CN114548606A - 一种气旋强度预测模型的构建方法及气旋强度预测方法 - Google Patents

一种气旋强度预测模型的构建方法及气旋强度预测方法 Download PDF

Info

Publication number
CN114548606A
CN114548606A CN202210438320.XA CN202210438320A CN114548606A CN 114548606 A CN114548606 A CN 114548606A CN 202210438320 A CN202210438320 A CN 202210438320A CN 114548606 A CN114548606 A CN 114548606A
Authority
CN
China
Prior art keywords
latitude
longitude
cyclone
convolution
prediction model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202210438320.XA
Other languages
English (en)
Other versions
CN114548606B (zh
Inventor
贾鹏飞
李旭涛
叶允明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Li Xutao
Shenzhen Hashen Asset Management Co ltd
Ye Yunming
Original Assignee
Harbin Institute Of Technology shenzhen Shenzhen Institute Of Science And Technology Innovation Harbin Institute Of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Harbin Institute Of Technology shenzhen Shenzhen Institute Of Science And Technology Innovation Harbin Institute Of Technology filed Critical Harbin Institute Of Technology shenzhen Shenzhen Institute Of Science And Technology Innovation Harbin Institute Of Technology
Priority to CN202210438320.XA priority Critical patent/CN114548606B/zh
Publication of CN114548606A publication Critical patent/CN114548606A/zh
Application granted granted Critical
Publication of CN114548606B publication Critical patent/CN114548606B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Business, Economics & Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Development Economics (AREA)
  • Biophysics (AREA)
  • Game Theory and Decision Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Image Processing (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种气旋强度预测模型的构建方法及气旋强度预测方法，所述构建方法包括：获得训练数据，其中，每个训练数据包括卫星图像序列；将卫星图像序列中的每个卫星图像依次输入至区域曲面卷积层，由区域曲面卷积层输出第一空间特征图，其中，在区域曲面卷积层，对卫星图像进行遍历卷积，在每次卷积中，基于当次卷积的中心采样点的经纬度确定当次卷积其他采样点的经纬度，将当次卷积的中心采样点的经纬度和其他采样点的经纬度作为当次卷积的采样范围；基于第一空间特征图获得气旋强度预测结果；根据气旋强度预测结果和真实值计算损失函数值，基于损失函数值训练得到气旋强度预测模型。本发明能构建出气旋强度预测准确性较高的模型。

