基于雷达组合反射率拼图和深度学习的中尺度对流系统识别、追踪与分类方法

中尺度对流系统(Mesoscale Convective System,MCS)是很多对流性天气的主要致灾体,可导致严重的气象和水文灾害,如雷暴大风、冰雹、龙卷风和山洪.对MCS进行准确的识别和追踪,并根据追踪轨迹及获得的MCS特征实现MCS的分类,对灾害天气的分析和预报有重要意义.基于京津冀地区2010—2019年的雷达组合反射率拼图资料,分别使用支持向量机(SVM)、随机森林(RF)、极度梯度提升决策树(XGBoost)和深度神经网络(DNN)4种机器学习方法,研发了京津冀地区MCS的自动识别算法.使用时、空重叠追踪法对识别的MCS进行追踪匹配,得到包含强度、时间和空间信息的MCS追踪数据资料.在区分线状对流系统和非线状对流系统的基础上,进一步从经典的尾随层云(Trailing Stratiform,TS)、前导层云(Leading Stratiform,LS)和平行层云(Parallel Stratiform,PS)三类准线性MCS的概念模型和结构特征出发,根据追踪轨迹计算MCS的运动方向和MCS近似长轴两侧层状云和强对流云的面积占比,建立准线性MCS的分类算法.MCS的识别属于二分分类问题,以命中率(POD)、虚警率(FAR)、临界成功指数(CSI)和准确率(ACC)为评价指标,综合对比各项指标发现DNN模型较SVM、RF和XGBoost模型对MCS的识别效果更好.使用时、空重叠追踪法对DNN模型识别的MCS进行追踪,结合对两个追踪实例的分析,发现本研究所用的算法取得了很好的追踪结果,也进一步说明了深度学习方法识别MCS的准确性和优势.根据追踪轨迹计算某时刻MCS的运动方向,结合识别的层状云和强对流云的分布位置,准确实现了TS、LS和PS型准线性MCS的分类,为准线性MCS的生命史预测及其致灾天气特别是短时强降水的强度、位置和持续时间的客观预报提供了一种技术思路.