基于因果推断的深度学习热带气旋强度实时估计和预报方法

本发明涉及基于因果推断的深度学习热带气旋强度实时估计和预报方法，属于卫星遥感监测防灾减灾。

背景技术：

1、热带气旋强度研究是一项基本研究。热带气旋强度通常被定义为1分钟、2分钟或10分钟的10米最大持续表面风速。热带气旋强度的波动除了对社会经济和大气-海洋系统产生重大影响外，还能指示其本身的水平和垂直结构演变。因此，准确估计和预测热带气旋强度至关重要。

2、近年来，深度学习技术开始应用于热带气旋强度研究。但是深度学习具有不可解释性，主要反映在其缺乏基于数学规则的明确决策过程，以及在物理属性表征方面的局限性。因此，研究者们思考能否在深度学习中引入物理变量，统一数理和统计范式。然而，目前该类方法仍存在一些局限性。首先，该类方法提取的热带气旋特征不足。热带气旋是一个复杂的系统，需要从多个角度进行表征。但当前该类方法仅引入了单一卫星图像或era5再分析数据。卫星云图仅提供云顶或高层大气的特征，而era5再分析数据提供大规模天气背景和垂直天气结构。此外，era5再分析数据不可实时获取。其次，该类方法仍然缺乏数学物理知识。当前世界上的业务机构获取热带气旋强度的主流方法仍是德沃夏克技术，该过程搭建了卫星云图到热带气旋强度的桥梁，该过程中涉及大量的专家知识。因此，现有方法中引入单一物理变量是不够的。最后，该类方法的可解释性仍是一个挑战。可解释性是建立更加完整的热带气旋特征表示的基础，同时能够使深度学习成为一种更加强大的工具。然而，现有模型仍然为黑盒性质，其在理论上无法解释。

技术实现思路

1、本发明所要解决的技术问题是：提供基于因果推断的深度学习热带气旋强度实时估计和预报方法，通过融合era5再分析资料和himawari8号卫星数据实时估计和预测热带气旋强度。

2、本发明为解决上述技术问题采用以下技术方案：

3、基于因果推断的深度学习热带气旋强度实时估计和预报方法，包括如下步骤：

4、步骤1，采集卫星云图数据以及era5再分析资料数据，并对卫星云图数据以及era5再分析资料数据进行预处理，得到预处理后的卫星云图以及海平面温度、600hpa相对湿度和200-850hpa垂直风切变三个物理因子；

5、步骤2，基于cma最佳路径集对预处理后的卫星云图进行标注；

6、步骤3，构建基于因果推断的深度学习热带气旋强度实时估计和预报模型，包括卫星云图特征提取模块、物理因子特征提取模块、基于因果推断的融合模块以及估计和预测模块；

7、步骤4，基于步骤1和步骤2的数据对步骤3构建的模型进行训练，得到训练好的模型，利用训练好的模型对当前时刻的热带气旋强度进行估计同时对未来时刻的热带气旋强度进行预报。

8、作为本发明的一种优选方案，所述步骤1的具体过程如下：

9、采集当前时刻以及当前时刻前6、12、18和24小时的卫星云图以及era5再分析资料数据；

10、对于卫星云图，基于波段6.2微米、7.3微米、9.6微米和11.2微米通道以及合成规则，对卫星云图进行rgb通道合成，合成规则为r＝6.2-7.3、g＝11.2-9.6、b＝243.9-6.2，再对rgb通道归一化；

11、基于era5再分析资料数据，包括海平面温度、三维相对湿度、三维u风和三维v风参量，计算海平面温度、600hpa相对湿度和200-850hpa垂直风切变三个物理因子，其中，海平面温度＝海平面温度参量值；600hpa相对湿度＝三维相对湿度600hpa层参量值；u850、u200分别代表三维u风850hpa和200hpa层参量值，v850、v200分别代表三维v风850hpa和200hpa层参量值。

