[发明专利]基于深度学习混合CNN-LSTM模型的台风预测方法

说明书

本发明公开了一种基于深度学习混合CNN‑LSTM模型的台风预测方法，目的是解决现有台风预测方法预测结果不稳定，准确度不太高的问题。技术方案是首先获取历史热带气旋最佳路径数据集和全球的大气海洋变量数据，组成训练模型的数据集，然后构建混合CNN‑LSTM的台风预测模型，再利用训练模型的数据集对混合CNN‑LSTM的台风预测模型进行训练拟合，最后采用训练好的混合CNN‑LSTM的台风预测模型对台风是否形成以及形成后的路径和强度进行预测。采用本发明可以方便地利用现有的公开数据集和深度学习框架进行模型的构建和预测，且本发明利用近几十年的台风数据和大气海洋变量数据对构建的模型进行训练后，能够直接使用训练好的模型有效地提高台风预测的准确率。

技术领域

本发明涉及一种基于深度学习混合卷积神经网络(CNN)和长短期记忆神经网络(LSTM)模型的台风预测方法，属于计算机和气象、海洋的交叉领域。

背景技术

台风作为一种极端天气事件，不仅会影响海上活动，而且会给沿海地区人民的生活和城市经济造成重大损失。因此，台风研究和预测一直是各个沿海国家关注的重点。台风预测一般是对台风的强度和路径进行预测，近年来，路径预测取得了比较大的进展，而台风强度预测却仍然没有太大的改进。

为了提供台风灾害的早期预警，准确的台风形成、强度、路径预测方法一直是气象领域的关注重点。由于台风系统的复杂性和多变性，现有的台风预测方法通常很难对台风做到准确的预测。现有台风预测方法一般分为三类，一类是基于数值模式的预测方法，如基于区域模式Hurricane Weather and Research Forecasting Model(HWRF)，全球模式ECMWF global model(EMX)、集成模式(GFS)预测方法等；一类是基于统计分析的预测方法，比如气候持续模型Climatology and Persistence model(CILIEPER5)、统计动力模型Statistical Hurricane Intensity Prediction Scheme(SHIPS)等；还有一类基于机器学习的预测方法，比如逻辑斯蒂回归Logistic Regression(LR)，以及人工神经网络Artificial Neural Network(ANN)等。基于数值模式的预测方法从大气的物理背景场出发，通过求解流体动力学方程来预测台风的活动。而现有的基于统计分析和机器学习的预测方法一般是找出影响台风活动过程中的一些重要变量，然后发掘这些变量与台风形成之间的相关性，以对台风形成以及形成后的路径和强度进行预测。例如文献”Wijnands J S，Qian G，Kuleshov Y.Variable Selection for Tropical Cyclogenesis PredictiveModeling[J].Monthly Weather Review，2016，144.”(即热带气旋生成预测建模的变量选择，2016年出版的《每月天气回顾》第144页)一文中介绍了一种用于热带气旋生成预测变量的选择模型，通过使用历史热带气旋最佳路径数据集和欧洲中期数值预报中心的再分析数据，首先从历史热带气旋最佳路径数据集中选择出符合条件的热带气旋生成以及移动的时间和位置，然后根据时间和位置从再分析数据中匹配相对应的环境场变量，再用概率图模型对变量进行筛选后，使用筛选后的变量运用LR建立机器学习模型来预测热带气旋的形成。对于路径和强度的预测，现在比较常用的方法是统计-动力方法，该方法以数值天气模式为依托，使用模式运算得出的环境场参量建立统计预测模型。台风业务预报中最具代表性的是SHIPS模型，该模型最初提出时选用的是几个气候态的持续性变量，如起报时刻的热带气旋强度、经纬度、移动方向、发生时的儒略日、热带气旋移向向量，以及其他动力变量，如最大可能强度、850～200百帕(hPa)压力层之间的垂直风切变、200hPa压力层的相对涡动量散度等，利用这些变量建立统计回归模型来预测台风的路径和强度。该模型的统计回归系数在每年台风季都要用新的样本进行更新，并会在业务预报中得到不断的改进。