationäre Satellitenbeobachtungen bereitgestellte Bereicherung hin.

Diese Verbesserung der Modellleistung wird auch auf die Erkennungsstabilität der geostationären Satellitenbeobachtungen zurückgeführt. Im Vergleich zu weltraumgestützten Beobachtungen weist das bodengestützte Detektionsnetzwerk mit zunehmender Entfernung vom Netzwerkzentrum eine abnehmende Detektionseffizienz auf. Wir zeigen, dass die Genauigkeit des datenarmen Modells mit zunehmender Entfernung vom Zentrum des Netzwerks abnimmt, wie in der ergänzenden Abbildung 1 dargestellt. Konkret nimmt der CSI des Modells um 0,78 % ab und die FAR steigt um 1 % pro 50 km Entfernung vom Netzwerkzentrum. Es wurde festgestellt, dass die Steigungen der Modellmetriken in Bezug auf die Entfernung bei einem einseitigen t-Test mit einem p-Wert von weniger als 0,05 statistisch signifikant sind. Die Leistung des auf LMA basierenden Modells wird in Regionen, in denen keine lokale LMA-Ausrüstung verfügbar ist, aufgrund der Entfernungsabhängigkeit zunehmend eingeschränkt. Im Gegensatz dazu schützt die erhöhte Stabilität, die Beobachtungen von geostationären Satelliten bieten, das Vorhersagemodell vor einer verringerten Robustheit und erweitert seine Anwendbarkeit auf ein breiteres Spektrum von Regionen.

Zahlreiche Studien haben den Einfluss von Aerosolen auf das Auftreten von Blitzen über große Entfernungen dokumentiert, wobei verschiedene Aerosolkomponenten unterschiedliche Wirkungen zeigten und die Blitzaktivität entweder unterdrückten oder verstärkten37,42,43. Diese Studie analysiert die tageszeitliche Variabilität von Blitzen und Aerosolen mit dem Ziel, die zeitlichen Muster des Auftretens von Blitzen und des Aerosolverhaltens aufzudecken. Gemäß der ergänzenden Abbildung 2 weist die Verteilung des Blitzaufkommens eine ausgeprägte Präferenz für die Nachmittags- und Abendstunden auf, mit begrenzten Beobachtungen in den Morgenstunden. Dieses ausgeprägte zeitliche Muster weist darauf hin, dass Prädiktoren mit zeitlichen Eigenschaften das Potenzial besitzen, das Auftreten von Blitzen vorherzusagen. Die tageszeitliche Variation der optischen Tiefe des Aerosols (AOD), wie in der ergänzenden Abbildung 2b dargestellt, stimmt mit dem beobachteten Muster für das Auftreten von Blitzen überein. Diese Konsistenz legt nahe, dass Aerosolinformationen als zuverlässiger zeitlicher Prädiktor für Blitzereignisse dienen können. Wir haben die Anomalien der Tagesvariabilität weiter an die mittlere Blitzdichte in den Stunden angepasst, in denen die mittlere Blitzdichte 0,001 Blitze/km2 übersteigt. Eine hohe Korrelation (Pearsons r = 0,897) wird wie in der ergänzenden Abbildung 2d beobachtet, während eine geringere Korrelation für die Temperatur beobachtet wird (Pearsons r = 0,772) wie in der ergänzenden Abbildung 2e. Um die Indikationswirkung mehrerer Faktoren weiter zu untersuchen, wird eine zeitverzögerte Kreuzkorrelationsanalyse (TLCC) verwendet, um die Indikationswirkung dieser Faktoren in Zeitreihen aufzudecken44. Wie in der ergänzenden Abbildung 3 gezeigt, weist AOD eine hervorragende Synchronizität mit dem Auftreten von Blitzen ohne Versatz auf und behält eine hohe Korrelation bei einem Versatz von –1 Stunde bei, was darauf hinweist, dass der Trend von AOD sowohl den Trend des Auftretens von Blitzen zum aktuellen Zeitpunkt gut markieren als auch vorhersagen kann das Auftreten von Blitzen in der folgenden Stunde, während meteorologische Variablen wie relative Luftfeuchtigkeit (Offset von +4 Stunden) und Temperatur (Offset von –2 Stunden) schlechtere Hinweise auf das Auftreten von Blitzen zeigen. Somit zeigen Aerosolbeobachtungen ein großes Potenzial, das Auftreten von Blitzen im Hinblick auf zeitliche Variationen anzuzeigen.

Folglich kann durch den Einsatz besser konzipierter maschineller Lernmodelle, die Aerosolinformationen einbeziehen, mit einer verbesserten Blitzvorhersageleistung gerechnet werden. Die Leistung von Modellen mit und ohne Aerosolinformationen wird in Anwendungsszenarien verglichen, in denen ein hoher POD erforderlich ist, wie in Abb. 4 dargestellt. Wenn der POD-Schwellenwert unter 70 % liegt, ist der Beitrag der Aerosolinformationen zur Vorhersagbarkeit von Blitzen minimal. Dieses Phänomen lässt sich auf die Informationen zurückführen, die meteorologische Daten und historische Blitzaufzeichnungen liefern. Diese zusätzlichen Informationsquellen helfen bei der Erfassung der räumlichen und zeitlichen Muster von Blitzereignissen und reduzieren so den Einfluss von Aerosolen. Bei höheren POD-Werten wird jedoch der signifikante Beitrag der Aerosolinformationen stärker hervorgehoben und dominiert die Vorhersageleistung. Wenn der POD-Schwellenwert auf über 75 % eingestellt ist, beträgt der Unterschied in den korrekten Ablehnungsraten zwischen Modellen mit und ohne Aerosolinformationen mehr als 10 %. Dies weist darauf hin, dass Aerosoldaten wertvolle Informationen für die Blitzvorhersage liefern, was sich in den verbesserten korrekten Ausschussraten zeigt, wenn die Nachfrage nach POD steigt. Allerdings bleibt es eine Herausforderung, präzise Vorhersagen über das Auftreten von Blitzen mit einem hohen POD von über 80 % zu treffen, ohne ein gründliches Verständnis der komplizierten Mechanismen zu haben, die Aerosole und andere Faktoren einbeziehen, die den gesamten Prozess der Blitzentstehung quantifizieren. Während die Ergebnisse darauf hindeuten, dass Aerosolinformationen die Vorhersagbarkeit von Blitzen verbessern können, besteht noch Raum für weitere Verbesserungen der Modellleistung. Dies kann durch die Einbeziehung zusätzlicher quantifizierbarer Merkmale im Zusammenhang mit der Blitzentstehung erreicht werden.

Die beiden Modelle (mit und ohne Aerosolinformationen als Modelleingabe) werden hinsichtlich der korrekten Rückweisungsrate (1-FAR) bei unterschiedlichen POD-Bedingungen verglichen.

