卫星遥感应用技术

——基于深度学习模型的台风智能定强技术

1、概述

热带气旋TC (Tropical Cyclone) 是破坏力最强的气象灾害之一，它所携带的强风和强降水对人民生命财产安全和社会经济发展都具有重大的影响，因此，准确预报TC的路径和强度一直以来都是气象预报的一个重要方向，但相对于台风路径的预报，目前台风强度的预报水平进展缓慢。

2、技术特点

本文基于新一代静止气象卫星FY-4A多通道扫描成像辐射(FY-4A/AGRI) 资料，建立台风强度识别深度卷积神经网络(CNN) 模型，从台风强度分类识别和台风强度(中心最大风速) 定量化估计两个方面探讨了CNN模型在台风强度客观估计中的适用性。提高复杂地形区域风速预报。

图1 基于深度学习模型的台风智能定强技术流程图

图2 卷积神经网络模型与传统算法模型精度对比分析

图3 基于深度学习模型的台风智能定强技术实例检验和应用推广

卫星遥感应用技术

——基于神经网络的卫星云图短时预测

1、概述

目前的云图预测基本上均是通过局部特征匹配,计算云图前一时次的运动特征矢量,其后利用该矢量对云团未来的演变发展进行线性外推。这种研究思想决定了该方法的正确预测是建立在以下假设之下①云团的移动是一种平稳的过程,未来的云团移动遵从前期特征矢量所导出的运动规律②预测期间云团没有明显的长消和路径变更。显然,这是非常理想的情况,实际天气中很难满足这种条件,云团的运动不仅有规则的渐变,更有不规则的突变和生消,表现出显著的非平稳性和非确定性。因此,要从本质上改进提高云图的预测时效以及对云团非线性、非平稳过程有较客观、准确的描述和把握,必须探索一条新的云图预测的新思想、新方法。

2.技术特点

由于云图资料序列分解的空间场典型模态是从样本云图序列中提取产生的,表现了云图资料在特定区域、季节的气候统计学结构特征,除表现样本期间的基本分布特征外,也可用于描述未来相邻时段云的空间典型结构除非出现异常突变。为此,我们假定分解的云图空间场典型模态在一定时间内具有一定的稳定性和延续性,即未来相邻时段的云类空间分布亦符合该分解模的空间场特性,这样分解的典型空间场模态可被视为定常,云图的演变被认为是各空间模所对应的时间系数的变化所致。这样对云图的预报建模就转换为对云图序列分解的时间系数序列的预报建模,其后再用该时间系数的预报结果进行的时空重构,进而实现云图的预测。

图1 基于神经网络的卫星云图短时预测技术路线

图2 matlab环境下的Elman神经网络结构

图3 台风“安比”预测图像与实况图像相关系数随预报时间的变化