基于迁移学习的跨区域强对流天气识别模型构建及其适应性特征分析_人工智能气象应用.docxVIP

PAGE2

基于迁移学习的跨区域强对流天气识别模型构建及其适应性特征分析

第一章绪论

1.1研究背景

1.1.1现实背景

强对流天气包括短时强降水、雷暴大风、冰雹和龙卷等，具有突发性强、破坏力大、生命周期短的特点，对人民生命财产安全和经济社会运行构成严重威胁。我国幅员辽阔，气候区划复杂，华南、华北、江淮等区域在季风影响、水汽条件、热力动力机制上差异显著，导致强对流天气的发生频次、类型和演变规律呈现鲜明的地域性。

当前，气象业务对强对流天气的监测预警仍高度依赖雷达卫星资料的人工研判与数值预报模式，但传统方法在时效性和空间精度上难以满足精细化防灾减灾需求。近年来，基于深度学习的强对流识别模型在局部区域取得了优于传统方法的性能，然而，这类模型通常依赖大规模、高质量的标注数据，且对训练域的特征分布存在过拟合，一旦应用于新区域，识别准确率往往大幅下降。

我国华南地区暖区暴雨频发，对流系统尺度小、发展迅速，而华北地区强对流多与冷涡、干线等天气系统相关，二者在雷达回波形态、演变特征上差异明显。为华南重新标注海量数据并训练新模型成本高昂，因此，探索如何将源域（如华北）已训练好的识别模型高效迁移至目标域（如华南），成为破解跨区域应用瓶颈的现实需求。

1.1.2理论背景

迁移学习作为机器学习领域的重要分支，旨在利用源域知识辅助目标域任务的学习，已在计算机视觉、自然语言处理等领域取得显著成