Die statistische Verteilung der AOD ist in Abb. 5a dargestellt. Sie zeigt, dass die AOD-Werte in den meisten Fällen unter 0,2 liegen und etwa 80 % aller Fälle ausmachen. Die Analyse konzentrierte sich dann auf den Zusammenhang zwischen Modellleistung und Aerosolbelastung, wie in Abb. 5b dargestellt. Wenn der AOD auf 0,2 ansteigt, zeigen beide Modelle eine Verbesserung in Bezug auf CSI und FAR. Im Vergleich zum Modell ohne AOD weist das vorgeschlagene Modell eine bessere Robustheit auf, wobei die FAR zwischen 30 % und 50 % liegt, während das andere Modell Schwierigkeiten hat, das Auftreten von Blitzen vorherzusagen, da die FAR bei AOD-Werten unter 0,1 etwa 50 % übersteigt 40 % aller Fälle. Der Unterschied im CSI zwischen den Modellen bleibt in Situationen mit niedrigem AOD durchweg signifikant. Wenn der AOD jedoch auf 0,4 ansteigt, nimmt der Kontrast zwischen den beiden Modellen allmählich ab. Da der AOD weiter ansteigt, was möglicherweise auf ein Luftverschmutzungsereignis hinweist, vergrößert sich die Diskrepanz in der Modellleistung weiter. In diesem Stadium kann die Einbeziehung von Aerosolinformationen etwa 40 % der Fehlwarnmeldungen reduzieren.

ein Histogramm von Datenproben in Bezug auf AOD; b Modellleistung in Bezug auf CSI bei verschiedenen AOD-Werten für die Modelle mit und ohne Aerosolinformationen als Eingabe; c Histogramm der Datenproben in Bezug auf die Ortsstunde; d Tagesverteilung der Modellleistung in Bezug auf CSI für die Modelle mit und ohne Aerosolinformationen als Eingabe.

Aerosolbeobachtungen haben einen erheblichen Einfluss auf die zeitliche Variabilität der Modellleistung. Wie in Abb. 5d dargestellt, zeigt das Blitzvorhersagemodell mit AOD den ganzen Tag über eine stabile Leistung. In den Ortszeiten vor 14 Uhr weisen beide Modelle nur geringe Unterschiede auf. Nach 14 Uhr spielen Aerosolfunktionen jedoch eine entscheidende Rolle bei der Verbesserung der Modellleistung. Die Einbeziehung von Aerosolinformationen führt zu einer Reduzierung der FAR um 0,10–0,15 nach 14 Uhr, was darauf hindeutet, dass 25 % der falschen Frühwarnungen durch die Berücksichtigung von Aerosolmerkmalen vermieden werden. In ähnlicher Weise tragen die Aerosolinformationen für CSI zu einer Erhöhung des CSI um 0,05–0,10 bei. Es ist wichtig zu beachten, dass der Zeitraum, in dem die Leistung des Modells durch Aerosolinformationen verbessert wird (15–23 Uhr), sich nicht vollständig mit dem Zeitraum relativ häufiger Blitzereignisse (18 Uhr–2 Uhr) überschneidet. Dies deutet darauf hin, dass die Aerosolinformationen nicht direkt auf das unmittelbare Auftreten von Blitzen hinweisen, sondern vielmehr Aufschluss über den Trend des künftigen Auftretens von Blitzen geben. Diese Beobachtung stimmt gut mit dem in der ergänzenden Abbildung 3 dargestellten Befund überein.

Der Beitrag der Aerosolbeobachtungen weist in verschiedenen Regionen unterschiedliche Muster auf. Ergänzende Abbildung 4 veranschaulicht die Verbesserung des Modells durch Aerosolbeobachtungen in CONUS. In den meisten Regionen zeigen Aerosole einen positiven Einfluss auf den POD des Blitzvorhersagemodells, insbesondere in den südöstlichen und mittleren Westen von CONUS. Die Bedeutung von Aerosolen wird im südöstlichen CONUS deutlich, wo die höchsten Blitzdichten auftreten. Die Ergebnisse deuten darauf hin, dass das Auftreten von Blitzen mithilfe von Aerosolbeobachtungen besser erkennbar wird, was zu einer bemerkenswerten Steigerung von etwa 10 % führt. Was die Verringerung der FAR aufgrund von Aerosolen betrifft, folgt die Verteilung der Modellverbesserung ähnlichen Mustern wie die, die in Bezug auf POD und CSI beobachtet wurden, wobei die CONUS-Regionen im Südosten und Mittleren Westen am meisten von Aerosolbeobachtungen profitieren. Allerdings gibt es immer noch bestimmte Bereiche, in denen die Integration von Aerosolfunktionen möglicherweise die Leistung des Modells beeinträchtigen könnte, insbesondere in den Westküstenregionen. Dies könnte auf unterschiedliche Aerosolwirkungsregime zurückgeführt werden, insbesondere auf die räumliche Verteilung von Aerosolen (z. B. Ruß aus Waldbränden45) an der Westküste.

Die Shapley Additive ExPlanation Approach (SHAP)-Methode dient als wertvolles Werkzeug zur Interpretation von Modellen des maschinellen Lernens und zur Analyse ihrer Funktionen. Abbildung 6 zeigt eine Feature-Wichtigkeitsanalyse und zeigt die zehn wichtigsten Features, die am meisten zur Blitzvorhersage beitragen. Die vollständigen Namen, die den Merkmalsakronymen entsprechen, finden Sie in der Ergänzungstabelle 2. Unter diesen Variablen erweist sich die Blitzdichte als stärkster Prädiktor für Blitze, während die Bedeutung der Aerosolkomponenten variiert. Sulfat ist der einflussreichste Prädiktor für das Auftreten von Blitzen, gefolgt von Meersalz, Ruß und organischen Verbindungen, die bei der Vorhersage eine mäßige Bedeutung haben. Der Beitrag der Aerosolzusammensetzung und der optischen Tiefen unterstreicht ihre hohe Relevanz für die Blitzvorhersage. Wettervariablen, die traditionell als Prädiktoren für Blitze verwendet werden, weisen eine mäßige Fähigkeit zur Vorhersage von Blitzen auf. Beispielsweise weist die relative Luftfeuchtigkeit die höchste Vorhersagbarkeit unter den Wettervariablen auf, was mit früheren Erkenntnissen über die Mechanismen der Blitzentstehung übereinstimmt und die Annahme weiter stützt, dass das Auftreten von Blitzen hohe Feuchtigkeitswerte begünstigt4,5,6,7,8. Die SHAP-Analyse erweist sich als wertvolles Instrument zur Feststellung, ob die Aerosolzusammensetzung das Auftreten von Blitzen positiv oder negativ beeinflusst. Steigende Mengen an Aerosolkomponenten wie Sulfat, organische Verbindungen und Meersalz entsprechen höheren SHAP-Werten, was darauf hindeutet, dass sie gemäß dem Modell des maschinellen Lernens als verstärkende Faktoren für Blitze interpretiert werden. Umgekehrt wirkt sich Ruß negativ auf das Auftreten von Blitzen aus. Solche Ergebnisse stehen im Einklang mit früheren Untersuchungen zum Einfluss von Aerosolkomponenten auf Blitze46,47. Ein detaillierterer Vergleich und eine Analyse mit der vorhandenen Wissensbasis finden Sie im Abschnitt „Diskussion“. Folglich erfordert die Optimierung des Vorhersagemodells eine Kombination aus Aerosolcharakterisierung und Wettervariablen.

