一种基于多通道卷积神经网络的次季节台风生成预报方法与流程

1.本发明涉及次季节台风预报技术领域，尤其涉及一种基于多通道卷积神经网络的次季节台风生成预报方法。


背景技术：

2.台风是一种破坏力极强的灾害性天气系统，常会带来狂风、暴雨，给人民生命财产安全带来极大的威胁。在此背景下，高质量的台风生成预报对于防灾减灾具有重要意义。目前，1-14天的台风生成预报已经展现了较高的预报技巧，但次季节尺度（2周-2月）的台风生成预报技巧十分有限，是亟待解决的重要科学和技术问题。
3.有研究从数值模式预报的大尺度场中识别台风，进而实现台风的次季节预报，但该方案高度依赖于模式自身的预报水平，而数值模式在较长时间尺度下预报技巧偏低，因此该方案目前预报技巧普遍偏低，难以为防灾减灾工作提供指导。也有研究基于大尺度因子场和台风之间的线性关系构建统计模型，进而实现次季节台风生成预报，但该方案缺少动力机制的支撑，预报技巧仍十分有限。近年来，有研究将两种方案结合，提出混合动力统计模型，但该方案难以提取台风多时间尺度的周期性信号，且无法捕获台风与大尺度因子场之间的非线性特征，预报技巧仍有较大提升空间。


