基于深度学习的积层混合云对流泡降水粒子特征研究

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 Recogni⁃tion 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 Mea⁃surement 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。