Докладчик
Описание
Адамова Е. Е., 4 курс
Научный руководитель: к.ф.-м.н. Тарабукина Л. Д.
Северо-Восточный Федеральный университет им. М. К Аммосова
Кафедра «Радиофизика и электронные системы»
Многопунктовые грозопеленгаторы обеспечивают регистрацию грозовых разрядов на больших расстояниях с высокой точностью пространственной локализации за счёт синхронной работы нескольких пространственно разнесённых приёмных станций. Они позволяют эффективно отслеживать грозовые очаги, в том числе способствуя предупреждению аварий в электроэнергетике и возникновению пожаров.
Данная работа направлена на оценку эффективности применения алгоритмов плотностной кластеризации DBSCAN, ST-DBSCAN, HDBSCAN и OPTICS при выделении грозовых очагов из архивных данных грозовой активности, полученных региональной (ALWES) и мировой (WWLLN) многопунктовыми грозопеленгационными сетями на территории Центральной Якутии. Была выбрана нормированная евклидова метрика расстояния и времени.
Были поставлены следующие задачи:
1. Разработать программное обеспечение на языке Python для автоматизированной обработки данных грозовой активности, полученных многопунктовыми грозопеленгационными сетями ALWES и WWLLN на территории Центральной Якутии.
2. Применить четыре алгоритма плотностной кластеризации для выделения грозовых очагов на основе пространственно-временных данных.
3. Выполнить сравнительную оценку эффективности алгоритмов кластеризации по устойчивости к шумовым данным, зависимости результатов от выбранных параметров и корректности выделения грозовых очагов.
Разработка программного обеспечения, визуализация и вычислительная обработка данных выполнены с применением Microsoft Excel и Python.
Перед кластеризацией пространственные и временные координаты были нормированы на характерные масштабы 13 км и 18 мин; кластеры формировались при наличии не менее двух разрядов в кластере, согласно литературным источникам и средним размерам и скорости грозовых облаков [1]. Сравнение проводилось по числу грозовых разрядов в кластерах, доле шумовых разрядов и максимальной длительности кластеров. Для анализа был рассмотрен день с интенсивной грозовой активностью 10.07.2022 в Центральной Якутии с координатами по долготе (105-140° в. д.) и широте (56-68° с. ш.).
Алгоритм DBSCAN выделяет наибольшее число кластеров (ALWES - 310, WWLLN - 141), однако характеризуется высокой долей шумов (45.7% и 20.8%) и относительно небольшой максимальной длительностью кластеров – 98.9 и 100.8 мин.
Применение ST-DBSCAN приводит к снижению доли шумов до 39.8% (ALWES) и 15.4% (WWLLN) при числе кластеров 299 и 130 и увеличении максимальной длительности до 155.0 и 107.6 мин.
Алгоритм HDBSCAN формирует 286 (ALWES) и 137 (WWLLN) кластеров при доле шумов 34.8% (ALWES) и 21.8% (WWLLN) и наибольшей максимальной длительности кластеров - 324.8 и 293.6 мин, что указывает на выделение наиболее устойчивых и продолжительных грозовых очагов. В отличие от этого, OPTICS характеризуется максимальной долей шумов (69.7% и 51.5%) и выделяет ограниченное число компактных очагов (131 и 68) с минимальной максимальной длительностью - 34.5 и 28.2 мин.
Максимальная длительность кластера, превышающая 150 мин не соответствует естественной длительности грозовых ячеек в облаке. При достаточном количестве грозовых разрядов в таком длительном кластере необходима повторная кластеризация.
При сохранении тех же параметров кластеризации повторное применение HDBSCAN к длительным кластерам (>150 мин), полученным первично алгоритмом ST-DBSCAN, привело к улучшению характеристик выделенных грозовых очагов. Число кластеров сократилось до 101 (ALWES) и 65 (WWLLN) при одновременном снижении доли шумов до 20.5 % и 13.6 % соответственно. Максимальная длительность кластеров 93.4 мин для ALWES и 124.9 мин для WWLLN, что свидетельствует о более устойчивом и физически интерпретируемом выделении грозовых очагов по сравнению с однократной кластеризацией.
Таким образом, показано, что ST-DBSCAN наиболее предпочтителен для кластеризации грозовой активности благодаря учёту пространственно-временной связности и снижению доли шумов по сравнению с DBSCAN, при этом его ограничением является чувствительность к выбору пороговых параметров. DBSCAN обеспечивает лишь базовую сегментацию с повышенной долей шума, HDBSCAN выделяет устойчивые организованные системы, но склонен к слиянию близких очагов, тогда как OPTICS выявляет локальные активные фазы при высокой доле шумовых разрядов. Разработанное программное обеспечение и полученные результаты кластеризации применимы к данным других грозопеленгационных систем, а также к архивным периодам наблюдений.
Список литературы
1. Yair Y. Y., Aviv R., Ravid G. Clustering and synchronization of lightning flashes in adjacent thunderstorm cells from lightning location networks data //Journal of Geophysical Research: Atmospheres. – 2009. – Т. 114. – №. D9.
2. Shi M. et al. A lightning cluster identification method considering multi-scale spatiotemporal neighborhood relationships //PLoS One. – 2025. – Т. 20. – №. 10. – С. e0333207.
3. How Density-based Clustering works – ArcGIS Pro | Documentation [Электронный ресурс]. – URL: https://pro.arcgis.com/en/pro-app/latest/tool-reference/spatial-statistics/how-density-based-clustering-works.html (дата обращения: 18.02.2026).