CN116030401B

CN116030401B - 一种基于深度学习的欧亚地区冷锋自动识别方法

Info

Publication number: CN116030401B
Application number: CN202310309247.0A
Authority: CN
Inventors: 秦育婧; 何书雅; 卢楚翰
Original assignee: Nanjing University of Information Science and Technology
Current assignee: Nanjing University of Information Science and Technology
Priority date: 2023-03-28
Filing date: 2023-03-28
Publication date: 2023-07-04
Anticipated expiration: 2043-03-28
Also published as: CN116030401A

Abstract

本发明公开了一种基于深度学习的欧亚地区冷锋自动识别方法，包括如下步骤：S1、获得850hPa温度、风场数据，随机挑选欧亚地区5年各部分时次的数据，利用数值锋面分析方法，制作冷锋标签数据；S2、计算850hPa的温度平流，将温度和温度平流绘制成RGB图像；S3、将冷锋标签数据和RGB图像作为训练数据集，对深度学习模型进行训练；S4、计算任意时次的温度和温度平流，并绘制成RGB图像，输入到训练完成的深度学习模型中，可以自动识别冷锋。本发明利用深度学习方法识别冷锋，可简化自动识别冷锋的过程，节约人力物力资源，为预报工作提供参考，对实现业务预报中的冷锋自动化有积极贡献。

Description

一种基于深度学习的欧亚地区冷锋自动识别方法

技术领域

本发明涉及天气系统自动识别技术领域，具体涉及一种基于深度学习的欧亚大陆冷锋自动识别方法。

背景技术

锋面是影响天气变化的重要天气系统之一，在实际业务预报中，锋面分析仍以人工分析为主，锋面分析过程较为复杂，需要考虑温度场、风场等气象要素，且人工分析具有主观性，而业务中的其他项目基本实现自动化，这表明，对天气系统的自动识别是一种重要的趋势。因此，简化锋面识别过程，实现锋面的自动识别，对气象业务现代化有重要意义。

深度学习是机器学习研究中的一个新的领域，利用深度的神经网络，将网络模型处理得更为复杂，从而使模型对数据的理解更加深入。气象资料的大量积累和技术进步有利于提高模型的性能，一些模型被引入到气象研究领域中对原有识别预报技术起到改进和补充作用。因此，需要提出一种基于深度学习的欧亚地区冷锋自动识别方法，能够简化自动识别冷锋的过程，节约宝贵的业务时间，为预报工作提供参考，对实现业务预报中的冷锋自动化有积极贡献。

发明内容

本发明所要解决的技术问题：提供一种基于深度学习的欧亚地区冷锋自动识别方法，利用数值锋面分析方法构建深度学习模型所需的标签数据，绘制训练所需的RGB图像，再通过训练Mask R-CNN模型从图像中识别冷锋，简化自动识别冷锋的过程，节约业务时间，实现业务预报中的锋面分析自动化。

本发明为解决以上技术问题而采用以下技术方案：

本发明提出的一种基于深度学习的欧亚地区冷锋自动识别方法，包括如下步骤：

S1、从欧洲中期天气预报中心（ECMWF）下载特定压强下的温度、风场数据，从中随机挑选欧亚地区部分时次的数据，利用数值锋面分析方法，制作冷锋标签数据，为grd格式。

S2、根据步骤S1中欧亚地区部分时次的温度、风场数据，计算温度平流，绘制含有温度和温度平流信息的RGB图像，为png格式。

S3、将冷锋标签数据和RGB图像作为训练数据集，直接输入到深度学习模型MaskR-CNN中，进行训练。

S4、利用步骤S1下载的温度和风场数据，计算任意时次的温度和温度平流，并绘制成RGB图像，输入训练好的Mask R-CNN模型中，可以自动识别冷锋。

进一步，步骤S1中，选取850hPa温度、风场数据；挑选欧亚地区5年内对应时次的数据。

进一步，步骤S1中，制作冷锋标签数据所用数值锋面分析方法的具体实施步骤如下：

S101、用GrADS（Grid Analysis and Display System, 网格分析与显示系统）将下载的850hPa温度、风场数据资料转换成二进制格式，并按年、月储存获得气象参数。

