周必高 魯小琴 鄭 峰 黃克慧 洪水潔 謝海華 趙兵科

1 浙江省溫州市氣象局，溫州 325000 2 浙江省溫州市臺風(fēng)監(jiān)測預(yù)報技術(shù)重點實驗室，溫州 325000 3 中國氣象局上海臺風(fēng)研究所，上海 200030 4 四創(chuàng)科技有限公司，福州 350000

提 要： 臺風(fēng)預(yù)報除常規(guī)方法外，查找歷史相似作為預(yù)報和決策的參考依據(jù)是常用手段,但從海量歷史臺風(fēng)中檢索相似費時費力。提出了一種基于改進的視覺幾何組模型VGG16的副熱帶高壓(以下簡稱副高)相似檢索方法，進行基于副高相似的歷史相似臺風(fēng)查詢。通過對1979—2020年臺風(fēng)季19 736個對應(yīng)時次的副高圖像提取、數(shù)據(jù)增強、模型學(xué)習(xí)和優(yōu)化，并以學(xué)習(xí)感知圖像塊相似度(learned perceptual image patch similarity,LPIPS)作為副高相似的度量指標(biāo)，最終建立了改進的VGG16模型。試驗結(jié)果表明，使用該模型可以找出較為相似的歷史臺風(fēng)，模型檢索得到的排名第一的歷史相似臺風(fēng)與目標(biāo)臺風(fēng)相似度高達(dá)92.55%，該方法可為臺風(fēng)預(yù)報業(yè)務(wù)人員提供了積極參考。同時，該模型相較于傳統(tǒng)的人工識別，識別時間較短、檢索效率高，可在業(yè)務(wù)及科研中推廣應(yīng)用。

引 言

我國地處太平洋西岸，海岸線漫長，從廣西到遼寧常年都會受到臺風(fēng)的影響(陳聯(lián)壽和丁一匯，1979)。尤其在夏季，沿海及內(nèi)陸受臺風(fēng)影響地區(qū)常常會因臺風(fēng)襲擊而造成人員傷亡和重大財產(chǎn)損失，因此精準(zhǔn)的臺風(fēng)路徑、強度及風(fēng)雨影響預(yù)報對保障人民的生命財產(chǎn)安全具有重大的現(xiàn)實意義。臺風(fēng)路徑預(yù)報的準(zhǔn)確性是開展防臺減災(zāi)服務(wù)的基礎(chǔ)。氣象學(xué)家們針對臺風(fēng)路徑預(yù)報的方法發(fā)展了大量統(tǒng)計或動力模型，同時也發(fā)現(xiàn)歷史相似臺風(fēng)能夠為臺風(fēng)路徑、強度和風(fēng)雨預(yù)報提供非常有價值的參考信息。已有的歷史臺風(fēng)相似檢索大多基于人工主觀判別進行或者針對臺風(fēng)路徑空間相似開展(劉勇等，2006；王遠(yuǎn)飛等，2006；魯小琴等，2013；徐高揚和劉姚，2019)，但存在以下問題：(1)歷史數(shù)據(jù)中采用人工識別查找歷史相似臺風(fēng)。該方法判別時間長，不能滿足預(yù)報決策的實時性需求。(2)基于空間相似的歷史臺風(fēng)自動檢索。該方法速度快，但找到的歷史相似臺風(fēng)，大部分由于和目標(biāo)臺風(fēng)所對應(yīng)的大尺度環(huán)境流場存在差異，并且造成的風(fēng)雨影響及災(zāi)害也各異，因而此類相似臺風(fēng)并不一定屬于氣象意義上的相似臺風(fēng)。在此基礎(chǔ)上，預(yù)報員們提出能否根據(jù)臺風(fēng)環(huán)境場的相似去查找歷史相似臺風(fēng)，進而為當(dāng)前臺風(fēng)預(yù)報和防臺減災(zāi)決策提供更為科學(xué)且專業(yè)的參考。

