CN117609942A - 一种热带气旋移动路径的估算方法及系统 - Google Patents

一种热带气旋移动路径的估算方法及系统 Download PDF

Info

Publication number
CN117609942A
CN117609942A CN202311568333.XA CN202311568333A CN117609942A CN 117609942 A CN117609942 A CN 117609942A CN 202311568333 A CN202311568333 A CN 202311568333A CN 117609942 A CN117609942 A CN 117609942A
Authority
CN
China
Prior art keywords
cascade
model
path
characteristic
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.)
Pending
Application number
CN202311568333.XA
Other languages
English (en)
Inventor
任磊
庞礼铧
王和旭
林建良
韦骏
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 CN202311568333.XA priority Critical patent/CN117609942A/zh
Publication of CN117609942A publication Critical patent/CN117609942A/zh
Pending legal-status Critical Current

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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/27—Regression, e.g. linear or logistic regression
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
    • G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/62—Extraction of image or video features relating to a temporal dimension, e.g. time-based feature extraction; Pattern tracking
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Environmental & Geological Engineering (AREA)
  • Biophysics (AREA)
  • Atmospheric Sciences (AREA)
  • Ecology (AREA)
  • Environmental Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种热带气旋移动路径的估算方法及系统，方法包括：获取第一级联特征以及第二级联特征；将所述第一级联特征与所述第二级联特征进行融合，得到总融合特征图；输入气旋的路径信息，对所述路径信息进行分裂处理得到路径预测结果；根据所述总融合特征图以及所述路径预测结果，构造初始模型；对所述初始模型进行识别操作，并对所述初始模型进行模型评估操作，得到目标模型；所述目标模型用于热带气旋移动路径的估算。本发明通过级联算法融合后形成的数据模型，满足对数据的高精度和强非线性变化的监测需求，提高了热带气旋移动路径估算的准确性，可以广泛应用于人工智能技术领域。

