組合八鄰域跟蹤算法監測全閃電雷暴活動時空演變過程及特征

黃怡鋆 樊亞東 王紅斌 蔡 力 王建國

組合八鄰域跟蹤算法監測全閃電雷暴活動時空演變過程及特征

黃怡鋆1,2樊亞東1,2王紅斌3蔡 力1,2王建國1,2

（1. 雷電防護與接地技術教育部工程研究中心 武漢 430072 2. 武漢大學電氣與自動化學院 武漢 430072 3. 廣州供電局有限公司 廣州 510013）

雷暴是威脅電力系統安全可靠運行的重要因素，監測雷暴活動可以為電力系統雷電防護提供雷暴活動路徑及預警信息。該文提出一種組合八鄰域雷暴跟蹤算法及跟蹤結果評估指標，并采用該算法對珠三角地區九次雷暴活動進行時空演變特征分析和定量評估。結果表明，九個雷暴活動共識別出大于18 min的軌跡1 490條，其中簡單軌跡和含分裂合并過程的復雜軌跡各占一半。雷暴活動平均速度為51.4 km/h，速度中值為43.0 km/h，簡單軌跡平均速度比復雜軌跡慢。評估指標命中率（POD）、虛假警報率（FAR）和臨界成功指數（CSI）分別為64.3%、40.4%和42.7%，軌跡時長中值、平均軌跡偏差、非連貫性和平均合并分裂次數分別為24 min、2.80 km、0.032 7 s-1和2.51次。該方法可以很好地描述雷暴活動時空演變過程和評估跟蹤結果，為雷電預警提供了有效手段。

雷暴活動 跟蹤算法 評估指標 時空演變 組合八鄰域

0 引言

雷暴是嚴重威脅電力系統安全可靠運行的重要因素[1-4]，超過60%的輸電線路故障是由于雷擊引起的[5-7]。目前電力系統輸電走廊規劃和線路防雷主要依據落雷密度和雷電日分布，通過降低桿塔接地電阻、安裝避雷器等措施提高輸電線路耐雷水平[8]。傳統的雷電密度和雷暴日數量不能反映單個雷暴活動時空演變特征[9]，雷電環境的精細化認識有助于優化防雷措施。精確地監測和跟蹤雷暴活動軌跡與覆蓋范圍，研究雷暴活動規律，可以為電力系統提供雷電路徑的實時雷電監測和預警服務[10]，開拓以雷電預警技術為基礎的輸電線路差異化主動性雷電防護新思路，減少因雷擊造成的經濟損失。

雷電定位是雷暴活動監測的重要手段[11]，可以實時測量觀測區域內閃的電數量、地理坐標、時間及強度[12]。目前世界上有四十多個國家擁有雷電定位系統[13-16]，監測雷擊位置，統計年雷擊密度。全閃電定位系統可以同時對雷暴活動中的云閃（Intra-Cloud, IC）和地閃（Cloud to Ground, CG）精確定位，為實時監測和跟蹤雷暴活動提供技術支持。

在閃電跟蹤算法中，閃電區域劃分主要有兩種方法，即聚類法和網格法。聚類法主要采用DBSCAN（density-based spatial clustering of applications with noise）算法及其改進算法將閃電事件聚類成簇。雷云趨勢預測方法可以預測未來一段時間內云團覆蓋區域及質心位置[17]?；诘亻W數據，王羽等采用DBSCAN算法對比了引雷塔建設前后雷暴活動地閃軌跡的差異[18]，這種方法將閃電數據作為散點處理，不易定量計算云團影響區域。

網格法將研究區域按照一定的網格尺寸和時間間隔劃分，得到閃電密度網格圖，該方法輸入簡潔，可以方便地統計分析雷電日、雷電小時、地閃密度等雷電參數[19]，也可用于監測和跟蹤雷暴活動，對雷暴活動的時空演變特征進行分析[20]?，F有文獻識別的閃電簇尺度約為幾十甚至上百千米，網格細化程度不能完全適用輸電線路尺度需求。

在跟蹤結果評估方面，氣象學中主要采用列聯表法來評估雷達回波的跟蹤結果，評估指標包括命中率（Probability of Detection, POD）、虛假警報率（False Alarm Rate, FAR）、臨界成功指數（Critical Success Index, CSI）[21]。M. Dixon和G. Wiener應用列聯表法評估美國科羅拉多地區夏季風暴6 min的預測結果，三個指標分別為83%、30%和61%[22]。M. Kohn采用k-mean聚類法對地中海地區全閃電軌跡進行跟蹤，用列聯表法評估30～120 min預測結果，研究表明預測時間越短，預測結果越準確[23]。這種評估方法關注相鄰兩個時間間隔的正確關聯數量，缺乏閃電簇軌跡特征的量化評價指標，如軌跡時長、軌跡線性、軌跡連貫性及軌跡復雜性等。