12、作为本发明的一种优选方案，所述步骤2中，标注类型包括热带气旋日期、类别、热带气旋名称、经度、纬度以及强度。

13、作为本发明的一种优选方案，所述步骤3中，卫星云图特征提取模块和物理因子特征提取模块的结构相同，均包括依次连接的7×7卷积层、最大池化层和resnet34主干网络，其中，resnet34主干网络末端的全连接层用最大池化层替代；

14、基于因果推断的融合模块包括五个结构相同的因果统计融合单元，每个因果统计融合单元用于对不同时刻提取的卫星云图特征和物理因子特征进行融合，融合过程如下：将卫星云图特征提取模块提取的卫星云图特征经1×1卷积层进行降维，通过重塑操作将降维后的卫星云图特征张量形状变化为32×169，将32×169的卫星云图特征张量进行转置，得到169×32的卫星云图特征张量；将物理因子特征提取模块提取的物理因子特征经1×1卷积层进行降维，通过重塑操作将降维后的物理因子特征张量形状变化为32×169，利用169×32的卫星云图特征张量与32×169的物理因子特征张量相乘，得到169×169的特征；将卫星云图特征提取模块提取的卫星云图特征进行重塑，得到256×169的特征，将169×169的特征与256×169的特征相乘，得到256×169的特征张量；最后，利用1×1卷积将卫星云图特征提取模块提取的卫星云图特征进行投影后，再与经由重塑的256×169的特征张量相加，得到最终的融合特征；

15、估计和预测模块包括结构相同的估计单元和预测单元，估计单元包括依次连接的第一全连接层、第二全连接层和回归单元，第一和第二全连接层用于根据最终的融合特征学习热带气旋强度特征，回归单元用于估计或预测热带气旋强度值。

16、作为本发明的一种优选方案，所述因果统计融合单元的数学表达式如下：

17、csfu＝softmax(w1fy(x)+w2·∑zγ·[y·a])

18、其中，csfu代表因果统计融合单元的输出，w1和w2分别代表卫星云图特征提取模块和物理因子特征提取模块，fy(x)代表向神经网络f(·)中输入卫星云图或物理因子x得到卫星云图特征或物理因子特征y，n为物理因子的数量，a＝softmax(qtk)，q＝wqz，k＝wky，wq和wk均表示因果统计融合单元中用于降维的1×1卷积层，y、z分别代表提取的特征和物理因子，softmax(·)为将输出值限制为0到1的概率运算。

19、作为本发明的一种优选方案，所述步骤4中，对步骤3构建的模型进行训练时，采用的损失函数losstotal公式如下：

20、losstotal＝losse+lossp+α·losssmooth

21、其中，α为正则化参数，losse表示估计损失，lossp表示预测损失，由下式给出：

22、

23、

24、其中，ye和分别代表热带气旋强度估计的真值和估计值，yp,t和分别代表未来第t时刻热带气旋强度的标签真值和模型输出值，m′＝4；

25、losssmooth为约束时间序列一阶差的光滑正则化项，公式如下：

26、

27、其中，yp,t＝6和分别代表未来第6时刻热带气旋强度值的标签真值和模型输出值，yp,t+1代表未来第t+1时刻热带气旋强度值的标签真值，m＝5。

28、一种计算机设备，包括存储器、处理器，以及存储在所述存储器中并能够在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述的基于因果推断的深度学习热带气旋强度实时估计和预报方法的步骤。

29、一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述的基于因果推断的深度学习热带气旋强度实时估计和预报方法的步骤。

30、本发明采用以上技术方案与现有技术相比，具有以下技术效果：

31、1、本发明通过引入多源数据缓解热带气旋提取特征不足的问题；基于因果推断融合多源数据，缓解了数学物理知识引入不足的问题。

32、2、本发明提出的因果推断是一种具有可解释性的设计方法，为本发明方法提供了可解释性过程。

33、3、本发明提出的方法能同时提供当前时刻和未来6、12、18、24时刻的热带气旋强度，且24小时预报的性能优于气象局的官方客观预报方法和目前世界各地使用的数值模式结果。