导语：雷击是导致输电线路跳闸的首要气象灾害，但传统数值模式算得慢、外推方法撑不久。近日发表于《Atmospheric and Oceanic Science Letters》的一项研究，用一套融合注意力机制的卷积门控循环网络（Conv-GRU-attention），直接预报未来两小时的云-地闪频次与落区，并在2024年湖北冬季雷击跳闸和广东白云EF2龙卷风母风暴两次真实事件中通过检验，展现出跨季节、跨区域的泛化能力。

　　全球气候变化背景下，极端气象灾害频发，对电网构成持续威胁。云-地闪（CG）引发的线路跳闸，在各类气象灾害中位居前列。围绕雷电，学界已发展出多种探测手段——雷电定位、先导发展观测、雷暴电荷结构研究等，但准确预报雷电，至今仍是难题。

　　传统雷电预报主要有两条路径。一是求解大气动力学与微物理方程组的数值模式，物理机制清晰，但计算耗时，难以满足雷电临近预报的时效要求。二是雷暴外推法，依据风暴移动轨迹推算雷电落区，有效预报时效通常不足30分钟，且面对复杂非线性过程时力不从心。

　　近年来，深度学习为雷电非线性预报打开了新思路。由于雷电兼具时空变异性，其预报问题可视为一个“视频预测”问题。已有研究用卷积长短期记忆网络（Conv-LSTM）或卷积门控循环单元（ConvGRU）提取气象与雷电数据的时空特征。但多数工作预报的是雷电发生位置和概率，而非雷电频次；即便有个别研究实现了频次预测，也尚未落到电网应用场景中。

研究方案：Conv-GRU + 注意力机制，用卫星和闪电数据“看”未来

　　本研究构建了融合注意力机制的Conv-GRU雷电频次预报模型（Conv-GRU-attention），数据来自国家电网广域雷电监测网络和Himawari-8/9卫星。

　　研究区域为华中地区（29.0°–33.5°N，108.0°–116.5°E），主要覆盖湖北省。训练数据为2020–2023年5–9月暖季数据：2023年9月之前的数据作为建模数据，其中80%随机选为训练集、20%为验证集；2023年9月剩余数据为测试集。模型建好后，再用2024年一次华中冬季雷暴和一次华南龙卷风风暴，检验其泛化能力。

　　数据预处理上，闪电定位数据按10分钟、0.05°分辨率网格化，计算格点雷电频次后作高斯模糊。由于雷电频次分布高度偏态，研究采用对数变换 fl_tran = log₂(flash + 1)，再作min-max归一化——相比直接归一化，对数变换显著降低了频次分布的偏态，提高了高频雷电事件的占比。卫星图像则直接作min-max归一化。

　　模型结构上，输入层接收过去6个时次的历史卫星与闪电网格图像作为预测因子，未来12个时次的雷电频次网格作为预测标签。卷积层与最大池化层提取空间特征，GRU层捕捉时间依赖，全连接层与输出层给出未来120分钟的雷电预报。注意力机制则通过计算不同位置的注意力权重，自适应调整模型关注重点。

　　针对雷电空间稀疏导致的样本不平衡，研究设计了时空加权损失函数，对后期时次赋予更大权重（时间权重从0.5递增至1.7），引导模型更关注远期预报精度。模型在NVA800-E4x16 GPU上训练，最大迭代1000次，采用Adam优化器。

核心发现一：平均POD 0.439、CSI 0.207，预报性能随提前时间平稳衰减

　　测试集上，模型在0–120分钟提前时间下的表现如下：

　　平均POD为0.439，平均CSI为0.207，与已有同类研究水平相当。随着提前时间从10分钟延长至120分钟，各项指标呈平稳衰减：ACC从0.993降至0.987，POD从0.586降至0.371，FAR从0.543升至0.771，CSI从0.336降至0.132，MAE从0.01升至0.014。研究特别指出，在0.05°分辨率下逐格点评估是相当严格的；若采用邻域评估方法，模型性能还会更好。

　　从个例看，模型能较好刻画雷暴单体的移动与合并过程。测试集Case 1中，模型预测的单体#1向东南移动、单体#2自西向东移动，40分钟后二者合并，110分钟后单体#1逐渐消散——这些趋势与实际观测一致。Case 2中，模型大致反映了单体#1前80分钟东南移并减弱的过程，但后40分钟实际频次回升、以及从西侧新生的单体#3，模型未能捕捉。原因在于，模型只能依据历史帧中学习到的特征作预报，而新生单体的历史信息出现在模型区域之外。

