基于人工智能的臺風(fēng)強度突變判別技術(shù)的應(yīng)用

周冠博,錢奇峰, 許映龍

(1. 國家氣象中心, 北京 100081; 2. 中國氣象局上海臺風(fēng)研究所, 上海 200030)

0 引言

眾所周知,目前我國的臺風(fēng)路徑預(yù)報水平已取得了明顯的提高,這主要得益于科技的進步和模式的發(fā)展,但目前臺風(fēng)強度預(yù)報的發(fā)展還很緩慢,近5 a來強度預(yù)報誤差一直維持在4 m/s左右[1]。而近年來又連續(xù)出現(xiàn)了多個快速增強的臺風(fēng)個例,如2020年基本上所有的登陸臺風(fēng)都經(jīng)歷了快速加強過程,2021—2022年的“舒力基”“燦都”“暹芭”“梅花”等臺風(fēng)也相繼出現(xiàn)了強度的快速增強過程。快速增強是指熱帶氣旋(tropical cyclones, TC)的強度在短時間內(nèi)迅速增加,一般指24 h內(nèi)TC強度增加15 m/s[2-3]。盡管深度學(xué)習(xí)在氣象學(xué)界已經(jīng)大大改善了TC強度的估計[4],但作為一個多尺度相互作用的過程[5],TC快速增強的預(yù)測仍然是一項世界級難題。傳統(tǒng)的客觀預(yù)報方法主要是以統(tǒng)計預(yù)報和統(tǒng)計-動力模式為主,并且大多采用回歸等統(tǒng)計方法,對臺風(fēng)強度的快速變化刻畫能力較弱[3],這使得實時預(yù)測TC快速增強非常困難,也給臺風(fēng)的預(yù)報預(yù)警和防臺減災(zāi)工作帶來了極大的挑戰(zhàn)[6-9]。

隨著人工智能技術(shù)的飛速發(fā)展,機器學(xué)習(xí)、深度學(xué)習(xí)等技術(shù)已經(jīng)在氣象領(lǐng)域得到了廣泛應(yīng)用并產(chǎn)生了很多應(yīng)用成果,我國的熱帶氣旋智能監(jiān)測和預(yù)報也開始嘗試基于氣象衛(wèi)星云圖大數(shù)據(jù)和人工智能算法展開[10-12]。依靠我國氣象衛(wèi)星事業(yè)的不斷發(fā)展,使得我們不僅可以獲取到更高時空分辨率的氣象衛(wèi)星云圖大數(shù)據(jù),同時利用衛(wèi)星云圖也可以得到更加精細的臺風(fēng)垂直探測結(jié)構(gòu),那么基于氣象衛(wèi)星云圖大數(shù)據(jù),并結(jié)合人工智能領(lǐng)域的新技術(shù)來應(yīng)對臺風(fēng)強度的突變問題將是未來的發(fā)展趨勢之一。

研究表明,人工智能技術(shù)在臺風(fēng)強度預(yù)報方面有很好的發(fā)展前景[13-15]。PRADHAN等[16]使用基于卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network, CNN)對臺風(fēng)等級進行估計。ZAHERA等[17]使用LSTM(long short-term memory)和DNN(deep neural network)網(wǎng)絡(luò)對臺風(fēng)強度進行估計。CHEN等[18]發(fā)布了一個開放數(shù)據(jù)集,提出了基于CNN強度回歸的多模型融合方法。最近的研究探討了應(yīng)用深度學(xué)習(xí)來解決臺風(fēng)快速增強這一任務(wù)的潛力,指出普通的Brier技巧評分不適用于類不平衡的數(shù)據(jù)集,而改用Heidke技巧評分(HSS)來代替它[19]。并且他們提出了一個基于ConvLSTM的模型,該模型帶有注意力,但沒有類再平衡策略。具體來說,與非RI事件相比,RI事件是罕見的,這就表現(xiàn)出數(shù)據(jù)集的極不平衡問題,使訓(xùn)練變得困難。大多數(shù)現(xiàn)有的方法通過重新采樣和重新加權(quán)的再平衡策略來解決數(shù)據(jù)不平衡問題[20],這些方法增加了少數(shù)類的權(quán)重,但損害了代表能力的學(xué)習(xí)。還有一些研究提出了兩階段學(xué)習(xí)與再平衡方法,以全面考慮代表能力學(xué)習(xí)和分類器學(xué)習(xí)[21-22]。然而,這些方法假設(shè)測試類分布是均勻的,而RI測試類的分布是不平衡的,具有不同的分布。當(dāng)面臨不平衡的數(shù)據(jù)集的時候,機器學(xué)習(xí)算法傾向于產(chǎn)生不太令人滿意的分類器,針對樣本數(shù)據(jù)不平衡的問題,本文采取了重采樣、重加權(quán)、冷啟動、樣本補齊等數(shù)據(jù)預(yù)處理工作。同時采用聯(lián)合時空關(guān)聯(lián)的深度學(xué)習(xí)模型為基礎(chǔ),通過標(biāo)注和學(xué)習(xí)衛(wèi)星云圖大數(shù)據(jù)中的關(guān)鍵信息,并引入了生命周期指示,提出了一種自動化、客觀化的臺風(fēng)快速增強趨勢判別技術(shù)來解決臺風(fēng)強度快速增強的趨勢判別問題。

