一种基于物理增强深度学习的台风中心定位方法

技术领域

本发明涉及遥感技术技术领域，具体涉及一种基于物理增强深度学习的台风中心定位方法。

背景技术

台风是在热带海洋上生成的强烈天气过程，台风期间在强风和低压的作用下，台风往往会引发山洪爆发、城市内涝、山体滑坡、泥石流等，对人类生命和财产造成巨大的损害；因此，对台风进行准确的中心定位可以为之后预测台风轨迹提供准确的数据支持，也可以更好的初始化数值模型，从而更准确的预测台风，减少由台风带来的沿岸城市的经济损失。

目前利用卫星图像进行台风中心定位的研究概括起来主要有两类：台风眼区提取和台风螺旋曲线的提取。其中，台风眼区提取是假设卫星图像的台风眼区类似于椭圆形，通过对卫星图像进行一系列的图像预处理以提取椭圆形眼区，圆形中心即为台风中心；台风螺旋曲线提取是指，台风通常被视为由一个主螺旋云带和几个次螺旋云带组成的漩涡系统，提取台风的螺旋曲线，并将通过数学方法提取的螺旋曲线拟合，寻找螺旋中心，即台风中心。

上述研究多聚焦于台风结构相对于完整的成熟期时刻，对于在台风整个生命周期中占大量比重的台风生成期和消散期的效果往往不好。因此，近年来有研究将深度学习引入到台风中心定位研究中来，以卷积神经网络（CNN）为例，该算法避免了传统方法中大量繁琐的图像预处理阶段，具有快速，客观的优势。

对于上述结合卷积神经网络进行台风中心定位三维研究，发明人认为存在以下待解决的关键问题：

1）在现阶段使用卷积神经网络进行台风中心定位的研究之中，模型中的输入普遍为预定位时刻台风云图，通过使模型学习台风云图中的结构信息来推断台风中心地位置；但对于台风结构不是很完整的低等级台风（TD,TS等级，最大持续风速<32.4m/s）来说，仅仅通过当前时刻的云图信息并不能得到很好的结果，如何提升低等级台风的定位精度仍是一个很大的挑战；

2）现阶段使用深度学习来进行台风中心定位研究时，普遍只考虑的台风云图信息来进行纯图像数值驱动模型，缺少可解释性的同时导致定位精度不佳；如何通过向模型中添加物理信息增强模型的可解释性以及添加物理信息后模型的性能是否会提升仍是未知。

因此，如何解决上述技术问题，设计一种基于物理增强深度学习的台风中心定位方法，用于解决通过深度学习方法进行台风中心定位中存在的低等级台风定位精度不佳的问题，以及有效解决纯图像驱动模型可解释差的问题。

公开于该背景技术部分的信息仅仅旨在增加对本发明的总体背景的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域一般技术人员所公知的现有技术。

