CN113420831A - 热带气旋分析方法、装置、设备及存储介质 - Google Patents

热带气旋分析方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN113420831A
CN113420831A CN202110799410.7A CN202110799410A CN113420831A CN 113420831 A CN113420831 A CN 113420831A CN 202110799410 A CN202110799410 A CN 202110799410A CN 113420831 A CN113420831 A CN 113420831A
Authority
CN
China
Prior art keywords
tropical cyclone
training
historical
information
neural network
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.)
Pending
Application number
CN202110799410.7A
Other languages
English (en)
Inventor
王栋
徐麟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Eye Control Technology Co Ltd
Original Assignee
Shanghai Eye Control Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Eye Control Technology Co Ltd filed Critical Shanghai Eye Control Technology Co Ltd
Priority to CN202110799410.7A priority Critical patent/CN113420831A/zh
Publication of CN113420831A publication Critical patent/CN113420831A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种热带气旋分析方法、装置、设备及存储介质，包括：获取目标云图，其中，目标云图包括待分析热带气旋；将目标云图输入预先训练好的目标神经网络模型中，得到目标神经网络模型输出的待分析热带气旋的至少两类参数信息，其中，目标神经网络模型包括：至少一个卷积处理模块以及与卷积处理模块连接的全连接模块，卷积处理模块包括卷积层以及非局部注意力机制层。该热带气旋分析方法在进行热带气旋分析时，分析的效率较高，分析的准确性较高，并且，输出的结果更加多样和丰富，可以为后续决策提供更多的参考依据。

Description

热带气旋分析方法、装置、设备及存储介质
技术领域
本发明实施例涉及气象分析领域，尤其涉及一种热带气旋分析方法、装置、设备及存储介质。
背景技术
持续的气候变化使自然灾害变得不可预测。政府间气候变化专门委员会(Intergovernmental Panel on Climate Change，IPCC)特别报告称，全球变暖超过2摄氏度将导致更多强降雨以及强台风的发生。台风是人类面临的最大灾害之一，破坏力超过地震，却一直以来都无法避免。我国东南沿海地区易受台风的影响，严重危及到人民生命和财产的安全，国民经济也受到极大的损失。比如2018年的超强台风“玛莉亚”，给福建、浙江等省份带来严重损失，直接经济损失数十亿元。因此，如何快速准确地针对热带气旋(Tropical Cyclone，TC)灾害进行监测预警预报从而指导政府等有关部门提前进行灾害预防与准备工作显得尤为重要。
随着地球同步卫星的发展，可以获取整个地球区域的气象观测数据，于是利用卫星云图数据进行热带气旋的风速气压强度定量分析已成为最可信赖的观测手段之一。就目前而言，热带气旋实测数据较少，大部分热带气旋的风速、气压等要素的判断都依赖于卫星云图。目前，主流气象机构广泛使用的测定台风强度的方法是Dvorak技术。该技术主要基于人工经验，通过卫星云图以及基于卫星云图的观测数据，例如，温度及湿度等数据，根据经验来确定热带气旋的强度以及等级。可以采用德沃夏克分析法将上述过程流程化以及规范化。
但是上述热带气旋分析方式不仅费时，更需要训练有素的操作人员专业的气象知识，而且这种基于经验、人为提取特征的方法在很多情况下准确性较低。
发明内容
本发明提供一种热带气旋分析方法、装置、设备及存储介质，以解决目前的热带气旋分析方法中效率较低以及准确性较低的技术问题。
第一方面，本发明实施例提供一种热带气旋分析方法，包括：
获取目标云图；其中，所述目标云图包括待分析热带气旋；
将所述目标云图输入预先训练好的目标神经网络模型中，得到所述目标神经网络模型输出的所述待分析热带气旋的至少两类参数信息；其中，所述目标神经网络模型包括：至少一个卷积处理模块以及与所述卷积处理模块连接的全连接模块，所述卷积处理模块包括卷积层以及非局部注意力机制层。
第二方面，本发明实施例提供一种热带气旋分析装置，包括：
第一获取模块，用于获取目标云图；其中，所述目标云图包括待分析热带气旋；
