多信息融合台风强度估计算法及其装置和可读存储介质

技术领域

本申请涉及气象预报技术领域，尤其是涉及一种多信息融合台风强度估计算法及其装置和可读存储介质。

背景技术

台风属于严重的自然灾害天气之一，容易引发海啸、洪水多种灾难，导致人员伤亡惨重、财产损失等。

因而，提高台风预报与实时监测能力，一定程度上有利于减轻台风造成的损失，对提高我国气象预报预警业务能力水平、完善突发事件应急服务内容具有重要的应用价值和研究意义。

确定台风中心位置、强度和风圈半径等参数是制作台风预报和发布台风预警的第一步，但是常规统计资料和观测资料较少，较难准确和完整计算台风中心位置、强度以及风圈半径等各要素；卫星遥感资料具有较高时空覆盖范围和分辨率，是观测与研究台风的重要手段。

气象卫星覆盖面积广，时间分辨率高，尤其产生的卫星云图含有台风生成、发展、消亡的重要信息，是目前台风观测与预报的主要手段。

我国早在20世纪80年代就开始探索利用卫星云图确定台风强度，并制定了台风强度确定的技术流程，在业务中发挥了重要作用。2010年以后，中央气象台开始在业务中使用世界气象组织(World Meteorological Organization，WMO)推荐的Dvorak技术进行台风定强，进一步提高了我国台风定强精度以及与其他业务中心的可比性。

Dvorak技术是一种根据预报人员先验知识的主观估计方法，但是由于台风是个具有复杂的动力学机制的天气系统，并且容易受到许多因素的影响，具有很强的非线性结构特点，对预报人员的先验知识要求较高，普遍存在对无眼台风和热带气旋的定位和定强上精准度不高等情况，并不能满足决策部门的精细化服务需求。

为了提高自动化程度，减少人为主观因素的影响，一些学者提出客观Dvorak方法，如ADT(Advanced Dvorak Technique)方法，但是ADT方法在弱风速估计时准确率不高，因为在这种情况下云层分布无序以及经验阈值难以确定。

针对上述现有技术的不足，本申请提出一种新的技术方案。

发明内容

为了提高台风估计业务自动化程度与精细化水平，并提供更好的台风初始化模型，本申请提供一种多信息融合台风强度估计算法及其装置和可读存储介质。

第一方面，本申请提供一种多信息融合台风强度估计算法，采用如下的技术方案：

一种多信息融合台风强度估计算法，包括：

S1、接收/获取待处理的台风卫星云图；

S2、对台风卫星云图缩放得到初始图一，并根据台风眼中心位置切割台风卫星云图得到两个不同尺寸级别的初始图二和初始图三；以及，

S3、以预建立的卷积神经网络处理初始图；

其中，所述S3、以预建立卷积神经网络处理初始图，包括：

对初始图一、初始图二和初始图三分别做特征提取，得到图像特征；

图像特征以通道注意力网络和空间注意力网络进行特征融合；

以全链接层基于融合后的特征预测台风的强度。

可选的，以ResNet32网络进行提取特征，且ResBlock为ResNet32网络去掉分类器层。

可选的，所述图像特征以通道注意力网络和空间注意力网络进行特征融合，其包括：先以通道注意力网络对图像特征处理，再以空间注意力网络对通道注意力网络的输出处理。

可选的，所述先以通道注意力网络对图像特征处理，其包括：

假设三个初始图提取的特征分别为：F

F

三个特征根据通道链接，并通过一个多层感知机一得到通道注意力特征图

通道注意力特征图

归一化后得到的特征分割为

加上Residual Connection，残差链接，输出为：

可选的，所述再以空间注意力网络对通道注意力网络的输出处理，其包括：

可选的，假设三个初始图提取特征别经过通道注意力网络后的输出特征分别为：

三个输出特征链接，并通过一个多层感知机二得到空间注意力特征图

空间注意力特征图

归一化后得到的特征分割成为：

加上Residual Connection，残差链接，输出为：

/>

输出后的特征再送入全链接层，把特征的通道的维度降为1，得到估计的台风强度。

可选的，所述预建立的卷积神经网络以MSE损失函数进行训练。

第二方面，本申请提供一种多信息融合台风强度估计装置，采用如下的技术方案：

一种多信息融合台风强度估计装置，包括存储器和处理器，所述存储器上存储有能够被处理器加载并执行如上述任一种多信息融合台风强度估计算法的计算机程序。

第三方面，本申请提供一种可读存储介质，采用如下的技术方案：

一种可读存储介质，存储有能够被处理器加载并执行如上述任一种多信息融合台风强度估计算法的计算机程序。

综上所述，本申请包括以下至少一种有益技术效果：利用多尺度神经网络，有效融合局部台风眼信息与全局卫星云图信息，可以有效利用最有判别力的区域特征对台风强度进行细粒度估计，从而可以提高台风估计业务自动化程度与精细化水平，并提供更好的台风初始化模型。

