一种基于VGGNet模型的台风眼识别与台风眼半径估算方法

本发明属于气象，尤其涉及台风眼自动识别半径估计的计算机视觉智能算法，主要应用于台风的实时监测、强度估计、预警及强度预报等场景。

背景技术：

1、台风监测是精细化预报的第一步，目前监测领域主要关注台风的中心、强度等，关于台风眼识别及半径估计的技术相对较少，主要依赖于人工分析。通过静止卫星的红外云图、微波等产品来分析云层的结构和组织，反演台风眼信息。

2、现有技术中的基于卷积神经网络的台风眼有无识别模型，仅使用的训练数据有限，没有完全涵盖历史台风眼情况，同时现有技术倾向于把模糊样本判定为台风无眼。且现有技术尚未有针对台风眼半径估计的深度学习系统。

3、综上所述，现有技术在台风眼的识别与半径估计中存在很大局限性，这说明需要发展更加精确和可靠的技术，以提高在复杂条件下的台风眼识别与半径估计的准确性，并进一步实现均一化、长时序的台风眼信息数据集构建，从而提高台风精细化预报预警水平。

技术实现思路

1、发明目的：针对现有技术存在在台风眼的识别与半径估计方面存在的一系列问题和局限性，本发明提供了一种基于vggnet模型的台风眼识别与台风眼半径估算方法。

2、技术方案：为实现上述发明目的，本发明采用以下技术方案：一种基于vggnet模型的台风眼识别与台风眼半径估算方法，包括以下步骤：

3、s1，筛选台风气候数据集hursat-b1中有记录且红外亮温均为有效值的台风卫星红外云图，并对所述台风卫星红外云图进行标准化和标签数据处理，得到台风样本数据集，并对样本数据集按年份分为训练集、测试集和验证集；

4、s2，构建深度学习模型：基于卷积神经网络vggnet模型，分别构建台风眼有无识别模型dltceye-prob和台风眼半径估计模型dltceye-rad，

5、所述台风眼有无识别模型dltceye-prob包括10个卷积层和3个全连接层，所述台风眼有无识别模型dltceye-prob中的前两个全连接层的激活函数采用relu函数，最后一个全连接层采用sigmoid函数，损失函数选用二元交叉熵；

6、所述台风眼半径估计模型dltceye-rad包括10个卷积层和3个全连接层，且每个卷积层前分别加入有注意力机制层，所述注意力机制层包括空间注意力层和通道注意力层；所述台风眼半径估计模型dltceye-rad中的前两个全连接层的激活函数采用relu函数，最后一个全连接层采用linerar函数，损失函数选用平均绝对误差mae做为损失函数；

7、s3，深度学习模型训练：通过步骤s1的样本数据对台风眼有无识别模型dltceye-prob和台风眼半径估计模型dltceye-rad进行训练优化，得到训练后的台风眼有无识别模型dltceye-prob和台风眼半径估计模型dltceye-rad；

8、s4，以步骤s3得到的训练后的台风眼有无识别模型dltceye-prob和台风眼半径估计模型dltceye-rad对台风红外图像进行台风眼识别和台风眼半径估计。

9、进一步的，步骤s2，所述台风眼有无识别模型dltceye-prob中的10个卷积层的通道数依次为32，32，64，64，128，128，256，256，256，256，256，所述3个全连接层的大小分别为125,64，1；

10、所述风眼半径估计模型dltceye-rad中的10个卷积层的通道数依次为16，16，32，32，64，64，128，128，256，256，256，256，256，所述3个全连接层的大小分别为128，64和1。

11、进一步的，步骤s1所述台风卫星红外图通过下式进行标准化处理，

12、

13、 x i表示台风卫星红外图中第 i个像素点的红外亮温值，表示 x i标准化处理后的值， s表示所有像素点红外亮温的标准差；

14、根据台风中心进行定位，截取台风中心上下左右各28个像素，形成56*56的红外亮温数组，将该数组升维成56*56*1，作为每一个训练样本。

15、进一步的，步骤s1所述台风卫星红外图的标签数据处理具体过程如下：将1982-2016年的台风气候数据集hursat-b1的红外云图数据集，经archer算法计算得到的有眼概率和眼半径作为标签，并从hursat-b1资料中读取使用。

16、进一步的，所述台风眼有无识别模型dltceye-prob和所述风眼半径估计模型dltceye-rad中的卷积核大小为3*3。

17、有益效果：与现有技术相比，本发明构建了基于vggnet模型的台风眼识别与台风眼半径估算模型，能自动对台风眼自动识别并估算台风眼半径；本发明通过运用深度学习技术和卷积神经网络进行台风眼识别和半径估计，减少了人工干预，大大提高了台风眼识别和半径估计的效率和准确性，有眼无眼识别平均准确率达到96.24%；dltceye-rad训练结果的rmse仅为3.58海里，且与人工分析结果具有高度一致性，结果真实可信。

技术特征：

1.一种基于vggnet模型的台风眼识别与台风眼半径估算方法，其特征在于包括以下步骤：

2.根据权利要求1所述基于vggnet模型的台风眼识别与台风眼半径估算方法，其特征在于：步骤s2，所述台风眼有无识别模型dltceye-prob中的10个卷积层的通道数依次为32，32，64，64，128，128，256，256，256，256，所述3个全连接层的大小分别为128,64，1；

3.根据权利要求1所述基于vggnet模型的台风眼识别与台风眼半径估算方法，其特征在于：步骤s1所述台风卫星红外图通过下式进行标准化处理，

4.根据权利要求1所述基于vggnet模型的台风眼识别与台风眼半径估算方法，其特征在于：步骤s1所述台风卫星红外图的标签数据处理具体过程如下：将1982-2016年的台风气候数据集hursat-b1的红外云图数据集，经archer算法计算得到的有眼概率和眼半径作为标签，并从hursat-b1资料中读取使用。

5.根据权利要求2所述基于vggnet模型的台风眼识别与台风眼半径估算方法，其特征在于：所述台风眼有无识别模型dltceye-prob和所述风眼半径估计模型dltceye-rad中的卷积核大小为3*3。

技术总结本发明公开了一种基于VGGNet模型的台风眼识别与台风眼半径估算方法，利用北半球台风卫星红外云图资料和ARCHER算法得到的有眼概率和眼半径数据，构建卷积神经网络VGGNet模型并进行模型训练，最终得到能够根据输入的红外云图自动识别台风眼区特征的系统DLTCEye，包括台风眼有无判别模型DLTCEye‑Prob和台风眼半径估计模型DLTCEye‑Rad。本发明减少了人工干预，大大提高了台风眼识别和半径估计的效率和准确性，并在此基础上构建均一化、长时序、具有气候学意义的北半球台风眼数据集。技术研发人员：刘怡,储可宽,卓静仪受保护的技术使用者：南京大学技术研发日：技术公布日：2024/7/29