CN115082439A - 融合卫星云图时空信息的热带气旋定强方法、介质及设备 - Google Patents
融合卫星云图时空信息的热带气旋定强方法、介质及设备 Download PDFInfo
- Publication number
- CN115082439A CN115082439A CN202210863062.XA CN202210863062A CN115082439A CN 115082439 A CN115082439 A CN 115082439A CN 202210863062 A CN202210863062 A CN 202210863062A CN 115082439 A CN115082439 A CN 115082439A
- Authority
- CN
- China
- Prior art keywords
- time
- tropical cyclone
- space
- infrared
- time information
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 62
- 239000011159 matrix material Substances 0.000 claims abstract description 33
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 18
- 230000006870 function Effects 0.000 claims abstract description 15
- 238000004590 computer program Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 7
- 238000005728 strengthening Methods 0.000 claims description 7
- JTJMJGYZQZDUJJ-UHFFFAOYSA-N phencyclidine Chemical class C1CCCCN1C1(C=2C=CC=CC=2)CCCCC1 JTJMJGYZQZDUJJ-UHFFFAOYSA-N 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 3
- 238000013136 deep learning model Methods 0.000 abstract description 5
- 230000007547 defect Effects 0.000 abstract description 4
- 230000002787 reinforcement Effects 0.000 abstract description 2
- 238000012549 training Methods 0.000 description 12
- 238000004364 calculation method Methods 0.000 description 7
- 238000012360 testing method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000002679 ablation Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 230000002123 temporal effect Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002688 persistence Effects 0.000 description 1
- 230000031877 prophase Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/53—Querying
- G06F16/532—Query formulation, e.g. graphical querying
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/587—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using geographical or spatial information, e.g. location
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30192—Weather; Meteorology
-
- 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)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Library & Information Science (AREA)
- Image Processing (AREA)
Abstract
