CN111695473B - 基于长短时记忆网络模型的热带气旋强度客观监测方法 - Google Patents
基于长短时记忆网络模型的热带气旋强度客观监测方法 Download PDFInfo
- Publication number
- CN111695473B CN111695473B CN202010492482.2A CN202010492482A CN111695473B CN 111695473 B CN111695473 B CN 111695473B CN 202010492482 A CN202010492482 A CN 202010492482A CN 111695473 B CN111695473 B CN 111695473B
- Authority
- CN
- China
- Prior art keywords
- tropical cyclone
- input
- gate
- infrared
- satellite cloud
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000012544 monitoring process Methods 0.000 title claims abstract description 41
- 230000015654 memory Effects 0.000 title claims abstract description 14
- 230000000877 morphologic effect Effects 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 4
- 238000004364 calculation method Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 11
- 230000004913 activation Effects 0.000 claims description 9
- 210000004027 cell Anatomy 0.000 claims description 8
- 238000005516 engineering process Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 7
- 235000002566 Capsicum Nutrition 0.000 claims description 3
- 239000006002 Pepper Substances 0.000 claims description 3
- 235000016761 Piper aduncum Nutrition 0.000 claims description 3
- 235000017804 Piper guineense Nutrition 0.000 claims description 3
- 235000008184 Piper nigrum Nutrition 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 230000000415 inactivating effect Effects 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 150000003839 salts Chemical class 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 2
- 244000203593 Piper nigrum Species 0.000 claims 1
- 238000004458 analytical method Methods 0.000 abstract description 5
- 230000000694 effects Effects 0.000 description 10
- 238000012360 testing method Methods 0.000 description 6
- 238000002474 experimental method Methods 0.000 description 4
- 230000006403 short-term memory Effects 0.000 description 3
- 241000722363 Piper Species 0.000 description 2
