Konvektive Zellverfolgung durch auf tiefem Lernen basierende Computer Vision

In der vorliegenden Studie wurde ein autonomer Algorithmus fr die konvektive Zellidentifizierung und -verfolgung (CITRA) unter Verwendung von DWR-Reflexionsbildern entwickelt. Der CITRA-Algorithmus ist in Python unter Verwendung der Deep-Learning-Technik Neuronaler Netze implementiert. Die optische Zeichenerkennung wird in der vorliegenden Studie durch "Tesseract" verwendet, ein unbeaufsichtigtes, auf LSTM basierendes Modul fr Neuronale Netze, das die eingangsdimensionale Pixelmatrix/das Eingangsbild analysiert und High-Level-Strings ausgibt. Der Algorithmus durchluft die Pixelwerte des DWR-Reflexionsbildes und erkennt die Intensitten der Pixel (>=30 dB) und segregiert die konvektiven Zellen zusammen mit anderen geschtzten Zelleigenschaften wie dem Schwerpunkt des Sturms, der abgedeckten Flche, Entfernung und Richtung vom Radarzentrum. Die Leistung des CITRA-Algorithmus wurde an verschiedenen konvektiven Strmen getestet und er konnte sie zusammen mit anderen physikalischen Eigenschaften der Konvektionszellen erfolgreich identifizieren und verfolgen. Darber hinaus haben wir die potenzielle Anwendung des CITRA-Algorithmus auf die Entwicklung der im Radarbereich erkannten konvektiven Zellen demonstriert. Gegenwrtig nimmt der CITRA-Algorithmus nur Reflektivittsbilder als einen einzigen Eingabeparameter auf.