热带气象学报

作者：兰宇, 罗聪, 伍志方, 唐思瑜, 吴林, 程兴国, 陈蝶聪

单位：1.广东省气象台(南海海洋气象预报中心)，广东广州5106412.中国气象局龙卷风重点开放实验室，广东广州5106413.华南理工大学，广东广州5106414.广东省生态气象中心，广东广州510641

关键词：雷暴大风, 自动识别, 机器学习, 雷达回波, 深度学习

基金：国家重点研发计划项目2019YFC1510400；广东省基础与应用基础研究基金项目2021B1515310001；国家自然科学基金项目U2142210；广东省气象局科学技术研究项目GRMC2021M09；广东省自然科学基金2022A1515011814；南海海洋气象预报预警关键技术研发CXFZ2021J025；

基于2012—2019年自动站雷暴大风观测实况和对应雷达回波，利用传统机器学习方法(决策树)和深度学习方法(CNN、YOLO)等三种机器学习方法分别建立雷暴大风自动识别模型。根据广东雷暴大风回波特征，选取50 dBZ高度、反射率因子强度梯度等5个回波参量作为决策树的特征因子；将1~9 km高度的雷达回波分为11层，作为YOLOv3的输入层，使其由原3个特征层扩展到11层，训练优化后的YOLOv3可更合理刻画雷暴大风的空间结构特征。经批量测试和业务试运行试验，检验结果表明：三种模型中基于决策树的模型虚警最高，基于CNN的模型漏报最多，基于YOLO的模型识别效果最好，其POD和CSI均最高。通过对广东2020年汛期5次系统性和5次局地性雷暴大风过程进行分类型自动识别效果评估，并选取任意天气下长达30天连续时段进行不间断识别检验，结果表明该算法对于不同类型的雷暴大风均有较好的识别能力，具备业务化应用前景。

来源：2023年第2期

《热带气象学报》期刊编辑部

查看热带气象学报杂志2023年第2期