CN114049545A - 一种基于点云体素的台风定强方法、系统、设备及介质 - Google Patents

一种基于点云体素的台风定强方法、系统、设备及介质 Download PDF

Info

Publication number
CN114049545A
CN114049545A CN202111306533.9A CN202111306533A CN114049545A CN 114049545 A CN114049545 A CN 114049545A CN 202111306533 A CN202111306533 A CN 202111306533A CN 114049545 A CN114049545 A CN 114049545A
Authority
CN
China
Prior art keywords
point cloud
cloud
typhoon
convolution
data
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.)
Granted
Application number
CN202111306533.9A
Other languages
English (en)
Other versions
CN114049545B (zh
Inventor
谭金凯
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.)
Sun Yat Sen University
Original Assignee
Sun Yat Sen University
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 Sun Yat Sen University filed Critical Sun Yat Sen University
Priority to CN202111306533.9A priority Critical patent/CN114049545B/zh
Publication of CN114049545A publication Critical patent/CN114049545A/zh
Application granted granted Critical
Publication of CN114049545B publication Critical patent/CN114049545B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • 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)
  • 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)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及深度学习技术领域，尤其涉及一种基于点云体素的台风定强方法、系统、设备及介质，包括：利用不同感知域对所述点云体素特征进行深度卷积并融合，得到融合特征；对所述融合特征进行通道混洗、扩充，得到第一点云特征；利用通道注意力机制对所述第一点云特征进行特征提取，得到第二点云特征；将所述第二点云特征输入三维稀疏卷积层进行稀疏化，得到第三点云特征；将所述第三点云特征输入三维压缩卷积层进行特征压缩，得到第四点云特征；根据所述第四点云特征预测得到台风强度，解决了现有的台风定强方法具有一定的人为主观性和不确定性，无法全面、客观预测台风强度的问题，本发明提供的方法泛化能力强，计算复杂度低，精确性高。

