Page 147 - 计算机应用软件开发技术研究

第四章 大数据与机器学习

产品及地面观测数据，分类并识别了 3 类主要的强对流天气（冰雹、雷暴大风、
短时强降雨），表现良好，整体误判率仅为 4.9%。王兴等以雷达回波图像和表
征回波移动路径的光流图像作为输入，通过深度神经网络的自学习，判断是否发

生强对流天气。周康辉等梳理了机器学习在强对流天气监测、短时临近预报、短
期预报等领域的应用和存在的问题，并指出机器学习方法能够更有效提取高时空
分辨率的中小尺度观测数据的强对流特征，能够有效综合应用多源观测数据、分
析数据和数值预报模式数据，能够有效对数值模式预报进行释用和后处理，提升

全球数值模式、高分辨率区域数值模式在强对流天气预报上的应用效果。Han 等
建立了一个支持向量机（SVM）的多普勒雷达回波预测系统。
1.冰雹
在冰雹云监测预警方面，常规方法是对冰雹云雷达回波的三维结构特征进行

总结，建立冰雹云的特性模型，并将特征用定量指标予以描述，基于支持向量机
的预测系统者利用双偏振雷达的特殊性能进行判识，这些研究成果已经在很大程
度上推进了冰雹云的自动识别和临近预报。近年来采用人工智能方法，融合雷达
反射率数据、闪电探测数据以及 ERAS 再分析对流指数数据等进行分析预报，可

以极大地提高了模型的鲁棒性，并降低误报率。Pullman 等研究了基于卫星图像
的冰雹检测、预警新技术，该技术采用了主流深度学习网络。张文海等以雷达回
波反射率的垂直和水平扫描数据为基础训练集，将冰雹云的雷达反射率扫描数据
作为正样本，将其他雷达反射率扫描数据作为负样本，通过贝叶斯分类法对正、

负样本数据集进行机器学习，训练人工智能识别冰雹云内在规律的能力。
2.强风
针对卫星数据的气旋风的跟踪预报，Kovorda-nyi 等较早开展了基于神经元
网络实现了气旋风的跟踪估计。Zhang 等基于卫星图像序列，根据当前和历史卫

星图像，通过卷积网络提取与最具判别性的视觉特征，通过计算云的局部运动信
息实现了短时大风预报。Hong 等在卫星图像基础上，提出一种新型专用于台风
中心跟踪的卷积网络，该网络用于提取台风中心显著判别特征，基于线性回归模
型从而实现台风中心预测。Rüttgers 等利用最新生成对抗网络技术，实现了针对

遥感卫星数据对台风未来 6 h 轨迹跟踪。
3.闪电
当前主流基于卫星数据的闪电预测方法都基于不同光谱通道的亮温观测，

·135·