為找到合適輸電線路尺度的跟蹤方法，本文基于珠三角全閃電定位系統的全閃電數據，結合全閃電數據離散特征和輸電線路檔距等尺寸，提出了一種組合八鄰域的雷暴活動跟蹤方法，分析了該地區九次雷暴活動時空演變特征，得到閃電簇面積、質心坐標、云地閃數量、移動方向、移動速度及時空演變軌跡。在列聯表法的評估指標基礎上，結合全閃電簇軌跡特征提出了軌跡特征評估指標，可以對不同跟蹤方法的軌跡時長、軌跡線性、軌跡連貫性及軌跡復雜性進行量化評估。該跟蹤方法可描述雷暴活動的時空演變過程及特征，為預測雷暴運動趨勢，精細化雷電預警提供行之有效的方法。

1 數據來源和分析方法

1.1 數據來源和跟蹤算法流程

廣州位于珠三角腹地，是中國雷暴活動發生較為頻繁的區域之一。全閃電定位系統采用甚低頻/低頻（Very Low Frequency/Low Frequency, VLF/LF）技術，對200 Hz～500 kHz頻段電磁時域信號應用時差法（Time-of-Arrival, TOA）進行VLF/LF輻射源三維實時定位[24]。該系統由9個子站構成，每個子站探測范圍為200 km，可區分云閃和地閃，并記錄每個閃電事件的時間、位置、高度和極性等。9個子站地理分布如圖1所示。

圖1 全閃電定位系統

將全閃電雷電定位系統探測區域，即經度[112.5°E, 114.5°E]、緯度[22°N, 24°N]劃分若干網格。網格尺寸為0.01°×0.01°[25]，時間間隔長度設定為6 min。

對全閃電雷電定位數據進行網格化處理，得到全閃電密度圖，在此基礎上采用組合八鄰域法對閃電簇進行識別、匹配，獲得閃電簇運動軌跡和特征，跟蹤算法流程如圖2所示。

圖2 閃電簇跟蹤算法流程

1.2 組合八鄰域閃電簇識別方法

選擇一個網格作為中心網格，中心網格的上、下、左、右、左上、右上、左下、右下緊鄰的位置和斜向相鄰的位置有八個連通區域，稱為八鄰域，如圖3a所示。采用八鄰域法對全閃電密度圖[26]（見圖3b）進行初始識別，形成初級閃電簇。

在全閃電密度圖中，選擇某個含有閃電事件的網格作為中心網格，然后查找該網格的八鄰域。若八鄰域網格內含有閃電事件，則將這些網格合并，并以新網格為中心繼續尋找其八鄰域網格是否存在閃電簇事件，直到再無網格含閃電事件為止。

圖3 閃電簇識別算法

用多邊形擬合勾勒雷暴區域，形成初級閃電簇，設定閃電簇最小有效面積為3個網格。圖3c中的閃電簇“3”“4”和“5”由于有效面積小于3被舍棄，不形成初級閃電簇。

由于輸電線路的檔距通常不大于500 m，5個檔距的距離約為2.5 km，以2.5 km為半徑的圓形面積約為19.63 km2。合并空間距離小于或等于2個網格的初級閃電簇得到終級閃電簇，面積中位數為16.94 km2，與輸電線路5個檔距覆蓋面積相當。根據文獻[25]對多鄰域法（鄰域數=8, 24, 48, 80和120）和組合八鄰域法（網格間距gap=0, 1, 2, 3和4）閃電簇的識別評估結果，組合八鄰域法相對于鄰域法閃電簇面積占比（閃電簇中含閃電事件的網格占閃電簇面積的百分比）顯著提高。本文采用空間間距為2個網格距離的組合八鄰域法，該方法得到的閃電簇面積雖與24鄰域法閃電簇面積中值相當，但面積占比大約提高了19%，閃電簇更加緊密。此外24鄰域法的閃電簇個數中值比組合八鄰域法閃電簇個數中值大，組合八鄰域法軌跡簡單且計算量少。