Description

一种气旋强度预测模型的构建方法及气旋强度预测方法
技术领域
本发明涉及深度学习和图像处理技术领域，具体涉及一种气旋强度预测模型的构建方法及气旋强度预测方法。
背景技术
热带气旋频繁影响沿海地区，严重威胁沿海居民的生命和财产安全，因而对热带气旋进行准确预测具有较高价值。随着地球同步卫星技术的发展，对整个地球区域进行气象观测成为现实。
目前，卫星图像数据被用于进行热带气旋强度分析，但现有的基于卫星图像数据的热带气旋强度分析方法存在准确性不高的问题。
发明内容
本发明解决的问题是现有的基于卫星图像数据的热带气旋强度分析方法存在准确性不高。
本发明提出一种气旋强度预测模型的构建方法，所述气旋强度预测模型包括：空间特征提取网络，所述空间特征提取网络包括至少一个空间特征提取块，所述空间特征提取块包括区域曲面卷积层，所述气旋强度预测模型的构建方法包括：
从预置的训练数据集中获得训练数据，其中，每个所述训练数据包括卫星图像序列；
将所述卫星图像序列中的每个卫星图像依次输入至所述空间特征提取网络，由所述空间特征提取网络输出第一空间特征图，其中，在所述空间特征提取网络的所述区域曲面卷积层中，对所述卫星图像进行遍历卷积，在每次卷积中，基于当次卷积的中心采样点的经纬度确定当次卷积其他采样点的经纬度，将当次卷积的中心采样点的经纬度和其他采样点的经纬度作为当次卷积的采样范围；
基于所述第一空间特征图获得气旋强度预测结果；
根据所述气旋强度预测结果和真实值计算损失函数值，基于所述损失函数值训练得到所述气旋强度预测模型。
可选地，所述空间特征提取块还包括经纬度注意力层，所述经纬度注意力层置于所述区域曲面卷积层之后；所述基于所述第一空间特征图获得气旋强度预测结果包括：
将所述第一空间特征图输入所述经纬度注意力层，在所述经纬度注意力层，分别在经度方向和纬度方向对所述第一空间特征图计算均值，得到尺寸分别为C*1*W和C*H*1的两个特征块，其中，C为通道维度，H为经度维度，W为纬度维度；
将两个所述特征块中的任一个特征块的最后两个维度交换，再与剩下的另一个特征块融合，得到融合特征块；
将所述融合特征块依次进行下采样和上采样后，重新生成尺寸分别为C*1*W和C*H*1的两个特征块，将重新生成的两个特征块分别进行卷积和膨胀操作后生成两个尺寸为C*H*W的特征块；
将两个尺寸为C*H*W的特征块与所述第一空间特征图融合得到第二空间特征图；
基于所述第二空间特征图获得气旋强度预测结果。
可选地，所述空间特征提取块包括两个所述区域曲面卷积层和一个所述经纬度注意力层，所述经纬度注意力层设置于两个所述区域曲面卷积层之间。
可选地，所述空间特征提取块还包括归一化-激活函数层和最大池化层，所述归一化-激活函数层设置于所述区域曲面卷积层之后，所述最大池化层设置于所述空间特征提取块的末尾。
可选地，所述气旋强度预测模型还包括时空特征提取网络，所述时空特征提取网络设置于所述空间特征提取网络之后，所述时空特征提取网络包括扩展因果卷积网络，所述扩展因果卷积网络包括空洞卷积与因果卷积。
可选地，所述气旋强度预测模型还包括广义线性模型，所述广义线性模型设置于所述时空特征提取网络之后，输出所述气旋强度预测结果。
可选地，所述从预置的训练数据集中获得训练数据之前，还包括：
获取原始的卫星图像集，逐张计算卫星图像的均值、方差和平方平均数，其中，所述卫星图像集包含训练数据集、验证数据集和测试数据集；
生成训练数据集的整体均值和整体方差；
将所述卫星图像集中的所有卫星图像减去所述整体均值再除以所述整体方差，得到标准化后的训练数据集、验证数据集和测试数据集，其中，所述预置的训练数据集为标准化后的训练数据集。
可选地，所述基于当次卷积的中心采样点的经纬度确定当次卷积其他采样点的经纬度包括：采用如下公式确定当次卷积其他待计算的采样点的经纬度：
Figure DEST_PATH_IMAGE002
，
Figure DEST_PATH_IMAGE004
，
其中，
Figure DEST_PATH_IMAGE006
指纬度，
Figure DEST_PATH_IMAGE008
指经度，
Figure DEST_PATH_IMAGE010
指所述待计算的采样点在切平面区块上的坐标，
Figure DEST_PATH_IMAGE012
，
Figure DEST_PATH_IMAGE014
分别指所述中心采样点纬度和经度，
Figure DEST_PATH_IMAGE016
指所述待计算的采样点在切平面区块上距中心采样点的距离，
Figure DEST_PATH_IMAGE018
指
Figure 747998DEST_PATH_IMAGE016
的反正切值，
Figure DEST_PATH_IMAGE020
。
