一種基于深度學(xué)習(xí)的熱帶氣旋路徑集成預(yù)報方法

耿逍懿, 郝 坤, 史振威

一種基于深度學(xué)習(xí)的熱帶氣旋路徑集成預(yù)報方法

耿逍懿, 郝 坤, 史振威

(北京航空航天大學(xué) 宇航學(xué)院圖像處理中心, 北京 100083)

本文提出了一種基于深度學(xué)習(xí)的熱帶氣旋(tropical cyclone, TC)路徑集成預(yù)報方法。該方法以長短期記憶深度網(wǎng)絡(luò)為模型構(gòu)架, 利用前4個時刻(24 h, 間隔6 h)及當(dāng)前時刻的TC路徑記錄, 以及由不同環(huán)境因素所計算的方向預(yù)報因子作為輸入, 分別直接預(yù)報和間接(通過預(yù)報移動速度)預(yù)報路徑, 集成兩者預(yù)報結(jié)果實(shí)現(xiàn)時效為24 h的TC路徑預(yù)報。試驗(yàn)部分使用不同環(huán)境因素所對應(yīng)方向預(yù)報因子進(jìn)行預(yù)報, 進(jìn)而探究在該模型中影響TC路徑預(yù)報的環(huán)境因素。結(jié)果表明, 經(jīng)緯向風(fēng)場所計算的方向預(yù)報因子對模型預(yù)報性能提升較為明顯, 而海表溫度、高度的方向預(yù)報因子對性能提升相對較小。此外, 將不同方向預(yù)報因子的預(yù)報模型進(jìn)一步集成, 可以提升預(yù)報精度。上述結(jié)果驗(yàn)證了本文所提出的方向預(yù)報因子、集成方法在TC路徑預(yù)報問題中的有效性。

熱帶氣旋路徑; 集成預(yù)報; 深度學(xué)習(xí); 長短期記憶網(wǎng)絡(luò); 方向預(yù)報因子

熱帶氣旋(tropic cyclone, TC)是一種發(fā)生于熱帶和副熱帶洋面上的中尺度天氣系統(tǒng), 常伴隨著巨浪、風(fēng)暴潮、強(qiáng)風(fēng)及暴雨等災(zāi)害現(xiàn)象, 具有強(qiáng)破壞性, 且影響范圍廣泛, 是地球上最嚴(yán)重的氣象災(zāi)害之一[1]。北印度洋泛指印度洋的北半球部分, 平均每年約有9個TC在其洋面上生成[2]。北印度洋連接太平洋和大西洋, 是“海上絲綢之路”的關(guān)鍵通道, 具有重要的地理位置和政治地位。此外, 北印度洋TC也常對我國造成影響[3]。因此, 研究北印度洋TC, 減輕其災(zāi)害影響, 重點(diǎn)關(guān)注“海上絲綢之路”戰(zhàn)略通道的海洋環(huán)境安全, 具有重要的實(shí)際意義。

減輕TC影響及危害的關(guān)鍵問題在于預(yù)報能力的提升[4]。TC預(yù)報主要包括三個方面: 路徑預(yù)報、強(qiáng)度預(yù)報以及風(fēng)雨預(yù)報。TC路徑預(yù)報是強(qiáng)度、風(fēng)雨等預(yù)報的基礎(chǔ)[5], 準(zhǔn)確的路徑預(yù)報可以有效提升預(yù)報服務(wù)水平, 協(xié)助受影響地區(qū)政府及民眾做好防范措施, 有效減少經(jīng)濟(jì)損失和人員傷亡。近年來, TC數(shù)值模式不斷完善, 集合預(yù)報和多模式集成預(yù)報技術(shù)逐步發(fā)展, TC路徑預(yù)報精度得到了大幅提升[6-7]。其中, 集成預(yù)報技術(shù)綜合集成多種預(yù)報模式, 可以有效提高預(yù)報準(zhǔn)確率[8-9], 是未來預(yù)報技術(shù)的主要發(fā)展方向之一。

隨著氣象觀測技術(shù)的發(fā)展, TC記錄及各類氣象資料構(gòu)成了龐大的數(shù)據(jù)源, 為了從海量數(shù)據(jù)中挖掘TC發(fā)展機(jī)制、探索新的預(yù)報方法, 將深度學(xué)習(xí)方法應(yīng)用于TC預(yù)報逐漸成為專家學(xué)者們關(guān)注的熱點(diǎn)[10-11]。1991年, Pickle[12]首次使用神經(jīng)網(wǎng)絡(luò)解決TC路徑預(yù)報問題。隨后, 混合徑向基網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)等結(jié)構(gòu)也被應(yīng)用于TC預(yù)報問題[13-18]?？紤]到預(yù)報因子對TC發(fā)展演變的重要作用, 如動力學(xué)因子等, Giffard- Roisin等[19]、郝坤等[20]等使用卷積神經(jīng)網(wǎng)絡(luò)對臺風(fēng)周圍風(fēng)場等環(huán)境場提取特征, 結(jié)合TC歷史記錄, 實(shí)現(xiàn)TC路徑、強(qiáng)度的預(yù)報。此外, 由于集成預(yù)報在數(shù)值預(yù)報中逐步推廣應(yīng)用, 基于深度學(xué)習(xí)的TC集成預(yù)報也逐漸受到關(guān)注[21]。黃小燕等[22]基于主成分分析和進(jìn)化遺傳神經(jīng)網(wǎng)絡(luò), 建立了TC路徑集成預(yù)報模型; 朱雷[23]提出了基于貝葉斯神經(jīng)網(wǎng)絡(luò)結(jié)合Bagging委員會的TC路徑集成預(yù)報模型。研究表明, 基于深度學(xué)習(xí)的集成預(yù)報方法相較于單個神經(jīng)網(wǎng)絡(luò)預(yù)報個體可以取得更好更穩(wěn)定的預(yù)報效果。

前人的研究開拓了基于深度學(xué)習(xí)的集成預(yù)報方法在TC預(yù)報問題中的應(yīng)用。本文在前述研究基礎(chǔ)上, 聚焦于北印度洋TC的路徑預(yù)報, 提出了一種深度學(xué)習(xí)TC路徑集成預(yù)報方法。鑒于長短期記憶神經(jīng)網(wǎng)絡(luò)(Long Short-Term Memory, LSTM)在時序數(shù)據(jù)預(yù)測問題中的優(yōu)異表現(xiàn), 本文以LSTM為基礎(chǔ)網(wǎng)絡(luò)結(jié)構(gòu)。整體方法以前4個時刻(24 h, 間隔6 h)及當(dāng)前時刻(共計5個時刻)的TC路徑記錄為數(shù)據(jù)驅(qū)動, 結(jié)合方向預(yù)報因子作為模型輸入。方向預(yù)報因子的計算過程是首先將TC附近一定范圍內(nèi)各類環(huán)境場劃分不同的方向區(qū)域, 再分別求取其各區(qū)域的對應(yīng)環(huán)境影響因子。因此, 在預(yù)報模型中輸入上述方向預(yù)報因子相當(dāng)于在預(yù)報過程中結(jié)合環(huán)境影響因子, 從而可以利用環(huán)境因素輔助預(yù)報。考慮到在本方法中對環(huán)境因子的使用是按照不同方向劃分區(qū)域后分別計算, 再輸入預(yù)報模型, 故稱之為方向預(yù)報因子。最后, 本文借鑒集成預(yù)報的思路, 分別對TC路徑直接預(yù)報, 以及通過預(yù)報TC移動速度間接預(yù)報路徑, 將二者集成得到最終預(yù)報結(jié)果, 實(shí)現(xiàn)預(yù)報時效為24小時的路徑預(yù)報，并通過試驗(yàn)驗(yàn)證了上述方向預(yù)報因子、集成方法在TC路徑預(yù)報問題中的有效性。