- 241000208422 Rhododendron Species 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 241001149900 Fusconaia subrotunda Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- JTJMJGYZQZDUJJ-UHFFFAOYSA-N phencyclidine Chemical class C1CCCCN1C1(C=2C=CC=CC=2)CCCCC1 JTJMJGYZQZDUJJ-UHFFFAOYSA-N 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Radiation Pyrometers (AREA)
Abstract
本发明提出了一种基于长短时记忆网络模型的热带气旋强度客观监测方法，包括：步骤1)对红外卫星云图进行处理；步骤2)从步骤1)处理得到的红外卫星云图中提取热带气旋的亮温特征参数；步骤3)从步骤1)处理得到的红外卫星云图中提取热带气旋的形态特征参数；步骤4)由步骤2)和3)的亮温特征参数、形态特征参数，基于长短时记忆网络LSTM模型对对热带气旋强度进行监测。本监测方法，能够减少热带气旋定强过程中对操作人员经验的依赖，减少分析过程中的主观性，显著提升热带气旋定强精度。
Description
技术领域
本发明涉及热带气旋强度监测预警技术领域，具体而言涉及一种利用偏角方差技术(Deviation Angle Variance Technique，DAV-T)从风云系列静止卫星观测资料中提取热带气旋形态和热带气旋结构信息，并基于长短时记忆网络(Long Short-term Memorynetworks，LSTM)对热带气旋强度进行客观监测的方法。
背景技术
热带气旋是影响人类活动主要灾害性天气系统之一。该系统表现为伴随有狂风、暴雨、风暴潮等灾害性天气的深厚低压涡旋系统，主要形成和发展于海面上，部分系统会移入近海和内陆地区，对各国沿海地区造成影响。
热带气旋强度在业务上以海平面最大风速来表示，因此准确监测热带气旋强度是预估系统影响的基础。然而由于海上缺乏对于海平面风场的直接观测信息，目前业务上采用的大多是基于统计预报方法的主观强度预报结果。然而随着预报精细化要求的不断提高，热带气旋的客观强度监测方法仍然是急需解决的重要问题。
近年来，随着基于卫星云图的热带气旋结构特征客观分析方法(如偏角方差技术Deviation Angle Variance Technique：DAV-T)的提出，能够通过计算卫星红外云图上的亮温梯度获取强度监测的关键物理因子，能够有效提升强度监测的客观化程度。然而系统最大风速与相关物理因子之间存在复杂的高非线性关系，以往采用的简单统计模型在热带气旋的强度监测精度的改进空间非常有限。
发明内容
发明目的：
本发明目的在于提供一种利用红外卫星云图中提取的亮温特征，并采用偏角方差技术得到热带气旋形态结构特征参数，构建基于LSTM网络模型的热带气旋强度客观监测方法。
发明技术方案：
一种基于长短时记忆网络模型的热带气旋强度客观监测方法，包括：
步骤1)对红外卫星云图进行处理；
步骤2)从步骤1)处理得到的红外卫星云图中提取热带气旋的亮温特征参数；
步骤3)从步骤1)处理得到的红外卫星云图中提取热带气旋的形态特征参数；
步骤4)由步骤2)和3)的亮温特征参数、形态特征参数以及热带气旋最佳路径数据对热带气旋强度进行监测；
进一步的：
步骤1)对红外卫星云图进行高斯滤波处理，去除椒盐噪声；
步骤2)从红外卫星云图提取热带气旋的亮温特征参数；
步骤3)利用偏角方差技术DAV-T从红外卫星云图中提取热带气旋形态特征参数；
步骤4)利用LSTM网络模型对热带气旋进行强度估计。
在步骤1)中，对红外卫星云图进行高斯滤波的算子为
在步骤2)中，以热带气旋最低气压中心为参考位置(以下简称中心位置)，提取的红外云图亮温特征参数包含有：卫星云图上距离中心位置50～200km范围内亮温值低于-20℃云区面积所占比例(记为S-20)；卫星云图上距离中心位置100～300km范围内亮温值的标准差(记为TBBstd)；
在步骤3)中，DAV-T的计算半径选为450km，获取的形态特征参数包括：区域最低偏角方差值(记为MMV)和相对距离(记为RD)。定义系统最低气压所在为热带气旋中心位置。从中心位置出发，通过三次迭代搜索热带气旋的区域MMV，三次迭代搜索的半径分别选为50km，100km和150km；定义MMV所在位置与中心位置的距离为RD.
在步骤4)中，将滞后时长取为12h，构建两层长短时记忆网络(记为2D-LSTM)，其中第一层网络的隐藏层节点数取为20，第二层网络的隐藏层节点数取为5，且每层卷积网络之后均采取使神经元随机失活(记为Dropout)的方式增强神经网络的鲁棒性。
