物理学启发式多源时空深度学习雷暴大风识别模型

《Atmospheric and Oceanic Science Letters》:A physics-inspired multi-source spatiotemporal deep learning model for thunderstorm gust identification

【字体: 大 中 小 】 时间:2026年07月23日 来源:Atmospheric and Oceanic Science Letters 3.4

编辑推荐:

  雷暴大风事件的准确识别仍然是一个重大挑战,原因在于对风速突变演化的刻画不足以及多源气象观测非线性耦合建模能力的有限性。为解决这些问题,本研究提出了一种物理学启发式多源时空深度学习框架,命名为PI-TGNet。研究人员设计了一个风速时间序列演化模块,通过在潜在特

  
雷暴大风事件的准确识别仍然是一个重大挑战,原因在于对风速突变演化的刻画不足以及多源气象观测非线性耦合建模能力的有限性。为解决这些问题,本研究提出了一种物理学启发式多源时空深度学习框架,命名为PI-TGNet。研究人员设计了一个风速时间序列演化模块,通过在潜在特征空间中进行形态感知建模和结构感知时序表征学习,有效捕捉风速的突变演化。构建了一个多模态深度融合模块,通过交叉注意力机制实现站点时间序列特征与格点空间特征之间的跨模态交互。此外,研究人员引入了一个双层多尺度通道-空间注意力机制,联合建模通道重要性和空间依赖性,增强多尺度特征的自适应融合。基于2021–2022年雷暴大风样本的实验结果表明,PI-TGNet优于代表性深度学习基线模型,实现了0.8151的CSI。这些结果表明,引入物理学启发式时序建模机制和多源时空特征融合显著提升了强对流大风识别的鲁棒性和判别能力。
雷暴大风是典型的强对流天气现象,其突发性强、空间异质性大、生命周期短,对公共安全和基础设施构成严重威胁。现有识别方法存在以下问题:基于经验阈值和天气学指标的方法虚警率高,适应性有限;基于机器学习的多源分类模型依赖手工特征,难以捕捉非线性耦合;基于风速时序形态的方法虽具可解释性,但对数据稀疏性和多维上下文信息敏感;而现有深度学习框架常将多源观测简单拼接,缺乏对风场演化与对流结构相互作用的显式建模。为克服这些不足,研究人员开展了这项研究,提出了PI-TGNet模型,该模型集成站点风速时间序列和多源格点数据,实现10分钟间隔、1公里分辨率的雷暴大风空间连续识别。实验表明,PI-TGNet在2021–2022年数据上取得了最优性能,CSI达0.8151,POD提升至0.9520,FAR降至0.1499,显著优于主流深度学习模型。这项研究发表在《Atmospheric and Oceanic Science Letters》,为区域强对流天气监测和预警提供了可靠的技术支撑。

研究人员主要采用了以下关键技术方法:首先,构建了风速时间序列演化模块,包含形态学特征分支(基于平稳小波变换SWT和形状特征变换ST+)和物理启发式时序建模分支(PhyDNet+,融入偏微分方程PDE启发的结构感知递归网络与ConvLSTM数据驱动分支,并通过卡尔曼启发式隐状态融合机制实现自适应交互)。其次,构建了多模态深度融合模块,通过交叉注意力机制实现站点风速时序特征与多源格点数据(包括反距离加权IDW插值的站点气象场、雷达拼图产品、FY-4A卫星亮度温度通道及DEM地形数据)的跨模态交互。最后,引入双层多尺度通道-空间注意力机制,包含MS-CAM(全局-局部通道建模)和MS-SAM(多尺度空间卷积与显著图引导),以增强判别性特征并抑制冗余背景。样本来源为2021–2022年4–7月共5202个雷暴大风样本,研究区域覆盖23°–35°N、115°–123°E。

**3.1 对比实验**
通过与传统阈值法(CTM)及多种深度学习基线模型(U-Net、R2U-Net、CMUNeXt、DTAUNet、TGNet、MFD-CANet)的定量比较,PI-TGNet在所有评估指标(CSI、POD、MAR、FAR)上均取得最优结果。具体而言,CSI达到0.8151,较最强基线MFD-CANet提升显著;POD增至0.9520,FAR降至0.1499,表明模型在增强检测灵敏度的同时有效抑制了虚警,展现出更强的判别能力。

**3.2 消融实验**
以R2U-Net为基线逐步添加各模块:加入MDFM后CSI升至0.7166,验证了跨模态交互的有效性;进一步加入WSTEM(含ST+和PhyDNet+)后CSI升至0.7217,MAR降低,说明时序建模改进捕获了大风演化;最终加入DMCSAM后CSI跃升至0.8151,FAR和MAR分别降至0.1499和0.0480,表明自适应多尺度通道-空间加权显著增强了强对流与非强对流的区分能力。

**3.3 案例分析**
以2022年7月26日00:30 UTC的线性对流个例为例,PI-TGNet在三个关键区域(Box 1无雷暴大风但其他模型误报、Box 2部分模型漏报、Box 3面积低估)均表现出最佳识别效果,准确平衡了检测概率与虚警抑制。此外,弓形回波、普通对流单体和超级单体个例的定性分析进一步证实了PI-TGNet的优越性。

**结论总结**
针对现有方法对风速突变刻画不足和多源融合能力弱的问题,研究人员提出了PI-TGNet。该模型通过整合风速时序演化与多源格点气象数据,增强了大风识别的稳定性和判别力。与以往基于站点的方案不同,PI-TGNet能够以10分钟间隔、1公里分辨率生成空间连续的雷暴大风识别图,适用于区域强对流天气监测与预警。未来工作将聚焦于提升模型泛化能力并加强物理约束的融入。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号