CN116010812A - 一种基于传统方法与深度学习的北极气旋识别方法、存储介质及装置 - Google Patents
一种基于传统方法与深度学习的北极气旋识别方法、存储介质及装置 Download PDFInfo
- Publication number
- CN116010812A CN116010812A CN202211594085.1A CN202211594085A CN116010812A CN 116010812 A CN116010812 A CN 116010812A CN 202211594085 A CN202211594085 A CN 202211594085A CN 116010812 A CN116010812 A CN 116010812A
- Authority
- CN
- China
- Prior art keywords
- cyclone
- deep learning
- model
- data set
- precision
- 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 57
- 238000013135 deep learning Methods 0.000 title claims abstract description 17
- 238000003860 storage Methods 0.000 title claims abstract description 11
- 238000012549 training Methods 0.000 claims abstract description 25
- 238000007796 conventional method Methods 0.000 claims abstract description 11
- 238000013136 deep learning model Methods 0.000 claims abstract description 10
- 238000006243 chemical reaction Methods 0.000 claims abstract description 5
- 238000004590 computer program Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 6
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 238000011084 recovery Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims 2
- 238000011161 development Methods 0.000 description 3
- JTJMJGYZQZDUJJ-UHFFFAOYSA-N phencyclidine Chemical class C1CCCCN1C1(C=2C=CC=CC=2)CCCCC1 JTJMJGYZQZDUJJ-UHFFFAOYSA-N 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
Images
Classifications
-
- 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
- Image Analysis (AREA)
Abstract
本发明公开了一种基于传统方法与深度学习的北极气旋识别方法、存储介质及装置，所述方法包括以下步骤：(1)下载平均海平面气压数据，进行投影转换，转换为极地投影；(2)通过传统方法识别出候选点；(3)构建数据集；(4)将步骤(3)中构建好的数据集输入到SSD深度学习模型中进行训练；(5)对模型的精度进行评价；(6)将步骤(1)中处理好的图像放入训练好的模型中进行北极气旋的识别；本发明采用SSD深度学习模型进行北极气旋的识别，通过利用大量的样本数据作为数据集对SSD模型进行训练，将深度学习的方法引入到北极气旋的自动识别中，提高了识别的精度，同时也避免了半径较小的气旋未被识别出的现象，提高了识别的效率。
Description
技术领域
本发明涉及极地遥感技术领域，尤其涉及一种基于传统方法与深度学习的北极气旋识别方法、存储介质及装置。
背景技术
北极气旋从广义上来说泛指在北极地区生成或移入北极的气旋性环流系统，其直径范围从几百公里到上千公里，生命周期也从几小时到几天。由于北极气旋发生发展过程常伴随有灾害性的强风、降水、恶劣能见度、显著的表面温度异常等天气过程，对于航运、海上作业、生态环境具有重要影响，因此也被认为是影响北极地区最危险的天气系统之一。同时，复杂大气环境与海冰分布、海表温度、海浪等过程紧密相关，容易导致海冰加速消融或快速漂移，是当前北极航海保障的重点和难点问题。因此，对于北极气旋的识别及分析其活动规律是保障北极航海的关键。
目前用于识别北极气旋的常见方法主要包括欧拉方法和拉格朗日方法。欧拉方法通过对海平面气压或位势高度场的方差作天气尺度的滤波，从而得到这种斜压波的空间分布特征，但是该方法不能反映它们的数量和强度。拉格朗日方法使用海平面气压的最小值或相对涡度的最大值指示气旋的中心。近年来，随着观测手段的发展以及深度学习方法的出现，需要提出一种将传统方法和深度学习方法结合的自动识别算法，提高北极气旋的识别精度。
发明内容
发明目的：本发明的目的是提供了一种基于传统方法与深度学习的北极气旋识别方法、存储介质及装置可以自动识别北极气旋，提高识别精度和识别速度。
技术方案：本发明所述的一种基于传统方法与深度学习的北极气旋识别方法、存储介质及装置，所述方法包括以下步骤：
(1)下载平均海平面气压数据，选取0时，6时，12时和18时四时次的数据，将数据转换至极地投影；
(2)通过中心气压法识(以下简称传统方法)别出候选点，作为建立数据集的依据；
(3)根据步骤(2)中得到的点，进行数据集的构建；
