一种台风强度预测方法、装置、设备及存储介质

技术领域

本申请实施例涉及台风强度预测技术领域，特别涉及一种台风强度预测方法、装置、设备及存储介质。

背景技术

台风通常在登陆期间和登陆后因强风，洪水和风暴潮而造成巨大的经济损失和人员伤亡，特别是对于极易受台风影响的沿海地区。因此，及时准确的台风路径和强度预测在防台减灾中起着重要作用。

传统的台风强度预测方法包括基于物理的数值模拟、统计分析方法以及基于回归的统计回归方法。对于数值方法，一个显著的弱点是无法充分表示复杂的动力学过程。但是，增加变量或方程式的数量会导致计算需求成指数增长。另一方面，通常基于回归并且计算成本较低的统计回归方法可能无法有效地捕获非线性关系。

目前通常采用基于机器学习算法的预测模型对台风进行预测，利用不同的机器学习模型可以有效的解决特征变量之间的非线性关系，但现有的机器学习模型主要考虑了开放海域的热带气旋强度变化，且目前无论是传统的线性统计回归预测方法还是基于机器学习的预测方法，只考虑了当前和过去环境背景场预测变量，没有考虑台风未来位置的环境背景和下垫面对台风强度的影响，导致台风强度预测准确度不高。

发明内容

本申请实施例提供一种台风强度预测方法、装置、设备及存储介质，解决现有的台风强度预测方法只考虑当前和过去环境背景场预测变量且预测准确度不高的问题。

为解决上述技术问题，第一方面，本申请实施例提供一种台风强度预测方法，包括：获取台风及环境背景数据；包括台风最佳路径数据集、大气海洋变量数据、海温数据；基于台风及环境背景数据，计算并提取特征变量；特征变量包括当前和过去的环境背景场预测变量以及台风未来路径位置对应的环境背景及下垫面信息；基于特征变量，构建台风强度预测模型；基于台风强度预测模型，对不同生命周期的台风强度进行预测。

一些示例性实施例中，获取台风及环境背景数据，包括：获取西北太平洋的热带气旋最佳路径数据集；获取全球预报系统最终网格分析的再分析资料数据；获取西北太平洋每日海面温度均值数据。

一些示例性实施例中，基于台风及环境背景数据，计算并提取特征变量，包括：基于台风及环境背景数据，计算并提取台风最佳路径数据集中每个时刻当前和过去的环境背景场预测变量；基于台风及环境背景数据，计算并提取台风最佳路径数据集中每个时刻与台风未来路径位置所对应的环境背景信息相关的预测变量。

一些示例性实施例中，基于台风及环境背景数据，计算并提取台风最佳路径数据集中每个时刻当前和过去的环境背景场预测变量，包括：基于台风最佳路径数据集，获取台风时间、台风位置和台风强度，并计算台风移动速度、海陆比、儒略日、过去12小时台风强度变化以及台风最大潜在强度变化；基于台风时间，在再分析资料数据中获取数据文件，并基于台风位置，设置以台风位置的经纬度为中心的圆环区域为研究区域，并在研究区域提取大气海洋变量，计算大气海洋变量的均值；基于台风时间和台风位置的经纬度，获取西北太平洋每日海面温度均值数据；并计算以台风位置的经纬度为中心的圆环区域内的海温均值。

一些示例性实施例中，基于台风及环境背景数据，计算并提取台风最佳路径数据集中每个时刻与台风未来路径位置所对应的环境背景信息相关的预测变量，包括：基于当前台风时间和台风位置的经纬度，获取台风未来每个时刻对应的台风经纬度；基于所述台风未来每个时刻对应的台风经纬度，计算所述未来台风经纬度位置在当前时刻的对应海陆比、海温和垂直风切变。

一些示例性实施例中，基于特征变量，构建台风强度预测模型，包括：将特征变量组合为预测变量数据集，并将组合的预测变量数据集划分为不同预测时间段的预测变量数据集；将不同预测时间段的预测变量数据集分别根据海陆比划分为登陆、近海岸、远海三个类型的数据集，同时将所述数据集与不同预测时间段的预测变量数据集组合，共同构成最终训练集；基于最终训练集，并基于梯度提升回归树构建台风强度预测模型。

