CN112668811B - 基于深度学习的低涡、切变线自动识别与追踪方法及系统 - Google Patents

Abstract

本发明公开了一种基于深度学习的低涡、切变线自动识别与追踪方法及系统。本发明运用深度学习技术及海量历史数据的标签采样，结合气象工作者综合物理规则和经验直觉的判识规则建立成深度学习模型，达到模仿人工判识的效果；大幅提升低涡、切变线的计算机自动判识准确性，可基本取代气象工作者根据经验的人工判识。

Description

基于深度学习的低涡、切变线自动识别与追踪方法及系统

技术领域

本发明属于气象技术领域，具体涉及一种基于深度学习的低涡、切变线自动识别与追踪方法及系统。

背景技术

低涡，属于气象学术语，是指中心气压往往比四周低的天气图上的气旋式涡旋，即出现在大气中对流层中低层的水平和垂直范围都较小的低压涡旋。主要是相对气压场而言的一种天气系统，在500hpa、700hPa和850hPa等压面上最为显著。

切变线，属于气象学术语，是指风场中具有气旋式突变的不连续线，其两侧的风矢量平行于该线的分量有突变，即切变线是风向或风速发生急剧改变的狭长区域，是相对流场而言的一种天气系统，主要出现在大气中对流层中低层，在700hPa和850hPa等压面上最为显著。

低涡中有较强的辐合上升气流，可产生云雨天气。部分低涡形成后在原地减弱、消失，只引起源地和附近地区的天气变化。而有的低涡随低槽或高空引导气流移动，并不断得到加强和发展，雨区扩大，降水增强，往往形成暴雨。切变线附近有很强的辐合，常有降水天气产生。切变线较为稳定，持续时间长，控制的区域常为阴雨天气，风力较小。若是切变线上有低涡沿切变线移动，天气相对剧烈，常伴有强降水和大风天气。所以，低涡、切变线作为暴雨等极端天气的主要影响天气系统，对其进行识别与追踪能够准确预报天气情况。

然而现有的基于天气学原理和简单的数学公式进行低涡和切变线位置的计算结果，准确性低下，无法取代气象工作者根据天气学原理积累的丰富经验的人工判识。因此，气象业务中的低涡、切变线分析依然通过人机交互的方式，由预报人员根据自身经验进行手工操作，存在一系列相关弊端。因此，需开发一种基于深度学习的低涡、切变线自动识别与追踪方法及系统，提高气象业务中的自动化水平，减轻预报员的人工劳作，更好的支持智能自动化预报。

发明内容

针对现有技术中的不足之处，本发明提供一种基于深度学习的低涡、切变线自动识别与追踪方法及系统。

本发明技术方案提供一种基于深度学习的低涡、切变线自动识别与追踪方法，包括以下步骤：

S1、对再分析资料和数值模式预报结果进行收集存储以及预处理，获得归一化数据集；

S2、对低涡、切变线进行样本标注，获得低涡label数据和切变线label数据，建立低涡标注样本库和切变线标注样本库；

S3、以再分析资料的归一化数据集作为卷积神经网络CNN模型的训练集和验证集，结合低涡标注样本库，获得低涡自动识别卷积神经网络CNN判识模型，以该CNN判识模型计算各时次各网格点为低涡的概率分布，根据概率分布判识低涡并读取其对应网格的位势高度值，以及建立数字化低涡位置和强度个例库；

S4、以再分析资料的归一化数据集作为卷积神经网络CNN模型的训练集和验证集，结合切变线标注样本库，获得切变线自动识别卷积神经网络CNN判识模型，以该CNN判识模型计算各时次各网格点为切变线的概率分布，根据概率分布判识切变线，以及建立数字化切变线位置个例库；

S5、分析低涡、切变线位置对某个选定区域内暴雨的重要性，根据重要性从高到低排序；

S6、以数值模式未来72小时预报结果的归一化数据作为低涡CNN判识模型和切变线CNN判识模型的输入，对数值模式未来72小时预报结果进行低涡、切变线判识，追踪未来72小时低涡位置和强度、切变线位置演变特征；

S7、低涡强度和位置、切变线位置信息传送至MICAPS接口子系统，进行数据格式转换，实现在MICAPS系统界面上的显示。

进一步的，所述步骤S1的实现包括以下子步骤：

S101、自动化下载历史、实时的再分析资料和数值模式预报结果，并按日期对气象要素场自动存储，

S102、将再分析资料和数值模式预报结果进行数据格式转换，以满足机器学习模型对数据格式的要求，

S103、对格式转换后的资料进行均一化处理，生成均一化数据集，以满足模型训练对数据集空间分辨率的一致性要求；

S104、对均一化后的再分析资料和数值模式预报结果的气象要素场进行数据归一化预处理，以满足模型训练的收敛性要求；

S105、编写脚本，实现再分析资料、数值模式预报结果、均一化数据集、归一化数据集按日期的实时自动化存储；

S106、形成指定标准气压层的气象要素场归一化数据集；

S107、将最近三十年间再分析资料指定标准气压层的气象要素场归一化数据集打乱时间前后顺序，在此基础上划分为不重叠的两个数据集，数据量分别占总数据集的六分之五、六分之一，其中六分之五的归一化数据集作为训练集，六分之一的归一化数据集作为验证集，两个数据集无交叉数据。

作为优选，所述气象要素场包括流场、温度场、位势高度场，流场包括风向、风速。

进一步的，所述步骤S2的实现包括以下子步骤：

S201、低涡标注样本库：普查最近三十年间ECMWF或NCEP的再分析资料，以低涡定义和判识标准为根据，对某个选定区域内低涡天气系统个例进行标注，生成的低涡标注样本库，

S202、切变线标注样本库：普查最近三十年间ECMWF或NCEP的再分析资料，以切变线定义和判识标准为根据，对某个选定区域内切变线天气系统个例进行标注，生成的切变线标注样本库。

进一步的，所述步骤S3的实现包括以下子步骤：

S301、将训练集在某个选定区域内的数据集作为输入，以训练集对应的低涡标注样本为输出，对初始卷积神经网络CNN模型进行训练，得到初步的低涡深度学习卷积神经网络CNN模型，

S302、利用验证集在相同区域内的数据集对步骤S301得到的低涡深度学习卷积神经网络CNN模型进行验证，并根据误差情况对其进行参数调整和再训练，经过多次迭代，得到泛化能力满足要求的低涡自动识别卷积神经网络CNN判识模型，以下简称低涡CNN判识模型，

S303、将某一时次归一化后的再分析资料输入步骤S302训练得到的低涡CNN判识模型，得到判识空间中各网格点为低涡的概率分布，

S304、将步骤S303中低涡CNN判识模型输出的概率分布结果，按一定间隔以点阵为单位提取网格中每个点为中心一定正方形区域的数据以获得此点属于低涡点的概率值，并只保留概率值大于一定阈值的点，组成准低涡点集，

