Современные проблемы дистанционного зондирования Земли из космоса. 2024. Т. 21. № 2. С. 336-349
Разработка новой автоматической методики восстановления интенсивности тропических циклонов по данным многоспектральных спутниковых наблюдений Земли с помощью искусственных нейросетей
А.Н. Якушева
1 , Д.М. Ермаков
1, 2 1 Институт космических исследований РАН, Москва, Россия
2 Фрязинский филиал Института радиотехники и электроники им. В.А. Котельникова РАН, Фрязино, Московская обл., Россия
Одобрена к печати: 29.03.2024
DOI: 10.21046/2070-7401-2024-21-2-336-349
Представлена автоматическая методика восстановления интенсивности тропических циклонов (ТЦ) по их спутниковым изображениям на основе свёрточной нейронной сети. Для формирования выборки исходных данных использованы 43 688 записей о ТЦ из баз данных основных региональных национальных центров слежения за тропическими циклонами (для краткости — национальных ураганных центров, БД НУЦ) и соответствующие им спутниковые изображения в нескольких спектральных диапазонах (видимом, инфракрасном, микроволновом). Собранные данные охватывают наблюдения с 1981 по 2022 г. во всех акваториях Мирового океана, кроме Индийского океана, участвующих в генезисе тропических циклонов. Выполнено исследование по реализации нейросети с наилучшими показателями, восстанавливающей интенсивность ТЦ на собранном объёме данных. По итогам исследования спроектирована, реализована и обучена нейросеть, обеспечившая (при сравнении восстановленного значения интенсивности ТЦ с указанными в БД НУЦ) среднеквадратичную ошибку около 11,3 (11,4) уз; коэффициент детерминации — около 0,80 (0,82) в зависимости от сочетания типов входной информации. Отмечено, что достигнутые показатели качества превосходят известные из литературы или сопоставимы с ними. При этом анализ работ по развитию подходов к автоматизированной оценке интенсивности ТЦ показал, что все они выполнены на существенно меньших (на порядки) объёмах входной информации (отдельные акватории, единичные годы, определённые фазы развития ТЦ и т. д.). Заявленные в литературе оценки среднеквадратичной погрешности составляют от 8 до 14 уз, но минимальный уровень погрешности достигается путём специального отбора «подходящих» данных.
Ключевые слова: тропические циклоны, восстановление интенсивности, искусственные нейронные сети, многоспектральные спутниковые наблюдения
Полный текстСписок литературы:
- Arohan A., Koustav A., Abhishek S. A Review of Convolutional Neural Networks // 2020 Intern. Conf. Emerging Trends in Information Technology and Engineering. 2020. P. 1–5. DOI: 10.1109/ic-ETITE47903.2020.049.
- Bai L., Tang J., Guo R., Zhang S. Quantifying interagency differences in intensity estimations of Super Typhoon Lekima (2019) // Frontiers of Earth Science. 2022. V. 16. P. 5–16. DOI: 10.1007/s11707-020-0866-5.
- Chen B.-F., Chen B., Lin H.-T., Elsberry R. L. Estimating tropical cyclone intensity by satellite imagery utilizing convolutional neural networks // Weather and Forecasting. 2019. V. 34. No. 2. P. 447–465. https://doi.org/10.1175/WAF-D-18-0136.1.
- Combinido J. S., Mendoza J. R., Aborot J. A convolutional neural network approach for estimating tropical cyclone intensity using satellite-based infrared images // Proc. 24th Intern. Conf. Pattern Recognition (ICPR-2018). 2018. P. 1474–1480. DOI: 10.1109/ICPR.2018.8545593.
- Dvorak V. F. A Technique for the Analysis and Forecasting of Tropical Cyclone Intensities from Satellite Pictures. Washington, D. C.: National Oceanic and Atmospheric Administration, 1973. 25 p. https://repository.library.noaa.gov/view/noaa/18546.
- Kingma D. P., Ba J. L. Adam: A method for stochastic optimization // Proc. 3rd Intern. Conf. Learning Representations (ICLR, 2015). 2015. 15 p. http://arxiv.org/abs/1412.6980.
- Lee J., Im J., Cha D.-H. et al. Tropical cyclone intensity estimation using multi-dimensional convolutional neural networks from geostationary satellite data // Remote Sensing. 2020. V. 12. Iss. 1. Article 108. https://doi.org/10.3390/rs12010108.
- Sharkov E. A. Global Tropical Cyclogenesis. Berlin; Heidelberg; L.; N. Y. etc.: Springer/PRAXIS, 2000. 361 p.
- Sharkov E. A. Global tropical cyclogenesis. 2nd ed. Berlin, Heidelberg: Springer-Verlag, 2012. 604 p.
- Sun H., Lei X., Tang J., Yao L. Comparisons of the characteristics of tropical cyclones experiencing extratropical transition in the western north pacific based on different dataset // J. Tropical Meteorology. 2017. V. 23. No. 3. DOI: 10.16555/j.1006-8775.2017.03.005.
- Velden C. S., Herndon D. An update on the SATellite CONsensus (SATCON) algorithm for estimating tropical cyclone intensity // Proc. 31st Conf. Hurricanes and Tropical Meteorology. 2014. https://tropic.ssec.wisc.edu/misc/satcon/hurrconf_2014_satcon_poster.pdf.
- Wimmers A., Velden C., Joshua C. Using deep learning to estimate tropical cyclone intensity from satellite passive microwave imagery // Monthly Weather Review. 2019. V. 147. No. 6. P. 2261–2282. https://doi.org/10.1175/MWR-D-18-0391.1.
- Xiang K., Yang X., Zhang M. et al. Objective Estimation of Tropical Cyclone Intensity from Active and Passive Microwave Remote Sensing Observations in the Northwestern Pacific Ocean // Remote Sensing. 2019. V. 11. No. 6. Article 627. DOI: 10.3390/rs11060627.
- Yang S., Gossuth J. Satellite remote sensing of tropical cyclones // Recent Developments in Tropical Cyclone Dynamics, Prediction, and Detection / ed. Lupo A. R. 2016. DOI: 10.5772/64114.
- Yu H., Hu C., Jiang L. Comparison of three tropical cyclone strength datasets // J. Meteorological Research. 2007. V. 21. No. 1. P. 121–128.
- Zhao Y., Zhao C., Sun R., Wang Z. A multiple linear regression model for tropical cyclone intensity estimation from satellite infrared images // Atmosphere. 2016. V. 7. No. 40. https://doi.org/10.3390/atmos7030040.