基于衛星微波數據與深度學習的臺風風速預測模型研究

蘭 斌

（中海油信息科技有限公司深圳分公司，廣東 深圳 518000）

臺風是自然界最強烈的氣象災害之一，其強烈的風力和巨大的降雨量可能導致嚴重的人員傷亡和財產損失。準確預測臺風風速可以幫助人們及時采取適當的防護措施，包括疏散人員、加固建筑物、停止海上和空中交通等，從而最大程度地減少人員傷亡和財產損失。預測臺風風速還有助于提前做好災害管理和救援準備工作。通過對臺風風速進行預測，相關部門可以及時調動救援力量、準備救援物資、組織疏散人員、安排緊急避難所等，以應對臺風帶來的災害。通過預測臺風風速，農業和漁業生產者可以合理安排種植和捕撈計劃，采取相應的防護措施來保護作物和養殖場，從而減少損失。同時，預測臺風風速還可以幫助農業漁業者及時采取適當的應對措施，避免浪費資源和時間。近年來，隨著遙感技術的快速發展，應用衛星微波數據成為一種廣泛應用的臺風監測手段。衛星微波輻射數據可以提供海洋表面溫度、風速等重要參數信息，而這些信息可以為臺風風速的估計提供參考。同時，深度學習技術在圖像處理領域已得到廣泛應用。在風速估計方面，深度學習模型具有一定的優勢。

因此，本文基于衛星微波數據與深度學習技術，提出了一種臺風風速估計的方法，通過對衛星微波數據進行預處理和特征提取，建立基于深度學習的模型。實驗結果表明，該方法能夠實現對臺風風速的精確估計，具有較高的準確性和穩定性[1]。

1 衛星微波數據基礎

為了測量臺風的風速，過去采用了各種傳統的方法，如投放浮標，從陸基和海基氣象站進行觀測，以及派遣配備溫度探測器的飛機等。然而，長期以來，由于臺風災害統計數據和標準的差異，以及臺風災害本身的復雜性和不確定性，使得對臺風進行分析的研究工作面臨著諸多困難。在2011年10月28日，SNPP衛星成功發射進入軌道，搭載的ATMS微波探測儀開始應用于各種氣象研究。該微波探測儀能夠在幾乎所有天氣條件下測量大氣溫度和濕度數據，從而解決了傳統測量方法成本高、數據統一性差以及無法對特定區域進行長期觀察和記錄的問題。因此，本研究主要利用美國極軌衛星SNPP上搭載的采用先進技術的微波探測儀ATMS作為主要數據來源。該方法的引入為臺風風速的估計提供了新的機會和優勢。通過ATMS微波探測儀，人們能夠獲取更準確和詳細的大氣溫度和濕度數據，這對于臺風風速的推測具有重要意義。相比傳統方法，ATMS提供的微波遙感數據具有更高的空間分辨率和全球覆蓋性，能夠提供更全面的觀測信息。利用ATMS微波探測儀的數據，研究人員能夠開發出更精確和可靠的風速估計模型。這些模型結合了衛星觀測數據和深度學習算法，能夠從微波輻射中提取出與臺風風速相關的特征，并進行風速估計。與傳統方法相比，這種基于衛星微波數據和深度學習的臺風風速估計方法具有更高的精度和時效性。

2 衛星微波數據處理

ATMS亮溫數據的存儲量相當巨大，每天的數據量約為300 MB，由約190個以.h5后綴的數據包文件組成。每個數據包的大小大約為1.6 MB。完整的一天ATMS數據覆蓋了全球區域兩次（升軌和降軌），但本研究只關注北太平洋和北大西洋地區的臺風中心數據，因此需要對數據進行篩選[2]。

本文首先根據臺風日期作為索引，訪問按日期分類后的ATMS亮溫數據。然后根據臺風中心的經緯度位置，對ATMS亮溫數據進行經緯度范圍篩選，僅保留與臺風中心經緯度相距不超過±10°的數據。通過這一篩選步驟，無效數據被大幅減少，篩選后的樣本數據占全球數據集的比例約為1∶162。在篩選和處理后，得到了臺風熱核數據集。該數據集是經過采樣和計算處理后的結果，包含了與臺風相關的亮溫數據。這些數據集成了研究臺風風速估計所需的關鍵信息，為后續的深度學習模型訓練和預測提供了基礎。通過對ATMS亮溫數據進行篩選和整理，能夠聚焦在與臺風中心相關的數據上，減少了冗余和無用數據的存在。這種數據篩選和處理的方法有助于提高數據集的效率和可用性，使得臺風熱核數據集成為進行臺風風速估計研究的理想選擇。通過式（1）處理數據集合中的亮溫數據。

為了進一步區分有云和無云的背景場數據，采用式（2）進行處理。

在模型測試階段，本文對ATMS亮溫數據進行處理，該數據集來源于臺風中心，經過采樣機篩選以后，形成測試樣本集。該數據集包含了與臺風相關的有價值的信息，為臺風風速估計的研究提供了重要的數據基礎，為測試基于衛星微波數據和深度學習的臺風風速估計方法奠定了堅實的數據基礎[3]。

3 基于深度學習的臺風風速估計模型

CNN是一種特別適合于圖像處理的神經網絡。其主要特點是局部連接、共享權值和卷積等操作，使得模型具有較強的特征提取能力。本文采用CNN作為估計模型，構建的風速估計模型如圖1所示。

圖1 CNN風速估計模型

網絡結構主要包括三個部分：多尺度特征提取、分布學習和損失函數的融合。該網絡結構的基礎是VGG多尺度目標檢測網絡。本文基于該網絡，去除了主干網絡中候選框的生成和預測的分支，加入了回歸的任務，替換不同目標分類的任務為風速值分布學習的任務。去除主干網絡原結構中在第4組的第3個卷積層后的L2正則化，取而代之的是在每一次卷積后，Relu之前的批正則化。網絡輸出85個風速值分類概率和1個回歸風速值，分類概率的期望和回歸風速值的均值作為最終估計風速。本文將網絡輸出分為從5到90的有序整數，使用Softmax獲得每一個數值的估計概率，通過交叉熵損失函數式（3）進行訓練。

風速估計的一個重要問題是：熱核溫度異常的范圍僅限于幾十開爾文，而風速的范圍一般在5～90 m/s。因此，一個溫度異常可能與多個風速有關。為了處理這種混淆性問題，考慮了可能的風速值分布屬性。每個風速值的分布概率由最后一個FC層通過Softmax函數計算得出，如式（4）所示。

4 實驗結果分析

分析了本文提出的深度學習網絡風速估計結果和線性回歸方法的結果，并與最新的深度學習模型Deepti在相同測試數據中做比較，結果如表1所示。

表1 預測結果對比

如表1所示，實驗結果表明，本文構建的模型在MSE以及RMSE等性能測試數據上，對比回歸模型、Deepti以及SVR模型具有更佳的預測效果。因此，本文提出的基于衛星微波數據與深度學習技術的臺風風速估計方法，能夠實現對臺風風速的精確估計[4]。