本发明提出一种气旋强度预测方法，包括：
获取作为预测依据的卫星图像序列；
将所述卫星图像序列输入如上所述的气旋强度预测模型的构建方法构建的气旋强度预测模型，输出气旋强度预测值。
本发明还提出一种计算机设备，包括存储有计算机程序的计算机可读存储介质和处理器，所述计算机程序被所述处理器读取并运行时，实现如上所述的气旋强度预测模型的构建方法或者如上所述的气旋强度预测方法。
本发明通过在气旋强度预测模型中引入区域曲面卷积，根据经纬度信息处理卫星图像，克服地球曲面对卫星图像的扭曲，提高了空间特征表征的准确性。
附图说明
图1为本发明实施例气旋强度预测模型的构建方法一流程示意图；
图2为本发明实施例气旋强度预测模型的一结构示意图；
图3为本发明实施例气旋强度预测模型中经纬度注意力层的数据处理流程示意图；
图4为本发明实施例气旋强度预测模型中扩展因果卷积网络的一结构示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更为明显易懂，下面结合附图对本发明的具体实施例做详细的说明。
在本发明一实施例中，气旋强度预测模型包括：空间特征提取网络，所述空间特征提取网络包括至少一个空间特征提取块，所述空间特征提取块包括区域曲面卷积层。如图1，所述气旋强度预测模型的构建方法包括：
步骤S100，从预置的训练数据集中获得训练数据，其中，每个所述训练数据包括卫星图像序列。
获取地球同步轨道气象卫星数据和热带气旋路径数据，生成训练数据集。其中，对地球同步轨道气象卫星数据中的卫星图像进行裁剪，裁剪所得的卫星图像以热带气旋的环流中心作为卫星图像中心，以热带气旋的环流中心为中心的卫星图像作为训练数据，由此，将热带气旋所处位置周边区域尽可能地纳入训练用的卫星图像范围内，以供气旋强度预测模型尽可能多地从卫星图像中提取有效特征，保证较好地模型训练效果。
气旋强度预测模型的输入包括多个时刻的卫星图像，即具有一定时序关系的卫星图像序列。例如，选取8个时刻的卫星图像合并为一个数据序列。气旋强度预测模型的输入还包括经纬度信息，例如，包括每个卫星图像的每个像素点的经纬度信息，用于区域曲面卷积的计算，或者每个卫星图像的特定位置的像素点的经纬度信息，如卫星图像中心像素点的经纬度信息，卫星图像角点（左上角、右上角、左下角、右下角）像素点的经纬度信息等。气旋强度预测模型的输出为预设预测时刻的热带气旋强度值，预设预测时刻为模型输入数据对应时刻的未来时刻，例如，气旋强度预测模型的输入为T-7时刻至T时刻的卫星图像，则该模型的输出可以为T+8时刻的热带气旋强度值。将上述卫星图像序列、经纬度信息和预设预测时刻的热带气旋强度值整理为输入-输出数据对，作为一个训练数据。
可选地，气旋强度预测模型输入包含的经纬度信息，具体可为从路径数据中获取的，各卫星图像对应时刻的热带气旋中心经纬度信息，且通过前期的数据预处理，将每个卫星图像的中心固定在对应时刻的热带气旋中心，热带气旋中心经纬度信息即卫星图像的中心像素点经纬度信息，根据热带气旋中心经纬度信息即可获得卫星图像每个像素点的经纬度，用于区域曲面卷积的计算。由此，每个卫星图像仅需输入中心的经纬度信息，无需将卫星图像每个像素点的经纬度输入气旋强度预测模型，可降低输入到气旋强度预测模型的数据量，同时，气旋强度预测模型基于中心的经纬度信息可生成每个像素点的经纬度，保证顺利实现区域曲面卷积的计算，实现空间特征的准确提取。
步骤S200，将所述卫星图像序列中的每个卫星图像依次输入至所述空间特征提取网络，由所述空间特征提取网络输出第一空间特征图，其中，在所述空间特征提取网络的所述区域曲面卷积层中，对所述卫星图像进行遍历卷积，在每次卷积中，基于当次卷积的中心采样点的经纬度确定当次卷积其他采样点的经纬度，将当次卷积的中心采样点的经纬度和其他采样点的经纬度作为当次卷积的采样范围。
如图2给出了卫星图像依次输入至空间特征提取网络的示意图。卫星图像输入至空间特征提取网络后，在区域曲面卷积层中，进行区域曲面卷积操作。区域曲面卷积操作具体包括：对卫星图像进行遍历卷积，在每次卷积中，基于当次卷积的中心采样点的经纬度确定当次卷积其他采样点的经纬度，将当次卷积的中心采样点的经纬度和其他采样点的经纬度作为当次卷积的采样范围。
热带气旋数据采用等距圆柱投影，这种投影方式是假想球面与圆筒面相切于赤道，赤道为没有变形的线，经纬线投影成两组相互垂直的平行直线。经等距圆柱投影后的地图沿经线方向无长度变形，但角度和面积等变形线与纬线平行，变形值由赤道向高纬逐渐增大，由此产生空间形状失真问题。在传统卷积神经网络中，认为信息具有空间局部性，可以用滑动卷积核的共享权重方式降低参数空间，而上述空间形状失真问题并不完全适用此假设，若还是按照传统方式采用固定大小的规则卷积核滑动卷积，则在高纬度地区的采样间隔不足，会导致提取的空间特征表征准确性较低。基于此，本发明在气旋强度预测模型中引入区域曲面卷积层，将传统的卷积操作从规则平面域扩展到球面域上，将区域曲面卷积核扩展为一个与地球球面相切的区块，将各采样点投影到球面以获取各采样点对应的经纬度坐标，进而确定每次卷积操作在卫星图像上的采样范围，从而消除经纬度对采样间隔的影响，提高空间特征表征的准确性。
