The accurate prediction of lightning strikes is crucial for disaster preparedness, risk mitigation, and resource allocation. Traditional numerical weather simulations, while effective, are computationally intensive and complex. Recent advancements in deep learning offer a promising alternative for more efficient and precise weather forecasting.

This thesis aims to evaluate the effectiveness of various deep learning models in predicting lightning strikes. The study focuses on identifying the optimal model architectures, timeframes, input parameters, and hyperparameters to enhance prediction accuracy and lead time.

The research utilizes datasets from the Swedish Meteorological and Hydrological Institute, including the Lightning Archive and MESAN (AROME) datasets. Extensive pre-processing techniques such as filtering, balancing, binning, extraction, and imputation are applied. Four deep learning models– Dense Neural Networks (DNN), Simple Recurrent Neural Networks (SRNN), Long Short Term Memory (LSTM), and Gated Recurrent Unit (GRU) are evaluated using stratified k-fold cross-validation. Metrics such as Training Time, F1 Score, Wilson Score, and Mean Absolute Error are used for model comparison. Hyperparameters are optimized using a genetic algorithm.

The study demonstrates that deep learning models can accurately predict lightning strikes with overall accuracies exceeding 75%. The LSTM and GRU models show higher performance for shorter time frames, while the DNN and SRNN models exhibit more stable and consistent performance across various time frames. The GRU model outperforms the LSTM model in all metrics, and the DNN model is the fastest in terms of training time.

Deep learning models offer a viable and efficient alternative to traditional numerical weather simulations for lightning strike prediction. The findings highlight the importance of selecting appropriate lookback and lookahead values, as well as the need for high-quality, diverse datasets. Future work should focus on further fine-tuning the models, incorporating more data, and evaluating their performance in real-world scenarios.

Den exakta förutsägelsen av blixtnedslag är avgörande för katastrofberedskap, riskreducering och resursallokering. Traditionella numeriska vädersimuleringar är, även om de är effektiva, beräkningsintensiva och komplexa. De senaste framstegen inom djupinlärning erbjuder ett lovande alternativ för mer effektiv och exakt väderprognos.

Denna avhandling syftar till att utvärdera effektiviteten hos olika modeller för djupinlärning för att förutsäga blixtnedslag. Studien fokuserar på att identifiera de optimala modellarkitekturerna, tidsramar, ingångsparametrar och hyperparametrar för att förbättra prediktionsnoggrannheten och ledtiden.

Forskningen använder datauppsättningar från Sveriges meteorologiska och hydrologiska institut, inklusive datauppsättningarna Lightning Archive och MESAN (AROME). Omfattande förbearbetningstekniker som filtrering, balansering, binning, extraktion och imputering tillämpas. Fyra modeller för djupinlärning– Dense Neural Network (DNN), Simple Recurrent Neural Network (SRNN), Long Short Term Memory (LSTM) och Gated Recurrent Unit (GRU) utvärderas med hjälp av stratifierad k-faldig korsvalidering. Mätvärden som träningstid, F1-poäng, Wilson-poäng och genomsnittligt absolut fel används för modelljämförelse. Hyperparametrar optimeras med hjälp av en genetisk algoritm.

Studien visar att djupinlärningsmodeller kan förutsäga blixtnedslag exakt med en total noggrannhet som överstiger 75%. LSTM- och GRU-modellerna visar högre prestanda för kortare tidsramar, medan DNN- och SRNN-modellerna uppvisar mer stabil och konsekvent prestanda över olika tidsramar. GRU-modellen överträffar LSTM-modellen i alla mätvärden, och DNN-modellen är snabbast när det gäller träningstid.

Modeller för djupinlärning erbjuder ett hållbart och effektivt alternativ till traditionella numeriska vädersimuleringar för att förutsäga blixtnedslag. Resultaten understryker vikten av att välja lämpliga tillbakablicks- och framtidsvärden, såväl som behovet av högkvalitativa, olika datauppsättningar. Framtida arbete bör fokusera på att ytterligare finjustera modellerna, införliva mer data och utvärdera deras prestanda i verkliga scenarier.