Konvektive Zellverfolgung durch auf tiefem Lernen basierende Computer Vision

In der vorliegenden Studie wurde ein autonomer Algorithmus für 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 für Neuronale Netze, das die eingangsdimensionale Pixelmatrix/das Eingangsbild analysiert und High-Level-Strings ausgibt. Der Algorithmus durchläuft die Pixelwerte des DWR-Reflexionsbildes und erkennt die Intensitäten der Pixel (>=30 dB) und segregiert die konvektiven Zellen zusammen mit anderen geschätzten Zelleigenschaften wie dem Schwerpunkt des Sturms, der abgedeckten Fläche, Entfernung und Richtung vom Radarzentrum. Die Leistung des CITRA-Algorithmus wurde an verschiedenen konvektiven Stürmen getestet und er konnte sie zusammen mit anderen physikalischen Eigenschaften der Konvektionszellen erfolgreich identifizieren und verfolgen. Darüber hinaus haben wir die potenzielle Anwendung des CITRA-Algorithmus auf die Entwicklung der im Radarbereich erkannten konvektiven Zellen demonstriert. Gegenwärtig nimmt der CITRA-Algorithmus nur Reflektivitätsbilder als einen einzigen Eingabeparameter auf.

Autorentext

Actualmente trabajo como Decano (I+D), en el Campus Técnico de las Instituciones Guru Nanak (Autónoma) y tengo un M.Sc (Física) en Electrónica como especialización, un M.Phil (Física) en el área de Pantallas de Cristales Líquidos (LCD) de la Universidad de Andhra y un doctorado en el área de Ultrasonido Aplicado de la Universidad de Osmania, Hyderabad.