臺風(fēng)的移動受到各種復(fù)雜因素的影響，但實踐表明牽引運動是最主要的因素，因此大型氣壓場的分布及與此相應(yīng)的大范圍深厚的基本氣流是臺風(fēng)路徑預(yù)報的重要根據(jù)(陳聯(lián)壽和丁一匯,1979)。其中,副熱帶高壓(以下簡稱副高)就是影響臺風(fēng)移動路徑的一個非常重要的大型環(huán)流系統(tǒng)，其周期變化、形狀特征及與西風(fēng)槽的相互作用等，很大程度上引導(dǎo)著未來臺風(fēng)走向及可能帶來的風(fēng)雨影響。因此以副高相似來查詢得到的歷史相似臺風(fēng)，可能可為當(dāng)前臺風(fēng)的路徑及風(fēng)雨影響預(yù)報提供較為精準(zhǔn)的輔助資訊。

科學(xué)家們已經(jīng)開展了很多有關(guān)氣象要素場的相似研究，大多基于格點數(shù)據(jù)進行距離或相關(guān)分析(李開樂，1986；羅陽，1996；羅陽和趙偉，2008；丁晨晨等，2019；黃小玉等，2019；宋文彬等，2020)，并未針對某個特定的環(huán)流系統(tǒng)開展。事實上影響臺風(fēng)移動的副高具有特定的形狀和相對的地理空間分布(如距離大陸遠(yuǎn)近等)，因此具有圖像特征識別功能的神經(jīng)網(wǎng)絡(luò)技術(shù)對實現(xiàn)大區(qū)域環(huán)境場中副高的識別和提取，并進行相似判定具有非常大的優(yōu)勢。且神經(jīng)網(wǎng)絡(luò)技術(shù)已在各行各業(yè)開展了大量的研究和應(yīng)用，如人臉識別(吳素雯和戰(zhàn)蔭偉,2017)、字符識別(葛明濤等，2014)和語音識別(Xue et al,2014)等。氣象領(lǐng)域中，黃小燕和金龍(2013)在綜合考慮臺風(fēng)移動路徑的氣候持續(xù)因子和數(shù)值預(yù)報產(chǎn)品動力預(yù)報因子的基礎(chǔ)上，建立了基于主成分分析的人工智能臺風(fēng)路徑預(yù)報模型，預(yù)報精度高于氣候持續(xù)法；葉小嶺等(2014)基于主成分分析及RBF神經(jīng)網(wǎng)絡(luò)開展了浙江省臺風(fēng)災(zāi)害損失預(yù)測；代刊等(2013)基于自組織神經(jīng)網(wǎng)絡(luò)算法分析了華北區(qū)域夏季天氣氣候?qū)W特征；陳文兵等(2019)利用G-CNN模型開展了濃霧天氣形勢識別。以上研究表明基于一般神經(jīng)網(wǎng)絡(luò)技術(shù)在氣象領(lǐng)域進行天氣特征識別(如濃霧)或預(yù)報預(yù)測(如臺風(fēng)路徑和強度、災(zāi)害等)已取得了一些成效，但采用神經(jīng)網(wǎng)絡(luò)技術(shù)對臺風(fēng)大尺度環(huán)境場中的副高進行識別和判定，成果鮮見。

本文擬基于卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network,CNN)的視覺幾何組模型(visual geo-metry group,VGG16)(Lecun et al,1998；Simonyan and Zisserman,2016)來識別臺風(fēng)大尺度環(huán)境場中的副高，并以學(xué)習(xí)感知圖像塊相似度(learned perceptual image patch similarity,LPIPS)(Wang et al,2004)作為圖像相似度量指標(biāo)，建立副高相似的識別算法,進而開展對應(yīng)歷史相似臺風(fēng)查詢，以期為臺風(fēng)路徑預(yù)報提供更高效而精準(zhǔn)的參考信息。