Die Feature-Wichtigkeit wird nach dem mittleren absoluten SHAP-Wert der Features eingestuft.

In dieser Studie schlagen wir ein hochpräzises, beobachtungsbasiertes, datengesteuertes Modell zur Vorhersage des Auftretens von Blitzen vor, das das LightGBM-Gradienten-Boosting-Framework nutzt. Unser Modell integriert Aerosolbeobachtungen und meteorologische Variablen und ist damit eines der präzisesten Blitzvorhersagemodelle, die derzeit verfügbar sind (Genauigkeit = 94,3 %, POD = 75 %, FAR = 38 %, AUC = 0,727). Durch die Einbeziehung früherer Beobachtungs- und Modellstudien, die den Zusammenhang zwischen Aerosolen und Blitzen untersuchen, zeigen wir den erheblichen Einfluss von Aerosolen auf die Blitzvorhersage. Aerosole beeinflussen Blitze vor allem durch ihre mikrophysikalischen und strahlenden Eigenschaften. Frühere Studien haben verschiedene Modelle für die Vorhersage von Blitzereignissen untersucht, darunter numerische Simulationen und Ansätze des maschinellen Lernens. Diese Ansätze haben jedoch noch nicht die gewünschte Modellleistung erreicht. Zahlreiche Studien haben eine erhöhte Blitzdichte in Ballungsräumen oder windabgewandten Regionen festgestellt, was teilweise auf die mikrophysikalischen Effekte von Aerosolen zurückzuführen ist48,49. Regionale Fallstudien, insbesondere in Nord- und Zentralafrika, haben ebenfalls über den Einfluss verschiedener Aerosoltypen auf Blitze berichtet35. Diese Studien verdeutlichen, dass die vorherrschenden Auswirkungen von Aerosolen, ob mikrophysikalisch oder strahlend, von der Art des Aerosols abhängen und letztendlich die Blitzgeschwindigkeit durch Aerosolbeladung beeinflussen. Allerdings ist im CONUS die Variabilität der Aerosolbeladung und -zusammensetzung viel höher als in früheren Studien, was die statistische Entschlüsselung der Auswirkungen von Aerosoltypen und -beladung allein zu Herausforderungen macht. Interpretierbares maschinelles Lernen, das in der Lage ist, komplexe nichtlineare Beziehungen innerhalb des Modells zu erfassen, bietet ein geeignetes Werkzeug zur Analyse des Beitrags von Aerosolzusammensetzungen. In dieser Studie liefert die Merkmalsanalyse unter Nutzung erweiterter Beobachtungen des GLM und unter Verwendung eines interpretierbaren Modells für maschinelles Lernen Einblicke in den Einfluss von Aerosolzusammensetzungen auf das Auftreten von Blitzen. Die Analyse zeigt durchweg einen negativen Einfluss von Rußspezies in Aerosolen auf die Blitzfrequenzen und steht im Einklang mit theoretischen Studien, die den Erwärmungseffekt von Ruß betonen, der zu Konvektionsänderungen führt und das Auftreten von Blitzen verhindert35,50,51. Darüber hinaus unterstreicht die Analyse die bedeutende Bedeutung von Sulfataerosolen, was mit früheren Berichten übereinstimmt46. Wie von Jin et al.52 angegeben, fördern Sulfataerosole mikrophysikalische Prozesse in der Eisphase und verstärken die Blitzaktivität. Unabhängig von der Aerosolzusammensetzung wird ein negativer Beitrag zum Auftreten von Blitzen beobachtet, wenn die AOD einen bestimmten Schwellenwert überschreitet, was die Beobachtungen von Shi et al.53 stützt. Unser vorgeschlagenes Modell identifiziert auch Meersalzaerosole als Stimulanzien für das Auftreten von Blitzen, obwohl neuere Berichte darauf hinweisen, dass das Verhalten von Meersalzaerosolen je nach Partikelmodus variiert37. Diese Diskrepanz kann auf die relativ geringere Meersalz-Aerosolbelastung im CONUS im Vergleich zu maritimen Bedingungen in Kombination mit dem Vorherrschen von Feinmodenaerosolen an Land zurückgeführt werden. Insgesamt zeigt die Merkmalsanalyse eine starke Übereinstimmung mit theoretischen Studien und Modellstudien zum Auftreten von Blitzen und bietet einen möglichen Ansatz zur Parametrisierung des Auftretens von Blitzen in numerischen Modellen in der Zukunft.

Im Abschnitt „Ergebnisse“ wurde die Anwendbarkeit des vorgeschlagenen Modells basierend auf den meteorologischen Bedingungen und Aerosolinformationen analysiert. Das Modell zeigt eine starke Leistung in Regionen mit hoher Blitzdichte und mittlerer und hoher Aerosolbelastung. Da die Regionen mit hohem Blitzschutzbedarf weitgehend mit den Regionen übereinstimmen, in denen das Modell gute Leistungen erbringt, kann es effektiv in Gebieten eingesetzt werden, in denen ein präzises Blitzvorhersagemodell dringend benötigt wird, um wirtschaftliche Verluste durch extreme Blitzereignisse zu mindern. Allerdings weist das Modell in Regionen mit geringer Blitzfrequenz oder geringer Aerosolbelastung, die vor allem im westlichen CONUS zu beobachten sind, eine begrenzte Genauigkeit auf. In diesen Regionen wurde festgestellt, dass in vielen Fällen eine hohe Unsicherheit bei der Vorhersage des Auftretens von Blitzen besteht. Diese eingeschränkte Anwendbarkeit kann auf die begrenzte Fähigkeit der Modelle zurückgeführt werden, den unausgeglichenen Datensatz zwischen blitzaktiven und blitzinaktiven Fällen zu verarbeiten. Trotz der in dieser Studie unternommenen Bemühungen, dieses Ungleichgewichtsproblem anzugehen, wie z. B. Focal Loss als Ersatz für die herkömmliche Verlustfunktion, schränkt diese Herausforderung immer noch die Anwendung des Vorhersagemodells in blitzarmen Regionen ein. Um die Anwendbarkeit des Modells im westlichen CONUS zu verbessern, sollten sich zukünftige Verbesserungen der Modelle für maschinelles Lernen auf die Lösung des Ungleichgewichtsproblems konzentrieren. Durch die Bewältigung dieser Herausforderung können die Leistung und Anwendbarkeit des Modells in Regionen mit niedrigen Blitzfrequenzen verbessert werden.