第一确定模块，用于将所述目标云图输入预先训练好的目标神经网络模型中，得到所述目标神经网络模型输出的所述待分析热带气旋的至少两类参数信息；其中，所述目标神经网络模型包括：至少一个卷积处理模块以及与所述卷积处理模块连接的全连接模块，所述卷积处理模块包括卷积层以及非局部注意力机制层。
第三方面，本发明实施例还提供了一种计算机设备，所述计算机设备包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如第一方面提供的热带气旋分析方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面提供的热带气旋分析方法。
本发明实施例提供一种热带气旋分析方法、装置、设备及存储介质，该方法包括：获取目标云图，其中，目标云图包括待分析热带气旋；将目标云图输入预先训练好的目标神经网络模型中，得到目标神经网络模型输出的待分析热带气旋的至少两类参数信息，其中，目标神经网络模型包括：至少一个卷积处理模块以及与卷积处理模块连接的全连接模块，卷积处理模块包括卷积层以及非局部注意力机制层。该热带气旋分析方法中，一方面，由于采用了目标神经网络模型进行分析，相较于人工分析的方式，分析的效率较高；另一方面，由于目标神经网络模型中包括非局部注意力机制层，增加了该目标神经网络模型对全局特征的理解，从而使得该目标神经网络模型的泛化能力较强，在对目标云图中待分析热带气旋进行分析时，分析的准确性较高；再一方面，本实施例中的目标神经网络模型可以输出待分析热带气旋的至少两类参数信息，相较于只输出单一数据的目标神经网络，本实施例的目标神经网络模型输出的结果更加多样和丰富，可以为后续决策提供更多的参考依据。
附图说明
图1为本发明一个实施例提供的热带气旋分析方法的流程示意图；
图2为本发明实施例提供的一种目标神经网络模型的结构示意图；
图3为本发明实施例提供的一种非局部注意力机制层的结构示意图；
图4为本发明实施例提供的另一种目标神经网络模型的结构示意图；
图5为本发明实施例提供的热带气旋分析方法中输入的目标云图以及输出界面的示意图；
图6为本发明另一个实施例提供的热带气旋分析方法的流程示意图；
图7为本发明一个实施例提供的热带气旋分析装置的结构示意图；
图8为本发明另一个实施例提供的热带气旋分析装置的结构示意图；
图9为本发明一个实施例提供的计算机设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
图1为本发明一个实施例提供的热带气旋分析方法的流程示意图。本实施例适用于根据云图对云图中包括的热带气旋进行分析的场景中。本实施例以该方法应用于计算机设备进行举例说明。可以理解的是，该方法也可以应用于服务器，还可以应用于包括计算机设备和服务器的系统，并通过计算机设备和服务器的交互实现。计算机设备可以但不限于是各种个人计算机、笔记本电脑、智能手机以及平板电脑。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。如图1所示，本实施例提供的热带气旋分析方法包括如下步骤：
步骤101：获取目标云图。
其中，目标云图包括待分析热带气旋。
步骤102：将目标云图输入预先训练好的目标神经网络模型中，得到目标神经网络模型输出的待分析热带气旋的至少两类参数信息。
其中，目标神经网络模型包括：至少一个卷积处理模块以及与卷积处理模块连接的全连接模块，卷积处理模块包括卷积层以及非局部注意力机制层。
具体地，本实施例中的目标云图可以为红外云图、可见光云图及水汽图等。本实施例中可以从卫星中获取目标云图，并对目标云图中的待分析热带气旋进行分析，以指导政府等有关部门提前进行灾害预防与准备。
本实施例中的目标神经网络模型为预先训练好的神经网络。目标神经网络模型的训练过程将在下一实施例中进行详细描述。
图2为本发明实施例提供的一种目标神经网络模型的结构示意图。如图2所示，本实施例中的目标神经网络模型包括：卷积处理模块21以及与卷积处理模块21连接的全连接模块22。卷积处理模块21包括：卷积层211以及非局部注意力机制层212。
可选地，全连接模块22可以包括至少一个全连接层。
由于本申请中的目标神经网络模型中包括非局部注意力机制层，增加了该目标神经网络模型对全局特征的理解，从而使得该目标神经网络模型的泛化能力得到有效提升。也即，该目标神经网络模型对于训练集之外的新的样本，即，目标云图中待分析热带气旋，也能进行较高准确性的分析。
本实施例中的热带气旋分析可以为热带气旋定量分析。热带气旋定量分析主要分为风速气压强度估计以及热带气旋等级评定这两个关键任务。风速气压强度估计就是要估计出热带气旋中心附近的风速(是热带气旋的最大风速)以及中心位置的气压(是热带气旋的最低气压)。并根据最大风速判断出该热带气旋的等级，也可以称为该热带气旋的类型。
目前我国热带气旋等级的划分以其底层中心附近最大平均风速为标准。热带气旋具体可分为热带低压(Tropical Depression，TD)、热带风暴(Tropical Storm，TS)、强热带风暴(Severe Tropical Storm，STS)、台风(Typhoon，TY)、强台风(Severe Typhoon，STY)和超强台风(Super Typhoon，SuperTY)六个等级。