一些示例性实施例中，基于台风强度预测模型，对不同生命周期的台风强度进行预测，包括：采用贝叶斯优化算法调整所述台风强度预测模型的超参数，得到优化后的台风强度预测模型；基于优化后的台风强度预测模型，分别对不同阶段不同时刻的测试集进行预测，得到登陆、近海岸、远海不同生命周期阶段中不同预测时间段的台风强度变化预测值。

第二方面，本申请实施例还提供了一种台风强度预测装置，包括：依次连接的数据获取模块、特征变量提取模块、模型构建模块和预测模块；数据获取模块用于获取台风及环境背景数据；包括台风最佳路径数据集、大气海洋变量数据、海温数据；特征变量提取模块用于根据数据获取模块传输的所述台风及环境背景数据，计算并提取特征变量；特征变量包括当前和过去的环境背景场预测变量以及台风未来路径位置所对应的环境背景信息；模型构建模块用于根据特征变量提取模块提取的特征变量，构建台风强度预测模型；预测模块用于通过台风强度预测模型，对不同生命周期的台风强度进行预测。

另外，本申请还提供了一种电子设备，包括：至少一个处理器；以及，与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述台风强度预测方法。

另外，本申请还提供了一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现上述台风强度预测方法。

本申请实施例提供的技术方案至少具有以下优点：

本申请实施例针对现有的台风强度预测方法只考虑当前和过去环境背景场预测变量且预测准确度不高的问题，提供一种台风强度预测方法、装置、设备及存储介质，该方法包括：获取台风及环境背景数据；包括台风最佳路径数据集、大气海洋变量数据、海温数据；基于台风及环境背景数据，计算并提取特征变量；特征变量包括当前和过去的环境背景场变量以及台风未来路径位置所对应的当前环境背景信息；基于特征变量，构建台风强度预测模型；基于台风强度预测模型，对不同生命周期的台风强度进行预测。本申请提供的台风强度预测方法，考虑了台风未来路径位置所对应的环境背景信息对台风强度变化的影响，通过计算海陆比对台风不同生命周期进行划分，且基于机器学习梯度提升树模型构建台风强度预报模型，并加入了考虑台风未来路径位置所对应的当前环境背景信息的预测变量，台风强度预测的准确率有了明显的提高。

附图说明

一个或多个实施例通过与之对应的附图中的图片进行示例性说明，这些示例性说明并不构成对实施例的限定，除非有特别申明，附图中的图不构成比例限制。

图1为本申请一实施例提供的一种台风强度预测方法的流程示意图；

图2为本申请一实施例提供的一种基于点云理解的台风强度预测装置的结构示意图；

图3为本申请一实施例提供的一种电子设备的结构示意图。

具体实施方式

由背景技术可知，目前现有的台风强度预测方法由于只考虑了当前和过去环境背景场预测变量，存在台风强度预测准确度不高的问题。

在防台减灾中，及时准确地预测台风路径、台风强度起着重要作用。随着气象卫星的应用以及集合预报在台风路径中的普及，台风路径预测有了很大改善，但是，台风强度预测仍然是一个重大挑战。基于物理的数值模拟和统计分析已被证明是了解物理过程对台风强度变化影响的有效工具。统计动力学模型已用于预测强度和快速增强概率，与基于物理的单个动力学模型的预测相比，它们具有更高的性能。然而台风强度受很多因素影响并且难以解释，例如大海与大气之间的能量交换过程的混乱和复杂性以及实时数据的不正确采集，因此无论是数值还是统计动态模型都不能准确的预测台风强度。对于数值方法，一个显著的弱点是无法充分表示复杂的动力学过程。但是，增加变量或方程式的数量会导致计算需求成指数增长。如基于区域模式Hurricane Weather and Research Forecasting Model(HWRF)的预测方法和基于全球模式ECMWF global model(EMX)预测方法。另一方面，通常基于回归并且计算成本较低的统计回归方法可能无法有效地捕获非线性关系。如统计动力学模型Statistical Hurricane Intensity Prediction Scheme(SHIPS)。因此，传统的预测方法需要进一步改善。