1 數(shù)據(jù)及預(yù)處理

1.1 數(shù)據(jù)說明

本文中大尺度環(huán)境場主要用500 hPa位勢高度來表征，資料來自ERA5再分析數(shù)據(jù)集(https:∥cds.climate.copernicus.eu/)。資料集覆蓋時間范圍為1979—2020年，時間分辨率為6 h(逐日00、06、12和18時，世界時，下同)；空間范圍為90°S～90°N、180°E～180°W，空間分辨率為1°×1°。為節(jié)約計算資源，只截取本研究關(guān)注的西北太平洋區(qū)域(10°S～75°N、75°E～165°W)，用于開展對歷史副高的識別和相似檢索分析。

臺風(fēng)路徑數(shù)據(jù)(Ying et al，2014；Lu et al，2021)來自中國氣象局熱帶氣旋資料中心的臺風(fēng)最佳路徑數(shù)據(jù)集(https:∥tcdata.typhoon.org.cn/zjljsjj_zlhq.html)，包含1979—2020年發(fā)生在西北太平洋及南海地區(qū)的逐臺風(fēng)記錄時間、中心經(jīng)度和緯度、中心最大風(fēng)速和最低氣壓，時間分辨率為6 h(逐日00、06、12和18時)。

1.2 數(shù)據(jù)預(yù)處理

為了便于后續(xù)算法模型對副高的識別，對ERA5再分析數(shù)據(jù)進行預(yù)處理：(1)數(shù)據(jù)提取。讀取500 hPa位勢高度層網(wǎng)格數(shù)據(jù)，并提取大于5880 gpm的格點數(shù)值用來表征副高。(2)數(shù)據(jù)清洗。采用圖像形態(tài)學(xué)算法中的腐蝕和膨脹運算等技術(shù)，對部分孤立點、邊緣處裂痕等異常數(shù)據(jù)進行剔除或彌補，對提取得到的副高圖像進行邊緣光滑，以提高副高相似分析的準(zhǔn)確性。(3)近似多邊形提取。采用Canny邊緣檢測技術(shù)，提取副高邊緣上的離散點并連接形成多邊形，將其作為最終副高輪廓。圖1為2019年8月5日00時臺風(fēng)環(huán)境場和預(yù)處理提取得到的副高對照圖，可見該時刻臺風(fēng)中心位于副高西南側(cè)，在副高的影響下呈西北行趨勢；而預(yù)處理提取到了完整的副高形態(tài)和分布。

圖1 2019年8月5日00時(UTC)(a)臺風(fēng)環(huán)境場和(b)預(yù)處理提取的副高(黑色三角形:臺風(fēng)中心位置) Fig.1 Comparison of (a) environmental field of typhoon and (b) extracted subtropical high at 0000 UTC 5 August 2019(black triangle: typhoon center)

2 神經(jīng)網(wǎng)絡(luò)模型及相似度量指標(biāo)

2.1 CNN基本結(jié)構(gòu)

CNN由輸入層、隱含層和輸出層組成(圖2)，隱含層中又包含卷積層、池化層和全連接層(Zeiler and Fergus,2014)。其中，在卷積層中，利用設(shè)定大小的卷積核和指定步長在輸入圖像(原圖或特征圖)上進行滑動并做卷積計算，該層的作用是提取輸入圖像的主要關(guān)鍵特征；池化層的作用是對提取的特征進行抽樣，在減輕網(wǎng)絡(luò)模型過擬合程度(Matsugu et al,2003)的同時可以減小后續(xù)運算量。卷積層和池化層合作，實現(xiàn)對輸入圖像的特征提取并抽樣降維，能提取出副高形態(tài)中最具有代表性的關(guān)鍵特征；卷積層和池化層一般交替出現(xiàn)在網(wǎng)絡(luò)中，一個卷積層加一個池化層被稱為一個特征提取過程。最后，全連接層負(fù)責(zé)把提取的特征圖連接起來，通過分類器得到最終的分類估算結(jié)果(鄭澤宇等,2018)。

