[發明專利]基于深度學習的低渦、切變線自動識別與追蹤方法及系統

有效

• 申請號: 202110171620.1
• 申請日: 2021-02-08
• 公開（公告）號: CN112668811B
• 公開（公告）日: 2022-06-21
• 發明（設計）人: 王新敏;張勇;牛濤;張霞;高宏斌;栗晗;鄧博文;鐘宇峰
• 申請（專利權）人: 河南省氣象臺（黃河流域氣象中心;河南省環境氣象預報預警中心）;富景天策（北京）科技集團有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/26;G06F16/26;G06F16/25;G06F16/29;G06N3/04;G06N3/08
• 代理公司: 徐州拉沃智佳知識產權代理有限公司 32455
• 代理人: 付長萍

1.基于深度學習的低渦、切變線自動識別與追蹤方法，其特征在于，包括以下步驟：

S1、對研究時段內的、選定區域的再分析資料和數值模式預報結果進行收集存儲以及預處理，獲得歸一化數據集；

S2、對研究時段內的、選定區域的低渦、切變線進行樣本標注，獲得低渦label數據和切變線label數據，建立低渦標注樣本庫和切變線標注樣本庫；

S3、以步驟S1獲得的歸一化數據集作為卷積神經網絡CNN模型的訓練集和驗證集，結合步驟S2獲得的低渦標注樣本庫，獲得低渦自動識別卷積神經網絡CNN判識模型，以該CNN判識模型計算各時次各網格點為低渦的概率分布，根據概率分布判識低渦并讀取其對應網格的位勢高度值，以及建立數字化低渦位置和強度個例庫；具體步驟如下：

S301、將訓練集在某個選定區域內的數據集作為輸入，以訓練集對應的低渦標注樣本為輸出，對初始卷積神經網絡CNN模型進行訓練，得到初步的低渦深度學習卷積神經網絡CNN模型，

S302、利用驗證集在相同區域內的數據集對步驟S301得到的低渦深度學習卷積神經網絡CNN模型進行驗證，并根據誤差情況對其進行參數調整和再訓練，經過多次迭代，得到泛化能力滿足要求的低渦自動識別卷積神經網絡CNN判識模型，以下簡稱低渦CNN判識模型，

S303、在步驟S1獲得的歸一化數據集中取任一時次資料，輸入步驟S302訓練得到的低渦CNN判識模型，得到該時次判識空間中各網格點為低渦的概率分布，

S304、將步驟S303中低渦CNN判識模型輸出的概率分布結果，按一定間隔以點陣為單位提取網格中每個點為中心一定正方形區域的數據以獲得此點屬于低渦點的概率值，并只保留概率值大于一定閾值的點，組成準低渦點集，

S305、將概率值大于一定閾值的準低渦點去除較零散的雜點后求得概率最大的點并標注為低渦，其對應網格的位勢高度值標注為低渦強度，

S306、利用步驟S302訓練得到的低渦CNN判識模型，考慮到再分析技術的發展歷程和觀測系統的發展對再分析資料質量的影響，選擇最近至少二十五年某個選定區域內的歸一化數據作為輸入，每次輸入一個時次，重復S303、S304和S305，對該區域內出現過的低渦進行判識和標注，形成數字化低渦位置和強度個例庫；

S4、以步驟S1獲得的歸一化數據集作為卷積神經網絡CNN模型的訓練集和驗證集，結合步驟S2獲得的切變線標注樣本庫，獲得切變線自動識別卷積神經網絡CNN判識模型，以該CNN判識模型計算各時次各網格點為切變線的概率分布，根據概率分布判識切變線，以及建立數字化切變線位置個例庫；具體步驟如下：

S401、將訓練集在某個選定區域內的數據集作為輸入，以訓練集對應的切變線標注樣本庫為輸出，對初始卷積神經網絡CNN模型進行訓練，得到初步的切變線深度學習卷積神經網絡CNN模型，

S402、利用驗證集在相同區域內的數據集對步驟S401得到的切變線深度學習卷積神經網絡CNN模型進行驗證，并根據誤差情況對其進行參數調整和再訓練，經過多次迭代，得到泛化能力滿足要求的切變線自動識別卷積神經網絡CNN判識模型，以下簡稱切變線CNN判識模型，

S403、在步驟S1獲得的歸一化數據集中取任一時次數據，輸入步驟S402訓練得到的切變線CNN判識模型，得到該時次判識空間中各網格點為切變線的概率分布，

S404、將步驟S403中切變線CNN判識模型輸出的概率分布結果，按一定間隔以點陣為單位提取網格中每個點為中心一定正方形區域的數據以獲得此點屬于切變線點的概率值，并只保留概率值大于一定閾值的點，組成準切變點集，

S405、將概率大于一定閾值的準切變點去除較零散的雜點后連接成線條并標注為切變線，

S406、利用步驟S402訓練得到的切變線CNN判識模型，考慮到再分析技術的發展歷程和觀測系統的發展對再分析資料質量的影響，選擇最近至少二十五年某個選定區域內的歸一化數據作為輸入，每次輸入一個時次，重復S403、S404和S405，對該區域內出現過的切變線進行判識和標注，形成數字化切變線位置個例庫；

S5、分析低渦、切變線位置對某個選定區域內暴雨的重要性，根據重要性從高到低排序；

S6、以數值模式對未來72小時的預報結果的歸一化數據作為低渦CNN判識模型和切變線CNN判識模型的輸入，對數值模式未來72小時預報結果進行低渦、切變線判識，追蹤未來72小時低渦位置和強度、切變線位置演變特征；

S7、低渦強度和位置、切變線位置信息傳送至MICAPS接口子系統，進行數據格式轉換，實現在MICAPS系統界面上的顯示。