随着人工智能的快速发展，开始使用机器学习算法探索基于卫星，雷达和环境数据来提高台风的强度预测性能，这些方法可以有效的解决传统统计回归预测模型无法处理特征变量之间非线性关系的问题。然而目前国内外基于机器学习算法的预测模型主要考虑了开放海域的台风强度变化，但登陆或移动到海岸附近的台风通常是造成大多数人员伤亡和财产损失的原因。因此，预测近海岸和登陆的台风强度更为重要。有相关技术通过计算海陆比来划分台风生命周期不同阶段的方法，可以改善近海台风强度预测难度大且准确率不高的问题。有相关技术提出一种基于机器学习梯度提升树模型，构建一种只考虑当前和过去环境背景场作为预测因子的台风强度预测模型，来预测不同生命周期的台风强度，预测准确率有了一定的提升。

现有的台风强度预测方法主要有两类，一类是基于数值模式的预测方法，一类是基于统计分析的预测方法。基于物理的数值模式的预测方法是通过计算求解流体运动方程来预测台风活动。基于物理场的数值模拟方法无法充分的表示复杂的动力学过程，同时通过增加变量或方程式的数量会导致计算需求指数增长。基于统计回归分析预测方法主要包括传统的线性回归预测以及基于机器学习的预测方法。统计回归分析预测方法一般是根据台风期间的气候和持续性变量提取影响台风的一些特征变量，通过发掘特征变量与台风强度之间的相关性来进行台风强度预测。线性统计回归分析预测方法，成本较低，但可能无法有效处理特征变量之间的非线性关系。基于机器学习的预测方法，利用不同的机器学习模型可以有效的解决特征变量之间的非线性关系，但已有的机器学习模型主要考虑了开放海域的热带气旋强度变化。且目前无论是传统的线性统计回归预测方法还是基于机器学习的预测方法，都是基于当前和过去的背景场变量进行分析预测，没有充分考虑到台风未来的路径，海温，垂直风切变等变化趋势对台风强度变化的影响。而台风未来的路径信息，以及相对应的气象要素如海温和风切变都是台风强度变化的重要动力来源。

为解决上述技术问题，本申请实施例提供一种台风强度预测方法，包括：获取台风及环境背景数据；台风及环境背景数据包括台风最佳路径数据集、大气海洋变量数据、海温数据；基于台风及环境背景数据，计算并提取特征变量；特征变量包括当前和过去的环境背景场预测变量以及台风未来路径位置对应的环境背景及下垫面信息；基于特征变量，构建台风强度预测模型；基于台风强度预测模型，对不同生命周期的台风强度进行预测。本申请实施例通过将当前和过去的环境背景场作为预测变量，考虑台风未来的路径信息及相关气象要素为预测变量，利用机器学习梯度提升回归树模型构建台风强度预测模型，并对登陆，近海岸以及远海的台风强度进行预测，采用贝叶斯优化算法自动调整模型超参数，提高预测模型的准确率与稳定性。

下面将结合附图对本申请的各实施例进行详细的阐述。然而，本领域的普通技术人员可以理解，在本申请各实施例中，为了使读者更好地理解本申请而提出了许多技术细节。但是，即使没有这些技术细节和基于以下各实施例的种种变化和修改，也可以实现本申请所要求保护的技术方案。