S102、根据气象参数，使用分辨率为0.25°×0.25°的ERA-5再分析资料，在经纬度范围为10°~70°N、0~160°E的区域内，计算热锋面参数，具体公式如下：

其中，

为在850hPa的温度值；选择/>

区域作为锋区。

S103、计算温度平流，具体公式如下：

其中，

为850hPa的纬向水平风、经向水平风，/>

为/>

的复合风，x为纬向，y为经向，/>

为850hPa的温度用Fortran编程软件进行五点平滑100次后的温度值。在所述锋区内选择/>

的区域为冷锋锋区。

S104、在选定的冷锋锋区中，满足

、

的分辨率为0.25°×0.25°格点作为第一初选点，2.5°×2.5°所在的范围为一个大格点，第一初选点在一个大格点中的总个数占大格点中所有小格点总数的比例设为第一密度，将第一密度大于0.05的大格点设为第二初选点，获得完整锋区，将完整锋区中第二初选点位于东侧和南侧的格点保留定义为锋区的暖边界，保留暖边界第二初选点中位于东侧和南侧的第一初选点，得到初始锋面复选点。

S105、将初始冷锋标签上的每个点分别向东、南、西、北四个方向扩展2个网格点，得到加粗后的初始冷锋标签，将初始冷锋数据集的初始冷锋经纬度输出为文本格式，即为冷锋标签数据。

进一步，步骤S2中，绘制含有温度和温度平流信息的RGB图像的具体步骤如下：

S201、根据步骤S103中的公式，计算850hPa的温度平流。

S202、将850hPa的温度和温度平流分别进行灰度处理，灰度处理的公式为：

其中，对850hPa的温度进行灰度处理时，

是灰度处理后的温度，/>

是温度的最小值，/>

是温度的最大值；对850hPa的温度平流进行灰度处理时，/>

是灰度处理后的温度平流，/>

是温度平流的最小值，/>

是温度平流的最大值；RGB图像像素取值为0-255。

S203、分别将灰度处理后的850hPa温度和温度平流作为RGB图像的R、G通道，绘制欧亚地区（10-80°N，0-160°E）的RGB图像。

进一步，步骤S3中，对深度学习模型Mask R-CNN进行训练时，具体参数设置如下：GPU数量1，单GPU处理图片数量2，分类为背景、冷锋，图片高度281，宽度640，RPN anchor步长（8，16，32，64，128），训练每张图的ROIS数32，epoch数44，单次epoch迭代训练数10000，交叉验证步数5000，可信度阈值80%。

本发明采用以上技术方案，与现有技术相比，其显著技术效果如下：

本发明的一种基于深度学习的欧亚地区冷锋自动识别方法，利用深度学习模型Mask R-CNN在图像识别任务中对数据深入的理解，通过850hPa温度和温度平流数据与冷锋标签数据训练Mask R-CNN模型，对冷锋进行自动识别和形状描述，简化以往需要从点拟合成线的绘制步骤，能直接从图像中识别出冷锋，提高冷锋识别的效率，提高气象科研工作中对欧亚大陆冷锋识别的效率和准确性。

附图说明

图1为本发明提供的基于深度学习的冷锋自动方法的整体实施流程示意图。

图2为本发明中绘制含有温度和温度平流信息的RGB图像的示意图。

图3为本发明的实施例一中选取2008年9月21日12时这一时次的自动识别冷锋。

图4为本发明的实施例一中选取2008年9月21日12时这一时次的850hPa冷平流、等温线、风场。

图5为本发明的实施例二中选取2008年10月18日00时这一时次的人工识别和自动识别冷锋对比图。

图6为本发明的实施例二中选取2008年10月25日00时这一时次的人工识别和自动识别冷锋对比图。

图7为本发明的实施例二中选取2014年10月20日12时这一时次的人工识别和自动识别冷锋对比图。

具体实施方式

下面将结合说明书附图和具体实施方式对本发明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。

为实现上述目的，本发明提出一种基于深度学习的欧亚地区冷锋自动识别方法，简化自动识别冷锋的过程，提高气象科研工作中对欧亚大陆冷锋识别的效率和准确性。

实施例一：

如图1的整体实施流程示意图所示，本发明所述基于深度学习的欧亚地区冷锋自动识别方法使用850hPa温度场、风场数据，利用深度学习模型Mask R-CNN对欧亚大陆的冷锋进行识别。所述方法包括以下步骤：