其中，热带气旋底层中心附近最大平均风速达10.8m/s～17.1m/s(风力6～7级)为热带低压，达到17.2m/s～24.4m/s(风力8～9级)为热带风暴，达到24.5m/s～32.6m/s(风力10～11级)为强热带风暴，达到32.7m/s～41.4m/s(风力12～13级)为台风，达到41.5m/s～50.9m/s(风力14～15级)为强台风，达到或大于51.0m/s(风力16级或以上)为超强台风。
本实施例中的目标神经网络模型可以输出待分析热带气旋的至少两类参数信息。这里的两类参数信息可以为待分析热带气旋的最高风速信息、最低气压信息以及类型中的至少两种。相较于只输出单一数据的目标神经网络，本实施例的目标神经网络模型输出的结果更加多样和丰富，可以为政府等有关部门提前进行灾害预防与准备提供更多的参考依据。
图3为本发明实施例提供的一种非局部注意力机制层的结构示意图。如图3所示，假设输入的特征图为X，X的维度为T×H×W×CH。其中，T表示时间维度，本实施例中取T为1。H×W表示输入的特征图的尺寸，CH表示通道数量。通道数量可以根据应用场景自行设计。
Figure BDA0003164099730000071
表示矩阵乘法，
Figure BDA0003164099730000072
表示元素和。
X输入后，对X进行三个分支的处理。以xi表示X中的一个像素点，xj表示X中的其余所有的像素点。第一个分支进行的处理为：基于参数Wθ，对X进行1×1×1卷积：θ(xi)＝Wθxi；第二个分支进行的处理为：基于参数Wφ，对X进行1×1×1卷积：φ(xj)＝Wφxj；第三个分支进行的处理为：基于参数Wg，对X进行1×1×1卷积：g(xj)＝Wgxj。Wθ、Wφ以及Wg为可学习的参数。第一个分支、第二个分支以及第三个分支处理后的结果的维度均为：T×H×W×CH/2。
之后，将第一个分支的处理后的结果以及第二个分支的处理后的结果的转置，进行矩阵乘法。得到的结果的维度为(T×H×W)×(T×H×W)。对该结果进行softmax操作后，与第三个分支的处理结果进行矩阵乘法，得到的结果的维度为T×H×W×CH/2。之后，对该结果进行1×1×1卷积，得到的结果的维度为T×H×W×CH。将该结果与X进行元素和，输出结果Z。Z的维度为T×H×W×CH。
更具体地，步骤102中输出的至少两类参数信息包括以下信息中的至少两类：待分析热带气旋的最大风速的期望信息、待分析热带气旋的最大风速的标准差信息、待分析热带气旋的最低气压的期望信息、待分析热带气旋的最低气压的标准差信息、待分析热带气旋的类型以及待分析热带气旋的类型的置信度。
本实施例中，可以将目标神经网络模型输出的待分析热带气旋的最大风速看作是高斯分布，将目标神经网络模型输出的待分析热带气旋的最低气压也看作是高斯分布。因此，可以输出待分析热带气旋的最大风速的期望信息、待分析热带气旋的最大风速的标准差信息、待分析热带气旋的最低气压的期望信息、待分析热带气旋的最低气压的标准差信息。同时，还可以输出待分析热带气旋的类型，以及待分析热带气旋的类型的置信度。这里的置信度表示的是输出的待分析热带气旋的类型可以被相信的程度。这种多样的输出结果可以为实际应用提供有效参考。
需要说明的是，本实施例中的最大风速的期望信息可以为最大风速的期望值，也可以为对最大风速的期望值进行数据转换(例如，取对数)之后的值。同理，最大风速的标准差信息可以为最大风速的标准差值，也可以为对最大风速的标准差值进行数据转换后的值。最低气压的期望信息可以为最低气压的期望值，也可以为对最低气压的期望值进行数据转换之后的值。最低气压的标准差信息可以为最低气压的标准差值，也可以为对最低气压的标准差值进行数据转换之后的值。本实施例并不以此为限。
更具体地，本实施例中的目标神经网络模型中的卷积处理模块的数量为3个。将卷积处理模块的数量设置为3个，可以在目标神经网络模型输出的准确性以及训练的速度方面达到平衡。
图4为本发明实施例提供的另一种目标神经网络模型的结构示意图。如图4所示，输入的目标云图41的维度为256×256。目标神经网络模型包括：依次连接的第一卷积处理模块42、第二卷积处理模块43、第三卷积处理模块44、第一全连接层45以及第二全连接层46。
其中，第一卷积处理模块42包括第一卷积层421以及第一非局部注意力机制层422。第二卷积处理模块43包括第二卷积层431以及第二非局部注意力机制层432。第三卷积处理模块44包括第三卷积层441以及第三非局部注意力机制层442。第一非局部注意力机制层422、第二非局部注意力机制层432以及第三非局部注意力机制层442的结构均可以为图3中所示的结构。
目标云图41经过第一卷积层421以及第一非局部注意力机制层422后，生成的第一特征图的维度为128×128×32，其中，32表示通道数量。第一特征图经过第二卷积层431以及第二非局部注意力机制层432，生成的第二特征图的维度为64×64×64，其中，最后一个64表示通道数量。第二特征图经过第三卷积层441以及第三非局部注意力机制层442后，生成的第三特征图的维度为32×32×128，其中，128表示通道数量。第三特征图经过第一全连接层45以及第二全连接层46后，可以输出待分析热带气旋的最大风速的期望信息、待分析热带气旋的最大风速的标准差信息、待分析热带气旋的最低气压的期望信息、待分析热带气旋的最低气压的标准差信息、待分析热带气旋的类型以及待分析热带气旋的类型的置信度。其中，待分析热带气旋的类型有七类，除了前文所描述的六种类型之外，另一种类型为：目标云图中的天气系统为非热带气旋。
