一种基于深度学习的热带气旋路径预报方法、系统及设备

本技术涉及深度学习和数据处理，尤其是涉及一种基于深度学习的热带气旋路径预报方法、系统及设备。

背景技术：

1、热带气旋作为全球最具破坏性的自然灾害之一，其登陆过程中伴随的强风、风暴潮及极端降水对沿海地区的生命财产安全构成严重威胁。而传统热带气旋路径预报主要依赖于数值天气预报及统计方法。数值动力模型基于复杂的物理方程构建，具有较强的物理可解释性，在中长期预报中具有一定优势。然而，此类方法高度依赖数据同化，且计算成本极为高昂，通常需在超级计算机上进行长时间运算，难以满足高频、实时的业务预报需求。传统的统计方法虽然计算速度较快，但由于其缺乏对底层动力机制的精细描述，难以捕捉热带气旋在复杂大气环境中高度非线性的动力演变过程，导致其在处理复杂气旋路径突变时的预报能力受到限制。

2、近年来，研究者广泛采用循环神经网络（rnn）、长短期记忆网络（lstm）及卷积神经网络（cnn）等架构来提取热带气旋的历史时空特征。通过引入多模态学习（结合属性数据与三维气象网格数据）及生成对抗网络（gan）等方法，有效提升了短时预报的精度。然而，现有的纯数据驱动模型仍存在明显的局限性。首先，随着预报时效的延长，基于坐标直接回归的二维空间误差会快速累积，导致中长期路径预报性能急剧下降。其次，现有模型通常将气旋内部的惯性动力学与外部大尺度环境引导气流混合在单一的潜在空间中处理，且高度依赖参数庞大的三维气象网格数据，这不仅大幅增加了计算开销，也削弱了模型在复杂引导气流下对路径突变信号的提取能力。此外，由于现有的深度学习架构（特别是处理二维空间信息的视觉模型）往往需要通过下采样或上采样手段将不同分辨率的网格场统一，这一过程可能会平滑掉路径演变中的重要高频细节。更重要的是，纯数据驱动方法通常缺乏对底层物理定律的遵循，导致预报轨迹在动力学上存在不连续性。

3、综上，现有相关热带气旋路径预报方法存在物理机制缺失、多步误差累积以及路径突变预报困难等问题，导致热带气旋路径预报精确度比较低。

技术实现思路

1、本技术旨在提出一种基于深度学习的热带气旋路径预报方法、系统及设备，能够解决现有相关热带气旋路径预报方法存在的物理机制缺失、多步误差累积以及路径突变预报困难等问题，提高热带气旋路径预报的精确度。

2、第一方面，本技术实施例提供了一种基于深度学习的热带气旋路径预报方法，所述方法包括：

3、获取与热带气旋相关的多源数据集；对所述多源数据集进行因果特征清洗和标准化处理，得到一维因果特征向量；

4、构建包含物理信息约束长短期记忆网络分支、深度算子网络分支以及位移向量拼接模块的双流路径预报网络模型；所述物理信息约束长短期记忆网络分支用于捕捉气旋内部运动学特征，所述深度算子网络分支用于提取外部环境引导气流运动的特征，所述位移向量拼接模块用于融合所述物理信息约束长短期记忆网络分支的输出和所述深度算子网络分支的输出；

5、采用所述一维因果特征向量对所述双流路径预报网络模型进行训练，得到训练好的双流路径预报网络模型；通过所述训练好的双流路径预报网络模型对热带气旋路径进行预报。

6、在一些实施方式中，所述对所述多源数据集进行因果特征清洗和标准化处理，得到一维因果特征向量，包括：

7、对所述多源数据集中的数据进行时间对齐和数据清洗，得到清洗处理后的数据；

8、将气旋的地理位移转换为极坐标系下的气旋平移速度和偏转角度；

9、通过因果分析方法量化所述清洗处理后的数据中各物理变量对所述气旋平移速度和所述偏转角度的因果驱动权重；

10、根据所述因果驱动权重对所述清洗处理后的数据进行因果特征清洗，从多个物理变量中筛选出多个核心环境与热力学因果变量；

11、对每个所述核心环境与热力学因果变量进行标准化处理，得到多个标准化后的因果变量；

12、将所述多个标准化后的因果变量进行拼接，得到一维因果特征向量。

13、在一些实施方式中，所述采用所述一维因果特征向量对所述双流路径预报网络模型进行训练，得到训练好的双流路径预报网络模型，包括：

14、将所述一维因果特征向量输入至所述双流路径预报网络模型进行迭代训练，包括：

15、通过所述物理信息约束长短期记忆网络分支对所述一维因果特征向量进行特征处理，得到拉格朗日位移增量向量和物理引导风向量；

16、通过所述深度算子网络分支对所述一维因果特征向量进行特征处理，得到欧拉位移增量向量；

17、通过所述位移向量拼接模块对所述拉格朗日位移增量向量和所述欧拉位移增量向量进行叠加融合，得到最终预报坐标；

18、通过所述最终预报坐标和气旋在预报起始时刻的中心坐标，计算预测位移增量向量；

19、基于所述预测位移增量向量，构建包含路径预测误差惩罚项和物理运动学惩罚项的复合损失函数；

20、通过所述复合损失函数对所述双流路径预报网络模型进行训练，得到训练好的双流路径预报网络模型。

21、在一些实施方式中，所述物理信息约束长短期记忆网络分支包括长短期记忆网络、位移映射头以及物理注意力模块，所述位移映射头包括全连接层和激活函数，所述通过所述物理信息约束长短期记忆网络分支对所述一维因果特征向量进行特征处理，得到拉格朗日位移增量向量和物理引导风向量，包括：