1 數(shù)據(jù)和方法

1.1 數(shù)據(jù)來源

本文使用的TC資料,包括中國氣象局(上海臺風(fēng)研究所)整編的2005—2018年的最佳路徑數(shù)據(jù)集(http://tcdata.typhoon.org.cn/zjljsjj_sm.html),包含6h一次的TC位置、中心最低氣壓及中心附近最大風(fēng)速等;2019—2022年中央氣象臺臺風(fēng)路徑強度的實時預(yù)報產(chǎn)品;選取2005—2017年的葵花8衛(wèi)星數(shù)據(jù)作為該模型的訓(xùn)練集,2018年的衛(wèi)星數(shù)據(jù)作為驗證集,2019—2021年的FY4A衛(wèi)星數(shù)據(jù)作為測試集,數(shù)據(jù)集的樣本分布如圖1所示。

圖1 數(shù)據(jù)集的樣本分布Fig. 1 Sample distribution of data sets

從模型訓(xùn)練集的樣本中可以看到,臺風(fēng)的強度突變樣本占各個級別的總樣本數(shù)量的比例都較小,臺風(fēng)的強度突變樣本是小概率事件,如圖2所示。當(dāng)面臨不平衡的數(shù)據(jù)集時,機器學(xué)習(xí)算法傾向于產(chǎn)生不太令人滿意的分類器。對于任何一個不平衡的數(shù)據(jù)集,如果要預(yù)測的事件屬于少數(shù)類別,并且事件比例小于10%, 就通常將其稱為極不均衡數(shù)據(jù)。在預(yù)測過程中,采用的標(biāo)準是12h內(nèi)風(fēng)速增加超過 7m/s的數(shù)據(jù)定義為突變樣本。整個數(shù)據(jù)集樣本(以突變樣本為正樣本,不突變樣本為負樣本)的正樣本和負樣本之比約為1∶11,分布是極不均衡的。

圖2 樣本集中各個臺風(fēng)等級的樣本數(shù)以及其中的快速增強RI數(shù)目Fig. 2 Sample and RI numbers of each typhoon level in the sample set

對于極不均衡數(shù)據(jù),采用采樣和加權(quán)的方法進行處理。

1)數(shù)據(jù)層面的處理方法:重采樣。數(shù)據(jù)輸入為4個臺風(fēng)一組,比如[10,10,15,15]、[15,15,18,23]、[15,18,23,23]等。平衡分類的主要目標(biāo)不是增加少數(shù)類的樣本數(shù),而是降低多數(shù)類的樣本數(shù)。采用權(quán)重隨機采樣,根據(jù)給樣本權(quán)重進行采樣,召回率(recall)為80%的情況下精度(precision)可以達到24%。

2)訓(xùn)練層面的處理方法:重加權(quán)。對不平衡的類別給予不同的懲罰。直接給樣本倒數(shù)重新加權(quán)損失的結(jié)果不一定很好。嘗試方法包括:交叉熵權(quán)重超參、Focal loss、LOCE。

3)對于不均衡數(shù)據(jù)的再平衡,僅對分類器進行再平衡效果較好。即原始數(shù)據(jù)訓(xùn)練一個backbone之后,固定特征相關(guān)層參數(shù)(CNN和LSTM),再用re-balance的方法對分類器進行訓(xùn)練,可以達到理想的效果。