进一步地，本实施例中，可以将目标神经网络模型输出的待分析热带气旋的至少两类参数信息显示在目标云图上，以使输出结果更为直观。
图5为本发明实施例提供的热带气旋分析方法中输入的目标云图以及输出界面的示意图。如图5所示，将目标云图51输入本实施例的目标神经网络模型中，可以得到的界面52。当然，也可以只输出界面52中的数值部分。目标云图51为2015年第11号超强台风浪卡(Nangka)在7月7日12时的卫星云图。该目标云图51基于葵花8号卫星拍摄，其当时实际最大风速、最低气压分别为51.4m/s，925hPa(毫巴)。输出的结果为：最大风速的期望为51.24m/s，最大风速的标准差为1.29，最低气压的期望为925.94hPa，最低气压的标准差为2.2，类型为超强台风，置信度为0.86。可以看出，该热带气旋分析方法的准确性较高。
本实施例提供一种热带气旋分析方法，包括：获取目标云图，其中，目标云图包括待分析热带气旋；将目标云图输入预先训练好的目标神经网络模型中，得到目标神经网络模型输出的待分析热带气旋的至少两类参数信息，其中，目标神经网络模型包括：至少一个卷积处理模块以及与卷积处理模块连接的全连接模块，卷积处理模块包括卷积层以及非局部注意力机制层。该热带气旋分析方法中，一方面，由于采用了目标神经网络模型进行分析，相较于人工分析的方式，分析的效率较高；另一方面，由于目标神经网络模型中包括非局部注意力机制层，增加了该目标神经网络模型对全局特征的理解，从而使得该目标神经网络模型的泛化能力较强，在对目标云图中待分析热带气旋进行分析时，分析的准确性较高；再一方面，本实施例中的目标神经网络模型可以输出待分析热带气旋的至少两类参数信息，相较于只输出单一数据的目标神经网络，本实施例的目标神经网络模型输出的结果更加多样和丰富，可以为后续决策提供更多的参考依据。
图6为本发明另一个实施例提供的热带气旋分析方法的流程示意图。本实施例提供的热带气旋分析方法在图1所示实施例及各种可选的实现方案的基础上，对如何训练目标神经网络模型作一详细说明。如图6所示，本实施例提供的热带气旋分析方法包括如下步骤：
步骤601：获取训练云图。
其中，训练云图包括历史热带气旋。
具体地，可以从气象数据网站中获取原始训练云图。可选地，本实施例中，可以从数字台风(digital typhoon)网站上爬取原始训练云图。示例性地，本实施例中可以获取1979年到2019年的原始训练云图。
由于原始训练集存在类别不平衡的问题，例如，包括风速较低的台风的原始训练云图数量远多于包括风速较高的台风的原始训练云图的数量，如果采用该原始训练集直接训练，神经网络为了减少整体误差，会将输出结果向更多较低风速的样本靠近，这导致训练出的目标神经网络模型的准确性较低。
为解决上述问题，进一步提高目标神经网络模型的准确性，步骤601的具体实现过程可以为：获取原始训练云图以及所有原始训练云图包括的多个历史热带气旋的统计信息；根据统计信息，确定最大风速大于预设风速阈值的目标历史热带气旋；将包括目标历史热带气旋的原始训练云图复制至预设数量；将原始训练云图以及复制后的原始训练云图均确定为训练云图。经过这种处理之后，训练云图的分布趋于均匀，可以提高后续训练出的目标神经网络模型的准确性。
需要说明的是，所有原始训练云图包括的多个历史热带气旋的统计信息可以为多个历史热带气旋的最高风速的平均值、最高风速的最大值、最高风速的最小值、最高风速的方差等信息。根据统计信息，可以确定出预设风速阈值。再基于预设最大风速阈值，确定最大风速大于预设最大风速阈值的目标历史热带气旋，也就是较为罕见的目标历史热带气旋。将包括目标历史热带气旋的原始训练云图进行复制，以使训练集中历史热带气旋的分布较为均匀。
步骤602：将训练云图输入初始神经网络模型中进行训练，得到输出结果。
其中，输出结果包括历史热带气旋的至少两类训练参数信息。
具体地，至少两类训练参数信息包括以下信息中的至少两类：历史热带气旋的训练最大风速的期望信息、历史热带气旋的训练最大风速的标准差信息、历史热带气旋的训练最低气压的期望信息、历史热带气旋的训练最低气压的标准差信息、历史热带气旋的训练类型以及历史热带气旋的训练类型的置信度。
步骤603：根据输出结果以及对应的训练云图中的历史热带气旋的至少两类实际参数信息，确定损失参数。
具体地，对于训练云图来说，标定出的实际最大风速以及实际最低气压也可以看作是高斯分布。
至少两类实际参数信息包括以下信息中的至少两类：历史热带气旋的实际最大风速的期望信息、历史热带气旋的实际最大风速的标准差信息、历史热带气旋的实际最低气压的期望信息、历史热带气旋的实际最低气压的标准差信息以及历史热带气旋的实际类型。
本实施例中的损失参数可以为数值、矢量或者矩阵。
可选地，在至少两类实际参数信息包括上述所有可以被包括的信息，以及，至少两类训练参数信息包括上述所有可以被包括的信息时，步骤603的实现过程具体可以为：
根据均方误差函数，确定历史热带气旋的实际最大风速的期望信息与历史热带气旋的训练最大风速的期望信息之间，以及，历史热带气旋的实际最低气压的期望信息与历史热带气旋的训练最低气压的期望信息之间的第一误差值；