圖2 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖Fig.2 Structure diagram of convolutional neural network

2.2 VGG16模型

VGG16是CNN的一個經(jīng)典模型，該模型具有5個卷積組(13個卷積層)和3個全連接層(圖3)，在使用同等大小卷積核的條件下，提升了網(wǎng)絡(luò)的深度和效果(Simonyan and Zisserman,2016)。其網(wǎng)絡(luò)結(jié)構(gòu)非常一致，全部使用3×3卷積和2×2池化。該模型相比于其他卷積神經(jīng)網(wǎng)絡(luò)模型，主要采用連續(xù)的3×3的小卷積核代替較大卷積核。對于給定的特征圖，連續(xù)采用小卷積核堆積的策略要優(yōu)于大的卷積核，因為較高深度的多層非線性層能使卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)更復(fù)雜的模態(tài)，并且需要的參數(shù)較少，模型的計算代價更小，一定程度上提升了神經(jīng)網(wǎng)絡(luò)的效果。

圖3 VGG16網(wǎng)絡(luò)架構(gòu)Fig.3 Network architecture of VGG16

2.3 LPIPS度量指標(biāo)

LPIPS也被稱為“感知損失”，用于度量兩張圖像之間的相似程度。本研究當(dāng)中主要使用LPIPS來度量兩幅副高圖像的相似程度。該指標(biāo)在視覺相似性判斷上更接近人類感知(Zhang et al,2018)。其計算公式如下：

(1)

為了便于比較輸出圖像相似度，副高x與x0的圖片相似度P定義為：

P(x,x0)=[1-d(x,x0)]×100

(2)

3 模型的建立

3.1 改進的VGG16副高識別模型構(gòu)建

VGG16模型是基于大圖像數(shù)據(jù)庫(ImageNet)訓(xùn)練而成的，具備較強的深度特征學(xué)習(xí)能力的參數(shù)和權(quán)重網(wǎng)，特別是對卷積層輸入的圖像輪廓、邊緣、曲線等特征提取具有較強的能力。因此，為減少網(wǎng)絡(luò)訓(xùn)練時間和提高網(wǎng)絡(luò)訓(xùn)練效率，將已訓(xùn)練好的VGG16模型作為預(yù)訓(xùn)練模型，采用遷移學(xué)習(xí)的方式(關(guān)胤,2019)，引入副高識別模型進行卷積層、池化層再訓(xùn)練。VGG16模型的輸入和網(wǎng)絡(luò)架構(gòu)參數(shù)設(shè)置改進如下文所述，模型訓(xùn)練流程如圖4所示。

圖4 副高相似識別模型訓(xùn)練流程圖Fig.4 The training flow chart of similarity recognition model of subtropical high

3.1.1 訓(xùn)練樣本

將輸入的三通道彩色圖改變?yōu)閱瓮ǖ阑叶葓D，輸入尺寸由224×224×3改為86×44×1。圖像灰度化并框定小區(qū)域之后可以大幅減少計算量，同時可重點突出副高在大尺度環(huán)境場中的空間位置和大小。設(shè)置數(shù)據(jù)集中用于學(xué)習(xí)和測試的樣本比例分別為80%和20%。

3.1.2 數(shù)據(jù)增強

為彌補CNN訓(xùn)練需要海量的數(shù)據(jù)樣本而當(dāng)前歷史副高圖庫中的樣本數(shù)量較少的缺陷，采用數(shù)據(jù)增強的方法，對已有的數(shù)據(jù)樣本進行翻轉(zhuǎn)、剪裁、高斯噪聲等處理，并生成新的數(shù)據(jù)樣本來補充原圖庫樣本資料集，由此擴大了訓(xùn)練集和測試集的樣本數(shù)量，同時提高了模型的泛化能力，并減少過度擬合。