另外,當(dāng)遇到冷啟動,即當(dāng)臺風(fēng)剛剛開始,歷史數(shù)據(jù)不足4個臺風(fēng)樣本時,如何預(yù)測快速增強判別?這也是序列預(yù)測或序列判別問題中的一個難點問題。針對冷啟動:初始數(shù)據(jù)輸入為4個臺風(fēng)一組,只有1個歷史數(shù)據(jù)且風(fēng)速=10m/s,則令[10,10,10,10];只有2個歷史數(shù)據(jù)且風(fēng)速=10m/s和12m/s ,則令[10,10,10,12];只有3個歷史數(shù)據(jù)且風(fēng)速=10、12、15m/s,則令[10,10,12,15]。當(dāng)遇到樣本缺失,就是在臺風(fēng)整個歷史序列中,不可避免的會發(fā)現(xiàn)有一些時刻數(shù)據(jù)丟失,造成的樣本序列不連續(xù),給模型預(yù)測帶來風(fēng)險。針對樣本缺失問題:若數(shù)據(jù)缺失第i個臺風(fēng),則使用最近的前一個時刻臺風(fēng)樣本替代。比如:[10,12,?,18],則按照[10,12,12,18]處理。

1.2 模型簡介

在衛(wèi)星數(shù)據(jù)解析后的像素為1800×1800的區(qū)域圖像中,根據(jù)中央氣象臺業(yè)務(wù)預(yù)報的臺風(fēng)報文babj文件標(biāo)記每隔6h的臺風(fēng)生命周期,并裁剪出400×400的渦旋圖像序列。之后將圖像序列和標(biāo)記的生命周期送入模型進行12h后臺風(fēng)是否快速增強的趨勢判別。

模型主要采用人工智能領(lǐng)域的深度殘差網(wǎng)絡(luò)Resnet模型和基于時空關(guān)聯(lián)深度學(xué)習(xí)模型LSTM為技術(shù)基礎(chǔ),通過標(biāo)注、學(xué)習(xí)、預(yù)測已有衛(wèi)星云圖數(shù)據(jù)中的關(guān)鍵信息來解決臺風(fēng)強度快速增強趨勢預(yù)測和判別問題。首先基于深度殘差網(wǎng)絡(luò)Resnet模型提取臺風(fēng)強度特征,再進一步根據(jù)時空關(guān)聯(lián)深度學(xué)習(xí)模型LSTM提取臺風(fēng)強度變化特征,根據(jù)臺風(fēng)強度趨勢周期和臺風(fēng)強度突變檢測進行策略融合,最后輸出臺風(fēng)強度突變趨勢判別結(jié)果如圖3所示。該模型提出了一種自動、客觀的臺風(fēng)快速增強趨勢判別技術(shù),提升臺風(fēng)強度快速增強趨勢預(yù)測和判別的準確性。

圖3 模型流程圖Fig. 3 Model diagram

2 快速增強趨勢判別模型的構(gòu)建

基于人工智能(artificial intelligence, AI)的臺風(fēng)快速增強趨勢判別模型采用連續(xù)4個歷史時刻(相鄰間隔6h)的臺風(fēng)圖片進行預(yù)測,采用預(yù)訓(xùn)練的CNN模塊提取出衛(wèi)星云圖特征和連續(xù)4個時刻的臺風(fēng)強度(強度范圍是10～75m/s)在映射后嵌入,連在一起送入LSTM,此時根據(jù)臺風(fēng)強度變化獲取生命周期指示(上升期和下降期),經(jīng)過編碼后與LSTM的輸出concat,最后經(jīng)過全連接層,得到臺風(fēng)強度是否會出現(xiàn)快速增強的判別概率。

1)臺風(fēng)強度變化特征提取

特征提取是強度趨勢預(yù)測和突變檢測的基礎(chǔ)。該技術(shù)基于歷史臺風(fēng)時間序列數(shù)據(jù)進行學(xué)習(xí),包括時序云圖序列數(shù)據(jù)、位置序列和其他相關(guān)數(shù)值數(shù)據(jù),比如氣壓、降水等序列的學(xué)習(xí),屬于有監(jiān)督的多模態(tài)序列學(xué)習(xí)問題,這也是對傳統(tǒng)序列學(xué)習(xí)的一個挑戰(zhàn)。本文采用PIPELINE架構(gòu)的3D卷積神經(jīng)網(wǎng)絡(luò)CNN結(jié)合長短期記憶LSTM網(wǎng)絡(luò)構(gòu)成的3D_LSTM模型,同時對初始時刻到任意t時刻的時序云圖序列的時間和空間特征進行序列學(xué)習(xí),并結(jié)合其他時序位置數(shù)據(jù)、數(shù)值數(shù)據(jù)進行關(guān)聯(lián)和特征融合,預(yù)測臺風(fēng)強度在下一時刻即t+1時刻的變化特征向量。