根据相对熵误差函数，确定历史热带气旋的实际最大风速的期望信息以及历史热带气旋的实际最大风速的标准差信息构成的实际风速高斯分布，以及，历史热带气旋的训练最大风速的期望信息以及历史热带气旋的训练最大风速的标准差信息构成的训练风速高斯分布的第二误差值；
根据相对熵误差函数，确定历史热带气旋的实际最低气压的期望信息以及历史热带气旋的实际最低气压的标准差信息构成的实际气压高斯分布，以及，历史热带气旋的训练最低气压的期望信息以及历史热带气旋的训练最低气压的标准差信息构成的训练气压高斯分布的第三误差值；
根据交叉熵误差函数，确定历史热带气旋的实际类型、历史热带气旋的训练类型以及历史热带气旋的训练类型的置信度的第四误差值；
将第一误差值、第二误差值、第三误差值以及第四误差值确定为损失参数。
本实施例在确定损失参数的过程中，考虑到不同的输出结果，采用不同的损失函数确定误差值，可以提高目标神经网络模型的训练效率以及准确性。
更具体地，损失参数loss＝loss_wind+0.1*loss_presure+loss_class+0.001*(loss_wind_KL+loss_presure_KL)。其中，loss_wind及loss_presure为第一误差值，可以根据均方误差函数确定。loss_class为第四误差值，可以根据交叉熵误差函数确定。loss_wind_KL为第二误差值，可以根据相对熵误差函数，即，KL散度(Kullback–Leiblerdivergence)误差函数确定。loss_presure_KL为第三误差值，可以根据相对熵误差函数确定。
Figure BDA0003164099730000131
其中，q表示实际风速高斯分布，p表示训练风速高斯分布。∑p表示p分布的标准差，∑q表示q分布的标准差，D为预设参数，Tr()表示迹函数，μp表示训练最大风速的期望值，μq表示实际最大风速的期望值。loss_presure_KL的实现过程与此类似，此处不再赘述。
步骤604：根据损失参数，对初始神经网络模型进行反向传播更新，直至训练结束，将训练结束时的初始神经网络模型，确定为目标神经网络模型。
可选地，当损失参数不满足预设的收敛条件，例如，损失参数大于预设阈值时，可以调整初始神经网络模型的网络结构以及网络参数，对初始神经网络模型进行更新，再返回执行步骤602，直至损失参数满足收敛条件，将损失参数满足收敛条件时的初始神经网络模型作为目标神经网络模型。
步骤605：获取目标云图。
其中，目标云图包括待分析热带气旋。
步骤606：将目标云图输入预先训练好的目标神经网络模型中，得到目标神经网络模型输出的待分析热带气旋的至少两类参数信息。
其中，目标神经网络模型包括：至少一个卷积处理模块以及与卷积处理模块连接的全连接模块，卷积处理模块包括卷积层以及非局部注意力机制层。
步骤605与步骤101、步骤606与步骤102的实现过程和技术原理类似，此处不再赘述。
本实施例提供的热带气旋分析方法，一方面，由于采用了目标神经网络模型进行分析，相较于人工分析的方式，分析的效率较高；另一方面，由于目标神经网络模型中包括非局部注意力机制层，增加了该目标神经网络模型对全局特征的理解，从而使得该目标神经网络模型的泛化能力较强，在对目标云图中待分析热带气旋进行分析时，分析的准确性较高；再一方面，本实施例中的目标神经网络模型可以输出待分析热带气旋的至少两类参数信息，相较于只输出单一数据的目标神经网络，本实施例的目标神经网络模型输出的结果更加多样和丰富，可以为后续决策提供更多的参考依据。
图7为本发明一个实施例提供的热带气旋分析装置的结构示意图。如图7所示，本实施例提供的热带气旋分析装置包括如下模块：第一获取模块71以及第一确定模块72。
第一获取模块71，用于获取目标云图。
其中，目标云图包括待分析热带气旋。
第一确定模块72，用于将目标云图输入预先训练好的目标神经网络模型中，得到目标神经网络模型输出的待分析热带气旋的至少两类参数信息。
其中，目标神经网络模型包括：至少一个卷积处理模块以及与卷积处理模块连接的全连接模块，卷积处理模块包括卷积层以及非局部注意力机制层。
可选地，至少两类参数信息包括以下信息中的至少两类：待分析热带气旋的最大风速的期望信息、待分析热带气旋的最大风速的标准差信息、待分析热带气旋的最低气压的期望信息、待分析热带气旋的最低气压的标准差信息、待分析热带气旋的类型以及待分析热带气旋的类型的置信度。
可选地，目标神经网络模型中的卷积处理模块的数量为3个。
本发明实施例所提供的热带气旋分析装置可执行本发明任意实施例所提供的热带气旋分析方法，具备执行方法相应的功能模块和有益效果。
图8为本发明另一个实施例提供的热带气旋分析装置的结构示意图。本实施例在图7所示实施例及各种可选的实现方案的基础上，对热带气旋分析装置包括的其他模块作一详细说明。如图8所示，本实施例提供的热带气旋分析装置还包括以下模块：第二获取模块81、第二确定模块82、第三确定模块83以及第四确定模块84。
第二获取模块81，用于获取训练云图。
其中，训练云图包括历史热带气旋。
可选地，第二获取模块81具体用于：获取原始训练云图以及所有原始训练云图包括的多个历史热带气旋的统计信息；根据统计信息，确定最大风速小于预设最大风速阈值的目标历史热带气旋；将包括目标历史热带气旋的原始训练云图复制至预设数量；将原始训练云图以及复制后的原始训练云图均确定为训练云图。