本发明提出了一种融合卫星云图时空信息的热带气旋定强方法、介质及设备,属于深度学习模型预测领域。本发明基于热带气旋的最佳路径数据和红外卫星云图数据进行时空匹配获得红外云图影像,再基于红外云图影像获取空间权重矩阵,通过正弦函数对热带气旋持续时间进行编码获得时间编码值,进而利用空间权重矩阵和时间编码值对红外卫星云图数据进行时空加强,以时空信息增强后的红外云图影像输入经过训练的卷积神经网络模型中,预测得到目标时刻的热带气旋强度。本发明可根据时空编码信息对原始卫星红外云图进行时空加强,可以弥补数据驱动下深度学习模型的不足,提高模型的可解释性,并大大提升卷积神经网络模型对热带气旋的定强精度。
Description
技术领域
本发明属于深度学习模型预测领域,具体涉及一种基于卫星云图的热带气旋强度估测技术。
背景技术
热带气旋(Tropical Cyclone, TC)是在热带或副热带洋面上发生的低压漩涡,作为一类极端天气事件,其引发的强风、暴雨和风暴潮等事件给沿海地区造成了严重的社会经济损失和灾害人员伤亡。在此背景下,及时准确地估测热带气旋强度对于应急决策具有重要意义。近年来,深度学习方法和气象卫星图像被广泛用于TC强度的估测工作中。但现有大多数基于卫星图像估测热带气旋强度的神经网络模型完全是数据驱动的,其性能取决于训练数据的数量和质量,未考虑热带气旋的演变规律和物理机制对热带气旋强度的影响。其次,热带气旋作为不规则的非刚性物体,在红外卫星云图中具有各异的形态和结构特征,仅通过红外卫星图像的云结构进行热带气旋识别容易受到背景干扰云系等其他因素的影响。尽管已有研究通过引入多分支策略和注意力机制提高估测性能,但在可解释性方面仍存在欠缺。
由此可见,大多数基于原始卫星图像估测热带气旋强度的神经网络模型过于依赖训练数据的数量和质量,未考虑热带气旋的演变规律和物理机制对TC强度的影响。因此,目前应用深度学习进行热带气旋强度估测的技术,依然存在估测准确性不足、模型可解释性较差等缺陷。
发明内容
本发明的目的是克服现有热带气旋强度估测中准确性不足、模型可解释性较差等缺陷,提供可一种融合卫星云图时空信息的热带气旋定强方法、介质及设备。
为实现上述发明目的,本发明具体采用的技术方案如下:
第一方面,本发明提供了一种融合卫星云图时空信息的热带气旋定强方法,其包括:
S1:从热带气旋的最佳路径数据中获取目标时刻的热带气旋位置,并基于所述目标时刻和所述热带气旋位置对红外卫星云图数据进行时空匹配,得到目标时刻下覆盖热带气旋影响范围的红外云图影像;
S2:对所述红外云图影像中的所有红外通道图层进行叠加,得到融合亮温分布图,并通过对融合亮温分布图进行归一化,获得目标时刻的空间权重矩阵;
S3:根据热带气旋的最佳路径数据中记录的热带气旋起始时间,计算目标时刻的热带气旋持续时间并对其进行编码,获得目标时刻的时间编码值;
S4:将目标时刻的所述空间权重矩阵和所述时间编码值融合至所述红外云图影像的每个红外通道图层中,得到时空信息增强后的红外云图影像;
S5:将时空信息增强后的红外云图影像输入经过训练的卷积神经网络模型中,预测得到目标时刻的热带气旋强度。
作为上述第一方面的优选,所述S1中,对红外卫星云图数据进行时空匹配的方法如下:
根据目标时刻进行时间匹配,获取目标时刻的红外卫星云图数据作为时间匹配结果;再根据目标时刻的热带气旋位置的经纬度坐标对时间匹配结果进行空间匹配,得到以目标时刻热带气旋位置为中心且以热带气旋影响范围的外包框为边界的红外云图影像。
作为上述第一方面的优选,所述热带气旋影响范围的外包框为方形外包框,且其边长不小于热带气旋的最大直径。
作为上述第一方面的优选,所述S2中,获得目标时刻的空间权重矩阵的方法如下:
S21:从目标时刻的所述红外云图影像中获取各红外通道图层,并对各红外通道图层相加求和,得到融合亮温分布图;
S22:对整张融合亮温分布图进行归一化处理,获得目标时刻的空间权重矩阵。
作为上述第一方面的优选,所述S22中,根据融合亮温分布图中像素的最小值与最大值对融合亮温分布图进行归一化处理。
作为上述第一方面的优选,所述S3中,获得目标时刻的时间编码值的方法如下:
以热带气旋的最佳路径数据中记录的热带气旋起始时间为基准时间,将目标时刻与基准时间的差值作为目标时刻的热带气旋持续时间,以(0,π⁄2]范围内的正弦函数为时间编码函数对目标时刻的热带气旋持续时间进行时间编码,得到目标时刻的时间编码值;所述正弦函数的自变量输入为目标时刻的时间编码值和热带气旋生命周期最大值的比值与π⁄2的乘积。
作为上述第一方面的优选,所述S4中,融合形成时空信息增强后的红外云图影像的方法如下:
将目标时刻的所述空间权重矩阵和所述时间编码值相乘形成时空信息矩阵,将该时空信息矩阵以哈达玛积相乘的形式叠加到所述红外云图影像中的每个红外通道图层上,实现各通道的时空信息增强,得到时空信息增强后的红外云图影像。
作为上述第一方面的优选,所述S5中的卷积神经网络模型为DeepCNN网络模或DenseNet网络模型。
第二方面,本发明提供了一种计算机可读存储介质,所述存储介质上存储有计算机程序,当所述计算机程序被处理器执行时,实现如上述第一方面中任一方案所述的融合卫星云图时空信息的热带气旋定强方法。
