Tropical Cyclone Intensity Estimation

论文名称:Tropical Cyclone Intensity Estimation From Geostationary Satellite Imagery Using Deep Convolutional Neural Networks
使用深度卷积神经网络从地球同步卫星图像估计热带气旋强度

摘要:

在这项研究中,设计了一组深度卷积神经网络 (CNN),用于根据 Himawari-8 地球同步卫星上的 Advanced Himawari Imager 观测到的亮温数据估计西北太平洋上空热带气旋 (TC) 的强度。我们使用了 2015 年至 2018 年的 97 个 TC 案例来训练 CNN 模型。设计了几个具有不同输入和参数的模型。一项比较研究表明,不同红外 (IR) 通道的选择对 CNN 模型的 TC 强度估计性能有显着影响。与最大持续风速的ground truth Best Track数据相比,以四通道数据的组合作为输入,最好的多类别CNN分类模型产生了相当好的准确率(84. 8%) 和低均方根误差 (RMSE, 5.24 m/s) 和 TC 强度估计中的平均偏差 (-2.15 m/s)。在 CNN 的输入层之后添加注意力层有助于提高模型精度。即使有图像噪声的影响,该模型也非常稳定。为了减少 TC 类别样本分布非常不平衡的副作用,我们在 CNN 模型中引入了 focus_loss 函数。我们将多分类问题转化为二元分类问题后,准确率提高到 88.9%,RMSE 和平均偏差分别显着降低到 4.62 和 -0.76 m/s。结果表明,我们的 CNN 模型在从地球静止卫星图像估计 TC 强度方面是稳健的。

介绍

最常用的数据集包括从传统的主观德沃夏克技术[9]和自动德沃夏克算法[10]中得出的强度估计值,这两种方法都依赖于红外卫星图像。
用于从红外卫星数据中导出TC强度的其他算法包括偏差角方差技术(DAVT) 和卷积神经网络(CNN)[15]–[19],这些算法仍在科学研究中。

结论

TCs是最严重的灾难之一。估计它们的强度是预报员和应急人员发出灾害警报的重要步骤。本文建立了完全客观的基于美国有线电视新闻网的模型,从H-8静止卫星的红外图像中估算TC强度,为TC预测和预警系统提供了可靠的依据。结果表明,卫星数据信道的选择对热带气旋强度估计模型的性能有显著影响。网络参数在美国有线电视新闻网模型中起着至关重要的作用。使用四通道(通道7、8、13和15)在红外图像中,我们发现包括一个输入层、一个通道注意层、一个空间注意层、四个卷积层、四个汇集层、两个FC层和一个输出层的CNN模型M16在多分类模型中具有最好的结果。该模型产生了相当好的精度(86.0%)、低均方根误差(RMSE,5.17米/秒)和低偏差(2.15米/秒)。其他几个因素影响基于美国有线电视新闻网的热带气旋强度模型的准确性,如热带气旋结构和热带气旋类别样本的不平衡。我们的研究表明,TC眼、大小、形状和亮度温度异常是可能影响模型性能的主要因素。对于训练数据集小得多的TC类别,由于TC类别的分布不均衡,多分类模型的性能不是很好。在本研究中,我们首次在网络中引入FL函数,以增加损失数据较少的TC类别的权重,并采用八个二元分类网络来减少不平衡训练数据的副作用。新的二元分类模型可以用更少的样本更好地学习这些类别的特征。NC、TD、ts、H1、H2、H3和H4的准确点击次数增加。特别是,H3分类的精度显著提高了9.1%。与多分类模型相比,二分类模型M18在TC强度估计中产生更高的精度(88.9%),以及低得多的RMSE (4.62米/秒)和偏差(0.76米/秒)。结果与一些最先进的TC强度估计技术相当甚至更好。在这项工作中,我们主要使用CMA最佳跟踪数据集来标记卫星图像和训练TC强度估计模型。众所周知,最佳跟踪数据集中的任何偏差都可能将偏差引入模型。日本气象厅(JMA)和联合台风预警中心(JTWC)等不同业务机构提供的最佳路径数据集的差异也可能影响模型性能。假设这些偏差主要是由不同机构提供的TC中心位置的差异造成的,那么我们使用JMA和JTWC确定的TC中心位置来重新提取2015年至2018年TCs测试数据集中的卫星图像。估计的热带气旋强度和相应的最佳路径数据之间的比较表明,我们的有线电视新闻网模型也具有非常高的精度,RMSE分别为4.72和4.70米/秒,非常接近基于CMA最佳路径数据(4.62米/秒)估计的精度。请注意,CMA TC中心和JMA/JTWC TC中心的平均差异为11.2公里/10.3公里。结果表明,如此有限的TC定位误差不会对我们的CNN模型的性能产生很大影响。为了模型的进一步发展,有必要收集更多的卫星数据,如HURSA T数据,以探索TC特征,并改进基于CNN的TC强度估计模型[50]。

你可能感兴趣的:(笔记,气象,神经网络,深度学习)