3.1.3 網(wǎng)絡(luò)架構(gòu)參數(shù)設(shè)置

設(shè)定本模型中使用3個卷積組，網(wǎng)絡(luò)架構(gòu)的輕巧化有利于快速提取副高圖像的特征數(shù)據(jù)；每個卷積組設(shè)定只含2個卷積層和1個池化層，但為充分提取副高細(xì)微圖像特征，在個別卷積組中增加卷積核的數(shù)目；同時只進行圖像特征提取，即去掉分類器，只包括卷積層、池化層和全連接層。

3.2 模型訓(xùn)練

模型訓(xùn)練采用Tensorflow深度學(xué)習(xí)框架，處理器使用Intel酷睿i7—9700，機器內(nèi)存為16 GB，優(yōu)化器使用Adam，批大小為30，學(xué)習(xí)率為4×10-3，損失函數(shù)采用Cross Entropy Loss計算。

針對1979—2020年臺風(fēng)季19 736個對應(yīng)時次的副高圖像樣本，設(shè)定8∶2的樣本劃分比例確定訓(xùn)練集和測試集，對模型進行學(xué)習(xí)訓(xùn)練(圖5)。由圖5a 可見，當(dāng)?shù)螖?shù)到達(dá)20次，該模型的訓(xùn)練集和測試集準(zhǔn)確率都明顯增加，迭代達(dá)80次之后，該模型的訓(xùn)練精準(zhǔn)度和損失函數(shù)值趨于平衡，其訓(xùn)練集和測試集準(zhǔn)確度峰值分別為89.7%和86.5%。從圖5b中可以看出，迭代80～100次后，損失函數(shù)值達(dá)到最小，表明模型已收斂并穩(wěn)定。保存此時模型結(jié)構(gòu)參數(shù)及網(wǎng)絡(luò)權(quán)重為最終副高相似識別模型。

圖5 1979—2020年臺風(fēng)季樣本訓(xùn)練過程(a)準(zhǔn)確率，(b)損失函數(shù)Fig.5 Training process of samples in typhoon season from 1979 to 2020(a) accuracy, (b) loss function

4 模型的試驗及檢驗

4.1 模型的試驗

以0309號臺風(fēng)為例(以下稱為目標(biāo)臺風(fēng))，選2003年8月4日06時副高圖像(圖6a)作為檢索目標(biāo)，利用改進的VGG6模型進行相似檢索試驗。

圖6 (a)2003年8月4日06時0309號臺風(fēng)及其對應(yīng)副高，(b～f)相似檢索得到的歷史相似臺風(fēng)及其對應(yīng)副高(b)1713號，(c)0708號，(d)0108號，(e)1617號，(f)1319號(黑點：臺風(fēng)中心位置，黑線：前后36 h臺風(fēng)路徑)Fig.6 (a) Typhoon No.0309 and its corresponding subtropical high at 06:00 UTC 4 August 2003, (b-f) historical similar typhoons and the corresponding subtropical high obtained by similar retrieval(b) No.1713, (c) No.0708, (d) No.0108, (e) No.1617, (f) No.1319(black dot: location of typhoon center, black line: typhoon track before and after 36 h)

4.1.1 相似副高圖像比較

利用本模型檢索得到的歷史相似臺風(fēng)排名前五位的分別為1713號(圖6b)、0708號(圖6c)、0108號(圖6d)、1617號(圖6e)和1319號臺風(fēng)(圖6f)。圖6顯示，相似臺風(fēng)對應(yīng)時刻的副高形狀(西伸型)、副高分布范圍大小(南北跨度及東西長度)及伸至大陸以西時的略微南掉都非常一致。就視覺感知情況而言，其中1713號臺風(fēng)的對應(yīng)時刻副高最為相似(圖6b)，0108號臺風(fēng)的對應(yīng)時刻副高(圖6d)相似度略差。

4.1.2 LPIPS相似度值的比較

計算檢索得到的排名前五位臺風(fēng)對應(yīng)時刻副高相似度LPIPS值(表1)。發(fā)現(xiàn)1713號臺風(fēng)的對應(yīng)LPIPS值最高，同視覺感知情況一致；但是LPIPS值排在前五位的臺風(fēng)就視覺感知而言其相似程度排序會有不同，這與人眼識別和客觀判據(jù)的差異有關(guān)。

