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(bào)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(bào)方法。該方法以長(zhǎng)短期記憶深度網(wǎng)絡(luò)為模型構(gòu)架, 利用前4個(gè)時(shí)刻(24 h, 間隔6 h)及當(dāng)前時(shí)刻的TC路徑記錄, 以及由不同環(huán)境因素所計(jì)算的方向預(yù)報(bào)因子作為輸入, 分別直接預(yù)報(bào)和間接(通過(guò)預(yù)報(bào)移動(dòng)速度)預(yù)報(bào)路徑, 集成兩者預(yù)報(bào)結(jié)果實(shí)現(xiàn)時(shí)效為24 h的TC路徑預(yù)報(bào)。試驗(yàn)部分使用不同環(huán)境因素所對(duì)應(yīng)方向預(yù)報(bào)因子進(jìn)行預(yù)報(bào), 進(jìn)而探究在該模型中影響TC路徑預(yù)報(bào)的環(huán)境因素。結(jié)果表明, 經(jīng)緯向風(fēng)場(chǎng)所計(jì)算的方向預(yù)報(bào)因子對(duì)模型預(yù)報(bào)性能提升較為明顯, 而海表溫度、高度的方向預(yù)報(bào)因子對(duì)性能提升相對(duì)較小。此外, 將不同方向預(yù)報(bào)因子的預(yù)報(bào)模型進(jìn)一步集成, 可以提升預(yù)報(bào)精度。上述結(jié)果驗(yàn)證了本文所提出的方向預(yù)報(bào)因子、集成方法在TC路徑預(yù)報(bào)問(wèn)題中的有效性。

熱帶氣旋路徑; 集成預(yù)報(bào); 深度學(xué)習(xí); 長(zhǎng)短期記憶網(wǎng)絡(luò); 方向預(yù)報(bào)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(gè)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(duì)我國(guó)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(wèn)題在于預(yù)報(bào)能力的提升[4]。TC預(yù)報(bào)主要包括三個(gè)方面: 路徑預(yù)報(bào)、強(qiáng)度預(yù)報(bào)以及風(fēng)雨預(yù)報(bào)。TC路徑預(yù)報(bào)是強(qiáng)度、風(fēng)雨等預(yù)報(bào)的基礎(chǔ)[5], 準(zhǔn)確的路徑預(yù)報(bào)可以有效提升預(yù)報(bào)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(lái), TC數(shù)值模式不斷完善, 集合預(yù)報(bào)和多模式集成預(yù)報(bào)技術(shù)逐步發(fā)展, TC路徑預(yù)報(bào)精度得到了大幅提升[6-7]。其中, 集成預(yù)報(bào)技術(shù)綜合集成多種預(yù)報(bào)模式, 可以有效提高預(yù)報(bào)準(zhǔn)確率[8-9], 是未來(lái)預(yù)報(bào)技術(shù)的主要發(fā)展方向之一。

隨著氣象觀(guān)測(cè)技術(shù)的發(fā)展, TC記錄及各類(lèi)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(bào)方法, 將深度學(xué)習(xí)方法應(yīng)用于TC預(yù)報(bào)逐漸成為專(zhuān)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(bào)問(wèn)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(bào)問(wèn)題[13-18]?？紤]到預(yù)報(bào)因子對(duì)TC發(fā)展演變的重要作用, 如動(dòng)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(duì)臺(tái)風(fēng)周?chē)L(fēng)場(chǎng)等環(huán)境場(chǎng)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(bào)。此外, 由于集成預(yù)報(bào)在數(shù)值預(yù)報(bào)中逐步推廣應(yīng)用, 基于深度學(xué)習(xí)的TC集成預(yù)報(bào)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(bào)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(huì)的TC路徑集成預(yù)報(bào)模型。研究表明, 基于深度學(xué)習(xí)的集成預(yù)報(bào)方法相較于單個(gè)神經(jīng)網(wǎng)絡(luò)預(yù)報(bào)個(gè)體可以取得更好更穩(wěn)定的預(yù)報(bào)效果。