1 數(shù)據(jù)與處理

1.1 數(shù)據(jù)來源

本文所研究范圍為北印度洋TC, 使用了以下兩個數(shù)據(jù)集:

a) 聯(lián)合臺風(fēng)警報中心(Joint Typhoon Warning Center, JTWC)所記錄整理的北印度洋臺風(fēng)最佳路徑(North Indian Ocean - Best Track, NIO-BST)數(shù)據(jù)集[24];

b) 美國國家環(huán)境預(yù)報中心(National Centers for Environmental Prediction, NCEP)所提供的氣象預(yù)報再分析(Climate Forecast System Reanalysis, CFSR)數(shù)據(jù)集[25-26]的客觀分析場資料。

NIO-BST數(shù)據(jù)集記錄了從1971年至今, 北印度洋TC的最佳路徑數(shù)據(jù)。數(shù)據(jù)內(nèi)容包括記錄的時間點(diǎn)、TC中心經(jīng)緯度、TC強(qiáng)度等。該數(shù)據(jù)集時間分辨率為6 h, 即每天的0時、6時、12時和18時; 其空間分辨率為0.1°×0.1°, 即經(jīng)緯度坐標(biāo)值精度為0.1。

CFSR數(shù)據(jù)集記錄了1979年至今, 全球范圍內(nèi)與氣象相關(guān)的物理量, 如經(jīng)緯度方向風(fēng)速、溫度等。CFSR數(shù)據(jù)是GRIB2格點(diǎn)數(shù)據(jù), 其空間分辨率為0.05°× 0.05°。該數(shù)據(jù)集時間分辨率和記錄時刻與NIO-BST數(shù)據(jù)集相同, 這方便了后續(xù)處理中的時序配準(zhǔn)。

對于熱帶氣旋, CFSR數(shù)據(jù)集可以提供TC附近一定空間范圍內(nèi)的物理量場, 即環(huán)境因素, 如不同等壓面的風(fēng)場、位勢高度場等。如圖1所示, 是北印度洋區(qū)域中關(guān)鍵通道——馬六甲海峽于1979年1月1日0時850 hPa等壓面下的風(fēng)矢量圖。

圖1 1979年1月1日0時馬六甲海峽風(fēng)矢量圖(850 hPa)

1.2 數(shù)據(jù)篩選與時空匹配

NIO-BST數(shù)據(jù)集與CFSR數(shù)據(jù)集在時間、空間范圍上有所不同, 需要將二者在時空上進(jìn)行匹配。本文選用了1979年至2018年間, 北印度洋TC最佳路徑及CFSR數(shù)據(jù)。

NIO-BST數(shù)據(jù)需要進(jìn)行篩選。由于觀測和分析的技術(shù)限制, 較弱TC的記錄精度較低[27], 且其發(fā)展時間一般較短, 因此, 對NIO-BST數(shù)據(jù)記錄長度進(jìn)行篩選, 刪除發(fā)展時間較短的TC(少于3 d, 對應(yīng)13個記錄點(diǎn))。此外, NIO-BST數(shù)據(jù)中包含有時間間隔為3 h的記錄, 為了保持時間步長一致性, 刪除相應(yīng)記錄。根據(jù)篩選后NIO-BST數(shù)據(jù)中的TC記錄, 整理CFSR數(shù)據(jù)中所對應(yīng)的時間點(diǎn), 實(shí)現(xiàn)兩類數(shù)據(jù)的時間匹配。

本文使用CFSR數(shù)據(jù)來描述TC周圍的環(huán)境因素。TC的發(fā)展過程十分復(fù)雜, 其路徑發(fā)展不僅取決于TC內(nèi)部動力因素, 還受其周圍環(huán)境因素的影響[28]。描述環(huán)境因素需要確定合適的空間范圍, 范圍過大影響模型的計算效率, 過小則導(dǎo)致所包含信息不足。本文選擇的空間范圍為經(jīng)緯度40°E×40°N, 具體選取方式如圖2所示, 藍(lán)色曲線為TC路徑, 以當(dāng)前時刻TC風(fēng)眼(橙色點(diǎn))為中心, 劃定窗口(實(shí)線紅色矩形區(qū)域)即為所選取的當(dāng)前TC對應(yīng)的環(huán)境范圍。通過上述操作實(shí)現(xiàn)了兩類數(shù)據(jù)的空間匹配。

圖2 TC背景環(huán)境的劃分示意圖

注: D0、D1、D2、D3和D4分別代表TC所在區(qū)域、東北方向區(qū)域、西北方向區(qū)域、西南方向區(qū)域和東南方向區(qū)域

1.3 適配LSTM的樣本數(shù)據(jù)整理

本文中所用到的深度網(wǎng)絡(luò)以LSTM為基本架構(gòu), 因此需要將TC數(shù)據(jù)整理為LSTM所適配的輸入形式, 即時序樣本和標(biāo)簽, 樣本為當(dāng)前時刻之前4個時刻(24 h, 間隔6 h)及當(dāng)前時刻的TC數(shù)據(jù), 標(biāo)簽為當(dāng)前時刻24 h后的TC路徑記錄。

對于NIO-BST數(shù)據(jù)集中的每條TC記錄, 定義其BST數(shù)據(jù)為:

其中, 下標(biāo)代表時間點(diǎn),為TC長度。NIO-BST數(shù)據(jù)為多元時序數(shù)據(jù), 所包含變量分別為年份()、月份()、日期()、時刻(), TC中心的緯度(Lat)、經(jīng)度(Long)以及強(qiáng)度(), 如下所示:

對于CFSR數(shù)據(jù)集, 對應(yīng)BST的各時間點(diǎn), 有如下定義:

其中,代表不同等壓面的經(jīng)緯度風(fēng)、位勢高度或海平面溫度等物理量, 試驗(yàn)部分會展示選用不同物理量的預(yù)報結(jié)果。

圖3 時刻t的輸入樣本和標(biāo)簽

對于數(shù)據(jù)集中選用的所有TC, 使用上述方法構(gòu)造樣本和標(biāo)簽, 得到全部樣本標(biāo)簽的集合。

2 TC路徑的集成預(yù)報

2.1 基于LSTM的深度學(xué)習(xí)方法

使用深度學(xué)習(xí)方法預(yù)報TC路徑, 其關(guān)鍵在于, 根據(jù)TC歷史記錄和環(huán)境因素, 得到擬合TC路徑演變的深度網(wǎng)絡(luò)模型, 并據(jù)此進(jìn)行趨勢外推, 最終得到路徑預(yù)報結(jié)果, 其本質(zhì)是時序預(yù)測問題。深度學(xué)習(xí)領(lǐng)域, 常用于解決時序預(yù)測問題的網(wǎng)絡(luò)結(jié)構(gòu)是循環(huán)神經(jīng)網(wǎng)絡(luò)及其改進(jìn)變體。

Elman[29]于1990年第一次提出循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Networks, RNN), 其循環(huán)模塊是RNN區(qū)別于其他神經(jīng)網(wǎng)絡(luò)的本質(zhì), 也是其適用于時序預(yù)測問題的關(guān)鍵[30], 如圖4所示。

為了擬合長期時序數(shù)據(jù), Hochreiter等[31]以RNN為基礎(chǔ)進(jìn)行改進(jìn), 提出了LSTM結(jié)構(gòu)。LSTM與RNN的區(qū)別在于循環(huán)模塊的結(jié)構(gòu)。RNN的循環(huán)模塊非常簡單, 而LSTM的循環(huán)結(jié)構(gòu)則復(fù)雜得多, 如圖5所示, 通過遺忘門、輸入門和輸出門控制記憶狀態(tài)和隱含狀態(tài)的更新, 從而實(shí)現(xiàn)長期記憶。

圖4 RNN網(wǎng)絡(luò)結(jié)構(gòu)

圖5 LSTM循環(huán)結(jié)構(gòu)

考慮到LSTM適合于長期時序數(shù)據(jù)的處理, 以及其優(yōu)異的性能表現(xiàn), 本文選用LSTM作為TC路徑預(yù)報模型的基本網(wǎng)絡(luò)結(jié)構(gòu), 輸入TC數(shù)據(jù)得到LSTM的記憶狀態(tài)和隱層狀態(tài), 再通過2層全連接層(Fully Connected Layer, FC)進(jìn)行計算得到預(yù)報結(jié)果。

2.2 LSTM中方向預(yù)報因子的計算

上述基于LSTM的TC路徑預(yù)報方法僅使用BST, t作為輸入, 尚未使用到TC的環(huán)境信息CFSR,t。由于CFSR, t與BST, t的數(shù)據(jù)形式、維度不同, 無法將二者直接串聯(lián)輸入LSTM。因此, 為了充分利用環(huán)境信息, 本文引入了方向預(yù)報因子以輔助TC路徑的預(yù)報。

首先, 將TC的背景環(huán)境(圖2中虛線所示)劃分為不同區(qū)域。圖中D0代表TC所在區(qū)域, 考慮到發(fā)展成熟的TC, 其7級風(fēng)圈半徑一般為300 km左右, 最大能達(dá)到近800 km[32], 因此將D0的范圍大小設(shè)為經(jīng)緯度10°E×10°N。如前所述, 圖中紅色實(shí)線的區(qū)域大小為經(jīng)緯度40°E×40°N, 其余的主要區(qū)域分別命名為東北方向區(qū)域(D1)、西北方向區(qū)域(D2)、西南方向區(qū)域(D3)、東南方向區(qū)域(D4)。考慮到D1至D4區(qū)域面積大于其間矩形區(qū)域的面積, 且認(rèn)為北方向區(qū)域一定程度上可以由東北方向區(qū)域和西北方向區(qū)域表示, 以此類推; 以及模型輸入維度和模型復(fù)雜度、計算量的正相關(guān)性, 因此為簡化模型及減少計算量, 本文中僅選用D1—D4區(qū)域計算方向預(yù)報因子, 即對各區(qū)域的環(huán)境因素(不同等壓面的經(jīng)緯度風(fēng)速、位勢高度值等資料, 具體內(nèi)容請見試驗(yàn)設(shè)計部分)數(shù)值分別求取平均值, 即為方向預(yù)報因子, 針對不同的環(huán)境因素, 可以分別求得對應(yīng)的方向預(yù)報因子, 如850 hPa經(jīng)向風(fēng)D1方向預(yù)報因子、850 hPa經(jīng)向風(fēng)D2方向預(yù)報因子等等。

對應(yīng)每個時刻, 計算得到的方向預(yù)報因子是一個向量, 將其與BST, t串聯(lián), 一起輸入TC路徑預(yù)報網(wǎng)絡(luò), 使得在路徑預(yù)報的過程中可以利用到TC背景范圍內(nèi)的環(huán)境信息。

中的方向預(yù)報因子, t將背景環(huán)境劃分為不同的方向,, t中各元素的值與TC移動方向有著直接關(guān)聯(lián), 如風(fēng)場的方向預(yù)報因子所代表的不同方向引導(dǎo)風(fēng)流對TC移動方向起著關(guān)鍵性作用。因此, 方向預(yù)報因子可以為TC路徑預(yù)報, 提供關(guān)于TC運(yùn)動方向的更明確的指導(dǎo)信息。

最后, 將組織為網(wǎng)絡(luò)輸入的時序樣本形式, 由–至?xí)r刻的組成, 即:

綜上所述, 本文將CFSR中各物理量的背景環(huán)境劃分為不同方向的區(qū)域, 并求取其方向預(yù)報因子, 從而給TC路徑預(yù)報提供了充分的背景環(huán)境信息以及較為明確的預(yù)報方向信息。Giffard-Roisin等[19]、郝坤等[20]使用卷積神經(jīng)網(wǎng)絡(luò)(Convo-lu-tional Neural Network, CNN)提取環(huán)境信息的方法, 其得到的環(huán)境信息具體含義較為模糊, 不包含確切的方向信息; 而本文的方法既提供了明確的方向信息指導(dǎo), 又節(jié)省了CNN的推理時間, 大大提升了計算效率。

2.3 聯(lián)合移動速度預(yù)報的集成預(yù)報

在TC路徑預(yù)報的工作中, 不論是數(shù)值預(yù)報還是深度學(xué)習(xí)方法, 大多數(shù)方法都是根據(jù)環(huán)境信息或歷史數(shù)據(jù)直接預(yù)報未來路徑, 這樣的方法忽略了TC移動過程中速度具有時間連續(xù)性的先驗(yàn)信息。本文基于這樣的考慮, 使用深度學(xué)習(xí)方法對TC移動速度進(jìn)行預(yù)報, 再通過預(yù)報的移動速度計算, 得到預(yù)報路徑。

集成預(yù)報方法是目前數(shù)值預(yù)報的主流發(fā)展方向[33-34]。TC的集成預(yù)報是采用多種數(shù)值預(yù)報模式, 建立集合成員共同預(yù)報TC[35]。借鑒這種集成預(yù)報的思想, 本文聯(lián)合TC路徑預(yù)報模型(TC-track)和TC移動速度預(yù)報模型(TC-velocity), 共同實(shí)現(xiàn)TC的路徑集成預(yù)報。

TC-track的實(shí)現(xiàn)細(xì)節(jié)如前文所述, TC-velocity與TC-track的主體框架和數(shù)據(jù)處理方式是一致的, 區(qū)別在于TC-velocity的輸入輸出不是TC的路徑位置, 而是相鄰時間TC路徑經(jīng)緯度之差, 可以稱之為速度。用公式表達(dá)如下所示:

TC-track和TC-velocity集成的預(yù)報模型示意圖如圖6所示。網(wǎng)絡(luò)通過對TC的移動速度進(jìn)行預(yù)報, 引入了移動速度時間連續(xù)性的先驗(yàn)信息, 再與TC路徑預(yù)報結(jié)果集成, 有助于TC路徑預(yù)報精度的提升。

2.4 TC路徑集成預(yù)報的實(shí)施流程

整體來說, 本文的使用深度學(xué)習(xí)網(wǎng)絡(luò)——LSTM對TC路徑進(jìn)行預(yù)報, 并使用方向預(yù)報因子為TC路徑提供背景環(huán)境信息和方向指導(dǎo)信息, 通過預(yù)報移動速度引入了速度連續(xù)性的先驗(yàn)信息, 最后將TC-track和TC-velocity集成起來, 提升預(yù)報效果。每間隔6 h實(shí)現(xiàn)一次時效為24 h的TC路徑預(yù)報。

表1展示了本文所提出的路徑預(yù)報方法的整體流程。

表1 TC路徑集成預(yù)報實(shí)施流程

3 TC路徑集成預(yù)報試驗(yàn)

3.1 試驗(yàn)設(shè)計

CFSR數(shù)據(jù)包括與氣象相關(guān)的各種物理量, 為了對比其不同環(huán)境場對本文集成預(yù)報模型預(yù)報性能的提升作用, 并從中選出最優(yōu)模型, 本文篩選了與TC路徑相關(guān)的部分環(huán)境場, 分別為850 hPa、700 hPa、500 hPa以及200 hPa等壓面下的緯向風(fēng)場(u-com-po-nent of wind,Wind)、經(jīng)向風(fēng)場(v-component of wind,Wind)、位勢高度場(geopotential height,Geo), 以及海面溫度場(sea surface temperature,SS)、海平面高度場(sea surface heigh,SS)。其中, 考慮到風(fēng)場由Wind和Wind共同描述, 將二者視為一類變量, 簡寫為Wind。

圖7所展示的是, 1997年9月26日6時, 以強(qiáng)烈氣旋風(fēng)暴BOB 07風(fēng)眼為中心, 經(jīng)緯度40°E×40°N范圍內(nèi), 不同等壓面下的緯向風(fēng)速大小。

利用前述的樣本數(shù)據(jù)整理方式和方向預(yù)報因子計算方式, 整理NIO-BST數(shù)據(jù)集中所篩選出的TC及其對應(yīng)時刻、對應(yīng)位置的CFSR數(shù)據(jù), 并對其中CFSR環(huán)境場分別計算對應(yīng)的方向預(yù)報因子, 如風(fēng)場(Wind)方向預(yù)報因子、海表溫度(SST)方向預(yù)報因子等, 最終得到TC數(shù)據(jù)樣本和標(biāo)簽的集合。

此外, 深度網(wǎng)絡(luò)的訓(xùn)練需要將樣本集合劃分為三個獨(dú)立的數(shù)據(jù)集, 即訓(xùn)練集、驗(yàn)證集、測試集, 三者比例常為8︰1︰1?？紤]到TC具有時間屬性, 且預(yù)報性能的評估常以年為單位[36], 因此按照年份劃分, 具體情況如表2所示。

使用訓(xùn)練集的樣本和標(biāo)簽對搭建好的TC-track和TC-velocity模型分別訓(xùn)練, 具體來說, 樣本作為模型輸入, 經(jīng)過模型參數(shù)計算后得到模型輸出, 即預(yù)報得到的24 h后TC路徑, 計算其與標(biāo)簽之間的誤差, 然后通過時間反向傳播多次迭代訓(xùn)練優(yōu)化模型參數(shù)。在訓(xùn)練過程中, 將驗(yàn)證集樣本輸入, 通過計算模型預(yù)報值和標(biāo)簽的差距以評估訓(xùn)練進(jìn)程, 并挑選出最優(yōu)模型作為預(yù)報模型。得到訓(xùn)練完成的模型后, 將TC-track和TC-velocity兩模型集成, 輸入測試集樣本, 得到24 h后的路徑預(yù)報結(jié)果, 與測試集標(biāo)簽對比, 評定模型性能。

圖7 不同等壓面緯向風(fēng)速

表2 TC數(shù)據(jù)樣本劃分

模型評定所采用的指標(biāo)為路徑平均距離誤差(mean distance error,MD),pred、real,pred、real分別是預(yù)測與真實(shí)的緯度、經(jīng)度, 計算公式如下所示:

對應(yīng)每個樣本均有預(yù)報路徑和標(biāo)簽(真實(shí)路徑), 即可計算相應(yīng)的路徑預(yù)報誤差。對測試集所有樣本(2015—2018年北印度洋TC, 共計16個TC, 整理為280個樣本)的預(yù)報誤差求取統(tǒng)計值, 包括平均值、均方根誤差、四分位數(shù)等, 并繪制箱型圖, 對比評估所構(gòu)建模型的性能。此外, 針對路徑預(yù)報難點(diǎn), 與外推法相比較進(jìn)行模型預(yù)報結(jié)果分析; 使用穩(wěn)定度指標(biāo)[37]進(jìn)行模型檢驗(yàn)評估; 并與業(yè)務(wù)化預(yù)報的精度相對比。

本文中的TC路徑預(yù)報模型使用python 3.6編程語言、PyTorch學(xué)習(xí)庫搭建, 并使用GPU(Nvidia GeForce GTX 1080)加速訓(xùn)練。

3.2 試驗(yàn)結(jié)果

預(yù)報試驗(yàn)中所對比的方向預(yù)報因子及其對應(yīng)的TC-track模型、TC-velocity模型以及集成模型在測試集上的24 h路徑預(yù)報誤差如表3所示, 其中, 預(yù)報誤差使用兩類統(tǒng)計量表示, 為測試集所有樣本24 h路徑預(yù)報誤差的平均值和均方根, 簡寫為“平均值±均方根”的形式。預(yù)報誤差平均值代表預(yù)報模型的總體精度, 數(shù)值越小表示預(yù)報精度越高; 均方根代表模型的預(yù)報穩(wěn)定性, 數(shù)值越小表示對于不同的預(yù)報樣本, 模型的預(yù)報性能越穩(wěn)定; 預(yù)報精度和穩(wěn)定性共同描述了模型的預(yù)報性能。序號1表示僅使用NIO-BST數(shù)據(jù)(即路徑記錄)作為輸入而不使用方向預(yù)報因子的預(yù)報模型性能, 序號2—5分別表示使用了由不同環(huán)境場所計算得到的方向預(yù)報因子以及NIO- BST數(shù)據(jù)作為輸入的預(yù)報模型性能。表格中對各方向預(yù)報因子中所用到的CFSR環(huán)境場進(jìn)行了簡寫, 如850 hPa等壓面的經(jīng)緯度風(fēng)場簡寫為Wind850, 以此類推。

表3 各環(huán)境因素方向預(yù)報因子的預(yù)報結(jié)果

從表3中可以看出, 各類方向預(yù)報因子對路徑預(yù)報模型的性能提升有一定的作用。Wind方向預(yù)報因子對性能的提升較為明顯, 即表中2號對應(yīng)的預(yù)報誤差最小,Geo方向預(yù)報因子次之, 而SS方向預(yù)報因子和SS方向預(yù)報因子對模型性能提升相對較小。不論對于何種方向預(yù)報因子, 集成預(yù)報的平均誤差總是小于其對應(yīng)的TC-track模型和TC-velocity模型預(yù)報誤差, 這說明了集成預(yù)報方法的有效性, 可以提高模型的路徑預(yù)報能力。為了更加直觀地表示不同方向預(yù)報因子和集成方法對預(yù)報性能的提升, 用箱型圖展示表3中各模型的統(tǒng)計量, 如圖8所示。從圖中可以看出, 使用不同方向預(yù)報因子的模型相較于第一組(未使用方向預(yù)報因子)均顯示出一定的性能提升, 具體表現(xiàn)在預(yù)報誤差上限降低、箱型位置靠下(大部分樣本預(yù)報誤差降低); 對于每組方向預(yù)報因子模型, 集成預(yù)報模型相較于TC-track和TC-velocity也有一定的提升。但是, 預(yù)報模型對部分樣本存在誤差較大的情況, 在圖8中體現(xiàn)為誤差最大值較大, 將會在后文章節(jié)3.3中進(jìn)一步分析。

圖8 各環(huán)境因素方向預(yù)報因子的預(yù)報結(jié)果箱型圖

此外, 為了充分利用多種環(huán)境因素的方向預(yù)報因子, 本文以表3中的試驗(yàn)結(jié)果為參考, 將上述多種物理變量的TC- track和TC-velocity預(yù)報模型進(jìn)行集成。

由于在表3中,Wind方向預(yù)報因子的集成模型取得了最好的預(yù)報結(jié)果, 因此, 在使用多個方向預(yù)報因子模型的過程中, 首先以Wind集成模型為基礎(chǔ), 集成其他方向預(yù)報因子的不同預(yù)報模型, 隨后又組合其他方向預(yù)報因子的模型進(jìn)行集成, 各集成模型的24 h路徑預(yù)報誤差如表4所示。

表4 多環(huán)境因素方向預(yù)報因子的預(yù)報結(jié)果

序號2至13對應(yīng)模型的預(yù)報結(jié)果相較于無方向預(yù)報因子的模型(序號1, baseline)預(yù)報結(jié)果在預(yù)報精度、預(yù)報穩(wěn)定性上均有一定的提升。其中, 序號3 (Wind的集成模型與Geo的TC-track模型相集成)取得了最優(yōu)的預(yù)報結(jié)果。而一些方向預(yù)報因子模型的集成, 如序號12、13對應(yīng)的模型, 其預(yù)報性能較baseline及表3中單個方向預(yù)報因子的模型提升較小, 這說明方向預(yù)報因子不能隨意組合, 需要根據(jù)先驗(yàn)知識或試驗(yàn)驗(yàn)證進(jìn)行合理的篩選。

3.3 驗(yàn)證分析

本章節(jié)進(jìn)一步對本文方法的路徑預(yù)報結(jié)果進(jìn)一步分析。首先考慮到路徑預(yù)報的難點(diǎn)所在: 移動速度的變化和移動方向的變化[38]。因此, 主要探究了預(yù)報誤差與對應(yīng)時刻的移動速度、移動方向變化情況之間的關(guān)聯(lián)。

首先, 本文利用NIO-BST數(shù)據(jù)對TC移動方向和移動速度的變化做了簡單計算。假定當(dāng)前時刻為, 上一時刻(6 h前)為1, 預(yù)報時刻為24 h, 移動速度變化情況Δ和移動方向變化情況Δ計算公式如下所示:

為直觀展示預(yù)報誤差與對應(yīng)時刻的移動速度、移動方向變化情況之間的相關(guān)性, 將移動速度變化和移動方向變化分別作為坐標(biāo)軸, 使用不同的顏色代表預(yù)報誤差大小, 展示測試集中2015—2018年的TC(共計16個TC, 整理為280個樣本)預(yù)報結(jié)果, 如圖9(a)所示?？紤]到外推預(yù)報法認(rèn)為TC相近時刻的移動速度和方向不發(fā)生改變, 可以明顯展示出TC預(yù)報難度與移動速度、方向變化情況的相關(guān)性; 且外推法常作為基準(zhǔn)方法檢驗(yàn)預(yù)報方法的有效性, 因此, 同樣對外推法的預(yù)報結(jié)果進(jìn)行展示作為對比,如圖9(b)所示。

圖9 預(yù)報結(jié)果與移動速度、方向變化的相關(guān)性

從結(jié)果中可以看出, 對于外推法的預(yù)報結(jié)果, 不同預(yù)報誤差的分布情況具有明顯的分層現(xiàn)象, 即移動速度和移動方向變化越快, 預(yù)報難度越大; 而對于基于深度學(xué)習(xí)的集成預(yù)報方法, 藍(lán)色點(diǎn)(預(yù)報誤差小于等于80 km)的分布更加廣泛, 紅色點(diǎn)(預(yù)報誤差大于200 km)的數(shù)量更少。結(jié)果說明相較于外推法這種簡單的基準(zhǔn)方法, 本文方法是有效的, 但是在移動速度或方向發(fā)生較大變化時[Δ>0.4(°)/6 h, Δ>20°], 即預(yù)報難度較大時, 仍存在預(yù)報誤差較大的現(xiàn)象。

此外, 引入穩(wěn)定度指標(biāo), 包括距離穩(wěn)定度和方向穩(wěn)定度對本文方法進(jìn)行檢驗(yàn)評估。距離穩(wěn)定度表示預(yù)報誤差小于規(guī)定的距離誤差上限的預(yù)報次數(shù)與總預(yù)報次數(shù)的比例, 距離誤差上限選擇有兩個, 分別為表4中號3最優(yōu)集成模型的平均誤差110 km和圖9中較大誤差范圍的界限200 km; 方向預(yù)報誤差表示預(yù)報方向與實(shí)際方向一致的預(yù)報次數(shù)所占比例。經(jīng)過對測試集預(yù)報結(jié)果的統(tǒng)計, 本方法對應(yīng)上限為110 km和200 km的距離穩(wěn)定度分別為0.56和0.91, 方向穩(wěn)定度為0.81?？傮w來看, 大部分預(yù)報次數(shù)的預(yù)報距離和方向都是較為穩(wěn)定可信的。

