image: 首先将过去1个时刻的ERA5数据输入气象大模型, 生成未来Tf个时刻基础气象参量预报结果；随后对该数据进行区域裁剪, 以聚焦特定局地范围. 同时, 输入目标预报区域过去Tp个时刻的闪电观测数据. 最终, 使用gSTFNet融合双源输入数据, 生成未来Tf个时刻闪电预报结果. gSTFNet由四个模块构成: 大模型预测数据编码器(模块I)、闪电观测数据编码器(模块II)、门控时空融合模块(模块III)和预测解码器(模块IV). view more
Credit: ©《中国科学》杂志社
近日，《中国科学：地球科学》发表了北京交通大学与中国气象科学研究院的合作研究成果. 研究团队开展了基于气象大模型的精细化闪电预报方法研究, 提出大模型与临近闪电观测数据双源驱动的预报框架, 旨在融合二者在长期天气趋势预测与短期外推的互补优势提升预报性能. 在方法上, 团队设计了一种门控时空融合网络gSTFNet用于解决双源数据在跨时间和跨模态融合中的挑战. gSTFNet首先使用双源编码器分别对气象大模型预测结果和临近闪电观测数据进行特征编码, 有效减少潜在特征空间中的模态差异; 随后利用门控时空融合模块建模双源特征编码的时空关联, 实现无缝的跨时间融合; 最后通过预测解码器提升融合特征的空间分辨率, 最终生成高精细度闪电预报产品.
通过广东地区2018~2022年五年真实闪电观测数据对方法进行评估, gSTFNet模型取得了比欧洲中期天气预报中心发布的HRES预报以及六种基于深度学习的时空序列预测模型更优的性能表现. 这种优势源于模型中的门控时空融合模块, 该模块能够有效地捕捉双源特征的时空关联, 并充分融合双源数据在长期天气趋势预测与短期外推的互补优势, 从而增强了模型的整体预测能力.
为了探究不同数据源对gSTFNet模型预报效果的影响, 研究团队对比了仅使用大模型预测数据作为输入(gSTFNet-P)和仅使用闪电观测数据作为输入(gSTFNet-L)的预报结果. 实验结果表明, gSTFNet-P的表现优于HRES, 这表明大模型的预测精度能够与当前领先的NWP方法相媲美. 相比之下, gSTFNet-L在短期预测中明显优于gSTFNet-P, 主要因为其输入的历史闪电观测数据与未来闪电短期发展有较强的相关性, 模型通过训练能够有效捕捉和建模这种关联性. 然而, 随着预报时长的增加, gSTFNet-P的预报精度更加稳定, gSTFNet-L的预报性能则快速衰退, 最终不及gSTFNet-P. 通过有效融合大模型在长期天气趋势预测中的优势以及闪电观测数据在短期预测中的补充作用, gSTFNet在几乎所有时段的表现都优于其他模型, 进一步证明了该融合策略的有效性.
综上所述, 虽然现有气象大模型尚不能直接生成闪电预报, 但通过对其输出进行神经网络的适配训练, 展示出一定的闪电预报能力. 然而, 单独依赖气象大模型难以显著提升闪电预报的准确性, 更为有效的策略是将大模型的预测结果与实际观测数据深度融合, 充分挖掘两者的互补优势, 能够实现预报性能的显著提升.
论文：
李怡然, 李清勇, 郑栋, 耿阳李敖, 郭志清, 徐良韬, 姚雯, 吕伟涛. 2025. 基于气象大模型的门控时空融合网络闪电预报方法. 中国科学: 地球科学, 55(9): 3086–3103
Journal
Science China Earth Sciences