一种基于人工智能的台风涡旋初始化方法

1.一种基于人工智能的台风涡旋初始化方法，用于实现台风涡旋的初始化，其特征在于，该方法在实施时包括以下步骤：SS1. 多源气象数据收集收集并分析多种气象数据来源的多种不同类型的气象数据以获取台风的历史和实时的行为信息，所述多种不同类型的气象数据包括再分析数据、台风分析数据、台风模式预报数据和台风最佳路径数据，其中，所述再分析数据是通过将历史气象观测数据与气象模型相结合所重构的过去气象条件数据集，所述台风分析数据为针对台风事件进行动力初始化和同化观测后形成的气象数据，所述台风模式预报数据为基于气象模型预测产生的台风未来行为气象数据，所述台风最佳路径数据为综合多种信息后所得出的台风实际移动路径数据；SS2. 多源气象数据预处理对步骤SS1所收集的多源气象数据进行包括数据插值、数据规范化和特征工程的预处理以转换为适合机器学习模型使用的数据集，其中，所述数据插值处理通过考虑待插值点与已知数据点之间的距离来估算待插值点的数值以填补数据空白或将数据转换为统一的分辨率，所述数据规范化处理包括单位转换、缩放到统一区间和标准化处理以将数据转换为一致的格式和尺度，所述特征工程包括基本气象特征提取、时间序列特征提取、高级特征构造、特征选择和数据降维以从原始数据中提取和选择对于台风预测任务最有用的特征，并包括如下子步骤：SS2A. 对数据进行基本气象特征提取，所述基本气象特征为反映台风发展信息的指标并包括垂直风切变VWS、条件性海洋热含量COHC、200百帕散度D200、相对湿度RHMD、海平面气压变化dMSLP和/或台风移动速度SPD，SS2B. 对数据进行时间序列特征提取，从气象数据的时间序列中提取趋势分析和季节性模式，包括分析长期的温度和/或气压变化趋势以及识别数据中的季节性降水模式和/或风向变化，通过这些时间序列分析以捕捉与台风发展有关的长期和周期性变化，SS2C. 对数据进行高级特征构造，基于历史同期数据比较构建高级特征以突出当前气象条件与历史模式的对比和异常特征，通过比较分析以提取当前数据的异常或显著特征，SS2D. 对数据进行特征选择，包括相关性分析和特征重要性评估，通过分析各特征与台风强度和路径预测的相关性以筛选出与预测最相关的特征，通过评估各特征对预测模型的贡献度以筛选对预测最有帮助的特征，SS2E. 根据特征数量的多少判断是否对数据进行数据降维，若特征数量大于预设阈值则对数据进行数据降维，通过数据降维处理以去除数据中的冗余和不相关特征并保留对预测最重要的特征，从而减少特征的数量和复杂度，并简化模型并降低计算负担；SS3. 深度学习模型训练使用深度学习模型对步骤SS2预处理后的数据集进行特征学习和模式识别以提取台风的关键特征和模式，并通过训练和验证过程优化深度学习模型的性能和准确性，其中，所述深度学习模型用于捕获上下文信息和精确定位台风特征并包括一收缩路径和一对称的扩展路径，所述收缩路径用于提取数据中的高级特征并包括多个卷积层和池化层，所述扩展路径用于恢复数据中的细节信息并包括多个卷积层和上采样层，所述卷积层和上采样层之间还设有跳跃连接，用于将所述收缩路径中的低级特征与所述扩展路径中的高级特征之间的数据连接，所述训练和验证过程利用分割的数据集进行模型训练和验证，以评估模型的准确性和泛化能力，确保其在实际应用中的有效性；SS4. 台风涡旋初始化将步骤SS3训练好的深度学习模型应用于实时气象数据以构建台风涡旋结构并预测台风路径和强度，其中，所述台风涡旋结构为包括台风的形状、大小、强度和风场分布信息的三维结构，所述预测台风路径和强度是指根据所述台风涡旋结构和气象模型，计算台风在未来一定时间内的移动方向、速度和变化趋势；SS5. 