圖3d中的初級閃電簇“6”和“7”，以及初級閃電簇“8”和“9”，間距在2個或2個網格內，合并形成終級閃電簇，而初級閃電簇“1”和“2”之間距離為3個網格，則各自形成終級閃電簇。如圖3e所示，對終級閃電簇進行橢圓擬合，得到終級閃電簇擬合橢圓的長半軸。在跟蹤階段，將此橢圓長半軸作為搜索半徑。

1.3 閃電簇匹配方法

閃電簇匹配包括預測閃電簇位置、確定搜索半徑和閃電簇配對。將閃電簇擬合多邊形質心坐標作為閃電簇的中心，采用上兩個時間間隔的歷史速度預測下一時間間隔閃電簇質心位置。在雷暴活動開始階段，起始速度設為30 km/h[27]。

閃電簇的預測速度為上兩個時間間隔速度的加權平均值。對于新生的閃電簇，預測速度則為上兩個時間間隔平均速度的加權平均值。當閃電簇之間發生合并，時間間隔內的速度為參與合并的閃電簇面積的加權平均。定義時間間隔內所有配對成功的閃電簇平均速度和預測速度分別為

式中，為配對閃電簇速度；LC為閃電簇面積；,j為參與合并閃電簇的速度；S,j為參與合并閃電簇的面積；為歷史速度權重。采用本文評估指標分析得到，歷史速度權重對跟蹤結果幾乎沒有影響，本文設置=0.8。

閃電簇匹配算法如圖4所示。以時刻閃電簇橢圓擬合的長半軸為搜索半徑，當橢圓長半軸大于或等于10 km時，設置最大搜索半徑閾值為10 km[28]，在Δ時刻預測位置尋找是否存在閃電簇與時刻閃電簇配對。若搜索半徑范圍內存在一個閃電簇，如圖4a中的閃電簇1和閃電簇1，則稱為簡單配對；若在搜索半徑范圍內在Δ時刻有多個閃電簇存在，如圖4b中的閃電簇2分裂成閃電簇21和閃電簇22，可視為閃電簇2發生分裂。當閃電簇搜索半徑大于10 km時，超過10 km到搜索半徑范圍內的閃電簇不能配對，如圖4b中的閃電簇2和閃電簇23。若Δ時刻的閃電簇在多個閃電簇的搜索半徑范圍內，且搜索半徑都小于10 km，則閃電簇發生合并，如圖4c中的閃電簇3和閃電簇4合并閃電簇3。最后采用最短距離法對未配對成功的閃電簇進行配對。

根據配對的閃電簇質心坐標可以求得移動速度和移動方向角分別為

圖4 閃電簇匹配算法

式中，為閃電簇位置矢量；(x,y)為閃電簇“”在Δ時刻的質心坐標；(x,y)為閃電簇“”在時刻的質心坐標。

1.4 跟蹤結果評估方法

用列聯表法計算正確關聯數量來評估跟蹤結果，其定義見表1。表中為命中次數，代表外推路徑與實際路徑一致個數；為漏報次數，代表外推不存在閃電簇而實際存在閃電簇的次數；為空報次數，指實際未發生閃電但是卻外推存在閃電簇的個數；指實際未發生閃電也未外推存在閃電簇。

表1 POD、FAR和CSI的定義

Tab.1 The definition of POD, FAR and CSI

采用POD、FAR、CSI這三個指標對雷暴活動進行量化評估[29]。POD和CSI值越高，FAR值越低，算法越好。命中率POD、虛假警報率FAR和臨界成功指數CSI的表達式分別為

為了量化評估跟蹤效果，本文提出了針對全閃電數據特征的評估指標，包括軌跡時長、軌跡線性、軌跡連貫性及軌跡復雜性。軌跡時長是指閃電簇軌跡從開始到結束的時間長度。軌跡線性采用閃電簇軌跡與相鄰兩個時刻線性插值所得到位置的均方差來描述，稱為軌跡偏差，即

軌跡連貫性采用非連貫性c作為評估指標。c為沿軌跡的閃電簇最大閃電事件數（maximum number of lightning events, mln）的變化量，利用閃電軌跡時長對其進行歸一化處理得到

式中，s、m和ct分別為分裂數量、合并數量和復雜軌跡的數量。

2 雷暴活動的時空演變分析

將某年5—9月全閃電數據按事件總數分為 5萬～10萬、10萬～20萬和20萬以上三類，分別占51.9%、28.6%和19.5%。從每類中分別選擇三個共九個案例，并按閃電事件個數由多到少排列，詳情見表2，采用評估方法對跟蹤結果進行評估。