第二确定模块82，用于将训练云图输入初始神经网络模型中进行训练，得到输出结果。
其中，输出结果包括历史热带气旋的至少两类训练参数信息。
第三确定模块83，用于根据输出结果以及对应的训练云图中的历史热带气旋的至少两类实际参数信息，确定损失参数。
第四确定模块84，用于根据损失参数，对初始神经网络模型进行反向传播更新，直至训练结束，将训练结束时的初始神经网络模型，确定为目标神经网络模型。
可选地，至少两类实际参数信息包括以下信息中的至少两类：历史热带气旋的实际最大风速的期望信息、历史热带气旋的实际最大风速的标准差信息、历史热带气旋的实际最低气压的期望信息、历史热带气旋的实际最低气压的标准差信息以及历史热带气旋的实际类型。
可选地，至少两类训练参数信息包括以下信息中的至少两类：历史热带气旋的训练最大风速的期望信息、历史热带气旋的训练最大风速的标准差信息、历史热带气旋的训练最低气压的期望信息、历史热带气旋的训练最低气压的标准差信息、历史热带气旋的训练类型以及历史热带气旋的训练类型的置信度。
第三确定模块83具体用于：
根据均方误差函数，确定历史热带气旋的实际最大风速的期望信息与历史热带气旋的训练最大风速的期望信息之间，以及，历史热带气旋的实际最低气压的期望信息与历史热带气旋的训练最低气压的期望信息之间的第一误差值；
根据相对熵误差函数，确定历史热带气旋的实际最大风速的期望信息以及历史热带气旋的实际最大风速的标准差信息构成的实际风速高斯分布，以及，历史热带气旋的训练最大风速的期望信息以及历史热带气旋的训练最大风速的标准差信息构成的训练风速高斯分布的第二误差值；
根据相对熵误差函数，确定历史热带气旋的实际最低气压的期望信息以及历史热带气旋的实际最低气压的标准差信息构成的实际气压高斯分布，以及，历史热带气旋的训练最低气压的期望信息以及历史热带气旋的训练最低气压的标准差信息构成的训练气压高斯分布的第三误差值；
根据交叉熵误差函数，确定历史热带气旋的实际类型、历史热带气旋的训练类型以及历史热带气旋的训练类型的置信度的第四误差值；
将第一误差值、第二误差值、第三误差值以及第四误差值确定为损失参数。
本发明实施例所提供的热带气旋分析装置可执行本发明任意实施例所提供的热带气旋分析方法，具备执行方法相应的功能模块和有益效果。
图9为本发明一个实施例提供的计算机设备的结构示意图。如图9所示，该计算机设备包括处理器90和存储器91。该计算机设备中处理器90的数量可以是一个或多个，图9中以一个处理器90为例；该计算机设备的处理器90和存储器91可以通过总线或其他方式连接，图9中以通过总线连接为例。
存储器91作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的热带气旋分析方法对应的程序指令以及模块(例如，热带气旋分析装置中的第一获取模块71以及第一确定模块72)。处理器90通过运行存储在存储器91中的软件程序、指令以及模块，从而执行计算机设备的各种功能应用以及热带气旋分析方法，即实现上述的热带气旋分析方法。
存储器91可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据计算机设备的使用所创建的数据等。此外，存储器91可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中，存储器91可进一步包括相对于处理器90远程设置的存储器，这些远程存储器可以通过网络连接至计算机设备。上述网络的实施例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
本发明还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种热带气旋分析方法，该方法包括：
获取目标云图；其中，所述目标云图包括待分析热带气旋；
将所述目标云图输入预先训练好的目标神经网络模型中，得到所述目标神经网络模型输出的所述待分析热带气旋的至少两类参数信息；其中，所述目标神经网络模型包括：至少一个卷积处理模块以及与所述卷积处理模块连接的全连接模块，所述卷积处理模块包括卷积层以及非局部注意力机制层。
当然，本发明实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的方法操作，还可以执行本发明任意实施例所提供的热带气旋分析方法中的相关操作。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，计算机设备，或者网络设备等)执行本发明各个实施例所述的热带气旋分析方法。
值得注意的是，上述热带气旋分析装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (10)

1.一种热带气旋分析方法，其特征在于，包括：
获取目标云图；其中，所述目标云图包括待分析热带气旋；
将所述目标云图输入预先训练好的目标神经网络模型中，得到所述目标神经网络模型输出的所述待分析热带气旋的至少两类参数信息；其中，所述目标神经网络模型包括：至少一个卷积处理模块以及与所述卷积处理模块连接的全连接模块，所述卷积处理模块包括卷积层以及非局部注意力机制层。