采用上述基于长短时记忆网络模型的热带气旋强度客观监测方法的监测系统，包括：
用于对红外卫星云图进行处理的模块，上述方法的步骤1是在该模块中完成；
用于从红外卫星云图中提取热带气旋的亮温特征参数的模块，上述方法的步骤2是在该模块中完成；
用于从红外卫星云图中提取热带气旋的形态特征参数的模块，上述方法的步骤3是在该模块中完成；
用于对热带气旋强度进行监测的模块，上述方法的步骤4是在该模块中完成。
有益效果：
本发明的基于LSTM模型的热带气旋强度监测方法，能够减少热带气旋定强过程中对操作人员经验的依赖，减少分析过程中的主观性；同时，本方法中所采用的LSTM模型能够充分参考过去时刻热带气旋状态的影响，显著提升热带气旋定强精度。
附图说明
图1是基于长短时记忆网络(LSTM)模型的热带气旋强度客观监测方法的流程图。
图2a和图2b是偏角方差技术计算示意图。
图3是用于构建热带气旋强度客观监测方法的LSTM模型示意图。
图4是LSTM模型强度监测拟合结果的个例演示图。
图1中，热带气旋最佳路径数据集(CMA-BST)采用的是中国气象局每年发布的西北太平洋热带气旋强度和位置的参考数据；偏角方差DAV分布数据是利用偏角方差技术(Deviation Angle Variance Technique，DAV-T)从风云系列静止卫星观测资料中提取热带气旋形态和结构信息。
图2a和2b，是以2016年9月13日06点(世界时)热带气旋莫兰蒂(2016)红外云图资料为例。
图2a中阴影为该时刻热带气旋莫兰蒂(2016)红外云图亮温，三角标注的Or为参考点，圆圈表示DAV计算半径，长实线和短实线分别代表交点出气块的径向方向和亮温梯度方向，两条实线的交角即为偏差角θ。
图2b中阴影表示的是该时刻云图对应的DAV分布，其中方形表示该区域内偏差方差最小值(MMV)所在位置，圆点表示CMA-BST记录的热带气旋中心位置。
图3a为LSTM单元结构，图3b为所采用的2维LSTM链式结构。其中ft，it and ot分别表示遗忘门、输入门和输出门。σ和tanh均为激活函数，其中σ表示sigmoid函数形式，tanh表示正切函数形式。xt表示当时刻的输入值，Ct表示单元当时刻的状态，而ht为当时刻的隐藏层。
图4展示了杜鹃(2015)、莫兰蒂(2016)和泰利(2017)三个热带气旋全生命史阶段的强度监测拟合结果以及各输入因子的时间演变图。其中，CMA-BST线为中国气象局最佳路径数据提供的热带气旋最大风速值；GLM线和LSTM线分别表征GLM和LSTM模型的拟合结果。
具体实施方式
为了更了解本发明的技术内容，特举具体实施例并配合所附图式说明如下：
本技术方案的思路是，利用偏角方差技术(Deviation Angle VarianceTechnique，DAV-T)从风云系列静止卫星观测资料中提取热带气旋形态和结构信息，基于长短时记忆网络(Long Short-term Memory networks，LSTM)对热带气旋强度进行客观监测。本方案能够有效利用卫星云图高时空分辨率信息和系统时间序列的演变特征，有效提供热带气旋强度监测的客观性和准确度。
结合图1，本实施例的方法包括：
步骤1、对红外卫星云图进行高斯滤波处理，去除椒盐噪声。
在该步骤中，对红外卫星云图进行高斯滤波的算子h为通过将原始红外云图I与滤波算子h做卷积，即可得到滤波后的红外云图If。
步骤2、从红外卫星云图提取热带气旋的亮温特征。
以热带气旋最低气压中心为参考位置(以下简称中心位置)，其中，将卫星云图上距离中心位置50～200km范围内亮温值低于-20℃云区面积所占比例记为S-20，有，其中N代表像素点个数，TBB代表像素点红外亮温，d代表像素点与中心位置的距离。将卫星云图上距离中心位置100～300km范围内亮温值的标准差记为TBBstd，有TBBstd＝std(TBB(50＜d＜200))；
步骤3、利用DAV-T从红外卫星云图中提取MMV及RD特征。
将DAV-T的计算半径R取为450km.MMV和RD的提取方法如下：
①从红外云图上任取一点Or，记与Or相距R以内的区域为Ω，利用sobel算子计算所有像素点的梯度方向G(i，j)(i，j∈Ω)，其中，i、j为像素点坐标；
②定义A像素点与Or点的连线方向为A相对于Or的径向方向，计算Ω区域内的径向方向记为D(i，j)(i，j∈Ω)，并得到Ω区域内所有像素点的偏差角Δ(i，j)(i，j∈Ω)；
③Δ(i，j)(i，j∈Ω)的方差值即为Or点的DAV；将红外云图上的每个像素点依次取为参考点即可得到红外云图每个像素点所对应得DAV；
④从热带气旋中心位置出发，通过三次迭代搜索范围内的热带气旋DAV最小值(即MMV)，三次迭代搜索的半径分别选为50km，100km和150km；
⑤计算MMV所在位置与中心位置的距离即为RD.
