CN113344136A

CN113344136A - 一种基于Mask R-CNN的新反气旋客观识别方法

Info

Publication number: CN113344136A
Application number: CN202110763216.3A
Authority: CN
Inventors: 卢楚翰; 张煜敏; 孔阳
Original assignee: Nanjing University of Information Science and Technology
Current assignee: Nanjing University of Information Science and Technology
Priority date: 2021-07-06
Filing date: 2021-07-06
Publication date: 2021-09-03
Anticipated expiration: 2041-07-06
Also published as: CN113344136B

Abstract

本发明提出一种基于Mask R‑CNN深度学习模型的反气旋客观识别方法，以提高反气旋识别的准确性，并提升对反气旋系统二维外形特征的客观描述能力。本发明提出的反气旋客观识别方法利用海平面气压数据与人工识别反气旋数据训练Mask R‑CNN深度学习模型，通过训练好的模型得到机器识别反气旋数据。本发明的客观识别方法可对反气旋进行较为准确的个体位置识别，同时该客观识别方法对实际存在的反气旋系统有较为良好的二维外形特征表述能力。

Description

一种基于Mask R-CNN的新反气旋客观识别方法

技术领域：

本发明涉及天气系统自动识别技术领域，具体涉及一种基于Mask R-CNN深度学习模型的新反气旋客观识别方法。

背景技术：

冬季欧亚大陆地面冷高压/反气旋的活动常伴随大规模冷空气爆发，同时强反气旋可造成局地暴雪、冻雨、大风等灾害性天气/气候。全球变暖背景下，近年来北半球欧亚大陆地区冬季极端寒冷事件频发受到广泛关注。欧亚大陆冬季近地面反气旋活动与冷空气变化密切相关，但目前对其研究尤其是形态自动识别方面仍然不够充分。冬季反气旋的位置、强度和形状变化对寒潮低温事件具有直接影响，对反气旋进行单体高效客观识别以分析其活动十分必要。

由于反气旋外形比较复杂且内部气压梯度一般较弱，利用算法进行客观识别具有一定难度。以往提出的反气旋客观自动识别算法对于系统影响范围、外形变异的二维活动特征识别能力不足，对不闭合的系统进行识别和追踪伴随着较大的不确定性，在识别多中心系统时容易出现误差。因此，需要提出一种适用于科研以及业务应用的欧亚大陆反气旋的客观自动识别算法，提高反气旋识别的准确性。

发明内容：

本发明提出一种基于Mask R-CNN深度学习模型的反气旋客观识别方法，以提高反气旋识别的准确性，并提升对反气旋系统的二维外形特征的客观描述能力。

本发明的具体技术方案如下：

一种基于Mask R-CNN深度学习模型的新反气旋客观识别方法，该方法利用海平面气压数据与人工识别反气旋数据训练Mask R-CNN深度学习模型，通过训练好的模型得到机器识别反气旋数据。所述方法包括以下具体步骤：

步骤S1：下载海平面气压数据，从中随机挑选某地区部分时次(如取2014-2018年共5年冬季)数据，利用人工分析识别这些时次数据中影响某特定区域(如蒙古高原区域)的冬季反气旋系统，制作5年冬季人工识别反气旋数据；

步骤S2：将挑选出的该地区5年冬季海平面气压数据通过编程语言python绘制为二维填色的灰度图，并将其与上步骤5年冬季人工识别反气旋数据一起作为训练数据集；

步骤S3：利用训练数据集对Mask R-CNN模型进行训练；

步骤S4：将步骤S1下载的海平面气压数据处理为灰度图，输入训练好的Mask R-CNN模型中，得到Mask R-CNN模型输出机器识别反气旋数据。

本发明相比现有技术具有如下有益效果：

由于反气旋系统气压梯度较弱等自身特性，已有的反气旋客观识别方法在对系统进行识别与追踪时有较大不确定性，在描述反气旋的二维形状特征时常出现误差。

Mask R-CNN是当前在目标物体形状识别领域表现优秀的深度学习模型，本发明将Mask R-CNN模型引入到反气旋自动识别技术中，结合人工分析特定区域反气旋系统的方法，提出一种基于深度学习模型的二维反气旋客观识别方法。

