蘭 斌

（中海油信息科技有限公司深圳分公司，廣東 深圳 518000）

臺(tái)風(fēng)是自然界最強(qiáng)烈的氣象災(zāi)害之一，其強(qiáng)烈的風(fēng)力和巨大的降雨量可能導(dǎo)致嚴(yán)重的人員傷亡和財(cái)產(chǎn)損失。準(zhǔn)確預(yù)測臺(tái)風(fēng)風(fēng)速可以幫助人們及時(shí)采取適當(dāng)?shù)姆雷o(hù)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(cái)產(chǎn)損失。預(yù)測臺(tái)風(fēng)風(fēng)速還有助于提前做好災(zāi)害管理和救援準(zhǔn)備工作。通過對臺(tái)風(fēng)風(fēng)速進(jìn)行預(yù)測，相關(guān)部門可以及時(shí)調(diào)動(dòng)救援力量、準(zhǔn)備救援物資、組織疏散人員、安排緊急避難所等，以應(yīng)對臺(tái)風(fēng)帶來的災(zāi)害。通過預(yù)測臺(tái)風(fēng)風(fēng)速，農(nóng)業(yè)和漁業(yè)生產(chǎn)者可以合理安排種植和捕撈計(jì)劃，采取相應(yīng)的防護(hù)措施來保護(hù)作物和養(yǎng)殖場，從而減少損失。同時(shí)，預(yù)測臺(tái)風(fēng)風(fēng)速還可以幫助農(nóng)業(yè)漁業(yè)者及時(shí)采取適當(dāng)?shù)膽?yīng)對措施，避免浪費(fèi)資源和時(shí)間。近年來，隨著遙感技術(shù)的快速發(fā)展，應(yīng)用衛(wèi)星微波數(shù)據(jù)成為一種廣泛應(yīng)用的臺(tái)風(fēng)監(jiān)測手段。衛(wèi)星微波輻射數(shù)據(jù)可以提供海洋表面溫度、風(fēng)速等重要參數(shù)信息，而這些信息可以為臺(tái)風(fēng)風(fēng)速的估計(jì)提供參考。同時(shí)，深度學(xué)習(xí)技術(shù)在圖像處理領(lǐng)域已得到廣泛應(yīng)用。在風(fēng)速估計(jì)方面，深度學(xué)習(xí)模型具有一定的優(yōu)勢。

因此，本文基于衛(wèi)星微波數(shù)據(jù)與深度學(xué)習(xí)技術(shù)，提出了一種臺(tái)風(fēng)風(fēng)速估計(jì)的方法，通過對衛(wèi)星微波數(shù)據(jù)進(jìn)行預(yù)處理和特征提取，建立基于深度學(xué)習(xí)的模型。實(shí)驗(yàn)結(jié)果表明，該方法能夠?qū)崿F(xiàn)對臺(tái)風(fēng)風(fēng)速的精確估計(jì)，具有較高的準(zhǔn)確性和穩(wěn)定性[1]。

1 衛(wèi)星微波數(shù)據(jù)基礎(chǔ)

為了測量臺(tái)風(fēng)的風(fēng)速，過去采用了各種傳統(tǒng)的方法，如投放浮標(biāo)，從陸基和?；鶜庀笳具M(jìn)行觀測，以及派遣配備溫度探測器的飛機(jī)等。然而，長期以來，由于臺(tái)風(fēng)災(zāi)害統(tǒng)計(jì)數(shù)據(jù)和標(biāo)準(zhǔn)的差異，以及臺(tái)風(fēng)災(zāi)害本身的復(fù)雜性和不確定性，使得對臺(tái)風(fēng)進(jìn)行分析的研究工作面臨著諸多困難。在2011年10月28日，SNPP衛(wèi)星成功發(fā)射進(jìn)入軌道，搭載的ATMS微波探測儀開始應(yīng)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(shù)據(jù)，從而解決了傳統(tǒng)測量方法成本高、數(shù)據(jù)統(tǒng)一性差以及無法對特定區(qū)域進(jìn)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(wèi)星SNPP上搭載的采用先進(jìn)技術(shù)的微波探測儀ATMS作為主要數(shù)據(jù)來源。該方法的引入為臺(tái)風(fēng)風(fēng)速的估計(jì)提供了新的機(jī)會(huì)和優(yōu)勢。通過ATMS微波探測儀，人們能夠獲取更準(zhǔn)確和詳細(xì)的大氣溫度和濕度數(shù)據(jù)，這對于臺(tái)風(fēng)風(fēng)速的推測具有重要意義。相比傳統(tǒng)方法，ATMS提供的微波遙感數(shù)據(jù)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(shù)據(jù)，研究人員能夠開發(fā)出更精確和可靠的風(fēng)速估計(jì)模型。這些模型結(jié)合了衛(wèi)星觀測數(shù)據(jù)和深度學(xué)習(xí)算法，能夠從微波輻射中提取出與臺(tái)風(fēng)風(fēng)速相關(guān)的特征，并進(jìn)行風(fēng)速估計(jì)。與傳統(tǒng)方法相比，這種基于衛(wèi)星微波數(shù)據(jù)和深度學(xué)習(xí)的臺(tái)風(fēng)風(fēng)速估計(jì)方法具有更高的精度和時(shí)效性。

2 衛(wèi)星微波數(shù)據(jù)處理

ATMS亮溫?cái)?shù)據(jù)的存儲(chǔ)量相當(dāng)巨大，每天的數(shù)據(jù)量約為300 MB，由約190個(gè)以.h5后綴的數(shù)據(jù)包文件組成。每個(gè)數(shù)據(jù)包的大小大約為1.6 MB。完整的一天ATMS數(shù)據(jù)覆蓋了全球區(qū)域兩次（升軌和降軌），但本研究只關(guān)注北太平洋和北大西洋地區(qū)的臺(tái)風(fēng)中心數(shù)據(jù)，因此需要對數(shù)據(jù)進(jìn)行篩選[2]。

