热带气旋强度估计——物理信息融合

《Physics-Augmented Deep Learning to Improve Tropical Cyclone Intensity and Size Estimation from Satellite Imagery》

来源： Monthly Weather Review 中科院二区
数据使用：
在本文中，给模型的输出/标签是来自季后/最终最佳赛道数据集的 TC 强度（MSW 和 MSLP）和风半径（R34、R50、R64 和 RMW）。这些数据来自 IBTrACS 数据库 ( Knapp et al. 2010 )。模型的主要输入是以 TC 为中心的红外图像，它们来自飓风卫星数据集（HURSAT-B1；3 小时间隔；8 公里分辨率；Knapp 和 Kossin 2007）。由于 HURSAT-B1 图像仅在 2016 年之前可用，因此我们使用了 GridSat-B1 档案中的 IR 图像（Knapp et al. 2011) 从那时起。GridSat-B1 具有与 HURSAT-B1 相同的时间和空间分辨率，但在全球范围内。地球同步卫星红外图像因其实时可用性和高空间和时间分辨率而被使用。我们还使用辅助风暴信息作为输入。这些包括 TC 丰度（Guo 和 Tan 2017）、风暴的位置和运动。TC丰度是TC结构的一个新概念，定义为外核风裙的归一化程度，即(R34 − RMW)/R34。 辅助信息来自用于初始化数值天气预报模型指导的热带气旋生命体征数据库（TC Vitals ）（例如，Tallapragada 等人，2014 年；Bender 等人，2017 年））。对于来自 TC Vitals 的风半径估计无效的情况，相应的 TC 丰满度设置为零。仅考虑终生最大强度至少为 34 kt（即热带风暴）的北大西洋 TC。温带系统和热带波被消除。
在数据预处理中，通过减去平均值并除以标准偏差，将特定样本归一化应用于红外图像。然后仅裁剪红外图像以包括中心区域。对于强度估计，使用了 58 × 58 像素的图像，在我们的实践中发现它运行良好且有效。对于尺寸估计，使用 156 × 156 像素的较大图像来包括外范围云信息，这被证明是产生高质量外核风半径估计所必需的。鉴于在 IBTrACS 数据库中为每个象限（NE、SE、SW 和 NW）记录了 R34、R50 和 R64，应用非零方位角平均值来获取风半径标签。 请注意，R34、R50 和 R64 表示此后的方位角平均风半径数据。 由于无法保证来自 IBTrACS 的所有风半径标签在物理上都是一致的；例如，R50 可能比 R64 小，即使这种安排在物理上是不可能的。因此，不满足关系 R34 > R50 > R64 和 R34 ≥ RMW, R50 ≥ RMW, R64 ≥ RMW (科辛等人。2007 年）被删除。

启发： 可以加上TC丰满度 试试

---

《Rotation-blended CNNs on a New Open Dataset for Tropical Cyclone Image-to-intensity Regression》

来源： KDD会议 大数据方向的顶会
摘要：
热带气旋(TC)是发生在热带地区的一种恶劣天气系统。准确估算TC强度是灾害管理的关键。而强度估计任务是更好地理解和预测TC行为的关键。最近，不仅是气象学家，数据科学家也开始关注这一课题。然而，如果没有一个基准数据集来共同研究，就很难激发这两类学者之间的联合研究。在本工作中，我们发布了一个这样的基准数据集，这是一个新的开放的卫星遥感数据集，用于TC-image-to-intensity估计任务。我们还提出了一个基于卷积神经网络(CNN)的新模型来解决这个问题。我们发现，通常的CNN在物体识别方面是成熟的，在用于强度估计任务时需要进行多次修改。此外，我们将气象学家的领域知识，如TC的旋转不变性，结合到我们的模型设计中，以达到更好的性能。在发布的基准数据集上的实验结果表明，该模型是用于TC强度估计的最精确模型之一，且在所有情况下都相对稳定。结果显示了将数据科学应用于气象学研究的潜力。

相关工作

利用卫星图像估计TC强度的一个基本思想是，与相似云特征相关的TC可能具有相似的强度。Dvorak技术是最广泛使用的方法，它基于地球同步卫星观测到的TC云特征估计TC强度[2,27]。这种方法将TC强度与红外图像中中心和波段特征的各种云模式联系起来。然而，要掌握德沃夏克的技巧，以及它的地域差异和调整，需要花费大量的时间。此外，风暴中心选择和场景类型确定过程固有的主观性影响了预报技术的稳定性。在过去的三十年里，德沃夏克的若干改进技术得到了发展[18,29]。先进Dvorak技术(ADT)[18,19]是最新发布的版本，目前用于作战TC强度估计。ADT通过使用基于计算机的算法来识别云特征，减少了识别的主观性。此外，ADT是第一个应用线性回归估计TC强度的方法。

除了基于dvorak的技术外，还提出了从红外卫星图像中计算出的其他与TC强度相关的参数。偏角方差(DAV)是一个很有前途且相对较新的参数，它通过评估云顶温度的梯度来确定TC的对称程度[22,23]。 此外，还利用TC云特征与TC强度相关的其他参数，如TC云顶温度在TC[3]周围的14个半径环的平均值和标准差，以及TC云顶内芯[24]的斜率。

同时，自ADT[18]将线性回归引入模型以来，各种回归方法也被用于TC强度估计。下面是一些例子:

1. 采用非线性sigmoid方程描述DAV与TC强度之间的关系。
2. 在基于卫星图像的具有相似强度的TCs上使用k-means算法。
3. 介绍了一个多元线性回归模型，该模型考虑了TC云特征的七个不同参数。
4. 介绍了一种称为相关向量机（RVM）的机器学习方法，用于TC强度估计。

数据处理： TCIR数据集里包含红外、水汽、可见光、被动微波数据，图像大小201x201，作者只用了IR1和PMW数据，并且将数据剪切成64x64的。

---

《Estimating Tropical Cyclone Intensity by Satellite Imagery Utilizing Convolutional Neural Networks》

来源： Weather and Forecasting 中科院三区
摘要：
准确估算热带气旋 (TC) 强度是 TC 预报和灾害预警/管理中最关键的步骤之一。40 多年来，Dvorak 技术（和几个改进版本）已被世界各地的预报员用于估计 TC 强度。然而，主要用于各个机构的业务 Dvorak 技术有几个缺陷，例如固有的主观性导致不同流域内的强度估计不一致。气象学家和数据科学家之间的这项合作研究开发了一种使用卫星图像来估计 TC 强度的深度学习模型。传统的卷积神经网络 (CNN) 是一种成熟的对象分类技术，在用于直接估计 TC 强度（回归任务）时需要进行多次修改。与Dvorak技术相比，这里提出的CNN模型在各个盆地之间是客观一致的；它已使用 2003-14 年期间 1097 个全球 TC 的卫星红外亮温IR和微波降雨率数据进行训练，并使用 2015-16 年期间 188 个 TC 的数据进行优化。本文还介绍了一个升级版本，通过使用额外的TC信息(如流域、年份、当地时间、经度和纬度)和应用后平滑程序，进一步提高了精度。2017年使用94个全球tc的独立测试数据集来评估模型性能。相对于最佳轨道强度，其均方根强度差为8.39 kt (1 kt ’ 0.51 m s21)。对一个由482个样本组成的子集进行了普查观测分析，得到了强度的RMSE为8.79 kt。
数据： IR1 、PMW(证明出这两个更好)