Description

一种热带气旋移动路径的估算方法及系统
技术领域
本发明涉及人工智能技术领域，尤其是一种热带气旋移动路径的估算方法及系统。
背景技术
目前，国际上普遍采用的预测方法主要有三种：数值预报、统计预报和统计动力预报。对于传统的台风路径预测方法，都旨在利用线性回归方程模拟出台风路径和相关因子之间的关系。而在传统台风路径预测的时候，遇到特殊情况，如拐点，很难准确预测，且现有预报技术中，往往存在预报精度不高。
发明内容
有鉴于此，本发明实施例提供一种热带气旋移动路径的估算方法及系统，以提高热带气旋移动路径估算的准确性。
本发明实施例的一方面提供了一种热带气旋移动路径的估算方法，包括：
获取第一级联特征以及第二级联特征；
将所述第一级联特征与所述第二级联特征进行融合，得到总融合特征图；
输入气旋的路径信息，对所述路径信息进行分裂处理得到路径预测结果；
根据所述总融合特征图以及所述路径预测结果，构造初始模型；
对所述初始模型进行识别操作，并对所述初始模型进行模型评估操作，得到目标模型；
所述目标模型用于热带气旋移动路径的估算。
可选地，所述获取第一级联特征以及第二级联特征，包括：
获取各个气压层的风速、风向、海平面温度、位势高度以及对应的经纬度坐标位置和时间作为所述第一级联特征；
获取SAR遥感图像，基于注意力集中机制对所述SAR遥感图像进行处理，得到所述第二级联特征。
可选地，所述将所述第一级联特征与所述第二级联特征进行融合，得到总融合特征图，包括：
提取并聚合所述第一级联特征的特征图，得到第一级联特征信息；
提取并聚合所述第二级联特征的特征图，得到第二级联特征信息；
根据所述第一级联特征信息，获取第一级联特征权重；
根据所述第二级联特征信息，获取第二级联特征权重；
将所述第一级联特征信息与所述第二级联特征权重相乘，得到第一级联融合特征图；
将所述第二级联特征信息与所述第一级联特征权重相乘，得到第二级联融合特征图；
根据所述第一级联融合特征图以及所述第二级联融合特征图，得到总融合特征图。
可选地，所述输入气旋的路径信息，对所述路径信息进行分裂处理得到路径预测结果，包括：
基于随机森林算法构造路径预测模型；
获取热带气旋路径的气象因素数据；
将所述路径信息输入所述预测模型，根据所述气象因素数据对所述路径信息进行分裂处理，得到路径预测结果。
可选地，所述根据所述总融合特征图以及所述路径预测结果，构造初始模型，包括：
根据所述总融合特征图，预设置所述初始模型的自变量；
根据所述路径预测结果，预设置所述初始模型的因变量；
基于结构方程模型，根据所述自变量以及所述因变量建立若干方程，得到初始模型。
可选地，所述对所述初始模型进行模型评估操作，得到目标模型，包括：
获取所述初始模型的拟合度指标；
判断所述拟合度指标是否达标，若不达标则进行模型修改操作，若达标则进行模型评价，输出目标模型。
本发明实施例还提供了一种热带气旋移动路径的估算系统，包括：
第一模块，用于获取第一级联特征以及第二级联特征；
第二模块，用于将所述第一级联特征与所述第二级联特征进行融合，得到总融合特征图；
第三模块，用于输入气旋的路径信息，对所述路径信息进行分裂处理得到路径预测结果；
第四模块，用于根据所述总融合特征图以及所述路径预测结果，构造初始模型；
第五模块，用于对所述初始模型进行识别操作，并对所述初始模型进行模型评估操作，得到目标模型；所述目标模型用于热带气旋移动路径的估算。
本发明实施例还提供了一种电子设备，该电子设备包括处理器以及存储器；存储器存储有程序；处理器执行程序以执行前述的一种热带气旋移动路径的估算方法。
本发明实施例还提供了一种计算机可读存储介质，存储介质存储有程序，所述程序被处理器执行实现前述的一种热带气旋移动路径的估算方法。
本发明实施例还提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行前述的一种热带气旋移动路径的估算方法。
本发明的实施例获取第一级联特征以及第二级联特征；将所述第一级联特征与所述第二级联特征进行融合，得到总融合特征图；输入气旋的路径信息，对所述路径信息进行分裂处理得到路径预测结果；根据所述总融合特征图以及所述路径预测结果，构造初始模型；对所述初始模型进行识别操作，并对所述初始模型进行模型评估操作，得到目标模型；本发明通过级联算法融合后形成的数据模型，满足对数据的高精度和强非线性变化的监测需求，提高了热带气旋移动路径估算的准确性。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例的一种热带气旋移动路径的估算方法的整体流程图；
图2为本发明实施例的数据模型结构示意图；
图3为本发明实施例的随机森林预测模型结构示意图；
图4为本发明实施例的结构方程模型的阶段流程图；
图5为本发明实施例的通道注意力集中模式算法示意图；
图6为本发明实施例的融合算法结构示意图；
图7为本发明实施例的基于结构方程模型的气旋路径估算系统与方法的结构示意图；
图8为本发明实施例的模型设定方式示意图；