表2 九個雷暴活動

Tab.2 List of lightning activities used in this analysis

（續）

2.1 閃電簇軌跡時空演變分析

雷暴過程案例1為5:00—20:30（UTC）廣州及周邊地區發生的一次雷暴活動。此過程15.5 h內共探測到253 607個全閃電事件。雷暴活動每6 h雷達反射率特征與全閃電分布情況如圖5所示。

將時間間隔長度為6 min的全閃電數據按經緯度分布于0.01°的網格里，得到全閃電密度圖。采用組合八鄰域法對雷暴活動區域進行識別，得到閃電簇LC時空演變過程如圖6所示，并勾勒出閃電簇輪廓，見圖6中標注區域。

圖5 案例1雷達反射率特征與全閃電分布

從圖6a可以看出，7:36—7:42時間段，閃電簇LC生成，面積為3.6 km2，移動速度為35.7 km/h。7:42—7:54時間段，閃電簇LC由西向東移動，面積增加至115.0 km2，速度也增加至54.5 km/h，如圖6b所示。圖6c中，閃電簇LC在7:54—8:00分裂為兩個閃電簇LC1和LC2，面積分別為4.8 km2和110.1 km2，此時閃電簇LC1移動速度為這條軌跡的最大值101.7 km/h，此后在8:00—8:06時間段內消失。在08:00—08:12時間段，閃電簇LC2由西南至東北移動，面積從110.1 km2增加到177.8 km2，如圖6d所示。對于閃電簇LC2，8:12—8:18時間段內，再次分裂成質心坐標為（112.18°E, 22.80°N）和（112.23°E, 22.77°N）的兩個閃電簇LC21和LC22，面積分別為115.0 km2和7.3 km2，如圖6e所示。閃電簇LC21和LC22一分為二各自移動（見圖6f）。閃電簇LC22在8:24—8:30過程中消亡，如圖6g所示，雖然面積為46.0 km2，但含有閃電事件的網格數僅占閃電面積的57.9%。閃電簇LC21繼續從西南向東北移動，面積先增大逐漸減小，于8:54開始消亡，面積為55.7 km2，但閃電簇內含有閃電事件的網格數占閃電簇面積的34.8%，如圖6h所示。閃電簇LC生成、成熟、分裂、部分消亡、再分裂、部分消亡、直到消亡的時空演變軌跡如圖6i所示。圖6i中軌跡的顏色代表時間戳，圓形區域代表閃電簇覆蓋區域，圓心為閃電簇的質心地理坐標。閃電簇LC運動速度及方向角見表3。

表3 閃電簇LC時空特征參數

Tab.3 The lightning cluster LC spatiotemporal parameters

（續）

閃電簇LC面積和閃電事件個數，包括全閃電事件個數、云閃事件個數及地閃事件個數隨時間變化如圖7所示。一條完整軌跡的閃電簇面積和全閃電事件個數整體隨時間先呈上升趨勢而后呈下降趨勢。地閃個數少于云閃個數，于8:24（UTC）達到峰值，全閃電、云閃和地閃分別為154個、81個和73個。

圖7 軌跡面積和閃電事件個數時間變化

整個雷暴活動過程一共得到541條閃電簇軌跡，其中313條閃電簇軌跡時長大于18 min。將時長大于18 min的軌跡采取如上述方法進行分析，忽略閃電簇影響范圍，保留閃電簇質心運動軌跡，得到一次雷暴活動時空演變過程，如圖8所示。

圖8 一次雷暴活動時空演變過程

2.2 雷暴活動時空特征分析

閃電簇的移動方向和移動速度可以由連續時刻閃電簇質心確定。九個案例中，案例1、2、4、5、7和9六個案例的閃電簇朝東北方向運動，案例3、6和8的雷暴活動則是朝西北方向運動。

閃電簇軌跡速度分布如圖9a所示。在0～25 km/h速度范圍內，閃電簇數量分布急劇增加并在25 km/h 附近達到峰值；而后隨著速度增加，閃電簇數量逐漸下降。軌跡時長大于18 min的閃電簇移動速度均值為51.4 km/h，中值為43.0 km/h。32.91%的閃電簇速度大于60 km/h，僅有10.11%的閃電簇速度大于100 km/h，且閃電簇平均速度略高于速度中值，見表4。

表4 九個雷暴活動運動特征

Tab.4 Movement characteristics of from nine cases

復雜軌跡移動速度高于簡單軌跡移動速度。簡單軌跡閃電簇之間的配對依賴最短距離，而復雜軌跡的速度采用合并或分裂過程中配對成功閃電簇的平均速度，即合并或分裂過程中閃電簇的平均配對距離比簡單配對距離大。本文所得閃電簇運動特征結果與文獻[26]基于DBSCAN處理的十年閃電數據所得年均指標基本一致。

