雷暴大風是一種嚴重且常見的中小尺度氣象災害天氣。雷暴大風天氣一般由多個雷暴單體或超級單體構成的狹長狀颮線引起,雷暴大風天氣具有生成時間短、強度大、破壞力強、變化快、防御困難等特點,常對工農(nóng)業(yè)的生產(chǎn)、人民的生活以及交通運輸?shù)刃袠I(yè)造成嚴重的危害。相比于中長尺度的氣象災害現(xiàn)象,雷暴大風的識別和預測十分具有挑戰(zhàn)性,氣象領域的中外學者對此問題做了大量預報及預警方面的研究。利用機器學習和深度學習方法進行雷暴大風識別的研究,目前仍然處在前沿探索階段,因此本課題的研究不僅具備較高的學術價值,同時擁有緊迫的現(xiàn)實意義。針對雷暴大風識別任務,本文基于深圳市氣象局提供的廣東省2015-2017年的雷達回波拼圖數(shù)據(jù)、氣象自動觀測站數(shù)據(jù),構建雷暴大風樣本集,并進行雷達回波雜波濾除、噪聲樣本剔除等數(shù)據(jù)預處理。本文使用十種基于傳統(tǒng)機器學習的雷暴大風識別方法,通過提取雷達組合反射率、垂直液態(tài)水含量（VIL）、雷達回波頂高等共十種雷達特征,對雷暴大風區(qū)域進行識別。為了減少雷暴大風的誤識別率,本文設計基于形態(tài)學的颮線分割方法,僅對颮線區(qū)域的雷達回波進行雷暴大風識別,在提升識別速度的同時,有效提升雷暴大風的識別率。為充分利用... 

【文章來源】：哈爾濱工業(yè)大學黑龍江省 211工程院校 985工程院校

【文章頁數(shù)】：77 頁

【學位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 課題研究的背景與意義
    1.2 國內(nèi)外相關研究概況
        1.2.1 氣象領域雷暴大風識別研究現(xiàn)狀
        1.2.2 基于深度學習識別方法研究現(xiàn)狀
        1.2.3 雷達回波颮線分割方法研究現(xiàn)狀
    1.3 本文研究內(nèi)容
    1.4 本文的組織結構
第2章 相關研究內(nèi)容及方法
    2.1 雷暴大風識別研究資料
        2.1.1 雷達回波數(shù)據(jù)介紹
        2.1.2 自動觀測站數(shù)據(jù)介紹
        2.1.3 雷暴大風樣本集構建
    2.2 卷積神經(jīng)網(wǎng)絡簡介
        2.2.1 卷積神經(jīng)網(wǎng)絡原理及基本結構
        2.2.2 常見卷積神經(jīng)網(wǎng)絡模型
    2.3 循環(huán)神經(jīng)網(wǎng)絡簡介
        2.3.1 循環(huán)神經(jīng)網(wǎng)絡原理及基本結構
        2.3.2 常見循環(huán)神經(jīng)網(wǎng)絡模型
    2.4 本章小結
第3章 基于傳統(tǒng)機器學習的雷暴大風識別方法
    3.1 機器學習算法識別流程
    3.2 樣本預處理及特征工程
        3.2.1 樣本預處理
        3.2.2 特征工程
    3.3 基于傳統(tǒng)機器學習的識別方法
        3.3.1 機器學習方法
        3.3.2 機器學習方法實驗對比
    3.4 基于形態(tài)學的颮線分割方法
        3.4.1 基本形態(tài)學運算
        3.4.2 颮線分割流程
    3.5 本章總結
第4章 基于時-空循環(huán)卷積網(wǎng)絡的雷暴大風識別方法
    4.1 深度學習算法識別流程
    4.2 卷積神經(jīng)網(wǎng)絡模型
        4.2.1 網(wǎng)絡模型設計思路
        4.2.2 網(wǎng)絡模型具體結構
    4.3 空間上下文循環(huán)卷積神經(jīng)網(wǎng)絡模型
        4.3.1 網(wǎng)絡模型設計思路
        4.3.2 網(wǎng)絡模型具體結構
    4.4 時間循環(huán)卷積神經(jīng)網(wǎng)絡模型
        4.4.1 網(wǎng)絡模型設計思路
        4.4.2 網(wǎng)絡模型具體結構
    4.5 時空循環(huán)卷積神經(jīng)網(wǎng)絡模型
        4.5.1 網(wǎng)絡模型設計思路
        4.5.2 網(wǎng)絡模型具體結構
    4.6 本章總結
第5章 雷暴大風識別相關實驗及系統(tǒng)展示
    5.1 實驗環(huán)境及實驗數(shù)據(jù)
        5.1.1 實驗環(huán)境
        5.1.2 實驗數(shù)據(jù)
    5.2 實驗設置及結果分析
        5.2.1 實驗設置
        5.2.2 實驗結果及分析
    5.3 雷暴大風識別系統(tǒng)
        5.3.1 數(shù)據(jù)網(wǎng)格化及大風區(qū)域構建
        5.3.2 雷暴大風識別流程及界面展示
    5.4 本章小結
結論
參考文獻
攻讀碩士學位期間發(fā)表的論文及其它成果
致謝


【參考文獻】：
期刊論文
[1]基于小波和Hu矩的颮線雷達回波識別[J]. 程凌舟,何建新,曾憲軍.  成都信息工程大學學報. 2017(04)
[2]基于模糊邏輯的雷暴大風和非雷暴大風區(qū)分方法[J]. 周康輝,鄭永光,王婷波,藍渝,林建.  氣象. 2017(07)
[3]颮線優(yōu)化識別及雷暴大風分析[J]. 李哲,李國翠,劉黎平,楊吉.  高原氣象. 2017(03)
[4]京津冀一次颮線過程的精細時空演變特征分析[J]. 劉蓮,王迎春,陳明軒.  氣象. 2015(12)
[5]江淮地區(qū)弓狀回波的分布和環(huán)境特征分析[J]. 羅愛文,朱科鋒,方茸,金龍,趙坤.  氣象. 2015(05)
[6]兩次颮線過程中短時強降水和冰雹強度差異及成因分析[J]. 丁治英,王楠.  氣象科學. 2015(01)
[7]基于動態(tài)模板函數(shù)的線狀中尺度對流系統(tǒng)自動識別[J]. 楊吉,劉黎平,夏文梅,徐芬,徐坤.  氣象. 2014(11)
[8]利用雷達回波三維拼圖資料識別雷暴大風統(tǒng)計研究[J]. 李國翠,劉黎平,連志鸞,周淼,李哲.  氣象學報. 2014(01)
[9]基于雷達三維組網(wǎng)數(shù)據(jù)的對流性地面大風自動識別[J]. 李國翠,劉黎平,張秉祥,于楠,常山英.  氣象學報. 2013(06)
[10]基于顯著性特征的大冰雹識別模型[J]. 王萍,潘躍.  物理學報. 2013(06)

博士論文
[1]基于強對流數(shù)值模擬的貴州冰雹識別及臨近預報方法研究[D]. 王瑾.中國氣象科學研究院 2008



本文編號：3205667