Die Entwicklung datengesteuerter Modelle hängt stark von der Qualität der Beobachtungsdatensätze ab. Im Rahmen von Aerosolbeobachtungen werden die aktuellen Daten aus CAMS-Vorhersageprodukten gewonnen, die Echtzeit-Satellitenbeobachtungen in numerische Modelle zur Simulation der Atmosphärenzusammensetzung einbeziehen. In dieser Studie schlagen wir die Nutzung von Echtzeit-Aerosolbeobachtungen als Prädiktoren für das Auftreten von Blitzen vor. Im Idealfall würden direkte Beobachtungen von Aerosolen von Satelliten aus die Aerosolzusammensetzung genau erfassen und eine präzise Blitzvorhersage ermöglichen. Bestehende Aerosolprodukte stoßen jedoch aufgrund unvollständiger Satellitenbilder und unzureichender Abdeckung gültiger Aerosolinformationen an Einschränkungen. Da sich Fortschritte bei der Satellitenerfassung von Aerosolen weiterentwickeln, wird erwartet, dass aerosolbasierte Blitzvorhersagemodelle in Echtzeit eine verbesserte Leistung aufweisen werden.

In dieser Studie wird der Datensatz der Beobachtungen von Blitzereignissen vom geostationären GLM-Satelliten GOES-16 an Bord abgerufen, einem satellitengestützten optischen Einkanal-Transientendetektor im nahen Infrarot54,55,56. Der GLM ist der Sensor an Bord eines geostationären Satelliten, mit dem sich die Gesamtzahl der Blitze mit kontinuierlichen regionalen Beobachtungen und feiner räumlicher Auflösung kartieren lässt. Der hochauflösende GLM-Sensor (1372 × 1300 Pixel) ist mit einem ladungsgekoppelten Gerät (CCD) mit einem Schmalband-Interferenzfilter ausgestattet, der im nahen Infrarotbereich (777,4 nm) arbeitet und den größten Teil davon abdeckt westliche Hemisphäre57. Die räumliche Auflösung von GLM beträgt 8 km im Nadir und erreicht 14 km an den Rändern, und es zeichnet Blitze alle ~2 ms auf und liefert alle 20 s eine kompilierte Datendatei58,59. GLM bietet drei Beobachtungsebenen: Ereignisse, Gruppen und Blitze, die die einzelne Beleuchtung mit einer Auflösung von 2 ms darstellen, Blitzereignisse im gleichen 2-ms-Zeitfenster und Blitzgruppen, die sich innerhalb von 15 km im Raum jeweils 330 ms zeitlich überlappen ( Goodman et al., 2013). In dieser Studie haben wir den Blitzpegel von GLM-Produkten verwendet, um das Auftreten von Blitzen innerhalb eines Pixels zu kennzeichnen. Die GLM-Blitzprodukte erkennen alle Arten von Blitzen kontinuierlich, mit einer feinen räumlichen Auflösung und einer Erkennungseffizienz von über 70 %30. In dieser Studie haben wir für unsere Analyse das GLM L2+-Datenprodukt der GOES-R-Serie (GRGLMPROD) abgerufen. Aufgrund der oben genannten Vorteile von GLM ist die Beobachtung der konzentrierten Region, die die angrenzenden Vereinigten Staaten umfasst, mit Blitzdetektion mit hoher zeitlicher Auflösung (20 s) und vollständiger räumlicher Abdeckung möglich, um die gültigen Proben für eine beobachtungsbasierte datengesteuerte Blitzvorhersage anzureichern Modell. Abbildung 3 zeigt die sommerliche Verteilung der Blitzdichte in CONUS. Die meisten Blitze treten im südöstlichen CONUS auf, während im westlichen CONUS im Untersuchungszeitraum keine häufigen Blitze zu beobachten sind. Die Küstenregionen im südöstlichen CONUS weisen eine höhere Blitzrate auf als die Binnenregionen. Die höchste Blitzdichte gibt es in Florida (Mittelwert 6,40 Blitze/km2 und Standardabweichung 5,79 Blitze/km2).

Um Aerosole mit vollständiger räumlicher Abdeckung bestmöglich zu charakterisieren, bestehen die in diesem Modell verwendeten Aerosolinformationen aus der optischen Aerosoltiefe von fünf Aerosolkomponenten (einschließlich Ruß, Staub, organischem Kohlenstoff, Sulfat und Meersalz) und der PM2,5-Konzentration an der Oberfläche stellen die untere Aerosolebene als Ergänzung zur Aerosol-Vertikalinformation dar. Um die Vorhersage des Auftretens von Blitzen zu ermöglichen, werden in dieser Studie Prognoseprodukte von Aerosolen ermittelt. Die optische Tiefe der einzelnen Aerosolkomponenten wird aus den Prognoseprodukten des Copernicus Atmosphere Monitoring Service (CAMS) zur globalen Zusammensetzung der Atmosphäre ermittelt60,61. Der Datensatz ist ein stündliches Produkt, das von einem Echtzeit-Vorhersagedienst aus der Assimilation bereitgestellt wird, indem eine frühere Vorhersage mit aktuellen Satellitenbeobachtungen kombiniert wird.

Der räumlich kontinuierliche und stündliche PM2,5-Datensatz in Echtzeit wird nach einer von Zeng62 veröffentlichten Methode erhalten, die Modelle des maschinellen Lernens verwendet, um räumlich kontinuierliche PM2,5-Flächen auf stündlicher Ebene basierend auf meteorologischen Bedingungen und Zusatzinformationen zu schätzen. Bei dieser Methode werden die grundlegenden In-situ-Messungen aus dem Überwachungsnetzwerk des Air Quality Systems (AQS) der US-Umweltschutzbehörde gewonnen. Die Datensätze werden durch eine 10-fache Kreuzvalidierungsmethode mit R2 von 0,791 und RMSE von 4,33 μg/m3 validiert, wie in der ergänzenden Abbildung 6a dargestellt. Ergänzende Abbildung 6b zeigt die kartierte Verteilung von PM2,5 mit räumlicher Kontinuität als Ergebnis der Modellschätzung.

Wie in den vorherigen Studien14,17 werden im Vorhersagemodell sechs meteorologische Faktoren ausgewählt, die bestimmte Hinweise auf Blitze haben, darunter Oberflächendruck (SP), Temperatur bei 500 hPa (T500), relative Luftfeuchtigkeit bei 500 hPa (SH), 10 m U-Komponenten-Windgeschwindigkeit bei 500 hPa (UW), 10 m V-Komponenten-Windgeschwindigkeit bei 500 hPa (VW)63. Um mit dem AOD übereinzustimmen, werden die ausgewählten meteorologischen Faktoren aus demselben Datensatz der CAMS-Vorhersagen zur globalen Atmosphärenzusammensetzung gewonnen, um Fehler zu vermeiden, die durch die Heterogenität der Datenquellen verursacht werden.

Sowohl die CAMS-Vorhersage der Aerosolzusammensetzung als auch die meteorologische Vorhersage wurden durch bilineare Interpolation auf Raster von 0,25° × 0,25° und ein einstündiges Zeitniveau interpoliert. Die Statistiken aller im Datensatz enthaltenen Variablen werden in der Ergänzungstabelle 2 angezeigt.

Nach Abschluss der Datenerfassung werden der GLM-Datensatz und die CAMS-Produkte durch Rasterung auf 0,25° vorverarbeitet, gefolgt von einer Datenfilterung, bei der verdächtige Störungen und Ausreißer aus dem Datensatz entfernt werden. Die Geräusche und Ausreißer werden als Blitzereignisse definiert, deren Blitz weniger als fünfmal in 5 Minuten (ungefähr in 15 Dateien) aufgezeichnet wird, wobei die intrinsische räumliche und zeitliche Kontinuität des Blitzblitzes berücksichtigt wird.