参看图1，本申请实施例提供了一种台风强度预测方法，包括以下步骤：

步骤S1、获取台风及环境背景数据；台风及环境背景数据包括台风最佳路径数据集、大气海洋变量数据、海温数据。

步骤S2、基于台风及环境背景数据，计算并提取特征变量；特征变量包括当前和过去的环境背景场预测变量以及台风未来路径位置所对应的当前环境背景信息。

步骤S3、基于特征变量，构建台风强度预测模型。

步骤S4、基于台风强度预测模型，对不同生命周期的台风强度进行预测。

本申请提供的台风强度预测方法，首先获取台风最佳路径数据集(包括上海台风所的最佳路径数据集和联合台风预警中心的最佳路径数据集)和对应的大气海洋变量数据(来自国家环境预测中心的全球预报系统的再分析资料数据)，以及美国国家海洋和大气管理局提供的海温数据；然后计算并提取特征变量，包括当前和过去的环境背景场变量以及考虑台风未来路径位置所对应的环境背景信息，其中台风未来路径位置所对应的环境背景信息主要包括预报的未来时刻的台风位置，及该位置在当前时刻的海陆比、海温和垂直风切变。最后将所有的预测变量组成训练模型的数据集，构建基于梯度提升回归树的台风强度预测模型，使用贝叶斯优化算法自动调整机器学习模型的超参数来提高预测模型性能，对不同生命周期(包括远海，近海岸和登陆后)的台风强度进行预测。

步骤S1中台风及环境背景数据包括台风最佳路径数据集、大气海洋变量数据、海温数据。现有的台风强度预测模型的预测因子只包括当前和过去的环境背景场变量，本申请提供的台风强度预测方法考虑了台风未来路径位置所对应的环境背景信息对台风强度变化的影响，通过分析台风未来位置及相关的环境背景场变量对台风强度变化的影响。步骤S2中特征变量包括当前和过去的环境背景场预测变量以及台风未来路径位置所对应的环境背景信息。其中台风未来路径位置所对应的环境背景信息主要包括预报的未来时刻的台风位置，及该位置在当前时刻的海陆比、海温和垂直风切变。

步骤S3中本申请基于特征变量，构建台风强度预测模型，该模型为考虑台风未来路径位置所对应的环境背景信息的台风强度预报模型。步骤S4中通过台风强度预测模型对不同生命周期的台风强度进行预测，来提高台风强度预报模型的准确率。

在一些实施例中，步骤S1中获取台风及环境背景数据，包括：获取西北太平洋的热带气旋最佳路径数据集；获取全球预报系统最终网格分析的再分析资料数据；获取西北太平洋每日海面温度均值数据。

具体的，步骤S1中获取台风及环境背景数据，包括以下步骤：

步骤S10、从上海台风所和联合台风预警中心的官方网站下载从2000到2019年的西北太平洋的热带气旋最佳路径数据集(元素为热带气旋最佳路径记录)，设为Q1。每条热带气旋最佳路径记录含该热带气旋从形成到消亡的全部时间(年，月，日，小时)，经纬度位置以及强度信息。

步骤S11、从国家环境预测中心的官方网站下载从2000-2019年的全球预报系统最终网格分析的再分析资料数据，其时空分辨率为1°×1°的网格和6h的时间间隔，设为Q2。

步骤S12、从美国国家海洋和大气管理局的官方网站下载西北太平洋每日海面温度均值数据，设为Q3。

需要说明的是，步骤S10、步骤S11、步骤S12的执行顺序可以是依次执行步骤S10、步骤S11、步骤S12，也可以同时执行步骤S10、步骤S11、步骤S12，或者，也可以是依次执行步骤S12、步骤S11、步骤S10，本申请实施例对获取台风及环境背景数据的步骤S10、步骤S11、步骤S12的顺序不做限定。

在一些实施例中，步骤S1中基于台风及环境背景数据，计算并提取特征变量，包括以下步骤：

步骤S101、基于台风及环境背景数据，计算并提取台风最佳路径数据集中每个时刻当前和过去的环境背景场预测变量。

步骤S102、基于台风及环境背景数据，计算并提取台风最佳路径数据集中每个时刻与未来路径位置所对应的环境背景信息相关的预测变量。

具体的，在步骤S101中通过台风及环境背景数据计算并提取台风最佳路径数据集中每个时刻当前和过去的环境背景场预测变量，具体包括以下步骤：

步骤S1011、从Q

步骤S1012、根据Q

步骤S1013、根据经纬度提取数据计算区域均值得到的大气海洋变量为200hpa的U风，200hpa的V风，200hpa的温度，850-700hpa的相对湿度，500-300hpa的相对湿度，850hpa的垂直涡度，500hpa的垂直涡度，200hpa的水平散度，850hpa的水汽通量，500hpa的水汽通量，200-850hpa的垂直风切变和纬向风切变，500-850hpa的垂直风切变和纬向风切变以及垂直风切变与初始风暴纬度sin值的乘积。