第三方面,本发明提供了一种计算机电子设备,其包括存储器和处理器;
所述存储器,用于存储计算机程序;
所述处理器,用于当执行所述计算机程序时,实现如上述第一方面中任一方案所述的融合卫星云图时空信息的热带气旋定强方法。
本发明与现有技术相比具有的有益效果:
本发明提供的融合卫星云图时空信息的热带气旋定强方法中,基于持续时间将热带气旋前期时间编码信息应用到热带气旋的强度估测中,同时根据多红外通道亮温分布获取空间权重矩阵作为空间注意力图层,设计了一种用于热带气旋强度估测的时空编码模块,可根据时空编码信息对原始图像进行时空加强,以弥补数据驱动下深度学习模型的不足,提高模型的可解释性。本发明通过对输入的卫星云图数据进行包括时间信息增强和空间信息增强的前置数据处理,可大大提升热带气旋的定强精度。
附图说明
图1为本发明中融合卫星云图时空信息的热带气旋定强方法的步骤示意图;
图2为实施例中时空增强的消融实验对比结果。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图对本发明的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似改进,因此本发明不受下面公开的具体实施例的限制。本发明各个实施例中的技术特征在没有相互冲突的前提下,均可进行相应组合。
本发明通过对红外云图的研究表明,气象卫星红外通道探测的辐射亮温信息与热带气旋强度关系密切。但仅通过红外卫星图像的云结构进行热带气旋检测会受到背景干扰云系的影响,且相邻强度级别的热带气旋结构和形态特征极为相似,而同一强度等级的红外热带气旋图像也可能具有相异的云型。因此,本发明的热带气旋定强方法综合考虑红外云图亮温分布和热带气旋前期时序信息,提出一种融合卫星云图时空信息的热带气旋定强方法来估测热带气旋强度,根据时空编码信息对原始卫星云图进行时空特征加强,以弥补数据驱动下深度学习模型的不足,提高模型的可解释性。下面对该方法的具体实现方式进行展开描述。
如图1所示,在本发明的一个较佳实施例中,提供了一种融合卫星云图时空信息的热带气旋定强方法,该方法包括以下步骤S1~S5,各步骤的具体实现如下:
S1:从热带气旋的最佳路径数据中获取目标时刻的热带气旋位置,并基于所述目标时刻和所述热带气旋位置对红外卫星云图数据进行时空匹配,得到目标时刻下覆盖热带气旋影响范围的红外云图影像。
需要说明的是,本发明中热带气旋的最佳路径(Best Track)数据是热带气旋(台风)警报中心根据观测和定位定强技术通过综合分析所制作的,其内容包括热带气旋在行进过程中不同时刻的中心定位、最大风速、最低气压和强度等级等信息,是分析热带气旋的重要资料。本发明从热带气旋的最佳路径数据中获取的主要是热带气旋的位置,即其中心定位坐标。根据该热带气旋位置信息,可以进行卫星云图的空间匹配。
需要说明的是,本发明中所说的目标时刻,是需要对热带气旋强度进行估测的指定时刻,具体可根据估测需要而定。在实际应用时,如需对不同的时刻依次进行定强,则可将各时刻依次作为目标时刻并执行本发明的定强方法。
作为本发明实施例的实现方式,上述步骤S1中,对红外卫星云图数据进行时空匹配的具体方法如下:
S11、根据目标时刻进行时间匹配,获取目标时刻的红外卫星云图数据作为时间匹配结果。
需要说明的是,红外卫星云图是卫星云图的一种,红外卫星云图数据中包含一系列的通道,每一个通道对应的图层即该通道的亮温分布图,反应了不同空间位点的亮温,可反映被探测物体表面的冷热状况。红外卫星云图可通过地面接收系统接收气象卫星上的探测仪器在大气窗区的红外波段感应云顶和地表面的红外辐射量强弱分布而得,亦可从其他卫星云图中提取红外通道数据得到。
S12、再根据目标时刻的热带气旋位置的经纬度坐标对时间匹配结果进行空间匹配,得到以目标时刻热带气旋位置为中心且以热带气旋影响范围的外包框为边界的红外云图影像。
需要说明的是,热带气旋影响范围的外包框大小需要根据热带气旋在卫星云图上的空间尺寸而定。作为本发明实施例的实现方式,此处采用的热带气旋影响范围的外包框为方形外包框,且其边长不小于热带气旋的最大直径,优选设置为1280 km。
S2:对S12中得到的红外云图影像中的所有红外通道图层进行叠加,得到融合亮温分布图,并通过对融合亮温分布图进行归一化,获得目标时刻的空间权重矩阵。
作为本发明实施例的实现方式,上述步骤S2中,获得目标时刻的空间权重矩阵的方法如下:
S21:从S12中得到的目标时刻的红外云图影像中获取各红外通道图层,并对各红外通道图层相加求和,得到融合亮温分布图。
此处,红外云图影像x= [x t 1 ,x t 2 ,…,x t c ],则对各红外通道图层相加求和可具体按照如下计算公式实现:
x t =Sum([x t 1 ,x t 2 ,…,x t c ]) ,i=1,2,…,c
其中,x t 表示t时刻的融合亮温分布图,x t i 表示t时刻红外云图影像对应于第i个红外通道的通道图层,即亮温分布图,c为红外云图影像中的红外通道总数。
S22:对S21中得到的整张融合亮温分布图进行归一化处理,归一化结果记为获得的目标时刻的空间权重矩阵。