Description

一种基于点云体素的台风定强方法、系统、设备及介质
技术领域
本发明涉及深度学习技术领域，尤其涉及一种基于点云体素的台风定强方法、系统、设备及介质。
背景技术
台风是生成于热带或亚热带洋面上且具有气旋性漩涡结构的天气系统，其破坏力表现为大风、强降雨和风暴潮等，是造成沿海地区人员伤亡和财产损失的直接因素，台风定强是台风预报的重要组成部分，科学、精准、及时的台风定强是开展防台减灾工作的重要提前；自上世纪70年代起，德沃夏克(Dvorak)分析法被逐渐引入台风定强分析中，其采用卫星云图的云系结构特征为对象，制定一系列具有先验知识的限定规则和约束条件，并将台风的涡度结构、垂直风切变和对流活动与台风强度建立统计关系，最终实现台风定强，经过多年的实践努力，该技术及其改进版本已成为当前较成熟的台风业务定强分析技术，同时在世界各主要台风预报机构中有广泛的应用，但是，德沃夏克分析法的主要缺陷包括：
(1)在卫星云图中，该方法对各云系结构、云系特征的判断和识别在一定程度上依赖于先验知识，其部分操作步骤也基于专家系统，具有一定的人为主观性和不确定性。
(2)该方法在分析中需要遵循一系列事先制定的限定规则和约束条件，但这些条件仍无法全面描述所有台风的强度变化规律，例如对于热带低压、突变型台风、登陆型台风、快速移动型台风等，会出现不同程度的强度低估或高估情况。
(3)台风中心最大风速与最低气压的关系不明确，从而影响台风定强估计的精度。
发明内容
本发明提供了一种基于点云体素的台风定强方法、系统、设备及介质，解决的技术问题是，现有的台风定强方法具有一定的人为主观性和不确定性，无法全面、客观预测台风强度。
为解决以上技术问题，本发明提供了一种基于点云体素的台风定强方法、系统、设备及介质。
第一方面，本发明提供了一种基于点云体素的台风定强方法，所述方法包括以下步骤：
对采集到的云数据和台风信息进行预处理，得到点云体素特征；
利用不同感知域对所述点云体素特征进行深度卷积并融合，得到融合特征；
对所述融合特征进行通道混洗、扩充，得到第一点云特征；
利用通道注意力机制对所述第一点云特征进行特征提取，得到第二点云特征；
将所述第二点云特征输入三维稀疏卷积层进行稀疏化，得到第三点云特征；
将所述第三点云特征输入三维压缩卷积层进行特征压缩，得到第四点云特征；
根据所述第四点云特征预测得到台风强度；
其中，所述感知域包括条形感知域和圆形感知域。
在进一步的实施方案中，所述对采集到的云数据和台风信息进行预处理，得到点云体素特征的步骤包括：
对采集到的云数据进行数据清洗，得到云特征数据；
对采集到的台风信息提取，得到气旋数据；
利用所述气旋数据中的气旋中心位置和气旋时间对所述云特征数据进行匹配、裁剪，得到初始点云数据；
利用预设的采样时刻对所述初始点云数据进行点云增强处理，得到点云增强数据；
对所述点云增强数据进行三维空间体素化并融合，得到点云体素特征；
其中，所述云数据包括云光学厚度、云顶温度、云顶高度、云粒子有效半径以及云类型；
所述云特征数据包括云光学厚度特征数据、云顶温度特征数据、云顶高度特征数据、云粒子有效半径特征数据以及云类型特征数据；
所述气旋数据包括气旋最大风速、气旋经纬度、气旋时间、气旋中心位置。
在进一步的实施方案中，所述利用不同感知域对所述点云体素特征进行深度卷积并融合，得到融合特征的步骤包括：
利用条形感知域对所述点云体素特征进行深度卷积，得到台风经纬特征；
利用圆形感知域对所述点云体素特征进行深度卷积，得到台风旋转特征；
将所述台风经纬特征和所述台风旋转特征沿通道方向进行融合，得到融合特征；
其中，所述条形感知域包括三个串联的条形卷积模块，每个条形卷积模块均包括串联的第一卷积层和第二卷积层；
所述圆形感知域包括依次连接的三个圆形卷积层和第三卷积层；
所述第一卷积层包括30个尺寸为3×1的二维卷积核，步长为[2，2]；
所述第二卷积层包括30个尺寸为1×3的二维卷积核，步长为[2，2]；
所述圆形卷积层包括30个尺寸为3×3的二维卷积核，步长为[2，2]；
所述第三卷积层包括30个尺寸为1×1的二维卷积核，步长为[2，2]。
在进一步的实施方案中，所述通道注意力机制包括第四卷积层；
所述第四卷积层包括30个尺寸为1×1×1的三维卷积核，步长为[1，1，1]。
在进一步的实施方案中，所述三维稀疏卷积层包括15个尺寸为1×3×3的三维卷积核，步长为[1，1，1]。
在进一步的实施方案中，所述三维压缩卷积层包括10个尺寸为1×3×3的三维卷积核，步长为[1，1，1]。
在进一步的实施方案中，所述根据所述第四点云特征预测得到台风强度的步骤包括：
对所述第四点云特征进行维度重组，得到第五点云特征；
将所述第五点云特征输入全连接层进行预测，得到台风强度。
第二方面，本发明提供了一种基于点云体素的台风定强系统，所述系统包括：
数据处理模块，用于对采集到的云数据和台风信息进行预处理，得到点云体素特征；
深度卷积模块，用于利用不同感知域对所述点云体素特征进行深度卷积并融合，得到融合特征；