圖9 雷暴活動運動特征參數分布

九個雷暴過程識別出10 894個閃電簇形成有效軌跡，面積分布如圖9b所示。統計發現，35.1%的閃電簇面積小于10 km2，21.6%的閃電簇面積超過100 km2，閃電簇面積中值為22 km2。這和蔡力等所分析的閃電簇幾乎在百千米尺度相比，本文提出的跟蹤方法有效縮小了閃電簇面積[20]。

3 評估結果

采用評估列聯表法對九個案例進行評估，九個案例及整體的POD、FAR和CSI見表5。

表5 列聯表法評估結果

Tab.5 Evaluation results of contingency table method

（續）

評估指標POD、FAR和CSI分別為64.3%，40.4%和42.7%。對于超過20萬個全閃電事件的雷暴活動（案例1～3），POD值相對其他兩類較小，約占63%；5萬～10萬個全閃電事件的雷暴活動（案例7～9）POD值最大，最大可達到68.1%；10萬～20萬個全閃電事件的雷暴活動（案例4～6）POD值波動幅度最大，三個案例分別為63.6%、61.7%和67.7%。FAR與POD的變化趨勢相反，CSI與POD的變化趨勢相同?？梢钥闯?，軌跡越簡單，預測下一時間間隔的閃電簇位置的準確性越高。文獻[20]采用k-mean聚類法對地中海地區全閃電軌跡進行跟蹤，未來30 min的命中率為46%，可見預測時間越短，命中率越高。文獻[30]基于LSM-ResNet模型，結合多種雷達數據預測閃電區域的命中率大約為63%，本文命中率略高且計算量小。相對于八鄰域法識別閃電簇，不考慮歷史速度及閃電簇分裂合并過程，命中率大約為30%。本文采用的組合八鄰域法識別閃電簇，在考慮歷史速度以及閃電簇分裂合并過程的情況下，POD可以提升到64.3%。

九個案例的軌跡特征及整體的評估結果見表6和圖10。從圖10a可以看出，前五個案例的雷暴活動的軌跡時長中值為24 min，而后四個案例中值為30 min。前五個案例在閃電事件數量較多的情況下，軌跡時長中值較低，原因是軌跡時長較短的比例數增加。

表6 軌跡特征法評估結果

Tab.6 Evaluation results of track feature method

圖10 軌跡特征法評估結果

如圖10b所示，隨著全閃電數量的減少，軌跡偏差呈現減小的趨勢。5萬～10萬閃電簇的雷暴活動軌跡偏差最??；而20萬以上閃電事件的雷暴活動軌跡偏差穩定，范圍在2.85～2.89之內；10萬～20萬閃電簇的雷暴活動軌跡偏差波動較大，分別為3.01 km、2.91 km和2.75 km。閃電事件數量和軌跡越少，閃電簇運動軌跡的線性越好。由圖10c可見，20萬以上的雷暴活動的連貫性指標c小于10萬～20萬的連貫性c，閃電簇沿軌跡連貫性更好。

九個案例軌跡分類分布情況如圖10d所示，識別出的2 517條閃電簇軌跡中，1 490條軌跡時長超過18 min，占總數的57.98%。簡單軌跡和復雜軌跡幾乎各占一半，分別為751條和739條。平均分裂合并次數為2.51次。

4 結論

本文提出一種基于組合八鄰域跟蹤算法的全閃電雷暴活動監測方法及閃電簇軌跡定量評估方法，得到結論如下：

1）對九個雷暴活動進行識別跟蹤，共識別出10 894個閃電簇，面積中值為22 km2.。九個雷暴活動共2 517條閃電軌跡，軌跡時長大于18 min的有1 490條，其中751條為簡單軌跡，739條為復雜軌跡。

2）時長大于18 min的軌跡平均速度為51.4 km/h，速度中值為43.0 km/h。簡單軌跡運動速度為42.1 km/h，而復雜軌跡平均速度為54.8 km/h，簡單軌跡的閃電簇運動速度比復雜軌跡的閃電簇慢。

3）九次雷暴整體評估指標POD、FAR和CSI分別為64.3%，40.4%和42.7%，軌跡時長、軌跡偏差、軌跡非連貫性和平均合并分裂次數分別為24 min、2.80 km、0.032 7 s-1和2.51次。

4）本文所采用的方法，雷電識別尺度在輸電線路的5個檔距的范圍，跟蹤結果指標較好，可以為輸電線路雷電預警提供支撐。

[1] 馬瑞陽, 鄭棟, 姚雯, 等. 雷暴云特征數據集及我國雷暴活動特征[J]. 應用氣象學報, 2021, 32(3): 358-369. Ma Ruiyang, Zheng Dong, Yao Wen, et al. Thunderstorm feature dataset and characteristics of thunderstorm activities in China[J]. Journal of Applied Meteorological Science, 2021, 32(3): 358-369.