前人的研究開(kāi)拓了基于深度學(xué)習(xí)的集成預(yù)報(bào)方法在TC預(yù)報(bào)問(wèn)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(bào), 提出了一種深度學(xué)習(xí)TC路徑集成預(yù)報(bào)方法。鑒于長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)(Long Short-Term Memory, LSTM)在時(shí)序數(shù)據(jù)預(yù)測(cè)問(wèn)題中的優(yōu)異表現(xiàn), 本文以L(fǎng)STM為基礎(chǔ)網(wǎng)絡(luò)結(jié)構(gòu)。整體方法以前4個(gè)時(shí)刻(24 h, 間隔6 h)及當(dāng)前時(shí)刻(共計(jì)5個(gè)時(shí)刻)的TC路徑記錄為數(shù)據(jù)驅(qū)動(dòng), 結(jié)合方向預(yù)報(bào)因子作為模型輸入。方向預(yù)報(bào)因子的計(jì)算過(guò)程是首先將TC附近一定范圍內(nèi)各類(lèi)環(huán)境場(chǎng)劃分不同的方向區(qū)域, 再分別求取其各區(qū)域的對(duì)應(yīng)環(huán)境影響因子。因此, 在預(yù)報(bào)模型中輸入上述方向預(yù)報(bào)因子相當(dāng)于在預(yù)報(bào)過(guò)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(bào)?？紤]到在本方法中對(duì)環(huán)境因子的使用是按照不同方向劃分區(qū)域后分別計(jì)算, 再輸入預(yù)報(bào)模型, 故稱(chēng)之為方向預(yù)報(bào)因子。最后, 本文借鑒集成預(yù)報(bào)的思路, 分別對(duì)TC路徑直接預(yù)報(bào), 以及通過(guò)預(yù)報(bào)TC移動(dòng)速度間接預(yù)報(bào)路徑, 將二者集成得到最終預(yù)報(bào)結(jié)果, 實(shí)現(xiàn)預(yù)報(bào)時(shí)效為24小時(shí)的路徑預(yù)報(bào)，并通過(guò)試驗(yàn)驗(yàn)證了上述方向預(yù)報(bào)因子、集成方法在TC路徑預(yù)報(bào)問(wèn)題中的有效性。

1 數(shù)據(jù)與處理

1.1 數(shù)據(jù)來(lái)源

本文所研究范圍為北印度洋TC, 使用了以下兩個(gè)數(shù)據(jù)集:

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

b) 美國(guó)國(guó)家環(huán)境預(yù)報(bào)中心(National Centers for Environmental Prediction, NCEP)所提供的氣象預(yù)報(bào)再分析(Climate Forecast System Reanalysis, CFSR)數(shù)據(jù)集[25-26]的客觀(guān)分析場(chǎng)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(shí)間點(diǎn)、TC中心經(jīng)緯度、TC強(qiáng)度等。該數(shù)據(jù)集時(shí)間分辨率為6 h, 即每天的0時(shí)、6時(shí)、12時(shí)和18時(shí); 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(shí)間分辨率和記錄時(shí)刻與NIO-BST數(shù)據(jù)集相同, 這方便了后續(xù)處理中的時(shí)序配準(zhǔn)。

對(duì)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(chǎng), 即環(huán)境因素, 如不同等壓面的風(fēng)場(chǎng)、位勢(shì)高度場(chǎng)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(shí)850 hPa等壓面下的風(fēng)矢量圖。

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

1.2 數(shù)據(jù)篩選與時(shí)空匹配

NIO-BST數(shù)據(jù)集與CFSR數(shù)據(jù)集在時(shí)間、空間范圍上有所不同, 需要將二者在時(shí)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(guān)測(cè)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(shí)間一般較短, 因此, 對(duì)NIO-BST數(shù)據(jù)記錄長(zhǎng)度進(jìn)行篩選, 刪除發(fā)展時(shí)間較短的TC(少于3 d, 對(duì)應(yīng)13個(gè)記錄點(diǎn))。此外, NIO-BST數(shù)據(jù)中包含有時(shí)間間隔為3 h的記錄, 為了保持時(shí)間步長(zhǎng)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(duì)應(yīng)的時(shí)間點(diǎn), 實(shí)現(xiàn)兩類(lèi)數(shù)據(jù)的時(shí)間匹配。