特征处理模块，用于对所述融合特征进行通道混洗、扩充，得到第一点云特征；
逐点卷积模块，用于利用通道注意力机制对所述第一点云特征进行特征提取，得到第二点云特征，将所述第二点云特征输入三维稀疏卷积层进行稀疏化，得到第三点云特征，并将所述第三点云特征输入三维压缩卷积层进行特征压缩，得到第四点云特征；
参数预测模块，用于根据所述第四点云特征预测得到台风强度；
其中，所述感知域包括条形感知域和圆形感知域。
第三方面，本发明还提供了一种计算机设备，包括处理器和存储器，所述处理器与所述存储器相连，所述存储器用于存储计算机程序，所述处理器用于执行所述存储器中存储的计算机程序，以使得所述计算机设备执行实现上述方法的步骤。
第四方面，本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时实现上述方法的步骤。
本发明提供了一种基于点云体素的台风定强方法、系统、设备及介质，所述方法通过将葵花卫星五种云产品集成具有多维度的点云数据，并将其进行体素化；利用不同形状感知域对点云体素进行深度卷积，以及沿通道方向上的点云体素逐点卷积，从而实现对点云体素的特征分割与特征提取。与现有技术相比，该方法通过提取云数据在时空尺度上的多种特征，为台风定强提供了可靠的数据基础，从而提高台风强度预测的准确率。
附图说明
图1是本发明实施例提供的一种基于点云体素的台风定强方法流程示意图；
图2是本发明实施例提供的预处理过程示意图；
图3是本发明实施例提供的台风定强建模框架示意图；
图4是本发明实施例提供的一种基于点云体素的台风定强系统框图；
图5是本发明实施例提供的计算机设备的结构示意图。
具体实施方式
下面结合附图具体阐明本发明的实施方式，实施例的给出仅仅是为了说明目的，并不能理解为对本发明的限定，包括附图仅供参考和说明使用，不构成对本发明专利保护范围的限制，因为在不脱离本发明精神和范围基础上，可以对本发明进行许多改变。
参考图1，本发明实施例提供了一种基于点云体素的台风定强方法，如图1所示，该方法包括：
S1.对采集到的云数据和台风信息进行预处理，得到点云体素特征。
在一个实施例中，所述对采集到的云数据和台风信息进行预处理，得到点云体素特征的步骤包括：
对采集到的云数据进行数据清洗，得到云特征数据；本实施例以葵花8号静止卫星(Himawari-8)的二级云产品为基础数据，得到云数据，并通过对云数据清洗，剔除异常样本及缺测样本。
对采集到的台风信息进行数据提取，得到气旋数据；在本实施例中，所述台风信息通过中国气象局上海台风研究所和浙江水利厅网站发布的实时台风路径数据获取。
利用所述气旋数据中的气旋中心位置和气旋时间对所述云特征数据进行匹配、裁剪，得到初始点云数据；其中，各云特征数据的水平分辨率为5km，在经向和纬向上裁剪出大小为256×256的矩阵，经纬向实际距离大约为1280×1280km，最终裁剪出样本的大小为256×256×5，其中，5代表五个通道，即五个云特征数据，相应地，本实施例提取出台风信息中的气旋最大风速作为样本的训练标签。
利用预设的采样时刻对所述初始点云数据进行点云增强处理，得到点云增强数据；在本实施例中，如图2所示，所述预设的采样时刻包括六个时刻，六个时刻分别为气旋发生的当前时刻、前10分钟、前20分钟、前30分钟、前40分钟及前50分钟，本实施例利用六个时刻分别对初始点云数据进行裁剪，以实现点云增强操作。
对所述点云增强数据进行三维空间体素化并融合，得到点云体素特征；在本实施例中，所述点云体素特征的结构为[Num，256，256，30]，其中，Num表示样本量，30表示五种初始点云数据分别在六个时刻的裁剪方阵。
在本实施例中，所述云数据包括云光学厚度、云顶温度、云顶高度、云粒子有效半径以及云类型；所述云特征数据包括云光学厚度特征数据、云顶温度特征数据、云顶高度特征数据、云粒子有效半径特征数据以及云类型特征数据；所述气旋数据包括气旋最大风速、气旋经纬度、气旋时间、气旋中心位置。
S2.利用不同感知域对所述点云体素特征进行深度卷积并融合，得到融合特征；其中，所述感知域包括条形感知域和圆形感知域。
在一个实施例中，所述利用不同感知域对所述点云体素特征进行深度卷积并融合，得到融合特征的步骤包括：
利用条形感知域对所述点云体素特征进行深度卷积，得到台风经纬特征；
利用圆形感知域对所述点云体素特征进行深度卷积，得到台风旋转特征；
将所述台风经纬特征和所述台风旋转特征沿通道方向进行融合，得到融合特征。
其中，所述台风经纬特征和所述台风旋转特征的尺寸相同。
在本实施例中，所述台风经纬特征包括台风云系结构在经向和纬向上的组织特征，所述台风旋转特征包括台风云系的旋转特征以及台风云系结构，其中，所述台风云系结构为台风内核、台风眼壁、台风螺旋雨带、台风外围云系等组织特征。
在一个实施例中，所述条形感知域包括三个串联的条形卷积模块，每个条形卷积模块均包括串联的第一卷积层和第二卷积层；
所述圆形感知域包括三个圆形卷积层和第三卷积层；
