在特定环境条件下，有组织对流系统可呈现具有明显波状特征的带状对流结构，通常具有持续时间长、影响范围广等特点。为提高此类对流系统的识别效率，本研究提出了一种基于深度学习的波状带状对流事件自动识别方法。首先，利用雷达拼图资料构建波状带状对流样本数据集，并基于YOLOv8目标检测框架训练自动识别模型。验证结果表明，该模型的精确率、召回率和F1分数分别达到0.76、0.77和0.78，表现出较好的目标识别和空间定位能力。
在此基础上，利用所构建的模型对2013—2025年我国华南地区的波状带状对流事件开展自动化识别，构建了长时间序列事件数据集。统计分析表明，华南带状对流主要发生在冷季，其中2月最为频繁；空间上主要分布于广东中北部及周边地区，其时空分布特征与已有研究结果总体一致 (Zhou et al. , 2024)。进一步将该模型应用于我国其他区域的波状带状对流事件识别，结果显示，模型在不同区域均保持了较好的识别能力，具有一定的区域泛化性。