报告详情
基于可解释深度学习的对流初生概率预测
编号：890
访问权限：仅限参会人
更新：2024-04-11 10:22:13 浏览：1557次
口头报告
报告开始：2024年05月18日 14:21（Asia/Shanghai）
报告时间：12min
所在会场：[S12] 主题12、大气物理与气象气候 [S12-2] 主题12、大气物理与气象气候 专题12.3（18日下午，224）
暂无文件
摘要
准确预测对流初生对于降低强对流灾害导致的人员伤亡和财产损失至关重要。本研究利用暖季期间Himawari-8的8个关注场和地形高度，开发了CIUnet模型实现定时定点的CI（Convective Initiation）概率预测。结果表明：CIUnet模型能够提前30分钟预测CI发生的时间和位置，命中率达到93.3±0.3%，虚警率降至18.3±0.4%。
通过敏感性试验和可解释性分析发现：相比于原始红外通道亮温观测而言，亮温通道差对于CI预测更重要，其中表示对流层低层云顶高度的7.3 μm和10.4 μm的亮温通道差对于CI预测最重要，其次是表示云顶冰晶化的三通道亮温差，且三通道亮温差能够明显降低FAR。加入地形高度能够提高POD，但会导致在复杂地形区域略微高估CI预测，并且CIUnet模型能够有效识别出每个输入变量对于准确预测CI的关键的区域。
通过敏感性试验和可解释性分析发现：相比于原始红外通道亮温观测而言，亮温通道差对于CI预测更重要，其中表示对流层低层云顶高度的7.3 μm和10.4 μm的亮温通道差对于CI预测最重要，其次是表示云顶冰晶化的三通道亮温差，且三通道亮温差能够明显降低FAR。加入地形高度能够提高POD，但会导致在复杂地形区域略微高估CI预测，并且CIUnet模型能够有效识别出每个输入变量对于准确预测CI的关键的区域。
关键词
对流初生,深度学习,静止卫星,可解释性
报告人
李扬
助理研究员 南京气象科技创新研究院稿件作者
全部评论
重要日期
-
会议日期
05月17日
2024
至05月20日
2024
-
03月31日 2024
初稿截稿日期
-
03月31日 2024
报告提交截止日期
-
05月20日 2024
注册截止日期
主办单位
青年地学论坛理事会
承办单位
厦门大学近海海洋环境科学国家重点实验室
中国科学院城市环境研究所
自然资源部第三海洋研究所
中国科学院城市环境研究所
自然资源部第三海洋研究所
联系方式
- 辜克兢（会务总协调、会场安排、学术安排）
- gu******@xmu.edu.cn
- 139********
- 柳欣（会务总协调）
- li******@xmu.edu.cn
- 138********
- 孙佳妮（会务总协调）
- sc******@chytey.com
- 152********
- 窦恒（会场安排、学术安排）
- do******@chytey.com
- 186********
- 李招英（会场技术服务）
- li******@xmu.edu.cn
- 138********
- 刘琳（学术安排）
- ll******@iue.ac.cn
- 133********
- 李虎（学术安排）
- hl******@iue.ac.cn
- 189********
- 柳欣（学术安排）
- li******@xmu.edu.cn
- 138********
- 胡勤梅（会议注册）
- ma******@chytey.com
- 135********
- 孙晓笛（会议注册）
- xi******@xmu.edu.cn
- 188********
- 许心雅（会议财务）
- xu******@xmu.edu.cn
- 180********
- 朱佳（商业赞助）
- zh******@xmu.edu.cn
- 139********
- 张君（海报张贴）
- ju******@xmu.edu.cn
- 138********
- 卢巍（海报张贴）
- lu******@chytey.com
- 189********
- 李璟（酒店预订及咨询）
- li******@chytey.com
- 186********
发表评论