其中，所述第一卷积层包括30个尺寸为3×1的二维卷积核，步长为[2，2]；
所述第二卷积层包括30个尺寸为1×3的二维卷积核，步长为[2，2]；
所述圆形卷积层包括30个尺寸为3×3的二维卷积核，步长为[2，2]；
所述第三卷积层包括30个尺寸为1×1的二维卷积核，步长为[2，2]。
如图3所示，在本实施例中，所述条形感知域输出的所述台风经纬特征的尺寸为[Num，32，32，30]，所述圆形感知域输出的所述台风旋转特征的尺寸为[Num，32，32，30]，融合特征的尺寸为[Num，32，32，30]。
S3.对所述融合特征进行通道混洗、扩充，得到第一点云特征。
在本实施例中，所述第一点云特征的尺寸为[Num，1，32，32，30]；本实施例通过通道混洗，随机打乱融合特征的各通道，以实现通道重组，从而完成通道之间信息的融合；本实施例通过对所述融合特征的维度进行扩充，更便于后续的体素三维卷积操作，从而提高后续模型训练的鲁棒性，提升模型泛化能力。
S4.利用通道注意力机制对所述第一点云特征进行特征提取，得到第二点云特征。
在一个实施例中，所述通道注意力机制包括第四卷积层；
所述第四卷积层包括30个尺寸为1×1×1的三维卷积核，步长为[1，1，1]。
在本实施例中，所述通道注意力机制采用参数共享的方式，从而减少网络的参数量；本实施例通过在特征通道维度上引入通道注意力机制建模通道之间的相互关系，突出所含信息丰富的特征，可有效提高最终网络预测的精度。
S5.将所述第二点云特征输入三维稀疏卷积层进行稀疏化，得到第三点云特征。
在一个实施例中，所述三维稀疏卷积层包括15个尺寸为1×3×3的三维卷积核，步长为[1，1，1]，输出的特征数据尺寸为[Num，1，16，16，15]。
S6.将所述第三点云特征输入三维压缩卷积层进行特征压缩，得到第四点云特征。
在一个实施例中，所述三维压缩卷积层包括10个尺寸为1×3×3的三维卷积核，步长为[1，1，1]，输出的特征数据尺寸为[Num，1，8，8，10]。
本实施例通过三维稀疏卷积层实现点云通道稀疏化，通过三维压缩卷积层实现点云通道特征压缩，从而减少网络计算资源，提高网络预测效率。
S7.根据所述第四点云特征预测得到台风强度。
在一个实施例中，所述根据所述第四点云特征预测得到台风强度的步骤包括：
对所述第四点云特征进行维度重组，得到第五点云特征；
将所述第五点云特征输入全连接层进行预测，得到台风强度。
本实施例通过对点云压缩数据进行重组，将所述点云压缩数据的维度从五维降为二维，输出的点云重组数据尺寸为[Num，640]，同时，本实施例对所述点云体素特征和训练标签采用全连接操作，以模拟得到台风强度。
本实施例利用各神经网络模型提取云数据在时空尺度上的多种特征，从而为最终的网络预测提供可靠的数据基础。
本实施例采用LeakyReLU激活函数训练各神经网络模型，其计算公式如下：
Figure BDA0003340326770000081
式中，xi表示神经网络第i层的输入，yi表示神经网络第i层的输出，ai表示网络系数。
在本实施例中，神经网络模型的训练采用误差反向传播，损失函数Loss采用平均绝对误差(MAE)，损失函数的计算公式为：
Figure BDA0003340326770000091
式中，Y表示真实观测值，
Figure BDA0003340326770000092
表示模型拟合值，N表示样本大小。
在本实施例中，所述神经网络模型的优化器为Adam，迭代次数为epoch＝1000，批量训练样本大小为Batch_size＝16，在训练集中随机选取10％的数据进行模型验证，即validation_split＝0.1；为防止模型过拟合，设定patience＝30，即当模型出现连续训练30次的训练梯度不下降时，则提前终止训练。此外，条形感知域的卷积过程的公式为：
Figure BDA0003340326770000093
式中，O1(i,j)表示条形感知域卷积结果在位置(i，j)上的元素，X1表示条形感知域输入特征，k表示条形感知域卷积核，⊙表示卷积操作(局部内积)。
本实施例中的神经网络模型采用边界填补策略(Padding)，卷积的输出尺寸为：
Figure BDA0003340326770000094
式中，q表示输入特征图的尺寸，p表示边界填补数，f表示卷积核大小，s表示滑动窗口步长。
另外，在本实施例中，所述圆形感知域的卷积公式为：
Figure BDA0003340326770000095
式中，O2(i,j)表示圆形感知域卷积结果在位置(i，j)上的元素，X2表示圆形感知域输入特征，
Figure BDA0003340326770000096
表示圆形感知域卷积核。
本实施例在计算
Figure BDA0003340326770000097
的感知域时，需要先计算条形感知域卷积核的感知域，然后，利用双线性插值方法将k各位置元素插值到圆域内，得到
Figure BDA0003340326770000098
的感知域，