持续学习和优化模型通过持续的数据收集和模型训练以不断更新和改进所述深度学习模型的预测能力，其中，所述数据收集包括实时获取最新的气象数据和台风数据以及反馈所述深度学习模型的预测结果和实际观测结果之间的差异，所述模型训练包括根据数据的变化和反馈的误差调整所述深度学习模型的参数和结构。 2.根据权利要求1所述的基于人工智能的台风涡旋初始化方法，其特征在于，上述步骤SS1中，所述再分析数据是通过将历史气象观测数据与气象模型相结合所重构的过去气象条件数据集，所述过去气象条件数据集用以反映台风发生和发展的历史气象环境、为台风的历史行为提供全面视角并为台风动力初始化提供背景信息，所述再分析数据的生成包括如下子步骤：SS11. 收集和整理历史气象观测数据，所述历史气象观测数据包括通过地面、船舶、探空和/或卫星气象观测方式得到的涵盖广泛时间和空间范围并包括多种气象要素和台风信息的气象数据，所述气象要素包括风速、气压、温度和/或湿度，所述台风信息包括台风的路径、强度和/或风场，对历史气象观测数据的整理包括对数据进行质量控制和格式转换以便于后续的处理和分析；SS12. 选择气象模型并根据气象模型的输入要求，对步骤SS11中的历史气象观测数据进行插值和规范化以保证数据的一致性和完整性，同时考虑数据的时空分辨率和覆盖范围以满足模型的精度和稳定性后输入到气象模型中以产生模型预测数据，所述气象模型是指基于物理方程和数值方法建立的用于模拟和预测气象现象的数学模型，包括全球气候模型、区域气候模型或数值天气预报模型；SS13. 利用数据同化技术对步骤SS12中所输入的历史气象观测数据与气象模型所输出的模型预测数据进行融合和最优集成，以减少观测数据和模型预测数据之间的误差并提高数据的可信度和代表性，同时保留数据的动力和物理意义以便于反映台风的特征和行为，所述数据同化技术为变分法、卡尔曼滤波法或集合卡尔曼滤波法；SS14. 输出步骤SS13中的结果以得到再分析数据，即重构的过去气象条件数据集，所述过去气象条件数据集提供了对过去气象条件的连续且一致的重构，继而作为台风动力初始化的重要输入，为深度学习模型训练提供历史气象信息，增强模型对台风行为预测的准确性。 3.根据权利要求2所述的基于人工智能的台风涡旋初始化方法，其特征在于，上述子步骤SS11中，对历史气象观测数据的整理包括对数据进行质量控制和格式转换，其中，对数据进行质量控制，包括检查数据是否存在缺失、异常、错误和/或不一致问题，并对问题数据进行修正或剔除；对数据进行格式转换，包括将数据转换为适合机器学习模型使用的统一的数据格式和尺度，并对数据进行单位转换、缩放到统一区间和/或标准化处理，以保证数据的一致性和完整性。 4.根据权利要求1所述的基于人工智能的台风涡旋初始化方法，其特征在于，上述步骤SS1中，所述台风分析数据为针对台风事件进行动力初始化和同化观测后形成的气象数据，所述台风分析数据包括：台风的路径数据，即台风中心在不同时间点的经纬度坐标，用于描述台风的移动轨迹和速度以及与地理位置的关系，所述台风的路径数据从各国家级气象局和/或国际气象组织提供的台风最佳路径数据或者利用卫星图像和地面观测结果进行插值和平滑处理得到；台风的强度数据，即台风中心在不同时间点的最低气压和最大风速，用于描述台风的强度等级和变化趋势以及与气象条件的关系，所述台风的强度数据从各国家级气象局和/或国际气象组织提供的台风最佳路径数据或者利用卫星图像和地面观测结果进行估测和校正得到；台风的三维结构数据，即台风影响范围内不同半径和高度处的风速、风向、温度、湿度和/或气压信息，以再分析数据作为背景场，通过同化卫星和地面观测数据并在此基础上开展涡旋初始化以得到更加能够代表台风涡旋结构的三维数据，并且其中所述涡旋初始化采用气象模型从分析时刻的前一个时刻积分到分析时刻，然后将台风涡旋移植到前一时刻，重复上述步骤至涡旋强度与最佳路径强度接近。 