基于深度学习与时空编码的热带气旋尺度监测方法和装置

1.一种基于深度学习与时空编码的热带气旋尺度监测方法，其特征在于，所述方法包括：获取热带气旋的多源卫星图像数据与国际最佳路径数据集，并对所述多源卫星图像数据进行预处理；基于所述国际最佳路径数据集进行时空独立场编码，在时间维度上，生成三通道时间尺度场数据，包括反映热带气旋年际变化特征的长期时间尺度场、反映热带气旋季节变化规律的中期时间尺度场、以及捕捉热带气旋天气尺度的演变时间记录特征的短期时间尺度场；在空间维度上，生成两通道空间尺度场数据，包括表征热带气旋空间位置信息的纬度场与经度场；其中，时空独立场编码得到的所有数据均与预处理后的卫星图像数据保持一致的空间分辨率，且编码得到的每个格点的数值表示格点位置对应的时空信息；将所述三通道时间尺度场数据、两通道空间尺度场数据以及预处理得到的最终的卫星图像数据集中的红外通道图像数据、水汽通道图像数据和CMORPH卫星反演降水图像数据进行拼接，得到包含8个通道的热带气旋多尺度综合特征数据集；按照预设比例将所述热带气旋多尺度综合特征数据集划分为训练集、验证集和测试集，将所述训练集与验证集输入预先构建的TC-Resnet模型进行优化训练，得到训练好的TC-Resnet模型；其中，该模型由特征提取层与全连接层组成；所述特征提取层通过依次连接的卷积模块、最大池化模块以及四组金字塔卷积残差模块提取输入图像的热带气旋尺度特征；所述全连接层获取特征提取层输出的特征图，依次进行平均池化、展平以及线性层分类处理，输出热带气旋的多类型尺度参数估计；其中，每组金字塔卷积残差模块包含的每个金字塔卷积残差块的最后一层均为SE注意力机制模块；将所述测试集输入训练好的TC-Resnet模型进行热带气旋尺度监测，预测得到目标时刻的热带气旋多尺度监测结果。 2.根据权利要求1所述的方法，其特征在于，获取热带气旋的多源卫星图像数据与国际最佳路径数据集，并对所述多源卫星图像数据进行预处理，包括：获取热带气旋的多源卫星图像数据和国际最佳路径数据集；其中，所述多源卫星图像数据包括相互补充的GridSat-B1卫星图像数据、CMORPH卫星反演降水图像数据和风云系列气象卫星图像数据，所述GridSat-B1卫星图像数据包括红外通道图像数据与水汽通道图像数据；在时间维度上，将所有卫星图像数据均对齐至与所述国际最佳路径数据集一致，在空间维度上，将所有卫星图像数据均插值为与所述CMORPH卫星反演降水图像数据一致的空间分辨率；在进行时间对齐及空间插值后，对多源卫星图像数据进行补全，并对补全后的多源卫星图像数据进行维度拼接，构建为一个卫星图像数据集；进一步对所述卫星图像数据集进行数据清洗与空间位置筛选，得到最终的卫星图像数据集。 3.根据权利要求2所述的方法，其特征在于，对所述卫星图像数据集进行数据清洗与空间位置筛选，得到最终的卫星图像数据集，包括：根据热带气旋尺度参数的物理特性，筛选剔除所述卫星图像数据集中不满足预设的尺度参数约束条件的卫星图像数据；所述尺度参数约束条件包括R34>R50>R64、R34≥RMW、R50≥RMW以及R64≥RMW，其中，RMW 、R34、R50和R64分别为热带气旋的最大风速半径、34节风速半径、50节风速半径以及64节风速半径；依据所述国际最佳路径数据集记录的热带气旋路径中心经纬度位置，提取数据清洗后的卫星图像数据集中位于热带气旋路径中心经纬度位置周围设定区域的卫星图像数据，得到最终的卫星图像数据集。 4.根据权利要求1所述的方法，其特征在于，所述TC-Resnet模型中的四组金字塔卷积残差模块分别包含3层、8层、36层以及3层金字塔卷积残差块；其中，每个金字塔卷积残差块均由第一层卷积层、第二层金字塔卷积层、第三层卷积层以及第四层SE注意力机制模块组成，输入金字塔卷积残差块的数据分为主路径与捷径路径，所述主路径的数据在经过三层卷积处理并输入SE注意力机制模块进行注意力加权后，与所述捷径路径的数据进行拼接并输入下一层进行处理。 