图9为本发明实施例的模型评估方式示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
目前，在传统台风路径预测的时候，遇到如拐点等特殊情况，便很难准确预测，且现有预报技术中，往往存在预报精度不高的情况。
针对现有技术存在的问题，参考图1，本发明提供了一种热带气旋移动路径的估算方法。
参考图2、图3，本发明实施例提供的一种热带气旋移动路径的估算方法综合了两种模型，按照不同功能划分为数据模型和预测模型。如图2所示，数据模型属于级联网络数据结构，其中，第一级联包括但不限于ECMWF(欧洲中期天气预报中心)的集合数据集，第二级联为基于注意力集中机制的SAR星载合成孔径雷达数据获取模式；如图3所示，预测模型是基于随机森林算法的机器学习模型。综合数据模型以及预测模型，可以构建一个包括模型发展和模型估计与评价两个阶段的结构方程模型，如图4所示，第一阶段的模型发展的主要步骤是建立并设定初步的模型，这一步的做法是选取合适的数据信息作为模型的自变量和因变量，再对其进行识别，识别的目的是确定方程是否有解；第二阶段进行模型设定参数的测量，计算模型自变量和因变量的关系以及输出参数的拟合度，根据拟合度对模型进行修改，修改迭代模型中的协方差关系系数，将较差结果返回到第一阶段的模型设定步骤中，修改后继续下一循环以提高模型评价，最终得到较高评价的模型。
如图1所示，本发明实施例提供了一种热带气旋移动路径的估算方法，该方法可以包括但不限于步骤S100-S500：
S100、获取第一级联特征以及第二级联特征。
可选地，在一些实施例中，所述步骤S100具体包括S110-S120：
S110、获取各个气压层的风速、风向、海平面温度、位势高度以及对应的经纬度坐标位置和时间作为所述第一级联特征；
S120、获取SAR遥感图像，基于注意力集中机制对所述SAR遥感图像进行处理，得到所述第二级联特征；
具体地，第一级联特征为ECMWF提供的EAR5数据集，其中，空间的数据特征以气压高度层来划分，包括各个气压层的风速、风向、海平面温度、位势高度及其对应的经纬度坐标位置和时间。其中，风速和风向也可以通过经向和纬向的风速来表示，以上各项数据形成数据集，作为数据模型中级联网络的第一级联特征。所述EAR5数据集是对全球气候的第五代大气再分析，再分析将模型数据与来自全球各地的观测数据结合在一起，最终形成一个世界尺度的完整的、一致的数据集。
另外，如图5所示，本发明实施例中，利用注意力集中机制来提取遥感图像中的散射数据，其模式为通道注意力机制，具体步骤包括：
步骤1：通过卷积层对输入的SAR遥感图像进行特征提取，得到当前特征层U的特征图维度为三维的[C,H,W]；
步骤2：对特征图维度中的[H,W]进行池化，包括平均池化或最大池化，得到该通道的权重；池化后特征图从[C,H,W]变为[C,1,1]，可以理解为对于每个通道C，都有一个数字与其一一对应；
步骤3：在步骤2中提取得到的[C,1,1]通道的权重，即代表了该通道对特征提取的影响力，将池化后的所有向量通过MLP神经网络，得出各个通道的权重；
步骤4：将权重与各自的通道相乘，作用于初始的特征图U[C,H,W]中，即可获得注意力集中机制处理的特征图像；权重较大时，通道对应的特征图数据更大，最终输出的结果影响也会更大，相应的，当权重较小时，输出的影响也较小。
在海洋风场遥感中，SAR主动发射的电磁波测量海面后向散射信号，形成雷达海面后向散射的强度图像。其中，由几厘米至几十厘米的表面张力和短重力波引起的海面粗糙度是影响SAR波束后向散射的主要因素。因此，SAR对海面风场或流场等海洋现象和特征的遥感成像能力取决于该现象对海面粗糙度的影响程度，从而能将相应的海面后向散射特征和细节变化在高分辨率的遥感图像上详细显示，海面风场信息一般以灰度值的形式记录在SAR遥感图像上。SAR海洋遥感图像中，很多情况下存在于海面风向平行的条纹，称为“风条纹”。这些空间尺度上的线性特征是由海面风引起的，而且与风向存在确定的关系，其成因是海洋与大气边界层的稳定性不足导致的。边界层的不稳定导致平均海面风场上的螺旋状大气边界层涡旋的形成，涡旋作用于海面产生幅聚和幅散，带来了海面粗糙度的改变。
因此，在海洋风场遥感中，可以得到包含标准化雷达后向散射强度数据和风条纹数据的SAR遥感图像，经过注意力集中机制对所述SAR遥感图像进行处理后，为了进一步获得海面风场的风向风速数据，一般需要建立相关经验模型进行反演。风场的反演需要对长时间序列雷达的后向散射强度与相应的海洋浮标实测数据或数值预报模式结果进行匹配，匹配结果得到后向散射强度与海面风速、风向和雷达入射角、方位角、频率和极化方式等参数相关的模型。
其中，利用注意力集中机制完成了对遥感图像中信息的提取，此时，再利用经验地球物理模型对遥感图像进行反演，经过了注意力集中机制对重点信息的凸显，解决了反演过程中原本存在的分辨率不足的问题，满足了SAR遥感图像反演高分辨率风速风向的需求。
S200、将所述第一级联特征与所述第二级联特征进行融合，得到总融合特征图。