步骤4、利用LSTM模型对热带气旋进行强度估计。
将滞后时长取为12h，并构建两层长短时记忆网络(以下记为2D-LSTM)，其中第一层网络的隐藏层节点数取为20，第二层网络的隐藏层节点数取为5，且每层卷积网络之后均采取使神经元随机失活(Dropout)的方式增强神经网络的鲁棒性。其中，LSTM模型分为前向计算过程和误差后向传播过程，前者通过对输入项的计算得到结果，后者通过误差项的传递不断更新网络层参数。其中前向传播过程的递推过程为：
①利用输入门来控制输入信息被接纳的程度，同样由当前时刻的输入与上一时刻的隐藏节点组成：
i(t)＝σ(Wixx(t)+Wihh(t-1)+bi)
其中，i(t)表示t时刻的输入门大小，σ代表激活函数sigmoid，x(t)为t时刻的输入值，Wix为输入门对应的权重，h(t-1)为t-1时刻的隐藏节点值，Wih为隐藏节点所对应的输入门权重，bi为该输入门的偏置。
②利用遗忘门控制内部状态信息被保留的程度，同样由当前时刻的输入与上一时刻的隐藏节点组成：
f(t)＝σ(Wfxx(t)+Wfhh(t-1)+bf)
其中，f(t)表示t时刻的遗忘门大小，σ代表激活函数sigmoid，Wfx为遗忘门对应的权重，Wfh为隐藏节点所对应的遗忘门权重，bf为该遗忘门的偏置。
③由输入门和遗忘门计算当前的单元状态，有：
其中，表示t时刻的输入单元状态，φ代表激活函数tanh，Wch为输入的单元状态对应的权重，Wch为隐藏节点所对应的输入的单元状态权重，bc为该输入节点的偏置。
进一步由输入的单元状态计算当前时刻的单元状态：
其中，c(t)表示t时刻的输入单元状态，代表按元素相乘。
④利用输出门控制输出信息的比例，同样由当前时刻的输入与上一时刻的隐藏节点组成：
o(t)＝σ(Woxx(t)+Wohh(t-1)+bo)
其中，表示t时刻的输出门大小，σ代表激活函数sigmoid，Wox为输出门对应的权重，Woh为隐藏节点所对应的输出门权重，bo为该输出门的偏置。
⑤LSTM模型的最终输出(即当前时刻的隐藏状态)由输出门和单元状态共同确定：
对于误差的后向传播过程，定义t时刻的误差项为其中E为预测值与真值的误差和。则有：
netf，t＝Wfxx(t)+Wfhh(t-1)+bf
neti，t＝Wixx(t)+Wihh(t-1)+bi
neto，t＝Woxx(t)+Wohh(t-1)+bo
且有其中，net代表节点。
则任意T时刻的误差项为代入前向传播过程中的公式有：
在获得了所有梯度之后，即可根据梯度下降算法来更新每个权重。
综上所述，本发明的基于LSTM网络模型的热带气旋强度客观监测方法，能够减少热带气旋定强过程中对操作人员经验的依赖，减少分析过程中的主观性；同时，本方法中所采用的LSTM模型能够充分参考过去时刻热带气旋状态的影响，可以显著提升热带气旋定强精度。
实例效果说明：
以2015-2017年间热带气旋个例为样本，利用中国气象局最佳路径资料集(CMA-BST)和每小时的风云红外卫星资料作为数据来源进行建模和结果实验。与实际业务应用为标准，采用拟合检验和年度检验两种方法，即采用实验G-all，以所有样本集数据作为训练集和测试集，并计算其均方根误差(以下记为RMSE)来检验模型的拟合效果；采用实验G-2015、G-2016和G-2017，分别以2015年、2016年和2017年热带气旋个例作为测试集，其它两年个例作为训练集，分别计算RMSE来检验不同年度模型的实际强度监测结果。为了比较强度监测结果，计算了采用同样输入因子条件下，基于广义非线性模型(以下记为GLM)在不同DAV计算半径下的检验结果与本发明进行比较(见表1)。对比结果表明，在所有实验以及所有计算半径条件下，基于LSTM模型的强度监测结果的RMSE均出现降低，对整体强度监测结果起到显著改善。此外，基于LSTM模型监测结果的最优计算半径集中在350～450km之间，而GLM模型的最有计算半径位于300～450km之间，说明LSTM模型能够降低检验结果对计算半径的敏感性，有利于提升模型效果的稳定。
表1是采用同样参数条件下基于广义非线性模型(GLM)和长短时记忆网络(LSTM)模型在不同偏角方差计算半径条件下强度监测的均方根误差(RMSE)比较
为了具体展示LSTM模型对热带气旋强度监测结果改进的贡献，图4以G-all试验中杜鹃(Dujuan，2015)、莫兰蒂(Meranti，2016)和泰利(Talim，2017)三个热带气旋全生命史阶段的强度监测为例，以中国气象局最佳路径数据提供的热带气旋最大风速值为参考，比较GLM与LSTM的拟合效果。分析可知，LSTM模型在个例全生命史过程中较有效减少了拟合结果的高频振荡，且在系统高强度阶段表现出更好的拟合效果。
虽然由于采用不同卫星资料和不同的检验方法很难通过直接比较不同热带气旋强度监测模型的监测结果来反映方法的改进，但是从模型拟合效果能够一定程度上反映方法的改进程度。比较现有利用单通道红外卫星资料进行热带气旋强度监测的模型拟合实验效果可以看出，本发明在采用最少样本数据的情况下，得到了最小的拟合RMSE，说明采用LSTM引入热带气旋生命史发展影响，对改善强度监测结果具有明显促进作用。
