[发明专利]一种基于深度学习的急流线提取和识别方法

说明书

本发明提供了一种基于深度学习的急流线提取和识别方法，属于气象技术领域，将深度学习模型应用于急流区域的识别和提取，并采用大量的真实气象数据和气象专家的标注数据，以及有效可行的数据预处理方法，将识别急流线重要的两个特征风速和风向一致性，对应为图片的三个通道，利用深度学习在图像领域的创新算法，提高对于急流线识别的准确性，采用基于密度聚类的DBSCAN方法，对急流区域进行分类，并采用基于BP网络的回归模型，对急流区域进行线条的拟合，可以让模型学习到急流线的常规绘制方法，且在深度学习的基础上能提高急流线绘制的准确性，降低问题的复杂性。本发明解决了急流线提取和识别的传统方法中的区域限制和普适性差的问题。

技术领域

本发明属于气象技术领域，尤其涉及一种基于深度学习的急流线提取和识别方法。

背景技术

SonjaMolnos以风速、风向和纬度导向函数构造代价函数，通过Dijkstra方法寻找最短路径方式计算副热带急流(subtropicaljetstream)和极锋急流(polarjetsteam)，该方法针对全球绘制两条单一闭合曲线，适合与气候研究，算法没有考虑急流的分叉和急流合并等情况，且算法需要已知起点，因此，该算法不适合于非全球范围风场数据急流线计算，不适合于天气预报场景中的急流线计算。

金宏忆以VAD算法为基础，用雷达探测资料以及多普勒天气雷达二次产品，探讨了机器识别低空急流的检测方法。该算法研究数据为雷达数据，因此，适合于0～2小时的短临预报的场景。另一方面，该算法只针对西南风低空急流自动识别做出了研究，未对其它类型的急流提取回波特征，具有区域的限制。

路志英和王萍的方法类似，对站点风场数据计算急流线并用MICAPS进行显示，该方法利用地面站的观测资料，经过站点筛选预处理、聚类、拟合实现了850hPa等压面上中国东南部沿海地区低空急流的绘制。该方法根据该地区以东南风和西南风为主的特征进行识别，不适合于其它更多的情况，该方法普适性较差。

任浩利用气象部门绘制流线普遍使用的MICAPS第11类格点矢量数据，经过数据预处理、急流区域识别、初选节点追踪、节点划分、急流节点划分、急流节点计算、噪声节点剔除、急流绘制等步骤，实现了一套完整的急流自动分析算法。该方法对于急流的定位和走向较好的满足了气象部门业务工作需求。但在一些风矢量较少或者气流较复杂的急流区内，存在漏分析或者分析结果与气象人员绘制结果偏差较大等问题。

发明内容

针对现有技术中的上述不足，本发明提供的一种基于深度学习的急流线提取和识别方法，解决了急流线提取和识别的传统方法中的区域限制和普适性差的问题。

为了达到以上目的，本发明采用的技术方案为：

本方案提供一种基于深度学习的急流线提取和识别方法，包括以下步骤：

S1、对原始Micaps第11类500hPa风场格点数据进行双线性插值处理，得到分辨率为512*320的格点数据；

S2、根据插值后每个格点数据在U、V方向上风的大小值，计算得到每个格点的风向风速；

S3、根据所述每个格点的风向风速，提取风速大于等于20m/s的格点，并放入集合A中，其余格点放入集合B中，并将集合A中的格点转化成第一图像，将集合B中的格点转化为第二图像；

S4、读取Micaps第14类标注数据，并转化为标注图像作为标签图像数据；

S5、将所述第一图像、第二图像以及标签图像数据作为标签，训练图像分割模型；

S6、根据所述图像分割模型，利用基于密度的DBSCAN聚类方法将识别出的所有急流区域，划分为多个急流区域，得到单个急流区域；

S7、搭建BP神经网络，并将所述标签图像数据作为训练数据，将原始Micaps第14类标注数据作为标签，对所述BP神经网络进行训练，得到回归模型；