获取卫星图像所有像素点的经纬度，通过卷积核遍历卫星图像所有像素点，对于每一次卷积，卷积核中心采样点对应的像素点已知，卷积核中心点对应像素点的经纬度也已知，因而可基于卷积核上其他采样点与中心采样点之间的位置关系确定卷积核上其他采样点的经纬度，再对应到卫星图像上相应经纬度的像素点，从而确定当次卷积在卫星图像上的采样范围。上述当次卷积的中心采样点，指卷积核的中心点，当次卷积的中心采样点的经纬度指卷积核的中心点在当次卷积中对应的像素点的经纬度。其中，卫星图像所有像素点的经纬度，一实施方式中，气旋强度预测模型输入包含的经纬度信息为卫星图像的中心的经纬度信息，基于此，可计算出卫星图像所有像素点的经纬度。
进一步地，区域曲面卷积核在球面坐标和切平面空间坐标的转换公式如下，采用该公式确定当次卷积其他待计算的采样点的经纬度：
Figure 885718DEST_PATH_IMAGE002
，
Figure 879082DEST_PATH_IMAGE004
，
其中，
Figure 367832DEST_PATH_IMAGE006
指纬度，
Figure 839265DEST_PATH_IMAGE008
指经度，
Figure 346338DEST_PATH_IMAGE010
指待计算的采样点在切平面区块上的坐标，
Figure DEST_PATH_IMAGE021
，
Figure DEST_PATH_IMAGE022
分别指所述中心采样点纬度和经度，
Figure 245024DEST_PATH_IMAGE016
指待计算的采样点在切平面区块上距中心采样点的距离，即
Figure DEST_PATH_IMAGE024
，
Figure 955491DEST_PATH_IMAGE018
指
Figure 965035DEST_PATH_IMAGE016
的反正切值，
Figure 342927DEST_PATH_IMAGE020
。
可选地，区域曲面卷积层中采用3*3卷积核。
步骤S300，基于所述第一空间特征图获得气旋强度预测结果。
气旋强度预测结果，可为气旋的中心最大平均风速，也可为风圈半径，其中，热带气旋的风圈半径是指平均风速大于某一等级的风场区域的半径，预测结果可采用七级风圈半径、十级风圈半径和十二级风圈半径等表现形式。
步骤S400，根据所述气旋强度预测结果和真实值计算损失函数值，基于所述损失函数值训练得到所述气旋强度预测模型。
其中，可将气旋强度预测结果和真实值的平均绝对值误差作为损失函数值优化气旋强度预测模型的参数，经过多次迭代训练气旋强度预测模型，将训练好的气旋强度预测模型进行保存以供后续投入使用。
可选地，定期将新的热带气旋数据送入气旋强度预测模型进行增量训练，实现气旋强度预测模型的在线学习，增强气旋强度预测模型的性能。
在本实施例中，通过在气旋强度预测模型中引入区域曲面卷积，根据经纬度信息处理卫星图像，修正数据的空间失真，克服地球曲面对卫星图像的扭曲，准确感知周围区域的信息，提高了空间特征表征的准确性。
可选地，如图2，所述空间特征提取块还包括经纬度注意力层，所述经纬度注意力层置于所述区域曲面卷积层之后。如图3，所述基于所述第一空间特征图获得气旋强度预测结果包括：
将所述第一空间特征图输入所述经纬度注意力层，在所述经纬度注意力层，采用Avg Pool分别在经度方向和纬度方向对所述第一空间特征图计算均值，得到单一经度方向或单一纬度方向的长距离的信息，即得到尺寸分别为C*1*W和C*H*1的两个特征块，其中，C为通道维度，H为经度维度，W为纬度维度。将两个所述特征块中的任一个特征块的最后两个维度交换，再与剩下的另一个特征块融合，得到融合特征块，从而将经度方向和纬度方向信息按照原先的中间层通道进行结合，融合单张特征图在经度和纬度两个方向上的长距离依赖信息，在如图3给出的示例中，将C*H*1特征块最后两个维度交换，使其尺寸变为C*1*H，再与C*1*W特征块融合，得到尺寸为C*1*（H+W）的融合特征块。将所述融合特征块依次进行下采样和上采样后，重新生成尺寸分别为C*1*W和C*H*1的两个特征块，将重新生成的两个特征块分别进行卷积和膨胀操作后生成两个尺寸为C*H*W的特征块，其中，将重新生成的两个特征块分别进行1*1卷积和膨胀操作后生成两个尺寸为C*H*W的特征块，其中，下采样和上采样实现了不同特征层信息的交互，再通过卷积和膨胀操作得到与输入特征图尺寸大小相匹配的最终注意力值。将两个尺寸为C*H*W的特征块与所述第一空间特征图融合得到第二空间特征图，具体可通过哈达玛乘积融合得到第二空间特征图，以实现自适应地捕捉特征图的重要区域。基于所述第二空间特征图获得气旋强度预测结果。