需要说明的是,此处的归一化处理是对整张融合亮温分布图全局执行的,其目的是将空间权重矩阵中的元素映射到[0,1]范围。作为本发明实施例的实现方式,可根据融合亮温分布图中像素的最小值与最大值对融合亮温分布图进行归一化处理,具体计算公式如下所示:
x
se
=(x
t
- min(x
t
)) ⁄ (max(x
t
) - min(x
t
))
其中:x t 表示S21中计算得到的t时刻的融合亮温分布图,x se 表示用于根据亮温分布进行空间信息增强的二维空间权重矩阵,max(x t )和min(x t ) 分别为融合亮温分布图中像素的最大值与最小值。需要说明的是,由于融合亮温分布图x t 实际是一个矩阵,因此x t - min(x t ) 的计算相当于将融合亮温分布图x t 中的每一个元素值都减去min(x t ) 。
S3:根据热带气旋的最佳路径数据中记录的热带气旋起始时间,计算目标时刻的热带气旋持续时间并对其进行编码,获得目标时刻的时间编码值。
作为本发明实施例的实现方式,上述步骤S3中,获得目标时刻的时间编码值的方法如下:
S31、以热带气旋的最佳路径数据中记录的热带气旋起始时间为基准时间,将目标时刻与基准时间的差值作为目标时刻的热带气旋持续时间。
需要说明的是,该热带气旋持续时间即TC前期持续性因子,其作用是作为后续时间编码的基础。若以t表示目标时刻,则t时刻的热带气旋持续时间d t 具体计算公式如下所示:
d
t
= t - t
0
其中:t 0 表示热带气旋的最佳路径数据中记录的热带气旋起始时间。
S32、以(0,π⁄2]范围内的正弦函数为时间编码函数对目标时刻的热带气旋持续时间进行时间编码,得到目标时刻的时间编码值。
需要说明的是,上述时间编码函数是根据热带气旋强度随时间变化的演变趋势所选择的,(0,π⁄2]范围内的正弦函数能够与热带气旋的演变趋势相匹配。上述正弦函数的自变量输入为目标时刻的时间编码值和热带气旋生命周期最大值的比值与π⁄2的乘积。上述正弦函数具体公式可表示如下:
x te =sin (π/2*d t ⁄ d max )
其中,x te 表示目标时刻t的时间编码值,d max 表示热带气旋生命周期最大值,(π/2* d t ⁄ d max )整体为正弦函数sin的自变量输入。需要说明的是,热带气旋生命周期最大值代表了热带气旋的最长持续时间,该参数可以根据最佳路径数据获得,也可以通过其他气象学方式进行估测,亦可以通过统计分析设定一个固定值。
S4:将S22中得到的目标时刻的空间权重矩阵和S32中得到的目标时刻的时间编码值,融合至红外云图影像的每个红外通道图层中,得到时空信息增强后的红外云图影像。
作为本发明实施例的实现方式,上述步骤S4中,融合形成时空信息增强后的红外云图影像的方法如下:
将目标时刻的空间权重矩阵和时间编码值相乘形成时空信息矩阵,将该时空信息矩阵以哈达玛积(Hadamard product)相乘的形式叠加到所述红外云图影像中的每个红外通道图层上,实现各通道的时空信息增强,得到时空信息增强后的红外云图影像。该融合过程的具体计算公式可表示如下:
x' t =[x' t 1 ,x' t 2 ,…,x' t c ]
x' t i = (x se *x te )⊕x t i
其中,x' t i 表示时空信息增强后的t时刻红外云图影像中第i个通道的通道图层,x se 表示S22中得到的t时刻的空间权重矩阵,x te 表示S32中得到的目标时刻t的时间编码值,x t i 表示t时刻的原始红外云图影像中第i个通道的通道图层,即亮温分布图;符号*表示空间权重矩阵和时间编码值相乘,⊕表示哈达玛积,即矩阵逐元素相乘。
上述S1~S4所示的方法框架相当于一个前置于卷积神经网络模型之前的时空编码模块,能够将原始的红外云图影像进行时空编码,形成时空信息增强后的红外云图影像。如图2所示,其中(a)为卷积神经网络模型的预测示意图,(b)为该时空编码模块(STE-TC模块)的原理图。
S5:将时空信息增强后的红外云图影像输入经过训练的卷积神经网络模型中,预测得到目标时刻的热带气旋强度。
需要说明的是,上述卷积神经网络模型可以是任意能够实现热带气旋强度预测的网络模型。作为本发明实施例的实现方式,卷积神经网络模型可以采用DeepCNN网络模或DenseNet网络模型。该卷积神经网络模型在实际用于进行定强预测之前,需要利用训练数据进行训练,其精度满足要求后方可投入使用。训练数据中,每一个样本是由输入数据和标签组成的,输入数据为按照前述S1~S4步骤构建的时空信息增强后的红外云图影像,而标签则是其热带气旋强度。
下面基于前述实施例中的融合卫星云图时空信息的热带气旋定强方法,通过一个具体的应用实例来展示本发明方法的具体训练、应用过程和所能达到的效果。具体的方法步骤如前所述,不再赘述,下面仅展示其具体效果。
实施例
在该实例中,基于JMA最佳路径(Best Track Data, BST)数据集和Himawari-8卫星云图数据集构建训练数据和测试数据,其具体过程如下:
1)为了使BST数据集和Himawari-8卫星云图数据在时间和空间上相匹配,对两类数据分别采取以下措施:
a)此处使用的JMA最佳路径数据集每3h/6h记录一次西北太平洋海域热带气旋事件的位置和强度数据,为匹配H-8卫星数据的时间分辨率,将BST数据线性插值获取1h时间分辨率的处理数据;