Figure BDA0003340326770000099
的感知域的元素个数与k的感知域的元素个数相等。
本实施例采用点云体素深度可分离技术，对卫星云产品的点云体素分别进行深度卷积和沿通道方向的逐点卷积，并对点云体素特征通道进行混洗和重组等，从而实现了对云数据进行非线性特征分割与特征提取，提高了神经网络模型的泛化能力；同时本实施例利用条形感知域和圆形感知域从多尺寸方面挖掘云数据的特征，为网络预测台风强度提供了一定的依据，进而实现了台风强度预测的全面性、客观性、准确性；另外，本实施例提供的方法可大幅度减少网络的参数量，减小模型的计算复杂度，增强模型的泛化能力。
需要说明的是，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
在一个实施例中，如图4所示，提供了一种基于点云体素的台风定强系统，所述系统包括：
数据处理模块101，用于对采集到的云数据和台风信息进行预处理，得到点云体素特征；
深度卷积模块102，用于利用不同感知域对所述点云体素特征进行深度卷积并融合，得到融合特征；
特征处理模块103，用于对所述融合特征进行通道混洗、扩充，得到第一点云特征；
逐点卷积模块104，用于利用通道注意力机制对所述第一点云特征进行特征提取，得到第二点云特征，将所述第二点云特征输入三维稀疏卷积层进行稀疏化，得到第三点云特征，并将所述第三点云特征输入三维压缩卷积层进行特征压缩，得到第四点云特征；
参数预测模块105，用于根据所述第四点云特征预测得到台风强度；
其中，所述感知域包括条形感知域和圆形感知域。
关于一种基于点云体素的台风定强系统的具体限定可以参见上述对于一种基于点云体素的台风定强方法的限定，此处不再赘述。本领域普通技术人员可以意识到，结合本申请所公开的实施例描述的各个模块和步骤，能够以硬件、软件或者两者结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
与现有技术相比，本申请以葵花卫星云产品为基础数据，建立基于点云体素深度可分离的台风实时定强技术，解决了现有的台风定强方法具有一定的人为主观性和不确定性，无法全面、客观预测台风强度的问题，本发明实施例提供的系统通过对点云体素特征进行特征分割与特征提取，并分析点云体素特征与台风强度之间的联系，为台风强度的精准预测奠定了理论基础，有效提高了预测的准确率。
图5是本发明实施例提供的一种计算机设备，包括存储器、处理器和收发器，它们之间通过总线连接；存储器用于存储一组计算机程序指令和数据，并可以将存储的数据传输给处理器，处理器可以执行存储器存储的程序指令，以执行上述方法的步骤。
其中，存储器可以包括易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者；处理器可以是中央处理器、微处理器、特定应用集成电路、可编程逻辑器件或其组合。通过示例性但不是限制性说明，上述可编程逻辑器件可以是复杂可编程逻辑器件、现场可编程逻辑门阵列、通用阵列逻辑或其任意组合。
另外，存储器可以是物理上独立的单元，也可以与处理器集成在一起。
本领域普通技术人员可以理解，图5中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有相同的部件布置。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述方法的步骤。
本发明实施例提供的一种基于点云体素的台风定强方法、系统、设备及介质，其一种基于点云体素的台风定强方法包括：利用不同感知域、通道注意力机制、三维稀疏卷积层以及三维压缩卷积层对点云体素特征进行处理，并通过全连接层预测得到台风强度，解决了现有的台风定强方法具有一定的人为主观性和不确定性，无法全面、客观预测台风强度的问题；本发明实施例利用云数据和台风信息对构建的模型进行训练后，能够直接使用训练好的模型，且训练好的模型网络参数少、计算复杂度低，泛化能力强，可有效地提高台风强度预测的准确率。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如SSD)等。
本领域技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。
以上所述实施例仅表达了本申请的几种优选实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和替换，这些改进和替换也应视为本申请的保护范围。因此，本申请专利的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种基于点云体素的台风定强方法，其特征在于，包括以下步骤：
对采集到的云数据和台风信息进行预处理，得到点云体素特征；
利用不同感知域对所述点云体素特征进行深度卷积并融合，得到融合特征；
对所述融合特征进行通道混洗、扩充，得到第一点云特征；
利用通道注意力机制对所述第一点云特征进行特征提取，得到第二点云特征；