5.根据权利要求1所述的基于人工智能的台风涡旋初始化方法，其特征在于，上述步骤SS1中，所述台风模式预报数据为基于气象模型预测产生的台风未来行为气象数据，包括：台风路径预报数据，即根据气象模型对台风中心的移动方向和速度进行预测的数据，用于描述台风未来的移动轨迹和位置以及与地理位置的关系；所述台风路径预报数据从各国家级气象局和/或国际气象组织提供的台风模式预报数据或者利用自主研发的数值天气预报模型生成；台风强度预报数据，即根据气象模型对台风中心的最低气压和最大风速进行预测的数据，用于描述台风未来的强度等级和变化趋势以及与气象条件的关系；所述台风强度预报数据从各国家级气象局和/或国际气象组织提供的台风模式预报数据或者利用自主研发的数值天气预报模型生成；台风风场预报数据，即根据气象模型对台风中心附近不同半径和高度处的风速和风向进行预测的数据，用于描述台风未来的结构和动力特征以及与环境流场的关系；所述台风风场预报数据从各国家级气象局和/或国际气象组织提供的台风模式预报数据或者利用自主研发的数值天气预报模型生成；台风降水预报数据，即根据气象模型对台风中心附近不同区域和高度处的降水量和降水类型进行预测的数据，用于描述台风未来的水汽输送和降水分布特征以及与热力条件的关系；其中，所述台风路径预报数据、台风强度预报数据、台风风场预报数据及台风降水预报数据从各国家级气象局和/或国际气象组织提供的台风模式预报数据或者利用自主研发的数值天气预报模型生成。 6.根据权利要求1所述的基于人工智能的台风涡旋初始化方法，其特征在于，上述步骤SS1中，所述台风最佳路径数据为综合多种信息后所得出的台风实际移动路径数据，所述台风实际路径数据通过汇总和分析来自气象观测站、卫星观测以及其他相关技术手段所记录的信息得出，提供了关于台风实际移动轨迹的准确信息，包括其路径变化、移动速度以及与预测模型偏差的详细分析。 7.根据权利要求1所述的基于人工智能的台风涡旋初始化方法，其特征在于，上述步骤SS2中，所述数据插值处理通过考虑待插值点与已知数据点之间的距离来估算待插值点的数值以填补数据空白或将数据转换为统一的分辨率，其中所述数据插值处理采用Cressman空间插值方法，该方法根据以下公式进行插值计算：式中， V ( P )表示待插值点 P 的数值， V ( P i )表示已知数据点 P i 的数值， W ( d i )表示基于距离 d i 的权重函数并且为距离 d i 的递减函数， d i 表示待插值点 P 与已知数据点 P i 之间的距离， n 表示参与插值的数据点数量。 8.根据权利要求1所述的基于人工智能的台风涡旋初始化方法，其特征在于，上述步骤SS2中，所述数据插值处理还包括对数据进行空间和时间的加权平均以考虑数据的时空相关性和可信度并提高数据的连续性和代表性，并根据以下公式对数据进行空间和时间的数据插值和加权平均计算：式中， V ( P )表示待插值点 P 的数值， V ( P i )表示已知数据点 P i 的数值， W s ( d i )表示基于距离 d i 的空间权重函数， W t ( d i )表示基于时间 t i 的时间权重函数， d i 表示待插值点 P 与已知数据点 P i 之间的空间距离， t i 表示待插值点 P 与已知数据点 P i 之间的时间差， n 表示参与插值的数据点数量。 9.根据权利要求8所述的基于人工智能的台风涡旋初始化方法，其特征在于，所述空间权重函数 W s ( d i )和时间权重函数 W t ( d i )采用如下高斯函数的形式进行表达：式中， σ s 和 σ t 分别表示空间和时间的标准差，用于分别控制空间和时间的权重衰减速度。 