b) Himawari-8卫星数据的空间分辨率为5km ,根据BST数据集中热带气旋中心所在经纬度坐标,将H-8卫星图像裁切为1280*1280km大小。 Himawari-8卫星数据需提取其中的红外通道图层即亮温图。
c)根据观测观测时间和位置信息将两类数据按照前述的S1步骤进行时空相匹配,得到BST数据中各时刻下覆盖热带气旋影响范围的红外云图影像。
2)按照前述S2步骤,将Himawari-8卫星图像的10个红外通道图层相加求取亮温和,得到融合亮温分布图;根据叠加后融合亮温分布图层的最小值与最大值进行归一化处理获得各时刻对应的空间权重矩阵x se 。
3)按照前述步骤S3,对于时序长度为s的BST数据记录,根据每个记录时间点相对起报时刻的时间间隔计算热带气旋持续时间d t 。设定热带气旋生命周期最大值d max 为256,并根据热带气旋强度随时间变化的演变趋势,选择(0,π⁄2]范围内的正弦函数进行时间编码计算,获得BST数据中各时刻的时间编码值x te 。
S4:将目标时刻的所述空间权重矩阵和所述时间编码值融合至所述红外云图影像的每个红外通道图层中,得到时空信息增强后的红外云图影像;
S5:将时空信息增强后的红外云图影像输入经过训练的卷积神经网络模型中,预测得到目标时刻的热带气旋强度。
4)按照前述S4步骤,将时间编码值x te 和空间权重矩阵x se 叠加在各个原始红外云图影像的每个红外通道图层上,进行时间信息增强和空间信息增强,得到时空信息增强后的红外云图影像。由此,得到一系列的不同时刻的时空信息增强后的红外云图影像样本,基于对每个样本的热带气旋强度进行打标签,完成训练集中训练样本和测试集中测试样本的构建。
5)为了验证本时空增强方法的有效性,选取Deep CNN 、DenseNet两类卷积神经网络模型进行定强精度计算。利用构建的训练集中的训练样本对卷积神经网络模型进行训练,直至网络收敛。然后用测试集中的测试样本对卷积神经网络模型的预测性能进行验证,将测试样本中时空信息增强后的红外云图影像输入经过训练的卷积神经网络模型中,预测得到目标时刻的热带气旋强度。
在本实例中,为了比较时间信息增强和空间信息增强对于卷积神经网络模型的热带气旋强度预测性能的影响,设置了消融实验。其中,分别使用原始H-8卫星红外云图影像、进行时间增强(记为TE)的H-8卫星红外云图影像、进行空间增强(记为SE)的H-8卫星红外云图影像和同时使用时空增强(记为STE,即本发明前述的定强方法)的H-8卫星红外云图影像作为模型输入进行强度估测,并采用平均绝对误差(mean absolute error, MAE)和均方根误差(root mean squared error, RMSE)进行性能评估,具体计算结果如表1所示。
表1 消融实验的估测误差对比
需说明的是,上标中“有”和“无”分别代表使用和不使用对应的增强模块,SE和TE均使用的即为本发明前述S1~S5所示的方法。经对比可见,将该时空增强方法中的时间信息增强和空间信息增强作为模型估测的前置数据处理,均可提升热带气旋的定强精度。
同样的,基于同一发明构思,本发明的另一较佳实施例中还提供了与上述实施例提供的融合卫星云图时空信息的热带气旋定强方法对应的一种计算机电子设备,其包括存储器和处理器;
所述存储器,用于存储计算机程序;
所述处理器,用于当执行所述计算机程序时,实现如前所述的融合卫星云图时空信息的热带气旋定强方法。
此外,上述的存储器中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。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或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,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,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。
由此,基于同一发明构思,本发明的另一较佳实施例中还提供了与上述实施例提供的融合卫星云图时空信息的热带气旋定强方法对应的一种计算机可读存储介质,该所述存储介质上存储有计算机程序,当所述计算机程序被处理器执行时,能实现如前所述的融合卫星云图时空信息的热带气旋定强方法。
具体而言,在上述两个实施例的计算机可读存储介质中,存储的计算机程序被处理器执行,可执行前述S1~S5的步骤流程,各步骤流程可以以程序模块的形式来实现。
可以理解的是,上述存储介质、存储器可以采用随机存取存储器(Random AccessMemory,RAM),也可以采用非易失性存储器(Non-Volatile Memory,NVM),例如至少一个磁盘存储器。同时存储介质还可以是U盘、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