可选地，在一些实施例中，所述步骤S200具体包括S210-S270：
S210、提取并聚合所述第一级联特征的特征图，得到第一级联特征信息；
S220、提取并聚合所述第二级联特征的特征图，得到第二级联特征信息；
S230、根据所述第一级联特征信息，获取第一级联特征权重；
S240、根据所述第二级联特征信息，获取第二级联特征权重；
S250、将所述第一级联特征信息与所述第二级联特征权重相乘，得到第一级联融合特征图；
S260、将所述第二级联特征信息与所述第一级联特征权重相乘，得到第二级联融合特征图；
S270、根据所述第一级联融合特征图以及所述第二级联融合特征图，得到总融合特征图；
具体地，在级联网络中，第一级联和第二级联得到的特征数据并不完全重合，在第一级联中，由ECMWF提供的数据集中还包含了其他环境因子的数据，因此，在对数据进行融合的过程中，仅对在两个级联中存在重叠的风向和风速这两个因子进行融合。如图6所示，将第一级联和第二级联中的风向和风速数据通过时间和坐标位置进行对应，并且第一级联和第二级联的特征均以可视化的数值特征图像的形式进行算法融合，具体步骤如下：
步骤1：分别将第一级联和第二级联的特征图经过一个平均池化层和一个卷积层，这一步骤的目的是提取并聚合特征图的数据信息；其中，平均池化的作用是保留更多特征图上的纹理信息，即主要部分的特征；卷积层的作用是形成提取特征图的特征；
步骤2：将上一步骤中得到的第一级联和第二级联的特征信息分别通过Softmax层，利用Softmax层可以获得特征的权重，从而得到第一级联和第二级联对应的权重值；此时，将第一级联的权重值乘以第二级联的特征图，并将第二级联的权重值乘以第一级联特征图，可以得到第一级联融合特征图和第二级联融合特征图；
步骤3：将第一级联融合特征图和第二级联融合特征图经过一个Concat层，最终将其拼接成为一个总融合特征图；
经过以上的步骤，将两个级联网络得到的风速和风向数据融合成为更高精度的数据，加上第一级联中ECMWF提供的环境因子的数据，组合构成数据模型。
S300、输入气旋的路径信息，对所述路径信息进行分裂处理得到路径预测结果。
可选地，在一些实施例中，所述步骤S300具体包括S310-S330：
S310、基于随机森林算法构造路径预测模型；
S320、获取热带气旋路径的气象因素数据；
S330、将所述路径信息输入所述预测模型，根据所述气象因素数据对所述路径信息进行分裂处理，得到路径预测结果；
具体地，在对热带气旋的路径预测中，总的训练数据集来自于中国气象局热带气旋资料中心提供的热带气旋最佳路径数据集，该数据集包括路径的经纬度位置及其对应时刻的风场信息、所处的气压、温度环境以及位势高度等气象因素数据，将这些气象因素作为预测对象，即路径变化的属性，在决策树中，每一个节点都会进行分裂，分裂的依据就是这些属性。而且，节点分裂时属性的选取也是随机选取的，所有节点选取的属性个数会小于总属性个数，因此，每个决策树都是不同的，随机森林里的各单元都是随机的。互不相同的决策树形成随机森林后，每一个决策树会输出一个分类结果，结果代表的是这一决策树的投票。在随机森林中，决策树的投票占多数的为最终的结果，随机森林的结果代表了对输入样本的判断和分类。
如图3所示，基于随机森林算法构造路径预测模型具体步骤如下：
步骤1：获取热带气旋路径数据集作为随机森林单元决策树的根本节点样本，可以采用中国气象局热带气旋资料中心提供的热带气旋最佳路径数据集；为了进行模型的训练，将带气旋路径数据集作为训练数据集，再根据决策树的Bagging思想，随机从样本中选取子集，以符合模型的要求。随机森林中包括许多的决策树，每个决策树的起点为不同的随机样本子集；
步骤2：获得样本子集的属性，进行决策树的节点分裂。决策树模型的建立是依靠样本的属性来进行节点的分裂，每一个分裂的节点的属性都是随机的，与样本的选取类似，在样本子集对应的多个属性中随机选择，选取的属性小于总的属性个数，并在随机选取的属性中选择一个作为该节点的分裂属性；在本发明实施例中，对应热带气旋路径的属性为上一部分建立的数据模型中的数据，包括风速、风向和来自于ECMWF的海平面温度、位势高度、气压高度等，这一部分数据与路径信息通过时间序列相对应；决策树中样本子集通过节点的属性进行分裂，代表着数据通过其特征进行逐节的分类，每一个决策树不同，其属性的分裂也各异，随机的样本和属性分配形成了各单元互不相同的随机森林；
步骤3：随机森林中的每一棵决策树，在样本输入不同的情况下，会输出一个分类结果，结果代表了这一棵决策树的投票；随机森林中，投票占多数的即为最终的结果，这是统计了每一棵决策树对样本的判断和分类；在本发明实施例中，输入了某一时刻热带气旋路径信息，以对应的风向、风速等属性在决策树中进行分裂，并且在最终分裂完成后与错位时间序列的路径信息值进行检验，纠正并返回到模型中进行模型的训练，直到获得准确率更高的成熟的预测模型；其中，错位时间序列的路径信息是下一时刻输入样本的值。