由于本文的所研究的TC范圍為北印度洋TC, 負(fù)責(zé)北印度洋TC業(yè)務(wù)預(yù)報的專業(yè)機(jī)構(gòu)為印度氣象局(India Meteorological Department, IMD)。因此, 將本文方法的24 h路徑預(yù)報結(jié)果與IMD所發(fā)布的預(yù)報結(jié)果[39]相對比。其中, IMD僅提供了年度平均誤差, 未提供TC個數(shù)或預(yù)報次數(shù), 因此, 表5中僅對比了兩種方法的年平均預(yù)報誤差, 其中的TC個數(shù)和預(yù)報次數(shù)為本文方法的相關(guān)數(shù)值。從結(jié)果中可以看出, 在部分年份(2015年)本文方法的預(yù)報性能接近于IMD的業(yè)務(wù)預(yù)報性能; 但是部分年份(2017年、2018年), 本文方法相較于業(yè)務(wù)化預(yù)報的精度具有一定的差距, 還有相當(dāng)?shù)陌l(fā)展空間。

表5 本文方法與IMD業(yè)務(wù)預(yù)報精度對比

最后, 從測試集中挑選TC個例進(jìn)行結(jié)果展示, 如圖10所示, 為2018年5月發(fā)生的特強(qiáng)氣旋風(fēng)暴“梅庫納”的預(yù)報結(jié)果, 各預(yù)報時刻的24 h路徑預(yù)報平均誤差為86.86 km。本方法起報時刻為2018年5月22日12時, 每間隔6 h預(yù)報一次, 預(yù)報時效為24 h, 如圖10a, 紅色曲線代表真實(shí)路徑, 白色虛線兩端連接預(yù)報時刻真實(shí)路徑和預(yù)報路徑(時效24 h), 點(diǎn)顏色代表預(yù)報誤差(與圖9相同)。由于圖10a預(yù)報點(diǎn)數(shù)過多不易觀察, 從起報時刻開始, 每隔24 h繪制一次預(yù)報結(jié)果, 展示在圖10b。從結(jié)果中可以看出,本文預(yù)報方法在TC轉(zhuǎn)向處存在反應(yīng)滯后的現(xiàn)象, 如2018年5月24日12時的預(yù)報結(jié)果, 這與前述的分析是相符合的。但總體來說, 預(yù)報結(jié)果與真實(shí)路徑的總體趨勢相吻合, 預(yù)報路徑具有一定的可信性, 說明了本文方法的有效性。

圖10 TC“梅庫納”的真實(shí)路徑與預(yù)報路徑

4 結(jié)論

針對北印度洋TC路徑預(yù)報, 本文提出了一種基于深度學(xué)習(xí)的TC路徑集成預(yù)報方法, 使用前4個時刻(24 h, 間隔6 h)的TC路徑記錄和本文所提出的方向預(yù)報因子作為輸入, 使用LSTM網(wǎng)絡(luò)作為模型結(jié)構(gòu), 實(shí)現(xiàn)時效為24 h的路徑預(yù)報。其主要動機(jī)及優(yōu)勢在于: 1) 對環(huán)境因素計算方向預(yù)報因子, 簡單高效的提取TC的背景信息, 可以顯式地利用環(huán)境因素的方向信息, 2) 使用TC移動速度預(yù)報模型, 將其與TC路徑預(yù)報模型集成得到最終預(yù)報結(jié)果, 從而利用了TC速度變化具有時間連續(xù)性的先驗(yàn)信息, 從而提升預(yù)報精度。

本文方法使用1979—2010年以及2011—2014年的TC進(jìn)行訓(xùn)練驗(yàn)證, 使用2015—2018年的TC(共計16個TC, 整理為280個樣本)測試性能。從試驗(yàn)結(jié)果分析中得到以下結(jié)論:

1) 各類方向預(yù)報因子對路徑預(yù)報模型的性能均有提升作用,Wind方向預(yù)報因子對性能的提升較為明顯,Geo方向預(yù)報因子次之, 而SS方向預(yù)報因子和SSH方向預(yù)報因子對性能提升相對較小;

2) 不論對于何種方向預(yù)報因子, 集成預(yù)報的平均誤差均小于其對應(yīng)的TC-track模型和TC-velocity模型預(yù)報誤差, 說明在本方法中集成預(yù)報的有效性;

3) 對多種方向預(yù)報因子模型進(jìn)行集成時,Wind的集成模型與Geo的TC-track模型相集成的模型取得了最優(yōu)的預(yù)報結(jié)果, 方向預(yù)報因子的組合需要根據(jù)先驗(yàn)知識或試驗(yàn)驗(yàn)證進(jìn)行合理的篩選;

4) 本文方法一定程度上緩解了路徑預(yù)報難點(diǎn)(移動速度、移動方向的變化), 但在移動速度或方向發(fā)生較大變化時[Δ>0.4(°)/6 h, Δ>20°], 仍然存在部分預(yù)報誤差較大的現(xiàn)象。

上述結(jié)論驗(yàn)證了本文所提出的方向預(yù)報因子、集成方法在TC路徑預(yù)報問題中的有效性。但在與業(yè)務(wù)化預(yù)報的對比中, 本文方法的預(yù)報精度尚未占優(yōu), 仍有相當(dāng)?shù)陌l(fā)展空間。下一步將對本文方法中誤差較大的樣本深入分析, 挖掘預(yù)報難點(diǎn), 如TC強(qiáng)度、下墊面變化等可能的影響因素, 并相應(yīng)改進(jìn)本文的TC路徑集成預(yù)報模型, 進(jìn)一步提升預(yù)報性能。

[1] 陳聯(lián)壽, 丁一匯. 西太平洋臺風(fēng)概論[M]. 北京: 科學(xué)出版社, 1979: 1-10.

CHEN Lianshou, DING Yihui. Introduction to Western Pacific typhoon[M]. Beijing: Science Press, 1979: 1-10.

[2] 梁梅, 林卉嬌, 徐建軍, 等. 1990—2018年北印度洋熱帶氣旋統(tǒng)計特征[J]. 廣東海洋大學(xué)學(xué)報, 2020, 40(4): 51-59.

LIANG Mei, LIN Huijiao, XU Jianjun, et al. Statistical analysis on the characteristics of tropical cyclone in the Northern Indian Ocean from 1990 to 2018[J]. Journal of Guangdong Ocean University, 2020, 40(4): 51-59.

[3] 張霏. 北印度洋熱帶氣旋對中國降水的影響[D]. 南京: 南京信息工程大學(xué), 2015.

ZHANG Fei. The influence of North Indian Ocean tropical cyclone on precipitation in China[D]. Nanjing: Nanjing University of Information Science & Technology, 2015.