可以理解的是,上述的处理器可以是通用处理器,包括中央处理器(CentralProcessing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital SignalProcessing,DSP)、专用集成电路(Application Specific IntegratedCircuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
另外需要说明的是,所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的装置的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。在本申请所提供的各实施例中,所述的装置和方法中对于步骤或者模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个模块或步骤可以结合或者可以集成到一起,一个模块或者步骤亦可进行拆分。
以上所述的实施例只是本发明的一种较佳的方案,然其并非用以限制本发明。有关技术领域的普通技术人员,在不脱离本发明的精神和范围的情况下,还可以做出各种变化和变型。因此凡采取等同替换或等效变换的方式所获得的技术方案,均落在本发明的保护范围内。
Claims (10)
1.一种融合卫星云图时空信息的热带气旋定强方法,其特征在于,包括:
S1:从热带气旋的最佳路径数据中获取目标时刻的热带气旋位置,并基于所述目标时刻和所述热带气旋位置对红外卫星云图数据进行时空匹配,得到目标时刻下覆盖热带气旋影响范围的红外云图影像;
S2:对所述红外云图影像中的所有红外通道图层进行叠加,得到融合亮温分布图,并通过对融合亮温分布图进行归一化,获得目标时刻的空间权重矩阵;
S3:根据热带气旋的最佳路径数据中记录的热带气旋起始时间,计算目标时刻的热带气旋持续时间并对其进行编码,获得目标时刻的时间编码值;
S4:将目标时刻的所述空间权重矩阵和所述时间编码值融合至所述红外云图影像的每个红外通道图层中,得到时空信息增强后的红外云图影像;
S5:将时空信息增强后的红外云图影像输入经过训练的卷积神经网络模型中,预测得到目标时刻的热带气旋强度。
2.根据权利要求1所述的融合卫星云图时空信息的热带气旋定强方法,其特征在于,所述S1中,对红外卫星云图数据进行时空匹配的方法如下:
根据目标时刻进行时间匹配,获取目标时刻的红外卫星云图数据作为时间匹配结果;再根据目标时刻的热带气旋位置的经纬度坐标对时间匹配结果进行空间匹配,得到以目标时刻热带气旋位置为中心且以热带气旋影响范围的外包框为边界的红外云图影像。
3.根据权利要求2所述的融合卫星云图时空信息的热带气旋定强方法,其特征在于,所述热带气旋影响范围的外包框为方形外包框,且其边长不小于热带气旋的最大直径。
4.根据权利要求1所述的融合卫星云图时空信息的热带气旋定强方法,其特征在于,所述S2中,获得目标时刻的空间权重矩阵的方法如下:
S21:从目标时刻的所述红外云图影像中获取各红外通道图层,并对各红外通道图层相加求和,得到融合亮温分布图;
S22:对整张融合亮温分布图进行归一化处理,获得目标时刻的空间权重矩阵。
5.根据权利要求4所述的融合卫星云图时空信息的热带气旋定强方法,其特征在于,所述S22中,根据融合亮温分布图中像素的最小值与最大值对融合亮温分布图进行归一化处理。
6.根据权利要求1所述的融合卫星云图时空信息的热带气旋定强方法,其特征在于,所述S3中,获得目标时刻的时间编码值的方法如下:
以热带气旋的最佳路径数据中记录的热带气旋起始时间为基准时间,将目标时刻与基准时间的差值作为目标时刻的热带气旋持续时间,以(0,π⁄2]范围内的正弦函数为时间编码函数对目标时刻的热带气旋持续时间进行时间编码,得到目标时刻的时间编码值;所述正弦函数的自变量输入为目标时刻的时间编码值和热带气旋生命周期最大值的比值与π⁄2的乘积。
7.根据权利要求1所述的融合卫星云图时空信息的热带气旋定强方法,其特征在于,所述S4中,融合形成时空信息增强后的红外云图影像的方法如下:
将目标时刻的所述空间权重矩阵和所述时间编码值相乘形成时空信息矩阵,将该时空信息矩阵以哈达玛积相乘的形式叠加到所述红外云图影像中的每个红外通道图层上,实现各通道的时空信息增强,得到时空信息增强后的红外云图影像。
8.根据权利要求1所述的融合卫星云图时空信息的热带气旋定强方法,其特征在于,所述S5中的卷积神经网络模型为DeepCNN网络模或DenseNet网络模型。
9.一种计算机可读存储介质,其特征在于,所述存储介质上存储有计算机程序,当所述计算机程序被处理器执行时,实现如权利要求1~7任一所述的融合卫星云图时空信息的热带气旋定强方法。
10.一种计算机电子设备,其特征在于,包括存储器和处理器;
所述存储器,用于存储计算机程序;
所述处理器,用于当执行所述计算机程序时,实现如权利要求1~7任一所述的融合卫星云图时空信息的热带气旋定强方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210863062.XA CN115082439B (zh) | 2022-07-22 | 2022-07-22 | 融合卫星云图时空信息的热带气旋定强方法、介质及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210863062.XA CN115082439B (zh) | 2022-07-22 | 2022-07-22 | 融合卫星云图时空信息的热带气旋定强方法、介质及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115082439A true CN115082439A (zh) | 2022-09-20 |