表2，现有利用单通道红外卫星资料进行热带气旋强度监测模型的拟合效果比较
*现有模型参考文献为：
Combinido J S，Mendoza J R，Aborot J.A Convolutional Neural NetworkApproach for Estimating Tropical Cyclone Intensity Using Satellite-basedInfrared Images.Proceedings of the 2018 24th ICPR，Beijing.
Ritchie E A，Wood K M，Rodríguezherrera O G，et al.Satellite-DerivedTropical Cyclone Intensity in the North Pacific Ocean Using the Deviation-Angle Variance Technique[J].Weather Forecasting，2014，29(3)：505-516.
Zhang C J，Qian J F，Ma L M，et al.Tropical Cyclone Intensity EstimationUsing RVM and DADI Based on Infrared Brightness Temperature[J].Weather andforecasting，2016，31(5)：1643-1654.
*表中已将从文献中获取的拟合实验效果的RMSE的单位统一转换为m s-1。
应当理解，前述构思以及在下面更加详细地描述的额外构思的所有组合只要在这样的构思不相互矛盾的情况下都可以被视为本公开的发明主题的一部分。另外，所要求保护的主题的所有组合都被视为本公开的发明主题的一部分。
Claims (1)
1.一种基于长短时记忆网络模型的热带气旋强度客观监测方法，包括：
步骤1)对红外卫星云图进行处理；
步骤2)从步骤1)处理得到的红外卫星云图中提取热带气旋的亮温特征参数；
步骤3)从步骤1)处理得到的红外卫星云图中提取热带气旋的形态特征参数；
步骤4)由步骤2)和3)的亮温特征参数、形态特征参数以及热带气旋最佳路径数据对热带气旋强度进行监测；
所述步骤4)中，基于长短时记忆网络LSTM模型对对热带气旋强度进行监测；将滞后时长取为12h，构建两层长短时记忆网络2D-LSTM，其中第一层网络的隐藏层节点数取为20，第二层网络的隐藏层节点数取为5，且每层卷积网络之后均采取使神经元随机失活Dropout的方式增强神经网络的鲁棒性；
所述步骤1)中，对红外卫星云图进行高斯滤波处理，去除椒盐噪声；对红外卫星云图进行高斯滤波的算子为
所述步骤2)中，以热带气旋最低气压的中心位置为参考位置，提取的红外卫星云图中热带气旋的亮温特征参数包括：
红外卫星云图中距离中心位置50～200km范围内亮温值低于-20℃云区面积所占比例S-20；
红外卫星云图中距离中心位置100～300km范围内亮温值的标准差TBBstd；
所述步骤3)中，利用偏角方差技术DAV-T从红外卫星云图中提取热带气旋形态特征参数，形态特征参数包括：区域最低偏角方差值MMV和相对距离RD；
采用DAV-T获取的形态特征参数的步骤为：
3.1)从红外卫星云图中任取一点Or，记与Or相距R以内的区域为Ω，利用sobel算子计算所有像素点的梯度方向G(i,j)(i,j∈Ω)，其中，i、j为像素点坐标；R是DAV-T的计算半径R；
3.2)定义A像素点与Or点的连线方向为A相对于Or的径向方向，计算Ω区域内的径向方向记为D(i,j)(i,j∈Ω)，并得到Ω区域内所有像素点的偏差角Δ(i,j)(i,j∈Ω)；
3.3)Δ(i,j)(i,j∈Ω)的方差值即为Or点的DAV；将红外云图上的每个像素点依次取为参考点即可得到红外云图每个像素点所对应得DAV；
3.4)从热带气旋中心位置出发，通过三次迭代搜索范围内的热带气旋DAV最小值即MMV；
3.5)计算MMV所在位置与中心位置的距离即为RD；
步骤3)中，DAV-T的计算半径R选为450km；步骤3.2)中，三次迭代搜索的半径分别选为50km，100km和150km；
所述步骤4)中，LSTM模型分为前向计算过程和误差后向传播过程，前向计算过程通过对输入项的计算得到结果，误差后向传播通过误差项的传递不断更新网络层参数；其中：
a、前向传播过程的递推过程为：
①利用输入门来控制输入信息被接纳的程度，同样由当前时刻的输入与上一时刻的隐藏节点组成：
i(t)＝σ(Wixx(t)+Wihh(t-1)+bi)
其中，i(t)表示t时刻的输入门大小，σ代表激活函数sigmoid，x(t)为t时刻的输入值，Wix为输入门对应的权重，h(t-1)为t-1时刻的隐藏节点值，Wih为隐藏节点所对应的输入门权重，bi为该输入门的偏置；
②利用遗忘门控制内部状态信息被保留的程度，同样由当前时刻的输入与上一时刻的隐藏节点组成：
f(t)＝σ(Wfxx(t)+Wfhh(t-1)+bf)
其中，f(t)表示t时刻的遗忘门大小，σ代表激活函数sigmoid，Wfx为遗忘门对应的权重，Wfh为隐藏节点所对应的遗忘门权重，bf为该遗忘门的偏置；
