The recent deployment of the Geostationary Lightning Mapper (GLM) on board GOES‐16 and GOES‐17 provides a new perspective of total lightning production for the severe convective storms research and operational communities. While the GLM has met its performance targets, further understanding flash characteristics and the physical limitations of the GLM are required to increase the applicability of the data. Derived cloud‐top height and infrared (IR) brightness temperature products from the Advanced Baseline Imager (ABI) are used to assess data quality and characteristics from gridded GLM imagery across 7 weeks of active severe weather: 13 April through 31 May 2019. Areas with cloud tops colder than 240 K typically produced lightning, though this becomes less certain near the edge of the field of view due to algorithm limitations. Increasing flash rates were observed to correlate with decreasing flash areas, increasing cloud‐top heights, and colder cloud‐top temperatures. However, flash rates and size were more strongly tied to convective intensity and proximity to convective hazards at the surface due to the ability to delineate between convective and stratiform precipitation. Results show that merging ABI and GLM data sets could add value to both machine learning and statistical‐based algorithms and also forecast applications with each providing unique details, although parameters such as GOES‐16 viewing angle should be considered. Lastly, two case studies (24 and 27 May 2019) are used to help interpret the results from the 7‐week sampling period and identify GLM and ABI trends related to thunderstorm evolution.

中文翻译：

---

强对流风暴的GLM和ABI特征

最近在GOES-16和GOES-17上部署了对地静止闪电测绘仪（GLM），为严重对流风暴研究和运营社区的总闪电生产提供了新的视角。尽管GLM已达到其性能目标，但需要进一步了解GLM的闪存特性和物理限制，以提高数据的适用性。来自高级基线成像仪（ABI）的云顶高度和红外（IR）亮度温度产品用于评估在7周活跃的恶劣天气期间（2019年4月13日至2019年5月31日）的GLM栅格化图像的数据质量和特征。低于240 K的云顶通常会产生闪电，尽管由于算法限制，在视场边缘附近这种不确定性增加。观察到闪速增加与闪蒸面积减少，云顶高度增加和云顶温度降低相关。但是，由于能够在对流降水和层状降水之间进行划定，因此闪蒸速率和大小与对流强度以及与地表对流危害的接近程度密切相关。结果表明，尽管应考虑使用诸如GOES-16视角之类的参数，但将ABI和GLM数据集合并可以为机器学习算法和基于统计的算法增加价值，并且还可以预测各自具有独特细节的应用程序。最后，通过两个案例研究（2019年5月24日至27日）来帮助解释7周采样期的结果，并确定与雷暴演变有关的GLM和ABI趋势。云顶高度增加，云顶温度降低。但是，由于能够在对流降水和层状降水之间进行划定，因此闪蒸速率和大小与对流强度以及与地表对流危害的接近程度密切相关。结果表明，尽管应考虑使用诸如GOES-16视角之类的参数，但将ABI和GLM数据集合并可以为机器学习算法和基于统计的算法增加价值，并且还可以预测各自具有独特细节的应用程序。最后，通过两个案例研究（2019年5月24日至27日）来帮助解释7周采样期的结果，并确定与雷暴演变有关的GLM和ABI趋势。云顶高度增加，云顶温度降低。但是，由于能够在对流降水和层状降水之间进行划定，因此闪速和大小与对流强度以及与地表对流危害的接近程度密切相关。结果表明，尽管应考虑使用诸如GOES-16视角之类的参数，但将ABI和GLM数据集合并可以为机器学习算法和基于统计的算法增加价值，并且还可以预测各自具有独特细节的应用程序。最后，通过两个案例研究（2019年5月24日至27日）来帮助解释7周采样期的结果，并确定与雷暴演变有关的GLM和ABI趋势。由于能够在对流降水和层状降水之间进行描述，因此闪蒸速率和大小与对流强度以及与地表对流危害的接近程度密切相关。结果表明，尽管应考虑使用诸如GOES-16视角之类的参数，但将ABI和GLM数据集合并可以为机器学习算法和基于统计的算法增加价值，并且还可以预测各自具有独特细节的应用程序。最后，通过两个案例研究（2019年5月24日至27日）来帮助解释7周采样期的结果，并确定与雷暴演变有关的GLM和ABI趋势。由于能够在对流降水和层状降水之间进行描述，因此闪蒸速率和大小与对流强度以及与地表对流危害的接近程度密切相关。结果表明，尽管应考虑使用诸如GOES-16视角之类的参数，但将ABI和GLM数据集合并可以为机器学习算法和基于统计的算法增加价值，并且还可以预测各自具有独特细节的应用程序。最后，通过两个案例研究（2019年5月24日至27日）来帮助解释7周采样期的结果，并确定与雷暴演变有关的GLM和ABI趋势。结果表明，尽管应考虑使用诸如GOES-16视角之类的参数，但将ABI和GLM数据集合并可以为机器学习算法和基于统计的算法增加价值，并且还可以预测各自具有独特细节的应用程序。最后，通过两个案例研究（2019年5月24日至27日）来帮助解释7周采样期的结果，并确定与雷暴演变有关的GLM和ABI趋势。结果表明，尽管应考虑使用诸如GOES-16视角之类的参数，但将ABI和GLM数据集合并可以为机器学习算法和基于统计的算法增加价值，并且还可以预测各自具有独特细节的应用程序。最后，通过两个案例研究（2019年5月24日至27日）来帮助解释7周采样期的结果，并确定与雷暴演变有关的GLM和ABI趋势。