In dieser Studie haben wir das LightGBM-Modell ausgewählt, um das Auftreten von Blitzen in der nächsten Stunde vorherzusagen (Abb. 7), da es eine hervorragende Leistung bei Klassifizierungsaufgaben bietet und gleichzeitig niedrige Rechenkosten beibehält.

Ablauf des Modells zur Integration des Meteorologie-, Aerosol- und Hilfsdatensatzes in das LightGBM-Modell und zur Generierung der Vorhersage des Auftretens von Blitzen in der zukünftigen Stunde.

Als hocheffizientes ML-Modell, das auf dem Gradient Boosting Decision Tree basiert, wird LightGBM aufgrund seiner Vorteile geringer Rechenkosten und hoher Lerngenauigkeit, insbesondere bei der Verarbeitung großer und komplexer Datensätze64, häufig eingesetzt. Angesichts des großen stündlichen und räumlich kontinuierlichen Datensatzes zur Blitzvorhersage gilt LightGBM aufgrund der stark verkürzten Rechenzeit und der hohen Genauigkeit als das am besten geeignete Werkzeug.

Die Hyperparameter des LightGBM-Modells wurden mithilfe einer Rastersuchstrategie optimiert, bei der verschiedene Kombinationen von Hyperparametern stapelweise getestet wurden. Basierend auf den Ergebnissen dieser Tests wurde die beste Kombination von Hyperparametern ausgewählt. Die optimierten Hyperparametereinstellungen finden Sie in der Ergänzungstabelle 3.

Um das potenzielle Datenungleichgewichtsproblem (geringer Anteil der blitzaktiven Fälle an der Gesamtzahl der Fälle) anzugehen, wird die Fokusverlustfunktion im lightGBM-Modell implementiert, mit dem Ausdruck der Verlustfunktion in Gl. (1). Die Gewichtungshyperparameter α und γ wurden in der LightGBM-Schicht eingeführt, um die falsch klassifizierten positiven Klassen hervorzuheben. In unserem Optimierungsprozess setzen wir α = 0,75 und γ = 0 (in ergänzender Abbildung 5), um das gewünschte Gleichgewicht zwischen Präzision und Rückruf in den Vorhersagen des Modells zu erreichen.

Wo:

Die Parameter y bezeichnen die Ground-Truth-Klasse und p bezeichnet die vom Modell geschätzte Wahrscheinlichkeit für die Klasse mit der Bezeichnung y = 1.

Das LightGBM-Modell kann als Gl. ausgedrückt werden. (2), wobei der Index t den aktuellen Moment darstellt, während t + 1 den Blitzstatus in der folgenden Stunde darstellt, die das Ziel der Vorhersage ist. Das Ergebnis der Modellvorhersage ist ein binäres Klassifizierungsergebnis, wobei 0 für kein Auftreten eines Blitzes und 1 für das Auftreten eines Blitzes innerhalb der nächsten Stunde steht. Die zeitlichen Informationen werden durch die Einbeziehung des Tages des Jahres (DOY) und der lokalen Stunde (HH) als Merkmale erfasst. Um die Bedeutung von Aerosolen zu berücksichtigen, wird die Gl. (3) entfernt die Informationen über Aerosole, um das Auftreten von Blitzen vorherzusagen, und vergleicht sie mit Gl. (2).

Der Untersuchungszeitraum ist der Sommer 2020 (Juni, Juli und August), in dem es im gesamten Jahr am häufigsten zu Blitzen kommt. Es liegen 37.415.530 Datensätze für das Training und Testen des LightGBM-Modells vor. Wir haben auch die Übertragbarkeit des Modells bewertet, indem wir es mit dem Sommerzeitdatensatz 2021 getestet haben, obwohl es ausschließlich mit dem Sommerzeitdatensatz 2020 trainiert wurde.

In dieser Studie wird die Modellleistung durch eine 10-fache tagesbasierte Kreuzvalidierungsmethode bewertet, die ein gängiger Bewertungsansatz zur Bewertung der Gesamtleistung des Modells ist. In jeder Falte werden die Datensätze in aufeinanderfolgende Tage unterteilt, die etwa 1/10 des gesamten Studienzeitraums abdecken, und anschließend als Testsatz zugewiesen, während andere Datenproben als Trainingssatz zugewiesen werden. Anschließend wird das LightGBM-Modell für maschinelles Lernen mit dem Trainingssatz trainiert und seine Leistung anhand des Testsatzes bewertet. Der Vorgang wird 10 Mal wiederholt, bis alle Proben einmalig dem Testsatz zugeordnet wurden. Die Gesamtleistung des Modells wird durch die Bildung des Durchschnitts aller 10 Läufe ermittelt.

Um das Modell des maschinellen Lernens zu interpretieren und die Erkenntnisse aus den Merkmalen zu gewinnen, wird die Shapley Additive ExPlanation Approach (SHAP)-Methode auf das LightGBM-Modell (M1) angewendet. SHAP wurde in jüngsten Studien häufig zur Interpretation der auf neuronalen Netzwerken und Bäumen basierenden Modelle des maschinellen Lernens verwendet65,66,67. Der SHAP-Ansatz verteilt die Gesamtgewinne auf der Grundlage der Koalitionsspieltheorie68 unter den Spielern. Der SHAP kann den quantitativen Beitrag jedes Merkmals in jeder Stichprobe für ein gut trainiertes Modell für maschinelles Lernen abrufen, das das Modell für maschinelles Lernen erklären und die Bedeutung des Merkmals für eine stichprobenspezifische Ansicht interpretieren kann. In der SHAP-Theorie wird der Unterschied einer Modellvorhersage durch eine Variable durch ihren marginalen Beitrag bestimmt. Unter Berücksichtigung der interaktiven Effekte zwischen den Variablen wird jede mögliche Variablenkombination jeder Stichprobe berechnet69. Somit können die Ergebnisse als lineare Summierung von Merkmalszuordnungen interpretiert werden, wie in Gleichung (1) ausgedrückt. (4). Durch die Interpretation des LightGBM-Modells mit SHAP können wir den individuellen Beitrag jedes Merkmals zum Auftreten von Blitzen ermitteln und daraus die relative Bedeutung jeder Variablen ableiten.

SHAPi repräsentiert den SHAP-Wert der i-Variablen,

SHAP0 stellt den erwarteten Wert der Modellausgabe für den Datensatz dar, \({\text{LN}}_{\text{prob}}\) zeigt die vorhergesagte Wahrscheinlichkeit des Auftretens von Blitzen, einen kontinuierlichen Wert zwischen 0 und 1.

