La foudre est l’une des principales causes de déplacements de la ligne de transmission, constituant une menace significative pour la sécurité des réseaux électriques. Cependant, en raison de la complexité et de la nature sporadique de la foudre, la réalisation de prévisions précises a toujours été un défi.
Récemment, des chercheurs du China National Energy Key Laboratory of Lightning Disaster Detection, Avertissement précoce et protection de la sécurité, ainsi que le laboratoire de surveillance de la foudre et de protection de la State Grid Corporation of China, ont fait des percées importantes dans la prédiction de la foudre. En développant un modèle de nouvelles basé sur l’apprentissage en profondeur, ils peuvent prédire efficacement l’emplacement et les tendances de fréquence des orages organisés, fournissant un soutien robuste pour prédire les risques de foudre aux réseaux électriques. Cette recherche a été publiée dans Lettres scientifiques atmosphériques et océaniques.
L’équipe de recherche a utilisé des données de surveillance de la foudre à grande surface de la State Grid Corporation of China et de l’imagerie géostationnaire satellite, combinée à des réseaux de réseaux récurrents à l’unité récurrente (CONV-GRU) et à des modules de mécanisme d’attention, pour développer le modèle de Lightning Nowcasting.
« Notre modèle prédit non seulement avec précision où la foudre se produira, mais prévoit également sa fréquence. Elle a montré d’excellentes performances pour prédire un orage d’hiver dans le centre de la Chine et un orage tornadique printanier en Chine méridionale », explique le Dr Fengquan Li, le premier auteur du journal.
Le Dr Jian Li, le chef académique du laboratoire, a déclaré: « À l’avenir, nous prévoyons d’améliorer la précision de notre modèle de prédiction de Lightning en intégrant davantage de sources de données liées à la formation de la foudre et en optimisant davantage le cadre du modèle.
Plus d’informations:
Fengquan Li et al, Nowcasting de l’emplacement et de la fréquence du cloud-sol Lightning basés sur une technique d’apprentissage en profondeur, Lettres scientifiques atmosphériques et océaniques (2025). Doi: 10.1016 / j.aosl.2025.100607