10.根据权利要求1所述的基于人工智能的台风涡旋初始化方法，其特征在于，上述步骤SS2中，所述数据规范化处理包括单位转换、缩放到统一区间和标准化处理以将数据转换为一致的格式和尺度，并包括如下子步骤：SS21. 对数据进行单位转换，将不同单位的气象数据转换为统一的标准单位，以消除单位差异对模型训练的影响；SS22. 将数据缩放到统一区间，将所有气象数据类型按照一定的比例缩放到0到1或-1到1的统一区间范围内以消除不同测量范围差异对模型训练的影响，并使用如下公式所示的最小-最大规范化方法在进行数据缩放： 式中， X 为原始数据， X norm 为规范化后的数据， X min 和 X max 分别为同类型数据在数据集中的最小值和最大值；SS23. 对数据进行标准化处理，将气象数据转换为均值为0、标准差为1的标准格式以消除数据分布差异对模型训练的影响，其标准化公式为：式中， X 为原始气象数据， μ 为数据的均值， δ 为数据的标准差， Z 为标准化后的气象数据。 11.根据权利要求1所述的基于人工智能的台风涡旋初始化方法，其特征在于，上述子步骤SS2A在对数据进行基本气象特征提取的过程中：所述垂直风切变VWS是指在不同高度上风速的方向和速度变化，其计算公式为：式中， u 850 和 v 850 分别表示850百帕高度上的东西向和南北向风速， u 200 和 v 200 分别表示200百帕高度上的东西向和南北向风速，并且其中较低的垂直风切变有利于台风的强度和发展；所述条件性海洋热含量COHC是指海洋中储存的热量，高的海洋热含量有利于为台风提供更多能量并促进其加强，其计算公式为：式中， c p 为海水的比热容， ρ 为海水的密度， T 为海水的温度， T 26 为26°C的等温线深度， D 26 为26°C的等温线深度与海底深度的最小值；所述200百帕散度D200是指在大气中12千米高度并对应200百帕气压的水平风场散度情况，其计算公式为：式中， u 和 v 分别表示东西向和南北向风速， x 和 y 分别表示经度和纬度，正散度即空气流动呈发散状态并与热带气旋的加强有关，因为其有助于热带气旋上层的空气流出并为气旋中心带来更多的上升气流和能量，负散度即空气流动呈聚集状态会抑制热带气旋的发展；所述相对湿度RHMD是指实际温度 T 下的饱和水汽压与露点温度 T d 下的饱和水汽压的比值，其计算公式为：式中， e sat ( Td )为露点温度下的饱和水汽压， e sat ( T )为实际温度下的饱和水汽压，所述相对湿度RHMD的变化提供了大气中水汽含量的分布和变化，对准确预测降水潜力和台风强度变化具有重要影响；所述海平面气压变化dMSLP是指海平面气压的变化率，其计算采用前后两个时次的海平面气压值MSLP之差来表示变化率以反映海平面气压在不同时间点的变化，其计算公式为：式中， MSLP ( t 1)、 MSLP ( t 2)分别为第一个时次 t 1、第二个时次 t 2的海平面气压值，海平面气压变化dMSLP是监测台风发展的关键指标之一，海平面气压的降低预示着台风的加强；所述台风移动速度SPD是指台风中心在一定时间内的平均移动速度，关系到其路径预测以及可能影响的区域，台风移动速度的计算采用两个时间点间台风中心位置的变化距离除以时间间隔以获得准确的移动速度估算,其计算公式为：式中， x 1 , y 1 和 x 2 , y 2 分别代表在两个不同时间点的台风中心的地理坐标，Δ t 是这两个时间点之间的时间差。 12.