CN116736410A - 热带气旋识别方法、系统、电子设备及介质 - Google Patents

热带气旋识别方法、系统、电子设备及介质 Download PDF

Info

Publication number
CN116736410A
CN116736410A CN202310684900.1A CN202310684900A CN116736410A CN 116736410 A CN116736410 A CN 116736410A CN 202310684900 A CN202310684900 A CN 202310684900A CN 116736410 A CN116736410 A CN 116736410A
Authority
CN
China
Prior art keywords
tropical cyclone
generation
cyclone
tropical
movement path
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
CN202310684900.1A
Other languages
English (en)
Other versions
CN116736410B (zh
Inventor
李矜霄
李嗣源
颜子翔
臧钰歆
朱雪诞
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 Investigation Design and Research Institute Co Ltd SIDRI
Original Assignee
Shanghai Investigation Design and Research Institute Co Ltd SIDRI
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 Investigation Design and Research Institute Co Ltd SIDRI filed Critical Shanghai Investigation Design and Research Institute Co Ltd SIDRI
Priority to CN202310684900.1A priority Critical patent/CN116736410B/zh
Publication of CN116736410A publication Critical patent/CN116736410A/zh
Application granted granted Critical
Publication of CN116736410B publication Critical patent/CN116736410B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/10—Devices for predicting weather conditions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2462—Approximate or statistical queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Environmental & Geological Engineering (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Ecology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Atmospheric Sciences (AREA)
  • Remote Sensing (AREA)
  • Artificial Intelligence (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Environmental Sciences (AREA)
  • Development Economics (AREA)
  • Evolutionary Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请提供一种热带气旋识别方法、系统、电子设备及介质，包括获取多元化气象数据；对所述多元化气象数据进行标准化处理以获取标准大尺度变量；基于所述标准大尺度变量识别热带气旋的生成位置和移动路径；所述生成位置包括基于海平面气压识别第一生成位置和基于蜗度识别第二生成位置；基于所述生成位置和所述移动路径获取热带气旋最优识别结果。本申请提出的热带气旋识别方法、系统、电子设备及介质，适用于变网格模式的大尺度误差校正方法，可以基于不同的再分析及台风观测资料直接识别全球热带气旋活动，并且能对识别后的热带气旋生成位置、移动路径强度等做最优融合，生成最优融合数据集。

Description

热带气旋识别方法、系统、电子设备及介质
技术领域
本申请属于气象观测领域，特别是涉及一种热带气旋识别方法、系统、电子设备及介质。
背景技术
热带气旋是热带海洋中最具破坏性的自然灾害之一。高风速和大雨是热带气旋的标志，对沿海地区的社会经济和公共安全产生了重要影响。因此，热带气旋的活动一直是灾害预防和减轻的核心内容。但是，目前由于对热带气旋了解不足和预测准确性不高，人类社会每年都遭受巨大的损失。
但是，目前技术难以直接识别每个热带气旋的生命史，通过统计算法建立的联系并不能直接精确的表征热带气旋生成、发展、消亡的整个生命史，进而造成热带气旋识别的物理偏差。为了更加精准识别热带气旋，避免对人类社会造成巨大的损失，对热带气旋动力学的持续研究和提高热带气旋预测技能是必要的。
发明内容
本申请提供一种热带气旋识别方法，用于解决现有技术无法精确识别全球热带气旋活动的问题。
第一方面，本申请提供一种热带气旋识别方法，包括获取多元化气象数据；对所述多元化气象数据进行标准化处理以获取标准大尺度变量；基于所述标准大尺度变量识别热带气旋的生成位置和移动路径；所述生成位置包括基于海平面气压识别第一生成位置和基于蜗度识别第二生成位置；基于所述生成位置和所述移动路径获取热带气旋最优识别结果。。
在第一方面的一种实现方式中，所述基于海平面气压识别第一生成位置包括：获取区域范围内海平面气压最小处；计算300-500hPa对流层中半径600km范围内的暖心位置以作为热带气旋的第一生成位置；所述第一生成位置与所述海平面气压最小处的位置偏差不大于200千米。
在第一方面的一种实现方式中，所述基于蜗度识别第二生成位置包括：获取区域范围内海洋850-hPa绝对涡度最大处；计算每一时次的全球平均温度与300-500hPa对流层纬向平均温度的相减结果；当所述相减结果大于1℃时，将所述300-500hPa对流层纬向平均温度的最大处作为热带气旋的第二生成位置；所述第二生成位置与所述850-hPa绝对涡度最大处的位置偏差不大于100千米。
在第一方面的一种实现方式中，基于所述标准大尺度变量识别热带气旋的移动路径包括：基于所述生成位置进行时空维度搜索；其中，所述时空维度搜索包括：获取区域范围内最大风速大于17.4米/秒的位置；将时间间隔不大于24小时或空间范围不大于600公里的位置定义为同一热带气旋过程以获取所述热带气旋的移动路径。
在第一方面的一种实现方式中，基于所述生成位置和所述移动路径获取热带气旋最优识别结果包括：根据热带气旋生成点位误差判断所述第一生成位置和所述第二生成位置的准确性以获取热带气旋最优生成位置；根据移动路径误差判断所述移动路径的准确性以获取热带气旋最优移动路径。
在第一方面的一种实现方式中，所述热带气旋生成点位误差为：其中，GlatO为历史及观测再分析资料中热带气旋生成位置的经度，GlatT为所述第一生成位置或所述第二生成位置的经度，GlonO为历史及观测再分析资料中热带气旋生成位置的纬度，GlonT为所述第一生成位置或所述第二生成位置的纬度；所述移动路径误差为：/>其中，n为热带气旋移动路径中点的数量，T_latO为历史及观测再分析资料中热带气旋移动路径中各个点的经度，T_latT为移动路径中各个点的经度，T_lonO为历史及观测再分析资料中热带气旋移动路径中各个点的纬度，T_lonT为移动路径中各个点的纬度。
在第一方面的一种实现方式中，所述获取多元化气象数据的实现方式包括通过数值模式获取。
第二方面，本申请提供一种热带气旋识别系统，包括获取模块，用于获取多元化气象数据；标准化模块，用于对所述多元化气象数据进行标准化处理以获取标准大尺度变量；识别模块，用于基于所述标准大尺度变量识别热带气旋的生成位置和移动路径；所述生成位置包括基于海平面气压识别第一生成位置和基于蜗度识别第二生成位置；优化模块，用于基于所述生成位置和所述移动路径获取热带气旋最优识别结果
第三方面，本申请提供一种电子设备，包括：存储器，被配置为存储计算机程序；以及处理器，与所述存储器通信相连，所述处理器被配置为调用所述计算机程序以执行本申请第一方面所述的热带气旋识别方法。
第四方面，本申请提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现本申请第一方面所述的热带气旋识别方法。
本申请所述的一种热带气旋识别方法、系统、电子设备及介质，具有以下有益效果：适用于变网格模式的大尺度误差校正方法，可以基于不同的再分析及台风观测资料直接识别全球热带气旋活动，并且能对识别后的热带气旋生成位置、移动路径强度等做最优融合，生成最优融合数据集。
附图说明
图1显示为本申请一实施例提供的一种热带气旋识别方法的流程示意图。
图2显示为本申请一实施例所述的一种数值预报模型的示意图。
图3显示为本申请一实施例所述的一种热带气旋识别方法的流程示意图。
图4显示为本申请一实施例所述的一种热带气旋识别方法的流程示意图。
图5显示为本申请一实施例所述的一种热带气旋识别方法的流程示意图。
图6显示为本申请一实施例所述的一种热带气旋识别方法的原理示意图。
图7显示为本申请一实施例所述的一种热带气旋识别方法的流程示意图。
图8显示为本申请一实施例所述的一种热带气旋识别系统的架构示意图。
图9显示为本申请一实施例所述的一种热带气旋识别系统的架构示意图。
图10显示为本申请一实施例所述的一种热带气旋识别系统的架构示意图。
图11显示为本申请一实施例所述的一种电子设备的架构示意图。
元件标号说明
10 获取模块
20 标准化模块
201 网格标准化模块
202 变量调取模块
203 单位标准化模块
30 识别模块
301 海平面气压识别模块
302 蜗度识别模块
40 优化模块
90 电子设备
901 存储器
902 处理器
S1～S4 步骤
S21～S23 步骤
S31～S34 步骤
S35～S38 步骤
S41～S42 步骤
具体实施方式
以下通过特定的具体实例说明本申请的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本申请的其他优点与功效。本申请还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本申请的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
需要说明的是，以下实施例中所提供的图示仅以示意方式说明本申请的基本构想，遂图式中仅显示与本申请中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
本申请以下实施例提供了一种热带气旋识别方法、系统、电子设备及介质，能够适用于变网格模式的大尺度误差校正方法，可以基于不同的再分析及台风观测资料直接识别全球热带气旋活动，并且能对识别后的热带气旋生成位置、移动路径强度等做最优融合，生成最优融合数据集。
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行详细描述。
如图1所示，本实施例提供一种热带气旋识别方法，其包括以下步骤S1至S4：
S1：获取多元化气象数据。
具体的，获取多元化气象数据的实现方式包括通过数值模式获取。
具体的，数值模式是指通过数理方程建立的离散化气象方程组，通过数据同化及集合预报的方式获取气象数据大样本，进而为数值模式提供预测初始场。
集合预报是在控制预报存在较大不确定性的情形下，在其初始分析场上叠加初始扰动，形成一次扰动预报，不同的初始扰动可以得到不同的扰动预报，这些扰动预报形成集合预报的集合成员样本。其中，成员间的差别既可以来自初始场扰动，也可以来自不同的物理过程参数化方案。
如图2所示，步骤S1通过数值预报模型利用初始参数扰动进行集合预报，获得在一定初值误差范围内具有某种概率密度函数分布特征的数值预报初值集合，其中每个初值都有可能代表大气的真实状况，然后用数值模式对每个初值积分，从而得到一组预报结果的集合，即获取了多元化气象数据的大样本集合。
具体的，该模型分为回报(Hindcast)和真实预测(Realtime prediction)两部分。
其中，回报基于1981-2016年的数据进行气候数据追溯，集合数量为24，其回报频率为每月一次，回报范围为6个月，变量频率为6小时。
其中，真实预测基于2017至现在的数据进行预测，集合数量为35，其余设置与回报模块一致。
S2：对所述多元化气象数据进行标准化处理以获取标准大尺度变量。
具体的，基于步骤S1获取到大气数据的大样本集合后，由于数值预报可以基于不同的观测数据及再分析资料进行预测，这就意味着预报得到的样本数据也是多元化的。为了适用于变网格模式的大尺度变量，步骤S2对所得到的样本数据进行标准化处理。
具体的，如图3所示，在一实施例中，标准化处理过程包括步骤S21～S23：
S21：网格标准化。
具体的，对获得的多元化气象数据网格进行均匀化(等经纬网格)。即每一个点代表相同的经纬度。
S22：挑取大尺度变量。
具体的，如图2所示，基于数值模式获得的大样本集合，台风探测模块挑取识别热带气旋的大尺度变量，包括风速、海平面气压、850-hPa绝对蜗度与暖心。
S23：单位标准化。
具体的，将步骤S22挑取的大尺度变量的单位统一，例如风速单位为米/秒等。
S3：基于所述标准大尺度变量识别热带气旋的生成位置和移动路径。
具体的，步骤S3基于标准大尺度变量识别热带气旋的生成位置和移动路径的方式包括：
在一实施例中，基于海平面气压识别第一生成位置和移动路径，如图4所示，具体过程包括S31～S34。
S31：获取区域范围内海平面气压最小处。
具体的，在空间上构建搜索半径为600km的圆形搜索器，对全球网格点进行遍历，搜素目标为区域范围内海平面气压最小格点，并存储这些格点的最小气压、最大风速、最大涡度等信息，以识别潜在的热带气旋事件。
S32：获取热带气旋的第一生成位置。
具体的，基于步骤S31识别到的潜在热带气旋事件，计算对流层中上层300-500hPa的半径600km范围内的暖心位置，将其定义为热带气旋的第一生成位置。并且该第一生成位置与地表海平面气压的最小处的中心位置偏差应不大于200km。
S33：获取热带气旋的移动路径。
具体的，基于步骤S32获取的第一生成位置进行时空维度搜索。即将最大风速大于17.4m/s的格点挑取出来，并判断是否属于一次热带气旋过程。如果两个点之间的事件间隔大于24小时或空间范围大于600公里，则判断此热带气旋不属于同一次过程，以此便可获取多个热带气旋的移动路径。
S34：对热带气旋活动分类与划区。
具体的，根据识别出的热带气旋中心附近地面的最大风速可以分为六个等级的热带气旋。
具体的，根据识别出的热带气旋的发源地对各热带气旋进行划区整理。
在另一实施例中，基于蜗度识别第二生成位置和移动路径，如图5所示，具体过程包括步骤S35～S38。
S35：获取区域范围内海洋850-hPa绝对涡度最大处。
具体的，在空间上构建搜索半径为600km的圆形搜索器，对全球网格点进行时间及空间上遍历，以850-hPa绝对涡度作为指示物，在空间网格上搜寻涡度最大值出现的位置，并记录下来，同时通过读取高时空分辨率海-陆分布数据去掉陆地上的850-hPa绝对涡度最大值中心，以此获取海平面上的850-hPa绝对涡度最大值处的中心位置。
S36：获取热带气旋的第二生成位置。
