一种基于物理增强深度学习的台风中心定位方法技术

本发明专利技术公开了一种基于物理增强深度学习的台风中心定位方法，涉及遥感技术技术领域。本发明专利技术包括以下步骤：获取预定位时刻和历史成像时刻台风中心的地理坐标信息和卫星云图；读取卫星云图中的地理坐标信息以及预设的若干个波段的亮温数据；分别构建预定位时刻和历史成像时刻基于波段亮温数据的三维矩阵；记录对应时刻的中心最大持续风速、中心最低气压和中心位置信息，并生成二维矩阵作为物理辅助信息；以及构建基于MAE损失函数的物理增强CNN模型，并进行台风中心位置相对于卫星云图中心的坐标值的预测。本发明专利技术能有效解决现有通过深度学习方法进行台风中心定位中存在的低等级台风定位精度不佳，以及纯图像驱动模型可解释差的问题。的问题。的问题。

【技术实现步骤摘要】
一种基于物理增强深度学习的台风中心定位方法


[0001]本专利技术涉及遥感技术
，具体涉及一种基于物理增强深度学习的台风中心定位方法。

技术介绍

[0002]台风是在热带海洋上生成的强烈天气过程，台风期间在强风和低压的作用下，台风往往会引发山洪爆发、城市内涝、山体滑坡、泥石流等，对人类生命和财产造成巨大的损害；因此，对台风进行准确的中心定位可以为之后预测台风轨迹提供准确的数据支持，也可以更好的初始化数值模型，从而更准确的预测台风，减少由台风带来的沿岸城市的经济损失。
[0003]目前利用卫星图像进行台风中心定位的研究概括起来主要有两类：台风眼区提取和台风螺旋曲线的提取。其中，台风眼区提取是假设卫星图像的台风眼区类似于椭圆形，通过对卫星图像进行一系列的图像预处理以提取椭圆形眼区，圆形中心即为台风中心；台风螺旋曲线提取是指，台风通常被视为由一个主螺旋云带和几个次螺旋云带组成的漩涡系统，提取台风的螺旋曲线，并将通过数学方法提取的螺旋曲线拟合，寻找螺旋中心，即台风中心。
[0004]上述研究多聚焦于台风结构相对于完整的成熟期时刻，对于在台风整个生命周期中占大量比重的台风生成期和消散期的效果往往不好。因此，近年来有研究将深度学习引入到台风中心定位研究中来，以卷积神经网络（CNN）为例，该算法避免了传统方法中大量繁琐的图像预处理阶段，具有快速，客观的优势。
[0005]对于上述结合卷积神经网络进行台风中心定位三维研究，专利技术人认为存在以下待解决的关键问题：1）在现阶段使用卷积神经网络进行台风中心定位的研究之中，模型中的输入普遍为预定位时刻台风云图，通过使模型学习台风云图中的结构信息来推断台风中心地位置；但对于台风结构不是很完整的低等级台风（TD,TS等级，最大持续风速<32.4m/s）来说，仅仅通过当前时刻的云图信息并不能得到很好的结果，如何提升低等级台风的定位精度仍是一个很大的挑战；2）现阶段使用深度学习来进行台风中心定位研究时，普遍只考虑的台风云图信息来进行纯图像数值驱动模型，缺少可解释性的同时导致定位精度不佳；如何通过向模型中添加物理信息增强模型的可解释性以及添加物理信息后模型的性能是否会提升仍是未知。
[0006]因此，如何解决上述技术问题，设计一种基于物理增强深度学习的台风中心定位方法，用于解决通过深度学习方法进行台风中心定位中存在的低等级台风定位精度不佳的问题，以及有效解决纯图像驱动模型可解释差的问题。
[0007]公开于该
技术介绍
部分的信息仅仅旨在增加对本专利技术的总体背景的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域一般技术人员所公知的现有技术。

