基于CNN的全球台风报文收集方法及收集系统技术方案

本发明专利技术提供了一种基于CNN的全球台风报文收集方法及收集系统，属于台风监测领域。所述基于CNN的全球台风报文收集方法在构建基于CNN的台风分类识别模型的基础上，对台风进行分类监测，当识别出有热带气旋生成时，对热带气旋生成海域进行定位，主动从定位海域所属的编报中心提取报文资料，再根据主动提取的报文资料，编发台风报文并上传至台风预警发布平台，当判断为有效台风报文时，收集完整的台风报文，并进行持久化存储。本发明专利技术能够主动识别台风预警信息，且在识别到台风预警后再从WMO处获取台风报文，节约了传输距离，提高了传输时效性，同时提高了报文的完整性，降低了报文持久性存储的资源消耗。

【技术实现步骤摘要】
基于CNN的全球台风报文收集方法及收集系统
本专利技术属于气象观测领域，具体涉及一种基于卷积神经网络(ConvolutionNeuralNetwork，CNN)的全球台风报文收集方法及收集系统。
技术介绍
和卫星和气象站的观测数据一样，台风报文是一类记录台风发生、发展、结束状态的观测数据及强度、路径预测的资料，根据台风报文中的数据，分析台风过程，改进未来气候条件模拟中的台风初值质量，是提高台风预报准确性的重要资料。世界气象组织(WMO)记录有31个编报中心对全球8大海域发生的台风过程进行编报。随着预报工作的细化，WMO热带气旋计划(TCP)将全球海域共计划分为13个区域。表1示出了上述13个海域的范围及名称。表1如表1所示，13个海域的台风预警信息分别由6个区域中心(RSMCs)和6个热带警报中心(TCWCs)负责，保证了每部分中包含1-2个RSMCs或TCWCs，同时针对每次台风过程涉及的海域，各成员国家和地区中心(NMHSs)也会编发台风警报和警告，形成区域协调系统，以确保生命损失和热带气旋造成的损害减少到最低。图1示出了现有技术中全球台风报文收集流程图。如图1所示，当有热带气旋生成的第一时间，所在海域的各RSMCs、TCWCs和NMHSs编发预警信息，通过各自的编报中心上传台风报文至编报中心所属的上级WMO分节点；再有分节点上传至直属WMO主节点，主节点上转至WMO台风预警发布平台，主节点在WMO平台完成信息汇总，并交换获取到其他主节点海域的报文信息后，在下发给分节点，分节点接到信息后再下发给各编报中心；各编报中心对接收的数据报文进行抽取、解析、入库，并完成持久化存储。由图1可以看出，现有技术中台风报文从编写到接收，经历了WMO分节点、主节点、主节点、分节点等多次转发和分发的流程，对于像台风这种过程变化快的天气现象，需要高时效的运用观测数据进行路径预报，在台风形成并进入24小时警戒区域后，需要每1小时进行当前时次定位，以及下一时次的定位警报，而往复的传输导致的时间延误，信息传输时效性低；GTS的主节点和分节点的下发由于受到通讯带宽的限制，报文是有选择的、有节选的传输，是有选择性的，不是全部信息下发，因此造成台风报文收集信息种类不完整、报文不连续；且收集到的台风报文仅为国际通信系统(GTS)主节点的分发，收集渠道单一且被动，无法采集到最需要的报文数据，资料收集不全面；同时，通过GTS节点定时触发获取报文，对于像台风这类事件性天气过程，虽然实现简单，但过于浪费计算资源。
技术实现思路