③由输入门和遗忘门计算当前的单元状态，有：
其中，表示t时刻的输入单元状态，φ代表激活函数tanh，Wch为输入的单元状态对应的权重，Wch为隐藏节点所对应的输入的单元状态权重，bc为该输入节点的偏置；
进一步由输入的单元状态计算当前时刻的单元状态：
其中，c(t)表示t时刻的输入单元状态，代表按元素相乘；
④利用输出门控制输出信息的比例，同样由当前时刻的输入与上一时刻的隐藏节点组成：
o(t)＝σ(Woxx(t)+Wohh(t-1)+bo)
其中，表示t时刻的输出门大小，σ代表激活函数sigmoid，Wox为输出门对应的权重，Woh为隐藏节点所对应的输出门权重，bo为该输出门的偏置；
⑤LSTM模型的最终输出由输出门和单元状态共同确定，最终输出即当前时刻的隐藏状态：
最终输出
b、误差的后向传播过程为：
定义t时刻的误差项为其中E为预测值与真值的误差和，则有：
netf,t＝Wfxx(t)+Wfhh(t-1)+bf
neti,t＝Wixx(t)+Wihh(t-1)+bi
neto,t＝Woxx(t)+Wohh(t-1)+bo
且有其中，net代表节点；
则任意T时刻的误差项为代入前向传播过程中的公式有：
在获得了所有梯度之后，根据梯度下降算法来更新每个权重。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010492482.2A CN111695473B (zh) | 2020-06-03 | 2020-06-03 | 基于长短时记忆网络模型的热带气旋强度客观监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010492482.2A CN111695473B (zh) | 2020-06-03 | 2020-06-03 | 基于长短时记忆网络模型的热带气旋强度客观监测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111695473A CN111695473A (zh) | 2020-09-22 |
| CN111695473B true CN111695473B (zh) | 2023-12-19 |
Family
ID=72479355
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010492482.2A Active CN111695473B (zh) | 2020-06-03 | 2020-06-03 | 基于长短时记忆网络模型的热带气旋强度客观监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111695473B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112509285B (zh) * | 2020-11-14 | 2021-07-09 | 韩瑞 | 基于卷积神经网络cnn的全球台风报文收集方法及收集系统 |
| CN113344136B (zh) * | 2021-07-06 | 2022-03-15 | 南京信息工程大学 | 一种基于Mask R-CNN的新反气旋客观识别方法 |
| CN113392961B (zh) * | 2021-08-17 | 2021-11-09 | 中国海洋大学 | 中尺度涡轨迹平稳序列提取与循环神经网络预测方法 |
| CN115082439B (zh) * | 2022-07-22 | 2022-11-29 | 浙江大学 | 融合卫星云图时空信息的热带气旋定强方法、介质及设备 |
| CN118011527A (zh) * | 2024-04-10 | 2024-05-10 | 南京信息工程大学 | 卫星图像红外通道对流结构的强度预测数据集制作方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107229825A (zh) * | 2017-05-23 | 2017-10-03 | 浙江大学 | 一种面向灾害风险评估的热带气旋全路径模拟方法 |
| CN107230197A (zh) * | 2017-05-27 | 2017-10-03 | 浙江师范大学 | 基于卫星云图和rvm的热带气旋客观定强方法 |
| CN108982904A (zh) * | 2018-07-17 | 2018-12-11 | 中国人民解放军国防科技大学 | 基于mmv拟合的台风强度监测方法 |
| CN109325960A (zh) * | 2018-11-20 | 2019-02-12 | 南京信息工程大学 | 一种红外云图气旋分析方法及分析系统 |
| CN109902885A (zh) * | 2019-04-09 | 2019-06-18 | 中国人民解放军国防科技大学 | 基于深度学习混合cnn-lstm模型的台风预测方法 |
| CN110059423A (zh) * | 2019-04-23 | 2019-07-26 | 中国人民解放军国防科技大学 | 基于多因子广义线性模型的热带气旋客观定强方法 |
