全球数据助力中国龙卷识别预警：双偏振雷达驱动的AI龙卷风识别方法

【作者】 谢锦阳； 周康辉； 韩雷； 郑永光；

【机构】 中国海洋大学； 国家气象中心；

【摘要】 龙卷风是破坏力最强的极端天气之一。传统的龙卷风识别方法主要依赖基于物理理解的雷达图像规则设计,虽然这些方法能够在一定程度上识别龙卷风的存在及其特征,但其计算复杂性和实时响应要求使其难以满足现代气象监测系统对于高效性与精度的需求。相较而言,数据驱动的深度学习方法能够自动从海量观测数据中提取龙卷风特征,避免了物理规则的手动编码,展现出更高的计算效率与准确性。然而,深度学习方法的有效性通常依赖于大量标注数据,导致在龙卷风样本稀缺的地区,模型的泛化能力面临显著挑战。因此,提升模型在数据匮乏地区的泛化能力,成为龙卷风识别领域亟待解决的关键问题。迁移学习作为一种有效的解决方案,通过将其他地区的丰富龙卷风数据知识迁移至数据稀缺区域,从而缓解标注数据不足的困境。为此,本研究提出了一种基于迁移学习的龙卷风检测网络(TTD-Net),旨在将全球范围内积累的龙卷风数据知识转移至如中国等数据稀缺地区,以提升这些地区的检测性能。具体而言,本研究首先在美国的Tor Net数据集上进行预训练,该数据集涵盖大量具有代表性的龙卷风案例,为迁移学习提供了充分的知识基础。预训练后,模型通过逐步微调以适应中国地区的龙卷风数据,实现跨区域的知识迁移与性能提升。TTD-Net采用编码器-解码器架构,编码器部分设计了两个并行子模块,分别处理单偏振和双偏振雷达数据。为优化这两种雷达数据源的融合效果,TTD-Net引入了一种交叉注意力融合机制,减少了不同雷达数据源之间的噪声干扰,增强了模型的鲁棒性。此外,TTD-Net还引入了频域注意力机制,通过对雷达数据频率域的加权处理,增强了模型对龙卷风特征的敏感性,特别是在高频与低频信号交互作用中的表现,从而更精准地捕捉龙卷风的旋转模式。在实验中,本研究在美国和中国的龙卷风数据集上对TTD-Net进行了系统评估。实验结果表明,TTD-Net在两国的数据集上均表现出显著的性能提升,尤其在中国等数据稀缺地区,迁移学习显著提高了模型的准确性与稳定性。与传统的物理模拟检测方法相比,TTD-Net在命中率、误报率及提前预警时间等关键指标上均表现优异。特别是在2024年中央气象台龙卷风识别预警业务试验中,TTD-Net实现了平均约10分钟的提前预警时间,相较传统的SWAN-TVS方法有明显的提高。更多还原