S305、将概率值大于一定阈值的准低涡点去除较零散的杂点后求得概率最大的点并标注为低涡，其对应网格的位势高度值标注为低涡强度，

S306、利用步骤S302训练得到的低涡CNN判识模型，考虑到再分析技术的发展历程和观测系统的发展对再分析资料质量的影响，在三十年资料中选择最近至少二十五年某个选定区域内的归一化气象场数据作为输入，每次输入一个时次，重复S303、S304和S305，对至少二十五年该选定区域内出现过的低涡进行判识和标注，形成数字化低涡位置和强度个例库。

进一步的，所述步骤S4的实现包括以下子步骤：

S401、将训练集在某个选定区域内的数据集作为输入，以训练集对应的切变线标注样本库为输出，对初始卷积神经网络CNN模型进行训练，得到初步的切变线深度学习卷积神经网络CNN模型，

S402、利用验证集在相同区域内的数据集对步骤S401得到的切变线深度学习卷积神经网络CNN模型进行验证，并根据误差情况对其进行参数调整和再训练，经过多次迭代，得到泛化能力满足要求的切变线自动识别卷积神经网络CNN判识模型，以下简称切变线CNN判识模型，

S403、将某一时次归一化后的再分析资料输入步骤S402训练得到的切变线CNN判识模型，得到判识空间中各网格点为切变线的概率分布，

S404、将步骤S403中切变线CNN判识模型输出的概率分布结果，按一定间隔以点阵为单位提取网格中每个点为中心一定正方形区域的数据以获得此点属于切变线点的概率值，并只保留概率值大于一定阈值的点，组成准切变点集，

S405、将概率值大于一定阈值的准切变点去除较零散的杂点后连接成线条并标注为切变线，

S406、利用步骤S402训练得到的切变线CNN判识模型，考虑到再分析技术的发展历程和观测系统的发展对再分析资料质量的影响，在三十年资料中选择最近至少二十五年某个选定区域内的归一化气象场数据作为输入，每次输入一个时次，重复S403、S404和S405，对至少二十五年该选定区域内出现过的切变线进行判识和标注，形成数字化切变线位置个例库。

进一步的，所述步骤S5的实现包括以下子步骤：

S501、结合气象台站观测的降水量资料和数字化低涡位置和强度个例库、切变线位置个例库，寻找某个选定区域内出现的对该选定区域内的暴雨有影响的低涡、切变线的位置，并对各位置低涡、切变线对暴雨影响的重要程度从高到低进行排序，

S502、绘图给出低涡、切变线位置重要性从高到低排序结果。

进一步的，所述步骤S6的实现包括以下子步骤：

S601、利用步骤S3和步骤S4训练得到的低涡CNN判识模型和切变线CNN判识模型，判识数值模式未来72小时预报的风场和位势高度场中的低涡、切变线的位置，

S602、将未来72小时内各时次的低涡、切变线的位置自动绘制在一张图上，并标明其移动方向及强度，制成72小时低涡、切变线演变图，形成对未来72小时低涡、切变线演变的有效追踪。

具体的，所述步骤S601中对某一选定的数值模式的预报结果在采用双线性插值方法进行空间分辨率均一化处理后，采用迁移学习的思想进行CNN判识模型再训练，得到泛化能力适合其他数值模式未来72小时预报的风场和位势高度场中低涡、切变线位置识别的CNN判识模型，然后应用各自的CNN判识模型对未来72小时各模式预报的风场和位势高度场中的低涡、切变线的位置进行判识。

进一步的，所述步骤S7的实现包括以下子步骤：

S701、低涡位置和强度显示：将由低涡CNN判识模型判识得到的低涡位置经纬度信息及对应点的位势高度值转换为MICAPS系统可读取的数据格式，在MICAPS系统中调取该转换后的数据即可显示低涡CNN判识模型判识出的低涡位置及相应的低涡强度；

S702、切变线位置显示：将由切变线CNN判识模型判识得到的切变线位置经纬度信息转换为MICAPS系统可读取的数据格式，在MICAPS系统中调取该转换后的数据即可显示切变线CNN判识模型判识出的切变线位置。

本发明还提供一种基于深度学习的低涡、切变线自动识别与追踪系统，用于实现如上所述的基于深度学习的低涡、切变线自动识别与追踪方法。

进一步的，所述的基于深度学习的低涡、切变线自动识别与追踪系统，包括：

再分析资料历史和实时收集存储和预处理子系统，用于对再分析资料自动化下载并按日期对气象要素场自动存储，再进行均一化处理和归一化处理；

数值模式预报结果历史和实时收集存储和预处理子系统，用于对数值模式预报结果自动化下载并按日期对气象要素场实时自动存储，再进行均一化处理和归一化处理；

低涡与切变线自动识别卷积神经网络CNN判识模型训练子系统，利用训练集和验证集及其对应的低涡标注样本库和切变线标注样本库对初始卷积神经网络CNN模型进行训练-验证-再训练，来构建低涡自动识别卷积神经网络CNN判识模型和切变线自动识别卷积神经网络CNN判识模型；低涡标注样本库是由最近三十年ECMWF或NCEP的再分析资料中，根据低涡定义以及相应的判识标准，对出现在某个选定区域内的低涡天气系统进行标注，形成低涡标注样本，这些低涡标注样本集合成为低涡标注样本库；切变线标注样本库是由最近三十年ECMWF或NCEP的再分析资料中，根据切变线定义以及相应的判识标准，对出现在某个选定区域内的切变线天气系统进行标注，形成切变线标注样本，这些切变线标注样本集合成为低涡标注样本库，低涡标注样本库和切变线标注样本库构成样本库；

低涡与切变线自动识别子系统，基于低涡CNN判识模型对某个选定区域出现过的低涡进行判识和标注，形成数字化低涡个例库；基于切变线CNN判识模型对某个选定区域出现过的切变线进行判识和标注，形成数字化切变线个例库；数字化低涡个例库和数字化切变线个例库构成数字化个例库；

低涡与切变线重要性排序子系统，结合气象台站观测的降水量资料和数字化个例库，寻找某个选定区域出现的对暴雨有影响的低涡、切变线的位置，并对各位置低涡、切变线对暴雨影响的重要程度进行排序；

低涡与切变线72小时演变追踪子系统，通过低涡CNN判识模型、切变线CNN判识模型来判识数值模式未来72小时预报场中低涡的位置和强度、切变线的位置，制成72小时低涡位置和强度、切变线位置演变图，形成对未来72小时低涡、切变线演变的有效追踪；