步骤S1014、根据Q

在一些实施例中，步骤S102中基于台风及环境背景数据，计算并提取台风最佳路径数据集中每个时刻与台风未来路径位置所对应的环境背景信息相关的预测变量，包括以下步骤：

步骤S1021、基于台风时间和台风位置的经纬度，获取台风发生期间内每个时刻对应的不同预测时间段的台风经纬度。

步骤S1022、基于不同预测时间段的台风经纬度，计算所述台风经纬度对应的台风位置在当前时刻的海陆比、海温和垂直风切变。

需要说明的是，本申请中台风未来路径指的是台风的预测路径。

具体的，作为一个示例，在步骤S1021中，根据Q

在一些实施例中，步骤S3基于特征变量，构建台风强度预测模型，包括以下步骤：

步骤S301、将特征变量组合为预测变量数据集，并将组合的预测变量数据集划分为不同预测时间段的预测变量数据集。

步骤S302、将不同预测时间段的预测变量数据集分别根据海陆比划分为登陆、近海岸、远海三个类型的数据集，同时将所述数据集与不同预测时间段的预测变量数据集组合，共同构成最终训练集.

步骤S303、基于最终训练集，并基于梯度提升回归树构建台风强度预测模型。

步骤S3主要是用于划分数据集，构建基于梯度提升树的台风强度预测模型并进行预测。在步骤S301中，作为一个示例，将近二十年来的台风及环境背景数据集提取和计算得到的预测变量(包括当前和过去的环境背景场预测变量以及与台风未来路径位置所对应的环境背景信息相关的预测变量)整合为预测变量数据集R，预测未来12h、24h、36h、48h、60h、72h台风强度变化，将组合的预测变量数据集R首先划分为不同预测时间段的预测变量数据集R

在一些实施例中，步骤S4中基于台风强度预测模型，对不同生命周期的台风强度进行预测，包括以下步骤：

步骤S401、采用贝叶斯优化算法调整所述台风强度预测模型的超参数，得到优化后的台风强度预测模型。

步骤S402、基于优化后的台风强度预测模型，分别对不同阶段不同时刻的测试集进行预测，得到登陆、近海岸、远海不同生命周期阶段中不同预测时间段的台风强度变化预测值。

具体的，步骤S4中主要是基于梯度提升回归树构建台风强度预测模型并进行预测，读取训练集X中的特征变量和台风强度变化值，以连续五年为一组将2000年至2019年的数据分为四个组(例如，2000-2004年数据为一组)。使用一组作为测试集，其他三组作为训练集来构建预测模型并进行交叉验证。将训练集输入梯度提升回归树模型，对模型进行训练，得到台风强度预测模型。

具体的，在步骤S401中利用贝叶斯优化算法自动调整模型超参数，选择贝叶斯优化后的最优的超参数组合，修改机器学习梯度提升回归树模型的超参数。重新对输入的训练集训练构建台风强度预测模型，通过评价指标评估新的模型的好坏，然后保存调整超参数后的模型。步骤S402中利用训练好的模型分别对不同阶段不同时刻的测试集进行预测，得到登陆，近海岸和远海不同生命周期阶段未来12h、24h、36h、48h、60h、72h台风强度变化预测值。

本申请提供了一种台风强度预测方法，考虑分析台风未来位置及相关的环境背景场变量对台风强度变化的影响。本申请提出了考虑台风未来路径位置所对应的环境背景信息的特征变量，主要包括预报的未来时刻的台风位置，及该位置在当前时刻的海陆比、海温和垂直风切变。本申请还构建一种考虑台风未来路径位置所对应的环境背景信息的台风强度预报模型，来提高台风强度预报模型的准确率。

参见图2，本申请实施例还提供了一种台风强度预测装置，包括：依次连接的数据获取模块101、特征变量提取模块102、模型构建模块103和预测模块104；数据获取模块101用于获取台风及环境背景数据；台风及环境背景数据包括台风最佳路径数据集、大气海洋变量数据、海温数据；特征变量提取模块102用于根据数据获取模块传输的所述台风及环境背景数据，计算并提取特征变量；特征变量包括当前和过去的环境背景场预测变量以及台风未来路径位置所对应的环境背景信息；模型构建模块103用于根据特征变量提取模块提取的特征变量，构建台风强度预测模型；预测模块104用于通过台风强度预测模型，对不同生命周期的台风强度进行预测。