发明内容

针对上述技术问题，本发明实施例提供了一种基于物理增强深度学习的台风中心定位方法，以解决上述背景技术中提出的问题。

本发明提供了以下技术方案：

一种基于物理增强深度学习的台风中心定位方法，包括以下步骤：

获取预定位时刻和历史成像时刻台风中心的地理坐标信息，以及预定位时刻的卫星云图；

读取卫星云图中的地理坐标信息以及预设的若干个波段的亮温数据；

确定预定位时刻和历史成像时刻的台风中心位置在卫星云图中的坐标点，以该坐标点为中心，分别构建预定位时刻和历史成像时刻基于波段亮温数据的三维矩阵；

确定历史成像时刻台风的中心最大持续风速，中心最低气压，以及中心位置在卫星云图中的坐标点，生成对应历史成像时刻时间序列的二维矩阵作为物理辅助信息；

构建基于MAE损失函数的物理增强CNN模型；其中，基于MAE损失函数的物理增强CNN模型在python（一种计算机编程语言）软件中进行加载；

将预定位时刻的三维矩阵，历史成像时刻的三维矩阵和物理辅助信息输入至基于MAE损失函数的物理增强CNN模型中，预测台风中心位置相对于卫星云图中心的坐标值。

优选的，其中，预定位时刻为t=0，历史成像时刻为t=-3，t=-6，t=-9，t=-12，t=-15，t=-18。

优选的，将基于波段亮温数据的三维矩阵中心纵向横向随机移动一定距离，记录移动距离生成二维矩阵作为真值。

优选的，所述将基于波段亮温数据的三维矩阵中心纵向横向随机移动一定距离，记录移动距离生成二维矩阵作为真值，包括：将2n+1×2n+1的二维矩阵的中心，沿纵向和横向随机移动一定的距离，剪裁矩阵大小；生成2m+1×2m+1的二维矩阵，同时记录移动的距离，作为2m+1×2m+1的二维矩阵的真值；其中，m

优选的，所述以该坐标点为中心，分别构建预定位时刻和历史成像时刻基于波段亮温数据的三维矩阵，包括：以坐标点为中心，向上下左右各延伸n个网格点，从若干个波段中截取波段数量个2n+1×2n+1的二维矩阵，并按照波段序号由高到低顺序重新组合为三维矩阵。

优选的，所述确定历史成像时刻台风的中心最大持续风速，中心最低气压，以及中心位置在卫星云图中的坐标点，生成对应历史成像时刻时间序列的二维矩阵作为物理辅助信息，包括：

确定历史成像时刻的台风的中心位置信息，并分别计算与预定位时刻的台风中心位置的相对位置，生成包括中心位置信息的二维矩阵；

确定历史成像时刻的台风中心最低气压数据，生成包括中心最低气压数据的二维矩阵；

确定历史成像时刻台风的中心最大持续风速，生成包括中心最大持续风速数据的二维矩阵。

优选的，所述构建基于MAE损失函数的物理增强CNN模型，包括：

收集预定位时刻卫星的台风卫星云图和历史成像时刻卫星的台风卫星云图，生成包含预定位时刻和历史成像时刻的台风时间序列；

将台风时间序列以及对应的物理辅助信息按比例随机划分为训练集，验证集和测试集；

使用MAE损失函数计算CNN模型内部梯度函数；

采用训练集数据对模型进行训练；其中验证集数据用来在模型训练过程中防止过拟合；测试集数据用来进行模型数据的最终判断。

本发明实施例提供的一种基于物理增强深度学习的台风中心定位方法，具有以下有益效果：本发明能有效解决现有通过深度学习方法进行台风中心定位中存在的低等级台风定位精度不佳，以及纯图像驱动模型可解释差的问题。

附图说明

图1为本发明基于物理增强深度学习的台风中心定位方法的流程图；

图2为本发明中基于MAE损失函数的物理增强CNN模型的框架图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中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，本领域技术人员在没有做出创造性劳动前提下，所获得的所有其它实施例，都属于本发明保护的范围。

针对上述背景技术提到的问题，本发明实施例提供了一种基于物理增强深度学习的台风中心定位方法，以解决上述技术问题，其技术方案如下：

下面结合附图1-2，以及具体实施方式对本发明作进一步的说明。

本实施例以葵花8号卫星为例，对本发明基于深度学习的台风中心定位方法进行说明，首先在用户终端安装python编程软件，并需要配备temsorflow-2.2.0，keras-2.3.1依赖包（tensorflow 和 keras是用于深度学习的开源软件库；tensorflow提供了一个灵活的平台，可以用于构建、训练和部署各种复杂的神经网络模型，它支持多种编程语言；keras是一个高级的神经网络 API，可以在 tensorflow 的基础上提供更简洁和友好的接口，让用户可以快速地搭建和运行常见的神经网络模型；其中，temsorflow-2.2.0，keras-2.3.1分别发布于2020年5月7日与2019年10月9日）。

