Prévision immédiate de la foudre avec aérosol

npj Climate and Atmospheric Science volume 6, Numéro d'article : 126 (2023) Citer cet article

97 Accès

2 Altmétrique

Détails des métriques

La prévision précise et opportune des occurrences de foudre joue un rôle crucial dans la sauvegarde du bien-être humain et de l’environnement mondial. Des modèles basés sur l'apprentissage automatique ont déjà été utilisés pour la prévision immédiate de l'apparition de la foudre, offrant des avantages en termes d'efficacité de calcul. Cependant, ces modèles ont été entravés par une précision limitée en raison d’une représentation inadéquate des mécanismes complexes à l’origine de la foudre et d’un ensemble de données de formation restreint. Pour remédier à ces limitations, nous présentons une approche d'apprentissage automatique qui intègre des fonctionnalités d'aérosols pour capturer plus efficacement les mécanismes de foudre, complétée par des observations satellite enrichies du Geostationary Lightning Mapper (GLM). Grâce à la formation d'un modèle LightGBM bien optimisé, nous avons réussi à générer des prévisions immédiates d'éclairs spatialement continues (0,25° par 0,25°) et horaires sur les États-Unis contigus (CONUS) pendant la saison estivale, surpassant les performances des lignes de base concurrentes. Les performances du modèle sont évaluées à l'aide de diverses mesures, notamment la précision (94,3 %), la probabilité de détection (POD, 75,0 %), le taux de fausses alarmes (FAR, 38,1 %), l'aire sous la courbe de précision-rappel (PRC-AUC, 0,727). . En plus de l’ensemble de données enrichi, l’amélioration des performances peut être attribuée à l’inclusion de fonctionnalités d’aérosols, qui ont considérablement amélioré le modèle. Cet aspect crucial a été négligé dans les études précédentes. De plus, notre modèle révèle l'influence de la composition et de la charge des aérosols sur la formation de la foudre, indiquant qu'une charge élevée en aérosols composée de sulfates et de composés organiques a tendance à améliorer l'activité de la foudre, tandis que le noir de carbone l'inhibe. Ces résultats s'alignent sur les connaissances scientifiques actuelles et démontrent l'immense potentiel d'élucidation des mécanismes complexes sous-jacents aux phénomènes de foudre associés aux aérosols.

La foudre, cause majeure de mortalité humaine naturelle, constitue une menace importante pour la société moderne, entraînant plus de 4 000 décès dans le monde chaque année1,2. En outre, cela entraîne des pertes économiques importantes, les États-Unis subissant à eux seuls environ 1 milliard de dollars de dommages par an. La prévision rapide et précise des occurrences de foudre joue un rôle essentiel en facilitant la préparation aux situations d’urgence et les mesures de protection. De plus, la foudre est la principale source naturelle d'oxydes d'azote, exerçant ainsi une influence considérable sur la chimie atmosphérique3, soulignant l'importance de la prévision de la foudre pour la sauvegarde du bien-être humain et de l'environnement mondial.

La foudre se produit généralement lors de la formation d’orages, généralement caractérisés par des niveaux d’humidité élevés et une atmosphère instable4,5,6,7,8. Les modèles numériques peuvent simuler explicitement la formation de foudre en incorporant des processus microphysiques paramétrés9,10. Cependant, les modèles numériques actuels ont du mal à trouver un équilibre entre une détectabilité élevée de la foudre et un faible taux de fausses alarmes (FAR), limitant ainsi leur applicabilité à la prévision de la foudre11,12,13. De plus, les exigences informatiques de la simulation de la foudre au sein des modèles numériques entravent l'efficacité de la prévision immédiate de la foudre, où la rapidité est cruciale dans des domaines tels que l'aviation et l'industrie manufacturière. En revanche, les modèles de foudre basés sur des données d'observation sont apparus comme des méthodes efficaces pour réaliser des prévisions immédiates précises de la foudre, en exploitant des échantillons de vérité sur le terrain à un coût de calcul inférieur. Par exemple, Mostajabi et al.14 ont été pionniers dans l’exploration de modèles basés sur des données pour la prévision immédiate des éclairs dans l’heure future avec une précision remarquable en utilisant uniquement des variables météorologiques. De plus, la capacité inhérente des modèles d'apprentissage automatique à capturer des caractéristiques non linéaires permet des performances élevées même avec des entrées de fonctionnalités simples et pratiques. Jusqu'à présent, une série de modèles d'apprentissage automatique ont été explorés pour prédire l'apparition de la foudre avec des variables météorologiques provenant soit d'une station météorologique, soit d'un modèle météorologique et d'un radar météorologique assimilés, y compris un réseau neuronal artificiel et un arbre de décision15, une machine d'augmentation du gradient de lumière (LightGBM). 16, prend en charge les machines vectorielles et la forêt aléatoire17 et le réseau neuronal récurrent à longue mémoire à court terme18. Les modèles d'apprentissage automatique actuels démontrent une grande efficacité ; cependant, ils rencontrent toujours des difficultés avec des FAR élevés à des niveaux de probabilité de détection (POD) élevés17. Cette limitation peut être attribuée à des ensembles de données de formation insuffisants et à des données de fonctionnalités incomplètes utilisées dans les modèles précédents, qui seront expliquées en détail dans les sections suivantes.