鉴于上述问题，本专利技术实施例提供了一种基于CNN的全球台风报文收集方法和收集系统，主动识别台风预警信息，且在识别到台风预警后再从WMO处获取台风报文，提高传输时效性，同时提高报文的完整性。为了实现上述目的，本专利技术实施例采用的技术方案如下：第一方面，本专利技术实施例提供了一种基于CNN的全球台风报文收集方法，所述方法包括如下步骤：步骤S1，收集多源卫星(MSG、Meteosat5、MTSAT、GOES-W、GOES-E卫星)的红外IR图像，存储到台风图像大数据中；步骤S2，基于CNN构建台风分类识别模型，并基于台风图像大数据对所述模型进行训练和验证，获得基于CNN的台风分类识别模型；步骤S3，定时从全球各台风网站预警信息平台发布的信息中抓取预警图像；步骤S4，根据所构建的基于CNN的台风分类识别模型，以所抓取的预警图像作为模型输入，监测是否有热带气旋生成；当识别出有热带气旋生成时，进入步骤S5；当无热带气旋生成时，进入步骤S3；步骤S5，对热带气旋生成海域进行定位，并主动从定位海域所属的编报中心RSMCs、TCWCs和NMHSs提取报文资料；步骤S6，根据主动提取的报文资料，编发台风报文存入持久性数据库中，并上传至台风预警发布平台。作为本专利技术的一个优选实施例，步骤S2的模型构建过程，具体包括：步骤S21，基于CNN构建台风分类识别模型，所述模型包括：卷积层、池化层、全连接层；步骤S22，基于台风图像大数据，进行数据集输入准备，定义train和validation；并使用tf.keras中ImageDataenerator类对图像进行预处理，将图像转化为浮点张量后作为输入模型的训练集和验证集；步骤S23，以所述训练集和验证集作为输入，使用fit_generator函数训练和验证所述基于CNN的台风分类识别模型，获得成熟的台风分类识别模型。作为本专利技术的一个优选实施例，所述步骤S21的模型构建过程中，基于卫星图像的所属热带气旋阶段，进行CNN模式确定识别分类的再规划。作为本专利技术的一个优选实施例，所述再规划如下：根据风力等级及名称，结合西太地区对台风生消定义为8个形成阶段，分别是：热带扰动-风力6级、热带低压-风力7级、热带风暴-风力8-9级、强热带风暴-风力10-11级、台风-风力12-13级、强台风-风力14-16级、超强台风-风力17级及以上、以及台风结束。作为本专利技术的一个优选实施例，所述分类，实现两种分类目标，第一种按照有无台风分成2类；第二种分类按照台风生成、台风最强、无台风分成3类；通过对两种分类目标对比，选取更适合业务情景的基于CNN的台风分类识别模型。作为本专利技术的一个优选实施例，使用tf.keras.models.S-equential搭建台风分类识别模型，模型进行3次卷积和2次池化，同时引入dropout防止出现过拟合；在完成3次卷积和2次池化后，使用Flatten()函数将多维矩阵压缩为一维作为Dense()函数的输入，以生成全连接层。作为本专利技术的一个优选实施例，所述台风图像为通过图片定时爬取或定时指定抽取从全球各台风网站预警信息发布平台抓取的图片。第二方面，本专利技术实施例还提供了一种全球台风报文收集系统，所述全球台风报文收集系统，包括：红外IR图像获取模块、爬虫模块、基于CNN模型的台风分类识别模块、报文主动提取模块、报文解析模块、GTS台风报文交互模块及报文持久化存储模块；其中，所述红外IR图像获取模块与所述基于CNN模型的台风分类识别模块相连，用于收集多源卫星(MSG、Meteosat5、MTSAT、GOES-W、GOES-E卫星)的红外IR图像，存储到台风图像大数据中，作为基于CNN的台风分类识别模型训练和验证数据集；所述爬虫模块与所述基于CNN模型的台风分类识别模块相连，用于定时从全球各台风网站预警信息平台发布的信息中抓取预警图像；所述基于CNN模型的台风分类识别模块与所述报文主动提取模块相连，用于构建、训练基于CNN的台风分类识别模型，并根据所述模型以定时抓取的预警图像为输入，判断是否有热带气旋生成；当有热带气旋生成时，将生成台风指令发送给报文主动提取模块；当无热带气旋生成时，将无生成台风指令发送给所述GTS台风报文交互模块，继续预警图像抓取；所述报文主动提取模块与报文解析模块相连，用于在接收本文档来自技高网...