Die Blitzbeobachtung durch Geostationary Lightning Mapper kann über https://www.avl.class.noaa.gov/ abgerufen werden. Die Blitzbeobachtung durch Lightning Mapping Array kann über https://search.earthdata.nasa.gov/ abgerufen werden. Die AQS PM2.5-Beobachtungen basierend auf bodennahen Standorten werden von https://aqs.epa.gov/aqsweb/airdata/ abgerufen. Die CAMS-Aerosol- und Meteorologiedaten werden von https://ads.atmosphere.copernicus.eu/ abgerufen. Abgeleitete Daten, die die Ergebnisse dieser Studie stützen, sind auf begründete Anfrage beim entsprechenden Autor erhältlich. Demodatensätze für das Modelltraining sind in Zenodo70 verfügbar.

Wichtige Quellcodes und relative Verarbeitungscodes für die Analyse dieser Studie sind in Github71 verfügbar.

Borden, KA & Cutter, SL Räumliche Muster der Sterblichkeit durch Naturgefahren in den Vereinigten Staaten. Int. J. Gesundheit Geogr. 7, 1–13 (2008).

Artikel Google Scholar

Cooper, MA & Holle, RL Reducing Lightning Injuries Worldwide 1. Auflage (Springer International Publishing, 2019).

Levy, H., Moxim, W. & Kasibhatla, P. Eine globale dreidimensionale zeitabhängige Blitzquelle für troposphärisches NOx. J. Geophys. Res. Atmosphäre. 101, 22911–22922 (1996).

Artikel Google Scholar

Carey, L. & Rutledge, S. Eine Multiparameter-Radar-Fallstudie der mikrophysikalischen und kinematischen Entwicklung eines blitzerzeugenden Sturms. Meteor. Atmosphäre. Physik. 59, 33–64 (1996).

Artikel Google Scholar

Kamra, AK & Ramesh Kumar, P. Regionale Variabilität der Blitzaktivität über Südasien. Int. J. Climatol. 41, 625–646 (2021).

Artikel Google Scholar

Kotroni, V. & Lagouvardos, K. Blitze im Mittelmeer und ihr Zusammenhang mit der Meeresoberflächentemperatur. Umgebung. Res. Lette. 11, 034006 (2016).

Artikel Google Scholar

Xiong, YJ, Qie, XS, Zhou, YJ, Yuan, T. & Zhang, TL Regionale Reaktionen von Blitzaktivitäten auf die relative Luftfeuchtigkeit der Oberfläche. Kinn. J. Geophys. 49, 311–318 (2006).

Artikel Google Scholar

Griffiths, R. & Phelps, C. Die Auswirkungen von Luftdruck und Wasserdampfgehalt auf die Ausbreitung positiver Corona-Streamer und ihre Auswirkungen auf die Blitzauslösung. QJR Meteorol. Soc. 102, 419–426 (1976).

Artikel Google Scholar

Yair, Y. et al. Vorhersage des Potenzials für Blitzaktivität bei Stürmen im Mittelmeerraum basierend auf den dynamischen und mikrophysikalischen Feldern des Weather Research and Forecasting (WRF)-Modells. J. Geophys. Res. Atmosphäre. 115 (2010).

Lopez, P. Eine Blitzparametrisierung für das integrierte Prognosesystem des ECMWF. Mo. Weather Rev. 144, 3057–3075 (2016).

Artikel Google Scholar

Gharaylou, M., Farahani, MM, Mahmoudian, A. & Hosseini, M. Vorhersage der Blitzaktivität mithilfe des WRF-ELEC-Modells: Einfluss von Anfangs- und Randbedingungen. J. Atmos. Sol. Terr. Physik. 210, 105438 (2020).

Artikel Google Scholar

Zepka, G., Pinto, O. Jr. & Saraiva, A. Blitzvorhersage im Südosten Brasiliens mit dem WRF-Modell. Atmosphäre. Res. 135, 344–362 (2014).

Artikel Google Scholar

Giannaros, TM, Kotroni, V. & Lagouvardos, K. Vorhersage der Blitzaktivität in Griechenland mit dem Weather Research and Forecasting (WRF)-Modell. Atmosphäre. Res. 156, 1–13 (2015).

Artikel Google Scholar

Mostajabi, A., Finney, DL, Rubinstein, M. & Rachidi, F. Vorhersage des Auftretens von Blitzen anhand allgemein verfügbarer meteorologischer Parameter mithilfe maschineller Lerntechniken. npj Clim. Atmosphäre. Wissenschaft. 2, 1–15 (2019).

Artikel Google Scholar

Pakdaman, M., Naghab, SS, Khazanedari, L., Malbousi, S. & Falamarzi, Y. Blitzvorhersage unter Verwendung eines Ensemble-Lernansatzes für Nordostiran. J. Atmos. Sonne. Terr. Physik. Rev. 209, 105417 (2020).

Artikel Google Scholar

Leinonen, J., Hamann, U., Germann, U. & Mecikalski, JR Nowcasting von Gewittergefahren mithilfe maschinellen Lernens: Der Einfluss von Datenquellen auf die Leistung. Nat. Gefahren Erdsystem Wissenschaft. 22, 577–597 (2022).

Artikel Google Scholar

Moon, S.-H. & Kim, Y.-H. Vorhersage von Blitzen rund um die koreanische Halbinsel durch Nachbearbeitung von ECMWF-Daten mithilfe von SVMs und Unterabtastung. Atmosphäre. Res. 243, 105026 (2020).

Artikel Google Scholar

Essa, Y., Ajoodha, R. & Hunt, HG Ein wiederkehrendes neuronales LSTM-Netzwerk zur Blitzvorhersage im südlichen Afrika unter Verwendung historischer Zeitreihendaten. In: 2020 IEEE Asia-Pacific Conference on Computer Science and Data Engineering (CSDE) (IEEE, 2020).

Leal, AF, Rakov, V., Alves, ER & Lopes, MN Schätzung der CG-Blitzentfernungen mithilfe von E-Feldmessungen an einer Station und Techniken des maschinellen Lernens. In: 2019 International Symposium on Lightning Protection (XV SIPDA) (IEEE, 2019).

Coombs, ML et al. Kurzfristige Vorhersage und Erkennung von Explosionen während des Ausbruchs des Bogoslof-Vulkans in Alaska 2016–2017. Vorderseite. Erdwissenschaft. 6, 122 (2018).

Artikel Google Scholar

Cecil, DJ, Buechler, DE & Blakeslee, RJ TRMM LIS Klimatologie des Auftretens von Gewittern und bedingte Blitzraten. J. Clim. 28, 6536–6547 (2015).

Artikel Google Scholar

Rudlosky, SD & Shea, DT Bewertung der WWLLN-Leistung im Vergleich zu TRMM/LIS. Geophys. Res. Lette. 40, 2344–2348 (2013).

Artikel Google Scholar

Honda, T., Sato, Y. & Miyoshi, T. Mögliche Auswirkungen von Blitzbeobachtungen auf die numerische Wettervorhersage mit expliziten Blitzprozessen. J. Geophys. Res. Atmosphäre. 126, e2021JD034611 (2021).

Artikel Google Scholar

Silva, SJ, Keller, CA & Hardin, J. Verwendung eines erklärbaren maschinellen Lernansatzes zur Charakterisierung von Fehlern im Erdsystemmodell: Anwendung der SHAP-Analyse zur Modellierung des Auftretens von Blitzen. J. Adv. Modell. Erdsystem. 14, e2021MS002881 (2022).