步骤1.确定预定位时刻（t=0）台风，和前18H间隔3H的（t=-3，t=-6，t=-9，t=-12，t=-15，t=-18）台风中心的经纬度，以及对应中心最低气压，中心最大持续风速。并按照时间顺序（t=-3，t=-6，t=-9，t=-12，t=-15，t=-18）生成包含中心最低气压，最大持续风速等气候持续性因子的两个二维矩阵，大小为n×6。同时下载要对应时刻葵花8号卫星的云图（空间分辨率5km）；

步骤2.读取葵花8号卫星云图文件中的经度数据、纬度数据、第13、14、15波段亮温数据（band13、band14、band15）；首先在葵花8号卫星的16个波段中选取大气窗口附近的3个波段组合输入（13，14，15），设计多组对照试验，通过对比不同实验模型的性能（见表1）。

表1为步骤2中对照试验模型对测试组数据的性能对比表

步骤3.找到预定位时刻（t=0）台风中心位置在卫星云图中的坐标点，以及预定位时刻前18H间隔3H（t=-3，t=-6，t=-9，t=-12，t=-15，t=-18）6个台风中心位置在卫星云图中的坐标点。计算各历史成像时刻台风中心相对于预定位时刻台风中心的相对坐标，并按照时间顺序（t=-3，t=-6，t=-9，t=-12，t=-15，t=-18）生成包含历史成像时刻位置信息的二维矩阵，大小为n×6。结合步骤1中包含历史成像时刻的气象持续性因子组合成历史成像时刻的物理辅助信息。共包括3个矩阵，大小均为n×6。并设置多组对比试验，通过对比不同实验模型的性能（见表2）。

表2为步骤3中对照试验模型对测试组数据的性能对比表

步骤4.找到台风中心位置在卫星云图中的坐标点（a,b），以该坐标点为中心，向上下左右各延伸125个网格点，从波段13、14、15中裁取预定位时刻的251×251的二维矩阵，以及预定位时刻前18H间隔3H的6个251×251的二维矩阵。并按照时间顺序（t=0，t=-3，t=-6，t=-9，t=-12，t=-15，t=-18）将7个二维矩阵组合成三个（按照通道顺序排列）三维矩阵，大小为7×251×251；

步骤5.将波段13、14、15中的三个7×251×251规格的原始台风云图的图像中心纵向和横向随机移动一定距离，并减小图像像素，进一步提取151×151像素的子图像，对应生成三个（按照通道顺序排列）7×151×151大小的三维矩阵。同时记录移动的距离，作为子图像台风中心的真值。

本实施例收集了葵花8号2015-2021年来自196场台风中风速小于32.4m/s的低等级台风（TD,TS）共6684景卫星云图，随机选取其中60%作为训练组，20%作为验证组，20%作为测试组。使用python编程软件和tensorflow、keras程序包构建物理增强CNN模型，模型框架见图2。

步骤6.将步骤1中的包含气候持续性信息的矩阵，步骤3中包含历史成像时刻中心信息的矩阵，步骤5中3个包含台风时间序列的矩阵输入到物理增强CNN中，模型的输出为台风中心位置相对于图像中心的坐标。采用平均距离MD作为模型性能的评价指标，MD的计算公式为：

其中

下表为ARCHER-2（ARCHER-2是自动定位中心台风眼检索算法-ARCHER的改进版本，由Wimmer等在2016年提出，是一种将对数螺旋拟合到螺旋雨带以确定台风眼的算法，该算法依赖于地球静止卫星和极轨卫星数据。）与本实施案例台风中心定位对比结果表，其中ARCHER-2与本实施案例采用同一数据集进行测试。

本发明基于物理增强的CNN网络进行台风中心定位方法通过对不同预定位时刻多个卫星红外通道图像的组合，找到了最适合台风中心定位的通道输入组合。通过引入台风历史时间序列和历史成像时刻的物理辅助信息解决了低等级台风定位误差较大以及可解释性差的问题。并通过不同物理辅助信息组合输入确定了最适合台风中心定位的物理辅助信息输入组合。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。