[2] 王建. 輸電線路氣象災害風險分析與預警方法研究[D]. 重慶: 重慶大學, 2016. Wang Jian. Research on meteorological disaster risk analysis and fault early warning methods for overhead transmission lines[D]. Chongqing: Chongqing University, 2016.

[3] 蔡國偉, 雷宇航, 葛維春, 等. 高寒地區風電機組雷電防護研究綜述[J]. 電工技術學報, 2019, 34(22): 4804-4815. Cai Guowei, Lei Yuhang, Ge Weichun, et al. Review of research on lightning protection for wind turbines in alpine areas[J]. Transactions of China Electrotechnical Society, 2019, 34(22): 4804-4815.

[4] 袁濤, 左思家, 司馬文霞, 等. 緊湊型多腔室并聯間隙雷電沖擊閃絡路徑約束研究[J]. 電工技術學報, 2023, 38(11): 2989-2998. Yuan Tao, Zuo Sijia, Sima Wenxia, et al. Research on lightning flashover path constraints of compact multi-chamber parallel gap[J]. Transactions of China Electrotechnical Society, 2023, 38(11): 2989-2998.

[5] Okabe S, Takami J. Occurrence probability of lightning failure rates at substations in consideration of lightning stroke current waveforms[J]. IEEE Transactions on Dielectrics and Electrical Insulation, 2011, 18(1): 221-231.

[6] Perez E, Espinosa J, Aranguren D. On the development of dynamic stroke density for transmission line for power system operational applications[J]. International Journal of Electrical Power & Energy Systems, 2020, 116: 105527.

[7] 袁濤, 王肖田, 司馬文霞, 等山區輸電線路雷擊跳閘預警的融合算法研究[J]. 電工技術學報, 2023, 38(9): 2528-2540. Yuan Tao, Wang Xiaotian, Sima Wenxia,et al. Research on fusion algorithm of lightning strike trip warning for mountain transmission lines[J]. Transactions of China Electrotechnical Society, 2023, 38(9): 2528-2540.

[8] Matsui M, Michishita K, Yokoyama S. Cloud-to-ground lightning flash density and the number of lightning flashes hitting wind turbines in Japan[J]. Electric Power Systems Research, 2020, 181: 106066.

[9] Banjanin M S. Application possibilities of special lightning protection systems of overhead distribution and transmission lines[J]. International Journal of Electrical Power & Energy Systems, 2018, 100: 482-488.

[10] 曾嶸, 周旋, 王澤眾, 等. 國際防雷研究進展及前沿述評[J]. 高電壓技術, 2015, 41(1): 1-13. Zeng Rong, Zhou Xuan, Wang Zezhong, et al. Review of research advances and fronts on international lightning and protection[J]. High Voltage Engineering, 2015, 41(1): 1-13.

[11] 王東方, 孫竹玲, 袁善鋒, 等. 北京多頻段閃電三維定位網及一次雷暴過程的閃電時空演化特征[J]. 大氣科學, 2020, 44(4): 851-864. Wang Dongfang, Sun Zhuling, Yuan Shanfeng, et al. Beijing broadband lightning network and the spatiotemporal evolution of lightning flashes during a thunderstorm[J]. Chinese Journal of Atmospheric Sciences, 2020, 44(4): 851-864.

[12] 蔡力. 地基VLF/LF三維全閃電定位技術研究[D]. 武漢: 武漢大學, 2013. Cai Li. Ground-based VLF/LF three dimensional total lightning location technology[D]. Wuhan: Wuhan University, 2013.

[13] 陳家宏, 張勤, 馮萬興, 等. 中國電網雷電定位系統與雷電監測網[J]. 高電壓技術, 2008, 34(3): 425-431. Chen Jiahong, Zhang Qin, Feng Wanxing, et al. Lightning location system and lightning detection network of China power grid[J]. High Voltage Engineering, 2008, 34(3): 425-431.

