[發明專利]臺風快速增強趨勢的判別方法、電子設備以及可存儲介質

在審

• 申請號: 202111663024.1
• 申請日: 2021-12-30
• 公開（公告）號: CN115393702A
• 公開（公告）日: 2022-11-25
• 發明（設計）人: 周冠博;許建;錢奇峰;徐雅靜;劉春霞;張玲;柳龍生;王皘;劉達
• 申請（專利權）人: 國家氣象中心;北京郵電大學;中國氣象局廣州熱帶海洋氣象研究所
• 主分類號: G06V20/10
• 分類號: G06V20/10;G06Q50/26;G06V10/75;G06V10/774;G06V10/764
• 代理公司: 北京潤澤恒知識產權代理有限公司 11319
• 代理人: 蘇培華

1.一種面向遙感云圖序列的臺風快速增強趨勢的判別方法，其特征在于，所述方法包括：

對獲取的待測臺風的遙感圖像序列與對應的強度序列進行預處理，得到待測臺風的待測數據序列；

計算所述待測臺風的生命周期標識；

將預處理得到的所述待測數據序列與所述待測臺風的生命周期標識作為輸入，通過快速增強趨勢判別模型進行識別，得到所述待測臺風快速增強的置信度，其中，快速增強趨勢判別模型是基于多個樣本臺風各自的遙感圖像序列、各自對應的強度序列、快速增強標識以及生命周期標識組成的樣本訓練集，以及運用重采樣和重加權結合的方法訓練得到的；

將所述待測臺風快速增強的置信度與快速增強判別閾值比較，在所述待測臺風快速增強的置信度大于所述快速增強判別閾值時，確定所述待測臺風具有快速增強的趨勢。

2.根據權利要求1所述的方法，其特征在于，快速增強趨勢判別模型包括順次相連的多個模塊：CNN模型、LSTM時序模型、分類器；所述快速增強趨勢判別模型的訓練過程為以下步驟：

基于多個樣本臺風各自的遙感圖像序列以及各自對應的強度序列，對CNN模型進行預訓練，得到預訓練完畢的第一特征提取模塊，預訓練完畢的第一特征提取模塊用于提取臺風的單一遙感圖像的視覺空間特征；

基于多個樣本臺風各自的遙感圖像序列、各自對應的強度序列，以及預訓練完畢的CNN模塊的對多個樣本臺風各自的遙感圖像序列以及各自對應的強度序列的處理結果，對快速增強趨勢判別模型進行訓練，得到訓練完畢的第二特征提取模塊，所述第二特征模塊包括CNN模型和LSTM時序模型，訓練完畢的第二特征提取模塊用于提取臺風視覺形態變化和強度變化的時空關聯特征；

凍結已訓練好的LSTM時序模型及CNN模型的模型參數，重復采用多個樣本臺風各自的遙感圖像序列、各自對應的強度序列、快速增強標識以及生命周期標識，通過重采樣和重加權結合的方法對快速增強趨勢判別模型的分類器進行再訓練，得到的訓練完畢的分類器用于預測臺風快速增強的置信度。

3.根據權利要求2所述的方法，其特征在于，在對CNN模型進行預訓練之前，還包括：

對所述樣本臺風各自的遙感圖像序列進行處理，得到目標格式的圖像序列；

對所述樣本臺風各自的強度序列進行缺失處理，以補全強度序列中缺失的數據；

根據所述樣本臺風的完整生命周期，確定樣本臺風的最大風速節點，以時間為序列，將最大風速節點之前的臺風序列的生命周期確定為上升期，將最大風速節點之后的臺風序列的生命周期確定為下降期。

4.根據權利要求3所述的方法，其特征在于，在訓練所述分類器時，按照指定比例對所述樣本訓練集進行重采樣，得到預設分布的正樣本和負樣本訓練所述分類器，快速增強標識為第一標識的樣本臺風的數據為正樣本，快速增強標識為第二標識的樣本臺風的數據為負樣本。

5.根據權利要求4所述的方法，其特征在于，在訓練所述分類器時，按照正樣本和負樣本各自對應的權重，對正樣本和負樣本的損失進行調整，以使得所述分類器基于預設分布的正樣本和負樣本進行訓練。

6.根據權利要求1所述的方法，其特征在于，所述方法還包括：

基于統計學原理，根據所述快速增強趨勢判別模型的歷史判別結果，確定所述快速增強判別閾值。

7.根據權利要求1所述的方法，其特征在于，計算所述待測臺風的生命周期標識，包括：

根據所述待測數據序列對應的上一數據序列中的強度變化確定所述待測數據序列的生命周期標識。

8.一種電子設備，包括存儲器、處理器及存儲在所述存儲器上并可在所述處理器上運行的計算機程序，其特征在于，所述處理器執行所述計算機程序時實現權利要求1至7中任一項所述的方法。

9.一種計算機可讀存儲介質，其特征在于，所述計算機可讀存儲介質上存儲計算機程序，所述計算機程序被處理器執行時實現權利要求1至7中任一項所述的方法。