MICAPS接口子系统，用于将低涡CNN判识模型、切变线CNN判识模型判识的低涡、切变线位置的经纬度信息和从位势高度场读取的低涡强度信息转换为MICAPS系统可读取的数据格式，实现低涡强度和位置、切变线位置在MICAPS系统界面上的显示。

具体的，所述再分析资料历史和实时收集存储和预处理子系统，包括：下载模块、数据格式转换模块、均一化气象资料制作模块、数据归一化预处理模块和资料存储模块，下载模块、数据格式转换模块、均一化气象资料制作模块、数据归一化预处理模块依次相连，且分别与资料存储模块相连；其中，

下载模块通过互联网，服务器将再分析资料自动化下载；数据格式转换模块通过Python等编程技术对下载再分析资料进行数据格式转换；均一化气象资料制作模块利用WRF模式将ECMWF的再分析资料在设定范围内气象场的分辨率统一，生成年均一化数据集；数据归一化预处理模块采用极大值归一化方法对均一化后的再分析资料进行数据归一化预处理，获得归一化数据集；资料存储模块将再分析资料、均一化数据集、归一化数据集按日期的实时自动化存储。

具体的，所述数值模式预报结果历史和实时收集存储和预处理子系统，包括：下载模块、数据格式转换模块、数据均一化模块、数据归一化预处理模块和资料存储模块，下载模块、数据格式转换模块、数据均一化模块、数据归一化预处理模块依次相连，且分别与资料存储模块相连；其中，

下载模块通过互联网，服务器将数值模式预报结果自动化下载；数据格式转换模块通过Python等编程技术对下载数值模式预报结果进行数据格式转换；数据均一化模块采用双线性插值将格式转换后的数值模式预报结果在设定范围内的气象场分辨率统一，生成均一化数据集，数据归一化预处理模块采用极大值归一化方法对均一化后的数值模式预报结果进行数据归一化预处理，获得归一化数据集；资料存储模块将数值模式预报结果、均一化数据集、归一化数据集按日期的实时自动化存储。

具体的，所述低涡与切变线自动识别卷积神经网络CNN判识模型训练子系统，还包括：

训练模块，用于以再分析资料历史和实时收集存储和预处理子系统建立的训练集作为输入，以训练集对应的低涡标注样本库、切变线标注样本库为输出，对初始卷积神经网络CNN模型进行训练，来搭建初步的低涡深度学习卷积神经网络CNN模型、初步的切变线深度学习卷积神经网络CNN模型；

验证模块，用于用验证集对生成的初步的低涡深度学习卷积神经网络CNN模型、初步的切变线深度学习卷积神经网络CNN模型进行验证，并根据误差情况对其进行参数调整，迭代训练，直到满足要求，获得低涡自动识别卷积神经网络CNN判识模型、切变线自动识别卷积神经网络CNN判识模型。

具体的，低涡与切变线自动识别子系统，还包括：

低涡概率分布判识模块，用于将某一个时次的归一化后的再分析资料作为输入，启动低涡CNN判识模型，来判断空间中各网格点为低涡的概率分布结果；

切变线的概率分布判识模块，用于将某一个时次的归一化后的再分析资料作为输入，启动切变线CNN判识模型，来判断空间中各网格点为切变线的概率分布结果；

低涡标注模块，用于根据低涡的概率分布结果按一定间隔以点阵为单位提取网格中每个点为中心一定正方形区域的数据以获得此点属于低涡点的概率值，并只保留概率值大于一定阈值的点，组成准低涡点集，然后将概率值大于一定阈值的点去除较零散的杂点后求得概率最大的点并标注为低涡；

切变线标注模块，用于根据切变线的概率分布按一定间隔以点阵为单位提取网格中每个点为中心一定正方形区域的数据以获得此点属于切变线点的概率值，并只保留概率值大于一定阈值的点，组成准切变点集；然后概率值大于一定阈值的点去除较零散的杂点后连接成线条并标注为切变线；

个例库形成模块，用于以某个时间段在该某个区域内的再分析资料为低涡CNN判识模型、切变线CNN判识模型的输入，对该时间段在该区域出现过的低涡进行判识和标注读取相应位置的位势高度值，形成数字化低涡个例库；以及对该时间段在该区域出现过的切变线进行判识和标注，形成数字化切变线个例库。

具体的，低涡与切变线72小时演变追踪子系统，包括：

各模式72小时预报结果低涡与切变线判识模块，用于根据低涡CNN判识模型和切变线CNN判识模型判识ECMWF 某个设定的数值模式未来72小时预报的风场和位势高度场中的低涡、切变线的位置，对该设定的数值模式在采用双线性插值进行空间分辨率统一后，采用迁移学习的思想进行CNN判识模型再训练，得到适合其他多个模式未来72小时预报的风场和位势高度场中低涡、切变线位置的判识模型，应用各自的判识模型对未来72小时各模式预报的风场和位势高度场中的低涡、切变线的位置进行判识；

72小时低涡与切变线演变追踪模块，用于将各模式72小时预报结果低涡与切变线判识模块判识出的每个时次的低涡、切变线的位置自动绘制在一张图上，并标明其移动方向及强度，制成72小时低涡、切变线演变图。

具体的，所述MICAPS接口子系统包括数据格式转换模块、数据读取模块和显示模块，其中，数据格式转换模块接收低涡和切变线判识结果的坐标经纬度信息及低涡强度信息并将其转换为MICAPS系统可读取的数据格式，通过数据读取模块读入MICAPS系统，显示模块将读入的低涡坐标位置和强度、切变线位置显示在MICAPS系统界面上。

有益效果：本发明运用深度学习技术及海量历史数据的标签采样，结合气象工作者综合天气学原理和经验直觉的判识规则建立成深度学习模型，达到模仿人工判识的效果；大幅提升低涡、切变线的计算机自动判识准确性，可基本取代气象工作者根据经验的人工判识。