(4)将步骤(3)中构建好的数据集输入到SSD深度学习模型中进行训练，得到训练好的模型；
(5)对模型的精度进行评价；
(6)将步骤(1)中处理好的图像放入训练好的模型中进行北极气旋的识别，得到识别结果及得分情况。
进一步的，所述步骤(1)选取的平均海平面气压数据的时间为2010-2015年，空间分辨率为0.25°，范围为60°N到90°N。
进一步的，所述步骤(2)为：将步骤(1)中的转换投影之后的结果进行降尺度，降为空间分辨率为100km×100km，利用3×3的网格进行循环遍历，将区域最小值作为候选点，比较候选点与网格平均值的大小，舍去大于平均值的候选点，比较剩下点的距离，将距离小于北极气旋的半径的点舍去，剩下的点作为构建数据集的依据。
进一步的，所述步骤(3)为：根据步骤(2)中的结果，采用labelImg方法进行标签的制作，构建训练数据集。
进一步的，所述步骤(4)为：将训练数据集放入SSD深度学习模型中进行训练，设置合适的参数；其中，参数为：模型的预训练权重设置为VOC数据集预训练权重，输入的图片尺寸为300×300，先验框的大小为(30，60，111，162，213，264，315)，训练的世代数为200，学习率的下降方式为cos。
进一步的，所述步骤(5)为：对训练好的模型进行精度检验，采用精确率(Precision)、平均精度(Average Precision)、F1分数(F1 score)进行模型精度检验。其中，精确率的公式为：
其中，Precision为模型的精确率，TP为正样本，预测结果为正；FP为正样本，预测结果为负。
平均精度的计算公式为：
F1分数的计算公式为：
其中，FN为负样本，预测结果为正，recall为召回率。
进一步的，一种存储介质，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上述方法。
进一步的，一种装置，包括存储器和处理器，其中，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述方法。
有益效果：与现有技术相比，本发明具有如下显著优点：相较于传统的北极气旋识别算法，本发明采用SSD深度学习模型进行北极气旋的识别，通过利用大量的样本数据作为数据集对SSD模型进行训练，将深度学习的方法引入到北极气旋的自动识别中，提高了识别的精度，同时也避免了半径较小的气旋未被识别出的现象，提高了识别的效率。
附图说明
图1为本发明的总流程图；
图2为传统方法识别的单一北极气旋结果图；
图3为传统方法识别的多个北极气旋结果图；
图4为本发明识别的单一北极气旋结果图；
图5为本发明识别的多个北极气旋结果图；
图6为本发明训练的模型的精度图。
具体实施方式
下面结合附图对本发明的技术方案作进一步说明。
如图1-2所示，本发明的实施例提供了及一种基于传统方法与深度学习的北极气旋识别方法、存储介质及装置，所述方法基于平均海平面气压数据，通过传统方法识别作为参考构建数据集，放入SSD深度学习模型中进行训练，进而识别出北极气旋，具体包括以下步骤：
(1)下载平均海平面气压数据，选取0时，6时，12时和18时四时次的数据，将数据投影至极地投影；具体为：从ECMWF官网下载ERA5平均海平面气压数据，数据的空间分辨率为0.25°×0.25°，时间上选取0时、6时、12时和18时四个时次的数据，数据格式为NC，选取的数据范围为60°N至90°N。通过Python方法，将平均海平面气压数据进行绘制，并进行投影转换，转换为极地投影，在本发明中选择的投影为North_Pole_Azimuthal_Equidistant。其中，选取的平均海平面气压数据的时间为2010-2015年。
(2)通过传统方法识别出候选点，作为建立数据集的依据；具体为：将步骤(1)中的转换投影之后的结果进行降尺度，降为空间分辨率为100km×100km，利用3×3的网格进行循环遍历，将区域最小值作为候选点，比较候选点与网格平均值的大小，舍去大于平均值的候选点，比较剩下点的距离，将距离小于北极气旋的半径的点舍去，剩下的点作为构建数据集的依据。
(3)根据步骤(2)中得到的点，进行数据集的构建；具体为：所述步骤(3)为：根据步骤(2)中的结果，采用labelImg方法进行标签的制作，构建训练数据集。
(4)将步骤(3)中构建好的数据集输入到SSD深度学习模型中进行训练，得到训练好的模型；具体为：将训练数据集放入SSD深度学习模型中进行训练，设置合适的参数，SSD模型可在Github网站获取公开资源；其中，模型的具体参数设置如下：模型的预训练权重设置为VOC数据集预训练权重(VOC预训练权重可在Github网站中获取)，输入的图片尺寸为300×300，先验框的大小为(30，60，111，162，213，264，315)，训练的世代数为200，学习率的下降方式为cos。
(5)对模型的精度进行评价；具体为：对训练好的模型进行精度检验，采用精确率(Precision)、平均精度(Average Precision)、F1分数(F1 score)进行模型精度检验，上述指标均选择得分为0.5时的结果；其中，精确率的公式为：
其中，Precision为模型的精确率，TP为正样本，预测结果为正；FP为正样本，预测结果为负。
平均精度的计算公式为：
F1分数的计算公式为：
其中，FN为负样本，预测结果为正，recall为召回率。
模型评价结果如表1所示：
表1模型的精度评价
| Precision | AP | F1 score |
| 96.53 | 95.23 | 0.62 |
(6)将步骤(1)中处理好的图像放入训练好的模型中进行北极气旋的识别，得到识别结果及得分情况。
本发明实施例还提供一种存储介质，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上述方法。
本发明实施例还提供一种装置，包括存储器和处理器，其中，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述方法。
Claims (8)
1.一种基于传统方法与深度学习的北极气旋识别方法，其特征在于，包括以下步骤：