气旋强度预测模型预测的目标值是热带气旋的中心位置的指标，比如中心位置的最大平均风速或者风圈半径，因此，与卫星图像的其他区域相比，卫星图像中热带气旋区域的信息特别是中心区域的信息的重要性程度更高，本实施例采用如上所述的经纬度注意力机制，融合第一空间特征图在经度和纬度两个方向上的远距离依赖信息，生成嵌入了特定方向信息的两个特征图，有效地识别热带气旋的整体结构，区分卫星图像上不同经纬度区域对预测的重要性程度，提高对具有较高重要性程度的区域的关注，从而提高最终预测结果的准确性。
可选地，所述空间特征提取块包括两个所述区域曲面卷积层和一个所述经纬度注意力层，所述经纬度注意力层设置于两个所述区域曲面卷积层之间。
其中，区域曲面卷积层和经纬度注意力层的相关内容如上文所述，此处不赘述。如图2给出了一种示例，第一个区域曲面卷积层输出的第一空间特征图输入至经纬度注意力层，由经纬度注意力层对第一空间特征图进行特征提取后，输出第二空间特征图至第二个区域曲面卷积层。第一个区域曲面卷积层利用曲面卷积修正数据的空间失真从而准确感知周围区域的信息，生成初步特征图，经纬度注意力层捕捉初步特征图在经度和纬度两个方向上的长距离依赖信息，使网络自适应地关注初步特征图的重要区域，第二个区域曲面卷积层用于增大特征图每个像素点的感受区域，从而提高空间特征表征的准确性。可选地，第一个区域曲面卷积层的输出通道数是输入通道数的两倍，以更多地捕捉来自上一层的特征信息，第二个区域曲面卷积层的输出通道数和输出通道数一致，以增大特征图每个像素点的感受区域。
可选地，所述空间特征提取块还包括归一化-激活函数层和最大池化层，所述归一化-激活函数层设置于所述区域曲面卷积层之后，所述最大池化层设置于所述空间特征提取块的末尾。
其中，归一化-激活函数层用于增加网络的非线性，同时可以加快网络的训练速度。因输入的卫星图像尺寸较大，最大池化层用于对特征图去冗余和增加网络非线性，同时减少网络参数量加快训练。
一实施方式中，空间特征提取块内部依次设置为：第一个区域曲面卷积层、归一化-激活函数层、经纬度注意力层、第二个区域曲面卷积层、归一化-激活函数层以及最大池化层。其中，第一个区域曲面卷积层的输出通道数是输入通道数的两倍，可更多地捕捉来自上一层的特征信息，同时利用曲面卷积修正数据的空间失真从而准确感知周围区域的信息，生成初步的特征图；归一化-激活函数层用于增加网络的非线性，同时加快网络的训练速度；经纬度注意力层用于捕捉初步特征图在经度和纬度两个方向上的长距离依赖信息，使网络自适应地关注特征图的重要区域；第二个区域曲面卷积层的输出通道数和输出通道数一致，用于增大特征图每个像素点的感受区域；最大池化层用于对特征去冗余并增加网络的非线性，同时减少网络参数量以加快训练。
在如图2给出的示例中，空间特征提取网络由5个空间特征提取块堆叠而成，其中每个空间特征提取块内部依次为：第一区域曲面卷积层，第一归一化-激活函数层，经纬度注意力层，第二区域曲面卷积层，第二归一化-激活函数层，最大池化层。每个空间特征提取块内部的各卷积层中间特征层数一致，因为每个空间特征提取块最后的最大池化层会使特征图的宽和高减小，为了提取和保留更多信息，通过设置各中间特征层的卷积核数量，使得空间特征提取块的输出特征图通道数依次扩大，在每个空间特征提取块中，第一个区域曲面卷积层的输出通道数设置为输入通道数的两倍，第二个区域曲面卷积层的输出通道数设置为与输出通道数一致，一实施方式中，5个空间特征提取块的中间特征层通道数分别为64，128，256，512，1024。
可选地，所述气旋强度预测模型还包括时空特征提取网络，所述时空特征提取网络设置于所述空间特征提取网络之后，所述时空特征提取网络包括扩展因果卷积网络，所述扩展因果卷积网络包括空洞卷积与因果卷积。
图4为扩展因果卷积网络一实施例示意图。在该扩展因果卷积网络中，包含输入层、隐含层1、隐含层2和输出层，隐含层1在T时刻的输入为前一层（即输入层）在T-1和T时刻的输出，隐含层2在T时刻的输入为前一层（即隐含层1）在T-2和T时刻的输出，输出层在T时刻的输入为前一层（即隐含层2）在T-4和T时刻的输出。
空间特征提取网络分别提取单个时刻的热带气旋卫星图像的空间特征，本实施例通过引入扩展因果卷积网络，捕获时空序列气象数据中时序信息，通过因果卷积，保证当前时间步的预测不会使用未来的信息，因为时间步T的输出只会根据T-1及之前时间步上的卷积运算得出，通过空洞卷积可以在不增加池化层的情况下，加大了各隐藏层的感受野，让每个卷积输出都包含较大范围的信息。