附图说明

图1为本发明实施例中对再分析资料和数值模式预报结果进行收集存储以及预处理的流程图；

图2为本发明实施例中建立低涡、切变线自动识别卷积神经网络CNN判识模型的流程图；

图3为本发明实施例中的卷积神经网络CNN模型示意图；

图4为本发明实施例中基于CNN判识模型计算的概率分布判识低涡、切变线的流程图；

图5为本发明实施例中数值模式预测未来72小时低涡、切变线演变追踪的流程图；

图6为本发明实施例中低涡、切变线判识结果在MICAPS系统界面显示的流程图；

图7为本发明实施例提供的基于深度学习的低涡、切变线自动识别与追踪系统的结构框图；

图8为本发明实施例训练所得的CNN判识模型计算的不同时间的再分析资料的风场和高度场中切变点概率分布等值线、低涡位置的示意图；

图9为本发明实施例判识的在不同时间的风场和位势高度场中准切变点、低涡位置的示意图；

图10为本发明实施例判识的在不同时间的风场和位势高度场中切变线、低涡位置的示意图；

图11为本发明实施例判识的低涡位置、强度和切变线位置的示意图；

图12为本发明实施例在MICAPS系统界面显示低涡位置、切变线位置的示意图。

图中，

100-再分析资料历史和实时收集存储和预处理子系统，

110-下载模块，

120-数据格式转换模块，

130-二十五年均一化气象资料制作模块，

140-数据归一化预处理模块，

150-资料存储模块；

200-数值模式预报结果历史和实时收集存储和预处理子系统，

210-下载模块，

220-数据格式转换模块，

230-数据均一化模块，

240-数据归一化预处理模块，

250-资料存储模块；

300-低涡与切变线自动识别卷积神经网络CNN判识模型训练子系统，

310-样本库，

311-低涡标注样本库，

312-切变线标注样本库，

320-训练模块，

330-验证模块；

400-低涡与切变线自动识别子系统，

410-低涡概率分布判识模块，

420-切变线概率分布判识模块，

430-低涡标注模块，

440-切变线标注模块，

450-个例库形成模块；

500-低涡与切变线重要性排序子系统，

600-低涡与切变线72小时演变追踪子系统，

610-72小时各时次预报结果低涡与切变线判识模块，

620-72小时低涡与切变线演变追踪模块；

700-MICAPS接口子系统，

710-数据格式转换模块，

720-数据读取模块，

730-显示模块；

800-数字化个例库，

810-数字化低涡个例库，

820-数字化切变线个例库。

具体实施方式

以下参照具体的实施例来说明本发明。本领域技术人员能够理解，这些实施例仅用于说明本发明，其不以任何方式限制本发明的范围。

基于深度学习的低涡、切变线自动识别与追踪方法，包括以下步骤：

S1、对再分析资料和数值模式预报结果进行收集存储以及预处理，获得归一化数据集；

本实施例中，准备1990-2019年这三十年的再分析资料和气象台站资料；如图1所示，所述步骤S1的实现包括如下步骤：

S101、自动化下载历史、实时的再分析资料和数值模式预报结果，并按日期对气象要素场自动存储，

S102、将再分析资料和数值模式预报结果进行数据格式转换，以满足机器学习模型对数据格式的要求，

S103、对格式转换后的资料进行均一化处理，生成均一化数据集；本实施例中，由于时间跨度长，ECMWF再分析资料水平分辨率并不一致，2015-2019年为0.25°×0.25°分辨率，早期分辨率有多种，利用WRF模式和ECMWF再分析资料计算1990-2014年于90°E-125°E，25°N-45°N范围内0.25°×0.25°分辨率的气象场，生成二十五年均一化0.25°×0.25°气象场数据集；WRF气象场数据集输出包括：风向、风速、温度、湿度、降雨量等，输出层为标准气压层，标准气压层包括500hpa、700hpa、850hpa、925hpa，时间分辨率为3小时，WRF模式坐标系选择经纬度坐标系，至此本实施例具备1990-2019年三十年均一化0.25°×0.25°气象场数据集。本实施例的均一化是指数据空间分辨率一致化；

S104、对均一化后的再分析资料和数值模式预报结果的气象要素场进行数据归一化预处理，以满足模型训练的收敛性要求，本实施例中，气象要素场包括流场（风向、风速）、温度场、位势高度场，归一化采用的是极大值归一化方法；

S105、编写脚本，实现再分析资料、数值模式预报结果、均一化数据集、归一化数据集按日期的实时自动化存储，

S106、形成指定标准气压层(500hpa、700hpa、850hpa、925hpa)的风向、风速、温度、位势高度归一化数据集，

S107、将最近三十年间再分析资料指定标准气压层的气象要素场归一化数据集打乱时间先后顺序，在此基础上划分为不重叠的两个数据集，数据集分别占六分之五和六分之一，其中六分之五的归一化数据集作为训练集，六分之一的归一化数据集作为验证集，两个数据集无交叉数据；

S2、对低涡、切变线进行样本标注，获得低涡label数据和切变线label数据，建立低涡标注样本库和切变线标注样本库，所述步骤S2的实现包括如下步骤：

S201、低涡标注样本库：普查1990-2019年ECMWF或NCEP再分析资料，以低涡定义和判识标准为根据，对青藏高原以东的河南省上游方向范围内低涡天气系统个例进行标注，生成的低涡标注样本库，

S202、切变线标注样本库：普查1990-2019年ECMWF或NCEP的再分析资料，以切变线定义和判识标准为根据，对青藏高原以东的河南省上游方向范围内切变线天气系统个例进行标注，生成的切变线标注样本库；

S3、以再分析资料的归一化数据集作为卷积神经网络CNN模型的训练集和验证集，结合低涡标注样本库，获得低涡自动识别卷积神经网络CNN判识模型，以该CNN判识模型计算各时次各网格点为低涡的概率分布，根据概率分布判识低涡并读取其对应网格的位势高度值，以及建立数字化低涡位置和强度个例库；如图2至图4所示，所述步骤S3的实现包括如下步骤：

S301、以训练集作为输入，以训练集对应的低涡标注样本为输出，对初始卷积神经网络CNN模型进行训练，得到初步的低涡深度学习卷积神经网络CNN模型，

S302、利用验证集对步骤S301得到的低涡深度学习卷积神经网络CNN模型进行验证，并根据误差情况对其进行参数调整和再训练，经过多次迭代，得到泛化能力满足要求的低涡自动识别卷积神经网络CNN判识模型，以下简称低涡CNN判识模型，

S303、将每日每间隔六小时的归一化后的再分析资料输入步骤S302训练得到的低涡CNN判识模型，得到判识空间中各网格点为低涡的概率分布；

S304、将步骤S303中低涡CNN判识模型输出的概率分布结果，按一定间隔以点阵为单位提取网格中每个点为中心一定正方形区域的数据以获得此点属于低涡点的概率值，并只保留概率值大于一定阈值的点，组成准低涡点集；

S305、将概率值大于一定阈值的准低涡点去除较零散的杂点后求得概率最大的点并标注为低涡，其对应的位势高度值标注为低涡强度，如图8-10所示，图中的D为本实施例研制的低涡CNN判识模型判断出的不同时间700hpa再分析资料中低涡的位置；灰色阴影为位势高度数值（单位：位势米）；更多说明见下方的步骤S4；

S306、利用步骤S302训练得到的低涡CNN判识模型，考虑到再分析技术的发展历程和观测系统的发展对再分析资料质量的影响，选择1995-2019年0.25°×0.25°内的归一化再分析气象场数据作为输入，每次输入一个时次，重复S303、S304和S305，对1995-2019年河南省上游区域内出现过的低涡进行判识和标注，结合位势高度场形成数字化低涡位置和强度个例库；