| WO2020069224A1 (en) * | 2018-09-28 | 2020-04-02 | Applied Materials, Inc. | Long short-term memory anomaly detection for multisensor equipment monitoring |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7970543B2 (en) * | 2008-03-18 | 2011-06-28 | The United States Of America, Represented By The Secretary Of Commerce | Predicting tropical cyclone destructive potential by integrated kinetic energy according to the Powell/Reinhold scale |
-
2020
- 2020-06-03 CN CN202010492482.2A patent/CN111695473B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107229825A (zh) * | 2017-05-23 | 2017-10-03 | 浙江大学 | 一种面向灾害风险评估的热带气旋全路径模拟方法 |
| CN107230197A (zh) * | 2017-05-27 | 2017-10-03 | 浙江师范大学 | 基于卫星云图和rvm的热带气旋客观定强方法 |
| CN108982904A (zh) * | 2018-07-17 | 2018-12-11 | 中国人民解放军国防科技大学 | 基于mmv拟合的台风强度监测方法 |
| WO2020069224A1 (en) * | 2018-09-28 | 2020-04-02 | Applied Materials, Inc. | Long short-term memory anomaly detection for multisensor equipment monitoring |
| CN109325960A (zh) * | 2018-11-20 | 2019-02-12 | 南京信息工程大学 | 一种红外云图气旋分析方法及分析系统 |
| CN109902885A (zh) * | 2019-04-09 | 2019-06-18 | 中国人民解放军国防科技大学 | 基于深度学习混合cnn-lstm模型的台风预测方法 |
| CN110059423A (zh) * | 2019-04-23 | 2019-07-26 | 中国人民解放军国防科技大学 | 基于多因子广义线性模型的热带气旋客观定强方法 |
Non-Patent Citations (11)
| Title |
|---|
| GAO Song et al..A nowcasting model for the prediction of typhoon tracks based on a long short term memory neural network.Acta Oceanologica Sinica.2018,第37卷(第05期),第8-12页. * |
| Meng YUAN et al..Detecting intensity evolution of the western North Pacific super typhoons in 2016 using the deviation angle variance technique with FY data.Journal of Meteorological Research.2019,第33卷(第01期),第104-114页. * |
| Rui Chen et al..A hybrid CNN-LSTM model for typhoon formation forecasting.GeoInformatica.2019,第23卷(第03期),第375–396页. * |
| Tropical Cyclone Track Forecasting using Fused Deep Learning from Aligned Reanalysis Data;Sophie Giffard-Roisin et al.;CoRR;第1-22页 * |
| Y. Li et al..Leveraging LSTM for rapid intensifications prediction of tropical cyclones.ISPRS Annals of Photogrammetry, Remote Sensing and Spatial Information Sciences.2017,第101-105页. * |
| 基于卫星资料的热带气旋强度估计及风场反演方法研究;钱金芳;中国优秀硕士学位论文全文数据库 (基础科学辑)(第03期);第A009-4页 * |
