[发明专利]基于深度学习的台风强度遥感反演方法

说明书

本发明涉及一种基于深度学习的台风强度遥感反演方法，包括以下步骤：确定待反演时刻台风中心的地理坐标信息，获取待反演时刻卫星的云图；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；确定台风中心位置在卫星云图中的坐标点，并以该坐标点为中心，构建基于波段亮温数据的三维矩阵；构建基于focal_loss损失函数的8个二分类CNN模型；将三维矩阵数据输入8个二分类CNN模型中，得到并输出相应的数值，其中最大数值对应的台风等级即为该时刻台风的强度类别；根据上述所得数值计算得该时刻台风的最大风速。本发明能有效解决现有深度学习方法存在的反演台风强度难以找到最佳通道组合以及台风样本分布不均衡带来副作用的问题。

技术领域

本发明涉及遥感技术领域，具体涉及一种基于深度学习的台风强度遥感反演方法。

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。西北太平洋不仅是世界上台风生成数量最多的海盆，也是唯一一个一年四季都能观测到台风活动的海盆。据资料统计，我国是全世界受台风灾害影响最严重的国家之一，年均达到9.3个，居世界首位，每年我国台风灾害约造成250亿以上的经济损失，死亡人数高达数百人。对台风强度的反演不仅是台风监测中的重要一环；也可以更好地初始化数值模型，从而更准确地预测台风。此外，更加准确地反演台风强度可能有助于对快速增强台风(最具挑战性的预测问题)的预测，有助于人们提前做好防范，减少损失。

目前利用卫星图像进行台风强度反演的常用算法概括起来主要有三类：Dvorak技术、方向梯度角技术(DAVT)和深度学习方法。其中Dvorak技术会因为预报员对该方法的熟练程度产生一些主观性错误，具有一定的局限性。在台风发展的早期阶段，该方法误差一般偏高。DAVT技术是通过对卫星红外图像亮度的方向梯度统计分析，最终拟合出一个非线性方程来计算台风强度。台风中心定位的误差会带来一定的不确定性。

上述两类方法大多依赖将卫星图像转换成高水平的人工特征。然而对于不同发展阶段、不同区域的台风，很难确定一些通用特征来建立回归模型。因此，学者们尝试将深度学习方法引入台风研究中。以卷积神经网络(CNN)算法为例，该算法避免了复杂的图像预处理过程，可以满足自动、客观的强度反演需求。但是，在CNN方法的应用上仍有一些关键问题需要解决：(1)卫星拥有多个传感器(例如：葵花8号卫星拥有3个可见光、3个近红外、10个红外传感器)，每个传感器发射不同波长的电磁波，因为大气等要素对每种波长电磁波的吸收反射率不同，所以每个传感器提供不同高度、不同要素的信息，大多数研究只使用了单一通道的卫星遥感图像，只有少部分研究(例如Chen B-F.,B.Chen,H.Lin,and R.L.Elsberry,(2019)“Estimating tropical cyclone intensity by satellite imagery utilizingconvolutional neural networks,”Weather and Forecasting,34(2),447-465.)使用了2个通道组合的图像，找到最佳的通道组合反演强度台风仍然是一个很大的挑战。