[發(fā)明專利]基于深度學(xué)習(xí)的低渦、切變線自動識別與追蹤方法及系統(tǒng)

有效

• 申請?zhí)枺?/td>: 202110171620.1
• 申請日: 2021-02-08
• 公開（公告）號: CN112668811B
• 公開（公告）日: 2022-06-21
• 發(fā)明（設(shè)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(quán)）人: 河南省氣象臺（黃河流域氣象中心;河南省環(huán)境氣象預(yù)報預(yù)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(chǎn)權(quán)代理有限公司 32455
• 代理人: 付長萍

本發(fā)明公開了一種基于深度學(xué)習(xí)的低渦、切變線自動識別與追蹤方法及系統(tǒng)。本發(fā)明運用深度學(xué)習(xí)技術(shù)及海量歷史數(shù)據(jù)的標簽采樣，結(jié)合氣象工作者綜合物理規(guī)則和經(jīng)驗直覺的判識規(guī)則建立成深度學(xué)習(xí)模型，達到模仿人工判識的效果；大幅提升低渦、切變線的計算機自動判識準確性，可基本取代氣象工作者根據(jù)經(jīng)驗的人工判識。

技術(shù)領(lǐng)域

本發(fā)明屬于氣象技術(shù)領(lǐng)域，具體涉及一種基于深度學(xué)習(xí)的低渦、切變線自動識別與追蹤方法及系統(tǒng)。

背景技術(shù)

低渦，屬于氣象學(xué)術(shù)語，是指中心氣壓往往比四周低的天氣圖上的氣旋式渦旋，即出現(xiàn)在大氣中對流層中低層的水平和垂直范圍都較小的低壓渦旋。主要是相對氣壓場而言的一種天氣系統(tǒng)，在500hpa、700hPa和850hPa等壓面上最為顯著。

切變線，屬于氣象學(xué)術(shù)語，是指風(fēng)場中具有氣旋式突變的不連續(xù)線，其兩側(cè)的風(fēng)矢量平行于該線的分量有突變，即切變線是風(fēng)向或風(fēng)速發(fā)生急劇改變的狹長區(qū)域，是相對流場而言的一種天氣系統(tǒng)，主要出現(xiàn)在大氣中對流層中低層，在700hPa和850hPa等壓面上最為顯著。

低渦中有較強的輻合上升氣流，可產(chǎn)生云雨天氣。部分低渦形成后在原地減弱、消失，只引起源地和附近地區(qū)的天氣變化。而有的低渦隨低槽或高空引導(dǎo)氣流移動，并不斷得到加強和發(fā)展，雨區(qū)擴大，降水增強，往往形成暴雨。切變線附近有很強的輻合，常有降水天氣產(chǎn)生。切變線較為穩(wěn)定，持續(xù)時間長，控制的區(qū)域常為陰雨天氣，風(fēng)力較小。若是切變線上有低渦沿切變線移動，天氣相對劇烈，常伴有強降水和大風(fēng)天氣。所以，低渦、切變線作為暴雨等極端天氣的主要影響天氣系統(tǒng)，對其進行識別與追蹤能夠準確預(yù)報天氣情況。

然而現(xiàn)有的基于天氣學(xué)原理和簡單的數(shù)學(xué)公式進行低渦和切變線位置的計算結(jié)果，準確性低下，無法取代氣象工作者根據(jù)天氣學(xué)原理積累的豐富經(jīng)驗的人工判識。因此，氣象業(yè)務(wù)中的低渦、切變線分析依然通過人機交互的方式，由預(yù)報人員根據(jù)自身經(jīng)驗進行手工操作，存在一系列相關(guān)弊端。因此，需開發(fā)一種基于深度學(xué)習(xí)的低渦、切變線自動識別與追蹤方法及系統(tǒng)，提高氣象業(yè)務(wù)中的自動化水平，減輕預(yù)報員的人工勞作，更好的支持智能自動化預(yù)報。

發(fā)明內(nèi)容

針對現(xiàn)有技術(shù)中的不足之處，本發(fā)明提供一種基于深度學(xué)習(xí)的低渦、切變線自動識別與追蹤方法及系統(tǒng)。

本發(fā)明技術(shù)方案提供一種基于深度學(xué)習(xí)的低渦、切變線自動識別與追蹤方法，包括以下步驟：

S1、對再分析資料和數(shù)值模式預(yù)報結(jié)果進行收集存儲以及預(yù)處理，獲得歸一化數(shù)據(jù)集；

S2、對低渦、切變線進行樣本標注，獲得低渦label數(shù)據(jù)和切變線label數(shù)據(jù)，建立低渦標注樣本庫和切變線標注樣本庫；

S3、以再分析資料的歸一化數(shù)據(jù)集作為卷積神經(jīng)網(wǎng)絡(luò)CNN模型的訓(xùn)練集和驗證集，結(jié)合低渦標注樣本庫，獲得低渦自動識別卷積神經(jīng)網(wǎng)絡(luò)CNN判識模型，以該CNN判識模型計算各時次各網(wǎng)格點為低渦的概率分布，根據(jù)概率分布判識低渦并讀取其對應(yīng)網(wǎng)格的位勢高度值，以及建立數(shù)字化低渦位置和強度個例庫；

S4、以再分析資料的歸一化數(shù)據(jù)集作為卷積神經(jīng)網(wǎng)絡(luò)CNN模型的訓(xùn)練集和驗證集，結(jié)合切變線標注樣本庫，獲得切變線自動識別卷積神經(jīng)網(wǎng)絡(luò)CNN判識模型，以該CNN判識模型計算各時次各網(wǎng)格點為切變線的概率分布，根據(jù)概率分布判識切變線，以及建立數(shù)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(qū)域內(nèi)暴雨的重要性，根據(jù)重要性從高到低排序；

S6、以數(shù)值模式未來72小時預(yù)報結(jié)果的歸一化數(shù)據(jù)作為低渦CNN判識模型和切變線CNN判識模型的輸入，對數(shù)值模式未來72小時預(yù)報結(jié)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(tǒng)，進行數(shù)據(jù)格式轉(zhuǎn)換，實現(xiàn)在MICAPS系統(tǒng)界面上的顯示。