臺(tái)風(fēng)預(yù)測(cè)可為臺(tái)風(fēng)預(yù)警預(yù)報(bào)提供先驗(yàn)信息,輔助相關(guān)部門進(jìn)行科學(xué)決策,以減少災(zāi)害損失。利用時(shí)間序列臺(tái)風(fēng)衛(wèi)星云圖,提出一種新的臺(tái)風(fēng)等級(jí)預(yù)測(cè)模型SeqTyphoon,將注意力機(jī)制和序列到序列引入模型預(yù)測(cè)未來(lái)時(shí)刻臺(tái)風(fēng)圖像,然后利用卷積神經(jīng)網(wǎng)絡(luò)對(duì)預(yù)測(cè)的臺(tái)風(fēng)圖像進(jìn)行臺(tái)風(fēng)等級(jí)預(yù)測(cè)。通過(guò)日本氣象廳發(fā)布的1981—2017年3萬(wàn)多張時(shí)序臺(tái)風(fēng)衛(wèi)星云圖,構(gòu)建了訓(xùn)練集、驗(yàn)證集和測(cè)試集,分別對(duì)應(yīng)29 519、3 804、1 995張臺(tái)風(fēng)圖像。針對(duì)SeqTyphoon模型,分別進(jìn)行了臺(tái)風(fēng)云圖的不同時(shí)間間隔、不同預(yù)測(cè)時(shí)長(zhǎng)及不同空間分辨率對(duì)臺(tái)風(fēng)圖像預(yù)測(cè)精度影響的對(duì)比實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明,臺(tái)風(fēng)云圖均為32像素×32像素,時(shí)間間隔為6h比時(shí)間間隔為12h的訓(xùn)練集和驗(yàn)證集的均方根誤差分別降低5.41%、5.72%,前者訓(xùn)練集的均方根誤差達(dá)到0.092 2,驗(yàn)證集為0.095 4,前者臺(tái)風(fēng)等級(jí)預(yù)測(cè)準(zhǔn)確率為后者的2倍;臺(tái)風(fēng)云圖為32像素×32像素,時(shí)間間隔為6h時(shí),預(yù)測(cè)未來(lái)6～48h的臺(tái)風(fēng)圖像,訓(xùn)練集和驗(yàn)證集的均方根誤差均遞增,臺(tái)風(fēng)等級(jí)預(yù)測(cè)準(zhǔn)確率遞減;時(shí)間間隔為6h,圖像為64像素×64像素的訓(xùn)練集的均方根誤差為0.089 6,驗(yàn)證... 

【文章來(lái)源】：遙感信息. 2020,35(04)北大核心CSCD

【文章頁(yè)數(shù)】：7 頁(yè)

【部分圖文】：

200416號(hào)臺(tái)風(fēng)過(guò)程圖像

卷積神經(jīng)網(wǎng)絡(luò)[23]是提取高級(jí)語(yǔ)義特征表現(xiàn)最好的算法，通過(guò)對(duì)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(yǔ)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(jìn)一步衡量預(yù)測(cè)的臺(tái)風(fēng)云圖質(zhì)量，利用卷積神經(jīng)網(wǎng)絡(luò)，對(duì)預(yù)測(cè)出的圖像進(jìn)行臺(tái)風(fēng)等級(jí)分類。本文構(gòu)建的臺(tái)風(fēng)圖像預(yù)測(cè)模型SeqTyphoon如圖2所示。1.3 模型評(píng)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(jì)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(shí)驗(yàn)結(jié)果與分析

【參考文獻(xiàn)】：
期刊論文
[1]面向衛(wèi)星云圖及深度學(xué)習(xí)的臺(tái)風(fēng)等級(jí)分類[J]. 鄒國(guó)良,侯倩,鄭宗生,黃冬梅,劉兆榮.  遙感信息. 2019(03)
[2]基于ADCIRC水動(dòng)力模型的臺(tái)風(fēng)風(fēng)暴潮預(yù)報(bào)模型驗(yàn)證[J]. 劉克強(qiáng),袁杰穎,陳文召,陳永平.  水利水電快報(bào). 2019(04)
[3]基于改進(jìn)激活函數(shù)的用于臺(tái)風(fēng)等級(jí)分類的深度學(xué)習(xí)模型[J]. 鄭宗生,劉兆榮,黃冬梅,宋巍,鄒國(guó)良,侯倩,郝劍波.  計(jì)算機(jī)科學(xué). 2018(12)
[4]面向大規(guī)模圖像分類的深度卷積神經(jīng)網(wǎng)絡(luò)優(yōu)化[J]. 白琮,黃玲,陳佳楠,潘翔,陳勝勇.  軟件學(xué)報(bào). 2018(04)
[5]基于氣象大數(shù)據(jù)的臺(tái)風(fēng)強(qiáng)度預(yù)測(cè)統(tǒng)計(jì)模型研究[J]. 湯婷婷,李晴嵐,李廣鑫,彭玉龍.  集成技術(shù). 2016(02)
[6]臺(tái)風(fēng)數(shù)值預(yù)報(bào)技術(shù)研究進(jìn)展[J]. 馬鵬輝,楊燕軍,劉鐵軍.  山東氣象. 2015(01)
[7]利用一個(gè)海氣耦合模式對(duì)臺(tái)風(fēng)Krovanh的模擬[J]. 蔣小平,劉春霞,齊義泉.  大氣科學(xué). 2009(01)
[8]積云參數(shù)化對(duì)0613號(hào)臺(tái)風(fēng)“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(yīng)用. 2008(04)

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



本文編號(hào)：3334338