Artikel Google Scholar

Heuscher, L., Liu, C., Gatlin, P. & Petersen, WA Zusammenhang zwischen Blitz, Niederschlag und Umwelteigenschaften in mittleren/hohen Breiten aus einer GLM- und GPM-Perspektive. J. Geophys. Res. Atmosphäre. 127, e2022JD036894 (2022).

Artikel Google Scholar

Rodríguez-Pérez, JR, Ordóñez, C., Roca-Pardiñas, J., Vecín-Arias, D. & Castedo-Dorado, F. Bewertung des Auftretens von durch Blitzschlag verursachten Bränden mithilfe räumlicher verallgemeinerter additiver Modelle: eine Fallstudie in Zentralspanien. Risiko Anal. 40, 1418–1437 (2020).

Artikel Google Scholar

Schultz, CJ, Andrews, VP, Genareau, KD & Naeger, AR Beobachtungen von Blitzen im Zusammenhang mit Übergängen der vulkanischen Aktivität während des Fuego-Ausbruchs am 3. Juni 2018. Wissenschaft. Rep. 10, 1–12 (2020).

Artikel Google Scholar

Murphy, KM, Bruning, EC, Schultz, CJ & Vanos, JK Eine räumlich-zeitliche Blitzrisikobewertung unter Verwendung von Blitzkartierungsdaten. Wetter Clim. Soc. 13, 571–589 (2021).

Artikel Google Scholar

Montanya, J. et al. Möglicher Einsatz der weltraumgestützten Blitzdetektion in Stromversorgungssystemen. Elektr. Stromversorgungssystem. Res. 213, 108730 (2022).

Artikel Google Scholar

Bateman, M. & Mach, D. Vorläufige Erkennungseffizienz und Bewertung der Fehlalarmrate des Geostationary Lightning Mapper auf dem Satelliten GOES-16. J. Appl. Remote Sens. 14, 032406 (2020).

Artikel Google Scholar

Thornton, JA, Virts, KS, Holzworth, RH & Mitchell, TP Blitzverbesserung über wichtigen ozeanischen Schifffahrtsrouten. Geophys. Res. Lette. 44, 9102–9111 (2017).

Artikel Google Scholar

Altaratz, O., Kucienska, B., Kostinski, A., Raga, GB & Koren, I. Globaler Zusammenhang von Aerosol mit der Blitzdichte intensiver Blitze. Umgebung. Res. Lette. 12, 114037 (2017).

Artikel Google Scholar

Altaratz, O., Koren, I., Yair, Y. & Price, C. Der Einfluss von Aerosolen auf die Blitzaktivität bei Gewittern. In: 12. Plinius-Konferenz über Mittelmeerstürme (2010).

Liu, Y. et al. Auswirkungen von Aerosolen auf die Blitzeigenschaften: ein Vergleich verschmutzter und sauberer Regime. Geophys. Res. Lette. 47, e2019GL086825 (2020).

Google Scholar

Wang, Q., Li, Z., Guo, J., Zhao, C. & Cribb, M. Der Klimaeinfluss von Aerosolen auf die Blitzfrequenz: Ist er durch Langzeitmessungen nachweisbar? Atmosphäre. Chem. Physik. 18, 12797–12816 (2018).

Artikel Google Scholar

Sun, M. et al. Aerosoleffekte auf Elektrifizierung und Blitzentladungen in einem mehrzelligen Gewitter, simuliert durch das WRF-ELEC-Modell. Atmosphäre. Chem. Physik. 21, 14141–14158 (2021).

Artikel Google Scholar

Pan, Z. et al. Grobe Meeresgischt hemmt Blitze. Nat. Komm. 13, 1–7 (2022).

Artikel Google Scholar

Engel-Cox, JA, Holloman, CH, Coutant, BW & Hoff, RM Qualitative und quantitative Auswertung von MODIS-Satellitensensordaten für die Luftqualität auf regionaler und städtischer Ebene. Atmosphäre. Umgebung. 38, 2495–2509 (2004).

Artikel Google Scholar

Hu, X., Waller, L., Lyapustin, A., Wang, Y. & Liu, Y. 10-jährige räumliche und zeitliche Trends der PM 2,5-Konzentrationen im Südosten der USA, geschätzt anhand hochauflösender Satellitendaten. Atmosphäre. Chem. Physik. 14, 6301–6314 (2014).

Artikel Google Scholar

Fuchs, BR & Rutledge, SA Untersuchung von Blitzorten in isolierter Konvektion mithilfe von LMA-Beobachtungen. J. Geophys. Res. Atmosphäre. 123, 6158–6174 (2018).

Artikel Google Scholar

López, JA et al. Räumlich-zeitliche Dimension von Blitzen basierend auf dem dreidimensionalen Lightning Mapping Array. Atmosphäre. Res. 197, 255–264 (2017).

Artikel Google Scholar

Tao, WK, Chen, JP, Li, Z., Wang, C. & Zhang, C. Einfluss von Aerosolen auf konvektive Wolken und Niederschläge. Rev. Geophys. 50 (2012).

Altaratz, O., Koren, I., Remer, L. & Hirsch, E. Wolkenbelebung durch Aerosole – Kopplung zwischen Mikrophysik und Dynamik. Atmosphäre. Res. 140, 38–60 (2014).

Artikel Google Scholar

Shen, C. Analyse der trendbereinigten zeitverzögerten Kreuzkorrelation zwischen zwei instationären Zeitreihen. Physik. Lette. A 379, 680–687 (2015).

Artikel Google Scholar

Larkin, NK, Raffuse, SM & Strand, TM Waldbrandemissionen, Kohlenstoff und Klima: US-Emissionsinventare. Ökologisch. Geschäftsführer 317, 61–69 (2014).

Artikel Google Scholar

Zhao, P. et al. Deutliche Aerosoleffekte auf Wolken-Boden-Blitze in den Plateau- und Beckenregionen von Sichuan im Südwesten Chinas. Atmosphäre. Chem. Physik. 20, 13379–13397 (2020).

Artikel Google Scholar

Proestakis, E. et al. Aerosole und Blitzaktivität: die Auswirkung von Vertikalprofil und Aerosoltyp. Atmosphäre. Res. 182, 243–255 (2016).

Artikel Google Scholar

Orville, RE et al. Verstärkung der Wolken-Boden-Blitze über Houston, Texas. Geophys. Res. Lette. 28, 2597–2600 (2001).

Artikel Google Scholar

Van Den Heever, SC & Cotton, WR Städtische Aerosolauswirkungen auf konvektive Stürme in Windrichtung. J. Appl. Meteorol. Klimatol. 46, 828–850 (2007).

Artikel Google Scholar

Zhao, P. et al. Möglicher Zusammenhang zwischen Aerosolen und positiven Wolken-Boden-Blitzen während der warmen Jahreszeit in Sichuan im Südwesten Chinas. Vorderseite. Umgebung. Wissenschaft. 1112 (2022).