根据权利要求1所述的基于人工智能的台风涡旋初始化方法，其特征在于，上述步骤SS3中，所述深度学习模型为基于卷积神经网络CNN的Unet深度学习模型，所述Unet深度学习模型具有用于提取和融合气象数据中关键特征和模式的U形结构并包含一收缩路径和一对称的扩展路径，其中，所述收缩路径由多个卷积层和池化层组成，用于捕获上下文信息和进行下采样；所述扩展路径由多个卷积层和上采样层组成，用于恢复细节信息和进行上采样；所述收缩路径和扩展路径之间还设有跳跃连接，用于将低级特征和高级特征进行拼接以增强特征的表达能力。 13.根据权利要求12所述的基于人工智能的台风涡旋初始化方法，其特征在于，所述Unet深度学习模型基于所输入的气象数据并通过其多层结构学习和提取台风的关键特征和模式，所述台风的关键特征和模式包括台风的形状、大小、强度和移动模式，其中，对于台风的形状，所述Unet深度学习模型通过收缩路径和扩展路径的卷积操作以及与跳跃连接和上采样层的组合捕捉和重构台风的空间结构，包括识别和提取台风的眼壁、螺旋雨带特征及其在不同时间点的变化，从而识别出台风的轮廓和边界并得到台风的形状信息；对于台风的大小，所述Unet深度学习模型通过收缩路径和扩展路径的卷积层的特征提取操作以及池化层和上采样层的下采样和上采样操作调整台风的分辨率，包括在多个尺度上对台风图像进行分析以测量其空间覆盖范围和边界、计算台风的几何属性及其在不同时间点的变化，从而得到台风的大小和面积信息；对于台风的强度，所述Unet深度学习模型通过收缩路径和扩展路径的跳跃连接操作融合不同层次的特征，通过综合分析包括风速、气压、温度的多种气象参数以及包括海洋热含量和垂直风切变的动力学因素，得到台风中心及其周围区域的包括中心气压、最大风速、最大风半径的强度信息；对于台风的移动模式，所述Unet深度学习模型通过收缩路径和扩展路径的卷积层的特征提取操作分析台风的移动趋势和方向，包括通过分析气象数据的时空特征和大气环流模式并结合压力场数据预测台风的潜在移动方向和速度，从而得到台风的移动模式信息。 14.根据权利要求12所述的基于人工智能的台风涡旋初始化方法，其特征在于，所述Unet深度学习模型训练的过程涉及调整网络的权重以最小化预测输出和实际结果之间的差异，模型训练过程包括如下子步骤：SS31. 初始化权重：在训练开始时，对Unet深度学习模型网络中的权重进行随机初始化以打破网络的对称性，所述权重表示网络各层之间的连接强度并决定了网络的初始状态和收敛速度；SS32. 前向传播：给定一组输入的气象数据和对应的台风分割标签，网络通过其包括收缩路径和扩展路径在内的多层结构对输入数据进行特征提取和分割以得到网络的预测输出，在训练的每个步骤中，输入的气象数据通过网络进行前向传播，每一层中的数据与权重相乘并加上偏置后通过激活函数进行非线性转换，包括通过卷积层、池化层以及上采样层的传递，以生成对台风特征的预测输出；SS33. 计算损失：根据网络的预测输出和实际结果并基于损失函数计算网络的损失函数值以反映网络的分割误差，所述损失函数使用均方误差、交叉熵损失或Dice系数进行定义；SS34. 反向传播：根据损失函数值计算网络中每一层的梯度，即损失函数对每一层权重的偏导数以反映权重变化对损失函数的影响，并基于损失函数的梯度及反向传播算法计算每个权重对最终损失的贡献度，这个过程从输出层开始，逐层向后传播到输入层；SS35. 权重更新：根据反向传播计算出的梯度并结合学习率，使用随机梯度下降或Adam优化算法更新调整网络中每一层的权重，使得权重沿着梯度的反方向变化，从而使得损失函数值减小，继而减小预测输出和实际结果之间的差异；SS36. 迭代过程：重复前向传播、损失计算、反向传播和权重更新的过程，直至损失函数值收敛使得模型在训练数据上的性能达到可接受的水平或达到预设的迭代次数。