附图说明

图1是本申请的算法的卷积神经网络处理流程示意图；

图2是本申请的通道注意力网络示意图；

图3是本申请的空间注意力网络示意图；

图4是本申请的算法应用示例Grad-Cam可视化神经网络的特征响应示意图。

具体实施方式

以下结合附图1-4对本申请作进一步详细说明。

已知的，台风强度通常定义为台风眼附近的最大风速；预测台风强度属于细粒度预测。

本申请实施例公开一种多信息融合台风强度估计算法，其除了可以提高台风估计业务自动化程度，还可以用于解决现有在卫星云图上的台风强度估计技术并没有充分利用不同台风强度所显示的卫星云图特征的缺陷，提高精细化水平。

不同台风强度的卫星图片外观差异小，需要利用最有判别力的台风眼区域判断台风强度；同时，全局的卫星云图也包含相应台风强度区域；因此本申请提出的算法利用多尺度神经网络，有效融合局部台风眼信息与全局卫星云图信息，可以有效利用最有判别力的区域特征对台风强度进行细粒度估计。

参照图1，多信息融合台风强度估计算法包括：

S1、接收/获取待处理的台风卫星云图；

S2、对台风卫星云图缩放得到初始图一，并根据台风眼中心位置切割台风卫星云图得到两个不同尺寸级别的初始图二和初始图三；以及，

S3、以预建立的卷积神经网络处理初始图。

以下分别具体解释。

关于S2，具体地：首先把卫星图片大小缩放为诸如224×224的初始图一；再通过传统方法得到台风眼中心位置，并以台风眼中心位置为图片中心裁剪出相应的卫星云图，根据台风眼中心位置切割所得初始图二和初始图三尺寸分别为128×128与64×64。

上述S3、以预建立卷积神经网络处理初始图，包括：

对初始图一、初始图二和初始图三分别做特征提取，得到图像特征；

图像特征以通道注意力网络和空间注意力网络进行特征融合；

以全链接层基于融合后的特征预测台风的强度。

在本申请的一个实施例中，以ResNet32网络进行提取特征，且ResBlock为ResNet32网络去掉分类器层。

上述图像特征以通道注意力网络和空间注意力网络进行特征融合，其包括：先以通道注意力网络对图像特征处理，再以空间注意力网络对通道注意力网络的输出处理。

关于通道注意力网络对图像特征处理，其包括：

假设三个初始图提取的特征分别为：F

F

三个特征根据通道链接(既，根据通道链接起来，Concat操作)，并通过一个多层感知机一得到通道注意力特征图

通道注意力特征图

归一化后得到的特征分割为

加上Residual Connection，残差链接，输出为：

输出后的特征再送入空间注意力网络计算基于位置的注意力，以得到更有判别力的特征表示。

关于空间注意力网络对通道注意力网络的输出处理，其包括：

假设三个初始图提取特征别经过通道注意力网络后的输出特征分别为：

三个输出特征链接，并通过一个多层感知机二得到空间注意力特征图

空间注意力特征图

归一化后得到的特征分割成为：

加上Residual Connection，残差链接，输出为：

/>

输出后的特征再送入全链接层，即直接用全连接层对台风强度进行回归，把特征的通道的维度降为1，直接输出台风强度作为估计结果。

综上所述，本算法：

1、使用多级网络结构在卫星云图上对台风强度进行估计，充分融合了全局信息与局部信息对台风强度进行细粒度估计；

2、利用空间注意力和通道注意力融合机制学得更有判别力的特征表不。

本算法实验验证，简单有效，预测结果在DeepTI数据集的测试集和TCIR数据集的验证集上分别达到均方误差8.47与9.30，达到目前最优效果，并且每个部分都测试有效。

如图4为几个实例所示，多级网络结构能有效对台风的强度进行细粒度分类，在每一级当中，网络都能有效的选择判别力最强的区域，而且每一级选择的区域不一样，这使得网络可以更有效的利用多个不同区域的特征，从而增加了台风强度估计的准确性。

本申请实施例还公开一种多信息融合台风强度估计装置。

多信息融合台风强度估计装置，包括存储器和处理器，存储器上存储有能够被处理器加载并执行如上述任一种多信息融合台风强度估计算法的计算机程序。

本申请实施例还公开一种可读存储介质。

可读存储介质，其存储有能够被处理器加载并执行如上述任一种多信息融合台风强度估计算法的计算机程序。

以上均为本申请的较佳实施例，并非依此限制本申请的保护范围，故：凡依本申请的结构、形状、原理所做的等效变化，均应涵盖于本申请的保护范围之内。