将所述第二点云特征输入三维稀疏卷积层进行稀疏化，得到第三点云特征；
将所述第三点云特征输入三维压缩卷积层进行特征压缩，得到第四点云特征；
根据所述第四点云特征预测得到台风强度；
其中，所述感知域包括条形感知域和圆形感知域。
2.如权利要求1所述的一种基于点云体素的台风定强方法，其特征在于，所述对采集到的云数据和台风信息进行预处理，得到点云体素特征的步骤包括：
对采集到的云数据进行数据清洗，得到云特征数据；
对采集到的台风信息提取，得到气旋数据；
利用所述气旋数据中的气旋中心位置和气旋时间对所述云特征数据进行匹配、裁剪，得到初始点云数据；
利用预设的采样时刻对所述初始点云数据进行点云增强处理，得到点云增强数据；
对所述点云增强数据进行三维空间体素化并融合，得到点云体素特征；
其中，所述云数据包括云光学厚度、云顶温度、云顶高度、云粒子有效半径以及云类型；
所述云特征数据包括云光学厚度特征数据、云顶温度特征数据、云顶高度特征数据、云粒子有效半径特征数据以及云类型特征数据；
所述气旋数据包括气旋最大风速、气旋经纬度、气旋时间、气旋中心位置。
3.如权利要求1所述的一种基于点云体素的台风定强方法，其特征在于，所述利用不同感知域对所述点云体素特征进行深度卷积并融合，得到融合特征的步骤包括：
利用条形感知域对所述点云体素特征进行深度卷积，得到台风经纬特征；
利用圆形感知域对所述点云体素特征进行深度卷积，得到台风旋转特征；
将所述台风经纬特征和所述台风旋转特征沿通道方向进行融合，得到融合特征；
其中，所述台风经纬特征和所述台风旋转特征的尺寸相同；
所述条形感知域包括三个串联的条形卷积模块，每个条形卷积模块均包括串联的第一卷积层和第二卷积层；
所述圆形感知域包括依次连接的三个圆形卷积层和第三卷积层；
所述第一卷积层包括30个尺寸为3×1的二维卷积核，步长为[2，2]；
所述第二卷积层包括30个尺寸为1×3的二维卷积核，步长为[2，2]；
所述圆形卷积层包括30个尺寸为3×3的二维卷积核，步长为[2，2]；
所述第三卷积层包括30个尺寸为1×1的二维卷积核，步长为[2，2]。
4.如权利要求1所述的一种基于点云体素的台风定强方法，其特征在于：所述通道注意力机制包括第四卷积层；
所述第四卷积层包括30个尺寸为1×1×1的三维卷积核，步长为[1，1，1]。
5.如权利要求1所述的一种基于点云体素的台风定强方法，其特征在于：所述三维稀疏卷积层包括15个尺寸为1×3×3的三维卷积核，步长为[1，1，1]。
6.如权利要求1所述的一种基于点云体素的台风定强方法，其特征在于：所述三维压缩卷积层包括10个尺寸为1×3×3的三维卷积核，步长为[1，1，1]。
7.如权利要求1所述的一种基于点云体素的台风定强系统，其特征在于，所述根据所述第四点云特征预测得到台风强度的步骤包括：
对所述第四点云特征进行维度重组，得到第五点云特征；
将所述第五点云特征输入全连接层进行预测，得到台风强度。
8.一种基于点云体素的台风定强系统，其特征在于，所述系统包括：
数据处理模块，用于对采集到的云数据和台风信息进行预处理，得到点云体素特征；
深度卷积模块，用于利用不同感知域对所述点云体素特征进行深度卷积并融合，得到融合特征；
特征处理模块，用于对所述融合特征进行通道混洗、扩充，得到第一点云特征；
逐点卷积模块，用于利用通道注意力机制对所述第一点云特征进行特征提取，得到第二点云特征，将所述第二点云特征输入三维稀疏卷积层进行稀疏化，得到第三点云特征，并将所述第三点云特征输入三维压缩卷积层进行特征压缩，得到第四点云特征；
参数预测模块，用于根据所述第四点云特征预测得到台风强度；
其中，所述感知域包括条形感知域和圆形感知域。
9.一种计算机设备，其特征在于：包括处理器和存储器，所述处理器与所述存储器相连，所述存储器用于存储计算机程序，所述处理器用于执行所述存储器中存储的计算机程序，以使得所述计算机设备执行如权利要求1至7中任一项所述的方法。
10.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质中存储有计算机程序，当所述计算机程序被运行时，实现如权利要求1至7任一项所述的方法。
CN202111306533.9A 2021-11-05 2021-11-05 一种基于点云体素的台风定强方法、系统、设备及介质 Active CN114049545B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111306533.9A CN114049545B (zh) 2021-11-05 2021-11-05 一种基于点云体素的台风定强方法、系统、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111306533.9A CN114049545B (zh) 2021-11-05 2021-11-05 一种基于点云体素的台风定强方法、系统、设备及介质

