大数据背景下基于百度EasyDL的龙卷风阶段监测

1. 龙卷风监测概述

1.1 龙卷风的危害

1.1.1 龙卷风的破坏力

• 龙卷风是一种少见的局地性、小尺度、突发性的强对流天气，具有极强的破坏力。
• 例如，1967年3月26日，上海地区出现一次强龙卷，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。
• 1969年8月28日和29日连续二次龙卷风，是天津历史上最大的两次龙卷风，死亡52人，重伤256人，轻伤593人。
• 2016年6月23日下午，江苏盐城阜宁县遭遇的强冰雹和龙卷风双重灾害，共造成99人死亡，受伤846人。

1.1.2 龙卷风的时空特征

• 龙卷风的时空尺度很小，直径一般在100米以下，发生至消散的时间在几分钟到几十分钟。
• 现有气象观测设备难以监测到龙卷风，因为龙卷风最强烈旋转的部分是在从地面到3千米高度的低空，而雷达的有效监控范围只有几十千米。

1.2 龙卷风形成原因

1.2.1 大气不稳定性和上升气流

• 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。
• 急流中的最大过境气流的影响，上升气流在对流层的中部开始旋转，形成中尺度气旋。

1.2.2 中尺度气旋的形成

• 随着中尺度气旋向地面发展和向上伸展，它本身变细并增强。
• 一个小面积的增强辅合，即初生的龙卷在气旋内部形成，产生气旋的同样过程，形成龙卷核心。

1.2.3 龙卷核心的形成

• 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。
• 当发展的涡旋到达地面高度时，地面气压急剧下降，地面风速急剧上升，形成龙卷。

1.3 龙卷风难以预报和监测的原因及现有的手段方法

1.3.1 龙卷风难以预报的原因

• 龙卷风是一种很少见的局地性、小尺度、突发性的强对流天气，是在极不稳定的天气状况下由空气对流运动造成的强烈的、小范围的空气涡旋。
• 龙卷风的时空尺度很小，直径一般在100米以下，发生至消散的时间在几分钟到几十分钟，现有气象观测设备难以监测到龙卷风。

1.3.2 现有的手段方法

• 现有的检测方法需要用到多普勒雷达。这种雷达可以测量靠近或远离雷达站的风速。
• 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。
• 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。雷达站覆盖面积是数百千米，而城市与城市的间隔也大概是这个距离。

2. 百度EasyDL软件介绍及流程图介绍

2.1 百度EasyDL软件介绍

2.1.1 百度EasyDL的优势

• 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。
• 用户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。

2.1.2 百度EasyDL的使用流程

• 首先需要在百度EasyDL上，新建一个模型，选择数据集，添加分类，开始训练。
• 训练完成后，用户可以查看模型的效果，并进行优化和调整。
• 最后，将训练好的模型部署到实际应用中，实现对龙卷风阶段的监测。

2.2 流程图介绍

2.2.1 流程图的构成

• 流程图由多个节点组成，每个节点代表一个步骤或操作。
• 节点之间通过箭头连接，表示操作的顺序和逻辑关系。
• 流程图通常采用图形化的方式，便于理解和记忆。

2.2.2 流程图的用途

• 流程图用于描述和展示操作的顺序和逻辑关系，帮助人们理解和掌握操作的步骤。
• 流程图在项目管理、业务流程优化、教学培训等领域具有广泛的应用。

2.3 样本测试及改进

2.3.1 样本测试

• 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。

2.3.2 改进措施

• 删除一些少见的龙卷风图片以提高模型准确率。
• 针对模糊的图片，重新拍摄清晰的照片，提高样本质量。
• 增加样本的数量，提高模型的泛化能力。

3. 实验设计与测试

3.1 实验设计

3.1.1 实验目的

• 验证百度EasyDL在龙卷风阶段监测中的效果和准确性。
• 探讨不同阶段的龙卷风识别率，为改进模型提供依据。

3.1.2 实验方法

• 收集不同阶段的龙卷风图片，作为训练和测试数据。
• 使用百度EasyDL进行模型训练，并调整参数和超参数，优化模型性能。
• 进行测试，记录不同阶段的识别率，分析结果并优化模型。

3.2 测试结果分析

3.2.1 测试结果

• 实验结果显示，第一、第二阶段的正确率在45%左右，第三阶段的正确率在50%左右，而在形态很特殊，最为明显的第四阶段正确率在70%。
• 从测试结果可以看出，百度EasyDL在龙卷风阶段的监测中具有一定的准确性和有效性，但仍有改进空间。

3.2.2 分析与讨论

• 第一、第二阶段的正确率较低，可能是因为这两个阶段的龙卷风形态相似，且样本数量较少，导致模型难以准确区分。
• 第三阶段的正确率有所提高，可能是因为这个阶段的龙卷风形态具有一定的特征，使得模型更容易识别。
• 第四阶段的正确率最高，可能是因为这个阶段的龙卷风形态非常特殊，具有明显的特征，使得模型能够准确识别。

4. 总结与展望

4.1 总结

• 通过对百度EasyDL的研究和应用，实现了对龙卷风阶段的监测，为气象预警和防灾减灾提供了重要的技术支持。
• 实验结果表明，百度EasyDL在龙卷风阶段的监测中具有一定的准确性和有效性，但仍需进一步优化和改进。

4.2 展望

• 未来可以继续优化模型，提高不同阶段的识别率，尤其是第一、第二阶段的识别率。
• 可以尝试使用更多的数据和更先进的算法，提高模型的泛化能力和准确性。
• 可以与其他监测手段相结合，如多普勒雷达，提高龙卷风监测的准确性和可靠性。

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.