本申请提供的台风强度预测装置与现有技术相比，优势在于：

1)现有的台风强度预测模型的预测因子只包括当前和过去的环境背景场变量，本申请考虑了台风未来路径位置所对应的环境背景信息对台风强度变化的影响。

2)与现有的台风强度预测模型相比，本申请通过计算海陆比对台风不同生命周期进行划分，且基于机器学习梯度提升树模型构建台风强度预报模型，并加入了考虑台风未来路径位置所对应的当前环境背景信息的预测变量，台风强度预测的准确率有了明显的提高。

本申请提供的台风强度预测方法与装置在实验、模拟中，台风强度预测模型的准确率有明显提高。本申请基于2000～2019年西北太平洋台风的最佳路径数据集以及再分析资料和海温数据，通过计算提取当前和过去的环境背景场预测变量以及考虑台风未来路径位置所对应的环境背景信息的相关预测变量，利用机器学习梯度提升回归树模型构建台风强度预测模型，对不同生命周期(包括远海，近海岸和登陆后)的台风强度进行预测。结果表明，预测变量中考虑台风未来路径位置所对应的环境背景信息后，台风强度预测模型的准确率有明显提高，R

参考图3，本申请另一实施例提供了一种电子设备，包括：至少一个处理器110；以及，与至少一个处理器通信连接的存储器111；其中，存储器111存储有可被至少一个处理器110执行的指令，指令被至少一个处理器110执行，以使至少一个处理器110能够执行上述任一方法实施例。

其中，存储器111和处理器110采用总线方式连接，总线可以包括任意数量的互联的总线和桥，总线将一个或多个处理器110和存储器111的各种电路连接在一起。总线还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路连接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口在总线和收发机之间提供接口。收发机可以是一个元件，也可以是多个元件，比如多个接收器和发送器，提供用于在传输介质上与各种其他装置通信的单元。经处理器110处理的数据通过天线在无线介质上进行传输，进一步，天线还接收数据并将数据传送给处理器110。

处理器110负责管理总线和通常的处理，还可以提供各种功能，包括定时，外围接口，电压调节、电源管理以及其他控制功能。而存储器111可以被用于存储处理器110在执行操作时所使用的数据。

本申请另一实施例涉及一种计算机可读存储介质，存储有计算机程序。计算机程序被处理器执行时实现上述方法实施例。

即，本领域技术人员可以理解，实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得一个设备(可以是单片机，芯片等)或处理器(processor)执行本申请各个实施例上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-OnlyMemory)、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。

由以上技术方案，本申请实施例针对现有的台风强度预测方法只考虑当前和过去环境背景场预测变量且预测准确度不高的问题，提供一种台风强度预测方法、装置、设备及存储介质，该方法包括：获取台风及环境背景数据；台风及环境背景数据包括台风最佳路径数据集、大气海洋变量数据、海温数据；基于台风及环境背景数据，计算并提取特征变量；特征变量包括当前和过去的环境背景场预测变量以及台风未来路径位置所对应的环境背景信息；基于特征变量，构建台风强度预测模型；基于台风强度预测模型，对不同生命周期的台风强度进行预测。本申请提供的台风强度预测方法，考虑了台风未来路径位置所对应的环境背景信息对台风强度变化的影响，通过计算海陆比对台风不同生命周期进行划分，且基于机器学习梯度提升树模型构建台风强度预报模型，并加入了考虑台风未来路径位置所对应的当前环境背景信息的预测变量，台风强度预测的准确率有了明显的提高。

本领域的普通技术人员可以理解，上述各实施方式是实现本申请的具体实施例，而在实际应用中，可以在形式上和细节上对其作各种改变，而不偏离本申请的精神和范围。任何本领域技术人员，在不脱离本申请的精神和范围内，均可作各自更动与修改，因此本申请的保护范围应当以权利要求限定的范围为准。