基于卫星微波数据与深度学习的台风风速预测模型研究

兰 斌

（中海油信息科技有限公司深圳分公司，广东 深圳 518000）

台风是自然界最强烈的气象灾害之一，其强烈的风力和巨大的降雨量可能导致严重的人员伤亡和财产损失。准确预测台风风速可以帮助人们及时采取适当的防护措施，包括疏散人员、加固建筑物、停止海上和空中交通等，从而最大程度地减少人员伤亡和财产损失。预测台风风速还有助于提前做好灾害管理和救援准备工作。通过对台风风速进行预测，相关部门可以及时调动救援力量、准备救援物资、组织疏散人员、安排紧急避难所等，以应对台风带来的灾害。通过预测台风风速，农业和渔业生产者可以合理安排种植和捕捞计划，采取相应的防护措施来保护作物和养殖场，从而减少损失。同时，预测台风风速还可以帮助农业渔业者及时采取适当的应对措施，避免浪费资源和时间。近年来，随着遥感技术的快速发展，应用卫星微波数据成为一种广泛应用的台风监测手段。卫星微波辐射数据可以提供海洋表面温度、风速等重要参数信息，而这些信息可以为台风风速的估计提供参考。同时，深度学习技术在图像处理领域已得到广泛应用。在风速估计方面，深度学习模型具有一定的优势。

因此，本文基于卫星微波数据与深度学习技术，提出了一种台风风速估计的方法，通过对卫星微波数据进行预处理和特征提取，建立基于深度学习的模型。实验结果表明，该方法能够实现对台风风速的精确估计，具有较高的准确性和稳定性[1]。

1 卫星微波数据基础

为了测量台风的风速，过去采用了各种传统的方法，如投放浮标，从陆基和海基气象站进行观测，以及派遣配备温度探测器的飞机等。然而，长期以来，由于台风灾害统计数据和标准的差异，以及台风灾害本身的复杂性和不确定性，使得对台风进行分析的研究工作面临着诸多困难。在2011年10月28日，SNPP卫星成功发射进入轨道，搭载的ATMS微波探测仪开始应用于各种气象研究。该微波探测仪能够在几乎所有天气条件下测量大气温度和湿度数据，从而解决了传统测量方法成本高、数据统一性差以及无法对特定区域进行长期观察和记录的问题。因此，本研究主要利用美国极轨卫星SNPP上搭载的采用先进技术的微波探测仪ATMS作为主要数据来源。该方法的引入为台风风速的估计提供了新的机会和优势。通过ATMS微波探测仪，人们能够获取更准确和详细的大气温度和湿度数据，这对于台风风速的推测具有重要意义。相比传统方法，ATMS提供的微波遥感数据具有更高的空间分辨率和全球覆盖性，能够提供更全面的观测信息。利用ATMS微波探测仪的数据，研究人员能够开发出更精确和可靠的风速估计模型。这些模型结合了卫星观测数据和深度学习算法，能够从微波辐射中提取出与台风风速相关的特征，并进行风速估计。与传统方法相比，这种基于卫星微波数据和深度学习的台风风速估计方法具有更高的精度和时效性。

2 卫星微波数据处理

ATMS亮温数据的存储量相当巨大，每天的数据量约为300 MB，由约190个以.h5后缀的数据包文件组成。每个数据包的大小大约为1.6 MB。完整的一天ATMS数据覆盖了全球区域两次（升轨和降轨），但本研究只关注北太平洋和北大西洋地区的台风中心数据，因此需要对数据进行筛选[2]。

本文首先根据台风日期作为索引，访问按日期分类后的ATMS亮温数据。然后根据台风中心的经纬度位置，对ATMS亮温数据进行经纬度范围筛选，仅保留与台风中心经纬度相距不超过±10°的数据。通过这一筛选步骤，无效数据被大幅减少，筛选后的样本数据占全球数据集的比例约为1∶162。在筛选和处理后，得到了台风热核数据集。该数据集是经过采样和计算处理后的结果，包含了与台风相关的亮温数据。这些数据集成了研究台风风速估计所需的关键信息，为后续的深度学习模型训练和预测提供了基础。通过对ATMS亮温数据进行筛选和整理，能够聚焦在与台风中心相关的数据上，减少了冗余和无用数据的存在。这种数据筛选和处理的方法有助于提高数据集的效率和可用性，使得台风热核数据集成为进行台风风速估计研究的理想选择。通过式（1）处理数据集合中的亮温数据。

为了进一步区分有云和无云的背景场数据，采用式（2）进行处理。

在模型测试阶段，本文对ATMS亮温数据进行处理，该数据集来源于台风中心，经过采样机筛选以后，形成测试样本集。该数据集包含了与台风相关的有价值的信息，为台风风速估计的研究提供了重要的数据基础，为测试基于卫星微波数据和深度学习的台风风速估计方法奠定了坚实的数据基础[3]。

3 基于深度学习的台风风速估计模型

CNN是一种特别适合于图像处理的神经网络。其主要特点是局部连接、共享权值和卷积等操作，使得模型具有较强的特征提取能力。本文采用CNN作为估计模型，构建的风速估计模型如图1所示。

图1 CNN风速估计模型

网络结构主要包括三个部分：多尺度特征提取、分布学习和损失函数的融合。该网络结构的基础是VGG多尺度目标检测网络。本文基于该网络，去除了主干网络中候选框的生成和预测的分支，加入了回归的任务，替换不同目标分类的任务为风速值分布学习的任务。去除主干网络原结构中在第4组的第3个卷积层后的L2正则化，取而代之的是在每一次卷积后，Relu之前的批正则化。网络输出85个风速值分类概率和1个回归风速值，分类概率的期望和回归风速值的均值作为最终估计风速。本文将网络输出分为从5到90的有序整数，使用Softmax获得每一个数值的估计概率，通过交叉熵损失函数式（3）进行训练。

风速估计的一个重要问题是：热核温度异常的范围仅限于几十开尔文，而风速的范围一般在5～90 m/s。因此，一个温度异常可能与多个风速有关。为了处理这种混淆性问题，考虑了可能的风速值分布属性。每个风速值的分布概率由最后一个FC层通过Softmax函数计算得出，如式（4）所示。

4 实验结果分析

分析了本文提出的深度学习网络风速估计结果和线性回归方法的结果，并与最新的深度学习模型Deepti在相同测试数据中做比较，结果如表1所示。

表1 预测结果对比

如表1所示，实验结果表明，本文构建的模型在MSE以及RMSE等性能测试数据上，对比回归模型、Deepti以及SVR模型具有更佳的预测效果。因此，本文提出的基于卫星微波数据与深度学习技术的台风风速估计方法，能够实现对台风风速的精确估计[4]。