Windshear is a kind of microscale meteorological phenomenon which can cause danger to the landing and takeoff of aircrafts. Accurate windshear detection plays a crucial role in aviation safety. With the development of machine learning, several learning-based methods are proposed for windshear detection, i.e., windshear and non-windshear classification. To obtain accurate detection results, it is significant to extract features that can distinguish windshear and non-windshear properly from the obtained wind velocity data. In this paper, we mainly introduce two statistical indicators derived from the Doppler Light Detection and Ranging (LiDAR) observational wind velocity data by plan position illustrate (PPI) scans for windshear features construction. Besides the indicators directly derived from the wind velocity data, we also study the visual information from the corresponding conical images of wind velocity. Based on the proposed indicators, we construct three feature vectors for windshear and non-windshear classification. Inspired by the idea of multiple instance learning, the wind velocity data collected in the 4 minutes within the reported time spot are considered in the procedure of feature vector construction, which can reduce the possibility of windshear features missing. Both statistical methods and clustering methods are applied to evaluate the effectiveness of the proposed feature vectors. Numerical results show that the proposed feature vectors have good effect on windshear and non-windshear classification and can be used to provide more accurate windshear alerting to pilots in practice.

中文翻译：

---

通过统计特征进行基于 LiDAR 的风切变检测

风切变是一种能对飞机起降造成危险的微尺度气象现象。准确的风切变检测在航空安全中起着至关重要的作用。随着机器学习的发展，提出了几种基于学习的风切变检测方法，即风切变和非风切变分类。为了获得准确的检测结果，从获取的风速数据中提取能够正确区分风切变和非风切变的特征具有重要意义。在本文中，我们主要介绍了通过计划位置说明（PPI）扫描从多普勒光探测和测距（LiDAR）观测风速数据中导出的两个统计指标，用于构建风切变特征。除了直接来源于风速数据的指标外，我们还研究了相应的风速锥形图像的视觉信息。基于所提出的指标，我们构建了三个用于风切变和非风切变分类的特征向量。受多实例学习思想的启发，在特征向量构建过程中考虑了报告时间点内4分钟内收集的风速数据，可以减少风切变特征丢失的可能性。应用统计方法和聚类方法来评估所提出的特征向量的有效性。数值结果表明，所提出的特征向量对风切变和非风切变分类具有良好的效果，可用于在实践中为飞行员提供更准确的风切变预警。基于所提出的指标，我们构建了三个用于风切变和非风切变分类的特征向量。受多实例学习思想的启发，在特征向量构建过程中考虑了报告时间点内4分钟内收集的风速数据，可以减少风切变特征丢失的可能性。应用统计方法和聚类方法来评估所提出的特征向量的有效性。数值结果表明，所提出的特征向量对风切变和非风切变分类具有良好的效果，可用于在实践中为飞行员提供更准确的风切变预警。基于所提出的指标，我们构建了三个用于风切变和非风切变分类的特征向量。受多实例学习思想的启发，在特征向量构建过程中考虑了报告时间点内4分钟内收集的风速数据，可以减少风切变特征丢失的可能性。应用统计方法和聚类方法来评估所提出的特征向量的有效性。数值结果表明，所提出的特征向量对风切变和非风切变分类具有良好的效果，可用于在实践中为飞行员提供更准确的风切变预警。受多实例学习思想的启发，在特征向量构建过程中考虑了报告时间点内4分钟内收集的风速数据，可以减少风切变特征丢失的可能性。应用统计方法和聚类方法来评估所提出的特征向量的有效性。数值结果表明，所提出的特征向量对风切变和非风切变分类具有良好的效果，可用于在实践中为飞行员提供更准确的风切变告警。受多实例学习思想的启发，在特征向量构建过程中考虑了报告时间点内4分钟内收集的风速数据，可以减少风切变特征丢失的可能性。应用统计方法和聚类方法来评估所提出的特征向量的有效性。数值结果表明，所提出的特征向量对风切变和非风切变分类具有良好的效果，可用于在实践中为飞行员提供更准确的风切变预警。应用统计方法和聚类方法来评估所提出的特征向量的有效性。数值结果表明，所提出的特征向量对风切变和非风切变分类具有良好的效果，可用于在实践中为飞行员提供更准确的风切变预警。应用统计方法和聚类方法来评估所提出的特征向量的有效性。数值结果表明，所提出的特征向量对风切变和非风切变分类具有良好的效果，可用于在实践中为飞行员提供更准确的风切变告警。