可选地，所述气旋强度预测模型还包括广义线性模型，所述广义线性模型设置于所述时空特征提取网络之后，用于计算特征表示，输出所述气旋强度预测结果。广义线性模型可选为最大熵模型、Logistic回归或Softmax回归等。
可选地，所述从预置的训练数据集中获得训练数据之前，还包括：
获取原始的卫星图像集，逐张计算卫星图像的均值、方差和平方平均数，其中，原始的卫星图像集在模型训练中划分为训练数据集、验证数据集和测试数据集，即所述卫星图像集包含训练数据集、验证数据集和测试数据集；生成训练数据集的整体均值和整体方差；将所述卫星图像集中的所有卫星图像减去所述整体均值再除以所述整体方差，得到标准化后的训练数据集、验证数据集和测试数据集，其中，所述预置的训练数据集为标准化后的训练数据集。其中，在计算卫星图像的均值、方差和平方平均数时，计算卫星图像忽略缺失值后的均值、方差和平方平均数，并记录有效值个数作为权重值，以准确计算卫星图像的均值、方差。
其中，设训练集图像数为N。对于第i张图像
Figure DEST_PATH_IMAGE026
，
Figure DEST_PATH_IMAGE028
表示图像有效数据的均值，
Figure DEST_PATH_IMAGE030
表示图像有效数据的平方平均数，
Figure DEST_PATH_IMAGE032
表示图像有效数据的个数，采用如下公式生成训练数据集的整体均值
Figure DEST_PATH_IMAGE034
和整体方差
Figure DEST_PATH_IMAGE036
：
Figure DEST_PATH_IMAGE038
，
Figure DEST_PATH_IMAGE040
，
通过上述标准化，得到的训练数据集、验证数据集和测试数据集中的卫星图像的期望均值为0，期望方差为1，从而降低卫星图像中每个像素点的像素值，降低计算量。
通过获取地球同步轨道气象卫星数据和热带气旋路径数据，经过带有缺失值处理的标准化方式，按照时间序列片段截取卫星图像和对应时刻的热带气旋中心经纬度信息，生成数据集用于模型训练和验证。
本发明提出一种气旋强度预测方法，包括：
获取作为预测依据的卫星图像序列；将所述卫星图像序列输入如上所述的气旋强度预测模型的构建方法构建的气旋强度预测模型，输出气旋强度预测值。
其中，作为预测依据的卫星图像序列，先根据历史热带气旋数据分布情况进行标准化，具体包括将卫星图像序列减去预存的训练数据集的整体均值再除以整体方差，以得到标准化后的卫星图像序列，输入到训练好的气旋强度预测模型中，输出气旋强度预测值，其中，气旋强度预测值可指热带气旋的中心最大平均风速。
本发明实施例通过使用基于区域曲面卷积和经纬度注意力技术的深度神经网络生成空间特征表示，然后使用扩展因果卷积生成时空特征表示，通过广义线性模型计算特征表示，输出热带气旋强度预测值。由此，针对现有的热带气旋强度预测方案计算资源消耗大效率低，特征提取过程依赖人工统计经验等问题，采用深度学***。针对现有采用LSTM模型的方案在时序处理上并行化不足耗时较大的问题，采用扩展因果卷积有效地分析不同时刻卫星数据的空间特征表示的因果关系，生成时空特征表示。
本发明一实施例中，计算机设备包括存储有计算机程序的计算机可读存储介质和处理器，所述计算机程序被所述处理器读取并运行时，实现如上所述的气旋强度预测方法。本发明计算机设备相对于现有技术所具有的有益效果与上述气旋强度预测方法一致，此处不赘述。
读者应理解，在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.一种气旋强度预测模型的构建方法，其特征在于，所述气旋强度预测模型包括：空间特征提取网络，所述空间特征提取网络包括至少一个空间特征提取块，所述空间特征提取块包括区域曲面卷积层，所述气旋强度预测模型的构建方法包括：
从预置的训练数据集中获得训练数据，其中，每个所述训练数据包括卫星图像序列；
将所述卫星图像序列中的每个卫星图像依次输入至所述空间特征提取网络，由所述空间特征提取网络输出第一空间特征图，其中，在所述空间特征提取网络的所述区域曲面卷积层中，对所述卫星图像进行遍历卷积，在每次卷积中，基于当次卷积的中心采样点的经纬度确定当次卷积其他采样点的经纬度，将当次卷积的中心采样点的经纬度和其他采样点的经纬度作为当次卷积的采样范围；
基于所述第一空间特征图获得气旋强度预测结果；
根据所述气旋强度预测结果和真实值计算损失函数值，基于所述损失函数值训练得到所述气旋强度预测模型。
2.如权利要求1所述的气旋强度预测模型的构建方法，其特征在于，所述空间特征提取块还包括经纬度注意力层，所述经纬度注意力层置于所述区域曲面卷积层之后；所述基于所述第一空间特征图获得气旋强度预测结果包括：