CN115082439B CN115082439B (zh) | 2022-11-29 |
Family
ID=83242651
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210863062.XA Active CN115082439B (zh) | 2022-07-22 | 2022-07-22 | 融合卫星云图时空信息的热带气旋定强方法、介质及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115082439B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024098499A1 (zh) * | 2022-11-10 | 2024-05-16 | 中国科学院深圳先进技术研究院 | 热带气旋对称性结构分析方法、装置、设备及存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090014549A1 (en) * | 2007-07-09 | 2009-01-15 | Alfred Rosen | Processes and means for reducing the intensity of tropical cyclones |
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 |
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 |
CN111695473A (zh) * | 2020-06-03 | 2020-09-22 | 中国人民解放军国防科技大学 | 基于长短时记忆网络模型的热带气旋强度客观监测方法 |
CN112939379A (zh) * | 2021-04-19 | 2021-06-11 | 南京理工大学 | 一种锂电池工业生产废水的深度处理方法 |
CN113642475A (zh) * | 2021-08-17 | 2021-11-12 | 中国气象局上海台风研究所(上海市气象科学研究所) | 基于卷积神经网络模型的大西洋飓风强度估算方法 |
CN114139760A (zh) * | 2021-09-29 | 2022-03-04 | 苏州浪潮智能科技有限公司 | 一种预测台风路径的方法、系统、存储介质及设备 |
CN114548606A (zh) * | 2022-04-25 | 2022-05-27 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 一种气旋强度预测模型的构建方法及气旋强度预测方法 |
CN114549552A (zh) * | 2022-02-15 | 2022-05-27 | 上海翰宇生物科技有限公司 | 基于空间邻域分析的肺部ct图像分割装置 |
-
2022
- 2022-07-22 CN CN202210863062.XA patent/CN115082439B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090014549A1 (en) * | 2007-07-09 | 2009-01-15 | Alfred Rosen | Processes and means for reducing the intensity of tropical cyclones |
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 |
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 |
CN111695473A (zh) * | 2020-06-03 | 2020-09-22 | 中国人民解放军国防科技大学 | 基于长短时记忆网络模型的热带气旋强度客观监测方法 |
CN112939379A (zh) * | 2021-04-19 | 2021-06-11 | 南京理工大学 | 一种锂电池工业生产废水的深度处理方法 |
CN113642475A (zh) * | 2021-08-17 | 2021-11-12 | 中国气象局上海台风研究所(上海市气象科学研究所) | 基于卷积神经网络模型的大西洋飓风强度估算方法 |
CN114139760A (zh) * | 2021-09-29 | 2022-03-04 | 苏州浪潮智能科技有限公司 | 一种预测台风路径的方法、系统、存储介质及设备 |
