Ứng dụng mô hình học máy trên dữ liệu vệ tinh địa tĩnh cho bài toán nhận dạng và cảnh báo sớm bão nhiệt đới trên khu vực Tây Bắc Thái Bình Dương và Biển Đông=Application of deep learning for identifying and early warning of tropical cyclones in the Northwest Pacific basin and East Sea

0 Người đánh giá. Xếp hạng trung bình 0

Tác giả: Quang Hưng Bùi, Thị Huyền Trang Chu, Đình Quân Đặng, Thuỳ Trang Đỗ, Đức Tiến Dư, Gia Nam Hoàng, Quang Đạo Lê, Việt Hưng Lưu, Khánh Hưng Mai, Thu Hằng Nguyễn, Huy Hoàng Trần

Ngôn ngữ: vie

Ký hiệu phân loại:

Thông tin xuất bản: Khí tượng Thủy văn, 2024

Mô tả vật lý: tr.1-14

Bộ sưu tập: Metadata

ID: 252580

Thêm vào giỏ

Bài báo trình bày ứng dụng phương pháp học sâu để xác định vị trí và phân loại xoáy thuận nhiệt đới (XTNĐ) một cách tự động. Phương pháp học sâu trong bài báo là ứng dụng mạng nơ-ron tích chập hai luồng (CNN) cùng các đặc điểm theo không gian và thời gian của dữ liệu vệ tinh địa tĩnh. Bộ dữ liệu vệ tinh địa tĩnh Himawari-8/9 cho các XTNĐ trên Tây Bắc Thái Bình Dương và Biển Đông từ năm 2015 đến năm 2019 đã được thu thập và sử dụng trong nghiên cứu. Đầu vào bổ sung cho phương pháp học sâu là vectơ chuyển động khí quyển (AMV) được tính toán từ dữ liệu vệ tinh liên tiếp theo thời gian. Kết quả cho thấy khả năng ứng dụng cao của phương pháp học máy trong bài toán nhận dạng XTNĐ. Ngoài ra, một thử nghiệm cụ thể cho cơn bão Doksuri vào năm 2017 cho thấy khả năng cảnh báo sớm trước so với phát báo của Cơ quan khí tượng Nhật Bản (JMA).In this study presents a deep learning (DL) application to detect tropical cyclones (TCs). A two-stream Convolution Neural Network (CNN) which captures both spatial and temporal features of time-series of geostationary satellite cloud images (SCIs) is proposed. A dataset of Himawari-8 SCIs of TCs over Western North Pacific and East Sea from 2015 to 2019 are processed. Additional inputs for DL relating to tropical cyclone circulation features are atmospheric motion vector (AMV). Results show that our model can significantly improve the performance of TC detection. Moreover, our case study for the detection of TC Doksuri in 2017 yielded promising results as our proposed model is capable of detecting and early warning TC formation 24 hours prior to the first time reported by the (Japan Meteorological Agency) JMA.

1. Đọc trực tuyến

1. Đọc trực tuyến

Tạo bộ sưu tập với mã QR