具体的，计算300-500hPa对流层纬向平均温度，并用每一时次的全球平均温度与之相减，同时利用圆形搜索器寻找对流层中高层纬向平均温度的最大值。当满足对流层平均温度异常大于1℃时(全球每一时次的全球平均温度与300-500hPa对流层纬向平均温度的相减结果大于1℃时)，将300-500hPa对流层纬向平均温度的最大处作为热带气旋的第二生成位置，并且该第二生成位置不能与850-hPa绝对涡度中心位置偏移超过100km。
S37：获取热带气旋的移动路径。
具体的，基于步骤S35获取的第二生成位置进行时空维度搜索。即将最大风速大于17.4m/s的格点挑取出来，并判断是否属于一次热带气旋过程。如果两个点之间的事件间隔大于24小时或空间范围大于600公里，则判断此热带气旋不属于同一次过程，以此便可获取多个热带气旋的移动路径。
S38：对热带气旋活动分类与划区。
具体的，与步骤S34相同，在此不再赘述。
需要说明的是，步骤S31～S34与步骤S35～S38并无顺序之分。
步骤S31～S34基于海平面气压这一变量识别全球潜在热带气旋的生成位置和移动路径，能够很好的反映出热带气旋的二维结构，且不用进行海陆交界面的特殊处理，变量连续性好，进行热带气旋识别简单高效。但是，有一些极端热带气旋事件，没有明显的最小海平面气压结构，此时这类特殊热带气旋事件可能会被忽略。
步骤S35～S38基于850-hPa涡度这一变量识别全球潜在热带气旋。该变量可以较好的反映热带气旋的海上特征，且过滤机制不存在热带气旋事件的漏选。但是在识别登陆后的台风时，容易受到陆地上气旋性活动的影响。
因此，在实际热带气旋识别工作中，需要综合步骤S31～S34与步骤S35～S38各自的优点，才能精准识别全球热带气旋生成、移动、强度等。也即，步骤S3分别基于海平面气压和蜗度两种变量来识别全球热带气旋的生成位置和移动路径。
需要说明的是，步骤S3还包括对对识别出的台风路径做集合平均。
由于步骤S3基于海平面气压、蜗度等大尺度变量对热带气旋进行识别。而大尺度变量是基于步骤S1的数值模式进行获取的。由于数值模型输出大样本集合，每个集合样本中的大尺度变量均能够作为步骤S3识别热带气旋的基础。
因此，步骤S3基于每个集合样本中的大尺度变量对热带气旋进行识别以此获得对应的多个生成位置和移动路径。再基于所有识别得到的生成位置和移动路径做集合平均以此获取热带气旋识别结果，如图6所示。
S4：基于所述生成位置和所述移动路径获取热带气旋最优识别结果。
具体的，将步骤S31～S34与步骤S35～S38所获取到的生成位置和移动路径与台风全球观测数据进行对比，通过热带气旋生成点位误差、移动路径偏差两个指标判断步骤S31～S34与步骤S35～S38识别的准确性，进而获取热带气旋最优识别结果。
如图7所示，步骤S4包括步骤S41和S42。
S41：根据热带气旋生成点位误差判断所述第一生成位置和所述第二生成位置的准确性以获取热带气旋最优生成位置。
具体的，热带气旋生成点位误差为：
其中，GlatO为历史及观测再分析资料中热带气旋生成位置的经度，GlatT为所述第一生成位置或所述第二生成位置的经度，GlonO为历史及观测再分析资料中热带气旋生成位置的纬度，GlonT为所述第一生成位置或所述第二生成位置的纬度
S42：根据移动路径误差判断所述移动路径的准确性以获取热带气旋最优移动路径。
具体的，移动路径误差为：
其中，n为热带气旋移动路径中点的数量，TlatO为历史及观测再分析资料中热带气旋移动路径中各个点的经度，TlatT为移动路径中各个点的经度，TlonO为历史及观测再分析资料中热带气旋移动路径中各个点的纬度，TlonT为移动路径中各个点的纬度。
本发明实施例提供了一种热带气旋识别方法，该方法基于数值模式获取气象数据的大样本集合，并基于每个样本集合中的关于识别热带气旋的大尺度变量，例如海平面气压、蜗度等对热带气旋的生成位置和移动路径进行识别，并对识别得到的结果做集合平均。之后，再通过历史修正的方法基于热带气旋生成点位误差和移动路径误差获取最优识别结果。本方法能适用于变网格模式的大尺度误差校正，通过标准化处理实现基于不同的再分析及台风观测资料直接识别全球热带气旋活动，同时涵盖了基于不同大尺度变量的多种识别方法，对识别后的热带气旋生成位置、移动路径强度等做最优融合，生成最优融合数据集。
本申请实施例所述的热带气旋识别方法的保护范围不限于本实施例列举的步骤执行顺序，凡是根据本申请的原理所做的现有技术的步骤增减、步骤替换所实现的方案都包括在本申请的保护范围内。
本申请实施例还提供一种热带气旋识别系统，所述热带气旋识别系统可以实现本申请所述的热带气旋识别方法，但本申请所述的热带气旋识别方法的实现装置包括但不限于本实施例列举的热带气旋识别系统的结构，凡是根据本申请的原理所做的现有技术的结构变形和替换，都包括在本申请的保护范围内。
如图8所示，本实施例提供一种热带气旋识别系统，包括获取模块10，标准化模块20，识别模块30，优化模块40。
获取模块10获取多元化气象数据。
标准化模块20对所述多元化气象数据进行标准化处理以获取标准大尺度变量。
识别模块30基于所述标准大尺度变量识别热带气旋的生成位置和移动路径；所述生成位置包括基于海平面气压识别第一生成位置和基于蜗度识别第二生成位置。
优化模块40基于所述生成位置和所述移动路径获取热带气旋最优识别结果。
其中，获取模块10多元化气象数据的实现方式包括通过数值模式获取。
具体的，数值模式是指通过集合预报的方式获取气象数据的大样本集合。
如图2所示，步骤S1通过数值预报模型利用初始参数扰动进行集合预报，分为回报(Hindcast)和真实预测(Realtime prediction)两部分。
