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

• 中国大部分省（区、市）都有龙卷风的踪迹，主要发生在我国东部平原地区，1991年-2014年，我国平均每年有43个龙卷风，其中江苏和广东最多，年均龙卷风分别为5.5个和4.8个。
• 春季、夏季是龙卷风的多发季节，4-8月龙卷风占全年的92%。
• 例如：1967年3月26日，我国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。从调查结果来看，29日灾情比28日更为严重，据两次受灾不完全统计；死亡52人，重伤256人，轻伤593人。
• 2016年6月23日下午14点30分左右，江苏省盐城市阜宁县遭遇的强冰雹和龙卷风双重灾害。 在吴滩镇立新村，房屋受损严重，路边树木和电线杆倒塌。
• 截至6月26日9时，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。
• 此次灾害已确认为龙卷风，专家组判定等级为EF4级，风力超过17级。

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。
• 龙卷风这种自然现象是云层中雷暴的产物。
• 龙卷风的形成可以分为四个阶段：
  • （1）大气的不稳定性产生强烈的上升气流，由于急流中的最大过境气流的影响，它被进一步加强。
  • （2）由于与在垂直方向上速度和方向均有切变的风相互作用，上升气流在对流层的中部开始旋转，形成中尺度气旋。
  • （3）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。同时，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。
  • （4）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

• 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。
• 现有的检测方法需要用到多普勒雷达。
• 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。

2.3 EasyDL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。
• 我按照龙卷风的四个阶段把照片进行了分类来让百度EasyDL训练。

2.4 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。
• 还有些是因为图片较模糊而判断错误，例如：

3. 实验设计与测试

3.1 实验目的

• 通过对大量气象数据的收集与分析，采用先进的数据处理方法，构建了龙卷风监测模型。
• 研究结果表明，该模型能够有效地监测龙卷风的发生与发展阶段，为气象预警和防灾减灾提供了重要的技术支持。

3.2 实验内容

• 实验测试，使用新的4个阶段的样本进行测试。
• 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。

3.3 实验结果

• 综合每组10个新样本测试后，汇总结果如下：
  • 阶段1正确率在45%左右，
  • 阶段2正确率在45%左右，
  • 阶段3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%。

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。