Publications (2)

Publication Number Publication Date
CN114049545A true CN114049545A (zh) 2022-02-15
CN114049545B CN114049545B (zh) 2022-06-07

Family

ID=80207365

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111306533.9A Active CN114049545B (zh) 2021-11-05 2021-11-05 一种基于点云体素的台风定强方法、系统、设备及介质

Country Status (1)

Country Link
CN (1) CN114049545B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115016041A (zh) * 2022-08-09 2022-09-06 中国科学院自动化研究所 台风强度确定方法、装置、电子设备及存储介质
CN115661277A (zh) * 2022-10-20 2023-01-31 中山大学 基于变分自编码的台风云图外推方法、系统、设备和介质
CN116360013A (zh) * 2023-04-04 2023-06-30 中国气象局上海台风研究所(上海市气象科学研究所) 一种梯度风平衡的台风客观定强方法及系统

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110267224A1 (en) * 2008-06-25 2011-11-03 Chandrasekaran Venkatachalam Storm advection nowcasting
KR20120008384A (ko) * 2010-07-16 2012-01-30 제주대학교 산학협력단 한반도 해역의 태풍, 폭풍해일의 강도변화 예측 시스템 및 그 방법
CN105447766A (zh) * 2015-11-18 2016-03-30 国网山东省电力公司青岛供电公司 一种基于gis的三维电网气象信息全景展示方法及其系统
CN106228594A (zh) * 2016-07-18 2016-12-14 中国人民解放军理工大学 基于曲面细分的台风模式云动画显示方法
CN109782373A (zh) * 2018-12-14 2019-05-21 内蒙古工业大学 一种基于改进的Naive Bayesian-CNN多目标分类算法的沙尘暴预测方法
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
CN110751209A (zh) * 2019-10-18 2020-02-04 北京邮电大学 一种融合深度图像分类和检索的智能台风定强方法
CN112069955A (zh) * 2020-08-26 2020-12-11 河海大学 基于深度学习的台风强度遥感反演方法
CN112734848A (zh) * 2021-01-18 2021-04-30 中国气象局气象探测中心 一种基于格点数据的台风定位方法
CN112801227A (zh) * 2021-04-06 2021-05-14 航天宏图信息技术股份有限公司 一种台风识别模型的生成方法、装置、设备及存储介质
CN113011501A (zh) * 2021-03-22 2021-06-22 广东海启星海洋科技有限公司 基于图卷积神经网络进行台风水位预测的方法及装置
CN113204903A (zh) * 2021-04-29 2021-08-03 国网电力科学研究院武汉南瑞有限责任公司 一种预测雷电的方法
CN113420831A (zh) * 2021-07-15 2021-09-21 上海眼控科技股份有限公司 热带气旋分析方法、装置、设备及存储介质
CN113534158A (zh) * 2021-06-10 2021-10-22 国家卫星气象中心(国家空间天气监测预警中心) 基于深度学习的静止轨道气象卫星雷达反射率因子反演方法

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110267224A1 (en) * 2008-06-25 2011-11-03 Chandrasekaran Venkatachalam Storm advection nowcasting
KR20120008384A (ko) * 2010-07-16 2012-01-30 제주대학교 산학협력단 한반도 해역의 태풍, 폭풍해일의 강도변화 예측 시스템 및 그 방법
CN105447766A (zh) * 2015-11-18 2016-03-30 国网山东省电力公司青岛供电公司 一种基于gis的三维电网气象信息全景展示方法及其系统
CN106228594A (zh) * 2016-07-18 2016-12-14 中国人民解放军理工大学 基于曲面细分的台风模式云动画显示方法
CN109782373A (zh) * 2018-12-14 2019-05-21 内蒙古工业大学 一种基于改进的Naive Bayesian-CNN多目标分类算法的沙尘暴预测方法
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
CN110751209A (zh) * 2019-10-18 2020-02-04 北京邮电大学 一种融合深度图像分类和检索的智能台风定强方法
CN112069955A (zh) * 2020-08-26 2020-12-11 河海大学 基于深度学习的台风强度遥感反演方法
CN112734848A (zh) * 2021-01-18 2021-04-30 中国气象局气象探测中心 一种基于格点数据的台风定位方法
CN113011501A (zh) * 2021-03-22 2021-06-22 广东海启星海洋科技有限公司 基于图卷积神经网络进行台风水位预测的方法及装置
CN112801227A (zh) * 2021-04-06 2021-05-14 航天宏图信息技术股份有限公司 一种台风识别模型的生成方法、装置、设备及存储介质
CN113204903A (zh) * 2021-04-29 2021-08-03 国网电力科学研究院武汉南瑞有限责任公司 一种预测雷电的方法
CN113534158A (zh) * 2021-06-10 2021-10-22 国家卫星气象中心(国家空间天气监测预警中心) 基于深度学习的静止轨道气象卫星雷达反射率因子反演方法
CN113420831A (zh) * 2021-07-15 2021-09-21 上海眼控科技股份有限公司 热带气旋分析方法、装置、设备及存储介质

Non-Patent Citations (10)

