不平衡样本的低层风切变识别

《Atmospheric Research》：Low-level wind shear identification for imbalanced samples

低层风切识别模型IAWS-Net针对不平衡数据设计，融合注意力ConvNeXt模块和 focal margin损失函数，通过动态增强关键特征和优化决策边界提升少数类识别性能，实验验证其在真实与模拟数据上表现优异。

　　

陈鹏云|史亚丹|蒋明辉|王尚文|吴东远|陈超勇|吴腾飞|徐明亮

郑州大学计算机科学与人工智能学院，中国郑州，450001

摘要

准确识别低层风切变对航空安全至关重要。大多数现有的风切变识别方法都是为平衡的数据集设计的。然而，风切变是一种罕见的大气现象，导致正样本和负样本之间存在严重不平衡。为了解决这一挑战，本文提出了一种基于类别不平衡的风切变识别模型，称为不平衡感知风切变网络（IAWS-Net）。具体来说，我们首先设计了一个注意力卷积网络模块（ACB）作为基本特征提取单元。通过其内置的注意力机制，ACB动态增强了关键的风切变特征。其次，提出了一种称为焦点边缘损失（FML）的混合损失函数。FML结合了焦点损失（FL）（用于挖掘困难样本）和标签分布感知边缘损失（LDAM）（用于优化类间边缘）的优点。这种双重方法系统地提高了在不平衡风切变数据上的性能。最后，为了验证所提出模型的有效性，本文使用来自机场的实测风场数据和通过改进的数值模拟方法生成的模拟数据进行了实验。实验结果表明，与其他主流识别模型相比，所提出的IAWS-Net模型在不平衡样本下的风切变识别性能更优。此外，IAWS-Net在实测风场数据上的识别准确率达到了98.93%。

引言

低层风切变是一种大气现象，其特征是在地面以上600米范围内风向或风速的突然变化（Wu和Hon，2018年；Shu等人，2020年）。这种现象具有高突然性、显著的检测难度和复杂的结构（Chan，2014年）。它的发生会极大地改变飞机的空速和升力（Kaltenboeck和Steinheimer，2015年），导致异常的高度波动，严重威胁起飞和降落安全（Evans和Turnbull，1989年）。因此，研究风切变识别方法对于确保航空安全具有重要意义。风切变检测设备在低层风切变识别技术研究中发挥着关键作用。与传统风切变检测设备相比，风激光雷达具有紧凑的体积、强大的抗干扰能力和高时空分辨率（Zhao等人，2025年）。该技术通过气溶胶多普勒散射获取风场数据，并显著提高了晴空湍流的检测能力（Wei等人，2025b年）。因此，风激光雷达已成为最有效的风切变检测设备之一（Huang等人，2024年）。

目前，风切变识别算法主要可以分为传统检测方法和基于机器学习的方法。传统检测方法大多依赖于根据风切变的物理特性设置阈值来进行识别（Li等人，2018年；Hon和Chan，2021年；Chan等人，2011年；Chan，2012年；Lee和Chan，2014年；Li等人，2020年）。其中，代表性的方法包括坡度检测、F因子和区域散度算法。例如，Chen等人（2026年）提出了一种结合坡度检测、双特征强度过滤和空间聚类分析的风切变检测算法，实现了空间切变线和短期天气预报的重建。然而，这些方法由于依赖于手动定义的经验阈值而受到限制。随着机器学习技术的进步，决策模型逐渐被应用于风切变检测。例如，Liu等人（2012年）最初尝试使用混沌振荡神经网络来识别风切变。随后，Li等人（2012年）开发了一种混合模型，其中神经网络作为位置校正模块，指数平滑作为波动补偿模块。Ma等人（2018年）设计了一种基于部分扫描图像的特征提取的计算高效风切变识别方法，使用不变矩和灰度梯度共生矩阵。Huang等人（2021年）开发了一种基于单侧正态分布的统计决策方法，通过量化逆风剖面变化来区分风切变事件。Zhang等人（2024年）进一步提出了一个使用最优传输（OT）的正标签学习（PUL）框架，可以从未标记样本中有效自动识别潜在的风切变事件。尽管上述方法提高了识别精度，但它们对手动设计的统计指标的依赖性导致特征主观性强和信息损失严重。随着能够自动提取特征的深度学习模型的出现，基于深度学习的风切变识别已成为一个日益重要的研究方向。