该方法利用海平面气压数据与人工识别反气旋数据训练Mask R-CNN模型，通过训练好的模型得到机器识别反气旋数据，提高反气旋识别的准确性，改善以往反气旋客观识别方法在识别过程中容易出现不确定，且在描述反气旋的二维形状特征时容易出现误差的问题。通过本发明能够对反气旋系统进行较为准确的个体识别、位置确定与形状描述，提高气象科研工作中对欧亚大陆反气旋识别的效率和准确性。

附图说明：

图1为本发明基于Mask R-CNN的新反气旋客观识别方法的整体流程图；

图2为案例1中选取1980年2月11日06时这一时次的海平面气压图；

图3为案例1中通过本发明方法得到的1980年2月11日06时这一时次的客观识别反气旋范围图；

图4为案例2中选取2008年12月2日18时这一时次的人工识别反气旋范围图；

图5为案例2中通过本发明方法得到的2008年12月2日18时这一时次的客观识别反气旋范围图；

图6为案例2中选取2013年2月5日06时这一时次的人工识别反气旋范围图；

图7为案例2中通过本发明方法得到的2013年2月5日06时这一时次的客观识别反气旋范围图；

图8为案例2中选取2014年1月6日00时这一时次案例的人工识别反气旋范围图；

图9为案例2中通过本发明方法得到的2014年1月6日00时这一时次的客观识别反气旋范围图；

表1为2008-2013年冬季所有时次客观识别率、人工识别率和二者匹配率。

具体实施方式：

下面将对本发明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发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明保护的范围。

实施例一：

如图所示，本发明提供一种基于Mask R-CNN的新反气旋客观识别方法，该方法使用海平面气压数据，利用Mask R-CNN深度学习模型对欧亚大陆冬季反气旋的位置与形状范围进行识别。所述方法包括以下步骤：

步骤S1：从ECWMF官网下载1979年至今所有时次的ERA-Interim海平面气压数据资料，数据格式为NetCDF格式，时间间隔为6小时，分辨率为0.7°×0.7°。从该海平面气压数据中随机选取欧亚大陆地区(20-70°N，0-180°E)5年冬季所有时次数据绘制成5年冬季海平面气压图。将蒙古高原选为特定区域，利用人工分析该5年冬季海平面气压图中影响蒙古高原区域的反气旋系统，制作这5年冬季人工识别反气旋数据，识别数据为二进制格式。本发明中海平面气压数据格式与来源没有特定要求，只要是能够获取的均可。选取的随机时次数量亦非固定但不能过少。特定区域同样可以根据研究区域进行动态调整。

步骤S2：将步骤S1中随机选出的5年冬季所有时次海平面气压数据处理为灰度图(绘制的海平面气压图经纬度范围选择20-70°N，0-180°E，根据选取范围对应的灰度图像素点设置为72×256，选取范围可根据研究要求动态调整)。将该5年冬季所有时次海平面气压灰度图和步骤S1中制作的5年冬季人工识别反气旋数据一起作为训练数据集，两个数据的时次完全一致。

步骤S3：将训练数据集输入Mask R-CNN模型，设置合适的模型参数，完成对MaskR-CNN模型训练。Mask R-CNN模型可在Github网站获取公开资源，本发明中该模型具体参数设置如下：GPU数量2，单GPU处理图片数量4，分类数目1+1，图片小边长72，图片大边长256，RPN anchor步长(4，8，16，32，64)，训练每张图的ROIS数32，epoch数24，单次epoch迭代训练数10000，交叉验证步数5000，可信度阈值80％，模型预训练权重设置为COCO数据集预训练权重(COCO预训练权重可在Github网站中获取公开资源)。

步骤S4：将步骤S1下载的ERA-Interim海平面气压数据通过编程语言python绘制为二维填色的灰度图，输入训练好的Mask R-CNN模型中，得到Mask R-CNN模型输出二进制格式的机器识别反气旋数据。

