Presentation Details
基于可解释深度学习的对流初生概率预测
ID：890
View Protection：ATTENDEE
Updated Time：2024-04-11 10:22:13 Hits：2228
Oral Presentation
Start Time：2024-05-18 14:21（Asia/Shanghai）
Duration：12min
Session：S12 主题12、大气物理与气象气候 »
No files
Abstract
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。
Keywords
对流初生,深度学习,静止卫星,可解释性
Speaker
李扬
助理研究员 南京气象科技创新研究院Submission Author
All Comments
Important Date
-
Conference Date
May 17
2024
toMay 20
2024
-
Mar 31 2024
Draft paper submission deadline
-
Mar 31 2024
Contribution Submission Deadline
-
May 20 2024
Registration deadline
Sponsored By
青年地学论坛理事会
Organized By
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
Contact Information
- 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********
Submit Comment