臺風預測可為臺風預警預報提供先驗信息,輔助相關部門進行科學決策,以減少災害損失。利用時間序列臺風衛(wèi)星云圖,提出一種新的臺風等級預測模型SeqTyphoon,將注意力機制和序列到序列引入模型預測未來時刻臺風圖像,然后利用卷積神經(jīng)網(wǎng)絡對預測的臺風圖像進行臺風等級預測。通過日本氣象廳發(fā)布的1981—2017年3萬多張時序臺風衛(wèi)星云圖,構建了訓練集、驗證集和測試集,分別對應29 519、3 804、1 995張臺風圖像。針對SeqTyphoon模型,分別進行了臺風云圖的不同時間間隔、不同預測時長及不同空間分辨率對臺風圖像預測精度影響的對比實驗。實驗結果表明,臺風云圖均為32像素×32像素,時間間隔為6h比時間間隔為12h的訓練集和驗證集的均方根誤差分別降低5.41%、5.72%,前者訓練集的均方根誤差達到0.092 2,驗證集為0.095 4,前者臺風等級預測準確率為后者的2倍;臺風云圖為32像素×32像素,時間間隔為6h時,預測未來6～48h的臺風圖像,訓練集和驗證集的均方根誤差均遞增,臺風等級預測準確率遞減;時間間隔為6h,圖像為64像素×64像素的訓練集的均方根誤差為0.089 6,驗證... 

【文章來源】：遙感信息. 2020,35(04)北大核心CSCD

【文章頁數(shù)】：7 頁

【部分圖文】：

200416號臺風過程圖像

卷積神經(jīng)網(wǎng)絡[23]是提取高級語義特征表現(xiàn)最好的算法，通過對圖像的逐層卷積提取更加抽象的特征，越抽象的特征越能夠表現(xiàn)圖像的語義信息，并在圖像的分類中表現(xiàn)出更好的性能[24]。因此，為進一步衡量預測的臺風云圖質量，利用卷積神經(jīng)網(wǎng)絡，對預測出的圖像進行臺風等級分類。本文構建的臺風圖像預測模型SeqTyphoon如圖2所示。1.3 模型評估方法

3）圖像信息熵。圖像信息熵是一種圖像特征的統(tǒng)計形式，它反映了圖像中平均信息量的多少。圖像的一維熵表示圖像中灰度分布的聚集特征所包含的信息量。2 實驗結果與分析

【參考文獻】：
期刊論文
[1]面向衛(wèi)星云圖及深度學習的臺風等級分類[J]. 鄒國良,侯倩,鄭宗生,黃冬梅,劉兆榮.  遙感信息. 2019(03)
[2]基于ADCIRC水動力模型的臺風風暴潮預報模型驗證[J]. 劉克強,袁杰穎,陳文召,陳永平.  水利水電快報. 2019(04)
[3]基于改進激活函數(shù)的用于臺風等級分類的深度學習模型[J]. 鄭宗生,劉兆榮,黃冬梅,宋巍,鄒國良,侯倩,郝劍波.  計算機科學. 2018(12)
[4]面向大規(guī)模圖像分類的深度卷積神經(jīng)網(wǎng)絡優(yōu)化[J]. 白琮,黃玲,陳佳楠,潘翔,陳勝勇.  軟件學報. 2018(04)
[5]基于氣象大數(shù)據(jù)的臺風強度預測統(tǒng)計模型研究[J]. 湯婷婷,李晴嵐,李廣鑫,彭玉龍.  集成技術. 2016(02)
[6]臺風數(shù)值預報技術研究進展[J]. 馬鵬輝,楊燕軍,劉鐵軍.  山東氣象. 2015(01)
[7]利用一個海氣耦合模式對臺風Krovanh的模擬[J]. 蔣小平,劉春霞,齊義泉.  大氣科學. 2009(01)
[8]積云參數(shù)化對0613號臺風“珊珊”數(shù)值模擬的影響研究[J]. 吳林,王剛,沈晗,李江南.  氣象研究與應用. 2008(04)

碩士論文
[1]基于雷達圖像的臺風云系識別以及臺風中心定位方法研究[D]. 許晉瑋.天津大學 2010
[2]基于氣象衛(wèi)星云圖的云類識別及臺風分割和中心定位研究[D]. 余建波.武漢理工大學 2008



本文編號：3334338