[14] Biagi C J, Cummins K L, Kehoe K E, et al. National Lightning Detection Network (NLDN) performance in southern Arizona, Texas, and Oklahoma in 2003-2004[J]. Journal of Geophysical Research, 2007, 112: D05208.

[15] Shao X M, Stanley M, Regan A, et al. Total lightning observations with the new and improved Los Alamos Sferic Array (LASA)[J]. Journal of Atmospheric and Oceanic Technology, 2006, 23(10): 1273-1288.

[16] Betz H D, Meneux B. LINET systems - 10 years experience[C]//2014 International Conference on Lightning Protection (ICLP), Shanghai, China, 2014: 1553-1557.

[17] 高文勝, 張博文, 周瑞旭, 等. 基于雷電定位系統監測數據的雷暴云趨勢預測[J]. 電網技術, 2015, 39(2): 523-529. Gao Wensheng, Zhang Bowen, Zhou Ruixu, et al. Nowcasting of the thunderstorm trend based on data collected by lightning location system[J]. Power System Technology, 2015, 39(2): 523-529.

[18] 王羽, 向美辰, 鄧冶強, 等. 基于時空聚類的引雷塔區域雷電地閃活動分析[J]. 高電壓技術, 2021, 47(12): 4255-4264. Wang Yu, Xiang Meichen, Deng Yeqiang, et al. Analysis of lightning activity in area of triggering lightning tower based on spatial-temporal clustering[J]. High Voltage Engineering, 2021, 47(12): 4255-4264.

[19] 司馬文霞, 李永福, 楊慶, 等. 改進網格法及其在雷電參數統計中的應用[J]. 高電壓技術, 2012, 38(8): 1834-1841. Sima Wenxia, Li Yongfu, Yang Qing, et al. Improved grid method and its application to statistics of lightning parameters[J]. High Voltage Engineering, 2012, 38(8): 1834-1841.

[20] 王紅斌, 程思, 范偉男, 等. 雷暴活動全閃電定位及空間演變過程分析[J]. 電工技術學報, 2021, 36(2): 373-379. Wang Hongbin, Cheng Si, Fan Weinan, et al. Total lightning location of thunderstorm activities and spatial evolution process analysis[J]. Transactions of China Electrotechnical Society, 2021, 36(2): 373-379.

[21] Houston A L, Lock N A, Lahowetz J, et al. Thunderstorm observation by radar (ThOR): an algorithm to develop a climatology of thunderstorms[J]. Journal of Atmospheric and Oceanic Technology, 2015, 32(5): 961-981.

[22] Dixon M, Wiener G. TITAN: thunderstorm identification, tracking, analysis, and nowcasting-a radar-based methodology[J]. Journal of Atmospheric and Oceanic Technology, 1993, 10(6): 785-797.

[23] Kohn M, Galanti E, Price C, et al. Nowcasting thunderstorms in the Mediterranean region using lightning data[J]. Atmospheric Research, 2011, 100(4): 489-502.

[24] Cai Li, Zou Xin, Wang Jianguo, et al. The Foshan total lightning location system in China and its initial operation results[J]. Atmosphere, 2019, 10(3): 149-153.

[25] Huang Yijun, Fan Yadong, Cai L, et al. A new thunderstorm identification algorithm based on total lightning activity[J]. Earth and Space Science, 2022, 9(4): e2021EA002079.

[26] He Lifeng, Ren Xiwei, Gao Qihang, et al. The connected-component labeling problem: a review of state-of-the-art algorithms[J]. Pattern Recognition, 2017, 70: 25-43.

[27] del Moral A, Rigo T, Llasat M C. A radar-based centroid tracking algorithm for severe weather surveillance: identifying split/merge processes in convective systems[J]. Atmospheric Research, 2018, 213: 110-120.

[28] Rigo T, Pineda N, Bech J. Analysis of warm season thunderstorms using an object-oriented tracking method based on radar and total lightning data[J]. Natural Hazards and Earth System Science, 2010, 10(119): 1881-1893.

[29] 彭治班, 吳寶俊, 江劍民, 等. 提高小概率事件預報成功率的一條途徑[J]. 氣象, 2000, 26(2): 3-5, 10. Peng Zhiban, Wu Baojun, Jiang Jianmin, et al. A method to improve the forecast accuracy of rare events[J]. Meteorological Monthly, 2000, 26(2): 3-5, 10.

[30] 張亞東. 基于深度學習和多維空間數據的閃電落區識別研究——以浙江寧波為例[D]. 南京: 南京信息工程大學, 2022.

