+
+
Supercell 自动识别 · SAM3 追踪 · 中气旋标注
+
MRMS 雷达数据 → 总览层排序 → SAM3 风暴追踪 → mask 内中气旋检测 → 连成 meso_id 段。
+下面三个个例全程零人工输入；白星是人工档案，仅作对照，不参与任何计算。
+
+
交互个例
+
+
+
+
+
+
+ —
+
+
+
+
+ 青线 = SAM3 自动风暴 mask
+ 彩圈 = 自动检测的中气旋（颜色 = meso_id 段，大小 = 置信度）
+ 白星 = 人工档案（对照）
+
+
+
+
+怎么看：第 2、3 格的 AzShear 是方位角切变——红色是气旋式旋转。中气旋应当是一个
+紧致的红色核心，紧贴强回波核，而且旁边常有蓝色（反气旋）构成速度对偶极子。
+第 3 格放大到 ~52 km，中气旋直径约 5.6 km，在这个尺度上能看清结构。
+第 4 格是检测器输出的概率场，虚线是它被允许搜索的范围（mask 外扩 8 km）。
+
+
+
这三个个例说明什么
+
+| 个例 | 类型 | 体扫 | 自动段数 |
+中位误差 | 5 km 内 |
|---|
+
+
+
+误差 = 自动检测点到人工点击的距离，只在同一个风暴上比较（先做风暴级匹配，
+否则在飓风 Ian 那种一个区域挤 33 个标注风暴的日子里，会拿 A 风暴的标注去配 B 风暴的检测）。
+作为参照：人工点击本身距真实耦合体中心的中位误差是 1.67 km（用 NEXRAD Level-II 原始数据核对得到）。
+
+
+
快速识别：系统自己列出当天值得看的风暴
+
+ 
+ 2023-04-19 全域扫描后自动排序的前 24 条候选，全程无人工输入。
+ 绿框 = 那个位置确实有人工标注的风暴 —— 前 24 条全绿，零误报。
+ 跨 21 个事件留一交叉验证：看 20 行覆盖当天约 87% 的真实超级单体，看 30 行约 95%。
+
+
+
两层的关系（容易看混的地方）
+
+ 
+ 上半张总览层每个风暴只画一个圈，它是该风暴整个生命期里概率最高的那一刻，
+ 用途是当 SAM3 的种子点；下半张才是中气旋标注产品 —— mask 内逐体扫检测、连成段。
+
+
+
全时段与放大对照
+
+ 
+ 2022-04-12 风暴 #1 的完整 470 分钟。这个风暴是总览层自己挑出来的，
+ 事后核对精确对应人工档案 20220412-10-track.csv（48/48 个体扫匹配）。
+
+
+ 
+ 放大到耦合体尺度。03:32Z / 03:38Z 两格可见深红气旋式核心紧邻蓝色反气旋 ——
+ 速度对偶极子的标准结构。人工点与自动检测间距 0.7–1.3 km。
+
+
+
当前能力与做不到的事
+
+| # | 标注步骤 | 状态 | 依据 |
|---|
+
+| 1 | 挑出当天该标哪些风暴 | 已自动化 | top-20 覆盖 86.6%，top-30 覆盖 95.0%（21 事件留一交叉验证） |
+| 2 | 跟完风暴生命史 | 基本自动化 | 306/308 成功；17% 的 mask 仍偏大 |
+| 3 | 逐体扫定位中气旋 | 基本自动化 | 被追踪风暴上 83.3% 的段被找回，误差 1.4 km |
+| 4 | 读出 out/in 速度值 | 做不到 | 自动 Level-II 读数与人工值相关系数 −0.03；58% 的体扫有速度模糊 |
+| 5 | 切分 meso_id 段 | 部分 | 连线层能出段，碎片化仍待改进 |
+| 7 | QC：单位 / 口径 / 异常 | 已自动化 | 量化栅格法识别出 83 个"节"文件 |
+
+
+
+
+第 4 步是硬约束，也是这批人工档案最有价值的地方。
+out/in 必须从单部雷达的原始速度场读，还要处理速度模糊
+（26% 的标注值超过该体扫的 Nyquist 速度，屏幕上显示的是折叠值，标注员在心里解开了它）。
+自动读数器能把耦合体找对（直径中位 5.62 km vs 已知 5.6 km；中心距人工点击 1.67 km），
+但读不准速度 —— 自动退模糊在强梯度处最易失败，而强耦合体恰恰就是强梯度。
+
+
+
测试集成绩（只看过两次，已封板）
+
+| 模型 | 训练事件 | 召回 | 过度产出 | 位置误差 |
|---|
+
+| 3 模型集成（单一划分） | 18 | 59.2% | 3.23× | 3.1 km |
+| 5 折集成（交叉验证） | 21 | 65.8% | 2.66× | 3.1 km |
+
+
+
按事件拆开：东南冷季 68.6% / 德州超级单体 65.2% / 飓风 Ian 64.3% —— 三个 regime 几乎持平。
+
+
+数据：NOAA MRMS（2 分钟、0.01°）+ NEXRAD Level-II。模型：自写 UNet（7.8M 参数，无预训练）+ SAM3 视频分割。
+所有推理在本地 GPU 完成。
+
+
+