KAiR, WE-224, 10:15
Problem identyfikacji rodzajów wyładowań atmosferycznych polega na rozróżnieniu dwóch głównych typów wyładowań: wyładowań doziemnych (cloud-to-ground, CG), które przenoszą ładunek elektryczny między chmurą, a ziemią, oraz wyładowań wewnątrzchmurowych (intra-cloud, IC), które zachodzą wewnątrz samej chmury. Dokładna klasyfikacja tych zjawisk ma kluczowe znaczenie dla prognozowania burz, poprawy systemów ochrony infrastruktury oraz zwiększenia bezpieczeństwa ludzi.
W celu skutecznej identyfikacji tych dwóch typów wyładowań przeprowadzono badania oparte na uczeniu sieci neuronowych. Wykorzystano dane pomiarowe z Obserwatorium Wyładowań Atmosferycznych w Rzeszowie, obejmujące około 100 zapisów pola elektrycznego dla każdego rodzaju wyładowań. Kluczową cechą analizy było zastosowanie pełnych 2-sekundowych zapisów sygnału, co pozwala na dokładniejsze odwzorowanie charakterystyki wyładowań. Dane zostały wstępnie wyselekcjonowane ręcznie na podstawie analizy zmian pola elektrycznego oraz informacji z systemu lokalizacji wyładowań.
Podczas badań 81% zgromadzonych danych przeznaczono na proces uczenia sieci neuronowych, a pozostałe 19% wykorzystano do testów. Efektywne uczenie maszynowe w oparciu o ograniczoną liczbę zdarzeń pozwoliło na rozwój szybkich i wydajnych procedur klasyfikacji, które mogą znaleźć zastosowanie w nowoczesnych systemach lokalizacji wyładowań atmosferycznych.