案例1：

下面用一实际案例验证本发明中的新反气旋客观识别方法的可行性与准确性。

本发明中的新反气旋客观识别方法能够对1979年至今所有冬季时次的海平面气压数据资料进行反气旋识别，这里以1980年2月11日06时这一时次为例，来说明Mask R-CNN模型输出的机器识别数据对于反气旋的识别效果。如图2所示，将该时次海平面气压数据绘制成海平面气压图后可以看出，中西伯利亚高原-萨彦岭-蒙古高原地区此时有一显著的强反气旋系统实际存在。

为获取Mask R-CNN模型输出的机器识别反气旋数据，使用本发明中反气旋客观识别方法：

1、随机选取2008-2012年冬季的海平面气压数据，通过气象绘图软件NCL绘制成气压图，利用人工分析制作这5年冬季的影响蒙古高原区域的人工识别反气旋数据。

2、将这5年冬季海平面气压数据处理为灰度图，与上述人工识别反气旋数据一起作为训练数据集输入Mask R-CNN模型中(模型训练的详细参数设置同实施例一的步骤S3中给出)，获取训练好的Mask R-CNN模型。

3、将1980年2月11日06时这一时次海平面气压数据绘制成灰度图，输入到已训练好的Mask R-CNN模型中，得到这一时次对应的机器识别反气旋数据并通过NCL绘制成客观识别反气旋范围图，如图3所示。

图2为选取的1980年2月11日06时这一时次的海平面气压图；对比同时次的海平面气压图(图2)与客观识别反气旋范围图(图3)可以发现，气压图上实际存在的反气旋系统(图2)能够被本发明客观识别方法得出的机器识别反气旋数据(图3)准确识别定位，识别数据所描述的反气旋系统影响范围与实际气压分布情况基本相符，标记的外围形状也与气压分布线基本一致。通过该案例能够说明本发明提出的反气旋客观识别方法可对反气旋进行较为准确的个体位置识别，同时该客观方法对实际存在的反气旋系统有较为良好的二维外形特征外形表述能力。

在效率方面，该案例中的人工识别反气旋数据仅包括2008-2012年冬季所有时次，对于1979至今的其他时次并没有进行人工识别分析。人工分析反气旋需要大量时间成本，获取2008-2012年冬季所有时次的影响蒙古高原区域的人工识别反气旋数据大约需2个月，而通过本申请中训练好的Mask R-CNN模型，能够在2天之内快速得到1979至今冬季全部时次的机器识别反气旋数据。以本申请中1980年2月11日06时这一时次为例，对比图2和图3可知，对于没有人工识别反气旋数据的时次，Mask R-CNN模型也能够较为准确地识别实际存在的反气旋系统。

案例2：

下面用一实际案例验证本发明中的新反气旋客观识别方法相较人工识别而言的识别准确性及可靠性。

与案例一中获取机器识别反气旋数据的步骤类似，获取2008年12月2日18时、2013年2月5日06时、2014年1月6日00时三个时次的机器识别反气旋数据，同时对2008-2013年6年冬季的影响蒙古高原区域的反气旋进行人工识别获取识别数据。以上文三个时次为例，分析对比人工识别和机器识别反气旋数据的三种情况。

以2008年12月2日18时为例，图4、图5表明人工识别与机器识别反气旋数据基本一致的情况。对比人工识别反气旋图(图4)发现，客观识别反气旋范围图(图5)的反气旋位置与影响范围与人工分析基本重合，仅在反气旋的系统边缘标记上有细微差异，这对于反气旋的位置和范围确定方面几乎没有影响。

图6、图7显示人工识别遗漏而客观识别对反气旋系统进行标记的情况，在2013年2月5日06时，蒙古高原、东亚地区没有明显的反气旋系统，但在中西伯利亚北部地区存在一影响范围稍小的反气旋，人工分析(图6)将其忽略，而客观识别(图7)仍对其进行标记。

而在2014年1月6日00时，西伯利亚、蒙古高原、东亚地区存在两个具有一定强度的反气旋，人工识别(图8)考虑到前后时次的系统连贯性，仅对主要的影响系统进行识别与标记，而客观识别(图9)均有标记。

