刘伯骏 张亚萍* 黎中菊 韩 潇 芦 华 张 勇

1)(重庆市气象台，重庆 401147) 2)(重庆市气象科学研究所，重庆 401147)

引 言

近年随着计算机科学的发展和大数据处理能力的提升，应用深度学习等人工智能技术进行强对流风暴识别和预报，成为越来越多研究者的选择[1-3]。深度学习一般分为监督学习和无监督学习，当带标识的样本较少时，也会采用半监督学习。无论监督学习还是半监督学习，标识工作是建立深度学习数据集的关键基础，这在观测数据匮乏的灾害性天气智能预报中尤为重要。标识正确、质量可靠的数据集，对深度学习算法准确率有决定性影响。由于强对流事件发生概率低、过程时间短、空间尺度小，导致观测难度大，观测数据往往不完备，制约了深度学习在相关领域的应用。其中，冰雹的地面实况观测最少，观测时间不明也很常见。将冰雹实况信息与天气雷达监测和跟踪的风暴体进行匹配，可以充分利用地面实况，提高冰雹观测数据完备性。

本文将无地面实况情况下，根据天气雷达观测到的风暴体特征进行降雹风暴体(下文简称雹暴)判识称为雹暴识别，而将标明导致地面出现冰雹实况的风暴体称为雹暴标识，即将天气雷达观测到的强对流风暴体与地面实况相匹配，算法核心在于根据地面冰雹事件发生的时空信息，找出导致该事件的风暴体(雹暴)。为弥补地面观测不足，Gange等[2]将雹暴识别结果(WSR-88D中冰雹探测算法[4])用于建立冰雹实况数据集，并指出气候统计证实冰雹识别结果与冰雹地面报告的空间分布基本一致[5]。……