Investigación sobre la Predicción de Rayos Basada en un Modelo GCN-LSTM que Integra Características Espaciotemporales
Autores: Zhou, Wei; Wang, Wenqiang; Wang, Xupeng
Idioma: Inglés
Editor: MDPI
Año: 2025
Acceso abierto
Artículo científico
2025
Investigación sobre la Predicción de Rayos Basada en un Modelo GCN-LSTM que Integra Características Espaciotemporales
Categoría
Ciencias Naturales y Subdisciplinas
Subcategoría
Astronomía
Palabras clave
Limitaciones
Extracción de características espaciotemporales
Algoritmos de advertencia de rayos
Red Neuronal Convolucional de Grafos
Memoria a Largo y Corto Plazo
Atención multi-cabeza
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 9
Citaciones: Sin citaciones
Para superar las limitaciones de la extracción de características espaciotemporales que son inherentes a los algoritmos convencionales de advertencia de rayos que dependen únicamente del análisis temporal, proponemos un nuevo marco de predicción que integra una Red Neuronal Convolucional de Grafos (GCN), una arquitectura de Memoria a Largo y Corto Plazo (LSTM) y un mecanismo de atención multi-cabeza. La metodología construye de manera innovadora matrices de adyacencia de estaciones basadas en distancias geográficas entre estaciones de monitoreo meteorológico en Qingdao, provincia de Shandong, China, donde las capas de GCN capturan las dependencias espaciales entre estaciones mientras que las unidades de LSTM extraen dinámicas temporales localizadas. Se desarrolló un módulo de atención multi-cabeza dedicado para permitir la fusión adaptativa de patrones espaciotemporales globales, mejorando significativamente la precisión de la predicción del nivel de advertencia de rayos en ubicaciones objetivo. El modelo GCN-LSTM logró una precisión del 93%, una precisión del 59%, un recall del 64% y un puntaje F1 del 59%. La evaluación experimental en datos meteorológicos operativos demostró el rendimiento superior del modelo: logró mejoras de precisión estadísticamente significativas del 6% (p = 0.019), 3% (p = 0.026) y 2% (p = 0.03) sobre las líneas base convencionales de LSTM, TGCN y CNN-RNN, respectivamente. Evaluaciones exhaustivas a través de análisis de precisión-recall, descomposición de matrices de confusión y pruebas de generalizabilidad espacial confirmaron la robustez del marco. El avance teórico clave introducido por este estudio radica en el acoplamiento sinérgico de la modelización espacial basada en grafos con el aprendizaje profundo de secuencias temporales, aumentado por la fusión de características impulsada por atención, una innovación arquitectónica que aborda brechas críticas en los enfoques existentes de modalidad única. Esta metodología establece un nuevo paradigma para la predicción de fenómenos meteorológicos extremos con aplicaciones directas en la mitigación de riesgos de rayos.
Descripción
Para superar las limitaciones de la extracción de características espaciotemporales que son inherentes a los algoritmos convencionales de advertencia de rayos que dependen únicamente del análisis temporal, proponemos un nuevo marco de predicción que integra una Red Neuronal Convolucional de Grafos (GCN), una arquitectura de Memoria a Largo y Corto Plazo (LSTM) y un mecanismo de atención multi-cabeza. La metodología construye de manera innovadora matrices de adyacencia de estaciones basadas en distancias geográficas entre estaciones de monitoreo meteorológico en Qingdao, provincia de Shandong, China, donde las capas de GCN capturan las dependencias espaciales entre estaciones mientras que las unidades de LSTM extraen dinámicas temporales localizadas. Se desarrolló un módulo de atención multi-cabeza dedicado para permitir la fusión adaptativa de patrones espaciotemporales globales, mejorando significativamente la precisión de la predicción del nivel de advertencia de rayos en ubicaciones objetivo. El modelo GCN-LSTM logró una precisión del 93%, una precisión del 59%, un recall del 64% y un puntaje F1 del 59%. La evaluación experimental en datos meteorológicos operativos demostró el rendimiento superior del modelo: logró mejoras de precisión estadísticamente significativas del 6% (p = 0.019), 3% (p = 0.026) y 2% (p = 0.03) sobre las líneas base convencionales de LSTM, TGCN y CNN-RNN, respectivamente. Evaluaciones exhaustivas a través de análisis de precisión-recall, descomposición de matrices de confusión y pruebas de generalizabilidad espacial confirmaron la robustez del marco. El avance teórico clave introducido por este estudio radica en el acoplamiento sinérgico de la modelización espacial basada en grafos con el aprendizaje profundo de secuencias temporales, aumentado por la fusión de características impulsada por atención, una innovación arquitectónica que aborda brechas críticas en los enfoques existentes de modalidad única. Esta metodología establece un nuevo paradigma para la predicción de fenómenos meteorológicos extremos con aplicaciones directas en la mitigación de riesgos de rayos.