S4、以再分析资料的归一化数据集作为卷积神经网络CNN模型的训练集和验证集，结合切变线标注样本库，获得切变线自动识别卷积神经网络CNN判识模型，以该CNN判识模型计算各时次各网格点为切变线的概率分布，根据概率分布判识切变线，以及建立数字化切变线位置个例库；如图2至图4所示，所述步骤S4的实现包括如下步骤：

S401、以训练集作为输入，以训练集对应的切变线标注样本库为输出，对卷积神经网络CNN模型进行训练，得到初步的切变线深度学习卷积神经网络CNN模型，

S402、利用验证集对步骤S401得到的切变线深度学习卷积神经网络CNN模型进行验证，并根据误差情况对其进行参数调整和再训练，经过多次迭代，得到泛化能力满足要求的切变线自动识别卷积神经网络CNN判识模型，以下简称切变线CNN判识模型，

S403、将每日每间隔六小时的归一化后的再分析资料输入步骤S402训练得到的切变线CNN判识模型，得到判识空间中各网格点为切变线的概率分布，如图8所示，其中左图显示的是切变线CNN判识模型判识的2016年6月23日00时700hpa再分析资料网格点为切变点的概率分布情况；右图显示的是切变线CNN判识模型判识的2016年6月24日18时700hpa再分析资料网格点为切变点的概率分布情况；图中：闭合曲线为CNN判识模型计算所得的切变点的概率等值线，从外层到内层分别为概率0.5、概率0.9、概率0.99，明显可见判识结果较高的区域呈条带装分布；灰色阴影为位势高度数值（单位：位势米）；箭头为风矢量；D为低涡；

S404、将步骤S403中切变线CNN判识模型输出的概率分布结果，按一定间隔以点阵为单位提取网格中每个点为中心一定正方形区域的数据以获得此点属于切变线点的概率值，并只保留概率值大于一定阈值的点，组成准切变点集，如图9所示，其中左图显示的是切变线CNN判识模型判识的2016年6月23日00时700hpa再分析资料准切变点集；右图显示的是切变线CNN判识模型判识的2016年6月24日18时700hpa再分析资料准切变点集；图中：白色×为准切变点，即切变概率值大于0.9的点集；灰色阴影为位势高度数值（单位：位势米）；箭头为风矢量；D为低涡；

S405、将概率值大于一定阈值的准切变点去除较零散的杂点后连接成线条并标注为切变线，如图10所示，其中左图显示的是切变线CNN判识模型判识的 2016年6月23日00时700hpa再分析资料切变线的位置；右图显示的是切变线CNN判识模型判识的2016年6月24日18时700hpa再分析资料切变线的位置；图中：粗实线为切变线；灰色阴影为位势高度数值（单位：位势米）；箭头为风矢量；D为低涡；

S406、利用步骤S402训练得到的切变线CNN判识模型，考虑到再分析技术的发展历程和观测系统的发展对再分析资料质量的影响，选取1995-2019年0.25°×0.25°的归一化再分析气象场数据作为输入，每次输入一个时次，重复S403、S404和S405，对1995-2019年河南省上游区域内出现过的切变线进行判识和标注，形成数字化切变线位置个例库；如图11所示显示的是本实施例研制的低涡CNN判识模型判断出的2016年6月14日18时700hPa的低涡位置、强度和切变线位置示意图；图中：D为低涡所在位置，其下方数字为低涡强度；粗实线为切变线；灰色阴影为位势高度数值（单位：位势米）；箭头为风矢量；

S5、分析低涡、切变线位置对河南暴雨的重要性，根据重要性从高到低排序；所述步骤S5的实现包括如下步骤：

S501、结合气象台站观测的降水量资料和数字化低涡位置和强度个例库、切变线位置个例库，寻找河南省上游区域出现的对河南暴雨有影响的低涡、切变线的位置，并对各位置低涡、切变线对暴雨影响的重要程度从高到低进行排序，

S502、绘图给出低涡、切变线位置重要性从高到低排序结果；

S6、对数值模式未来72小时预报结果进行低涡、切变线判识，追踪低涡、切变线未来72小时位置、强度演变特征；如图5所示，所述步骤S6的实现包括如下步骤：

S601、选取850hpa、700hpa两个典型层为代表，利用步骤S3和步骤S4训练得到的低涡CNN判识模型和切变线CNN判识模型，判识ECMWF 0.25°×0.25°模式未来72小时预报的风场和位势高度场中的低涡、切变线的位置，对华东区域0.10°×0.10°模式和GRAPES-MESO0.10°×0.10°模式在采用双线性插值方法进行空间分辨率统一到0.25°×0.25°后，采用迁移学习的思想进行CNN判识模型再训练，得到适合华东区域0.10°×0.10°模式，GRAPES-GFS0.25°×0.25°，GRAPES-MESO 0.10°×0.10° 三个模式未来72小时预报的风场和位势高度场中低涡、切变线位置识别的判识模型，应用各自的判识模型对未来72小时各模式预报的风场和位势高度场中的低涡、切变线的位置进行判识；

S602、将72小时内每个时次的低涡、切变线的位置自动绘制在一张图上，并标明其移动方向及强度，制成72小时低涡、切变线演变图，形成对72小时低涡、切变线演变的有效追踪；

S7、低涡强度和位置、切变线位置信息传送至MICAPS接口子系统，进行数据格式转换，实现在MICAPS系统界面上的显示；MICAPS系统是中国气象局开发的气象信息处理和天气预报制作系统，系中国气象部门气象卫星、天气雷达和数值预报等产品的综合应用业务技术支撑平台。如图6所示，所述步骤S7的实现包括如下步骤：

S701、低涡位置和强度显示：将由低涡CNN判识模型判识得到的低涡位置经纬度信息及对应点的位势高度值转换为MICAPS系统可读取的数据格式，在MICAPS系统中调取该转换后的数据即可显示低涡CNN判识模型判识出的低涡位置及相应的低涡强度；

S702、切变线位置显示：将由切变线CNN判识模型判识得到的切变线位置经纬度信息转换为MICAPS系统可读取的数据格式，在MICAPS系统中调取该转换后的数据即可显示切变线CNN判识模型判识出的切变线位置。如图12所示，MICAPS系统展示结果，其中D表示低涡位置，粗实线表示切变线位置，该图中未展示低涡强度，低涡强度展示为可选项。

