研究冷云中冰晶形状和粒径分布，对于冷云催化和揭示其复杂的内部结构具有重要意义。传统方法多利用冰晶几何属性（如长度、周长、面积等）进行人工分类，工作量大且主观性强，准确率有待提升。
得益于深度学习技术的快速发展和计算机图形处理器算力的提高，卷积神经网络等方法在图像识别方面展现了巨大的应用潜力。
王烁等（2024）利用迁移学习方法，基于VGGNet16网络模型，对飞机观测的山东冷云冰晶图像进行了识别分类。选取2018—2020年共10个架次2700张图像，按照前人分类标准，分为微点状、球状、针状、柱状、六边形板状、不规则状、聚合状、霰等八类（图1）进行打标签，同时为提升结果准确率，还识别了隔断栏并进行有效剔除。通过多种评估变量对模型进行评估，经过30次迭代后模型分类准确率达98%。
图1 冰晶粒子典型图像
由于不同降水云系的冰晶分布特征差异很大，挑选了3次积层混合云和3次层状云飞行资料，分析冰晶形状在不同温度区间的占比及冰晶谱变化特征。发现温度影响冰晶形状分布，－３～０℃区间球状冰晶占主要比例；－８～－３℃区间线型冰晶比例显著提升，相较于层状云，对流区内的线型冰晶占比更大（图2）。
图2 6架次探测冰晶形状在不同温度区间比例分布
（ａ～ｃ）积层混合云降水，（ｄ～ｆ）层状云降水
最后对冰晶粒径分布和谱型特征进行分析，发现积层混合云内线型冰晶直径集中在300～800 μm，谱型呈多峰分布，冰晶浓度不均匀导致峰值起伏。聚合体超过50%分布在600～1000 μm，另有部分聚合体直径超过1000 μm，冰晶谱多峰分布特征不明显。球状冰晶直径集中分布在120～300 μm，谱浓度变化平稳，整体呈下降趋势。
文章详情请点击下方“阅读原文”。