在本发明实施例中，将气旋的路径信息作为训练集输入预测模型中，作为决策树起点，根据当前时刻的各气象因素对路径信息进行决策树的节点分裂，并得到投票，统计投票形成最终结果，得到随机森林算法的预测结果。
S400、根据所述总融合特征图以及所述路径预测结果，构造初始模型。
可选地，在一些实施例中，所述步骤S400具体包括S410-S430：
S410、根据所述总融合特征图，预设置所述初始模型的自变量；
S420、根据所述路径预测结果，预设置所述初始模型的因变量；
S430、基于结构方程模型，根据所述自变量以及所述因变量建立若干方程，得到初始模型；
具体地，为了获得更高的精度，基于结构方程模型的方法可以在对热带气旋路径的估算中，实现对模型的不断优化，从而减少误差，参考图4，结构方程模型分为两个阶段，第一阶段包括模型建立、模型设定以及模型识别，第二阶段包括参数与关系测量、拟合度估计、模型修改以及模型评价。
S500、对所述初始模型进行识别操作，并对所述初始模型进行模型评估操作，得到目标模型；
具体地，所述目标模型用于热带气旋移动路径的估算。
可选地，在一些实施例中，所述步骤S500具体包括S510-S520：
S510、获取所述初始模型的拟合度指标；
S520、判断所述拟合度指标是否达标，若不达标则进行模型修改操作，若达标则进行模型评价，输出目标模型。
具体地，如图7所示，基于结构方程模式，构造热带气旋移动路径估算模型，包括：
(1)模型设定
参考图8，在构建数据模型和预测模型中，从数据模型可以得到融合的气象因素数据，包括总融合特征图、风向、风速特征以及ECMWF产品数据中提供的其他相关气象因子的数据，如温度、气压等，将上述的融合的气象因素数据作为自变量；从预测模型可以得到路径预测结果，将路径预测结果作为因变量；通过此模型设定最终可以得到基于现有数据模型下更高精度的路径预测估算模型，还能够获得风场信息与路径变化之间的影响关系及关系的显著性。其中，获得变量间的影响关系并对其进行显著性分析，使用理论对这些变量的联系进行分析，关系的影响程度等参数能够作为模型预测不确定性的一个衡量标志，如果各个自变量和因变量之间的关系都是显著的强关联，那么模型的不确定也较小。
(2)模型识别
模型识别是在已有信息的情况下，对未知参数的个数进行推断，所述未知参数是指需要求解的因变量和自变量之间关系的衡量参数。一般来说模型识别包括过度识别、刚好识别以及识别不足三种情况，对应了未知参数个数大于、等于和小于独立方程个数，即模型的解的个数。如果模型无法被识别，模型方程无解，那么模型就无法被估算。关于模型识别，有多种判断方法，在本发明实施例中，采用t法则：对于有p个因变量和q个自变量的模型，其均值、方差和协方差的数量为k，则有：
设t是未知参数的个数，所以模型能够被识别的必要条件是t的数量小于k。
(3)模型检验
参考图9，基于结构方程模型能够根据变量来计算求出模型的拟合度指标、标准化路径系数以及协方差关系系数；通过拟合度指标，包括卡方、拟合优度指数GFI、近似误差均方根RMSEA、增值拟合指数IFI以及比较拟合指数CFI等多个指标，可以评估模型的拟合效果，当多个拟合度指标均达标，那么该模型的拟合效果好，输出拟合效果好的模型；相反，当拟合度指标不达标或者达标数量较少，则认为该模型拟合效果差，拟合效果差的模型，不能作为最终的输出对象，需要进行模型修改。
在模型修改中，通过调整协方差关系的方式来对模型进行修正；所述协方差关系是指，当两个变量之间存在较强的潜在相关关系时，结构方程模型会自动建立两个变量之间的协方差关系并计算路径系数；所述两个变量可以均为自变量或者均为因变量。另外，除了拟合指标外，在建立模型时设置的自变量和因变量之间，结构方程模型也通过计算标准化路径系数和显著性差异值的方式来确定两者之间的影响关系，标准化路径系数相当于回归分析中的回归系数，系数大于0，且值越大，说明两个变量之间的正向关联程度越强，结合显著性检验，能够解释独立变量之间的正向或逆向关系是否显著。因此，调整协方差关系，即调整变量在该影响关系下的标准化路径系数，调整两个变量之间的正逆向关联关系或者关联程度。变量关系的调整改变了模型的设定，即进行模型修改后，回到模型设定这一步骤中。
其中，标准化路径系数和显著的正向关系能够作为判断自变量对因变量的影响程度的依据，从而获得风速、风向、海平面温度等气象因素对热带气旋路径变化的影响程度。
(4)模型评价
在本发明实施例中，衡量模型的评价指标，即热带气旋路径预测精确指标，采用球面距离误差公式表示预测坐标与实际坐标之间的距离。距离误差D为：
其中，R表示地球半径；Latp、Latr表示预测的纬度和实际的纬度；Lonp、Lonr表示预测的经度和实际的经度。
最终，输出高评价的模型和相应自变量对模型输出变量的影响程度作为结果，形成效果最佳的热带气旋路径估算模型。
本发明实施例还提供了一种热带气旋移动路径的估算系统，包括：
第一模块，用于获取第一级联特征以及第二级联特征；
第二模块，用于将所述第一级联特征与所述第二级联特征进行融合，得到总融合特征图；
第三模块，用于输入气旋的路径信息，对所述路径信息进行分裂处理得到路径预测结果；