Spatial-Temporal Evolution Process and Characteristics of Thunderstorm Activity Based on Combinatorial Eight-Connectivity Tracking Algorithm

Huang Yijun1,2Fan Yadong1,2Wang Hongbin3Cai Li1,2Wang Jianguo1,2

（1. Engineering Research Center of Lightning Protection & Grounding Technology Ministry of Education Wuhan 430072 China 2. School of Electrical Engineering and Automation Wuhan University Wuhan 430072 China 3. Guangzhou Electric Power Supply Bureau Guangzhou 510013 China）

Lightning is the main cause of damages to power systems. The planning of power system transmission corridors and line lightning protection are mainly based on the lightning density and the distribution of lightning days. Measures such as reducing the grounding resistance of towers and installing lightning arresters are taken to improve the insulation level of transmission lines. The traditional lightning density and the number of thunderstorm days are not able to present the temporal and spatial evolution characteristics of thunderstorm activities. Monitoring the movement of lightning activity can provide track and warning information for lightning protection of equipment. This paper presents a combinatorial eight-connectivity tracking method and evaluation indexes based on total lightning data, which is applied to analyze the temporal and spatial evolution of lightning activities in Guangzhou.

The tracking method based on total lightning data is divided into two steps: cluster identification and cluster tracking. At the step of identification, the grid method is used to pre-process the total lightning events and the lightning region (112°E～115°E, 22°N～25°N) is gridded into 0.01°×0.01° grid boxes (longitude×latitude). Total lightning events are distributed into grid cells according to their geographical coordinates to form a total lightning density map in a single time interval. First, the electrically active region is identified by the 8-connectivity method and form primary lightning clusters. According to the size of the transmission line span, primary lightning clusters are merged into final lightning clusters within the distance of two grid cells. At the step of tracking, the algorithm takes influencing factors into account to match clusters between two successive time intervals, including history velocity, lightning cluster area and split-merge processes. In addition, the evaluation indexes contain the skill scores of the probability of detection (POD), false alarm ratio (FAR), and critical success index (CSI) from the contingency table approach, the track characteristics of track duration, track linearity, track continuity and track complexity to quantitatively evaluate the performance of tracking method.

The tracking method and evaluation are used to analyze the nine thunderstorms and case 1 are presented as an example. The case 1 has 313 tracks longer than 18 min, and tracks move in the northeast direction, with a mean speed of 51.4 km/h and a median speed of 43.0 km/h. The centroid of lightning clusters and temporal and spatial evolution characteristics of each track are counted. The evaluation indexes of POD, FAR and CSI are 63.3%, 41.4% and 43.8%, respectively, while the median track duration, mean jitter of track, incoherence and average number of splits and merges are 24 min, 2.85 km, 0.034 1 s-1and 2.43, respectively.

The following conclusions can be drawn from the nine thunderstorms based on the combinatorial eight-connectivity tracking method and evaluation indexes: (1) A total of 10,894 lightning clusters were identified in the nine lightning activities, with a median area of 22 km2. It is found that 1 490 lightning cluster tracks are longer than 18 min, of which simple tracks and complex tracks (involving split-ting or merging) account for half, respectively. (2) Six lightning activities move in the northeast direction, the rest move northwest, with a mean speed of 51.4 km/h and a median speed of 43.0 km/h. Simple tracks move slower than complex tracks. (3) POD, FAR and CSI are 65.6%, 39.2%, 46.4%, respectively, while the median track duration, mean jitter of track, incoherence and average number of splits and merges are 24 min, 2.80 km, 0.032 7 s-1and 2.51, respectively. This algorithm can describe the temporal and spatial evolution of lightning activity and indexes are able to evaluate the tracking results, which provides an effective method for predicting thunderstorm movement and lightning warning of transmission lines.

Lightning activity, tracking method, evaluation index, spatial-temporal evolution, combinatorial eight-connectivity

10.19595/j.cnki.1000-6753.tces.222187

TM863

國家自然科學基金（52177154）和中央高?；究蒲袠I務費專項資金（2042022kf0016）資助項目。

2022-11-21

2023-01-07

黃怡鋆 女，1992年生，博士研究生，研究方向為雷電監測預警技術。E-mail：yjhuang23@whu.edu.cn

樊亞東 女，1967年生，教授，博士生導師，研究方向為工程電磁場及應用、雷電防護與接地技術等。E-mail：ydfan@whu.edu.cn（通信作者）

（編輯 李 冰）