[发明专利]基于机器学习的热带气旋强度监测方法、装置和设备

说明书

本申请涉及一种基于机器学习的热带气旋强度监测方法、装置和设备。所述方法包括：通过对最佳路径数据集进行线性内插，得到优化后的最佳路径数据集，并将优化后的最佳路径数据集和卫星云图数据集进行组合，构建得到插值扩充数据集；通过随机划分方法将插值扩充数据集划分为训练集和测试集，并提取训练集中影响热带气旋强度的先验物理因子，将先验物理因子代入热带气旋强度智能监测模型的训练过程，从而得到训练好的热带气旋强度智能监测模型；将测试集中的先验物理因子输入训练好的热带气旋强度智能监测模型进行强度预测，得到热带气旋预测强度。采用本方法能够有效降低模型监测热带气旋的强度误差，提高热带气旋的强度监测效果。

技术领域

本申请涉及台风强度监测技术领域，特别是涉及一种基于机器学习的热带气旋强度监测方法、装置和设备。

背景技术

热带气旋(Tropical Cyclone，TC)是一类生成和发展于热带或亚热带海面上的涡旋性天气系统，其形成和发展过程通常伴随着狂风、暴雨和风暴潮等极端灾害性天气。开展热带气旋强度的监测和预警等关键技术的研究，对增强热带气旋灾害应急处置能力具有非常重要的意义和实际应用价值。

TC生成和发展的主要区域都位于广阔的大洋面上，常规观测网难以覆盖，虽然在大气观探测技术发展的支撑下，已经能够利用飞机穿越观测、近海岛屿雷达探测、海面高塔等手段获取TC位置、强度等信息，但由于实施成本、探测距离等限制，资料的时间连续性和空间连续性得不到保障，难以提供TC全生命史的强度和结构信息，只能作为TC强度监测的辅助资料。气象卫星由于具有高频次的全球覆盖能力，逐渐成为对TC进行全天候监测的主要资料。其中静止卫星资料时间分辨率高，易于全面捕捉TC内部对流结构演变和追踪强度演变过程，成为目前TC定强方法的主要使用数据。

传统的估算热带气旋强度方法包括Dvorak技术、客观Dvorak技术、偏角方差技术以及卷积神经网络算法，这些方法尽管提高了TC定强的精度，但仍存在一些缺陷。例如，Dvorak技术是当前业务预报上应用最为广泛的基于静止卫星云图估算热带气旋强度的系统性方法，这种方法通过比对TC眼区、眼壁处云系和外围螺旋云带的特征与基于实际预报经验总结的标准模型之间的差异，综合云团系统环流、亮温分布等信息综合判断TC强度。但是，由于需要人工参与分析TC的云团特征，该方法在使用上不仅耗时，而且严重受限于分析人员的个人水平。客观Dvorak技术是一套基于计算机程序的客观TC中心定位和云型确定方案，利用北大西洋、西太平洋和东太平洋近10年的TC样本信息进行回归分析，得到涵盖TC整个生命史的强度估计方程。然而，这种方法在TC强度较低时的自我中心定位能力较差，不适用于热带低压、热带风暴等弱热带气旋，并且在云型分类方面仍然需要人工参与。偏角方差技术(Deviation Angle Variance Technique，DAV-T)将一系列红外云图转化为时间连续的DAV(偏角方差)图，根据DAV反映TC强度的变化，但是，这种方法难以准确反映卫星资料与TC强度之间的非线性映射关系。卷积神经网络(Convolutional Neural Networks，CNN)算法虽然极大提高了TC定强的精度，但其仅考虑了图像特征，而忽略了TC生成和发展过程中的物理因子，例如大尺度环流信息、外力、内部动力过程等，而这些特征都被研究证明与TC强度有很强的相关性，导致TC定强还存在一定的误差。

发明内容

基于此，有必要针对上述技术问题，提供一种能够提高监测TC强度的准确性的基于机器学习的热带气旋强度监测方法、装置和设备。

一种基于机器学习的热带气旋强度监测方法，方法包括：

获取设定区域范围和设定时间范围内热带气旋的卫星云图数据集和最佳路径数据集，根据卫星云图数据集的时间序列对最佳路径数据集进行线性内插，得到优化后的最佳路径数据集，将优化后的最佳路径数据集和卫星云图数据集进行组合，构建得到插值扩充数据集；