在中国气象局龙卷风重点开放实验室的支持下，北京 (略) 、北京 (略) 与 (略) 龙卷风研究中心开展局校合作，基于广东多普勒天气雷达实时遥感探测， (略) 龙卷风研究中心部署本地化的“AI龙卷风客观识别系统”，自5月28日起开展实时运行测试。

广东本地化的“AI龙卷风客观识别系统”利用省内S波段双偏振雷达逐6分钟观测数据进行实时的龙卷风概率计算。单部雷达每个时次的龙卷风概率计算只需3秒至5秒。从服务器接收到雷达数据计算和画图、再到阈值判定后自动发送至预报员值班群，约为15秒。该系统对信号较清晰的龙卷风个例识别率较高，如对4月27日广州钟落潭龙卷风的识别率达92.2%。

目前，该系统对雷达杂波和弱对流环境下的龙卷风误判情况还有待改进。接下来，团队将通过检验和评估更多国内龙卷风个例和非龙卷风个例的客观识别效果，持续优化改进该系统，为气象、应急管理等部门开展防灾减灾相关工作提供科技支撑。

在中国气象局龙卷风重点开放实验室的支持下，北京 (略) 、北京 (略) 与 (略) 龙卷风研究中心开展局校合作，基于广东多普勒天气雷达实时遥感探测， (略) 龙卷风研究中心部署本地化的“AI龙卷风客观识别系统”，自5月28日起开展实时运行测试。

广东本地化的“AI龙卷风客观识别系统”利用省内S波段双偏振雷达逐6分钟观测数据进行实时的龙卷风概率计算。单部雷达每个时次的龙卷风概率计算只需3秒至5秒。从服务器接收到雷达数据计算和画图、再到阈值判定后自动发送至预报员值班群，约为15秒。该系统对信号较清晰的龙卷风个例识别率较高，如对4月27日广州钟落潭龙卷风的识别率达92.2%。

目前，该系统对雷达杂波和弱对流环境下的龙卷风误判情况还有待改进。接下来，团队将通过检验和评估更多国内龙卷风个例和非龙卷风个例的客观识别效果，持续优化改进该系统，为气象、应急管理等部门开展防灾减灾相关工作提供科技支撑。