利用深度学习融合NWP和多源观测数据的闪电落区短时预报方法

强对流短时预报（2—6 h）具有较大难度。一方面，基于观测数据的外推已基本不可用；另一方面，高分辨率数值模式（Highresolution Numerical Weather Prediction，HNWP）的预报性能有待提升。利用深度学习方法，将卫星、雷达、云-地闪电（简称闪电）等观测数据和高分辨率数值模式预测数据进行融合，得到更有效的闪电落区短时预报结果。基于多源观测数据和高分辨率数值天气预报数据的特性，构建了一个双输入单输出的深度学习语义分割模型（LightningNet-NWP），使用了包括闪电密度、雷达组合反射率拼图、卫星成像仪6个红外通道，以及GRAPES_3km模式预报的雷达组合反射率等共9个预报因子。深度学习模型使用了编码-解码的经典全卷卷积结构，并使用池化索引共享的方式，尽可能保留不同尺度特征图上的细节特征信息；利用三维卷积层提取观测数据时间和空间上的变化特征。结果表明，LightningNet-NWP能够较好地实现0—6 h的闪电落区预报，具备比单纯使用多源观测数据、高分辨率数值模式预报数据更好的预报结果。深度学习能够有效实现多源观测数据和数值天气预报数据的融合，在2—6 h时效预报效果优于单独使用观测数据或数值天气预报数据；预报时效越长，融合的优势体现得越明显。