2)臺風(fēng)強度趨勢預(yù)測

臺風(fēng)強度趨勢預(yù)測是基于臺風(fēng)強度變化的通用特征,即大樣本特征進行預(yù)測的技術(shù),因此,在3D_LSTM模型得到的時序多模態(tài)下一時刻時空特征的基礎(chǔ)上,進一步構(gòu)造回歸損失函數(shù)為基礎(chǔ)的預(yù)測模型,訓(xùn)練并計算臺風(fēng)強度變化的通用特征權(quán)重,從而預(yù)測臺風(fēng)在下一時刻的強度。

3)臺風(fēng)強度突變檢測

臺風(fēng)強度突變檢測是基于臺風(fēng)強度變化特征中突變特征,即需要在所有強度變化特征中學(xué)習(xí)出與強度突變影響相關(guān)的特征,因此,在3D_LSTM模型得到的時序多模態(tài)下時空特征的基礎(chǔ)上,進一步構(gòu)造基于注意力機制的分類模型,計算不同時刻、不同特征的權(quán)重,從而預(yù)測臺風(fēng)在t+1時刻的強度突變的級別和概率。最后,將2)和3)的結(jié)果分別作為進行交叉融合學(xué)習(xí),得到最終的臺風(fēng)強度趨勢判別結(jié)果。

4)臺風(fēng)生命周期預(yù)測改進

臺風(fēng)序列的生命周期分為:上升期、下降期和平穩(wěn)期。上升期是指處于臺風(fēng)風(fēng)速增強的階段,需要預(yù)測是否發(fā)生快速增強;下降期是指處理臺風(fēng)風(fēng)速下降的階段,不會發(fā)生快速增強;平穩(wěn)期是指臺風(fēng)序列風(fēng)速相同的階段。為了方便在平穩(wěn)期預(yù)判是否會發(fā)生快速增強,需要根據(jù)前一個時刻是上升期還是下降期來標(biāo)注平穩(wěn)期處于哪個階段,從而減小平穩(wěn)期的預(yù)測誤差。

3 檢驗分析

3.1 模型檢驗指標(biāo)

基于AI的臺風(fēng)快速增強趨勢判別模型的準確指標(biāo)通過TS評分和綜合準確率來檢驗,其中TP代表實際突變預(yù)測為突變,TN代表實際非突變預(yù)測為非突變,FN代表實際突變預(yù)測為非突變,FP代表實際非突變預(yù)測為突變。則檢驗指標(biāo)可以用式(1)～式(2)表示:

綜合準確率:

(1)

TS評分:

(2)

綜合準確率ACC1代表正確預(yù)測的突變和非突變時刻占總樣本數(shù)的比例;TS評分代表將非突變時刻正確預(yù)測排除后的突變時刻預(yù)測正確的比例。

3.2 模型測試結(jié)果分析

為了檢驗?zāi)Ｐ托Ч?分別選取了美國國家環(huán)境預(yù)報中心(National Centers for Environmental Prediction, NCEP)模式、中國中央氣象臺的預(yù)測結(jié)果、美國聯(lián)合臺風(fēng)警報中心預(yù)測結(jié)果以及基于AI模型的預(yù)測結(jié)果進行了比較,如表1所示,NCEP的總樣本數(shù)為577,預(yù)測出74個突變時刻中的51個正確樣本;美國聯(lián)合臺風(fēng)警報中心預(yù)測結(jié)果的總樣本數(shù)為609,預(yù)測出88個突變時刻中的28個正確樣本;中國中央氣象臺預(yù)測結(jié)果的總樣本數(shù)為1088,預(yù)測出95個突變時刻中的31個正確樣本;而基于AI模型對2019年28個臺風(fēng)的業(yè)務(wù)云圖進行了綜合測試,總樣本數(shù)為472個,2019年28個臺風(fēng)中有16個臺風(fēng)經(jīng)歷過臺風(fēng)強度快速增強,共有46個突變時刻,本文模型的測試結(jié)果顯示成功預(yù)測出38個突變時刻,15個臺風(fēng)的強度快速增強被預(yù)測到,TS評分達到了0.24。

表1 主、客觀預(yù)報對臺風(fēng)快速增強的預(yù)測結(jié)果樣本數(shù)Table 1 Sample numbers of subiective and objective RI predictions