(1)下载平均海平面气压数据，选取0时，6时，12时和18时四时次的数据，将数据投影至极地投影；
(2)通过中心气压法识别出候选点，作为建立数据集的依据；
(3)根据步骤(2)中得到的点，进行数据集的构建；
(4)将步骤(3)中构建好的数据集输入到SSD深度学习模型中进行训练，得到训练好的模型；
(5)对模型的精度进行评价；
(6)将步骤(1)中处理好的图像放入训练好的模型中进行北极气旋的识别，得到识别结果及得分情况。
2.根据权利要求1所述的一种基于传统方法与深度学习的北极气旋识别方法，其特征在于，所述步骤(1)选取的平均海平面气压数据的时间为2010-2015年，空间分辨率为0.25°，范围为60°N到90°N。
3.根据权利要求1所述的一种基于传统方法与深度学习的北极气旋识别方法，其特征在于，所述步骤(2)为：将步骤(1)中的转换投影之后的结果进行降尺度，降为空间分辨率为100km×100km，利用3×3的网格进行循环遍历，将区域最小值作为候选点，比较候选点与网格平均值的大小，舍去大于平均值的候选点，比较剩下点的距离，将距离小于北极气旋的半径的点舍去，剩下的点作为构建数据集的依据。
4.根据权利要求1所述的一种基于传统方法与深度学习的北极气旋识别方法，其特征在于，所述步骤(3)为：根据步骤(2)中的结果，采用labelImg方法进行标签的制作，构建训练数据集。
5.根据权利要求1所述的一种基于传统方法与深度学习的北极气旋识别方法，其特征在于，所述步骤(4)为：将训练数据集放入SSD深度学习模型中进行训练，设置合适的参数；其中，参数为：模型的预训练权重设置为VOC数据集预训练权重，输入的图片尺寸为300×300，先验框的大小为(30，60，111，162，213，264，315)，训练的世代数为200，学习率的下降方式为cos。
6.根据权利要求1所述的一种基于传统方法与深度学习的北极气旋识别方法，其特征在于，所述步骤(5)为：对训练好的模型进行精度检验，采用精确率、平均精度、F1分数进行模型精度检验。其中，精确率的公式为：
其中，Precision为模型的精确率，TP为正样本，预测结果为正；FP为正样本，预测结果为负。
平均精度的计算公式为：
F1分数的计算公式为：
其中，FN为负样本，预测结果为正，recall为召回率。
7.一种存储介质，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行如权利要求1-6中任一所述方法。
8.一种装置，包括存储器和处理器，其中，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行如权利要求1-6中任一所述方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211594085.1A CN116010812B (zh) | 2022-12-13 | 2022-12-13 | 一种基于传统方法与深度学习的北极气旋识别方法、存储介质及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211594085.1A CN116010812B (zh) | 2022-12-13 | 2022-12-13 | 一种基于传统方法与深度学习的北极气旋识别方法、存储介质及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116010812A true CN116010812A (zh) | 2023-04-25 |
| CN116010812B CN116010812B (zh) | 2023-11-21 |
Family
ID=86029536
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211594085.1A Active CN116010812B (zh) | 2022-12-13 | 2022-12-13 | 一种基于传统方法与深度学习的北极气旋识别方法、存储介质及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116010812B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN110488392A (zh) * | 2019-08-13 | 2019-11-22 | 中国科学院海洋研究所 | 一种基于海平面气压数据的气旋中心识别和半径估算方法 |
| CN110991769A (zh) * | 2019-12-23 | 2020-04-10 | 南京大学 | 一种夏季北极气旋对海冰影响的量化方法 |
| CN113344136A (zh) * | 2021-07-06 | 2021-09-03 | 南京信息工程大学 | 一种基于Mask R-CNN的新反气旋客观识别方法 |
| 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 |
| US20220343221A1 (en) * | 2018-06-28 | 2022-10-27 | Ashton Robinson Cook | Machine learning-based disaster modeling and high-impact weather event forecasting |
| CN115409804A (zh) * | 2022-08-31 | 2022-11-29 | 杭州电子科技大学 | 一种乳腺磁共振影像的病灶区域识别标注及疗效预测方法 |
-
2022
- 2022-12-13 CN CN202211594085.1A patent/CN116010812B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20220343221A1 (en) * | 2018-06-28 | 2022-10-27 | Ashton Robinson Cook | Machine learning-based disaster modeling and high-impact weather event forecasting |