将所述第一空间特征图输入所述经纬度注意力层，在所述经纬度注意力层，分别在经度方向和纬度方向对所述第一空间特征图计算均值，得到尺寸分别为C*1*W和C*H*1的两个特征块，其中，C为通道维度，H为经度维度，W为纬度维度；
将两个所述特征块中的任一个特征块的最后两个维度交换，再与剩下的另一个特征块融合，得到融合特征块；
将所述融合特征块依次进行下采样和上采样后，重新生成尺寸分别为C*1*W和C*H*1的两个特征块，将重新生成的两个特征块分别进行卷积和膨胀操作后生成两个尺寸为C*H*W的特征块；
将两个尺寸为C*H*W的特征块与所述第一空间特征图融合得到第二空间特征图；
基于所述第二空间特征图获得气旋强度预测结果。
3.如权利要求2所述的气旋强度预测模型的构建方法，其特征在于，所述空间特征提取块包括两个所述区域曲面卷积层和一个所述经纬度注意力层，所述经纬度注意力层设置于两个所述区域曲面卷积层之间。
4.如权利要求2所述的气旋强度预测模型的构建方法，其特征在于，所述空间特征提取块还包括归一化-激活函数层和最大池化层，所述归一化-激活函数层设置于所述区域曲面卷积层之后，所述最大池化层设置于所述空间特征提取块的末尾。
5.如权利要求1 所述的气旋强度预测模型的构建方法，其特征在于，所述气旋强度预测模型还包括时空特征提取网络，所述时空特征提取网络设置于所述空间特征提取网络之后，所述时空特征提取网络包括扩展因果卷积网络，所述扩展因果卷积网络包括空洞卷积与因果卷积。
6.如权利要求5 所述的气旋强度预测模型的构建方法，其特征在于，所述气旋强度预测模型还包括广义线性模型，所述广义线性模型设置于所述时空特征提取网络之后，输出所述气旋强度预测结果。
7.如权利要求1 所述的气旋强度预测模型的构建方法，其特征在于，所述从预置的训练数据集中获得训练数据之前，还包括：
获取原始的卫星图像集，逐张计算卫星图像的均值、方差和平方平均数，其中，所述卫星图像集包含训练数据集、验证数据集和测试数据集；
生成训练数据集的整体均值和整体方差；
将所述卫星图像集中的所有卫星图像减去所述整体均值再除以所述整体方差，得到标准化后的训练数据集、验证数据集和测试数据集，其中，所述预置的训练数据集为标准化后的训练数据集。
8.如权利要求1 所述的气旋强度预测模型的构建方法，其特征在于，所述基于当次卷积的中心采样点的经纬度确定当次卷积其他采样点的经纬度包括：采用如下公式确定当次卷积其他待计算的采样点的经纬度：
Figure DEST_PATH_IMAGE001
，
Figure 562172DEST_PATH_IMAGE002
，
其中，
Figure DEST_PATH_IMAGE003
指纬度，
Figure 810750DEST_PATH_IMAGE004
指经度，
Figure DEST_PATH_IMAGE005
指所述待计算的采样点在切平面区块上的坐标，
Figure 924069DEST_PATH_IMAGE006
，
Figure DEST_PATH_IMAGE007
分别指所述中心采样点纬度和经度，
Figure 4020DEST_PATH_IMAGE008
指所述待计算的采样点在切平面区块上距中心采样点的距离，
Figure DEST_PATH_IMAGE009
指
Figure 295324DEST_PATH_IMAGE008
的反正切值，
Figure 765620DEST_PATH_IMAGE010
。
9.一种气旋强度预测方法，其特征在于，包括：
获取作为预测依据的卫星图像序列；
将所述卫星图像序列输入如权利要求1-8中任一项所述的气旋强度预测模型的构建方法构建的气旋强度预测模型，输出气旋强度预测值。
10.一种计算机设备，其特征在于，包括存储有计算机程序的计算机可读存储介质和处理器，所述计算机程序被所述处理器读取并运行时，实现如权利要求1-8任一项所述的气旋强度预测模型的构建方法或者如权利要求9所述的气旋强度预测方法。
CN202210438320.XA 2022-04-25 2022-04-25 一种气旋强度预测模型的构建方法及气旋强度预测方法 Active CN114548606B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210438320.XA CN114548606B (zh) 2022-04-25 2022-04-25 一种气旋强度预测模型的构建方法及气旋强度预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210438320.XA CN114548606B (zh) 2022-04-25 2022-04-25 一种气旋强度预测模型的构建方法及气旋强度预测方法