Menon, S., Hansen, J., Nazarenko, L. & Luo, Y. Klimaeffekte von Rußaerosolen in China und Indien. Wissenschaft 297, 2250–2253 (2002).

Artikel Google Scholar

Jin, Q., Grandey, BS, Rothenberg, D., Avramov, A. & Wang, C. Auswirkungen auf Wolkenstrahlungseffekte, die durch gleichzeitig vorhandene Aerosole verursacht werden, die aus der internationalen Schifffahrt und maritimen DMS-Emissionen entstehen. Atmosphäre. Chem. Physik. 18, 16793–16808 (2018).

Artikel Google Scholar

Shi, Z., Wang, H., Tan, Y., Li, L. & Li, C. Einfluss von Aerosolen auf Blitzaktivitäten in zentralöstlichen Teilen Chinas. Atmosphäre. Wissenschaft. Lette. 21, e957 (2020).

Artikel Google Scholar

Edgington, S., Tillier, C. & Anderson, M. Design, Kalibrierung und Tests im Orbit des geostationären Blitzkartographen auf dem Wettersatelliten der GOES-R-Serie. In: Internationale Konferenz über Weltraumoptik – ICSO 2018 (Internationale Gesellschaft für Optik und Photonik, 2019).

Mach, DM Stabilität des Geostationary Lightning Mapper-Clustering-Algorithmus. J. Geophys. Res. Atmosphäre. 125, e2019JD031900 (2020).

Artikel Google Scholar

Rudlosky, SD, Goodman, SJ, Virts, KS & Bruning, EC Erste geostationäre Blitzkartierungsbeobachtungen. Geophys. Res. Lette. 46, 1097–1104 (2019).

Artikel Google Scholar

Goodman, SJ et al. Der geostationäre Blitzkartograph (GLM) GOES-R. Atmosphäre. Res. 125, 34–49 (2013).

Artikel Google Scholar

Oda, PS, Enoré, DP, Mattos, EV, Gonçalves, WA & Albrecht, RI Eine erste Bewertung der Verteilung der gesamten Flash Rate Density (FRD) in Brasilien anhand von GOES-16 Geostationary Lightning Mapper (GLM)-Beobachtungen. Atmosphäre. Res. 270, 106081 (2022).

Artikel Google Scholar

Peterson, MJ et al. Neue Weltorganisation für Meteorologie zertifizierte Megablitz-Extreme für Blitzentfernung (709 km) und Dauer (16,73 s), aufgezeichnet aus dem Weltraum. Geophys. Res. Lette. 47, e2020GL088888 (2020).

Artikel Google Scholar

Flemming, J. et al. Troposphärenchemie im Integrierten Prognosesystem des ECMWF. Geosci. Modellentwickler. 8, 975–1003 (2015).

Artikel Google Scholar

Courtier, P., Thépaut, JN & Hollingsworth, A. Eine Strategie für die operative Umsetzung von 4D-Var unter Verwendung eines inkrementellen Ansatzes. QJR Meteorol. Soc. 120, 1367–1387 (1994).

Artikel Google Scholar

Zeng, Z. et al. Schätzung des stündlichen Oberflächen-PM2. 5 Konzentrationen in ganz China aus hochdichten meteorologischen Beobachtungen durch maschinelles Lernen. Atmosphäre. Res. 254, 105516 (2021).

Artikel Google Scholar

Hersbach, H. et al. Die globale ERA5-Reanalyse. QJR Meteorol. Soc. 146, 1999–2049 (2020).

Ke, G. et al. Lightgbm: Ein hocheffizienter Entscheidungsbaum zur Gradientenverstärkung. Proz. Adv. Neuronale Inf. Verfahren. Syst. 30, 3146–3154 (2017).

Google Scholar

Wu, Y., Lin, S., Shi, K., Ye, Z. & Fang, Y. Saisonale Vorhersage des täglichen PM2. 5 Konzentrationen mit interpretierbarem maschinellem Lernen: eine Fallstudie aus Peking, China. Umgebung. Wissenschaft. Umweltverschmutzung. Res. 29, 45821–836 (2022).

Hou, L. et al. Aufdeckung von Dunstverschmutzung durch erklärbares maschinelles Lernen. Umgebung. Wissenschaft. Technol. Lette. 9 (2022).

García, MV & Aznarte, JL Shapley additive Erklärungen zur NO2-Vorhersage. Ökologisch. Inf. 56, 101039 (2020).

Artikel Google Scholar

Shapley, LS In Contributions to the Theory of Games II (Hrsg. Kuhn, H. & Tucker, A.) (Princeton University Press, 1953).

Lundberg, SM & Lee, S.-I. Ein einheitlicher Ansatz zur Interpretation von Modellvorhersagen. Proz. Adv. Neuronale Inf. Verfahren. Syst. 30 (2017).

Song, G., Li, S. & Xing, J. Auf maschinellem Lernen basierendes Archiv für Blitz-Nowcasting-Daten, Zenodo https://doi.org/10.5281/zenodo.8141921 (2023).

Song, G. lightning-nowcast-model, Github https://github.com/ARSgesong/lightning-nowcast-model (2023).

Referenzen herunterladen

Diese Studie wurde von der National Natural Science Foundation of China [Nr.: 41975022] und der Foundation for Innovative Research Groups der Hubei Natural Science Foundation [Nr.: 2020CFA003] finanziert.

Hubei Key Laboratory of Quantitative Remote Sensing of Land and Atmosphere, School of Remote Sensing and Information Engineering, Wuhan University, 430000, Hubei, China

Ge Song & Siwei Li

Staatliches Schlüssellabor für Informationstechnik in Vermessung, Kartierung und Fernerkundung, Universität Wuhan, Wuhan, China

Siwei Li

Hubei Luojia Laboratory, Universität Wuhan, 430000, Hubei, China

Siwei Li

Abteilung für Bau- und Umweltingenieurwesen, University of Tennessee, Knoxville, TN 37996, USA

Jia Xing

Sie können diesen Autor auch in PubMed Google Scholar suchen

SG: Methodik, Untersuchung, Modellentwicklung, formale Analyse, Schreiben – Vorbereitung des Originalentwurfs, Schreiben – Überprüfen und Bearbeiten. LS: Konzeptualisierung, Untersuchung, Finanzierungseinwerbung, Supervision, Schreiben – Überprüfen und Bearbeiten. XJ: Supervision, Schreiben – Überprüfen und Bearbeiten.

Korrespondenz mit Siwei Li.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Anmerkung des Herausgebers Springer Nature bleibt hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten neutral.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die Originalautor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht gesetzlich zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Song, G., Li, S. & Xing, J. Lightning Nowcasting mit Aerosol-informiertem maschinellen Lernen und mit Satelliten angereicherten Datensätzen. npj Clim Atmos Sci 6, 126 (2023). https://doi.org/10.1038/s41612-023-00451-x

Zitat herunterladen

Eingegangen: 22. Februar 2023

Angenommen: 10. August 2023

Veröffentlicht: 24. August 2023

DOI: https://doi.org/10.1038/s41612-023-00451-x

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein Link zum Teilen verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Blog