第四模块，用于根据所述总融合特征图以及所述路径预测结果，构造初始模型；
第五模块，用于对所述初始模型进行识别操作，并对所述初始模型进行模型评估操作，得到目标模型；所述目标模型用于热带气旋移动路径的估算。
本发明实施例还提供了一种电子设备，该电子设备包括处理器以及存储器；存储器存储有程序；处理器执行程序以执行前述的一种热带气旋移动路径的估算方法；该电子设备具有搭载并运行本发明实施例提供的业务数据处理的软件系统的功能，例如，个人计算机(Personal Computer，PC)、手机、智能手机、个人数字助手(Personal DigitalAssistant，PDA)、可穿戴设备、掌上热带气旋移动路径的估算方法及系统PPC(Pocket PC)、平板热带气旋移动路径的估算方法及系统、车载终端等。
本发明实施例还提供了一种计算机可读存储介质，存储介质存储有程序，所述程序被处理器执行实现前述的一种热带气旋移动路径的估算方法。
本发明实施例还提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行前述的一种热带气旋移动路径的估算方法。
综上所述，本发明实施例的一种热带气旋移动路径的估算方法及系统具有以下优点：
1、本发明实施例中的SAR星载合成孔径雷达相比星载散射计大大提高了空间分辨率，除了能够获取大范围、高分辨率的海面风场信息外，可以进一步对海表风应力系数、阻力系数、风海流和环流的动力过程和运动特征等进行大范围的高分辨率测量，丰富了海表风场信息。
2、本发明通过基于注意力集中机制的SAR成像数据处理算法，实现对SAR图像的快速分析和识别，解决了反演过程中原本存在的分辨率不足的问题，满足了SAR遥感图像反演高分辨率风速风向的需求。
3、本发明通过级联算法融合后形成的数据模型，满足对数据的高精度和强非线性变化的监测需求，提高了热带气旋移动路径估算的准确性。
4、本发明方法能够解释模型之间以及变量之间的联系，在变量输入与输出的过程中，各个变量之间的影响关系及关系的显著性，都能够以数值的方式表述出来，较好地解决了对人工智能技术求解的解释性不足的问题。
5、本发明各个模型的构建与真实的数据之间均存在较强的关联，因此，对数值和物理变量关系的掌握，能够在一定程度上满足使用物理理论指导路径变化预测，实现人工智能技术与物理理论的结合。
6、本发明实施例在数据模型的构建中，考虑了强非线性和高时空分辨率天气下的情况，针对性的选择了SAR海洋遥感技术并以ECMWF的产品数据作为补充，通过级联算法融合后形成的数据模型能够满足对数据的高精度和强非线性变化的监测需求。
在一些可选择的实施例中，在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如，取决于所涉及的功能/操作，连续示出的两个方框实际上可以被大体上同时地执行或所述方框有时能以相反顺序被执行。此外，在本发明的流程图中所呈现和描述的实施例以示例的方式被提供，目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的，其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
此外，虽然在功能性模块的背景下描述了本发明，但应当理解的是，除非另有相反说明，所述的功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中，或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是，有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说，考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下，在工程师的常规技术内将会了解该模块的实际实现。因此，本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是，所公开的特定概念仅仅是说明性的，并不意在限制本发明的范围，本发明的范围由所附权利要求书及其等同方案的全部范围来决定。
所述功能如果以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。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)、便携式计算机盘盒(磁装置)、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编辑只读存储器(EPROM或闪速存储器)、光纤装置以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。
以上是对本发明的较佳实施进行了具体说明，但本发明并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims (10)