Publications (2)

Publication Number Publication Date
CN114548606A true CN114548606A (zh) 2022-05-27
CN114548606B CN114548606B (zh) 2022-08-23

Family

ID=81667583

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210438320.XA Active CN114548606B (zh) 2022-04-25 2022-04-25 一种气旋强度预测模型的构建方法及气旋强度预测方法

Country Status (1)

Country Link
CN (1) CN114548606B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115082439A (zh) * 2022-07-22 2022-09-20 浙江大学 融合卫星云图时空信息的热带气旋定强方法、介质及设备
CN116010812A (zh) * 2022-12-13 2023-04-25 南京信息工程大学 一种基于传统方法与深度学习的北极气旋识别方法、存储介质及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110851957A (zh) * 2019-10-15 2020-02-28 南京航空航天大学 一种基于深度学习的大气数据传感***解算方法
CN111722306A (zh) * 2020-07-27 2020-09-29 郑州航空工业管理学院 一种基于tcn网络模型台风登陆强度预测方法和***
CN112070753A (zh) * 2020-09-10 2020-12-11 浙江科技学院 多尺度信息增强双目卷积神经网络显著性图像检测方法
CN113111835A (zh) * 2021-04-23 2021-07-13 长沙理工大学 卫星遥感图像语义分割方法、装置、电子设备和存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110851957A (zh) * 2019-10-15 2020-02-28 南京航空航天大学 一种基于深度学习的大气数据传感***解算方法
CN111722306A (zh) * 2020-07-27 2020-09-29 郑州航空工业管理学院 一种基于tcn网络模型台风登陆强度预测方法和***
CN112070753A (zh) * 2020-09-10 2020-12-11 浙江科技学院 多尺度信息增强双目卷积神经网络显著性图像检测方法
CN113111835A (zh) * 2021-04-23 2021-07-13 长沙理工大学 卫星遥感图像语义分割方法、装置、电子设备和存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
闫劲云等: "基于卷积曲面的动态实时星图模拟", 《北京航空航天大学学报》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115082439A (zh) * 2022-07-22 2022-09-20 浙江大学 融合卫星云图时空信息的热带气旋定强方法、介质及设备
CN116010812A (zh) * 2022-12-13 2023-04-25 南京信息工程大学 一种基于传统方法与深度学习的北极气旋识别方法、存储介质及装置
CN116010812B (zh) * 2022-12-13 2023-11-21 南京信息工程大学 一种基于传统方法与深度学习的北极气旋识别方法、存储介质及装置

Also Published As

Publication number Publication date
CN114548606B (zh) 2022-08-23

Similar Documents

Publication Publication Date Title
CN111862126B (zh) 深度学习与几何算法结合的非合作目标相对位姿估计方法
CN114548606B (zh) 一种气旋强度预测模型的构建方法及气旋强度预测方法
CN107169981B (zh) 一种道砟颗粒三维廓形的检测方法及装置
CN105654492A (zh) 基于消费级摄像头的鲁棒实时三维重建方法
CN111540005B (zh) 基于二维栅格地图的回环检测方法
CN111612008A (zh) 基于卷积网络的图像分割方法
CN108182695B (zh) 目标跟踪模型训练方法及装置、电子设备和存储介质
CN112419202B (zh) 基于大数据及深度学习的野生动物图像自动识别***
CN110941999A (zh) 一种人群计数***中自适应计算高斯核大小的方法
CN111709397A (zh) 一种基于多头自注意力机制的无人机变尺寸目标检测方法
CN113536925A (zh) 一种基于引导注意力机制的人群计数方法
Zhou et al. Improvement of normal estimation for point clouds via simplifying surface fitting
CN115457492A (zh) 目标检测方法、装置、计算机设备及存储介质
CN114170438A (zh) 神经网络训练的方法、电子设备及计算机存储介质
Yun et al. In defense of knowledge distillation for task incremental learning and its application in 3D object detection
CN111079826B (zh) 融合slam和图像处理的施工进度实时识别方法
CN116310219A (zh) 一种基于条件扩散模型的三维脚型生成方法
CN113449612A (zh) 一种基于子流型稀疏卷积的三维目标点云识别的方法
Laupheimer et al. The importance of radiometric feature quality for semantic mesh segmentation
CN117422884A (zh) 三维目标检测方法、***、电子设备及存储介质
US7486815B2 (en) Method and apparatus for scene learning and three-dimensional tracking using stereo video cameras
CN116758219A (zh) 基于神经网络的区域感知多视角立体匹配三维重建方法
CN116310832A (zh) 遥感图像处理方法、装置、设备、介质及产品
CN115965905A (zh) 一种基于多尺度融合卷积网络的人群计数方法及***
CN114863132A (zh) 图像空域信息的建模与捕捉方法、***、设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20240606

Address after: 518071, 2nd Floor, Information Building, Harbin Institute of Technology, No. 3998 Liuxian Avenue, University City Community, Taoyuan Street, Nanshan District, Shenzhen City, Guangdong Province

Patentee after: Shenzhen Hashen Asset Management Co.,Ltd.

Country or region after: China

Patentee after: Ye Yunming

Patentee after: Li Xutao

Address before: 518055 campus of Harbin Institute of technology, Shenzhen University Town, Taoyuan Street, Nanshan District, Shenzhen City, Guangdong Province

Patentee before: Harbin Institute of Technology,Shenzhen(Shenzhen Institute of science and technology innovation Harbin Institute of Technology)

Country or region before: China