| 张德丰.TensorFlow深度学习从入门到进阶.北京：机械工业出版社,2020,(第1版),第255-257页及第268-271页. * |
| 戴李杰等.红外卫星云图和相关向量机的有眼热带气旋客观定强模型.遥感学报.2018,第22卷(第04期),第581-590页. * |
| 罗绮.基于卷积神经网络和相关向量机的热带气旋定强.中国优秀硕士学位论文全文数据库 (基础科学辑).2020,(第02期),第A009-30页. * |
| 袁猛等.偏角方差技术在西北太平洋超强台风分析中的应用.中国气象学会.第35届中国气象学会年会 S1 灾害天气监测、分析与预报.2018,第2058-2060页. * |
| 金蕊等.次季节-季节尺度热带气旋活动研究和预测技术进展.大气科学学报.2020,第43卷(第01期),第238-254页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111695473A (zh) | 2020-09-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111695473B (zh) | 基于长短时记忆网络模型的热带气旋强度客观监测方法 | |
| US10706285B2 (en) | Automatic ship tracking method and system based on deep learning network and mean shift | |
| Yang et al. | Pipeline magnetic flux leakage image detection algorithm based on multiscale SSD network | |
| CN107833208B (zh) | 一种基于动态权重深度自编码的高光谱异常检测方法 | |
| CN107689052B (zh) | 基于多模型融合和结构化深度特征的视觉目标跟踪方法 | |
| CN109523013B (zh) | 基于浅层卷积神经网络的空气颗粒物污染程度估计方法 | |
| CN112132012B (zh) | 基于生成对抗网络的高分辨率sar船舶图像生成方法 | |
| US20240012965A1 (en) | Steady flow prediction method in plane cascade based on generative adversarial network | |
| CN114692509B (zh) | 基于多阶段退化神经网络的强噪声单光子三维重建方法 | |
| Wang et al. | Detection of oil spill using SAR imagery based on AlexNet model | |
| CN111611918B (zh) | 基于航拍数据和深度学习的交通流数据集采集及构建方法 | |
| CN114925615A (zh) | 一种放射性泄漏源定位方法和系统 | |
| CN107292039B (zh) | 一种基于小波聚类的uuv巡岸轮廓构建方法 | |
| CN113920255B (zh) | 基于点云数据的高效测绘系统 | |
| CN114913434A (zh) | 一种基于全局关系推理的高分辨率遥感影像变化检测方法 | |
| CN112270285B (zh) | 一种基于稀疏表示和胶囊网络的sar图像变化检测方法 | |
| Rumapea et al. | Improving Convective Cloud Classification with Deep Learning: The CC-Unet Model. | |
| CN113834547A (zh) | 一种河流虚拟站水位时序重建方法及系统 | |
| Chen et al. | Change detection of multispectral remote-sensing images using stationary wavelet transforms and integrated active contours | |
| CN111209813B (zh) | 基于迁移学习的遥感图像语义分割方法 | |
| CN116740125A (zh) | 基于光线折射和深度学习实现透明流体可视化的检测方法 | |
| CN115456957B (zh) | 一种全尺度特征聚合的遥感影像变化检测的方法 | |
| CN113077458B (zh) | 一种遥感影像中的云和阴影检测方法及系统 | |
| CN113607068B (zh) | 一种光声测量信号特征的识别模型建立方法及提取方法 | |
| Yin et al. | A novel method of crater detection on digital elevation models |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |