基于深度学习的积层混合云对流泡降水粒子特征研究

作者：袁雅涵; 王烁^*; 王文青; 张佃国; 胡向峰; 张荣; 魏海文; 孟金; 冯勇

来源：干旱气象, 2023, 41(06): 933-943.

• 图像数据集
• 识别模型
• 对流泡
• 降水粒子特征

为实现对降水粒子的高精准分类，整理3 a机载探测降水粒子图像，构建山东省降水粒子图像数据集（Shandong Province Precipitation Particle Image Dataset, SD-PPID）。结合多维度混和的模型放缩方法，提出一种基于EfficientNet卷积神经网络的降水粒子识别模型（A Precipitation particle Recognition model based on EfficientNet convolutional neural Network,PREN）。通过多模型、多指标评价对比，验证了PREN模型具有较好的性能和分类识别能力，模型的识别准确率、精准率和召回率均为98%。使用PREN模型分析对流泡降水粒子特征，选取2次典型积层混合云降水过程的3个时段，结合机载Ka波段云雷达（Airborne Ka-Band Precipitation Cloud Radar,KPR）和DMT粒子测量系统（Droplet Measurement Technologies）分析对流泡内部与外部、不同强度和不同高度的降水粒子形状占比，并研究其降水机制。结果表明，PREN可有效识别对流泡降水粒子的特征。对流泡内，主要是球状、针状、不规则状和柱状降水粒子，而对流泡外降水粒子主要为球状和针状。不同强度的对流泡云微物理参数各不相同。降水成熟阶段对流泡内霰粒子和针状粒子占比高于消散阶段，降水成熟阶段降水粒子平均弦长415μm，而消散阶段粒子平均弦长367μm。对流泡上部降水粒子以球状和六边形板状为主，主要通过凝华过程增长。在0℃层，不规则状粒子和柱状粒子的比例增加，融化过程与动力条件有利于碰并增长形成不规则状粒子，柱状粒子主要来自于高层掉落。

• 单位
  山东省气象局; 山东省人民政府人工影响天气办公室; 山东省气象台