图6、图7和图8、图9共同表明机器识别反气旋数据能够对人工识别数据做出一定补充。

为进一步证明本发明中机器识别反气旋数据的准确性和合理性，定义反气旋客观识别率(IR_m，identification rate)、人工识别率(IR_i)与二者匹配率(MR，match rate)如下：

其中T为总时次数，T_m与T_i分别表示有客观识别反气旋的时次数与有人工识别反气旋的时次数，T_m,i代表客观方法与人工均有识别且数据相同的时次，T_nm,ni代表客观方法与人工识别均无反气旋的时次。从定义可以看出，匹配度(MR)是客观识别反气旋和人工识别反气旋的一致程度。值得注意的是，人工识别反气旋具有一定主观性，因此本发明中二者匹配度不能作为检验Mask R-CNN模型识别反气旋效果的绝对标准，除了参考二者匹配度，客观方法和人工分析的识别率也被同时作为参考。客观方法识别反气旋和人工识别反气旋作为两种相对独立的方法所得数据，其匹配度在一个合理的范围内，即认为本发明中的机器识别反气旋数据是准确可靠的。

表1：

以2008-2013年为例，表1给出6年冬季客观识别方法与人工识别反气旋的识别率与匹配率。可以看出，6年冬季中除2013年客观识别率低于人工识别率之外，其余年份的客观识别率均高于人工识别率，且6年冬季中客观识别率均大于94％，平均识别率达98.9％。以上数据说明Mask R-CNN模型对反气旋具有较强的识别能力，且对于人工识别遗漏的系统有补充作用。而将机器识别反气旋数据与人工识别数据进行对比，发现两者匹配率基本维持在90％以上，平均匹配率为92.5％，说明机器识别反气旋数据能够识别出绝大多数的人工识别反气旋。通过统计二者识别率和匹配率，结合图6、图7和图8、图9可以说明，二者出现差异的可能原因是在某些时次，Mask R-CNN模型能够识别出一些人工分析未能识别出的反气旋系统，对于一些强度较弱的系统，人工识别没有进行标记，而Mask R-CNN模型仍然能对其做出标识。另一原因是在人工分析过程中，由于工作量较大，人工识别针对的是蒙古高原地区单个主要反气旋系统，而Mask R-CNN模型可能标记另一个反气旋系统，或者同时标记几个彼此独立的系统，这也造成了二者识别数据有所差异。尽管二者有部分差异，但通过客观识别与人工识别的匹配率值来分析，机器识别反气旋数据能够识别出绝大多数的人工识别反气旋，同时可以对人工分析数据进行部分补充，因此通过本发明提出的客观识别方法得到的机器识别反气旋数据是准确且合理可靠的。

Claims

1.一种基于Mask R-CNN深度学习模型的新反气旋客观识别方法，该方法利用海平面气压数据与人工识别反气旋数据训练Mask R-CNN深度学习模型，通过训练好的模型得到机器识别反气旋数据，具体步骤如下：

步骤S1：下载海平面气压数据，从中随机挑选某地区部分时次数据，利用人工分析识别这些时次数据中影响某特定区域的冬季反气旋系统，制作所有挑选时次数据对应的人工识别反气旋数据；

步骤S2：将上步骤该地区所有挑选时次的海平面气压数据绘制为灰度图，并将其与上步骤的人工识别反气旋数据一起作为训练数据集；

步骤S3：利用训练数据集对Mask R-CNN深度学习模型进行训练，得到训练好的模型；

步骤S4：将步骤S1下载的海平面气压数据处理为灰度图，输入训练好的Mask R-CNN模型中，得到Mask R-CNN模型输出的机器识别反气旋数据。

2.根据权利要求1所述基于Mask R-CNN深度学习模型的新反气旋客观识别方法，步骤S1中，从下载的气压数据中随机挑选某地区5年冬季数据。

3.根据权利要求1或2所述基于Mask R-CNN深度学习模型的新反气旋客观识别方法，步骤S1中，某特定区域选择蒙古高原区域。

4.根据权利要求3所述基于Mask R-CNN深度学习模型的新反气旋客观识别方法，步骤S2和S4中，海平面气压数据通过编程语言python绘制为二维填色的灰度图。