表1 前五位相似臺風(fēng)對應(yīng)副高間的LPIPS值Table 1 The LPIPS value of corresponding subtropical high of top 5 similar typhoons

綜上所述可見，利用改進的VGG16模型識別檢索到的歷史相似臺風(fēng)對應(yīng)的副高，從視覺特征上看與目標(biāo)臺風(fēng)的副高大小、位置、形狀是一致的，且對應(yīng)的LPIPS值的大小與視覺特征的相似度也基本匹配。

4.2 模型效果檢驗

為了檢驗VGG16模型檢索到的歷史相似副高與目標(biāo)副高的相似程度，以目標(biāo)臺風(fēng)對應(yīng)的2003年8月4日06時副高的相似檢索結(jié)果為例，針對目標(biāo)臺風(fēng)和歷史相似臺風(fēng)對應(yīng)時刻的副高區(qū)域分別提取近似多邊形，分別定義為A和B，通過幾何圖像算法分別分析其大小(面積)、重心(位置)和形狀(輪廓)等幾何特征差異 (周必高等，2021)，從幾何學(xué)的角度綜合比較其相似程度。

4.2.1 大小相似度

采用面積作為參數(shù)來衡量副高大小相似程度。獲取A和B的面積SA和SB，使用式(3)計算面積相似度：

SimArea(A,B)=1-abs(SA-SB)/Max(SA,SB)

(3)

式中:SA、SB分別為A和B的面積，abs(SA-SB)表示求取SA、SB差的絕對值，Max(SA,SB)為取SA、SB最大值，SimArea(A,B)為A和B間的面積相似度值。以目標(biāo)副高的相似檢索結(jié)果為例，面積大小相似度排名前五位如表2所示。

表2 同表1，但為面積相似度 Table 2 Same as Table 1, but for area similarity

4.2.2 位置相似度

提取A和B的質(zhì)心坐標(biāo)A(Xa,Ya)、B(Xb,Yb)作為副高中心位置，其中質(zhì)心定義為副高多邊形的幾何中心；通過歐氏距離計算兩質(zhì)心間的距離，并將距離歸一化到[0,1]范圍之內(nèi)，作為位置相似度衡量指標(biāo)。

歐氏距離計算公式如下所示:

(4)

位置歸一化算法如下所示：

SimDis(A,B)=1/[Dis(A,B)/C+1]

(5)

式中:Xa、Ya和Xb、Yb分別為副高質(zhì)心A和B的坐標(biāo)，Dis(A,B)為A和B質(zhì)心間的距離；C為A和B的任意邊界點間距離的最大值，SimDis(A,B)為歸一化后的位置相似度值。位置相似度排名前五位如表3所示。

表3 同表1，但為位置相似度Table 3 Same for Table 1, but for location similarity

4.2.3 輪廓相似度

基于射線的幾何匹配方法，以副高近似多邊形的幾何中心為原點，從原點發(fā)出射線與x軸的夾角為Qi,將Qi作為幾何形狀描述函數(shù)的參數(shù)，Qi∈[0,2π]。射線分別相交于近似多邊形A和B的輪廓邊界于點PAi和PBi，分別計算交點PAi和PBi到原點的距離：LA(Qi)=|PAiO|和LB(Qi)=|PBiO|。則A和B在Qi方向上的相似度為：

(6)

式中：Max[LA(Qi),LB(Qi)]為取這兩個距離中的最大值，Simangle(Qi)則為A和B在Qi方向上的相似度值。

旋轉(zhuǎn)射線角度與近似多邊形A、B連續(xù)相交,則A和B的形狀輪廓相似度計算公式如下：

(7)