22、将所述一维因果特征向量输入至所述长短期记忆网络，得到长短期记忆网络输出结果；

23、将所述长短期记忆网络输出结果输入至所述位移映射头，得到拉格朗日位移增量向量；

24、将所述一维因果特征向量中多个气压层的环境风场向量、气旋当前的最大持续风速和纬度输入至所述物理注意力模块，通过所述气旋当前的最大持续风速和纬度计算每个气压层的权重系数；对所述每个气压层的权重系数进行归一化处理，得到每个气压层的注意力权重；基于所述每个气压层的注意力权重，对每个气压层的环境风场向量进行加权求和，得到物理引导风向量。

25、在一些实施方式中，所述深度算子网络分支包括门控循环单元、分支网络和主干网络，所述通过所述深度算子网络分支对所述一维因果特征向量进行特征处理，得到欧拉位移增量向量，包括：

26、将所述一维因果特征向量输入至所述门控循环单元进行编码，得到编码后的特征向量；

27、将所述编码后的特征向量输入至所述分支网络，提取潜在基函数系数，以构建潜在基函数系数矩阵；

28、将连续的预测时间点与科里奥利参数输入至所述主干网络进行连续时空状态编码，得到时间基础编码矩阵；

29、将所述潜在基函数系数矩阵和所述时间基础编码矩阵进行内积运算，得到欧拉位移增量向量。

30、在一些实施方式中，所述通过所述位移向量拼接模块对所述拉格朗日位移增量向量和所述欧拉位移增量向量进行叠加融合，得到最终预报坐标，包括：

31、获取预设时刻对应的欧拉位移增量向量，并将所述预设时刻对应的欧拉位移增量向量和所述气旋在预报起始时刻的中心坐标相加，得到预设时刻对应的锚定坐标；

32、获取当前时刻的拉格朗日位移增量向量，将所述预设时刻对应的锚定坐标和所述当前时刻的拉格朗日位移增量向量相加，得到最终预报坐标。

33、在一些实施方式中，所述基于所述预测位移增量向量，构建包含路径预测误差惩罚项和物理运动学惩罚项的复合损失函数，包括：

34、通过所述预测位移增量向量和真实位移增量向量之间的均方误差，构建路径预测误差惩罚项；

35、通过约束所述物理引导风向量和所述拉格朗日位移增量向量之间的方向夹角，构建方向余弦相似度惩罚项；

36、通过约束所述物理引导风向量和所述拉格朗日位移增量向量之间的速率幅值差异，构建速度幅值惩罚项；

37、将所述方向余弦相似度惩罚项与所述速度幅值惩罚项进行加权求和，构建物理运动学惩罚项；

38、将所述路径预测误差惩罚项和所述物理运动学惩罚项进行加权求和，构建复合损失函数。

39、第二方面，本技术实施例还提供了一种基于深度学习的热带气旋路径预报系统，所述系统包括：

40、数据获取和处理模块，用于获取与热带气旋相关的多源数据集；对所述多源数据集进行因果特征清洗和标准化处理，得到一维因果特征向量；

41、网络模型构建模块，用于构建包含物理信息约束长短期记忆网络分支、深度算子网络分支以及位移向量拼接模块的双流路径预报网络模型；所述物理信息约束长短期记忆网络分支用于捕捉气旋内部运动学特征，所述深度算子网络分支用于提取外部环境引导气流运动的特征，所述位移向量拼接模块用于融合所述物理信息约束长短期记忆网络分支的输出和所述深度算子网络分支的输出；

42、气旋路径预报模块，用于采用所述一维因果特征向量对所述双流路径预报网络模型进行训练，得到训练好的双流路径预报网络模型；通过所述训练好的双流路径预报网络模型对热带气旋路径进行预报。

43、第三方面，本技术实施例还提供了一种电子设备，包括至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器；所述存储器存储有可被所述至少一个控制处理器执行的指令，所述指令被所述至少一个控制处理器执行，以使所述至少一个控制处理器能够执行如上所述的一种基于深度学习的热带气旋路径预报方法。

44、第四方面，本技术实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如上所述的一种基于深度学习的热带气旋路径预报方法。

45、与现有相关技术相比，本技术具有以下有益效果：

46、本技术通过获取与热带气旋相关的多源数据集；对多源数据集进行因果特征清洗和标准化处理，得到一维因果特征向量；构建包含物理信息约束长短期记忆网络分支、深度算子网络分支以及位移向量拼接模块的双流路径预报网络模型；物理信息约束长短期记忆网络分支用于捕捉气旋内部运动学特征，深度算子网络分支用于提取外部环境引导气流运动的特征，位移向量拼接模块用于融合物理信息约束长短期记忆网络分支的输出和深度算子网络分支的输出；采用一维因果特征向量对双流路径预报网络模型进行训练，得到训练好的双流路径预报网络模型；通过训练好的双流路径预报网络模型对热带气旋路径进行预报。

47、如此，通过对多源数据集进行因果特征清洗和标准化处理，能够防止模型产生数据泄露并减少三维气象网格的高昂计算开销。通过构建包含物理信息约束长短期记忆网络分支、深度算子网络分支以及位移向量拼接模块的双流路径预报网络模型，能够根据气旋内部热力学状态与局地外部环境气压梯度的剧烈程度，自适应地分配内部运动学惯性与外部环境引导气流运动的权重，能够解决现有相关热带气旋路径预报方法存在的物理机制缺失、多步误差累积以及路径突变预报困难等问题，提高热带气旋路径预报的精确度。