技术实现要素：

4.发明目的：本发明的目的是提供了一种基于多通道卷积神经网络的次季节台风生成预报方法以解决上述技术背景中存在的问题。
5.技术方案：本发明所述的一种基于多通道卷积神经网络的次季节台风生成预报方法，包括以下步骤：（1）统计台风逐周生成频次，基于奇异谱分析对台风频次进行数据重组，提取不同时间尺度的周期性信号，并过滤多余的噪声；（2）基于信息流方法诊断各时间尺度周期性信号的可预测性来源，构建掩膜场；（3）搭建多通道卷积神经网络模型，基于再分析资料构建的训练集对模型展开训练；（4）基于采集到的数值模型预报数据展开迁移学习，得到最终的预报模型；（5）将预设时间内的预报数据代入模型，生成次季节台风生成预报。
6.进一步的，所述步骤（1）包括以下步骤：（11）统计逐7天下目标区域台风生成频次，构成台风生成频次数据集y；（12）基于台风生成频次数据集y构建轨迹矩阵并进行奇异值分解；轨迹矩阵的计算公式为：
；其中，为数据集y中第i个观测，为数据集y中的总样本数，为窗口长度，为向量数量，其计算公式为：.；对轨迹矩阵进行奇异值分解，计算公式为：；其中，为矩阵s的第i个特征值，为特征值数量，可取做和中的小值，是上述特征值对应的标准正交向量，可由、、计算得到，具体计算公式如下：；（13）通过分组和对角平均两步完成对台风频次数据的数据重组，并提取出不同时间尺度的周期性信号。
7.进一步的，所述步骤（13）包括以下步骤：（131）将下标集合划分为m个不相交的子集,则有：；（132）将公式（6）中的每个矩阵通过对角平均计算转换为时间序列，具体为：若一个阶的矩阵，其元素为，其中，，令，，若，，否则,而后进行对角平均，完成数组重组，计算公式如下：；完成数据重组后，提取出台风生成频次中的多时间尺度的周期性信号：
；其中，为原始台风频次序列，分别表示不同时间尺度的周期性信号。
8.进一步的，所述步骤（2）包括以下步骤：（21）采集海温、经向风、纬向风、向上长波辐射大尺度因子场，并对资料进行逐7天的滑动平均处理，构建得到、、、观测数据集，其中，sst、u、v、olr分别表示海温、经向风、纬向风、向上长波辐射，分别为经度、纬度和时间；(22) 通过信息流方法诊断各时间尺度周期性信号的可预报性来源，信息流计算公式如下：；其中，表示序列2对序列1的信息流，序列2取自大尺度因子场：、、、，序列1取自台风生成频数中提取出的各时间尺度的周期性信号，表示样本和之间的协方差，表示和之间的协方差，为的欧拉前差近似；（23）针对各时间尺度的周期性信号，分别将大尺度因子场中通过显著性检验的位置记为1，未通过检验的记为0，构建各时间尺度周期性信号的掩膜场。
9.进一步的，所述步骤（3）包括以下步骤：（31）基于掩膜场分别对大尺度因子场进行滤波，过滤多余的噪声，并进行标准化处理；（32）搭建多通道卷积神经网络，其网络结构主要包括卷积层、池化层、展开层和全连接层，并基于再分析资料构建的训练集对模型展开训练；模型的输入数据为步骤（31）处理后的大尺度因子场即各时间尺度周期性信号的可预报性来源，模型的输出数据为实际台风生成频次。
10.进一步的，所述步骤（31）包括以下步骤：（311）滤波计算公式如下：；其中，为第i种时间尺度周期性信号对应的第j种大尺度因子场，是其掩膜场，是更新后的场；（312）标准化的处理计算公式如下：；其中，表示的平均值，表示的标准差。
11.进一步的，所述步骤（32）包括以下步骤：（321）对大尺度因子场分别进行卷积、池化、展开，并在最后进行连接；（322）基于再分析资料构建的训练集对模型展开训练。
12.进一步的，所述步骤（4）为：将数值模式对于大尺度因子场的预报数据代入步骤（3）训练好的模型，进行迁移学习，生成最终的预报模型。
13.进一步的，所述步骤（5）为：将未来预设时间内数值模式对于经过掩膜场滤波的大尺度因子场的预报数据输入到步骤（4）训练好的模型中，生成预设时间内的台风生成预报。
14.有益效果：与现有技术相比，本发明具有如下显著优点：避免了不同时间尺度周期性信号之间的冲突，较传统方案能更好的捕获物理过程，提升模型预报技巧；有效滤除大尺度因子场中的多余噪音，进而有效提高模型预报效果；充分考虑了大尺度因子场的空间特性，捕获了台风和其各时间尺度下可预报性来源的非线性关系，模型具有高度非线性；充分考虑了深度学习模型对数据量的需求，首先基于再分析资料初始化模型，而后基于模式数据进行迁移学习，使得最终的模型具有强鲁棒性。
附图说明
15.图1为本发明的总流程图；图2为本发明的模型结构示意图。
实施方式
16.下面结合附图对本发明的技术方案作进一步说明。
17.如图1-2所示，本发明的实施例提供了一种基于多通道卷积神经网络的次季节台风生成预报方法，包括以下步骤：（1）统计台风逐周生成频次，基于奇异谱分析对台风频次进行数据重组，提取不同时间尺度的周期性信号，并过滤多余的噪声，包括以下步骤：（11）统计逐7天下目标区域台风生成频次，构成台风生成频次数据集y；（12）基于台风生成频次数据集y构建轨迹矩阵并进行奇异值分解；轨迹矩阵的计算公式为：；其中，为数据集y中第i个观测，为数据集y中的总样本数，为窗口长度，为向量数量，其计算公式为：.；对轨迹矩阵进行奇异值分解，计算公式为：
；其中，为矩阵s的第i个特征值，为特征值数量，可取做和中的小值，是上述特征值对应的标准正交向量，可由、、计算得到，具体计算公式如下：；（13）通过分组和对角平均两步完成对台风频次数据的数据重组，并提取出不同时间尺度的周期性信号，包括以下步骤：（131）将下标集合划分为m个不相交的子集,则有：；（132）将公式（6）中的每个矩阵通过对角平均计算转换为时间序列，具体为：若一个阶的矩阵，其元素为，其中，，令，，若，，否则,而后进行对角平均，完成数组重组，计算公式如下：；完成数据重组后，提取出台风生成频次中的多时间尺度的周期性信号：；其中，为原始台风频次序列，分别表示不同时间尺度的周期性信号。
18.（2）基于信息流方法诊断各时间尺度周期性信号的可预测性来源，构建掩膜场，包括以下步骤：（21）采集海温、经向风、纬向风、向上长波辐射大尺度因子场，并对资料进行逐7天的滑动平均处理，构建得到构建得到、、、观测数据集，其中，sst、u、v、olr分别表示海温、经向风、纬向风、向上长波辐射，分别为经度、纬度和时间；(22) 通过信息流方法诊断各时间尺度周期性信号的可预报性来源，信息流计算
公式如下：；其中，表示序列2对序列1的信息流，序列2取自大尺度因子场：、、、，序列1取自台风生成频数中提取出的各时间尺度的周期性信号，表示样本和之间的协方差，表示和之间的协方差，为的欧拉前差近似；（23）针对各时间尺度的周期性信号，分别将大尺度因子场中通过显著性检验的位置记为1，未通过检验的记为0，构建各时间尺度周期性信号的掩膜场。
19.（3）搭建多通道卷积神经网络模型，基于再分析资料构建的训练集对模型展开训练，包括以下步骤：（31）基于掩膜场分别对大尺度因子场进行滤波，过滤多余的噪声，并进行标准化处理，包括以下步骤：（311）滤波计算公式如下：；其中，为第i种时间尺度周期性信号对应的第j种大尺度因子场，是其掩膜场，是更新后的场；（312）标准化的处理计算公式如下：；其中，表示的平均值，表示的标准差。
20.（32）搭建多通道卷积神经网络，其网络结构主要包括卷积层、池化层、展开层和全连接层，并基于再分析资料构建的训练集对模型展开训练；模型的输入数据为步骤（31）处理后的大尺度因子场即各时间尺度周期性信号的可预报性来源，模型的输出数据为实际台风生成频次，包括以下步骤：（321）对大尺度因子场分别进行卷积、池化、展开，并在最后进行连接；（322）基于再分析资料构建的训练集对模型展开训练。
21.（4）基于采集到的数值模型预报数据展开迁移学习，得到最终的预报模型，具体为：将数值模式对于大尺度因子场的预报数据代入步骤（3）训练好的模型，进行迁移学习，生成最终的预报模型。
22.（5）将预设时间内的预报数据代入模型，生成次季节台风生成预报，具体为：将未来预设时间内数值模式对于经过掩膜场滤波的大尺度因子场的预报数据输入到步骤（4）训练好的模型中，生成预设时间内的台风生成预报。