尽管现有方法在特定数据集上取得了一定成果，但它们通常忽略了风切变数据中普遍存在的类别不平衡问题。作为一种罕见的气象现象，风切变在正样本和负样本之间存在严重不平衡。此外，不同类型风切变的发生频率差异很大，进一步加剧了类间分布的不平衡。这些类别不平衡问题会严重影响深度学习模型。在训练过程中，多数类样本（无风切变）主导了梯度更新方向，导致决策边界向多数类严重偏移，从而严重削弱了模型获取少数类（有风切变）关键特征的能力。这种偏差显著增加了漏检风切变的风险，对航空安全构成严重威胁。此外，与平衡分类任务不同，仅分类准确性无法完全反映模型的分类性能。因此，需要引入更适合类别不平衡识别任务的评估指标系统，以更全面地评估模型性能。

为了解决这些问题，本文提出了一种名为IAWS-Net的新型风切变识别模型，该模型专为类别不平衡而设计。所提出模型的核心在于其特征增强模块和混合损失函数之间的协同设计。它旨在从数据表示和决策边界两个方面共同应对不平衡挑战。

本文的主要贡献如下。

• •
  提出了一种针对类别不平衡的风切变识别模型。该模型集成了卷积块注意力模块（CBAM）注意力机制和一种新型混合损失函数。所提出的模型为解决低层风切变识别中的类别不平衡问题提供了一个有效的框架。
• •
  设计了一种称为焦点边缘损失（FML）的混合损失函数。FML结合了焦点损失（FL）和标签分布感知边缘损失（LDAM）。这种策略实现了对困难样本挖掘和类间决策边界优化的联合调节，显著提高了风切变数据中少数类样本的识别敏感性。
• •
  我们改进了低层风切变的数值模拟方法。引入动态背景噪声使得生成的模拟数据更接近真实气象条件的复杂性。此外，我们验证了所提出模型在多种数据集上的适应性，包括来自机场的实测风场数据和模拟数据。

本文的其余部分组织如下。第2节详细介绍了所提出模型的设计。第3节介绍了改进的数值模拟方法，并描述了模拟和实测数据集。第4节描述了实验实施细节和结果分析。最后，第5节总结了本文并提出了未来的研究方向。

部分摘录

方法

所提出的IAWS-Net模型的整体架构如图1所示。该模型包含两个核心设计：注意力卷积网络模块（ACB）和FML损失函数。ACB模块动态增强了关键的低层风切变特征，而FML则协同提高了模型在不平衡数据上的识别性能。以下部分将重点介绍ACB模块和FML的设计。

数值模拟方法

低层风切变包括多种类型，其中低层急流、微下击暴流和侧风切变是对航空安全构成严重威胁的三种典型事件。为了全面验证所提出模型在不同风切变场景下的识别性能，本研究选择了这三种类型进行数据模拟。本节首先定义了这些风切变类型的识别标准，为后续的数值分析提供了定量基础

实验与结果

本节对所提出模型在样本不平衡情况下的性能进行了全面评估。评估采用了系统的指标框架，并利用模拟和实测数据集进行实验验证。此外，还进行了消融研究以验证所提出的FML的有效性。以下小节提供了详细的实现和分析。

所有实验都在配备NVIDIA显卡的Windows 11计算机上完成

结论

在本研究中，我们提出了一种新的识别模型，以解决低层风切变识别中的严重样本不平衡问题。所提出的IAWS-Net模型通过新设计的ACB模块增强了关键风场特征的动态感知。同时，我们引入了FML，这是一种混合损失函数，协同提高了模型对类别不平衡的抵抗力。此外，本文改进了传统的数值模拟方法

CRediT作者贡献声明

陈鹏云：写作 – 审稿与编辑，撰写原始稿件，可视化，软件，方法论，数据管理，概念化。史亚丹：写作 – 审稿与编辑，验证，软件，方法论，数据管理。蒋明辉：写作 – 审稿与编辑，验证，调查，形式分析。王尚文：写作 – 审稿与编辑，调查，数据管理。吴东远：写作 – 审稿与编辑，资源管理，数据管理。陈超勇：监督，资源管理，

利益冲突声明

作者声明他们没有已知的可能会影响本文工作的财务利益或个人关系。

致谢

本工作得到了国家自然科学基金（资助编号：62302462）和中国博士后科学基金（资助编号：2023TQ0321）的支持。