2.根据权利要求1所述的方法，其特征在于，所述至少两类参数信息包括以下信息中的至少两类：
所述待分析热带气旋的最大风速的期望信息、所述待分析热带气旋的最大风速的标准差信息、所述待分析热带气旋的最低气压的期望信息、所述待分析热带气旋的最低气压的标准差信息、所述待分析热带气旋的类型以及所述待分析热带气旋的类型的置信度。
3.根据权利要求1或2所述的方法，其特征在于，所述目标神经网络模型中的卷积处理模块的数量为3个。
4.根据权利要求1或2所述的方法，其特征在于，所述目标神经网络模型的生成方式包括：
获取训练云图；其中，所述训练云图包括历史热带气旋；
将所述训练云图输入初始神经网络模型中进行训练，得到输出结果；其中，所述输出结果包括所述历史热带气旋的至少两类训练参数信息；
根据所述输出结果以及对应的训练云图中的历史热带气旋的至少两类实际参数信息，确定损失参数；
根据所述损失参数，对所述初始神经网络模型进行反向传播更新，直至训练结束，将训练结束时的初始神经网络模型，确定为所述目标神经网络模型。
5.根据权利要求4所述的方法，其特征在于，所述至少两类实际参数信息包括以下信息中的至少两类：所述历史热带气旋的实际最大风速的期望信息、所述历史热带气旋的实际最大风速的标准差信息、所述历史热带气旋的实际最低气压的期望信息、所述历史热带气旋的实际最低气压的标准差信息以及所述历史热带气旋的实际类型；
至少两类训练参数信息包括以下信息中的至少两类：所述历史热带气旋的训练最大风速的期望信息、所述历史热带气旋的训练最大风速的标准差信息、所述历史热带气旋的训练最低气压的期望信息、所述历史热带气旋的训练最低气压的标准差信息、所述历史热带气旋的训练类型以及所述历史热带气旋的训练类型的置信度。
6.根据权利要求5所述的方法，其特征在于，所述根据所述输出结果以及对应的训练云图中的历史热带气旋的至少两类实际参数信息，确定损失参数，包括：
根据均方误差函数，确定所述历史热带气旋的实际最大风速的期望信息与所述历史热带气旋的训练最大风速的期望信息之间，以及，所述历史热带气旋的实际最低气压的期望信息与所述历史热带气旋的训练最低气压的期望信息之间的第一误差值；
根据相对熵误差函数，确定所述历史热带气旋的实际最大风速的期望信息以及所述历史热带气旋的实际最大风速的标准差信息构成的实际风速高斯分布，以及，所述历史热带气旋的训练最大风速的期望信息以及所述历史热带气旋的训练最大风速的标准差信息构成的训练风速高斯分布的第二误差值；
根据相对熵误差函数，确定所述历史热带气旋的实际最低气压的期望信息以及所述历史热带气旋的实际最低气压的标准差信息构成的实际气压高斯分布，以及，所述历史热带气旋的训练最低气压的期望信息以及所述历史热带气旋的训练最低气压的标准差信息构成的训练气压高斯分布的第三误差值；
根据交叉熵误差函数，确定所述历史热带气旋的实际类型、所述历史热带气旋的训练类型以及所述历史热带气旋的训练类型的置信度的第四误差值；
将所述第一误差值、所述第二误差值、所述第三误差值以及所述第四误差值确定为所述损失参数。
7.根据权利要求4所述的方法，其特征在于，所述获取训练云图，包括：
获取原始训练云图以及所有所述原始训练云图包括的多个历史热带气旋的统计信息；
根据所述统计信息，确定最大风速大于预设风速阈值的目标历史热带气旋；
将包括所述目标历史热带气旋的原始训练云图复制至预设数量；
将所述原始训练云图以及复制后的原始训练云图均确定为所述训练云图。
8.一种热带气旋分析装置，其特征在于，包括：
第一获取模块，用于获取目标云图；其中，所述目标云图包括待分析热带气旋；
第一确定模块，用于将所述目标云图输入预先训练好的目标神经网络模型中，得到所述目标神经网络模型输出的所述待分析热带气旋的至少两类参数信息；其中，所述目标神经网络模型包括：至少一个卷积处理模块以及与所述卷积处理模块连接的全连接模块，所述卷积处理模块包括卷积层以及非局部注意力机制层。
9.一种计算机设备，其特征在于，所述计算机设备包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的热带气旋分析方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一所述的热带气旋分析方法。
CN202110799410.7A 2021-07-15 2021-07-15 热带气旋分析方法、装置、设备及存储介质 Pending CN113420831A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110799410.7A CN113420831A (zh) 2021-07-15 2021-07-15 热带气旋分析方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110799410.7A CN113420831A (zh) 2021-07-15 2021-07-15 热带气旋分析方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN113420831A true CN113420831A (zh) 2021-09-21

Family

ID=77721177