S1、从欧洲中期天气预报中心（ECMWF）下载从1989-2022年的ERA-5再分析资料，要素为850hPa温度场、风场，数据格式为NetCDF格式，水平分辨率为0.25°×0.25°。在本实施例中，随机挑选了1989-1993年的数据，共3196个时次，日期的最小间隔为12小时。利用数值锋面分析方法制作这5年对应时次的冷锋标签数据，储存为二进制格式，具体步骤如下：

S101、用GrADS将下载的850hPa温度、风场数据资料转换成二进制格式，并按年、月储存获得气象参数。

其中，

为在850hPa的温度值；选择/>

区域作为锋区。

S103、计算温度平流，具体公式如下：

其中，

为850hPa的纬向水平风、经向水平风，/>

为/>

的复合风，x为纬向，y为经向，/>

为850hPa的温度用Fortran编程软件进行五点平滑100次后的温度值；在所述锋区内选择/>

的区域为冷锋锋区。

S104、在选定的冷锋锋区中，满足

、

S2、挑选步骤S1中1989-1993这5年所有时次的850hPa温度、风场数据，计算温度平流

，其中/>

为850hPa的风矢量，/>

为850hPa的水平风，x为纬向，y为经向，/>

为850hPa的温度用Fortran编程软件进行五点平滑100次后的结果。用python编程软件将850hPa的温度和温度平流分别进行灰度处理，灰度处理的公式为：

其中，对850hPa的温度进行灰度处理时，

是灰度处理后的温度，/>

是温度的最小值，/>

是温度的最大值。对850hPa的温度平流进行灰度处理时，/>

是灰度处理后的温度平流，/>

是温度平流的最小值，/>

是温度平流的最大值。RGB图像像素取值为0-255。

如图2所示，分别将灰度处理后的850hPa温度和温度平流作为RGB图像的R、G通道，用python编程软件绘制欧亚地区（10-80°N，0-160°E）的RGB图像。

S3、将步骤S1中的5年冷锋标签数据和步骤S2中的RGB图像共同作为训练数据集，输入到Mask R-CNN模型中，设置模型参数，训练Mask R-CNN模型。Mask R-CNN模型预训练权重为COCO数据集预训练权重，模型源码和COCO数据集预训练权重都从github.com网站公开资源中获取。在本实施例，中该模型具体参数设置如下：GPU数量1，单GPU处理图片数量2，分类为背景、冷锋，图片高度281，宽度640，RPN anchor步长（8，16，32，64，128），训练每张图的ROIS数32，epoch数44，单次epoch迭代训练数10000，交叉验证步数5000，可信度阈值80%。当训练模型的epoch数为44时，模型的loss函数减小至0.1，模型收敛，训练完成。

S4、利用步骤S1下载的850hPa温度和风场数据，用python编程软件计算2008年9月21日12时的温度平流和温度，并将其灰度化处理，分别作为RGB图像的R、G通道，绘制成RGB图像，输入到训练好的Mask R-CNN模型中，得到Mask R-CNN模型输出二进制的2008年9月21日12时次自动识别冷锋数据，并通过气象绘图软件NCL绘制成自动识别冷锋图像，如图3所示。

图3中，本发明提出的基于深度学习的欧亚地区冷锋自动识别方法识别出了4条冷锋，分别位于东欧平原的高压外围、中西伯利亚低压、中国东北低压和鄂霍次克海低压中，且次克海气旋中的冷锋前后还具有明显的气旋式风向切变，这是冷锋附近的风场分布的典型特征。图4是2008年9月21日12时的850hPa温度场和冷平流分布，从图中可以看出，各冷锋都在850hPa的冷锋锋区中，具有等温线分布密集，温度平流场都是冷平流的特点。这表明深度学习识别的冷锋位置是准确的。

实施例二：

参照图1，为本发明的第二个实施例，该实施例基于实施例一。

与实施例一中获取自动识别冷锋的步骤类似，获取2008年10月18日00时、2008年10月25日00时、2014年10月20日12时三个时次的自动识别冷锋数据，同时对这三个时次的冷锋进行人工识别，分析对比人工识别和自动识别的冷锋。冷锋分析本身的复杂性和主观性决定了冷锋位置和形状的确定没有一个绝对客观的评估标准，与人工分析的冷锋进行比较能够最大程度的评判自动识别冷锋的准确度。