本文使用CFSR數(shù)據(jù)來(lái)描述TC周?chē)沫h(huán)境因素。TC的發(fā)展過(guò)程十分復(fù)雜, 其路徑發(fā)展不僅取決于TC內(nèi)部動(dòng)力因素, 還受其周?chē)h(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(guò)大影響模型的計(jì)算效率, 過(guò)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(xiàn)為T(mén)C路徑, 以當(dāng)前時(shí)刻TC風(fēng)眼(橙色點(diǎn))為中心, 劃定窗口(實(shí)線(xiàn)紅色矩形區(qū)域)即為所選取的當(dāng)前TC對(duì)應(yīng)的環(huán)境范圍。通過(guò)上述操作實(shí)現(xiàn)了兩類(lèi)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L(fǎng)STM為基本架構(gòu), 因此需要將TC數(shù)據(jù)整理為L(zhǎng)STM所適配的輸入形式, 即時(shí)序樣本和標(biāo)簽, 樣本為當(dāng)前時(shí)刻之前4個(gè)時(shí)刻(24 h, 間隔6 h)及當(dāng)前時(shí)刻的TC數(shù)據(jù), 標(biāo)簽為當(dāng)前時(shí)刻24 h后的TC路徑記錄。

對(duì)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(shí)間點(diǎn),為T(mén)C長(zhǎng)度。NIO-BST數(shù)據(jù)為多元時(shí)序數(shù)據(jù), 所包含變量分別為年份()、月份()、日期()、時(shí)刻(), TC中心的緯度(Lat)、經(jīng)度(Long)以及強(qiáng)度(), 如下所示:

對(duì)于CFSR數(shù)據(jù)集, 對(duì)應(yīng)BST的各時(shí)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(shì)高度或海平面溫度等物理量, 試驗(yàn)部分會(huì)展示選用不同物理量的預(yù)報(bào)結(jié)果。

圖3 時(shí)刻t的輸入樣本和標(biāo)簽

對(duì)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(bào)

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(bào)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(shì)外推, 最終得到路徑預(yù)報(bào)結(jié)果, 其本質(zhì)是時(shí)序預(yù)測(cè)問(wèn)題。深度學(xué)習(xí)領(lǐng)域, 常用于解決時(shí)序預(yù)測(cè)問(wèn)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(shí)序預(yù)測(cè)問(wèn)題的關(guān)鍵[30], 如圖4所示。

為了擬合長(zhǎng)期時(shí)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(jiǎn)單, 而LSTM的循環(huán)結(jié)構(gòu)則復(fù)雜得多, 如圖5所示, 通過(guò)遺忘門(mén)、輸入門(mén)和輸出門(mén)控制記憶狀態(tài)和隱含狀態(tài)的更新, 從而實(shí)現(xiàn)長(zhǎng)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(zhǎng)期時(shí)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T(mén)C路徑預(yù)報(bào)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(guò)2層全連接層(Fully Connected Layer, FC)進(jìn)行計(jì)算得到預(yù)報(bào)結(jié)果。

2.2 LSTM中方向預(yù)報(bào)因子的計(jì)算

上述基于LSTM的TC路徑預(yù)報(bào)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(wú)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(bào)因子以輔助TC路徑的預(yù)報(bào)。

首先, 將TC的背景環(huán)境(圖2中虛線(xiàn)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(jí)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(xiàn)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(lèi)推; 以及模型輸入維度和模型復(fù)雜度、計(jì)算量的正相關(guān)性, 因此為簡(jiǎn)化模型及減少計(jì)算量, 本文中僅選用D1—D4區(qū)域計(jì)算方向預(yù)報(bào)因子, 即對(duì)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(shì)高度值等資料, 具體內(nèi)容請(qǐng)見(jiàn)試驗(yàn)設(shè)計(jì)部分)數(shù)值分別求取平均值, 即為方向預(yù)報(bào)因子, 針對(duì)不同的環(huán)境因素, 可以分別求得對(duì)應(yīng)的方向預(yù)報(bào)因子, 如850 hPa經(jīng)向風(fēng)D1方向預(yù)報(bào)因子、850 hPa經(jīng)向風(fēng)D2方向預(yù)報(bào)因子等等。