本文首先根據(jù)臺(tái)風(fēng)日期作為索引，訪問按日期分類后的ATMS亮溫?cái)?shù)據(jù)。然后根據(jù)臺(tái)風(fēng)中心的經(jīng)緯度位置，對ATMS亮溫?cái)?shù)據(jù)進(jìn)行經(jīng)緯度范圍篩選，僅保留與臺(tái)風(fēng)中心經(jīng)緯度相距不超過±10°的數(shù)據(jù)。通過這一篩選步驟，無效數(shù)據(jù)被大幅減少，篩選后的樣本數(shù)據(jù)占全球數(shù)據(jù)集的比例約為1∶162。在篩選和處理后，得到了臺(tái)風(fēng)熱核數(shù)據(jù)集。該數(shù)據(jù)集是經(jīng)過采樣和計(jì)算處理后的結(jié)果，包含了與臺(tái)風(fēng)相關(guān)的亮溫?cái)?shù)據(jù)。這些數(shù)據(jù)集成了研究臺(tái)風(fēng)風(fēng)速估計(jì)所需的關(guān)鍵信息，為后續(xù)的深度學(xué)習(xí)模型訓(xùn)練和預(yù)測提供了基礎(chǔ)。通過對ATMS亮溫?cái)?shù)據(jù)進(jìn)行篩選和整理，能夠聚焦在與臺(tái)風(fēng)中心相關(guān)的數(shù)據(jù)上，減少了冗余和無用數(shù)據(jù)的存在。這種數(shù)據(jù)篩選和處理的方法有助于提高數(shù)據(jù)集的效率和可用性，使得臺(tái)風(fēng)熱核數(shù)據(jù)集成為進(jìn)行臺(tái)風(fēng)風(fēng)速估計(jì)研究的理想選擇。通過式（1）處理數(shù)據(jù)集合中的亮溫?cái)?shù)據(jù)。

為了進(jìn)一步區(qū)分有云和無云的背景場數(shù)據(jù)，采用式（2）進(jìn)行處理。

在模型測試階段，本文對ATMS亮溫?cái)?shù)據(jù)進(jìn)行處理，該數(shù)據(jù)集來源于臺(tái)風(fēng)中心，經(jīng)過采樣機(jī)篩選以后，形成測試樣本集。該數(shù)據(jù)集包含了與臺(tái)風(fēng)相關(guān)的有價(jià)值的信息，為臺(tái)風(fēng)風(fēng)速估計(jì)的研究提供了重要的數(shù)據(jù)基礎(chǔ)，為測試基于衛(wèi)星微波數(shù)據(jù)和深度學(xué)習(xí)的臺(tái)風(fēng)風(fēng)速估計(jì)方法奠定了堅(jiān)實(shí)的數(shù)據(jù)基礎(chǔ)[3]。

3 基于深度學(xué)習(xí)的臺(tái)風(fēng)風(fēng)速估計(jì)模型

CNN是一種特別適合于圖像處理的神經(jīng)網(wǎng)絡(luò)。其主要特點(diǎn)是局部連接、共享權(quán)值和卷積等操作，使得模型具有較強(qiáng)的特征提取能力。本文采用CNN作為估計(jì)模型，構(gòu)建的風(fēng)速估計(jì)模型如圖1所示。

圖1 CNN風(fēng)速估計(jì)模型

網(wǎng)絡(luò)結(jié)構(gòu)主要包括三個(gè)部分：多尺度特征提取、分布學(xué)習(xí)和損失函數(shù)的融合。該網(wǎng)絡(luò)結(jié)構(gòu)的基礎(chǔ)是VGG多尺度目標(biāo)檢測網(wǎng)絡(luò)。本文基于該網(wǎng)絡(luò)，去除了主干網(wǎng)絡(luò)中候選框的生成和預(yù)測的分支，加入了回歸的任務(wù)，替換不同目標(biāo)分類的任務(wù)為風(fēng)速值分布學(xué)習(xí)的任務(wù)。去除主干網(wǎng)絡(luò)原結(jié)構(gòu)中在第4組的第3個(gè)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(wǎng)絡(luò)輸出85個(gè)風(fēng)速值分類概率和1個(gè)回歸風(fēng)速值，分類概率的期望和回歸風(fēng)速值的均值作為最終估計(jì)風(fēng)速。本文將網(wǎng)絡(luò)輸出分為從5到90的有序整數(shù)，使用Softmax獲得每一個(gè)數(shù)值的估計(jì)概率，通過交叉熵?fù)p失函數(shù)式（3）進(jìn)行訓(xùn)練。

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

4 實(shí)驗(yàn)結(jié)果分析

分析了本文提出的深度學(xué)習(xí)網(wǎng)絡(luò)風(fēng)速估計(jì)結(jié)果和線性回歸方法的結(jié)果，并與最新的深度學(xué)習(xí)模型Deepti在相同測試數(shù)據(jù)中做比較，結(jié)果如表1所示。

表1 預(yù)測結(jié)果對比

如表1所示，實(shí)驗(yàn)結(jié)果表明，本文構(gòu)建的模型在MSE以及RMSE等性能測試數(shù)據(jù)上，對比回歸模型、Deepti以及SVR模型具有更佳的預(yù)測效果。因此，本文提出的基于衛(wèi)星微波數(shù)據(jù)與深度學(xué)習(xí)技術(shù)的臺(tái)風(fēng)風(fēng)速估計(jì)方法，能夠?qū)崿F(xiàn)對臺(tái)風(fēng)風(fēng)速的精確估計(jì)[4]。