[4] 黃偉, 端義宏, 薛紀(jì)善, 等. 熱帶氣旋路徑數(shù)值模式業(yè)務(wù)試驗(yàn)性能分析[J]. 氣象學(xué)報, 2007, 65(4): 578-587.

HUANG Wei, DUAN Yihong, XUE Jishan, et al. Operational experiments and its performance analysis of the tropical cyclone numerical model (GRAPE-TCM)[J]. Acta Meteorologica Sinica, 2007, 65(4): 578-587.

[5] 郭蓉, 余暉, 漆梁波, 等. 臺風(fēng)路徑多模式集成預(yù)報技術(shù)研究[J]. 氣象科學(xué), 2019, 39(6): 839-846.

GUO Rong, YU Hui, QI liangbo, et al. A study on multi- model ensemble forecast technique for Typhoon track[J]. Journal of the Meteorological Sciences, 2019, 39(6): 839-846.

[6] 馬鵬輝, 楊燕軍, 劉鐵軍. 臺風(fēng)數(shù)值預(yù)報技術(shù)研究進(jìn)展[J]. 海洋氣象學(xué)報, 2015, 35(1): 12-17.

MA Penghui, YANG Yanjun, LIU Tiejun. Research pro-gress of typhoon numerical prediction technology[J]. Journal of Marine Meteorology, 2015, 35(1): 12-17.

[7] 危國飛, 劉會軍, 潘寧, 等. 臺風(fēng)路徑數(shù)值預(yù)報實(shí)時訂正技術(shù)及其集成應(yīng)用[J]. 大氣科學(xué), 2021, 45(1): 195-204.

WEI Guofei, LIU Huijun, PAN Ning, et al. Real-time correction method for numerically modeled typhoon tracks and its integrated application[J]. Chinese Journal of Atmospheric Science, 2021, 45(1): 195-204.

[8] 江應(yīng)境, 高山紅. 一種動態(tài)權(quán)重的臺風(fēng)集成預(yù)報方法[J].海岸工程, 2018, 37(3): 1-13.

JIANG Yingjing, GAO Shanhong. A Consensus forecast method for typhoon based on dynamic weights[J]. Coastal Engineering, 2018, 37(3): 1-13.

[9] 張守峰, 高拴柱, 李月安. 集成方法在熱帶氣旋路徑和強(qiáng)度預(yù)報中的應(yīng)用[J]. 氣象科技, 2007, 35(2): 161- 165.

ZHANG Shoufeng, GAO Shuanzhu, LI Yuean. Application of consensus method to forecast of tropical cyclones[J]. Meteorological Science and Technology, 2007, 35(2): 161-165.

[10] 金龍, 黃穎, 姚才, 等. 人工智能技術(shù)的熱帶氣旋預(yù)報綜述(之一)——BP神經(jīng)網(wǎng)絡(luò)和集成方法的熱帶氣旋預(yù)報研究和業(yè)務(wù)應(yīng)用[J]. 氣象研究與應(yīng)用, 2020, 41(2): 1-6.

JIN Long, HUANG Ying, YAO Cai, et al. A review of tropical cyclone forecast based on artificial intelligence (part 1)——BP neural network and ensemble method for tropical cyclone forecast research and operational application[J]. Journal of Meteorological Research and Application, 2020, 41(2): 1-6.

[11] REICHSTEIN M, CAMPS-VALLS G, STEVENS B, et al. Deep learning and process understanding for data- driven Earth system science[J]. Nature, 2019, 566(7743): 195-204.

[12] PICKLE J. Forecasting short-term movement and inten-si-fication of tropical cyclones using pattern-recognition techniques[R]. Phillips Lab Hanscom AFB MA, 1991.

[13] 李祚泳, 鄧新民. 人工神經(jīng)網(wǎng)絡(luò)在臺風(fēng)預(yù)報中的應(yīng)用初探[J]. 自然災(zāi)害學(xué)報, 1995(2): 86-90.

LI Zuoyong, DENG Xinmin. A primary study on the application of artificial neural network to the forecasting of typhoon[J]. Journal of Natural Disasters, 1995(2): 86-90.

[14] LEE R S T, LIU J N K. Tropical cyclone identification and tracking system using integrated neural oscillatory elastic graph matching and hybrid RBF network track mining techniques[J]. IEEE Transactions on Neural Networks, 2000, 11(3): 680-689.

[15] YANG Y Q, WANG J Z. An integrated decision method for prediction of tropical cyclone movement by using genetic algorithm[J]. Science in China Series D, 2005, 48(3): 429-440.

[16] 張廣平, 張晨曉, 謝忠. 基于T-S模糊神經(jīng)網(wǎng)絡(luò)的模型在臺風(fēng)災(zāi)情預(yù)測中的應(yīng)用——以海南為例[J]. 災(zāi)害學(xué), 2013, 28(2): 86-89.

ZHANG Guangping, ZHANG Chenxiao, XIE Zhong. Typhoon disaster prediction model based on T-S fuzzy neural network and its application—A case study of Hainan Island[J]. Journal of Catastrophology, 2013, 28(2): 86-89.

[17] GAO S, ZHAO P, PAN B, et al. A nowcasting model for the prediction of typhoon tracks based on a long short term memory neural network[J]. Acta Oceanologica Sinica, 2018, 37(5): 12-16.

[18] PAN B, XU X, SHI Z W. Tropical cyclone intensity prediction based on recurrent neural networks[J]. Electronics Letters, 2019, 55(7): 413-415.

[19] GIFFARD-ROISIN S, YANG M, CHARPIAT G, et al. Tropical cyclone track forecasting using fused deep learning from aligned reanalysis data[J]. Frontiers in Big Data, 2020, 3: 1.

[20] 郝坤, 張?zhí)炖? 史振威. 基于時空特征的熱帶氣旋強(qiáng)度預(yù)測方法[J]. 南京師范大學(xué)學(xué)報(工程技術(shù)版), 2019, 19(3): 1-7.

HAO Kun, ZHANG Tiankun, SHI Zhenwei. A tropical cyclone intensity prediction method based on spatial-temporal features[J]. Journal of Nanjing Normal University (Engineering Technology Edition), 2019, 19(3): 1-7.

[21] JIN L, YAO C, HUANG X Y. A Nonlinear artificial intelligence ensemble prediction model for typhoon intensity[J]. Monthly Weather Review, 2008, 136(12): 4541-4545, 4547-4548, 4550, 4552-4554.

[22] 黃小燕, 金龍. 基于主成分分析的人工智能臺風(fēng)路徑預(yù)報模型[J]. 大氣科學(xué), 2013, 37(5): 1154-1164.

HUANG Xiaoyan, JIN Long. An artificial intelligence prediction model based on principal component analysis for typhoon tracks[J]. Chinese Journal of Atmospheric Sciences, 2013, 37(5): 1154-1164.

[23] 朱雷. 基于神經(jīng)網(wǎng)絡(luò)委員會機(jī)器的南中國海臺風(fēng)路徑預(yù)報模型研究[D]. 上海: 華東師范大學(xué), 2017.