對(duì)應(yīng)每個(gè)時(shí)刻, 計(jì)算得到的方向預(yù)報(bào)因子是一個(gè)向量, 將其與BST, t串聯(lián), 一起輸入TC路徑預(yù)報(bào)網(wǎng)絡(luò), 使得在路徑預(yù)報(bào)的過(guò)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(bào)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(dòng)方向有著直接關(guān)聯(lián), 如風(fēng)場(chǎng)的方向預(yù)報(bào)因子所代表的不同方向引導(dǎo)風(fēng)流對(duì)TC移動(dòng)方向起著關(guān)鍵性作用。因此, 方向預(yù)報(bào)因子可以為T(mén)C路徑預(yù)報(bào), 提供關(guān)于TC運(yùn)動(dòng)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(shí)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(bào)因子, 從而給TC路徑預(yù)報(bào)提供了充分的背景環(huán)境信息以及較為明確的預(yù)報(bào)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(shí)間, 大大提升了計(jì)算效率。

2.3 聯(lián)合移動(dòng)速度預(yù)報(bào)的集成預(yù)報(bào)

在TC路徑預(yù)報(bào)的工作中, 不論是數(shù)值預(yù)報(bào)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(bào)未來(lái)路徑, 這樣的方法忽略了TC移動(dòng)過(guò)程中速度具有時(shí)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(duì)TC移動(dòng)速度進(jìn)行預(yù)報(bào), 再通過(guò)預(yù)報(bào)的移動(dòng)速度計(jì)算, 得到預(yù)報(bào)路徑。

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

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(shí)間TC路徑經(jīng)緯度之差, 可以稱(chēng)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(bào)模型示意圖如圖6所示。網(wǎng)絡(luò)通過(guò)對(duì)TC的移動(dòng)速度進(jìn)行預(yù)報(bào), 引入了移動(dòng)速度時(shí)間連續(xù)性的先驗(yàn)信息, 再與TC路徑預(yù)報(bào)結(jié)果集成, 有助于TC路徑預(yù)報(bào)精度的提升。

2.4 TC路徑集成預(yù)報(bào)的實(shí)施流程

整體來(lái)說(shuō), 本文的使用深度學(xué)習(xí)網(wǎng)絡(luò)——LSTM對(duì)TC路徑進(jìn)行預(yù)報(bào), 并使用方向預(yù)報(bào)因子為T(mén)C路徑提供背景環(huán)境信息和方向指導(dǎo)信息, 通過(guò)預(yù)報(bào)移動(dòng)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(lái), 提升預(yù)報(bào)效果。每間隔6 h實(shí)現(xiàn)一次時(shí)效為24 h的TC路徑預(yù)報(bào)。

表1展示了本文所提出的路徑預(yù)報(bào)方法的整體流程。

表1 TC路徑集成預(yù)報(bào)實(shí)施流程

3 TC路徑集成預(yù)報(bào)試驗(yàn)

3.1 試驗(yàn)設(shè)計(jì)

CFSR數(shù)據(jù)包括與氣象相關(guān)的各種物理量, 為了對(duì)比其不同環(huán)境場(chǎng)對(duì)本文集成預(yù)報(bào)模型預(yù)報(bào)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(chǎng), 分別為850 hPa、700 hPa、500 hPa以及200 hPa等壓面下的緯向風(fēng)場(chǎng)(u-com-po-nent of wind,Wind)、經(jīng)向風(fēng)場(chǎng)(v-component of wind,Wind)、位勢(shì)高度場(chǎng)(geopotential height,Geo), 以及海面溫度場(chǎng)(sea surface temperature,SS)、海平面高度場(chǎng)(sea surface heigh,SS)。其中, 考慮到風(fēng)場(chǎng)由Wind和Wind共同描述, 將二者視為一類(lèi)變量, 簡(jiǎn)寫(xiě)為Wind。

