[发明专利]一种基于全球气候模式的登陆气旋识别方法

说明书

本发明提出一种基于全球气候模式的登陆气旋识别方法，对台风最频繁发生区域的数据统计降尺度，筛选出历史气旋记录，提取训练期与验证期内气旋自登陆日起至消亡的逐日气象信息，并保存为NetCDF格式文件，将NetCDF格式文件循环组合绘图。对作为正样本的逐日气象信息NetCDF文件和负样本的非气旋登入日气象信息NetCDF文件分别提取特征；利用SVM对提取出的特征进行训练，生成正负训练样本集；将验证集的正样本NetCDF文件特征与SVM训练样本中的正样本比较，验证模型效果；将未来气候情景下气压和风速的降尺度结果特征提取，并与正样本训练集的特征进行比较分析，判断气旋是否存在。本发明方法可从任意一套全球气候模式数据中识别出台风。

技术领域

本发明属于气象数据领域，具体涉及一种基于全球气候模式的登陆气旋识别方法。

背景技术

气旋是发生在西北太平洋和南海海域的一种破坏力极强的灾害性天气系统。目前，国内外对热带气旋的研究主要集中在路径和强度的预测上。短期预报台风和飓风等热带低气压的发生，一般是通过卫星观测和监视云的演变过程，对观测数据进行气象模型模拟。而对于这种极端灾害性天气系统的长期预测，则须基于一种全球气候模式(GlobalClimate Model)的未来气候信息进行预测。“GCM”这个缩写经常被用来代指“全球气候模式”或“大气环流模式”，两种模式被广泛地应用于天气预报、理解气候、预测气候变化等方面。虽然两种模式不完全相同，但其中的“大气环流模式”通常是用来模拟气候、极端天气的工具。然而，目前人们在预报过程中常受到气候模式分辨率精度的限制，附加对台风强度变化的物理过程仍存有较多的未知信息，预测模型的整体性能将由此受到影响。除此之外，由于大气现象非线性极强，在数值预报过程中常受到多种不确定性因素干扰，在基于不同的气象模型预测的结果中通常会出现较大的偏差。基于此，气象研究人员开始逐步利用机器学习系统来分析由传感器(包括气象人造卫星)收集到的庞大数据库，从中寻找新型气候模式以改善气候预测，目前已更新至CMIP6。

乔治华盛顿大学的计算机科学家Claire Monteleoni是最早将机器学习技术与气候科学结合在一起的研究人员之一，他认为：气候实际上是解决大数据中存在的统计问题，擅于在大数据中寻找模式和规律的机器学习技术，天然的适用于气候科学。在过去几年，研究人员利用AI系统帮助他们在气候数据实时模型和模拟气候数据中对气候模式、现场气旋和其他极端天气事件进行排序，并确定新的气候模式。Monteleoni率领团队开发了机器学习算法，为政府间气候变化专门委员会(Intergovernmental Panel on Climate Change)使用的大约30个气候模型创建加权平均数。通过学习模型的优缺点，这种算法能够得出比传统方法更好的结果。

随着机器学习和深度学习在图像处理领域的广泛应用，观测技术与探测手段的不断发展，特别是卫星遥感技术通过大面积、同步及非接触方式可直接获取台风数据，研究者开始普遍将此类算法运用在遥感图像上。然而，利用遥感云图的分析方法则更为适用于热带气旋的短期预测。其中，Dvorak分析法是目前较成熟的卫星云图分析法，通过人工直接分析可见光及红外线云图，获得云系中心和气旋形态相关参数，进行全天候热带气旋强度评估。但是其计算过程复杂且需要大量专业知识，主观性较强，增加了分析误差。其次，对于台风在气候变化下的长期预测与趋势分析，目前较多是通过建立SST等多种气象参数与台风潜在势能(PDI)的统计学关系，以评估未来演变规律。这种利用传统统计学方法建立大尺度多变量因子与台风活动之间的统计学模型并没有获得良好的解释效果，验证结果偏差较大。

因此，本发明人由该研究缺陷入手，借鉴Dvorak分析法中利用人工识别判断的思想，通过机器学习构架一种新型自动化识别热带气旋的工具，从全球气候模式数据中对不同气压云层中的风场，低压带进行特征提取，以实现着陆热带气旋强度的自动识别与等级分类。

发明内容

本发明的目的在于提供一种基于全球气候模式的登陆气旋识别方法，为在全球气候模式下识别此类极端天气所带来的各项参数变异频率与趋势分析奠定基础，如通过在气候模式的未来情景下识别台风以探究其导致的降雨发生频率与强度。