关键词:
台风路径预测
卫星云图
深度学习
误差修改
摘要:
台风是一种自然现象,它可以调节全球的热量分布,维持热量平衡。同时,台风的破坏力极强,每年台风都会频繁侵扰世界沿海地区,影响经济发展,危及群众生命。作为气象部门的一项重要职能,准确的台风路径预测可以为相关气象部门提供先验信息,从而更科学、更快速地决策,大大减少台风所造成的损失。因此,提高对台风路径预测的准确性,对我国乃至世界而言都尤为重要。然而,由于台风运动相当复杂,并且海洋观测站十分稀少,使用传统方法预测台风路径极为受限。目前台风路径预测大多依赖于数值预报方法,这种方法预测结果比较准确,但是计算难度大、预测代价高,并且考验研究者的专业知识水平,使得台风路径预报测的门槛很高。相比之下,使用机器学习(Machine Learning,ML)方法,尤其是深度学习(Deep Learning,DL)方法预测台风路径,有自适应学习、非线性映射和高容错性等特点,最重要的是深度学习方法相比数值预报方法能够大大降低预测难度与预测成本。本文对基于深度学习的台风路径预测方法展开研究,以在提高预测精度的同时降低预测成本为目标,构建了卫星图像数据集,并使用深度神经网络对台风路径预测建模,预测卫星图像。然后,再次使用神经网络对预测方法改进,实现了台风路径的准确、快速预测。本文的主要内容如下:首先,本文说明了台风路径预测的研究背景和意义,介绍了国内外主流台风路径预测的研究现状,将目前主要的台风路径预测方法分为数值预报方法和基于深度学习的方法两类,分别介绍了两类方法在台风路径预测上的研究成果,并分析了深度学习方法相对于数值预报的优势。然后,介绍了几种不同的深度学习技术,包括深度学习中基础神经网络以及几种优化策略。由于目前开源的卫星图像数据集较少,本文使用日本气象厅的卫星图像数据自建了卫星图像数据集。根据卫星图像在时间维度上的联系对图像标注,将标注后的卫星图像作为预测模型的输入。然后,针对卫星图像数据集以及标注的特点,以卷积神经网络(Convolutional Neural Network,CNN)和长短期记忆网络(Long ShortTerm Memory,LSTM)为基础,从时间和空间维度对台风路径预测建模,使用混合空洞卷积策略改善卫星图像中标注点的特征丢失问题,并加入卷积注意力机制模块(Convolutional Block Attention Module,CBAM)增强特征提取,构建了台风路径预测模型Deep Typhoon。然后,为了进一步提高Deep Typhoon模型的预测精度,基于Deep Typhoon模型的预测结果,本文提出一种基于网格的编码方式,将预测误差向量转换成误差编码,以LSTM网络为基础结合多任务学习的思想,构建了台风预测误差修改(Typhoon Predict Error Modification,TPEM)模型。使用TPEM模型对台风路径的预测误差进行预测,使用这个预测结果修改台风路径预测的误差,进一步提高了台风路径预测的精度。最后,本文在不同地区的卫星图像数据集上进行了对比试验,Deep Typhoon模型在西北太平洋、西南太平洋两个测试集上的平均绝对误差分别为65.39km和62.41km,在保证计算速度和预测成本的同时,已经实现了较为精准地的台风路径预测。在此基础上,使用TPEM模型对Deep Typhoon模型改进后,西北太平洋数据集的预测误差为63.94km,西南太平洋数据集的预测误差为59.18km。相对Deep Typhoon预测模型的预测结果,TPEM模型进一步提高了台风路径预测精度。结果表明,本文提出的Deep Typhoon模型结合TPEM模型实现了台风路径的精准预测;并且,与数值预报方法相比,本文的方法拥有更快的预测速度和更低的预测成本。