大数据背景下基于百度EasyDL的龙卷风阶段监测
1. 龙卷风概述
1.1 龙卷风的危害
- 龙卷风是一种少见的局地性、小尺度、突发性的强对流天气，中国平均每年发生的龙卷风有43个，在1989年直接经济损失达到了36亿。
- 龙卷风的危害巨大，如1967年上海地区发生的强龙卷，毁坏房屋一万多间，拔起或者扭断22座能抗12级台风的高压电线铁塔。
- 2016年江苏盐城特别重大龙卷风冰雹灾害共造成99人死亡，受伤846人。
1.2 龙卷风形成原因
- 龙卷风是在极不稳定天气下由空气强烈对流运动而产生的一种伴随着高速旋转的漏斗状云柱的强风涡旋。
- 龙卷风形成可以分为四个阶段：大气的不稳定性产生强烈的上升气流，形成中尺度气旋，小面积的增强辅合形成初生的龙卷，龙卷核心中的旋转与气旋中的不同，它的强度足以使龙卷一直伸展到地面。
1.3 龙卷风难以预报和监测的原因及现有的手段方法
- 龙卷风小尺度和突发性使得现有气象观测设备难以监测到。
- 多普勒雷达可以测量靠近或远离雷达站的风速，但对于旋转的龙卷风来说，风是环形的，能在很短的距离内从靠近变成远离。因此，多普勒雷达上贴在一起的两个红绿色块儿（分别代表远离和靠近），就很有可能是龙卷风。然而，相对于检测龙卷风所需要的网络密度，多普勒雷达站还很稀少。
2. 百度EasyDL软件介绍及流程图介绍
2.1 百度EasyDL软件介绍
- 百度EasyDL无需机器学习专业知识，只需上传并标注需要识别的示例数据可以直接训练模型。并可以查看详细的效果评估报告，在可视化界面校验模型效果，从而有针对性的补充训练数据。
- 当对模型效果满意后将模型部署在云端、设备端、私有服务器或直接购买硬件一体方案。
- 百度EasyDL具有操作可视化、效果精度高、部署灵活和支持更大数据进行训练的特色优势。
2.2 流程图
- 首先使用摄像头进行拍照，然后将图片上传至百度EasyDL，上传图像识别后EasyDL返回结果。
- 例如：EasyDL将图像识别为龙卷风第一阶段，则输出“龙卷风第一阶段”。若均不属于龙卷风形成的四个阶段则重新拍照重复以上操作。
- 本课题采用了百度EasyDL的经典版-图像分类模型，所制定的图像分类模型可以识别一张图整体是什么物体/状态/场景。在各分类图片之间差异明显的情况下，训练数据每类需要20-100张。
2.3 样本测试及改进
- 完成第一次模型训练后，百度EasyDL的准确率只有41.2%，效果欠佳。
- 通过排查分析，得出原因可能是龙卷风第一阶段的图片太过杂乱且每张图片都有很大差别，再加上缺乏大量龙卷风第一阶段真实清晰的图片，无法准确地提高模型的泛化能力。因此考虑删除一些少见的龙卷风图片以提高模型准确率。
- 有些是因为图片较模糊而判断错误，例如将模糊的龙卷风第二阶段图片误判为第一阶段。
3. 实验设计与测试
3.1 实验设计
- 实验测试，使用新的4个阶段的样本进行测试。
3.2 测试结果
- 在阶段1和阶段2由于龙卷风还处于超级单体的阶段，未出现明显变化，所以识别率较低。
- 在阶段4的测试中，可以正确识别出龙卷风已经发展到阶段3和阶段4，识别率较高。
4. 总结与展望
4.1 总结
- 通过此次课题的学习，接触到了百度EasyDL这种图像分类工具，通过大量的图片样本的采集，再结合现有机器学习的算法，百度EasyDL工具可以很方便的对样本进行分类。
- 并且百度EasyDL可以和Python结合，Python是一种很方便的编程工具，网上大量教程和案例，使我更快的掌握了这门语言，在此我还要感谢学校指导老师给予的大力帮助，在老师耐心的教导下完成了本课题的研究。
4.2 展望
- 本课题由于时间和能力原因，有下列功能可以继续研究：
- 如何与多普勒气象雷达联动进行识别
- 模型的样本需要增多，提高准确度
- 增加报警和提示功能，告诉人们龙卷风的发生，及时发布预警。
5. 参考文献
- [1] 田玉基, 钮亚楠, 杨庆山, 李波. 物理模拟龙卷风的风速和气压降分布特征[J]. 工程力学, 2020, 37(03): 66-76.
- [2] 刘晓静, 章易程, 刘凡, 吴强运, 张鸣凤, 郭员畅. 龙卷风原理的吸尘装置结构设计及流场仿真分析[J]. 哈尔滨工业大学学报, 2020, 52(03): 106-114.
- [3] 李峰, 李柏, 唐晓文, 张林, 李瑞义. 近20年美国龙卷探测研究进展——对我国龙卷风研究的启示[J]. 气象, 2020, 46(02): 245-256.
- [4] 王蒙恩, 曹曙阳, 操金鑫. 龙卷风风场的数值模拟研究[J]. 同济大学学报(自然科学版), 2019, 47(11): 1548-1556.
- [5] 赵鑫樾, 陈石, 张晓杰, 胡凌生. 中国龙卷风等级分布研究[J]. 科技与创新, 2019(21): 136-137.
