《表1 各类阵风锋识别方法准确率》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于深度卷积神经网络的阵风锋识别算法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

关于阵风锋自动识别算法的研究由来已久，基本都集中于对雷达回波特征的提取与识别。由于阵风锋所在的位置为中小尺度的辐合带，大气折射、昆虫和鸟的回波（席宝珠等，2015）等原因，使得在多普勒雷达强度图上有较明显的拥有速度辐合的窄带弱回波特征，几乎所有的识别算法都是对此特征进行识别。Hiroshi Uyeda等（1986）就提出了基于速度辐合线的AGFA（自动识别阵风锋）算法。Troxel等（1994）提出了MIGFA（机器智能识别阵风锋算法），其通过融合气象机理、时空分布等特征，设计了函数统计模版对阵风锋引发的雷达窄带弱回波进行提取，将识别准确率提高到了75%（TDWR雷达）和88%（ASR-9雷达）。MIGFA算法具有阵风锋识别史上里程碑的意义，第一次将函数模版相关（FTC）方法系统化地引入了阵风锋识别，Kwon（1994）利用基于像素点的融合技术对其进行了改进，虽然改进后针对于同一批数据准确率有所提高，但相比原算法文献，准确率其实是出现了较大的下降，平均的准确率由81.5%下降到68%，从侧面可以反映出基于人工函数模版算法的数据依赖性，泛化能力有限。此后虽然国内外学者继续提出了很多算法，但其基本都是建立在MIGFA算法思想基础之上，本质为立足于雷达回波特征统计提取，人工设定预定义模板阈值进行识别的方法（郑佳锋等，2013），也有学者在此基础上改进引入了其他一些图像处理技术，如程浩（2011）引入了熵函式模板，冷亮（2016）引入了数学形态学。Hwang等（2017）在MIGFA基础上将神经模糊理论应用于S波段雷达的阵风锋识别算法，提出了NFGDA（神经模糊阵风锋检测算法），将识别准确率提升到了93%。在忽略样本之间的差异的前提下，上述部分识别算法的准确率如表1所示，虽然由于样本存在差异，实际准确率对比会有所不同，但通过文献准确率对比，还是能够较明显的发现识别算法效果在近年来有所提升。