申请/专利权人：中国气象科学研究院

申请日：2024-01-11

公开（公告）日：2024-03-22

公开（公告）号：CN117556197B

主分类号：G06F18/15

分类号：G06F18/15;G06N3/0464;G06N3/084;G06N20/00;G06F17/17;G06F17/18;G06F18/213

优先权：

专利状态码：有效-授权

法律状态：2024.03.22#授权;2024.03.01#实质审查的生效;2024.02.13#公开

摘要：本发明涉及一种基于人工智能的台风涡旋初始化方法，通过结合多种气象数据来源提供了更全面的台风行为信息，通过对数据进行预处理并将其转换为适合机器学习模型使用的数据集，通过应用深度学习模型，包括一个收缩路径和一个扩展路径以及跳跃连接，对数据进行特征学习和模式识别，提取台风的关键特征和模式，通过将训练好的深度学习模型应用于实时气象数据，构建台风涡旋结构并预测台风路径和强度，通过持续的数据收集和模型训练，更新和改进深度学习模型的预测能力。本发明的方法能够实现更为准确的台风涡旋初始化，显著提升台风路径和强度预测的准确性和效率，为台风预警和防灾减灾提供有效的技术支持。

主权项：1.一种基于人工智能的台风涡旋初始化方法，用于实现台风涡旋的初始化，其特征在于，该方法在实施时包括以下步骤：SS1.多源气象数据收集收集并分析多种气象数据来源的多种不同类型的气象数据以获取台风的历史和实时的行为信息，所述多种不同类型的气象数据包括再分析数据、台风分析数据、台风模式预报数据和台风最佳路径数据，其中，所述再分析数据是通过将历史气象观测数据与气象模型相结合所重构的过去气象条件数据集，所述台风分析数据为针对台风事件进行动力初始化和同化观测后形成的气象数据，所述台风模式预报数据为基于气象模型预测产生的台风未来行为气象数据，所述台风最佳路径数据为综合多种信息后所得出的台风实际移动路径数据；SS2.多源气象数据预处理对步骤SS1所收集的多源气象数据进行包括数据插值、数据规范化和特征工程的预处理以转换为适合机器学习模型使用的数据集，其中，所述数据插值处理通过考虑待插值点与已知数据点之间的距离来估算待插值点的数值以填补数据空白或将数据转换为统一的分辨率，所述数据规范化处理包括单位转换、缩放到统一区间和标准化处理以将数据转换为一致的格式和尺度，所述特征工程包括基本气象特征提取、时间序列特征提取、高级特征构造、特征选择和数据降维以从原始数据中提取和选择对于台风预测任务最有用的特征，并包括如下子步骤：SS2A.对数据进行基本气象特征提取，所述基本气象特征为反映台风发展信息的指标并包括垂直风切变VWS、条件性海洋热含量COHC、200百帕散度D200、相对湿度RHMD、海平面气压变化dMSLP和或台风移动速度SPD，SS2B.对数据进行时间序列特征提取，从气象数据的时间序列中提取趋势分析和季节性模式，包括分析长期的温度和或气压变化趋势以及识别数据中的季节性降水模式和或风向变化，通过这些时间序列分析以捕捉与台风发展有关的长期和周期性变化，SS2C.对数据进行高级特征构造，基于历史同期数据比较构建高级特征以突出当前气象条件与历史模式的对比和异常特征，通过比较分析以提取当前数据的异常或显著特征，SS2D.对数据进行特征选择，包括相关性分析和特征重要性评估，通过分析各特征与台风强度和路径预测的相关性以筛选出与预测最相关的特征，通过评估各特征对预测模型的贡献度以筛选对预测最有帮助的特征，SS2E.根据特征数量的多少判断是否对数据进行数据降维，若特征数量大于预设阈值则对数据进行数据降维，通过数据降维处理以去除数据中的冗余和不相关特征并保留对预测最重要的特征，从而减少特征的数量和复杂度，并简化模型并降低计算负担；SS3.深度学习模型训练使用深度学习模型对步骤SS2预处理后的数据集进行特征学习和模式识别以提取台风的关键特征和模式，并通过训练和验证过程优化深度学习模型的性能和准确性，其中，所述深度学习模型用于捕获上下文信息和精确定位台风特征并包括一收缩路径和一对称的扩展路径，所述收缩路径用于提取数据中的高级特征并包括多个卷积层和池化层，所述扩展路径用于恢复数据中的细节信息并包括多个卷积层和上采样层，所述卷积层和上采样层之间还设有跳跃连接，用于将所述收缩路径中的低级特征与所述扩展路径中的高级特征之间的数据连接，所述训练和验证过程利用分割的数据集进行模型训练和验证，以评估模型的准确性和泛化能力，确保其在实际应用中的有效性；SS4.台风涡旋初始化将步骤SS3训练好的深度学习模型应用于实时气象数据以构建台风涡旋结构并预测台风路径和强度，其中，所述台风涡旋结构为包括台风的形状、大小、强度和风场分布信息的三维结构，所述预测台风路径和强度是指根据所述台风涡旋结构和气象模型，计算台风在未来一定时间内的移动方向、速度和变化趋势；SS5.持续学习和优化模型通过持续的数据收集和模型训练以不断更新和改进所述深度学习模型的预测能力，其中，所述数据收集包括实时获取最新的气象数据和台风数据以及反馈所述深度学习模型的预测结果和实际观测结果之间的差异，所述模型训练包括根据数据的变化和反馈的误差调整所述深度学习模型的参数和结构。

全文数据：

权利要求：

百度查询： 中国气象科学研究院 一种基于人工智能的台风涡旋初始化方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD