基于深度学习融合静止卫星和极轨卫星云图的中尺度对流系统生命史识别.docxVIP

PAGE2

基于深度学习融合静止卫星和极轨卫星云图的中尺度对流系统生命史识别

摘要

中尺度对流系统是引发强降水、雷暴大风等灾害性天气的关键系统，其生命史的精准识别对短临预报至关重要。现有方法多依赖单一静止卫星云图，受限于空间分辨率，难以精细捕捉MCS内部结构演变；而极轨卫星虽能提供高质量观测，但时间分辨率不足。本设计旨在构建一个端到端的深度学习模型，融合高时间分辨率的静止卫星云图与高质量的极轨卫星数据，实现对MCS发生、成熟、消散三个生命阶段的概率预测。

论文首先分析了MCS识别在气象业务中的迫切需求及现有技术的局限性，明确了融合双源卫星数据的必要性。在技术选型上，采用时空Transformer架构，其自注意力机制能有效建模云图序列的时空依赖关系。需求分析阶段，明确了系统需具备数据预处理、模型推理、结果可视化等核心功能，并量化了识别精度、处理时效等非功能指标。

总体设计构建了数据流驱动的系统架构，包含数据获取与预处理、特征融合与模型推理、结果后处理与输出三大模块。详细设计重点阐述了时空Transformer模型的结构，包括双流编码器、跨模态融合模块与阶段分类头。系统实现基于PyTorch框架，核心难点在于异构卫星数据的时空对齐与有效融合，通过设计可学习的时空位置编码与跨模态注意力机制予以解决。

测试结果表明，在历史个例数据集上，模型对MCS三阶段的平均识别准确率达到85.7%