根據(jù)2019全年的測試樣本進一步統(tǒng)計比較,可以發(fā)現(xiàn)NCEP模式的TS評分為0.21,綜合準確率ACC1為70%,美國聯(lián)合臺風(fēng)警報中心預(yù)測的TS評分為0.19,綜合準確率ACC1為34%,中國中央氣象臺預(yù)測的TS評分為0.15,綜合準確率ACC1為36%,而AI算法的TS評分為0.24,綜合準確率ACC1為82%,如圖4所示。由此可見,AI判別模型是以犧牲一定的錯誤率為代價,大大降低了漏報率,對實際RI樣本具有較高的預(yù)測精度。結(jié)果也表明,基于人工智能的RI判別技術(shù)的確是明顯優(yōu)于傳統(tǒng)的主客觀強度預(yù)測方法。

圖4 主、客觀預(yù)報對臺風(fēng)快速增強預(yù)測的綜合準確率Fig. 4 Comprehensive accuracy of subjective and objective RI predictions

3.3 AI模型在臺風(fēng)“暹芭”預(yù)報中的應(yīng)用檢驗

2022年3號臺風(fēng)“暹芭”是2022年首個登陸我國的臺風(fēng),臺風(fēng) “暹芭” 2022年6月30日在我國南海中部海域生成,7月2日8時加強為臺風(fēng)級,當(dāng)日15時前后在廣東電白登陸(常年首臺登陸平均時間6月28日,首臺登陸平均強度30.8m/s),登陸時中心附近最大風(fēng)力有12級(臺風(fēng)級,35m/s),2日夜間以強熱帶風(fēng)暴級的強度移入廣西境內(nèi),3日下午在廣西北部減弱為熱帶低壓,4日8時前后進入湖南并停止編號。“暹芭”及其殘余環(huán)流先后從華南到東北影響我國16個省(市、區(qū))。具有首個登陸臺風(fēng)時間偏晚和強度偏強、深入內(nèi)陸影響范圍廣、累計雨量大和出現(xiàn)多個龍卷風(fēng)等特點。另外,“暹芭”屬于近海加強臺風(fēng),在距離登陸點110 km時加強為臺風(fēng),并以峰值強度登陸廣東電白沿海,是近20 a來登陸廣東省最強的南?！巴痢迸_風(fēng)(指在我國南海生成的臺風(fēng))。

2203號臺風(fēng)“暹芭”的分析結(jié)果如圖5所示,針對4個連續(xù)時刻的衛(wèi)星云圖的特征提取,臺風(fēng)強度突變的預(yù)測結(jié)果分析如下:中央氣象臺業(yè)務(wù)預(yù)報的臺風(fēng)報文babj信息條數(shù)為94條,由于模型輸入的是序列數(shù)據(jù),在預(yù)測時,以4條連續(xù)數(shù)據(jù)信息(間隔為6h)作為一個輸入,以此共得到81條有效信息,通過對81條信息進行標(biāo)注,共標(biāo)記了3條突變時刻(對于T時刻的標(biāo)注為1意味著在T～T+12h內(nèi),臺風(fēng)風(fēng)速會增強≥7 m/s)。閾值超過0.55判定為出現(xiàn)快速增強,反之判定為沒有出現(xiàn)快速增強。樣例2203號臺風(fēng)“暹芭”的結(jié)果綜合準確率是90.1%,漏報率是0,誤報率是10.2%,TS評分達到0.27。

圖5 2203號臺風(fēng)“暹芭”的4個連續(xù)時刻的衛(wèi)星云圖Fig. 5 Satellite cloud images of four consecutive moments of typhoon Chaba No.2203

通過對2203號臺風(fēng)“暹芭”的全生命史進行測試,如圖6所示,可以發(fā)現(xiàn)該強度突變趨勢預(yù)測模型在2022年6月30日早晨快速增強RI概率有一個快速的升高,概率值超過了55%,接近65%,因此表明該模型對于臺風(fēng)強度出現(xiàn)快速增強的初始時刻預(yù)測效果良好,這為臺風(fēng)“暹芭”的氣象服務(wù)保障工作提供了很好的客觀產(chǎn)品的支撐,并且漏報率為0,而誤報主要出現(xiàn)在強度保持在較強的平穩(wěn)期的情況下,這將是該AI模型需要繼續(xù)改進的地方。

圖6 針對2203號臺風(fēng)“暹芭”模型估計與實況突變概率的比較Fig. 6 Comparison of the intensity estimated by the model and the intensity of best track for 2203 typhoon Chaba

選取2022年的另外4個強度突變的臺風(fēng),即2211號臺風(fēng)“軒嵐諾”、2212號臺風(fēng)“梅花”、2214號臺風(fēng)“南瑪都”、2216號臺風(fēng)“奧鹿”進行個例測試檢驗。