5.根据权利要求4所述的方法，其特征在于，所述金字塔卷积层在获取输入特征图后，首先将输入特征图划分为不同分支，对于每个分支的数据，并行应用不同卷积核大小的特征提取能力分支进行卷积，并将每个特征提取能力分支卷积得到的特征图在数据维度上进行拼接，得到最终的输出特征图；其中，每个特征提取能力分支分配有不同的通道数量，且对于卷积核更大的特征提取能力分支，其分配的通道数量更少，相应的分组数量更多；所述SE注意力机制模块在获取输入特征图后，先进行特征压缩转换，然后对压缩转换后的特征图中的每个通道进行特征重标定，得到通道注意力信息，最后将所述通道注意力信息与原始输入特征图进行逐通道乘以权重系数，最终输出具有通道注意力的特征图。 6.根据权利要求1或4所述的方法，其特征在于，所述TC-Resnet模型中的数据在每次卷积之后都经过批归一化层和Mish激活函数的处理。 7.根据权利要求6所述的方法，其特征在于，所述TC-Resnet模型的第一层还添加有一个额外的SE注意力机制模块或注意力模块；其中，所述额外的SE注意力机制模块用于对输入模型的每类数据分配权重并进行数据权重可视化分析，分析获取每类数据对模型监测热带气旋多尺度结果的重要性；所述额外的注意力模块用于在将输入模型的各类卫星图像数据进行归一化处理后，进行模型权重可视化分析，分析获取模型对于各类卫星图像数据的重点关注区域。 8.根据权利要求1所述的方法，其特征在于，对TC-Resnet模型进行优化训练，包括：根据TC-Resnet模型预测输出的热带气旋的多类型尺度参数估计与对应类型的尺度参数真值计算损失函数，并根据所述损失函数与Adam优化器对TC-Resnet模型进行优化训练；其中，所述损失函数表示为： ；其中， 为输入的特征图数量， 为特征图序号且 ； 为模型预测输出的热带气旋的尺度参数估计； 为尺度参数真值。 9.一种基于深度学习与时空编码的热带气旋尺度监测装置，其特征在于，所述装置包括：预处理模块，用于获取热带气旋的多源卫星图像数据与国际最佳路径数据集，并对所述多源卫星图像数据进行预处理；时空编码模块，用于基于所述国际最佳路径数据集进行时空独立场编码，在时间维度上，生成三通道时间尺度场数据，包括反映热带气旋年际变化特征的长期时间尺度场、反映热带气旋季节变化规律的中期时间尺度场、以及捕捉热带气旋天气尺度的演变时间记录特征的短期时间尺度场；在空间维度上，生成两通道空间尺度场数据，包括表征热带气旋空间位置信息的纬度场与经度场；其中，时空独立场编码得到的所有数据均与预处理后的卫星图像数据保持一致的空间分辨率，且编码得到的每个格点的数值表示格点位置对应的时空信息；将所述三通道时间尺度场数据、两通道空间尺度场数据以及预处理得到的最终的卫星图像数据集中的红外通道图像数据、水汽通道图像数据和CMORPH卫星反演降水图像数据进行拼接，得到包含8个通道的热带气旋多尺度综合特征数据集；模型训练模块，用于按照预设比例将所述热带气旋多尺度综合特征数据集划分为训练集、验证集和测试集，将所述训练集与验证集输入预先构建的TC-Resnet模型进行优化训练，得到训练好的TC-Resnet模型；其中，该模型由特征提取层与全连接层组成；所述特征提取层通过依次连接的卷积模块、最大池化模块以及四组金字塔卷积残差模块提取输入图像的热带气旋尺度特征；所述全连接层获取特征提取层输出的特征图，依次进行平均池化、展平以及线性层分类处理，输出热带气旋的多类型尺度参数估计；其中，每组金字塔卷积残差模块包含的每个金字塔卷积残差块的最后一层均为SE注意力机制模块；尺度监测模块，用于将所述测试集输入训练好的TC-Resnet模型进行热带气旋尺度监测，预测得到目标时刻的热带气旋多尺度监测结果。