圖7所展示的是, 1997年9月26日6時(shí), 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(bào)因子計(jì)算方式, 整理NIO-BST數(shù)據(jù)集中所篩選出的TC及其對(duì)應(yīng)時(shí)刻、對(duì)應(yīng)位置的CFSR數(shù)據(jù), 并對(duì)其中CFSR環(huán)境場(chǎng)分別計(jì)算對(duì)應(yīng)的方向預(yù)報(bào)因子, 如風(fēng)場(chǎng)(Wind)方向預(yù)報(bào)因子、海表溫度(SST)方向預(yù)報(bào)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(gè)獨(dú)立的數(shù)據(jù)集, 即訓(xùn)練集、驗(yàn)證集、測(cè)試集, 三者比例常為8︰1︰1?？紤]到TC具有時(shí)間屬性, 且預(yù)報(bào)性能的評(píng)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(duì)搭建好的TC-track和TC-velocity模型分別訓(xùn)練, 具體來(lái)說(shuō), 樣本作為模型輸入, 經(jīng)過(guò)模型參數(shù)計(jì)算后得到模型輸出, 即預(yù)報(bào)得到的24 h后TC路徑, 計(jì)算其與標(biāo)簽之間的誤差, 然后通過(guò)時(shí)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(guò)程中, 將驗(yàn)證集樣本輸入, 通過(guò)計(jì)算模型預(yù)報(bào)值和標(biāo)簽的差距以評(píng)估訓(xùn)練進(jìn)程, 并挑選出最優(yōu)模型作為預(yù)報(bào)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(cè)試集樣本, 得到24 h后的路徑預(yù)報(bào)結(jié)果, 與測(cè)試集標(biāo)簽對(duì)比, 評(píng)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(píng)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(cè)與真實(shí)的緯度、經(jīng)度, 計(jì)算公式如下所示:

對(duì)應(yīng)每個(gè)樣本均有預(yù)報(bào)路徑和標(biāo)簽(真實(shí)路徑), 即可計(jì)算相應(yīng)的路徑預(yù)報(bào)誤差。對(duì)測(cè)試集所有樣本(2015—2018年北印度洋TC, 共計(jì)16個(gè)TC, 整理為280個(gè)樣本)的預(yù)報(bào)誤差求取統(tǒng)計(jì)值, 包括平均值、均方根誤差、四分位數(shù)等, 并繪制箱型圖, 對(duì)比評(píng)估所構(gòu)建模型的性能。此外, 針對(duì)路徑預(yù)報(bào)難點(diǎn), 與外推法相比較進(jìn)行模型預(yù)報(bào)結(jié)果分析; 使用穩(wěn)定度指標(biāo)[37]進(jìn)行模型檢驗(yàn)評(píng)估; 并與業(yè)務(wù)化預(yù)報(bào)的精度相對(duì)比。

本文中的TC路徑預(yù)報(bào)模型使用python 3.6編程語(yǔ)言、PyTorch學(xué)習(xí)庫(kù)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(bào)試驗(yàn)中所對(duì)比的方向預(yù)報(bào)因子及其對(duì)應(yīng)的TC-track模型、TC-velocity模型以及集成模型在測(cè)試集上的24 h路徑預(yù)報(bào)誤差如表3所示, 其中, 預(yù)報(bào)誤差使用兩類(lèi)統(tǒng)計(jì)量表示, 為測(cè)試集所有樣本24 h路徑預(yù)報(bào)誤差的平均值和均方根, 簡(jiǎn)寫(xiě)為“平均值±均方根”的形式。預(yù)報(bào)誤差平均值代表預(yù)報(bào)模型的總體精度, 數(shù)值越小表示預(yù)報(bào)精度越高; 均方根代表模型的預(yù)報(bào)穩(wěn)定性, 數(shù)值越小表示對(duì)于不同的預(yù)報(bào)樣本, 模型的預(yù)報(bào)性能越穩(wěn)定; 預(yù)報(bào)精度和穩(wěn)定性共同描述了模型的預(yù)報(bào)性能。序號(hào)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(bào)因子的預(yù)報(bào)模型性能, 序號(hào)2—5分別表示使用了由不同環(huán)境場(chǎng)所計(jì)算得到的方向預(yù)報(bào)因子以及NIO- BST數(shù)據(jù)作為輸入的預(yù)報(bào)模型性能。表格中對(duì)各方向預(yù)報(bào)因子中所用到的CFSR環(huán)境場(chǎng)進(jìn)行了簡(jiǎn)寫(xiě), 如850 hPa等壓面的經(jīng)緯度風(fēng)場(chǎng)簡(jiǎn)寫(xiě)為Wind850, 以此類(lèi)推。

