从对流允许模拟的垂直廓线推断雷暴发生：物理深度学习模型的见解
摘要
雷暴由于强降水、冰雹、闪电和强风而产生显著的社会和经济影响，因此需要可靠的预报。基于数值天气预报（NWP）的雷暴预报通常依赖于从三维大气变量的垂直廓线中提取的单层替代预测因子，如对流有效位能和对流抑制。在本研究中，我们开发了SALAMA 1D，一个深度神经网络，它直接从十个大气变量的垂直廓线推断雷暴发生的概率，绕过了单层预测因子。通过在对流允许的NWP预报上训练模型，我们允许SALAMA 1D灵活地识别对流模式，旨在提高预报准确性。该模型的架构具有物理动机：稀疏连接鼓励相似高度层之间的交互，同时保持模型大小和推理时间的计算效率，而洗牌机制则防止模型学习与垂直网格相关的非物理模式。SALAMA 1D在包括闪电观测作为真实值的中欧地区进行训练。与使用单层预测因子的基线机器学习模型的比较分析显示，SALAMA 1D在各种指标和长达至少11小时的提前时间上均表现出更优的性能。此外，扩大用于训练样本采样的预报档案库可以提高技能，即使训练集大小保持不变。最后，使用显著性分析进行的敏感性分析表明，我们的模型依赖于与理论理解一致的物理可解释模式，例如对流层顶附近的冰粒子含量、云量、条件性不稳定和低层湿度。
关键词
引用
@article{arxiv.2409.20087,
title = {Inferring Thunderstorm Occurrence from Vertical Profiles of Convection-Permitting Simulations: Physical Insights from a Physical Deep Learning Model},
author = {Kianusch Vahid Yousefnia and Christoph Metzl and Tobias Bölle},
journal= {arXiv preprint arXiv:2409.20087},
year = {2025}
}
备注
17 pages, 9 figures, 3 tables. This work has been submitted to Artificial Intelligence for the Earth Systems (AIES). Copyright in this work may be transferred without further notice; v3: revised discussion of saliency map; v2: updated and additional analyses, height-dependent normalization for saliency map