Обзор методов машинного обучения для автоматической идентификации и сопровождения конвективных ячеек по данным метеорадиолокации

В. А. Шаповалов, А. А. Аджиева, М. М. Ахматов, А. Ж. Хитиева

---

Аннотация. Автоматическое выделение и сопровождение конвективных ячеек по радиолокационным данным – ключевая задача для краткосрочного прогноза опасных явлений погоды (наукастинга). Традиционные алгоритмы (пороговые и объект-ориентированные) широко применяются, но имеют ограничения по точности.

Цель работы – исследовать и сопоставить эффективность различных моделей машинного обучения в задаче обнаружения и отслеживания конвективных ячеек на изображениях радиолокационных обзоров.

Результаты. Проведен теоретический обзор современных подходов: классических алгоритмов (TITAN, SCIT), методов технического зрения (пороговая сегментация, кластеризация), а также методов машинного обучения – нечеткой логики, решающих деревьев, нейронных сетей (в т.ч. глубоких сверточных). Характеристики известных моделей машинного обучения сравнивались по показателям качества. Показано, что такие модели способны повысить вероятность обнаружения ячеек и снизить ложные срабатывания по сравнению с пороговыми методами.

Выводы. Алгоритмы на основе методов искусственного интеллекта превосходят традиционные по ряду метрик, позволяя более надежно идентифицировать опасные конвективные ячейки и прогнозировать их эволюцию. Практическое применение этих методов повысит точность наукастинга гроз и града, однако для их внедрения требуются правильно подготовленные большие обучающие выборки, учитывающие особенности локальных условий.

Ключевые слова: метеорологическая радиолокация, конвективные ячейки, обнаружение, сегментация, сопровождение, оптический поток, машинное обучение, глубокое обучение, нейронные сети, наукастинг, опасные явления погоды

Для цитирования. Шаповалов В. А., Аджиева А. А., Ахматов М. М., Хитиева А. Ж. Обзор методов машинного обучения для автоматической идентификации и сопровождения конвективных ячеек по данным метеорадиолокации // Известия Кабардино-Балкарского научного центра РАН. 2026. Т. 28. № 1. С. 90–101. DOI: 10.35330/1991-6639-2026-28-1-90-101