技术实现思路

[0008]针对上述技术问题，本专利技术实施例提供了一种基于物理增强深度学习的台风中心定位方法，以解决上述
技术介绍
中提出的问题。
[0009]本专利技术提供了以下技术方案：一种基于物理增强深度学习的台风中心定位方法，包括以下步骤：获取预定位时刻和历史成像时刻台风中心的地理坐标信息，以及预定位时刻的卫星云图；读取卫星云图中的地理坐标信息以及预设的若干个波段的亮温数据；确定预定位时刻和历史成像时刻的台风中心位置在卫星云图中的坐标点，以该坐标点为中心，分别构建预定位时刻和历史成像时刻基于波段亮温数据的三维矩阵；确定历史成像时刻台风的中心最大持续风速，中心最低气压，以及中心位置在卫星云图中的坐标点，生成对应历史成像时刻时间序列的二维矩阵作为物理辅助信息；构建基于MAE损失函数的物理增强CNN模型；其中，基于MAE损失函数的物理增强CNN模型在python（一种计算机编程语言）软件中进行加载；将预定位时刻的三维矩阵，历史成像时刻的三维矩阵和物理辅助信息输入至基于MAE损失函数的物理增强CNN模型中，预测台风中心位置相对于卫星云图中心的坐标值。
[0010]优选的，其中，预定位时刻为t=0，历史成像时刻为t=
‑
3，t=
‑
6，t=
‑
9，t=
‑
12，t=
‑
15，t=
‑
18。
[0011]优选的，将基于波段亮温数据的三维矩阵中心纵向横向随机移动一定距离，记录移动距离生成二维矩阵作为真值。
[0012]优选的，所述将基于波段亮温数据的三维矩阵中心纵向横向随机移动一定距离，记录移动距离生成二维矩阵作为真值，包括：将2n+1
×
2n+1的二维矩阵的中心，沿纵向和横向随机移动一定的距离，剪裁矩阵大小；生成2m+1
×
2m+1的二维矩阵，同时记录移动的距离，作为2m+1
×
2m+1的二维矩阵的真值；其中，m<n。
[0013]优选的，所述以该坐标点为中心，分别构建预定位时刻和历史成像时刻基于波段亮温数据的三维矩阵，包括：以坐标点为中心，向上下左右各延伸n个网格点，从若干个波段中截取波段数量个2n+1
×
2n+1的二维矩阵，并按照波段序号由高到低顺序重新组合为三维矩阵。
[0014]优选的，所述确定历史成像时刻台风的中心最大持续风速，中心最低气压，以及中心位置在卫星云图中的坐标点，生成对应历史成像时刻时间序列的二维矩阵作为物理辅助信息，包括：确定历史成像时刻的台风的中心位置信息，并分别计算与预定位时刻的台风中心位置的相对位置，生成包括中心位置信息的二维矩阵；确定历史成像时刻的台风中心最低气压数据，生成包括中心最低气压数据的二维矩阵；确定历史成像时刻台风的中心最大持续风速，生成包括中心最大持续风速数据的二维矩阵。
[0015]优选的，所述构建基于MAE损失函数的物理增强CNN模型，包括：收集预定位时刻卫星的台风卫星云图和历史成像时刻卫星的台风卫星云图，生成
包含预定位时刻和历史成像时刻的台风时间序列；将台风时间序列以及对应的物理辅助信息按比例随机划分为训练集，验证集和测试集；使用MAE损失函数计算CNN模型内部梯度函数；采用训练集数据对模型进行训练；其中验证集数据用来在模型训练过程中防止过拟合；测试集数据用来进行模型数据的最终判断。
[0016]本专利技术实施例提供的一种基于物理增强深度学习的台风中心定位方法，具有以下有益效果：本专利技术能有效解决现有通过深度学习方法进行台风中心定位中存在的低等级台风定位精度不佳，以及纯图像驱动模型可解释差的问题。
附图说明
[0017]图1为本专利技术基于物理增强深度学习的台风中心定位方法的流程图；图2为本专利技术中基于MAE损失函数的物理增强CNN模型的框架图。
具体实施方式
[0018]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域技术人员在没有做出创造性劳动前提下，所获得的所有其它实施例，都属于本专利技术保护的范围。
[0019]针对上述
技术介绍
提到的问题，本专利技术实施例提供了一种基于物理本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于物理增强深度学习的台风中心定位方法，其特征在于，包括以下步骤：获取预定位时刻和历史成像时刻台风中心的地理坐标信息，以及预定位时刻的卫星云图；读取卫星云图中的地理坐标信息以及预设的若干个波段的亮温数据；确定预定位时刻和历史成像时刻的台风中心位置在卫星云图中的坐标点，以该坐标点为中心，分别构建预定位时刻和历史成像时刻基于波段亮温数据的三维矩阵；确定历史成像时刻台风的中心最大持续风速，中心最低气压，以及中心位置在卫星云图中的坐标点，生成对应历史成像时刻时间序列的二维矩阵作为物理辅助信息；构建基于MAE损失函数的物理增强CNN模型；将预定位时刻的三维矩阵，历史成像时刻的三维矩阵和物理辅助信息输入至基于MAE损失函数的物理增强CNN模型中，预测台风中心位置相对于卫星云图中心的坐标值；所述构建基于MAE损失函数的物理增强CNN模型，包括：收集预定位时刻卫星的台风卫星云图和历史成像时刻卫星的台风卫星云图，生成包含预定位时刻和历史成像时刻的台风时间序列；将台风时间序列以及对应的物理辅助信息按比例随机划分为训练集，验证集和测试集；使用MAE损失函数计算CNN模型内部梯度函数；采用训练集数据对模型进行训练；其中验证集数据用来在模型训练过程中防止过拟合；测试集数据用来进行模型数据的最终判断。2.根据权利要求1所述的基于物理增强深度学习的台风中心定位方法，其特征在于，其中，预定位时刻为t=0，历史成像时刻为t=
‑
3，t=
‑
6，t=
‑
9，t=
‑
12，t=
‑
15，t=
‑
18。3.根据权利要求1所述的基于物...

【专利技术属性】
技术研发人员：徐青，王晗，殷晓斌，
申请(专利权)人：中国海洋大学，
类型：发明
国别省市：