1.一种热带气旋移动路径的估算方法，其特征在于，包括：
获取第一级联特征以及第二级联特征；
将所述第一级联特征与所述第二级联特征进行融合，得到总融合特征图；
输入气旋的路径信息，对所述路径信息进行分裂处理得到路径预测结果；
根据所述总融合特征图以及所述路径预测结果，构造初始模型；
对所述初始模型进行识别操作，并对所述初始模型进行模型评估操作，得到目标模型；
所述目标模型用于热带气旋移动路径的估算。
2.根据权利要求1所述的一种热带气旋移动路径的估算方法，其特征在于，所述获取第一级联特征以及第二级联特征，包括：
获取各个气压层的风速、风向、海平面温度、位势高度以及对应的经纬度坐标位置和时间作为所述第一级联特征；
获取SAR遥感图像，基于注意力集中机制对所述SAR遥感图像进行处理，得到所述第二级联特征。
3.根据权利要求1所述的一种热带气旋移动路径的估算方法，其特征在于，所述将所述第一级联特征与所述第二级联特征进行融合，得到总融合特征图，包括：
提取并聚合所述第一级联特征的特征图，得到第一级联特征信息；
提取并聚合所述第二级联特征的特征图，得到第二级联特征信息；
根据所述第一级联特征信息，获取第一级联特征权重；
根据所述第二级联特征信息，获取第二级联特征权重；
将所述第一级联特征信息与所述第二级联特征权重相乘，得到第一级联融合特征图；
将所述第二级联特征信息与所述第一级联特征权重相乘，得到第二级联融合特征图；
根据所述第一级联融合特征图以及所述第二级联融合特征图，得到总融合特征图。
4.根据权利要求1所述的一种热带气旋移动路径的估算方法，其特征在于，所述输入气旋的路径信息，对所述路径信息进行分裂处理得到路径预测结果，包括：
基于随机森林算法构造路径预测模型；
获取热带气旋路径的气象因素数据；
将所述路径信息输入所述预测模型，根据所述气象因素数据对所述路径信息进行分裂处理，得到路径预测结果。
5.根据权利要求4所述的一种热带气旋移动路径的估算方法，其特征在于，所述根据所述总融合特征图以及所述路径预测结果，构造初始模型，包括：
根据所述总融合特征图，预设置所述初始模型的自变量；
根据所述路径预测结果，预设置所述初始模型的因变量；
基于结构方程模型，根据所述自变量以及所述因变量建立若干方程，得到初始模型。
6.根据权利要求1所述的一种热带气旋移动路径的估算方法，其特征在于，所述对所述初始模型进行模型评估操作，得到目标模型，包括：
获取所述初始模型的拟合度指标；
判断所述拟合度指标是否达标，若不达标则进行模型修改操作，若达标则进行模型评价，输出目标模型。
7.一种热带气旋移动路径的估算系统，其特征在于，包括：
第一模块，用于获取第一级联特征以及第二级联特征；
第二模块，用于将所述第一级联特征与所述第二级联特征进行融合，得到总融合特征图；
第三模块，用于输入气旋的路径信息，对所述路径信息进行分裂处理得到路径预测结果；
第四模块，用于根据所述总融合特征图以及所述路径预测结果，构造初始模型；
第五模块，用于对所述初始模型进行识别操作，并对所述初始模型进行模型评估操作，得到目标模型；所述目标模型用于热带气旋移动路径的估算。
8.一种电子设备，其特征在于，包括处理器以及存储器；
所述存储器用于存储程序；
所述处理器执行所述程序实现如权利要求1至6中任一项所述的方法。
9.一种计算机可读存储介质，其特征在于，所述存储介质存储有程序，所述程序被处理器执行实现如权利要求1至6中任一项所述的方法。
10.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的方法。
CN202311568333.XA 2023-11-22 2023-11-22 一种热带气旋移动路径的估算方法及系统 Pending CN117609942A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311568333.XA CN117609942A (zh) 2023-11-22 2023-11-22 一种热带气旋移动路径的估算方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311568333.XA CN117609942A (zh) 2023-11-22 2023-11-22 一种热带气旋移动路径的估算方法及系统