* Cited by examiner, † Cited by third party
Title
JIANYIN ZHOU等: "Classification and Prediction of Typhoon Levels by Satellite Cloud Pictures through GC–LSTM Deep Learning Model", 《SENSORS》 *
JIANYIN ZHOU等: "Classification and Prediction of Typhoon Levels by Satellite Cloud Pictures through GC–LSTM Deep Learning Model", 《SENSORS》, 9 September 2020 (2020-09-09), pages 1 - 17 *
WEI TIAN等: "Tropical Cyclone Intensity Estimation Using Multidimensional Convolutional Neural Network From Multichannel Satellite Imagery", 《IEEE GEOSCIENCE AND REMOTE SENSING LETTERS》 *
WEI TIAN等: "Tropical Cyclone Intensity Estimation Using Multidimensional Convolutional Neural Network From Multichannel Satellite Imagery", 《IEEE GEOSCIENCE AND REMOTE SENSING LETTERS》, vol. 9, 8 December 2021 (2021-12-08), pages 5511105 *
刘逸洁: "基于卫星云导风提取技术的风暴潮模型风场优化研究", 《中国优秀博硕士学位论文全文数据库(硕士) 基础科学辑》 *
刘逸洁: "基于卫星云导风提取技术的风暴潮模型风场优化研究", 《中国优秀博硕士学位论文全文数据库(硕士) 基础科学辑》, no. 03, 15 March 2021 (2021-03-15), pages 010 - 16 *
郑宗生等: "基于Seq2Seq和Attention的时序卫星云图台风等级预测", 《遥感信息》 *
郑宗生等: "基于Seq2Seq和Attention的时序卫星云图台风等级预测", 《遥感信息》, vol. 35, no. 4, 31 August 2020 (2020-08-31), pages 16 - 22 *
陈睿: "基于深度学习的台风预测关键技术研究", 《中国优秀博硕士学位论文全文数据库(硕士) 基础科学辑》 *
陈睿: "基于深度学习的台风预测关键技术研究", 《中国优秀博硕士学位论文全文数据库(硕士) 基础科学辑》, no. 01, 15 January 2021 (2021-01-15), pages 009 - 81 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115016041A (zh) * 2022-08-09 2022-09-06 中国科学院自动化研究所 台风强度确定方法、装置、电子设备及存储介质
CN115661277A (zh) * 2022-10-20 2023-01-31 中山大学 基于变分自编码的台风云图外推方法、系统、设备和介质
CN116360013A (zh) * 2023-04-04 2023-06-30 中国气象局上海台风研究所(上海市气象科学研究所) 一种梯度风平衡的台风客观定强方法及系统
CN116360013B (zh) * 2023-04-04 2023-10-10 中国气象局上海台风研究所(上海市气象科学研究所) 一种梯度风平衡的台风客观定强方法及系统

Also Published As

Publication number Publication date
CN114049545B (zh) 2022-06-07

Similar Documents

Publication Publication Date Title
CN114049545B (zh) 一种基于点云体素的台风定强方法、系统、设备及介质
Bass et al. Surrogate modeling of joint flood risk across coastal watersheds
Lee et al. Rapid prediction of peak storm surge from tropical cyclone track time series using machine learning
EP1971883B1 (en) A statistical-deterministic approach to natural disaster prediction
Taflanidis et al. Rapid assessment of wave and surge risk during landfalling hurricanes: Probabilistic approach
Bilskie et al. Topographic accuracy assessment of bare earth lidar-derived unstructured meshes
Done et al. Modelling global tropical cyclone wind footprints
Samaras et al. High-resolution wave and hydrodynamics modelling in coastal areas: operational applications for coastal planning, decision support and assessment
CN112069955B (zh) 基于深度学习的台风强度遥感反演方法
CN111242351A (zh) 基于自编码器和gru神经网络的热带气旋轨迹预测方法
Yin et al. Advanced machine learning techniques for predicting nha trang shorelines
CN114943189B (zh) 一种基于XGboost的声速剖面反演方法及系统
Foley et al. A statistical framework to combine multivariate spatial data and physical models for hurricane surface wind prediction
CN116467933A (zh) 基于深度学习的风暴潮增水预测方法及系统
KR102411074B1 (ko) 인공지능과 위성영상을 이용한 냉수대 탐지 및 예측을 위한 장치 및 방법
CN117634325B (zh) 资料受限河口区域极值事件识别和复合洪水灾害分析方法和系统
LU504816B1 (en) Interpretable deep learning model for extreme climate prediction
CN114581043B (zh) 跨网络模块化多源多要素海浪实况分析系统
CN116540300B (zh) 概率性海啸灾害分析方法
Rucker Improving the Accuracy of a Real-Time ADCIRC Storm Surge Downscaling Model
Blasone et al. Machine Learning methods for the Atmosphere, the Ocean, and the Seabed.
Xue et al. Integrating Deep Learning and Hydrodynamic Simulation to Improve the Great Lakes Modeling. Remote Sens. 2022, 14, 2640
Tan et al. Research on a Fast Forecast Model of Ocean Wave Heights Based on Deep Learning Algorithms
Chen et al. Nuclear Power Plant Disaster Site Simulation Using Rigid Body Physics
Chen et al. Numerical modeling of observed hurricane waves in deep and shallow waters

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