具体的，回报基于1981-2016年的数据进行气候数据追溯，叠加24次初始扰动，其回报频率为每月一次，回报范围为6个月，变量频率为6小时。
具体的，真实预测基于2017至现在的数据进行预测，叠加35次初始扰动，其余设置与回报模块一致。
其中，标准化模块20对多元化气象数据进行标准化处理以获取标准大尺度变量。
具体的，如图9所示，在一实施例中，标准化模块20包括网格标准化模块201、变量调取模块202和单位标准化模块203。
网格标准化模块201对获得的多元化气象数据网格进行均匀化(等经纬网格)。即每一个点代表相同的经纬度。
变量调取模块202基于数值模式获得的大样本集合，挑取识别热带气旋的大尺度变量，包括风速、海平面气压、蜗度与温度(暖心)。
单位标准化模块203将挑取的大尺度变量的单位统一，例如风速单位为米/秒等。
其中，识别模块30基于所述标准大尺度变量识别热带气旋的生成位置和移动路径。
具体的，如图10所示，识别模块30包括海平面气压识别模块301和蜗度识别模块302。
在一实施例中，海平面气压识别模块301基于海平面气压识别第一生成位置和移动路径的实现方式包括：
在空间上构建搜索半径为600km的圆形搜索器，对全球网格点进行遍历，搜素目标为区域范围内海平面气压最小格点，并存储这些格点的最小气压、最大风速、最大涡度等信息，以识别潜在的热带气旋事件。基于此，海平面气压识别模块301计算对流层中上层300-500hPa的半径600km范围内的暖心位置，将其定义为热带气旋的第一生成位置。并且该第一生成位置与地表海平面气压的最小处的中心位置偏差应不大于200km。之后，海平面气压识别模块301基于第一生成位置进行时空维度搜索。即将最大风速大于17.4m/s的格点挑取出来，并判断是否属于一次热带气旋过程。如果两个点之间的事件间隔大于24小时或空间范围大于600公里，则判断此热带气旋不属于同一次过程，以此便可获取多个热带气旋的移动路径。最后，根据识别出的热带气旋中心附近地面的最大风速将全球热带气旋活动分为六个等级，以及根据识别出的热带气旋的发源地对各热带气旋进行划区整理。
在另一实施例中，蜗度识别模块302基于蜗度识别第二生成位置和移动路径的实现方式包括：
在空间上构建搜索半径为600km的圆形搜索器，对全球网格点进行时间及空间上遍历，以850-hPa绝对涡度作为指示物，在空间网格上搜寻涡度最大值出现的位置，并记录下来，同时通过读取高时空分辨率海-陆分布数据去掉陆地上的850-hPa绝对涡度最大值中心，以此获取海平面上的850-hPa绝对涡度最大值处的中心位置。基于此，蜗度识别模块302计算300-500hPa对流层纬向平均温度，并用每一时次的全球平均温度与之相减，同时利用圆形搜索器寻找对流层中高层纬向平均温度的最大值。当满足对流层平均温度异常大于1℃时(全球每一时次的全球平均温度与300-500hPa对流层纬向平均温度的相减结果大于1℃时)，将300-500hPa对流层纬向平均温度的最大处作为热带气旋的第二生成位置，并且该第二生成位置不能与850-hPa绝对涡度中心位置偏移超过100km。
之后，蜗度识别模块302基于第二生成位置进行时空维度搜索。即将最大风速大于17.4m/s的格点挑取出来，并判断是否属于一次热带气旋过程。如果两个点之间的事件间隔大于24小时或空间范围大于600公里，则判断此热带气旋不属于同一次过程，以此便可获取多个热带气旋的移动路径。并同样依据最大风速和发源地对热带气旋活动分类与划区。
需要说明的是，海平面气压识别模块301与蜗度识别模块302的识别过程并无顺序之分。
在实际热带气旋识别工作中，需要综合海平面气压识别模块301与蜗度识别模块302各自的优点，才能精准识别全球热带气旋生成、移动、强度等。也即，识别模块30分别基于海平面气压和蜗度两种变量来识别全球热带气旋的生成位置和移动路径。
需要说明的是，识别模块30还包括对对识别出的台风路径做集合平均。
由于识别模块303基于海平面气压、蜗度等大尺度变量对热带气旋进行识别。而大尺度变量是获取模块10的数值模式进行获取的。由于数值模型输出大样本集合，每个集合样本中的大尺度变量均能够作为识别模块30识别热带气旋的基础。
因此，识别模块30基于每个集合样本中的大尺度变量对热带气旋进行识别以此获得对应的多个生成位置和移动路径。再基于所有识别得到的生成位置和移动路径做集合平均以此获取热带气旋识别结果，如图6所示。
其中，优化模块40基于所述生成位置和所述移动路径获取热带气旋最优识别结果。
具体的，优化模块40将识别模块30获取到的生成位置和移动路径与台风全球观测数据进行对比，通过热带气旋生成点位误差、移动路径偏差两个指标判断步骤S31～S34与步骤S35～S38识别的准确性，进而获取热带气旋最优识别结果。优化过程如下：
首先，根据热带气旋生成点位误差判断所述第一生成位置和所述第二生成位置的准确性以获取热带气旋最优生成位置。
具体的，热带气旋生成点位误差为：
其中，GlatO为历史及观测再分析资料中热带气旋生成位置的经度，GlatT为所述第一生成位置或所述第二生成位置的经度，GlonO为历史及观测再分析资料中热带气旋生成位置的纬度，GlonT为所述第一生成位置或所述第二生成位置的纬度
其次，根据移动路径误差判断所述移动路径的准确性以获取热带气旋最优移动路径。
具体的，移动路径误差为：
其中，n为热带气旋移动路径中点的数量，TlatO为历史及观测再分析资料中热带气旋移动路径中各个点的经度，TlatT为移动路径中各个点的经度，TlonO为历史及观测再分析资料中热带气旋移动路径中各个点的纬度，TlonT为移动路径中各个点的纬度。