从图5、图6、图7可见，深色为本发明提出的基于深度学习的欧亚地区冷锋自动识别方法自动识别的冷锋，浅色为人工分析识别的冷锋，在这三个不同的时次自动识别的冷锋和人工识别冷锋的位置都基本一致。这能够表明本发明的冷锋自动识别方法对冷锋识别的可靠性和识别效果的稳定性。

以上所述仅为本发明的示例性实施例，并非因此限制本发明专利保护范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims

1.一种基于深度学习的欧亚地区冷锋自动识别方法，其特征在于，包括如下步骤：

S1、下载850hPa下的温度、风场数据，从中随机挑选欧亚地区5年内对应时次的数据，利用数值锋面分析方法，制作冷锋标签数据，具体步骤如下：

S101、GrADS将下载的850hPa温度、风场数据资料转换成二进制格式，并按年、月储存获得气象参数；

S102、根据气象参数，使用分辨率为0.25°×0.25°的ERA-5再分析资料，在经纬度范围为10°～70°N、0～160°E的区域内，计算热锋面参数，具体公式如下：

其中，τ为850hPa的温度值；选择|TFP|≤2×10^-11K/m²区域作为锋区；

S103、计算温度平流，具体公式如下：

其中u、v为850hPa的纬向水平风、经向水平风，

为u、v的复合风，x为纬向，y为经向，T为850hPa的温度用Fortran编程软件进行五点平滑100次后的温度值；在所述锋区内选择

的区域为冷锋锋区；

S104、在选定的冷锋锋区中，满足|TFP|≤2×10^-11K/m²、

的分辨率为0.25°×0.25°格点作为第一初选点，2.5°×2.5°所在的范围为一个大格点，第一初选点在一个大格点中的总个数占大格点中所有小格点总数的比例设为第一密度，将第一密度大于0.05的大格点设为第二初选点，获得完整锋区，将完整锋区中第二初选点位于东侧和南侧的格点保留定义为锋区的暖边界，保留暖边界第二初选点中位于东侧和南侧的第一初选点，得到初始锋面复选点；

S105、将初始冷锋标签上的每个点分别向东、南、西、北四个方向扩展2个网格点，得到加粗后的初始冷锋标签，将初始冷锋数据集的初始冷锋经纬度输出为文本格式，即为冷锋标签数据；

S2、根据步骤S1中欧亚地区5年内对应时次的温度、风场数据，计算温度平流，绘制含有温度和温度平流信息的RGB图像；

S3、将冷锋标签数据和RGB图像作为训练数据集，对深度学习模型Mask R-CNN进行训练；

S4、利用步骤S1下载的温度、风场数据，计算任意时次的温度和温度平流，并绘制成RGB图像，输入到训练完成的Mask R-CNN模型中，实现自动识别冷锋。

2.根据权利要求1所述的基于深度学习的欧亚地区冷锋自动识别方法，其特征在于，步骤S2中，绘制含有温度和温度平流信息的RGB图像的具体步骤如下：

S201、根据步骤S103中的公式，计算850hPa的温度平流；

其中，对850hPa的温度进行灰度处理时，x^*是灰度处理后的温度，x_min是温度的最小值，x_max是温度的最大值；对850hPa的温度平流进行灰度处理时，x^*是灰度处理后的温度平流，x_min是温度平流的最小值，x_max是温度平流的最大值；RGB图像像素取值为0-255；

S203、分别将灰度处理后的850hPa温度和温度平流作为RGB图像的R、G通道，绘制欧亚地区的RGB图像。

3.根据权利要求1所述的基于深度学习的欧亚地区冷锋自动识别方法，其特征在于，步骤S3中，对深度学习模型Mask R-CNN进行训练时，具体参数设置如下：GPU数量1；单GPU处理图片数量2；分类为背景、冷锋；图片高度281；宽度640；RPN anchor步长为8，16，32，64，128；训练每张图的ROIS数32；epoch数44；单次epoch迭代训练数10000；交叉验证步数5000；可信度阈值80％。