2211號臺風(fēng)“軒嵐諾”的分析結(jié)果如圖7(a)所示,通過對126條信息進行標(biāo)注,共標(biāo)記了9條突變時刻,該樣例的漏報率是66.7%,誤報率是0.8%,TS評分達到了0.30。2212號臺風(fēng)“梅花”的分析結(jié)果如圖7(b)所示,通過對149條信息進行標(biāo)注,共標(biāo)記了8條突變時刻,該樣例的漏報率是12.5%,誤報率是9.2%,TS評分達到了0.33。2214號臺風(fēng)“南瑪都”的分析結(jié)果如圖7(c)所示,通過對30條信息進行標(biāo)注,共標(biāo)記了5條突變時刻,該樣例的漏報率是12.0%,誤報率是40.0%,TS評分達到了0.45。2216號臺風(fēng)“奧鹿”的分析結(jié)果如圖7(d)所示,通過對61條信息進行標(biāo)注,共標(biāo)記了10條突變時刻,該樣例的漏報率是40.0%,誤報率是7.8%,TS評分達到了0.43。通過對2022年的4個強度突變臺風(fēng)個例進行測試,可以發(fā)現(xiàn)該強度突變趨勢預(yù)測模型的TS評分均超過了0.37,結(jié)果顯示基于人工智能的臺風(fēng)快速增強趨勢判別技術(shù)優(yōu)于傳統(tǒng)主觀的強度預(yù)報方法,具有一定的業(yè)務(wù)應(yīng)用價值。

圖7 AI快速增強判別模型的突變概率與實況臺風(fēng)的突變概率比較Fig. 7 Comparison between RI probability predicted by AI model and the actural RI probability

綜上所述,通過對測試集2019—2021年強度突變的臺風(fēng)樣本以及2022年多個快速增強臺風(fēng)個例進行測試,可以發(fā)現(xiàn)該強度突變趨勢預(yù)測模型的綜合準確率均超過84.6%,而誤報和漏報主要出現(xiàn)在上升期出現(xiàn)下降或保持平穩(wěn)的情況下,這也是未來將要繼續(xù)改進該AI模型的地方。

4 結(jié)論與討論

本文采用人工智能領(lǐng)域的深度殘差網(wǎng)絡(luò)Resnet模型和基于時空關(guān)聯(lián)深度學(xué)習(xí)模型LSTM為技術(shù)基礎(chǔ),通過標(biāo)注、學(xué)習(xí)西北太平洋及南海臺風(fēng)的衛(wèi)星云圖數(shù)據(jù)中的關(guān)鍵信息,提出了一種時序預(yù)測的臺風(fēng)快速增強趨勢判別框架,包括以PIPELINE方式將Resnet模型和雙層LSTM網(wǎng)絡(luò)進行融合的方式,根據(jù)臺風(fēng)風(fēng)速變化提出了臺風(fēng)生命周期指示這個新指標(biāo),以提取更準確的臺風(fēng)時空聯(lián)合演化特征,提出了一種自動、客觀的臺風(fēng)快速增強趨勢判別技術(shù),可以有效地解決臺風(fēng)強度快速增強趨勢預(yù)測和判別問題。

對比目前傳統(tǒng)的臺風(fēng)強度快速增強趨勢判別的方法,人工智能新技術(shù)避免了預(yù)報人員的主觀性,可以持續(xù)穩(wěn)定高效地工作,從而減少預(yù)報人員繁瑣的預(yù)報工作,同時也提升了臺風(fēng)強度快速增強趨勢判別的效率。相比于現(xiàn)有技術(shù),在考慮了數(shù)據(jù)缺失和數(shù)據(jù)分布不平衡的基礎(chǔ)上,本文提出的新方法能夠更快速準確地提取出臺風(fēng)快速增強的特征,從而提升了臺風(fēng)快速增強趨勢判別的準確率,也進一步推進了臺風(fēng)強度預(yù)報業(yè)務(wù)的智能化。

但是目前本文僅是基于人工智能技術(shù)來解決西北太平洋和南海臺風(fēng)RI趨勢判別的問題,在有其他海域臺風(fēng)歷史資料的前提下,未來可以拓展對全球其他海域的臺風(fēng)RI趨勢判別業(yè)務(wù),更好地支撐業(yè)務(wù)人員在全球更廣闊的海域展開臺風(fēng)強度的預(yù)報預(yù)警工作。