本发明实施例提供了一种热带气旋识别系统，该系统通过获取模块10基于数值模式获取气象数据的大样本集合，并基于标准化模块20标准化处理每个样本集合中的关于识别热带气旋的大尺度变量，例如海平面气压、蜗度等，再由识别模块30基于大尺度变量对热带气旋的生成位置和移动路径进行识别，并对识别得到的结果做集合平均。之后，优化模块40再通过历史修正的方法基于热带气旋生成点位误差和移动路径误差获取最优识别结果。本系统能适用于变网格模式的大尺度误差校正，通过标准化处理实现基于不同的再分析及台风观测资料直接识别全球热带气旋活动，同时涵盖了基于不同大尺度变量的多种识别方法，对识别后的热带气旋生成位置、移动路径强度等做最优融合，生成最优融合数据集。
本申请还提供一种电子设备。如图11所示，本实施例提供一种电子设备90，所述电子设备90包括：存储器901，被配置为存储计算机程序；以及处理器902，与所述存储器901通信相连，并且被配置为调用所述计算机程序以执行所述的热带气旋识别方法。
所述存储器901包括：ROM(Read Only Memory image)、RAM(Random AccessMemory)、磁碟、U盘、存储卡或者光盘等各种可以存储程序代码的介质。
所述处理器902与所述存储器901相连，用于执行所述存储器901存储的计算机程序，以使所述电子设备执行上述的热带气旋识别方法。
优选地，所述处理器902可以是通用处理器，包括中央处理器(CentralProcessing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital Signal Processor，简称DSP)、专用集成电路(ApplicationSpecific Integrated Circuit，简称ASIC)、现场可编程门阵列(Field ProgrammableGate Array，简称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。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置或方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅是示意性的，例如，模块/单元的划分，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，例如多个模块或单元可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或模块或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
作为分离部件说明的模块/单元可以是或者也可以不是物理上分开的，作为模块/单元显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块/单元来实现本申请实施例的目的。例如，在本申请各个实施例中的各功能模块/单元可以集成在一个处理模块中，也可以是各个模块/单元单独物理存在，也可以两个或两个以上模块/单元集成在一个模块/单元中。
本领域普通技术人员应该还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。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来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。
本申请实施例还提供了一种计算机可读存储介质。本领域普通技术人员可以理解实现上述实施例的方法中的全部或部分步骤是可以通过程序来指令处理器完成，所述的程序可以存储于计算机可读存储介质中，所述存储介质是非短暂性(non-transitory)介质，例如随机存取存储器，只读存储器，快闪存储器，硬盘，固态硬盘，磁带(magnetictape)，软盘(floppy disk)，光盘(optical disc)及其任意组合。上述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。该可用介质可以是磁性介质(例如，软盘、硬盘、磁带)、光介质(例如数字视频光盘(digital video disc，DVD))、或者半导体介质(例如固态硬盘(solid state disk，SSD))等。
本申请实施例还可以提供一种计算机程序产品，所述计算机程序产品包括一个或多个计算机指令。在计算设备上加载和执行所述计算机指令时，全部或部分地产生按照本申请实施例所述的流程或功能。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、计算机或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机或数据中心进行传输。
所述计算机程序产品被计算机执行时，所述计算机执行前述方法实施例所述的方法。该计算机程序产品可以为一个软件安装包，在需要使用前述方法的情况下，可以下载该计算机程序产品并在计算机上执行该计算机程序产品。
上述各个附图对应的流程或结构的描述各有侧重，某个流程或结构中没有详述的部分，可以参见其他流程或结构的相关描述。
上述实施例仅例示性说明本申请的原理及其功效，而非用于限制本申请。任何熟悉此技术的人士皆可在不违背本申请的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本申请所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本申请的权利要求所涵盖。

