基于人工智能的青藏高原低涡客观识别方法及系统技术方案

本发明专利技术公开了基于人工智能的青藏高原低涡客观识别方法及系统。通过多源气象数据，利用CNN和LSTM网络挖掘TPV的时空特征，结合GBDT模型训练动态识别阈值，实现了TPV的自动化、精准化识别。该方法突破了传统固定阈值的局限性，提高了识别的准确性和动态适应性，可广泛应用于高原气象监测、灾害预警和气候研究领域。

【技术实现步骤摘要】

本专利技术涉及气象监测与人工智能，具体是指基于人工智能的青藏高原低涡客观识别方法及系统。

技术介绍

1、青藏高原低涡（tpv）是夏季发生在高原地区的一种次天气尺度系统，其水平尺度约300-500km，垂直厚度约2-3km，生命期一般为 1-3天。tpv是诱发高原降水的主要因素，部分低涡移出高原时会引发下游地区大范围暴雨、雷暴等灾害性天气，因此对其进行准确识别和研究具有重要的气象学意义和防灾减灾价值。

2、传统的tpv识别主要依赖人工分析500hpa天气图，该方法工作量大且主观性强，统计结果差异显著。尽管已有研究基于再分析资料构建了客观识别方法，通过设定低压中心条件、强度条件、尺度条件等标准实现了一定程度的自动化识别，并与人工识别结果对比验证了方法的可行性，但仍存在以下局限性：

3、1.固定阈值局限性：现有方法采用固定阈值进行识别，未充分考虑不同条件对tpv特征的影响，导致部分识别结果与实际情况偏差较大。

4、2.特征提取单一性：仅基于几何特征和传统气象参数（如高度场、风场）进行识别，未充分挖掘tpv在多源气象数据中的复杂本文档来自技高网...

【技术保护点】

1.基于人工智能的青藏高原低涡客观识别方法，其特征在于：包括以下步骤：

2.根据权利要求1所述的基于人工智能的青藏高原低涡客观识别方法，其特征在于：所述AI特征挖掘包括利用CNN提取气象场空间特征和LSTM提取时间序列特征。

3.根据权利要求1所述的基于人工智能的青藏高原低涡客观识别方法，其特征在于：所述动态阈值训练采用GBDT或神经网络模型，以TPV的各模态特征为输入。

4.基于人工智能的青藏高原低涡客观识别系统，应用于权利要求1-3任一所述的青藏高原低涡客观识别方法，其特征在于：包括云计算平台、数据管理子模块、AI建模子模块、低涡识别子模块和可视化...

【技术特征摘要】

1.基于人工智能的青藏高原低涡客观识别方法，其特征在于：包括以下步骤：

2.根据权利要求1所述的基于人工智能的青藏高原低涡客观识别方法，其特征在于：所述ai特征挖掘包括利用cnn提取气象场空间特征和lstm提取时间序列特征。

3.根据权利要求1所述的基于人工智能的青藏高原低涡客观识别方法，其特征在于：所述动态阈值训练采用gbdt或神经网络模型，以tpv的各模态特征为输入。

4.基于人工智能的青藏高原低涡客观识别系统，应用于权利要求1-3任一所述的青藏高原低涡客观识别方法，其特征在于：包括云计算平台、数据管理子模块、ai建模子模块、低涡识别子模块和可视化与交互子模块。

5.根据权利要求1所述的基于人工智能的青藏高原低涡客观识别系统，其特征在于：所述云计算平台内还设有用于气象...

【专利技术属性】
技术研发人员：张博，肖晓，刘昊亚，李耀辉，
申请(专利权)人：中国民用航空飞行学院，
类型：发明
国别省市：