©   Шаповалов В. А., Аджиева А. А., Ахматов М. М., Хитиева А. Ж., 2026

Список литературы

1. WMO-No. 1198. Guidelines for Nowcasting Techniques. Geneva, 2017. 184 p.
2. Абшаев М. Т., Абшаев А. М., Малкарова А. М., Жарашуев М. В. Автоматизированная радиолокационная идентификация, измерение параметров и классификация конвективных ячеек для целей защиты от града и штормооповещения // Метеорология и гидрология. 2010. № 3. С. 36–45.
3. Сарайкин А. А., Чайковский В. М. Применение нейронной сети в метеорологической радиолокации // Известия вузов. Поволжский регион. Технические науки. 2024. № 1(69). С. 83–90.
4. Шаповалов В. А., Тумгоева Х. А. Распознавание и сопровождение облачных конвективных ячеек с целью текущего прогноза опасных погодных явлений // Известия ЮФУ. Технические науки. 2018. № 3. С. 58–67. DOI: 10.23683/2311-3103-2018-3-58-67
5. Bournas A., Baltas E. Development of a Storm-Tracking Algorithm for the Analysis of Radar Rainfall Patterns in Athens, Greece. Water. 2024. No. 16(20). P. 2905. DOI: 10.3390/w16202905
6. Lagerquist R., McGovern A., Gagne D. J. Deep Learning for Spatially Explicit Prediction of Synoptic-Scale Fronts. Weather and Forecasting. 2019. Vol. 34. No. 4. Pp. 1137–1160. DOI: 10.1175/WAF-D-18-0183.1
7. Dixon M., Wiener G. TITAN: Thunderstorm identification, tracking, analysis, and nowcasting – Radar-based methodology. Journal of Atmospheric and Oceanic Technology. 1993. Vol. 10. No. 6. Pp. 785–797. DOI: 10.1175/1520-0426(1993)010<0785:TTITAA>2.0.CO;2
8. Johnson J.T., MacKeen P.L., Witt A. et al. The storm cell identification and tracking algorithm: an enhanced WSR-88D Algorithm. Weather and Forecasting. 1998. Vol. 13. No. 2. Pp. 263–276. DOI: 10.1175/1520-0434(1998)013<0263: TSCIAT>2.0.CO;2
9. Pulkkinen S., Nerini D., Pérez Hortal A.A. et al. Pysteps: an open-source Python library for probabilistic precipitation nowcasting, including an ensemble of extrapolation, autoregressive and more advanced methods. Geoscientific Model Development. 2019. Vol. 12. Pp. 4185–4219. DOI: 10.5194/gmd-12-4185-2019
10. Jung S.-H., Lee G. Radar-based cell tracking with fuzzy logic approach. Meteorological Applications. 2015. Vol. 22. No. 4. Pp. 716–730. DOI: 10.1002/met.1509
11. Jergensen G.E., McGovern A., Lagerquist R., Smith T. Classifying convective storms using machine learning. Weather and Forecasting. 2020. Vol. 35, No. 2. Pp. 537–556.
12. Veillette M.S., Kurdzo J.M., Stepanian P.M. et al. A benchmark dataset for tornado detection and prediction using full-resolution polarimetric weather radar data (TorNet). Artificial Intelligence for the Earth Systems. 2024. Vol. 4. No. 1. DOI: 10.1175/AIES-D-24-0006.1
13. Nan G., Chen M., Qin R. et al. Identification, tracking and classification method of mesoscale convective system based on radar composite reflectivity mosaic and deep learning. Acta Meteorologica Sinica. 2021. Vol. 79(6). Pp. 1002–1021. DOI: 10.11676/qxxb2021.062
14. Ayzel G., Scheffer T., Heistermann M. RainNet v1.0: a convolutional neural network for radar-based precipitation nowcasting. Geoscientific Model Development. 2020. Vol. 13. No. 6. Pp. 2631–2644. DOI: 10.5194/gmd-13-2631-2020
15. Han L., Sun J., Zhang W. convolutional neural network for convective storm nowcasting using 3-d doppler weather radar data. IEEE Transactions on Geoscience and Remote Sensing. Vol. 58. No. 2. Pp. 1487–1495. DOI: 10.1109/TGRS.2019.2948070
16. Albu A.-I., Czibula G., Mihai A. et al. NeXtNow: A convolutional deep learning model for the prediction of weather radar data for nowcasting purposes. Remote Sens. 2022. No. 14. P. 3890. DOI: 10.3390/rs14163890
17. Ritvanen J., Pulkkinen S., Moisseev D., Nerini D. Cell-tracking-based framework for assessing nowcasting model skill in reproducing growth and decay of convective rainfall. Geoscientific Model Development. 2025. Vol. 18. Pp. 1851–1878. DOI: 10.5194/gmd-18-1851-2025
18. Ranganayakulu S.V., Subrahmanyam K.V., Niranjan A. A novel algorithm for convective cell identification and tracking based on optical character recognition neural network. Journal of Electromagnetic Waves and Applications. 2021. Vol. 35. No. 16. Pp. 2239–2255. DOI: 10.1080/09205071.2021.1941299
19. Liu J., Zhang Q. A novel algorithm for detecting convective cells based on h-maxima transformation using satellite images. Atmosphere. 2025. Vol. 16. No. 11. P. 1232. DOI: 10.3390/atmos16111232
20. Wang X., Liao R., Li J. et al. Thunderstorm identification algorithm research based on simulated airborne weather radar reflectivity data. EURASIP Journal on Wireless Communications and Networking. 2020. ID: 37. DOI: 10.1186/s13638-020-1651-6
21. Wang Y., Long M., Wang J. et al. PredRNN: Recurrent neural networks for predictive learning using spatiotemporal LSTMs. Advances in Neural Information Processing Systems. Vol. 30. Pp. 1–10.
22. Shi X., Chen Z., Wang H. et al. Convolutional LSTM Network: A machine learning approach for precipitation nowcasting. Advances in Neural Information Processing Systems (NIPS). 2015. Vol. 28. Pp. 802–810.
23. Shi X., Gao Z., Lausen L. et al. Deep Learning for precipitation nowcasting: a benchmark and a new model. Advances in Neural Information Processing Systems (NIPS). 2017. Vol. 30. Pp. 5617–5627.
24. Gao Z., Shi X., Wang H., et al. Earthformer: exploring space-time transformers for earth system forecasting. Advances in Neural Information Processing Systems (NeurIPS). 2022. Vol. 35. Pp. 25390–25403. arXiv:2207.05833
25. Hu J., Rosenfeld D., Zrnić D. et al. Tracking and characterization of convective cells through their maturation into stratiform storm elements using polarimetric radar and lightning detection. Atmospheric Research. 2019. Vol. 226. Pp. 192–207.
26. Xiao H., Wang Y., Zheng Y. et al. Convective-gust nowcasting by a deep learning algorithm. Geoscientific Model Development. 2023. Vol. 16. Pp. 3611–3628. DOI: 10.5194/gmd-16-3611-2023
27. Ravuri S., Lenc K., Willson M. et al. Skilful precipitation nowcasting using deep generative models of radar. Nature. 2021. Vol. 597. Pp. 672–677. DOI: 10.1038/s41586-021-03854-z

Информация об авторах

Шаповалов Виталий Александрович, д-р физ.-мат. наук, стар. науч. сотр., Высокогорный геофизический институт;
360030, Россия, г. Нальчик, проспект Ленина, 2;
vet555_83@mail.ru, ORCID: https://orcid.org/0000-0002-9701-6820, SPIN-код: 6938-9800 Аджиева Аида Анатольевна, д-р физ.-мат. наук, профессор кафедры «Высшая математика и информатика», Кабардино-Балкарский государственный аграрный университет имени В. М. Кокова;
360030, Россия, г. Нальчик, проспект Ленина, 1в;
aida-adzhieva@mail.ru, ORCID: https://orcid.org/0000-0002-1047-8417, SPIN-код: 4128-9520
Ахматов Мухадин Магомедович, канд. физ.-мат. наук, доцент, доцент кафедры «Высшая математика и информатика», Кабардино-Балкарский государственный аграрный университет имени В. М. Кокова;
360030, Россия, г. Нальчик, проспект Ленина, 1в;
m_ahmatov@mail.ru, ORCID: https://orcid.org/0009-0003-2941-7459, SPIN-код: 3620-2852
Хитиева Аминат Жагафаровна, канд. экон. наук, доцент, доцент кафедры «Высшая математика и информатика», Кабардино-Балкарский государственный аграрный университет имени В. М. Кокова;
360030, Россия, г. Нальчик, проспект Ленина, 1в;
aminkahitieva@mail.ru, ORCID: https://orcid.org/0009-0004-6847-6328, SPIN-код: 8085-7236

Финансирование

Исследование проведено без спонсорской поддержки.