式中：M表示射線數(shù)量，A(M)=2e-1/M,用來調(diào)節(jié)差異距離大小，|LA(Qi)-LB(Qi)|為A和B在Qi方向的差距，SimShape(A,B)即為A和B的輪廓相似度。以目標(biāo)副高的相似檢索結(jié)果為例，輪廓相似度排名前五位如表4所示。

表4 同表1，但為輪廓相似度Table 4 Same as Table 1, but for shape similarity

4.2.4 綜合相似度

利用A和B之間的面積、位置和輪廓相似度進行綜合相似度計算，計算公式如下：

SimLand(A,B)=aSimArea(A,B)+

bSimDis(A,B)+cSimShape(A,B)

(8)

式中：SimLand(A,B)為計算得到的A和B的綜合相似度。a、b和c分別表示對應(yīng)維度的權(quán)重值，根據(jù)業(yè)務(wù)應(yīng)用經(jīng)驗設(shè)定a、b和c權(quán)重值分別為0.5、0.3 和0.2，綜合相似度排名前五位如表5所示。

表5 同表1，但為綜合相似度Table 5 Same as Table 1, but for comprehensive similarity

綜上所述，通過對目標(biāo)副高和相似副高的幾何圖像學(xué)大小、中心位置和輪廓各維度的比對，發(fā)現(xiàn)排名前五位的相似臺風(fēng)的面積如表2所述，相似度排序和VGG16模型檢索出的結(jié)果完全一致。而相似副高的質(zhì)心位置如表3所示，相似度排序和VGG16模型得出的結(jié)果也基本一致。輪廓相似度排序與模型檢索稍有差異，一方面因為對副高本身外圍邊界的描述算法不盡完善；另外副高形態(tài)變化快，導(dǎo)致檢索得到的相似副高與目標(biāo)副高輪廓會略有差異?？偠灾诰C合的幾何圖像學(xué)比較了VGG16模型檢索得到的相似副高與目標(biāo)副高的相似度高度一致。表明改進后的VGG16模型在識別副高及查找歷史相似副高和對應(yīng)相似臺風(fēng)的分析中是非常有效的。

5 結(jié)論與討論

本文針對影響臺風(fēng)路徑移動的一個非常重要的大型環(huán)流系統(tǒng)——副高的相似度判別，提出了一種基于CNN技術(shù)的改進VGG16模型。利用1979—2020年臺風(fēng)季歷史樣本對模型進行訓(xùn)練和測試，使用LPIPS作為相似度量標(biāo)準(zhǔn)，進行歷史副高相似識別。試驗表明，通過該方法可以找到歷史相似副高所對應(yīng)的歷史相似臺風(fēng)，解決了針對海量歷史臺風(fēng)數(shù)據(jù)進行人工相似識別的難題；同時通過幾何圖像學(xué)相似檢驗其檢索效果，結(jié)論基本一致。改進的VGG16模型檢索效率高，可為預(yù)報員開展臺風(fēng)預(yù)報和防臺減災(zāi)決策提供快速且更科學(xué)的參考。

但影響臺風(fēng)移動的副高在時刻發(fā)生變化，當(dāng)前時次相似，下一個時次可能發(fā)生較大的改變，故需要綜合考慮某個時間段內(nèi)平均環(huán)境場的相似，對臺風(fēng)未來的移動走向趨勢引導(dǎo)才具有更重要的預(yù)報決策參考意義。另外，本文僅考慮了位勢高度值為5880 gpm的副高主體對臺風(fēng)路徑移動的影響，實際上有時副高主體的西北側(cè)會向外伸出高壓壩或高壓脊(位勢高度值不等于5880 gpm)，其對臺風(fēng)移動也有很好的指示意義。因此，下一步將結(jié)合高壓壩和高壓脊，開展對確定時段內(nèi)副高區(qū)域平均場的相似或者24、48、72 h預(yù)報場的相似檢索，以期給出綜合性更高，更為合理和科學(xué)的歷史相似臺風(fēng)，為預(yù)報決策提供支撐。