In der vorliegenden Studie wurde ein autonomer Algorithmus für die konvektive Zellidentifizierung und -verfolgung (CITRA) unter Verwendung von DWR-Reflexionsbildern entwickelt. Der CITRA-Algorithmus ist in Python unter Verwendung der Deep-Learning-Technik Neuronaler Netze implementiert. Die optische Zeichenerkennung wird in der vorliegenden Studie durch "Tesseract" verwendet, ein unbeaufsichtigtes, auf LSTM basierendes Modul für Neuronale Netze, das die eingangsdimensionale Pixelmatrix/das Eingangsbild analysiert und High-Level-Strings ausgibt. Der Algorithmus durchläuft die Pixelwerte des DWR-Reflexionsbildes und erkennt die Intensitäten der Pixel (>=30 dB) und segregiert die konvektiven Zellen zusammen mit anderen geschätzten Zelleigenschaften wie dem Schwerpunkt des Sturms, der abgedeckten Fläche, Entfernung und Richtung vom Radarzentrum. Die Leistung des CITRA-Algorithmus wurde an verschiedenen konvektiven Stürmen getestet und er konnte sie zusammen mit anderen physikalischenEigenschaften der Konvektionszellen erfolgreich identifizieren und verfolgen. Darüber hinaus haben wir die potenzielle Anwendung des CITRA-Algorithmus auf die Entwicklung der im Radarbereich erkannten konvektiven Zellen demonstriert. Gegenwärtig nimmt der CITRA-Algorithmus nur Reflektivitätsbilder als einen einzigen Eingabeparameter auf.