闪点与下落区的预报方法

　　强对流短期预测 (2-6h)难度较大 。一方面，基于观测数据的外推基本不可用;另一方面，高分辨率数值模式的预测性能需要提高云地闪电 (简称闪电 )等观测数据与高分辨率数值模式的预测数据相结合，获得更有效的闪电落区短期预测结果。

　　基于多源观测数据和高分辨率天气预测数据的特点，构建了双输入单输出深度学习语义分割模型，采用闪电密度、雷达组合反射率拼图、卫星成像仪 6个红外通道、GRAPES_3km模式预测的雷达组合反射因子 9个。

　　整句伪原创深度学习模型采用经典的编码解码 全卷积结构，采用池索引共享的方式，尽可能保留不同尺度特征图上的细节和特征信息;采用三维卷积层提取观测数据的时间和空间变化特征。结果表明，Lightningnet-NWP可以更好地实现0-6小时的闪电落区预测，比简单地使用多源观测数据和高分辨率 数值 模式预测数据更好。深度学习可以有效地实现多源观测数据与数值天气预测数据 的集成2-6小时的预测效果优于单独使用观测数据或数值天气预测数据;预测时间越长，整合优势越明显 。