Claims (10)

1.一种热带气旋识别方法，其特征在于，包括：
获取多元化气象数据；
对所述多元化气象数据进行标准化处理以获取标准大尺度变量；
基于所述标准大尺度变量识别热带气旋的生成位置和移动路径；所述生成位置包括基于海平面气压识别第一生成位置和基于蜗度识别第二生成位置；
基于所述生成位置和所述移动路径获取热带气旋最优识别结果。
2.根据权利要求1所述的热带气旋识别方法，其特征在于，所述基于海平面气压识别第一生成位置包括：
获取区域范围内海平面气压最小处；
计算300-500hPa对流层中半径600km范围内的暖心位置以作为热带气旋的第一生成位置；所述第一生成位置与所述海平面气压最小处的位置偏差不大于200千米。
3.根据权利要求1所述的热带气旋识别方法，其特征在于，所述基于蜗度识别第二生成位置包括：
获取区域范围内海洋850-hPa绝对涡度最大处；
计算每一时次的全球平均温度与300-500hPa对流层纬向平均温度的相减结果；
当所述相减结果大于1℃时，将所述300-500hPa对流层纬向平均温度的最大处作为热带气旋的第二生成位置；所述第二生成位置与所述850-hPa绝对涡度最大处的位置偏差不大于100千米。
4.根据权利要求1所述的热带气旋识别方法，其特征在于，基于所述标准大尺度变量识别热带气旋的移动路径包括：
基于所述生成位置进行时空维度搜索；其中，所述时空维度搜索包括：
获取区域范围内最大风速大于17.4米/秒的位置；
将时间间隔不大于24小时或空间范围不大于600公里的位置定义为同一热带气旋过程以获取所述热带气旋的移动路径。
5.根据权利要求1所述的热带气旋识别方法，其特征在于，基于所述生成位置和所述移动路径获取热带气旋最优识别结果包括：
根据热带气旋生成点位误差判断所述第一生成位置和所述第二生成位置的准确性以获取热带气旋最优生成位置；
根据移动路径误差判断所述移动路径的准确性以获取热带气旋最优移动路径。
6.根据权利要求5所述的热带气旋识别方法，其特征在于，所述热带气旋生成点位误差为：
其中，GlatO为历史及观测再分析资料中热带气旋生成位置的经度，GlatT为所述第一生成位置或所述第二生成位置的经度，GlonO为历史及观测再分析资料中热带气旋生成位置的纬度，GlonT为所述第一生成位置或所述第二生成位置的纬度；
所述移动路径误差为：
其中，n为热带气旋移动路径中点的数量，TlatO为历史及观测再分析资料中热带气旋移动路径中各个点的经度，TlatT为移动路径中各个点的经度，TlonO为历史及观测再分析资料中热带气旋移动路径中各个点的纬度，
TlonT为移动路径中各个点的纬度。
7.根据权利要求1所述的热带气旋识别方法，其特征在于，所述获取多元化气象数据的实现方式包括通过数值模式获取。
8.一种热带气旋识别系统，其特征在于，包括：
获取模块，用于获取多元化气象数据；
标准化模块，用于对所述多元化气象数据进行标准化处理以获取标准大尺度变量；
识别模块，用于基于所述标准大尺度变量识别热带气旋的生成位置和移动路径；所述生成位置包括基于海平面气压识别第一生成位置和基于蜗度识别第二生成位置；
优化模块，用于基于所述生成位置和所述移动路径获取热带气旋最优识别结果。
9.一种电子设备，其特征在于，所述设备包括：
存储器，存储有一计算机程序；
处理器，与所述存储器通信相连，调用所述计算机程序时执行权利要求1至7中任一项所述的热带气旋识别方法。
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：该计算机程序被处理器执行时实现权利要求1至7中任一项所述的热带气旋识别方法。
CN202310684900.1A 2023-06-09 2023-06-09 热带气旋识别方法、系统、电子设备及介质 Active CN116736410B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310684900.1A CN116736410B (zh) 2023-06-09 2023-06-09 热带气旋识别方法、系统、电子设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310684900.1A CN116736410B (zh) 2023-06-09 2023-06-09 热带气旋识别方法、系统、电子设备及介质

