【技术实现步骤摘要】
一种基于LSTM机器学习的风暴增水预报方法及系统
[0001]本专利技术涉及风暴增水预报
，具体涉及一种基于LSTM机器学习的风暴增水预报方法及系统。
技术介绍
[0002]风暴潮，又称“风暴增水”、“风暴海啸”、“气象海啸”、“风潮”等，是由于剧烈的大气扰动，如强风和气压骤变（通常指台风和温带气旋等灾害性天气系统）导致海水异常升降，使受其影响的海区的潮位大大地超过平常潮位的现象。其影响的范围一般为数十至上千米，持续的时间达几小时到上百小时不等。
[0003]风暴潮灾害居海洋灾害之首位，其引起的灾害损失占比达九成以上。为了科学抵御风暴潮灾害，准确预测风暴潮所带来的灾害影响，需要开展风暴潮预报方法研究，不断提升风暴潮的预报精度和预报时效。
[0004]目前风暴增水预报的方式主要为基于水动力模型的数值计算，其预报精度依赖于准确的实测地形和模型边界条件，且模型参数设定很大程度上需依据建模者的经验；此外，水动力模型对数学方程组的离散求解过程也极为费时，尤其是当水动力模型网格较密时，难以满足预报时效性要求。
【技术保护点】
【技术特征摘要】
1.一种基于LSTM机器学习的风暴增水预报方法，其特征在于，所述方法包括：收集并处理目标区域所在海域的历史台风数据；基于所述历史台风数据，采用基于核密度估计法的经验路径法构建虚拟台风，并获取虚拟台风数据；筛选出对目标区域有影响的历史台风数据和虚拟台风数据，组合构成目标区域台风数据集；基于所述目标区域台风数据集，驱动构建基于ADCIRC的目标区域水动力模型，进而构建风暴增水数据集；对所述风暴增水数据集进行划分，将风暴增水数据集中对应的虚拟台风数据按照7:3划分训练集和验证集，将风暴增水数据集中全部的历史台风数据作为测试集；选取起报时刻前第一预设时间的台风中心所在经纬度、台风中心最低气压、台风中心风速以及目标区域所设站点的气压与风速作为输入层，选取起报时刻后第二预设时间的风暴增水值作为输出层，构建LSTM风暴增水智能预报模型；基于划分的训练集和验证集、设定的输入层和输出层进行超参数调优以确定模型超参数，确定模型超参数后，对LSTM风暴增水智能预报模型进行训练；基于所述测试集对训练好的LSTM风暴增水智能预报模型进行精度测试，评估LSTM风暴增水智能预报模型的预测性能；将待预测的台风信息输入到训练好的LSTM风暴增水智能预报模型，进行风暴增水预报。2.根据权利要求1所述的一种基于LSTM机器学习的风暴增水预报方法，其特征在于，所述历史台风数据和虚拟台风数据分别包括每个历史台风和虚拟台风的移动速度、移动方向、台风中心所在经纬度、台风中心风速、台风中心最低气压。3.根据权利要求1所述的一种基于LSTM机器学习的风暴增水预报方法，其特征在于，所述基于核密度估计法的经验路径法构建虚拟台风，并获取虚拟台风数据，具体包括：基于所述历史台风数据，统计目标区域内历史台风的年发生频率及历史台风起始特征参数，并进行概率分布拟合；所述历史台风起始特征参数包括历史台风的初始移动速度、初始移动方向以及台风中心风速；对目标区域进行网格划分，并统计各网格中历史台风的特征参数变化量，采用核密度估计法对所述特征参数变化量进行条件概率分布拟合；所述特征参数变化量包括移动速度变化量、移动方向变化量及最大风速变化量；基于各网格中历史台风的年发生频率和历史台风起始特征参数的概率分布随机确定虚拟台风的起始位置和虚拟台风起始特征参数，生成虚拟台风；所述虚拟台风起始特征参数包括虚拟台风的初始移动速度、初始移动方向以及台风中心风速；确定虚拟台风起始特征参数后，以预设的时间步模拟虚拟台风的轨迹和强度，具体为：在每个时间步中，确定虚拟台风所处的网格位置，基于虚拟台风起始特征参数从所处网格对应的历史台风的特征参数变化量的条件概率分布中进行条件采样，确定虚拟台风的特征参数变化量，以此确定下一个时间步虚拟台风的位置和特征参数变化量；这一过程不断循环，直至满足虚拟台风终止条件。4.根据权利要求3所述的一种基于LSTM机器学习的风暴增水预报方法，其特征在于，所
述虚拟台风终止条件包括：台风中心风速低于5.2m/s，台风中心所处位置的海温低于10℃，基于历史台风在各网格中的终止概率进行随机采样确定是否终止；满足三个条件中的任意一个，虚拟台风终止，表示虚拟台风构建完成。5.根据权利要求1所述的一种基于LSTM机器学习的风暴增水预报方法，其特征在于，所述对目标区域有影响，认定标准具体为台风与目标区域的距离小于250km。6.根据权利要求1所述的一种基于...
【专利技术属性】
技术研发人员：陈永平，徐晓武，谭亚，刘畅，李醒非，秦知朋，韩韬，
申请(专利权)人：河海大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。