表3 各環(huán)境因素方向預(yù)報(bào)因子的預(yù)報(bào)結(jié)果

從表3中可以看出, 各類(lèi)方向預(yù)報(bào)因子對(duì)路徑預(yù)報(bào)模型的性能提升有一定的作用。Wind方向預(yù)報(bào)因子對(duì)性能的提升較為明顯, 即表中2號(hào)對(duì)應(yīng)的預(yù)報(bào)誤差最小,Geo方向預(yù)報(bào)因子次之, 而SS方向預(yù)報(bào)因子和SS方向預(yù)報(bào)因子對(duì)模型性能提升相對(duì)較小。不論對(duì)于何種方向預(yù)報(bào)因子, 集成預(yù)報(bào)的平均誤差總是小于其對(duì)應(yīng)的TC-track模型和TC-velocity模型預(yù)報(bào)誤差, 這說(shuō)明了集成預(yù)報(bào)方法的有效性, 可以提高模型的路徑預(yù)報(bào)能力。為了更加直觀(guān)地表示不同方向預(yù)報(bào)因子和集成方法對(duì)預(yù)報(bào)性能的提升, 用箱型圖展示表3中各模型的統(tǒng)計(jì)量, 如圖8所示。從圖中可以看出, 使用不同方向預(yù)報(bào)因子的模型相較于第一組(未使用方向預(yù)報(bào)因子)均顯示出一定的性能提升, 具體表現(xiàn)在預(yù)報(bào)誤差上限降低、箱型位置靠下(大部分樣本預(yù)報(bào)誤差降低); 對(duì)于每組方向預(yù)報(bào)因子模型, 集成預(yù)報(bào)模型相較于TC-track和TC-velocity也有一定的提升。但是, 預(yù)報(bào)模型對(duì)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(huì)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(bào)因子的預(yù)報(bào)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(bào)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(bào)模型進(jìn)行集成。

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

表4 多環(huán)境因素方向預(yù)報(bào)因子的預(yù)報(bào)結(jié)果

序號(hào)2至13對(duì)應(yīng)模型的預(yù)報(bào)結(jié)果相較于無(wú)方向預(yù)報(bào)因子的模型(序號(hào)1, baseline)預(yù)報(bào)結(jié)果在預(yù)報(bào)精度、預(yù)報(bào)穩(wěn)定性上均有一定的提升。其中, 序號(hào)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(bào)結(jié)果。而一些方向預(yù)報(bào)因子模型的集成, 如序號(hào)12、13對(duì)應(yīng)的模型, 其預(yù)報(bào)性能較baseline及表3中單個(gè)方向預(yù)報(bào)因子的模型提升較小, 這說(shuō)明方向預(yù)報(bào)因子不能隨意組合, 需要根據(jù)先驗(yàn)知識(shí)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(duì)本文方法的路徑預(yù)報(bào)結(jié)果進(jìn)一步分析。首先考慮到路徑預(yù)報(bào)的難點(diǎn)所在: 移動(dòng)速度的變化和移動(dòng)方向的變化[38]。因此, 主要探究了預(yù)報(bào)誤差與對(duì)應(yīng)時(shí)刻的移動(dòng)速度、移動(dòng)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(duì)TC移動(dòng)方向和移動(dòng)速度的變化做了簡(jiǎn)單計(jì)算。假定當(dāng)前時(shí)刻為, 上一時(shí)刻(6 h前)為1, 預(yù)報(bào)時(shí)刻為24 h, 移動(dòng)速度變化情況Δ和移動(dòng)方向變化情況Δ計(jì)算公式如下所示:

為直觀(guān)展示預(yù)報(bào)誤差與對(duì)應(yīng)時(shí)刻的移動(dòng)速度、移動(dòng)方向變化情況之間的相關(guān)性, 將移動(dòng)速度變化和移動(dòng)方向變化分別作為坐標(biāo)軸, 使用不同的顏色代表預(yù)報(bào)誤差大小, 展示測(cè)試集中2015—2018年的TC(共計(jì)16個(gè)TC, 整理為280個(gè)樣本)預(yù)報(bào)結(jié)果, 如圖9(a)所示。考慮到外推預(yù)報(bào)法認(rèn)為T(mén)C相近時(shí)刻的移動(dòng)速度和方向不發(fā)生改變, 可以明顯展示出TC預(yù)報(bào)難度與移動(dòng)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(bào)方法的有效性, 因此, 同樣對(duì)外推法的預(yù)報(bào)結(jié)果進(jìn)行展示作為對(duì)比,如圖9(b)所示。