Publications (2)

Publication Number Publication Date
CN116736410A true CN116736410A (zh) 2023-09-12
CN116736410B CN116736410B (zh) 2024-01-30

Family

ID=87916285

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310684900.1A Active CN116736410B (zh) 2023-06-09 2023-06-09 热带气旋识别方法、系统、电子设备及介质

Country Status (1)

Country Link
CN (1) CN116736410B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109444989A (zh) * 2018-12-28 2019-03-08 中山大学 台风预报方法、系统、可读存储介质和设备
CN113158128A (zh) * 2021-01-13 2021-07-23 中国科学院大气物理研究所 一种全球无缝隙台风动力集合预测方法、系统
US11315046B1 (en) * 2018-06-28 2022-04-26 Ashton Robinson Cook Machine learning-based disaster modeling and high-impact weather event forecasting
US20230281895A1 (en) * 2022-04-11 2023-09-07 Shanghai Typhoon Institute of the China Meteorological Administration Visualization Analysis Method of the Tropical Cyclone Forecast Verification Index Data

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11315046B1 (en) * 2018-06-28 2022-04-26 Ashton Robinson Cook Machine learning-based disaster modeling and high-impact weather event forecasting
CN109444989A (zh) * 2018-12-28 2019-03-08 中山大学 台风预报方法、系统、可读存储介质和设备
CN113158128A (zh) * 2021-01-13 2021-07-23 中国科学院大气物理研究所 一种全球无缝隙台风动力集合预测方法、系统
US20230281895A1 (en) * 2022-04-11 2023-09-07 Shanghai Typhoon Institute of the China Meteorological Administration Visualization Analysis Method of the Tropical Cyclone Forecast Verification Index Data

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
贾小龙;陈丽娟;LUO JING-JIA;: "利用海气耦合模式预测的大尺度环流进行热带气旋年频数的预测试验", 热带气象学报, no. 01 *

Also Published As

Publication number Publication date
CN116736410B (zh) 2024-01-30

Similar Documents

Publication Publication Date Title
Su et al. RCAG-Net: Residual channelwise attention gate network for hot spot defect detection of photovoltaic farms
US20220067336A1 (en) System and process for integrative computational soil mapping
CN114740550B (zh) 一种连续风暴事件智能识别预警方法及系统
CN115036922B (zh) 一种分布式光伏发电电量预测方法及系统
Pegion et al. Understanding predictability of daily southeast US precipitation using explainable machine learning
CN118228585A (zh) 基于时空演化特征的地震预测模型的构建方法
Yang et al. Improved tropical deep convective cloud detection using MODIS observations with an active sensor trained machine learning algorithm
CN112101313B (zh) 一种机房机器人巡检方法及系统
CN117933531A (zh) 一种分布式光伏发电功率预测系统及方法
Rumapea et al. Improving Convective Cloud Classification with Deep Learning: The CC-Unet Model.
CN116736410B (zh) 热带气旋识别方法、系统、电子设备及介质
CN116363536B (zh) 一种基于无人机巡查数据的电网基建设备缺陷归档方法
CN117458450A (zh) 电力数据能耗预测分析方法及系统
CN115793105A (zh) 一种基于网络爬虫的台风强度自动化预报方法和相关装置
Osei et al. Long term monitoring of Ghana’s forest reserves Using Google Earth Engine
CN114882374A (zh) 雷竹林退化程度预测方法和电子设备
CN114325877A (zh) 气象预报数据的评估方法和装置
KR102660756B1 (ko) 호우 발생 가능성을 진단하는 장치, 방법 및 이를 위한 컴퓨터 판독가능 프로그램
CN118151252B (zh) 一种基于卫星观测的地震磁扰分析方法
CN116541634B (zh) 基于多源异构数据的气旋传播速度计算方法及系统
CN117688464B (zh) 一种基于多源传感器数据的隐患分析方法及系统
Abid et al. Machine Learning based Outlier Detection in IoT Greenhouse
CN118840653A (zh) 一种基于北斗定位及图像识别的gnss大坝渗流安全监测方法及系统
CN118174291A (zh) 多时空尺度下的分布式光伏出力自适应预测方法及装置
CN116957405A (zh) 针对农作物生产适应性确定的方法和装置

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