核心发现二：暖季模型成功预报冬季雷击跳闸

　　为检验时间维度的泛化能力，研究用暖季（5–9月）数据构建的模型，去预报2024年2月的一次冬季雷暴。

　　2024年2月19日华中一次雷暴过程中，模型初始化时间为23:40。观测与预测结果一致显示，雷暴单体#1、#2向东移动，单体#2逐渐消散，雷暴向东北方向的扩展也在一定程度上被模型反映。不过，模型预测的单体边界比观测更平滑，在最后四个时次尤为明显。

　　这次过程中，湖北一条特高压输电线路在2024年2月20日01:14报告了一起雷击跳闸。对比预报结果可以看到，模型大致预报出了跳闸相关单体的雷电频次，尽管预测的雷电位置存在一定偏差。

　　一个有趣的细节是：跳闸位置东北方向的雷电频次更高，却没有跳闸报告。这说明雷击跳闸并不必然发生在雷电频次最高的区域——这是输电线路实际运行中常被观察到的现象。研究认为，这一结果体现了模型在冬季雷电及雷击跳闸预报上的时间泛化能力。

核心发现三：华中模型跨区预报华南龙卷风母风暴

　　为检验空间维度的泛化能力，研究用华中地区数据构建的模型，去预报2024年4月27日广东广州白云区EF2龙卷风的母风暴。

　　模型初始化时间为14:00。据灾情报告，该龙卷风风暴自西向东发展，14:42进入白云区钟落潭镇，约14:57触地，造成部分停电事故。对应地，雷暴单体#1自西向东移动并逐渐向东南扩展——这一点被模型成功反映出来。

　　不过在龙卷风触地前（15:00），观测到的雷暴呈现出三个雷电单体热点，而模型给出的是更平滑的预测结果。这限制了模型对小尺度涡旋特征的预报与挖掘能力，例如闪电洞和相关雷达钩状回波。研究分析，原因可能在于卷积与池化过程中的信息损失和平滑效应，导致模型刻画雷暴单体边界的能力有限。尽管如此，模型仍能预报龙卷风风暴的雷电位置和频次，对龙卷风预报具有参考价值。

结论与展望：从频次到电流，从单一数据到多源融合

　　本研究构建的Conv-GRU-attention模型，在0–120分钟提前时间下测试集平均POD为0.439、平均CSI为0.207，并用其预报了2024年两次雷击相关的电网跳闸事件——湖北冬季雷暴和广东春季EF2龙卷风母风暴，在时间和空间两个维度上均展现出良好的泛化能力。

　　模型对组织化对流雷暴的雷电频次和位置预报表现较好，因为这类风暴的发展、演变和消散趋势相对清晰、易于捕捉。其挑战主要在于：预报孤立单体或从模型边界新生的单体；预测的雷电位置与观测存在一定偏差；刻画雷暴单体边界的能力不足。研究认为，这一误差对雷电临近预报而言是可以接受的。

　　未来改进方向包括：用总闪数据替代云-地闪数据，因为总闪与卫星数据的相关性更强；融合更多数据源，如云内闪电、雷达、地面气象变量和数值天气预报，尤其是影响云起电和电荷区高度的因子；拓展模型输出，除频次和位置外，还应考虑电流等更多雷电参量，因为低频次雷电同样可能引发跳闸。

论文信息：Li F, Li J, Gu S, et al. Nowcasting of cloud-to-ground lightning location and frequency based on a deep learning technique. Atmospheric and Oceanic Science Letters, 2026, 19(3): 100607. DOI: 10.1016/j.aosl.2025.100607

Nowcasting of cloud-to-ground lightning location and frequency based on a deep learning technique - ScienceDirect

作者单位：南瑞集团有限公司；中国气象局龙卷风重点开放实验室；国网电力科学研究院武汉南瑞有限责任公司；国家能源雷电灾害检测预警与安全防护重点实验室；电网雷击风险预防湖北省重点实验室

资助信息：湖北省自然科学基金创新发展联合基金（2022CFD124）、中国气象局龙卷风重点开放实验室（TKL202305）

支持单位：