CN114549552A (zh) * | 2022-02-15 | 2022-05-27 | 上海翰宇生物科技有限公司 | 基于空间邻域分析的肺部ct图像分割装置 |
CN114548606A (zh) * | 2022-04-25 | 2022-05-27 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 一种气旋强度预测模型的构建方法及气旋强度预测方法 |
Non-Patent Citations (3)
Title |
---|
THU ZAR HSAN 等: "Combining Support Vector Machine and Polynomial Regressing to Predict Tropical Cyclone Track", 《2021 IEEE 3RD GLOBAL CONFERENCE ON LIFE SCIENCES AND TECHNOLOGIES》 * |
周笑天 等: "基于神经网络集合预报的台风路径预报优化", 《浙江大学学报(理学版)》 * |
黄小刚 等: "利用神经网络方法建立热带气旋强度预报模型", 《应用气象学报》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024098499A1 (zh) * | 2022-11-10 | 2024-05-16 | 中国科学院深圳先进技术研究院 | 热带气旋对称性结构分析方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115082439B (zh) | 2022-11-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11521379B1 (en) | Method for flood disaster monitoring and disaster analysis based on vision transformer | |
CN110705457B (zh) | 一种遥感影像建筑物变化检测方法 | |
CN107423702B (zh) | 基于tld跟踪系统的视频目标跟踪方法 | |
CN113591968A (zh) | 一种基于非对称注意力特征融合的红外弱小目标检测方法 | |
CN113240170A (zh) | 一种基于季节性循环神经网络的空气质量预测方法 | |
CN105957054A (zh) | 一种图像变化检测方法 | |
CN115082439B (zh) | 融合卫星云图时空信息的热带气旋定强方法、介质及设备 | |
Kim et al. | Automated classification of thermal defects in the building envelope using thermal and visible images | |
CN113033432A (zh) | 一种基于渐进监督的遥感影像居民区提取方法 | |
CN113408398B (zh) | 基于通道注意力及概率上采样的遥感图像云检测方法 | |
CN112418149A (zh) | 一种基于深卷积神经网络的异常行为检测方法 | |
CN110163294A (zh) | 基于降维操作和卷积网络的遥感图像变化区域检测方法 | |
CN113077424A (zh) | 一种基于深度学习的输电线路通道环境变化检测方法及系统 | |
CN111982822A (zh) | 一种长时间序列高精度植被指数改进算法 | |
Yang et al. | Toward country scale building detection with convolutional neural network using aerial images | |
CN112802108A (zh) | 目标对象定位方法、装置、电子设备及可读存储介质 | |
CN114926826A (zh) | 场景文本检测系统 | |
Zhang et al. | Extremely efficient PM2. 5 estimator based on analysis of saliency and statistics | |
CN116363610A (zh) | 一种基于改进YOLOv5的航拍车辆旋转目标检测方法 | |
CN115797501A (zh) | 一种结合森林干扰与恢复事件的时间序列林龄制图方法 | |
CN103903258A (zh) | 基于次序统计量谱聚类的遥感图像变化检测方法 | |
CN114757941A (zh) | 变电站设备缺陷的识别方法、装置、电子设备及存储介质 | |
CN114782500A (zh) | 基于多目标跟踪的卡丁车比赛行为分析方法 | |
CN110503663B (zh) | 一种基于抽帧检测的随机多目标自动检测跟踪方法 | |
CN102509288A (zh) | 基于Memetic核聚类的SAR图像变化检测方法 |
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 |