圖9 預(yù)報(bào)結(jié)果與移動(dòng)速度、方向變化的相關(guān)性

從結(jié)果中可以看出, 對(duì)于外推法的預(yù)報(bào)結(jié)果, 不同預(yù)報(bào)誤差的分布情況具有明顯的分層現(xiàn)象, 即移動(dòng)速度和移動(dòng)方向變化越快, 預(yù)報(bào)難度越大; 而對(duì)于基于深度學(xué)習(xí)的集成預(yù)報(bào)方法, 藍(lán)色點(diǎn)(預(yù)報(bào)誤差小于等于80 km)的分布更加廣泛, 紅色點(diǎn)(預(yù)報(bào)誤差大于200 km)的數(shù)量更少。結(jié)果說(shuō)明相較于外推法這種簡(jiǎn)單的基準(zhǔn)方法, 本文方法是有效的, 但是在移動(dòng)速度或方向發(fā)生較大變化時(shí)[Δ>0.4(°)/6 h, Δ>20°], 即預(yù)報(bào)難度較大時(shí), 仍存在預(yù)報(bào)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(duì)本文方法進(jìn)行檢驗(yàn)評(píng)估。距離穩(wěn)定度表示預(yù)報(bào)誤差小于規(guī)定的距離誤差上限的預(yù)報(bào)次數(shù)與總預(yù)報(bào)次數(shù)的比例, 距離誤差上限選擇有兩個(gè), 分別為表4中號(hào)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(bào)誤差表示預(yù)報(bào)方向與實(shí)際方向一致的預(yù)報(bào)次數(shù)所占比例。經(jīng)過(guò)對(duì)測(cè)試集預(yù)報(bào)結(jié)果的統(tǒng)計(jì), 本方法對(duì)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(lái)看, 大部分預(yù)報(bào)次數(shù)的預(yù)報(bào)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(bào)的專(zhuān)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(bào)結(jié)果與IMD所發(fā)布的預(yù)報(bào)結(jié)果[39]相對(duì)比。其中, IMD僅提供了年度平均誤差, 未提供TC個(gè)數(shù)或預(yù)報(bào)次數(shù), 因此, 表5中僅對(duì)比了兩種方法的年平均預(yù)報(bào)誤差, 其中的TC個(gè)數(shù)和預(yù)報(bào)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(bào)性能接近于IMD的業(yè)務(wù)預(yù)報(bào)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(bào)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(bào)精度對(duì)比

最后, 從測(cè)試集中挑選TC個(gè)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(kù)納”的預(yù)報(bào)結(jié)果, 各預(yù)報(bào)時(shí)刻的24 h路徑預(yù)報(bào)平均誤差為86.86 km。本方法起報(bào)時(shí)刻為2018年5月22日12時(shí), 每間隔6 h預(yù)報(bào)一次, 預(yù)報(bào)時(shí)效為24 h, 如圖10a, 紅色曲線(xiàn)代表真實(shí)路徑, 白色虛線(xiàn)兩端連接預(yù)報(bào)時(shí)刻真實(shí)路徑和預(yù)報(bào)路徑(時(shí)效24 h), 點(diǎn)顏色代表預(yù)報(bào)誤差(與圖9相同)。由于圖10a預(yù)報(bào)點(diǎn)數(shù)過(guò)多不易觀(guān)察, 從起報(bào)時(shí)刻開(kāi)始, 每隔24 h繪制一次預(yù)報(bào)結(jié)果, 展示在圖10b。從結(jié)果中可以看出,本文預(yù)報(bào)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(shí)的預(yù)報(bào)結(jié)果, 這與前述的分析是相符合的。但總體來(lái)說(shuō), 預(yù)報(bào)結(jié)果與真實(shí)路徑的總體趨勢(shì)相吻合, 預(yù)報(bào)路徑具有一定的可信性, 說(shuō)明了本文方法的有效性。