Publications (1)

Publication Number Publication Date
CN117609942A true CN117609942A (zh) 2024-02-27

Family

ID=89947420

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311568333.XA Pending CN117609942A (zh) 2023-11-22 2023-11-22 一种热带气旋移动路径的估算方法及系统

Country Status (1)

Country Link
CN (1) CN117609942A (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112785034A (zh) * 2020-12-22 2021-05-11 河海大学 基于融合神经网络的台风路径预报方法、系统、介质及终端
CN112883635A (zh) * 2021-01-24 2021-06-01 浙江大学 一种基于随机森林算法的热带气旋全路径模拟方法
CN114998712A (zh) * 2022-08-03 2022-09-02 阿里巴巴（中国）有限公司 图像识别方法、存储介质及电子设备
CN116503715A (zh) * 2023-06-12 2023-07-28 南京信息工程大学 一种基于级联网络的林火检测方法
CN116523089A (zh) * 2022-11-18 2023-08-01 中国气象局公共气象服务中心(国家预警信息发布中心) 一种用于公路交通的降雨致灾风险预报方法及装置
CN117034643A (zh) * 2023-08-22 2023-11-10 浙江华东测绘与工程安全技术有限公司 一种气旋预测方法、装置、设备和存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112785034A (zh) * 2020-12-22 2021-05-11 河海大学 基于融合神经网络的台风路径预报方法、系统、介质及终端
CN112883635A (zh) * 2021-01-24 2021-06-01 浙江大学 一种基于随机森林算法的热带气旋全路径模拟方法
CN114998712A (zh) * 2022-08-03 2022-09-02 阿里巴巴（中国）有限公司 图像识别方法、存储介质及电子设备
CN116523089A (zh) * 2022-11-18 2023-08-01 中国气象局公共气象服务中心(国家预警信息发布中心) 一种用于公路交通的降雨致灾风险预报方法及装置
CN116503715A (zh) * 2023-06-12 2023-07-28 南京信息工程大学 一种基于级联网络的林火检测方法
CN117034643A (zh) * 2023-08-22 2023-11-10 浙江华东测绘与工程安全技术有限公司 一种气旋预测方法、装置、设备和存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
XU, G., XIAN, D., FOURNIER-VIGER, P. ET AL.: "AM-ConvGRU: a spatio-temporal model for typhoon path prediction", NEURAL COMPUTING AND APPLICATIONS (2022) 34, 18 January 2022 (2022-01-18), pages 5905, XP037720674, DOI: 10.1007/s00521-021-06724-x *

Similar Documents

Publication Publication Date Title
CN110333554B (zh) Nriet暴雨智能相似分析方法
CN109886217B (zh) 一种基于卷积神经网络从近岸海浪视频中检测浪高的方法
CN113705478B (zh) 一种基于改进YOLOv5的红树林单木目标检测方法
CN110728658A (zh) 一种基于深度学习的高分辨率遥感影像弱目标检测方法
CN110533631A (zh) 基于金字塔池化孪生网络的sar图像变化检测方法
CN114254561A (zh) 一种内涝预测方法、系统及存储介质
CN112101278A (zh) 基于k近邻特征提取和深度学习的宅基地点云分类方法
Zhang et al. A GANs-based deep learning framework for automatic subsurface object recognition from ground penetrating radar data
CN110009010A (zh) 基于兴趣区域重检测的宽幅光学遥感目标检测方法
CN112001270A (zh) 基于一维卷积神经网络的地面雷达自动目标分类识别方法
CN110456355B (zh) 一种基于长短时记忆和生成对抗网络的雷达回波外推方法
CN107230197B (zh) 基于卫星云图和rvm的热带气旋客观定强方法
CN110751209B (zh) 一种融合深度图像分类和检索的智能台风定强方法
CN108492298A (zh) 基于生成对抗网络的多光谱图像变化检测方法
CN109446894A (zh) 基于概率分割及高斯混合聚类的多光谱图像变化检测方法
CN108537790B (zh) 基于耦合翻译网络的异源图像变化检测方法
CN112115916A (zh) 域适应Faster R-CNN半监督SAR检测方法
Peng et al. CNGAT: A graph neural network model for radar quantitative precipitation estimation
CN114926693A (zh) 基于加权距离的sar图像小样本识别方法及装置
CN114913434B (zh) 一种基于全局关系推理的高分辨率遥感影像变化检测方法
CN104156943A (zh) 基于非支配邻域免疫算法的多目标模糊聚类图像变化检测方法
CN114973019A (zh) 一种基于深度学习的地理空间信息变化检测分类方法及系统
CN117689995A (zh) 一种基于单目图像的未知航天器层级检测方法
CN110321528B (zh) 一种基于半监督地理空间回归分析的高光谱影像土壤重金属浓度评估方法
CN117609942A (zh) 一种热带气旋移动路径的估算方法及系统

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