Konvektive Zellverfolgung durch auf tiefem Lernen basierende Computer Vision

In der vorliegenden Studie wurde ein autonomer Algorithmus f r 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 f r Neuronale Netze, das die eingangsdimensionale Pixelmatrix/das Eingangsbild analysiert und High-Level-Strings ausgibt. Der Algorithmus durchl uft die Pixelwerte des DWR-Reflexionsbildes und erkennt die Intensit ten der Pixel (>=30 dB) und segregiert die konvektiven Zellen zusammen mit anderen gesch tzten Zelleigenschaften wie dem Schwerpunkt des Sturms, der abgedeckten Fl che, Entfernung und Richtung vom Radarzentrum. Die Leistung des CITRA-Algorithmus wurde an verschiedenen konvektiven St rmen getestet und er konnte sie zusammen mit anderen physikalischen Eigenschaften der Konvektionszellen erfolgreich identifizieren und verfolgen. Dar ber hinaus haben wir die potenzielle Anwendung des CITRA-Algorithmus auf die Entwicklung der im Radarbereich erkannten konvektiven Zellen demonstriert. Gegenw rtig nimmt der CITRA-Algorithmus nur Reflektivit tsbilder als einen einzigen Eingabeparameter auf.