[发明专利]天气气候系统的识别方法、装置、存储介质及处理器

说明书

本申请公开了一种天气气候系统的识别方法、装置、存储介质及处理器。该方法包括：获取预设数量的水平风场特征，其中，预设数量的水平风场特征为同一目标类型的天气气候系统的水平风场特征；对预设数量的水平风场特征进行合成处理，得到目标卷积算子；根据目标卷积算子对待测天气气候系统的水平风场特征进行卷积操作，得到卷积结果；根据卷积结果识别待测天气气候系统。通过本申请，解决了相关技术中识别天气气候系统耗费大量资源、准确性低的问题。

技术领域

本申请涉及气象识别技术领域，具体而言，涉及一种天气气候系统的识别方法、装置、存储介质及处理器。

背景技术

天气气候系统(如热带气旋、切变线等)的生成、维持和消亡是导致局地甚至大范围地区发生洪涝、高温热浪等气象灾害的重要原因。对天气气候系统的客观识别是开展其生消机制和变化规律研究以及气象灾害监测、预测和预警的关键。

在相关技术中，天气气候系统的识别方法依赖于专家的经验，具体地，研究人员首先通过对大量气象历史数据进行诊断分析，提取出特定类型的天气气候系统的主要时空变化特征，进而给出一系列适用于该类型天气气候系统的判别条件和阈值，最后根据这些判别条件和阈值进行天气气候系统的识别。但是，由于天气气候系统自身时空演变规律的复杂性，如何给出一套客观且标准化的事件判别条件和阈值以识别复杂多变的天气气候系统，这仍是目前气象学者所面临的巨大挑战。

为了减少对专家经验的依赖，提高天气气候系统识别的准确性，相关技术中出现了利用基于神经网络的机器学习算法进行天气气候系统的识别方法，该方法不需要事先设定判别条件和阈值，在天气气候系统识别中具有重要应用前景。例如，一些学者结合贝叶斯最优参数估计和深度卷积神经网络，将机器学习算法应用于热带气旋、大气河和锋面这三种天气气候系统的识别中。还有学者基于卫星遥感数据探讨了机器学习算法在台风识别中的应用。然而，基于神经网络的机器学习算法存在以下缺陷：机器学习模型的训练不但需要大量数据，还需要对模型参数进行大量的调试与优化，以缩短模型训练时间并得到有效的训练和校验结果，也即，模型训练和参数优化需要耗费大量资源，在气象观测数据样本量不足的情况下，限制了模型的训练和优化，导致识别准确性不能满足要求。

针对相关技术中识别天气气候系统耗费大量资源、准确性低的问题，目前尚未提出有效的解决方案。

发明内容

本申请提供一种天气气候系统的识别方法、装置、存储介质及处理器，以解决相关技术中识别天气气候系统耗费大量资源、准确性低的问题。

根据本申请的一个方面，提供了一种天气气候系统的识别方法。该方法包括：获取预设数量的水平风场特征，其中，预设数量的水平风场特征为同一目标类型的天气气候系统的水平风场特征；对预设数量的水平风场特征进行合成处理，得到目标卷积算子；根据目标卷积算子对待测天气气候系统的水平风场特征进行卷积操作，得到卷积结果；根据卷积结果识别待测天气气候系统。

可选地，获取预设数量的水平风场特征包括：从历史数据库中获取预设数量的目标类型的天气气候系统；分别以各个目标类型的天气气候系统的活动中心为中心、以各个目标类型的天气气候系统的水平特征尺度为直径，截取第一预设尺寸的活动区域，得到预设数量的第一活动区域；获取各个第一活动区域内的水平风场特征，得到预设数量的水平风场特征。

可选地，水平风场特征由风场中的各个点的风矢量表征，在对预设数量的水平风场特征进行合成处理，得到目标卷积算子之前，包括：确定各个第一活动区域内的各个点的风矢量；将各个点的风矢量分别分解为经向风分量和纬向风分量。

可选地，对预设数量的水平风场特征进行合成处理，得到目标卷积算子包括：对各个第一活动区域内各个点的经向风分量进行合成，得到经向风合成结果；对各个第一活动区域内各个点的纬向风分量进行合成，得到纬向风合成结果；根据经向风合成结果和纬向风合成结果确定目标合成结果；对目标合成结果进行无量纲化处理，得到目标卷积算子。