【技术保护点】
1.一种基于卷积神经网络CNN的全球台风报文收集方法，其特征在于，所述方法包括如下步骤：/n步骤S1，收集多源卫星的红外IR图像，存储到台风图像大数据中；/n步骤S2，基于CNN构建台风分类识别模型，并基于台风图像大数据对所述模型进行训练和验证，获得基于CNN的台风分类识别模型；/n步骤S3，定时从全球各台风网站预警信息平台发布的信息中抓取预警图像；/n步骤S4，根据所构建的基于CNN的台风分类识别模型，以所抓取的预警图像作为模型输入，监测是否有热带气旋生成；当识别出有热带气旋生成时，进入步骤S5；当无热带气旋生成时，进入步骤S3；/n步骤S5，对热带气旋生成海域进行定位，并主动从定位海域所属的编报中心提取报文资料；/n步骤S6，根据主动提取的报文资料，编发台风报文存入持久性数据库中，并上传至台风预警发布平台。/n

【技术特征摘要】
1.一种基于卷积神经网络CNN的全球台风报文收集方法，其特征在于，所述方法包括如下步骤：
步骤S1，收集多源卫星的红外IR图像，存储到台风图像大数据中；
步骤S2，基于CNN构建台风分类识别模型，并基于台风图像大数据对所述模型进行训练和验证，获得基于CNN的台风分类识别模型；
步骤S3，定时从全球各台风网站预警信息平台发布的信息中抓取预警图像；
步骤S4，根据所构建的基于CNN的台风分类识别模型，以所抓取的预警图像作为模型输入，监测是否有热带气旋生成；当识别出有热带气旋生成时，进入步骤S5；当无热带气旋生成时，进入步骤S3；
步骤S5，对热带气旋生成海域进行定位，并主动从定位海域所属的编报中心提取报文资料；
步骤S6，根据主动提取的报文资料，编发台风报文存入持久性数据库中，并上传至台风预警发布平台。


2.根据权利要求1所述的基于CNN的全球台风报文收集方法，其特征在于，步骤S2的模型构建过程，具体包括：
步骤S21，基于CNN构建台风分类识别模型，所述模型包括：卷积层、池化层、全连接层；
步骤S22，基于台风图像大数据，进行数据集输入准备，定义train和validation；并使用tf.keras中ImageDataenerator类对图像进行预处理，将图像转化为浮点张量后作为输入模型的训练集和验证集；
步骤S23，以所述训练集和验证集作为输入，使用fit_generator函数训练和验证所述基于CNN的台风分类识别模型，获得成熟的台风分类识别模型。


3.根据权利要求2所述的基于CNN的全球台风报文收集方法，其特征在于，所述步骤S21的模型构建过程中，基于卫星图像的所属热带气旋阶段，进行CNN模式确定识别分类的再规划。


4.根据权利要求3所述的基于CNN的全球台风报文收集方法，其特征在于，所述再规划如下：
根据风力等级及名称，结合西太地区对台风生消定义为8个形成阶段，分别是：热带扰动-风力6级、热带低压-风力7级、热带风暴-风力8-9级、强热带风暴-风力10-11级、台风-风力12-13级、强台风-风力14-16级、超强台风-风力17级及以上、以及台风结束。


5.根据权利要求4所述的基于CNN的全球台风报文收集方法，其特征在于，所述分类，实现两种分类目标，第一种按照有无台风分成2类；第二种分类按照台风生成、台风最强、无台风分成3类；通过对两种...

【专利技术属性】
技术研发人员：韩瑞，
申请(专利权)人：韩瑞，
类型：发明
国别省市：北京;11