基于机器学习的降水粒子成像仪(AParsivel)数据质控.docxVIP

PAGE2

基于机器学习的降水粒子成像仪(AParsivel)数据质控

摘要

降水粒子成像仪（AParsivel）是气象物联网中监测降水微物理特征的核心设备，但其长期野外运行易受蜘蛛网、灰尘等环境因素干扰，导致观测数据出现大量虚假粒子信号，严重影响降水类型识别的准确性。本研究针对这一现实痛点，设计并实现了一套基于机器学习分类算法的数据质量控制与降水类型修正模型。

论文遵循“需求分析→总体设计→详细设计→实现→测试”的工程递进思路展开。首先分析了AParsivel数据质量问题的成因与现有质控方案的不足，明确了以粒子图像特征提取与分类为核心的技术路线。随后设计了包含数据预处理、特征工程、模型训练与在线推理四个模块的系统架构，选取随机森林与支持向量机作为核心分类算法，并构建了涵盖粒子尺寸、速度、形态等多维度的特征体系。在详细设计阶段，重点阐述了基于滑动窗口的时序特征构造算法与基于置信度阈值的降水类型修正策略。系统实现后，利用历史标注数据集进行训练与测试，结果表明模型对虚假粒子的识别准确率达到93.7%，降水类型修正后的分类一致率提升至91.2%。本研究为气象物联网中的智能数据质控提供了可工程化的解决方案，在提升地面观测数据质量方面具有显著的实践价值。

关键词：降水粒子成像仪；机器学习；数据质量控制；降水类型修正；气象物联网

第一章绪论

1.1研究背景

降水是水循环过程的关键环节