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

來源： Monthly Weather Review 中科院二區
數據使用：
在本文中，給模型的輸出/標簽是來自季后/最終最佳賽道數據集的 TC 強度（MSW 和 MSLP）和風半徑（R34、R50、R64 和 RMW）。這些數據來自 IBTrACS 數據庫 ( Knapp et al. 2010 )。模型的主要輸入是以 TC 為中心的紅外圖像，它們來自颶風衛星數據集（HURSAT-B1；3 小時間隔；8 公里分辨率；Knapp 和 Kossin 2007）。由于 HURSAT-B1 圖像僅在 2016 年之前可用，因此我們使用了 GridSat-B1 檔案中的 IR 圖像（Knapp et al. 2011) 從那時起。GridSat-B1 具有與 HURSAT-B1 相同的時間和空間分辨率，但在全球范圍內。地球同步衛星紅外圖像因其實時可用性和高空間和時間分辨率而被使用。我們還使用輔助風暴信息作為輸入。這些包括 TC 豐度（Guo 和 Tan 2017）、風暴的位置和運動。TC豐度是TC結構的一個新概念，定義為外核風裙的歸一化程度，即(R34 ? RMW)/R34。 輔助信息來自用于初始化數值天氣預報模型指導的熱帶氣旋生命體征數據庫（TC Vitals ）（例如，Tallapragada 等人，2014 年；Bender 等人，2017 年））。對于來自 TC Vitals 的風半徑估計無效的情況，相應的 TC 豐滿度設置為零。僅考慮終生最大強度至少為 34 kt（即熱帶風暴）的北大西洋 TC。溫帶系統和熱帶波被消除。
在數據預處理中，通過減去平均值并除以標準偏差，將特定樣本歸一化應用于紅外圖像。然后僅裁剪紅外圖像以包括中心區域。對于強度估計，使用了 58 × 58 像素的圖像，在我們的實踐中發現它運行良好且有效。對于尺寸估計，使用 156 × 156 像素的較大圖像來包括外范圍云信息，這被證明是產生高質量外核風半徑估計所必需的。鑒于在 IBTrACS 數據庫中為每個象限（NE、SE、SW 和 NW）記錄了 R34、R50 和 R64，應用非零方位角平均值來獲取風半徑標簽。 請注意，R34、R50 和 R64 表示此后的方位角平均風半徑數據。 由于無法保證來自 IBTrACS 的所有風半徑標簽在物理上都是一致的；例如，R50 可能比 R64 小，即使這種安排在物理上是不可能的。因此，不滿足關系 R34 > R50 > R64 和 R34 ≥ RMW, R50 ≥ RMW, R64 ≥ RMW (科辛等人。2007 年）被刪除。

啟發： 可以加上TC豐滿度 試試

---

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

來源： KDD會議 大數據方向的頂會
摘要：
熱帶氣旋(TC)是發生在熱帶地區的一種惡劣天氣系統。準確估算TC強度是災害管理的關鍵。而強度估計任務是更好地理解和預測TC行為的關鍵。最近，不僅是氣象學家，數據科學家也開始關注這一課題。然而，如果沒有一個基準數據集來共同研究，就很難激發這兩類學者之間的聯合研究。在本工作中，我們發布了一個這樣的基準數據集，這是一個新的開放的衛星遙感數據集，用于TC-image-to-intensity估計任務。我們還提出了一個基于卷積神經網絡(CNN)的新模型來解決這個問題。我們發現，通常的CNN在物體識別方面是成熟的，在用于強度估計任務時需要進行多次修改。此外，我們將氣象學家的領域知識，如TC的旋轉不變性，結合到我們的模型設計中，以達到更好的性能。在發布的基準數據集上的實驗結果表明，該模型是用于TC強度估計的最精確模型之一，且在所有情況下都相對穩定。結果顯示了將數據科學應用于氣象學研究的潛力。

相關工作

利用衛星圖像估計TC強度的一個基本思想是，與相似云特征相關的TC可能具有相似的強度。Dvorak技術是最廣泛使用的方法，它基于地球同步衛星觀測到的TC云特征估計TC強度[2,27]。這種方法將TC強度與紅外圖像中中心和波段特征的各種云模式聯系起來。然而，要掌握德沃夏克的技巧，以及它的地域差異和調整，需要花費大量的時間。此外，風暴中心選擇和場景類型確定過程固有的主觀性影響了預報技術的穩定性。在過去的三十年里，德沃夏克的若干改進技術得到了發展[18,29]。先進Dvorak技術(ADT)[18,19]是最新發布的版本，目前用于作戰TC強度估計。ADT通過使用基于計算機的算法來識別云特征，減少了識別的主觀性。此外，ADT是第一個應用線性回歸估計TC強度的方法。

除了基于dvorak的技術外，還提出了從紅外衛星圖像中計算出的其他與TC強度相關的參數。偏角方差(DAV)是一個很有前途且相對較新的參數，它通過評估云頂溫度的梯度來確定TC的對稱程度[22,23]。 此外，還利用TC云特征與TC強度相關的其他參數，如TC云頂溫度在TC[3]周圍的14個半徑環的平均值和標準差，以及TC云頂內芯[24]的斜率。

同時，自ADT[18]將線性回歸引入模型以來，各種回歸方法也被用于TC強度估計。下面是一些例子:

采用非線性sigmoid方程描述DAV與TC強度之間的關系。

在基于衛星圖像的具有相似強度的TCs上使用k-means算法。

介紹了一個多元線性回歸模型，該模型考慮了TC云特征的七個不同參數。

介紹了一種稱為相關向量機（RVM）的機器學習方法，用于TC強度估計。

數據處理： TCIR數據集里包含紅外、水汽、可見光、被動微波數據，圖像大小201x201，作者只用了IR1和PMW數據，并且將數據剪切成64x64的。

---

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

來源： Weather and Forecasting 中科院三區
摘要：
準確估算熱帶氣旋 (TC) 強度是 TC 預報和災害預警/管理中最關鍵的步驟之一。40 多年來，Dvorak 技術（和幾個改進版本）已被世界各地的預報員用于估計 TC 強度。然而，主要用于各個機構的業務 Dvorak 技術有幾個缺陷，例如固有的主觀性導致不同流域內的強度估計不一致。氣象學家和數據科學家之間的這項合作研究開發了一種使用衛星圖像來估計 TC 強度的深度學習模型。傳統的卷積神經網絡 (CNN) 是一種成熟的對象分類技術，在用于直接估計 TC 強度（回歸任務）時需要進行多次修改。與Dvorak技術相比，這里提出的CNN模型在各個盆地之間是客觀一致的；它已使用 2003-14 年期間 1097 個全球 TC 的衛星紅外亮溫IR和微波降雨率數據進行訓練，并使用 2015-16 年期間 188 個 TC 的數據進行優化。本文還介紹了一個升級版本，通過使用額外的TC信息(如流域、年份、當地時間、經度和緯度)和應用后平滑程序，進一步提高了精度。2017年使用94個全球tc的獨立測試數據集來評估模型性能。相對于最佳軌道強度，其均方根強度差為8.39 kt (1 kt ’ 0.51 m s21)。對一個由482個樣本組成的子集進行了普查觀測分析，得到了強度的RMSE為8.79 kt。
數據： IR1 、PMW(證明出這兩個更好)

總結

以上是生活随笔為你收集整理的热带气旋强度估计——物理信息融合的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。