基于气象大模型的门控时空融合网络闪电预报方法

背景：随着人工智能技术的发展，气象大模型在天气预报领域展现出巨大潜力，但其无法直接生成闪电预报产品，且空间分辨率较粗，难以满足精细化预报需求。研究目的：针对上述问题，北京交通大学等单位的研究团队提出了一种基于气象大模型与闪电观测数据双源驱动的预报框架，并设计了门控时空融合网络（gSTFNet），旨在融合二者在长期趋势预测与短期外推上的互补优势，以提升闪电预报的精细化水平和准确性。结论：实验表明，gSTFNet模型的预报性能优于欧洲中期天气预报中心的HRES预报及其他深度学习模型，证明了双源数据融合策略的有效性；研究指出，单独依赖气象大模型或观测数据均存在局限，而深度融合两者能显著提升预报能力。