基于免疫进化算法优化卷积神经网络的强对流大风分级识别方法及其应用OA

强对流大风(简称强风)发生频次随风速增大而急剧减少的现象,是导致现有各类算法难以对其进行分级识别的主要原因。为了解决该问题,将不可微分命中率(POD)作为卷积神经网络(CNN)的损失函数,偏差(Bias)为其约束条件,利用多目标优化的免疫进化算法(MOIEA)优化CNN的所有模型参数,提出了一种针对17.2、20.8、24.5 m·s^(-1)(分别对应8、9、10级风力)以上强风的分级识别算法(severe convective wind identification network,SCWINet)。SCWINet利用2022—2024年浙江省雷达垂直液态水含量、三维雷达反射率、闪电定位仪、分钟级地面自动观测站资料,实现了时间分辨率为6 min、空间分辨率为0.01°的强风分级识别,并与加权均方误差可微分损失函数和平衡均方误差可微分损失函数进行对比,模型结构均一致。然后基于邻域法(扫描半径为5 km)的TS评分、Bias、POD、虚警率和强风平面分布特征探讨了SCWINet的适用性。主要结果如下:SCWINet能有效分级识别出系统性和分散性强对流系统对应的17.2、20.8、24.5 m·s^(-1)以上强风,其中对系统性强对流触发的强风分级识别效果要优于分散性强对流。此外,分级识别效果总体随强风风速的增大而降低,空报和漏报的增大是造成上述现象的主要原因。加权均方误差和平衡均方误差损失函数则没有任何识别能力,其识别出的风速均小于17.2 m·s^(-1)。未来可通过增加输入特征和数据量,进一步提升其识别准确性,并推广至更强风速的识别中。