ZHU Lei. A study on neural network-based committee machines for typhoon track forecast model in the South China Sea[D]. Shanghai: East China Normal University, 2017.

[24] CHU J H, LEVINE A, DAIDA S, et al. North Indian Ocean best track data[EB/OL]. https://www.metoc.navy. mil/jtwc/jtwc.html?north-indian-ocean.

[25] SAHA S, MOORTHI S, PAN H L, et al. The NCEP climate forecast system reanalysis[J]. Bulletin of the American Meteorological Society, 2010, 91(8): 1015- 1058.

[26] SAHA S, MOORTHI S, WU X R, et al. NCEP Climate Forecast System Version 2 (CFSv2) 6-hourly products. Research data archive at the National Center for Atmos-pheric Research, Computational and Information Syste-ms Laboratory[EB/OL]. https://rda.ucar.edu/datasets/ds094.0/

[27] 王維建. 臺風(fēng)預(yù)警發(fā)布系統(tǒng)的設(shè)計與實(shí)現(xiàn)[D]. 成都: 電子科技大學(xué), 2013.

WANG Weijian. Design and implementation of optical network information management system[D]. Chengdu: University of Electronic Science and Technology of China, 2013.

[28] 馬雷鳴. 國內(nèi)臺風(fēng)數(shù)值預(yù)報模式及其關(guān)鍵技術(shù)研究進(jìn)展[J]. 地球物理學(xué)進(jìn)展, 2014, 29(3): 1013-1022.

MA Leiming. Research progress of China typhoon numerical prediction models and associated major techniques[J]. Progress in Geophysics, 2014, 29(3): 1013- 1022.

[29] ELMAN J L. Finding structure in time[J]. Cognitive science, 1990, 14(2): 179-211.

[30] SCHMIDHUBER J. Deep learning in neural networks: An overview[J]. Neural Networks, 2015, 61: 85-117.

[31] HOCHREITER S, SCHMIDHUBER J. Long Short-Term Memory[J]. Neural Computation, 1997, 9(8): 1735-1780.

[32] 郭春迓, 程正泉, 李泳澤, 等. 熱帶氣旋風(fēng)圈統(tǒng)計及業(yè)務(wù)應(yīng)用[J]. 廣東氣象, 2020, 42(4): 56-59.

GUO Chunfu, CHENG Zhengquan, LI Yongze, et al. Tropical cyclone wind circle statistics and operational application[J]. Guangdong Meteorology, 2020, 42(4): 56-59.

[33] RICHARDSON D S. Skill and relative economic value of the ECMWF ensemble prediction system[J]. Quarterly Journal of the Royal Meteorological Society, 2010, 126(563): 649-667.

[34] PALMER T N. The economic value of ensemble forecasts as a tool for risk assessment: From days to decades[J]. Quarterly Journal of the Royal Meteorological Society, 2002, 128(581): 747-774.

[35] 沈越婷, 錢傳海. 全球熱帶氣旋集合預(yù)報技術(shù)綜述[C]// 中國氣象學(xué)會. 創(chuàng)新驅(qū)動發(fā)展提高氣象災(zāi)害防御能力——S13熱帶海洋氣象, 2013: 9.

SHEN Yueting, QIAN Chuanhai. Overview of global tropical cyclone ensemble forecasting technology[C]// Chinese Meteorological Society. Innovation driven deve-lopment to improve meteorological disaster prevention capability - S13 Tropical Marine Meteorology, 2013: 9.

[36] 陳國民, 張喜平, 白莉娜, 等. 2017年西北太平洋和南海熱帶氣旋預(yù)報精度評定[J]. 氣象, 2019, 45(4): 577-586.

CHEN Guomin, ZHANG Xiping, BAI Lina, et al. Verification on forecasts of tropical cyclones over Western North Pacific and South China Sea in 2017[J]. Meteorological Monthly, 2019, 45(4): 577-586.

[37] 馬雷鳴, 李佳, 黃偉, 等. 2007年國內(nèi)臺風(fēng)模式路徑預(yù)報效果評估[J]. 氣象, 2008, 34(10): 74-80.

MA Leiming, LI Jia, HUANG Wei, et al. Verification on typhoon track forecast by operational typhoon numerical models of China in 2007[J]. Meteorological Monthly, 2008, 34(10): 74-80.

[38] 楊瓊瓊, 吳立廣. 中國24h臺風(fēng)路徑預(yù)報難點(diǎn)及其大尺度環(huán)流分析[J]. 氣象科學(xué), 2015, 35(4): 389-397.

YANG Qiongqiong, WU Liguang. Analysis on difficulty of 24 h typhoon track forecast in China and associated large-scale circulation[J]. Journal of the Meteorological Sciences, 2015. 35(4): 389-397.

[39] MOHAPATRA M, SHARMA M. Cyclone warning services in India during recent years: A review[J]. Mausam, 2019, 70(4): 637.

Consensus forecast method for a tropical cyclone track based on deep learning

GENG Xiao-yi, HAO Kun, SHI Zhen-wei

(Image Processing Center, School of Astronautics, Beihang University, Beijing 100083, China)

This paper proposes a tropical cyclone (TC) track forecast method based on Long Short-Term Memory (LSTM) networks as the backbone. Inputs include the TC historical data (24 h, 6 h interval) and the current track, as well as the direction predictors (DP) calculated by different environmental factors. The model TC-track forecasts the track directly, while the model TC-velocity forecasts the track indirectly by the velocity. The models are integrated based on the consensus model, which forecasts the TC track after 24 hours. Through experiments, this paper compares the models driven by different DPs to explore the influence of the environmental factors on the TC track. The results reveal that the DP of the wind field has a more obvious effect on the forecast model performance, while DPs of the temperature and height fields at the sea surface have a relatively small effect. Moreover, the forecast accuracy can be further improved by integrating the selected forecast models of different DPs. The above results verify the feasibility and effectiveness of the proposed DP and consensus forecast method for the TC track forecast.

tropical cyclone track; consensus forecasts; deep learning; long short-term memory; direction predictor

Feb. 20, 2021

TP391; P71

A

1000-3096(2022)02-0074-13

10.11759/hykx20210220003

2021-02-20;

2021-05-06

國家重點(diǎn)研發(fā)計劃項(xiàng)目(2017YFC1405605)

[National Key Research and Development Project of China, No. 2017YFC1405605]

耿逍懿(1997—), 女, 碩士研究生, 研究方向?yàn)閳D像處理與機(jī)器學(xué)習(xí), E-mail: gxy0809@buaa.edu.cn; 郝坤(1995—), 女, 共同第一作者, 碩士研究生, 研究方向?yàn)閳D像處理與機(jī)器學(xué)習(xí), E-mail: 14151035@buaa.edu.cn; 史振威(1977—),通信作者, 教授/博士生導(dǎo)師, 研究方向: 圖像處理與機(jī)器學(xué)習(xí), Email: shizhenwei@buaa.edu.cn

(本文編輯: 趙衛(wèi)紅)