圖10 TC“梅庫(kù)納”的真實(shí)路徑與預(yù)報(bào)路徑

4 結(jié)論

針對(duì)北印度洋TC路徑預(yù)報(bào), 本文提出了一種基于深度學(xué)習(xí)的TC路徑集成預(yù)報(bào)方法, 使用前4個(gè)時(shí)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(bào)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(shí)效為24 h的路徑預(yù)報(bào)。其主要?jiǎng)訖C(jī)及優(yōu)勢(shì)在于: 1) 對(duì)環(huán)境因素計(jì)算方向預(yù)報(bào)因子, 簡(jiǎn)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(dòng)速度預(yù)報(bào)模型, 將其與TC路徑預(yù)報(bào)模型集成得到最終預(yù)報(bào)結(jié)果, 從而利用了TC速度變化具有時(shí)間連續(xù)性的先驗(yàn)信息, 從而提升預(yù)報(bào)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(jì)16個(gè)TC, 整理為280個(gè)樣本)測(cè)試性能。從試驗(yàn)結(jié)果分析中得到以下結(jié)論:

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

2) 不論對(duì)于何種方向預(yù)報(bào)因子, 集成預(yù)報(bào)的平均誤差均小于其對(duì)應(yīng)的TC-track模型和TC-velocity模型預(yù)報(bào)誤差, 說(shuō)明在本方法中集成預(yù)報(bào)的有效性;

3) 對(duì)多種方向預(yù)報(bào)因子模型進(jìn)行集成時(shí),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(bào)結(jié)果, 方向預(yù)報(bào)因子的組合需要根據(jù)先驗(yàn)知識(shí)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(bào)難點(diǎn)(移動(dòng)速度、移動(dòng)方向的變化), 但在移動(dòng)速度或方向發(fā)生較大變化時(shí)[Δ>0.4(°)/6 h, Δ>20°], 仍然存在部分預(yù)報(bào)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(bào)因子、集成方法在TC路徑預(yù)報(bào)問(wèn)題中的有效性。但在與業(yè)務(wù)化預(yù)報(bào)的對(duì)比中, 本文方法的預(yù)報(bào)精度尚未占優(yōu), 仍有相當(dāng)?shù)陌l(fā)展空間。下一步將對(duì)本文方法中誤差較大的樣本深入分析, 挖掘預(yù)報(bào)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(bào)模型, 進(jìn)一步提升預(yù)報(bào)性能。

[1] 陳聯(lián)壽, 丁一匯. 西太平洋臺(tái)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(jì)特征[J]. 廣東海洋大學(xué)學(xué)報(bào), 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?chǎng)? 北印度洋熱帶氣旋對(duì)中國(guó)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(bào), 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(tái)風(fēng)路徑多模式集成預(yù)報(bào)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(tái)風(fēng)數(shù)值預(yù)報(bào)技術(shù)研究進(jìn)展[J]. 海洋氣象學(xué)報(bào), 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(guó)飛, 劉會(huì)軍, 潘寧, 等. 臺(tái)風(fēng)路徑數(shù)值預(yù)報(bào)實(shí)時(shí)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(dòng)態(tài)權(quán)重的臺(tái)風(fēng)集成預(yù)報(bào)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(bào)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(bào)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(bào)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(tái)風(fēng)預(yù)報(bào)中的應(yīng)用初探[J]. 自然災(zāi)害學(xué)報(bào), 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(tái)風(fēng)災(zāi)情預(yù)測(cè)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(shí)空特征的熱帶氣旋強(qiáng)度預(yù)測(cè)方法[J]. 南京師范大學(xué)學(xué)報(bào)(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(tái)風(fēng)路徑預(yù)報(bào)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(huì)機(jī)器的南中國(guó)海臺(tái)風(fēng)路徑預(yù)報(bào)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(tái)風(fēng)預(yù)警發(fā)布系統(tǒng)的設(shè)計(jì)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(guó)內(nèi)臺(tái)風(fēng)數(shù)值預(yù)報(bào)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(jì)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(qián)傳海. 全球熱帶氣旋集合預(yù)報(bào)技術(shù)綜述[C]// 中國(guó)氣象學(xué)會(huì). 創(chuàng)新驅(qū)動(dòng)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(guó)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(bào)精度評(píng)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(guó)內(nèi)臺(tái)風(fēng)模式路徑預(yù)報(bào)效果評(píng)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(guó)24h臺(tái)風(fēng)路徑預(yù)報(bào)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(guó)家重點(diǎn)研發(fā)計(jì)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)