基于squeeze-and-excitation卷积神经网络的涟漪尺度重力波不稳定性自动检测与气候学分析
摘要
全景 OH 大气光 imaging 提供关于约 87 km 高度处中层大气重力波结构的二维观察。涟漪尺度不稳定性特征， characterized by 5-15 km 水平波长和短寿命，在 manual inspection 中尤其难以一致识别。本研究开发了一个基于 squeeze-and-excitation 卷积神经网络（SE-CNN）的可重复、自动检测框架，训练于 41 x 41 像素图像块，用于识别 512 x 512 像素全景大气光图像中的涟漪尺度结构，这些图像在 Yucca Ridge Field Station（40.7°N, 104.9°W）获取。时间差分图像使用 robust median-absolute-deviation（MAD）缩放程序进行归一化化，以缓解 star contamination 和 background variability。模型在 manually 标记的 ripple 和 non-ripple patches 上进行训练和验证，然后在独立的 test 子集上进行评估。使用具有空间和时间聚类标准的滑动窗口方法进行自动检测。在块级上，分类器实现 92% 的 F1 分数，具有高精度和高召回率。在事件级上，自动检测恢复约 90% 的 manually 识别的涟漪事件，同时识别额外的 low-amplitude occurrences。与以前的 manual 识别研究相比，自动检测目录使得对涟漪发生频率、季节性调制和寿命分布的客观量化成为可能。通过强调 methodological transparency、calibration considerations 和 validation metrics，本框架为在长期大气光图像档案中系统性检测中层不稳定性特征的可扩展 measurement 技术奠定了基础。
引用
@article{arxiv.2603.03669,
title = {Automated Detection and Climatological Analysis of Ripple-Scale Gravity Wave Instabilities Using a Squeeze-and-Excitation Convolutional Neural Network},
author = {Jiahui Hu and Alan Liu and Adriana Feener and Jing Li and Tao Li and Wenjun Dong},
journal= {arXiv preprint arXiv:2603.03669},
year = {2026}
}