机构名称：
¥ 1.0
摘要：尽管它们固有的对流及其相关的恶劣天气危害，但仍无法进行风暴上升的量化。上升的代理，例如从卫星造成的高层区域，与恶劣的天气危害有关，但仅与一定程度的总暴风雨上升到达有关。这项研究调查了机器学习模型，即U-NET是否可以巧妙地从单独的三维栅格雷达雷达反射性中巧妙地检索最大的垂直速度及其面积范围。使用模拟的雷达反射性和垂直速度对机器学习模型进行了训练，该模型从国家严重风暴实验室的对流中允许警告搜索系统（WOFS）训练。使用SINH - ARCSINH - 正态分布的参数回归技术适用于U-NETS运行，从而可以对最大垂直速度的最终和概率预测。超参数搜索后的最佳模型提供了小于50％的根平方误差，一个大于0.65的确定系数，以及由WOFS数据组成的独立测试集上的联合（IOU）的相交（IOU）超过0.45。除了WOFS分析之外，使用真实的雷达数据和超级电池内垂直速度的相应的双重多普勒分析进行了案例研究。U-NET始终低估了双重多个多置速度上升速度估计值50％。同时，5和10 m s 2 1上升气流核的面积显示为0.25。尽管上述统计数据并非例外，但机器学习模型可以快速蒸馏3D雷达数据，该数据与最大垂直速度有关，这对于评估风暴的严重潜力可能很有用。
机器学习估计雷达的最大垂直速度
主要关键词
相关文件推荐