基于深度学习的低涡、切变线自动识别与追踪系统，用于实现如上所述的基于深度学习的低涡、切变线自动识别与追踪方法。

如图7所示，基于深度学习的低涡、切变线自动识别与追踪系统，包括：

再分析资料历史和实时收集存储和预处理子系统100，用于对再分析资料自动化下载并按日期对气象要素场自动存储，再进行均一化处理和归一化处理；

数值模式预报结果历史和实时收集存储和预处理子系统200，用于对数值模式预报结果自动化下载并按日期对气象要素场实时自动存储，再进行均一化处理和归一化处理；

低涡与切变线自动识别卷积神经网络CNN判识模型训练子系统300，利用再分析资料历史和实时收集存储和预处理子系统100提供的训练集和验证集及其对应的低涡标注样本库311和切变线标注样本库312对初始卷积神经网络CNN模型进行训练-验证-再训练，来构建低涡自动识别卷积神经网络CNN判识模型和切变线自动识别卷积神经网络CNN判识模型；低涡标注样本库311是由1990-2019年ECMWF或NCEP的再分析资料中，根据低涡定义以及相应的判识标准，对出现在某个选定区域内的低涡天气系统进行标注，形成低涡标注样本，这些低涡标注样本集合成为低涡标注样本库311；切变线标注样本库312是由1990-2019年ECMWF或NCEP的再分析资料中，根据切变线定义以及相应的判识标准，对出现在某个选定区域内的切变线天气系统进行标注，形成切变线标注样本，这些切变线标注样本集合成为切变线标注样本库312，低涡标注样本库311和切变线标注样本库312构成样本库310；

低涡与切变线自动识别子系统400，基于低涡CNN判识模型对某个选定区域出现过的低涡进行判识和标注，形成数字化低涡个例库810；基于切变线CNN判识模型对某个选定区域出现过的切变线进行判识和标注，形成数字化切变线个例库820；数字化低涡个例库810和数字化切变线个例库820构成数字化个例库800；

低涡与切变线重要性排序子系统500，通过结合气象台站观测的降水量资料和数字化个例库800；寻找河南省上游区域出现的对河南暴雨有影响的低涡、切变线的位置，并对各位置低涡、切变线对暴雨影响的重要程度进行排序；绘图给出低涡、切变线位置重要性排序结果；

低涡与切变线72小时演变追踪子系统600，结合数值模式预报结果历史和实时收集存储和预处理子系统200提供的归一化数值预报数据，通过低涡CNN判识模型、切变线CNN判识模型来判识数值模式未来72小时预报场中低涡、切变线的位置，制成72小时低涡、切变线位置演变图，形成对未来72小时低涡、切变线演变的有效追踪；

MICAPS接口子系统700，用于将低涡CNN判识模型、切变线CNN判识模型判识的低涡、切变线位置的经纬度信息和从位势高度场读取的低涡强度信息转换为MICAPS系统可读取的数据格式，实现低涡强度和位置、切变线位置在MICAPS系统界面上的显示。

具体的，再分析资料历史和实时收集存储和预处理子系统100，包括：下载模块110、数据格式转换模块120、二十五年均一化气象资料制作模块130、数据归一化预处理模块140和资料存储模块150，下载模块110、数据格式转换模块120、二十五年均一化气象资料制作模块130、数据归一化预处理模块140依次相连，且分别与资料存储模块150相连；其中，

下载模块110通过互联网，服务器将再分析资料自动化下载；数据格式转换模块120通过Python等编程技术对下载再分析资料进行数据格式转换；二十五年均一化气象资料制作模块130利用WRF模式和ECMWF的再分析资料计算1990-2014年设定范围内0.25°×0.25°分辨率的气象场，生成二十五年均一化数据集；由于2015-2019年再分析资料的分辨率为0.25°×0.25°，至此本实施例具备1990-2019年三十年均一化0.25°×0.25°气象场数据集。本实施例的均一化是指数据空间分辨率一致。数据归一化预处理模块140采用极大值归一化方法对均一化后的再分析资料进行数据归一化预处理，获得归一化数据集；资料存储模块150将再分析资料、均一化数据集、归一化数据集按日期的实时自动化存储。

具体的，数值模式预报结果历史和实时收集存储和预处理子系统200，包括：下载模块210、数据格式转换模块220、数据均一化模块230、数据归一化预处理模块240和资料存储模块250，下载模块210、数据格式转换模块220、数据均一化模块230、数据归一化预处理模块240依次相连，且分别与资料存储模块250相连；其中，

下载模块210通过互联网，服务器将数值模式预报结果自动化下载；数据格式转换模块220通过Python等编程技术对下载数值模式预报结果进行数据格式转换；数据均一化模块230采用双线性插值将格式转换后的数值模式预报结果计算统一为0.25°×0.25°分辨率的气象场，生成均一化数据集；数据归一化预处理模块240采用极大值归一化方法对均一化后的数值模式预报结果进行数据归一化预处理，获得归一化数据集；资料存储模块250将数值模式预报结果、均一化数据集、归一化数据集按日期的实时自动化存储。将1990-2019三十年间再分析资料指定标准气压层的气象气象要素场归一化数据集打乱时间前后顺序，在此基础上划分为不重叠的两个数据集，数据量分别占总数据集的六分之五、六分之一，其中六分之五的再分析资料归一化数据集作为训练集，六分之一的再分析资料归一化数据集作为验证集，两个数据集无交叉数据。

具体的，低涡与切变线自动识别卷积神经网络CNN判识模型训练子系统300，还包括：

训练模块320，用于以再分析资料历史和实时收集存储和预处理子系统100建立的训练集作为输入，以训练集对应的低涡标注样本库311、切变线标注样本库312为输出，对初始卷积神经网络CNN模型进行训练，来搭建初步的低涡深度学习卷积神经网络CNN模型、初步的切变线深度学习卷积神经网络CNN模型；

验证模块330，用于用验证集对生成的初步的低涡深度学习卷积神经网络CNN模型、初步的切变线深度学习卷积神经网络CNN模型进行验证，并根据误差情况对其进行参数调整，迭代训练，直到满足要求，获得低涡自动识别卷积神经网络CNN判识模型、切变线自动识别卷积神经网络CNN判识模型。

具体的，低涡与切变线自动识别子系统400，还包括：

低涡概率分布判识模块410，用于将某一个时次的归一化后的再分析资料作为输入，启动低涡CNN判识模型，来判断空间中各网格点为低涡的概率分布结果；

切变线的概率分布判识模块420，用于将某一个时次的归一化后的再分析资料作为输入，启动切变线CNN判识模型，来判断空间中各网格点为切变线的概率分布结果；

低涡标注模块430，用于根据低涡的概率分布结果按一定间隔以点阵为单位提取网格中每个点为中心一定正方形区域的数据以获得此点属于低涡点的概率值，并只保留概率值大于一定阈值的点，组成准低涡点集，然后将概率值大于一定阈值的点去除较零散的杂点后求得概率最大的点并标注为低涡；