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110799410.7A Pending CN113420831A (zh) 2021-07-15 2021-07-15 热带气旋分析方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN113420831A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114049545A (zh) * 2021-11-05 2022-02-15 中山大学 一种基于点云体素的台风定强方法、系统、设备及介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114049545A (zh) * 2021-11-05 2022-02-15 中山大学 一种基于点云体素的台风定强方法、系统、设备及介质

Similar Documents

Publication Publication Date Title
US11488069B2 (en) Method for predicting air quality with aid of machine learning models
CN108596248B (zh) 一种基于改进深度卷积神经网络的遥感影像分类方法
Liu et al. A new statistical downscaling model for autumn precipitation in China
CN114445634A (zh) 一种基于深度学习模型的海浪波高预测方法及系统
CN114049545B (zh) 一种基于点云体素的台风定强方法、系统、设备及介质
Hu Rainstorm flash flood risk assessment using genetic programming: a case study of risk zoning in Beijing
CN111797571A (zh) 滑坡易发性评价方法、装置、设备和存储介质
CN114037891A (zh) 基于u型注意力控制网络的高分辨率遥感影像建筑物提取方法及装置
Zhang et al. Tropical cyclone intensity estimation using RVM and DADI based on infrared brightness temperature
CN114445336A (zh) 配电设备缺陷检测方法、装置、计算机设备和存储介质
CN116021981A (zh) 配电网线路覆冰故障预测方法、装置、设备及存储介质
CN113420831A (zh) 热带气旋分析方法、装置、设备及存储介质
CN115641498A (zh) 基于空间多尺度卷积神经网络的中期降水预报后处理订正方法
Gao et al. Predictability of US regional extreme precipitation occurrence based on large-scale meteorological patterns (LSMPs)
CN114120145A (zh) 一种监测方法、装置、电子设备及计算机可读存储介质
CN118070120A (zh) 一种基于植被指数和干旱耦合关系的干旱监测分析方法
CN113011502A (zh) 基于人工智能的海冰等级预测方法及装置
Lubkov et al. Application of a neural network model to forecasting of El Niño and La Niña
Tian et al. Tropical cyclone maximum wind estimation from infrared satellite data with integrated convolutional neural networks
Li et al. An analysis of the drought and flood hazard characteristics and risks during the pre-rainy season in South China
Couta et al. River flow forecasting using long short-term memory
Wang et al. Statistical and machine learning methods applied to the prediction of different tropical rainfall types
CN114595764A (zh) 用于获取城市要素对内涝灾害损失影响程度的方法及系统
CN113344289A (zh) 基于级联残差卷积神经网络的次季节高温气象预报订正方法
Liao et al. A hypergraph-embedded convolutional neural network for ice crystal particle habit classification

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