| 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 |
| CN110488392A (zh) * | 2019-08-13 | 2019-11-22 | 中国科学院海洋研究所 | 一种基于海平面气压数据的气旋中心识别和半径估算方法 |
| CN110991769A (zh) * | 2019-12-23 | 2020-04-10 | 南京大学 | 一种夏季北极气旋对海冰影响的量化方法 |
| CN113344136A (zh) * | 2021-07-06 | 2021-09-03 | 南京信息工程大学 | 一种基于Mask R-CNN的新反气旋客观识别方法 |
| 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 |
| CN115409804A (zh) * | 2022-08-31 | 2022-11-29 | 杭州电子科技大学 | 一种乳腺磁共振影像的病灶区域识别标注及疗效预测方法 |
Non-Patent Citations (3)
| Title |
|---|
| JOHN HANLEY ET AL.: "Objective identification and tracking ofmulticentre cyclones in the ERA-Interimreanalysis dataset", 《QUARTERLY JOURNAL OF THE ROYALMETEOROLOGICAL SOCIETY》, pages 612 * |
| TENG LONG ET AL.: "Identification of tropical cyclone centre based on satellite images via deep learning techniques", 《INTERNATIONAL JOURNAL OF CLIMATOLOGY》, pages 10373 - 10386 * |
| 周舒: "全球增暖背景下北极气旋活动的异常变化研究", 《中国优秀硕士学位论文全文数据库 基础科学辑》, pages 008 - 16 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116010812B (zh) | 2023-11-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111160474B (zh) | 一种基于深度课程学习的图像识别方法 | |
| CN112629863B (zh) | 变工况下动态联合分布对齐网络的轴承故障诊断方法 | |
| US11488069B2 (en) | Method for predicting air quality with aid of machine learning models | |
| US20160203245A1 (en) | Method for simulating wind field of extreme arid region based on wrf | |
| CN108596886A (zh) | 基于深度学习的航拍图像绝缘子掉片故障快速检测方法 | |
| Kruschke et al. | Probabilistic evaluation of decadal prediction skill regarding Northern Hemisphere winter storms | |
| CN110555841B (zh) | 基于自注意图像融合和dec的sar图像变化检测方法 | |
| CN102445640A (zh) | 基于向量机和人工鱼群优化的gis设备智能识别方法 | |
| CN111860106B (zh) | 一种无监督的桥梁裂缝识别方法 | |
| CN109978039B (zh) | 一种基于不平衡数据集情况下的风机叶片结冰预测方法 | |
| CN111652835A (zh) | 基于深度学习与聚类的输电线路绝缘子缺失的检测方法 | |
| CN113487600B (zh) | 一种特征增强尺度自适应感知船舶检测方法 | |
| CN111178438A (zh) | 一种基于ResNet101的天气类型识别方法 | |
| CN116229380A (zh) | 一种变电站涉鸟故障相关鸟种识别方法 | |
| CN111325376A (zh) | 风速预测方法及装置 | |
| CN115359295A (zh) | 一种解耦知识蒸馏金具目标检测方法及系统 | |
| CN116010812B (zh) | 一种基于传统方法与深度学习的北极气旋识别方法、存储介质及装置 | |
| CN112614121A (zh) | 一种多尺度小目标设备缺陷识别监测方法 | |
| CN116245230B (zh) | 一种电站设备的运行巡检与趋势分析方法及系统 | |
| CN116757321A (zh) | 太阳直接辐射量预测方法、系统、设备及存储介质 | |
| CN117235632A (zh) | 一种大型蒸发传感器水位异常数据检测方法 | |
| CN112966710B (zh) | 基于线性判别分析的fy-3d红外高光谱云检测方法 | |
| CN115905997B (zh) | 基于预测偏差优化的风电机组气象灾害预警方法及系统 | |
| CN115761359A (zh) | 一种基于迁移学习和无监督学习方法的光伏图像缺陷分类方法 | |
| CN112348700B (zh) | 一种结合som聚类与ifou方程的线路容量预测方法 |
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 |