切变线标注模块440，用于根据切变线的概率分布按一定间隔以点阵为单位提取网格中每个点为中心一定正方形区域的数据以获得此点属于切变线点的概率值，并只保留概率值大于一定阈值的点，组成准切变点集；然后概率值大于一定阈值的点去除较零散的杂点后连接成线条并标注为切变线；

个例库形成模块450，用于以1995-2019年0.25°×0.25°再分析资料为低涡CNN判识模型、切变线CNN判识模型的输入，对1995-2019年河南省上游区域出现过的低涡进行判识和标注读取相应位置的位势高度值，形成数字化低涡个例库810；以及对1995-2019年河南省上游区域出现过的切变线进行判识和标注，形成数字化切变线个例库820。

具体的，低涡与切变线72小时演变追踪子系统600，包括：

各模式72小时预报结果低涡与切变线判识模块610，用于根据低涡CNN判识模型和切变线CNN判识模型判识ECMWF 0.25°×0.25°模式未来72小时预报的风场和位势高度场中的低涡、切变线的位置，对华东区域0.10°×0.10°模式和GRAPES-MESO 0.10°×0.10°模式在采用双线性插值进行空间分辨率统一到0.25°×0.25°后，采用迁移学习的思想进行CNN判识模型再训练，得到适合华东区域0.10°×0.10°模式，GRAPES-GFS 0.25°×0.25°，GRAPES-MESO 0.10°×0.10° 三个模式未来72小时预报的风场和位势高度场中低涡、切变线位置的判识模型，应用各自的判识模型对未来72小时各模式预报的风场和位势高度场中的低涡、切变线的位置进行判识；

72小时低涡与切变线演变追踪模块620，用于将各模式72小时预报结果低涡与切变线判识模块610判识出的每个时次的低涡、切变线的位置自动绘制在一张图上，并标明其移动方向及强度，制成72小时低涡、切变线演变图。

具体的，MICAPS接口子系统700包括数据格式转换模块710、数据读取模块720和显示模块730，其中，数据格式转换模块710接收低涡和切变线判识结果的坐标经纬度信息及低涡强度信息并将其转换为MICAPS系统可读取的数据格式，通过数据读取模块720读入MICAPS系统，显示模块730将读入的低涡坐标位置和强度、切变线位置显示在MICAPS系统界面上。

Claims (8)

1.基于深度学习的低涡、切变线自动识别与追踪方法，其特征在于，包括以下步骤：

S1、对研究时段内的、选定区域的再分析资料和数值模式预报结果进行收集存储以及预处理，获得归一化数据集；

S2、对研究时段内的、选定区域的低涡、切变线进行样本标注，获得低涡label数据和切变线label数据，建立低涡标注样本库和切变线标注样本库；

S3、以步骤S1获得的归一化数据集作为卷积神经网络CNN模型的训练集和验证集，结合步骤S2获得的低涡标注样本库，获得低涡自动识别卷积神经网络CNN判识模型，以该CNN判识模型计算各时次各网格点为低涡的概率分布，根据概率分布判识低涡并读取其对应网格的位势高度值，以及建立数字化低涡位置和强度个例库；具体步骤如下：

S301、将训练集在某个选定区域内的数据集作为输入，以训练集对应的低涡标注样本为输出，对初始卷积神经网络CNN模型进行训练，得到初步的低涡深度学习卷积神经网络CNN模型，

S302、利用验证集在相同区域内的数据集对步骤S301得到的低涡深度学习卷积神经网络CNN模型进行验证，并根据误差情况对其进行参数调整和再训练，经过多次迭代，得到泛化能力满足要求的低涡自动识别卷积神经网络CNN判识模型，以下简称低涡CNN判识模型，

S303、在步骤S1获得的归一化数据集中取任一时次资料，输入步骤S302训练得到的低涡CNN判识模型，得到该时次判识空间中各网格点为低涡的概率分布，

S304、将步骤S303中低涡CNN判识模型输出的概率分布结果，按一定间隔以点阵为单位提取网格中每个点为中心一定正方形区域的数据以获得此点属于低涡点的概率值，并只保留概率值大于一定阈值的点，组成准低涡点集，

S305、将概率值大于一定阈值的准低涡点去除较零散的杂点后求得概率最大的点并标注为低涡，其对应网格的位势高度值标注为低涡强度，

S306、利用步骤S302训练得到的低涡CNN判识模型，考虑到再分析技术的发展历程和观测系统的发展对再分析资料质量的影响，选择最近至少二十五年某个选定区域内的归一化数据作为输入，每次输入一个时次，重复S303、S304和S305，对该区域内出现过的低涡进行判识和标注，形成数字化低涡位置和强度个例库；

S4、以步骤S1获得的归一化数据集作为卷积神经网络CNN模型的训练集和验证集，结合步骤S2获得的切变线标注样本库，获得切变线自动识别卷积神经网络CNN判识模型，以该CNN判识模型计算各时次各网格点为切变线的概率分布，根据概率分布判识切变线，以及建立数字化切变线位置个例库；具体步骤如下：

S401、将训练集在某个选定区域内的数据集作为输入，以训练集对应的切变线标注样本库为输出，对初始卷积神经网络CNN模型进行训练，得到初步的切变线深度学习卷积神经网络CNN模型，

S402、利用验证集在相同区域内的数据集对步骤S401得到的切变线深度学习卷积神经网络CNN模型进行验证，并根据误差情况对其进行参数调整和再训练，经过多次迭代，得到泛化能力满足要求的切变线自动识别卷积神经网络CNN判识模型，以下简称切变线CNN判识模型，

S403、在步骤S1获得的归一化数据集中取任一时次数据，输入步骤S402训练得到的切变线CNN判识模型，得到该时次判识空间中各网格点为切变线的概率分布，

S404、将步骤S403中切变线CNN判识模型输出的概率分布结果，按一定间隔以点阵为单位提取网格中每个点为中心一定正方形区域的数据以获得此点属于切变线点的概率值，并只保留概率值大于一定阈值的点，组成准切变点集，

S405、将概率大于一定阈值的准切变点去除较零散的杂点后连接成线条并标注为切变线，

S406、利用步骤S402训练得到的切变线CNN判识模型，考虑到再分析技术的发展历程和观测系统的发展对再分析资料质量的影响，选择最近至少二十五年某个选定区域内的归一化数据作为输入，每次输入一个时次，重复S403、S404和S405，对该区域内出现过的切变线进行判识和标注，形成数字化切变线位置个例库；

S5、分析低涡、切变线位置对某个选定区域内暴雨的重要性，根据重要性从高到低排序；

S6、以数值模式对未来72小时的预报结果的归一化数据作为低涡CNN判识模型和切变线CNN判识模型的输入，对数值模式未来72小时预报结果进行低涡、切变线判识，追踪未来72小时低涡位置和强度、切变线位置演变特征；

S7、低涡强度和位置、切变线位置信息传送至MICAPS接口子系统，进行数据格式转换，实现在MICAPS系统界面上的显示。

2.如权利要求1所述的基于深度学习的低涡、切变线自动识别与追踪方法，其特征在于，所述步骤S1的实现包括以下子步骤：

S101、自动化下载历史、实时的再分析资料和数值模式预报结果，并按日期对气象要素场自动存储，

S102、将再分析资料和数值模式预报结果进行数据格式转换，以满足机器学习模型对数据格式的要求，

S103、对格式转换后的资料进行均一化处理，生成均一化数据集，以满足模型训练对数据集空间分辨率的一致性要求，

S104、对均一化后的再分析资料和数值模式预报结果的气象要素场进行数据归一化预处理，以满足模型训练的收敛性要求，

S105、编写脚本，实现再分析资料、数值模式预报结果、均一化数据集、归一化数据集按日期的实时自动化存储，

S106、形成指定标准气压层的气象要素场归一化数据集，

S107、将归一化数据集打乱时间前后顺序，在此基础上划分为不重叠的两个数据集，数据量分别占总数据集的六分之五、六分之一，其中六分之五的归一化数据集作为训练集，六分之一的归一化数据集作为验证集，两个数据集无交叉数据。

3.如权利要求1所述的基于深度学习的低涡、切变线自动识别与追踪方法，其特征在于，所述步骤S2的实现包括以下子步骤：

S201、低涡标注样本库：普查最近三十年间ECMWF、NCEP的再分析资料，以低涡定义和判识标准为根据，对某个选定区域内低涡天气系统个例进行标注，生成的低涡标注样本库，

S202、切变线标注样本库：普查最近三十年间ECMWF、NCEP的再分析资料，以切变线定义和判识标准为根据，对某个选定区域内切变线天气系统个例进行标注，生成的切变线标注样本库。

4.如权利要求1所述的基于深度学习的低涡、切变线自动识别与追踪方法，其特征在于，所述步骤S5的实现包括以下子步骤：

S501、结合气象台站观测的降水量资料和数字化低涡位置和强度个例库、切变线位置个例库，寻找某个选定区域内出现的对该选定区域内的暴雨有影响的低涡、切变线的位置，并对各位置低涡、切变线对暴雨影响的重要程度从高到低进行排序，

S502、绘图给出低涡、切变线位置重要性从高到低排序结果。

5.如权利要求1所述的基于深度学习的低涡、切变线自动识别与追踪方法，其特征在于，所述步骤S6的实现包括以下子步骤：

S601、利用步骤S3和步骤S4训练得到的低涡CNN判识模型和切变线CNN判识模型，判识数值模式未来72小时预报的风场和位势高度场中的低涡、切变线的位置，

S602、将未来72小时内各时次的低涡、切变线的位置自动绘制在一张图上，并标明其移动方向及强度，制成72小时低涡、切变线演变图，形成对未来72小时低涡、切变线演变的有效追踪。

6.如权利要求1所述的基于深度学习的低涡、切变线自动识别与追踪方法，其特征在于，所述步骤S7的实现包括以下子步骤：

S701、低涡位置和强度显示：将由低涡CNN判识模型判识得到的低涡位置经纬度信息及对应点的位势高度值转换为MICAPS系统可读取的数据格式，在MICAPS系统中调取该转换后的数据即可显示低涡CNN判识模型判识出的低涡位置及相应的低涡强度；

S702、切变线位置显示：将由切变线CNN判识模型判识得到的切变线位置经纬度信息转换为MICAPS系统可读取的数据格式，在MICAPS系统中调取该转换后的数据即可显示切变线CNN判识模型判识出的切变线位置。

7.基于深度学习的低涡、切变线自动识别与追踪系统，其特征在于，用于实现如权利要求1-6任一项所述的基于深度学习的低涡、切变线自动识别与追踪方法。

8.如权利要求7所述的基于深度学习的低涡、切变线自动识别与追踪系统，其特征在于，包括：

再分析资料历史和实时收集存储和预处理子系统，用于对再分析资料自动化下载并按日期对气象要素场自动存储，再进行均一化处理和归一化处理；

数值模式预报结果历史和实时收集存储和预处理子系统，用于对数值模式预报结果自动化下载并按日期对气象要素场实时自动存储，再进行均一化处理和归一化处理；

低涡与切变线自动识别卷积神经网络CNN判识模型训练子系统，利用训练集和验证集及其对应的低涡标注样本库和切变线标注样本库对初始卷积神经网络CNN模型进行训练-验证-再训练，来构建低涡自动识别卷积神经网络CNN判识模型和切变线自动识别卷积神经网络CNN判识模型；低涡标注样本库是由最近三十年ECMWF或NCEP的再分析资料中，根据低涡定义以及相应的判识标准，对出现在某个选定区域内的低涡天气系统进行标注，形成低涡标注样本，这些低涡标注样本集合成为低涡标注样本库；切变线标注样本库是由最近三十年ECMWF或NCEP的再分析资料中，根据切变线定义以及相应的判识标准，对出现在某个选定区域内的切变线天气系统进行标注，形成切变线标注样本，这些切变线标注样本集合成为低涡标注样本库，低涡标注样本库和切变线标注样本库构成样本库；

低涡与切变线自动识别子系统，基于低涡CNN判识模型对某个选定区域出现过的低涡进行判识和标注，形成数字化低涡个例库；基于切变线CNN判识模型对某个选定区域出现过的切变线进行判识和标注，形成数字化切变线个例库；数字化低涡个例库和数字化切变线个例库构成数字化个例库；

低涡与切变线重要性排序子系统，结合气象台站观测的降水量资料和数字化个例库，寻找某个选定区域出现的对暴雨有影响的低涡、切变线的位置，并对各位置低涡、切变线对暴雨影响的重要程度进行排序；

低涡与切变线72小时演变追踪子系统，通过低涡CNN判识模型、切变线CNN判识模型来判识数值模式未来72小时预报场中低涡的位置和强度、切变线的位置，制成72小时低涡位置和强度、切变线位置演变图，形成对未来72小时低涡、切变线演变的有效追踪；

MICAPS接口子系统，用于将低涡CNN判识模型、切变线CNN判识模型判识的低涡、切变线位置的经纬度信息和从位势高度场读取的低涡强度信息转换为MICAPS系统可读取的数据格式，实现低涡强度和位置、切变线位置在MICAPS系统界面上的显示。

Images