[发明专利]一种基于随机森林和迁移学习的热带气旋快速加强预报方法

说明书

本发明公开了一种基于随机森林和迁移学习的热带气旋快速加强预报方法，包括：S1、确定用于输入分类模型的TC数据和环境因子数据；S2、进行数据预处理：对TC数据和环境因子数据进行预处理；S3、构建训练模型所需的观测数据集；S4、在观测数据集上构建基于随机森林分类算法的热带气旋快速加强预报模型；S5、基于全球预报系统GFS模式数据，使用迁移森林建立热带气旋快速加强实时预报系统。根据本发明，建立了对西北太平洋热带气旋快速加强事件具有高准确率低空报率的预报模型，可提升对西北太平洋热带气旋强度预报的水平，具有良好的应用前景。

技术领域

本发明涉及热带气旋快速加强预报的技术领域，特别涉及一种基于随机森林和迁移学习的热带气旋快速加强预报方法。

背景技术

热带气旋(简称TC)是世界上最具有破坏力的灾害性天气系统之一，而TC灾害与其强度密切相关。近20多年来TC强度预报水平进展缓慢，国际气象组织指出TC快速加强过程是造成TC强度预报误差偏大的主要原因之一，提高TC快速加强预报是当前全球各主要热带气旋预报中心面临的首要任务之一。目前针对TC快速加强的预报方法主要有：依赖于环境因子的“快速加强指数”、依赖于内核形状的卫星探测方法、在“快速加强指数”基础上改进的概率预报模型以及基于机器学习技术的超前24h快速加强预报方法等。然而，这些方法的24h预报性能总体上并不乐观，如北大西洋仅为21％，东北太平洋为31％；虽然个别方法24h预报准确率可提高到60％左右，但在更长预报时效尤其是48h以上预报准确率更低，空报率更高。

中国专利CN111695473A和中国专利CN113642475A分别公布了基于长短时记忆网络模型和基于卷积神经网络模型的热带气旋强度估算方法。这两种方法都是使用深度学习技术对大量的红外卫星云图进行分析学习，提取出于台风强度相关的复杂特征，进而进行强度估算。这两种方法减少了人为定义特征因子的主观性，提高了定强的准确性。

中国专利CN104932035A公开了一种热带气旋强度预报方法及系统。该方法是基于统计分析的历史数据，选取预测因子并计算相关参数数据，建立多元回归模型，将历史TC数据的相关环境因子数据带入回归模型进行回归模型训练，根据训练结果得到TC强度预报方程，进而预报TC强度。中国专利CN111461427A公布了一种热带气旋强度预报信息生成方法及系统。该方法是先按照不同数据维度获取待处理数据，再对待处理数据进行预处理，得到初始数据，最后利用XGBoost模型和分类回归树，对初始数据进行训练，得到热带气旋强度预报信息。此外，中国专利CN108983320A公开了一种沿海台风极值风速的数值天气预报-人工智能耦合预测方法。该方法通过实测数据和基于数值天气预报的模型一起训练深度神经网络，再以中尺度气象数据模式模拟方法再次降尺度计算，预测未来24h内的风速与摩擦风速，并结合优选的峰值因子，得到24h内的极值风速。该方法克服了统计预测，以上专利使用不同方法从不同角度减小了人为的主观性以及克服了传统统计方法上的不足，改进了热带气旋的定强准确度以及应用的普遍性，但并没有针对热带气旋快速加强过程的预报。

发明内容

针对现有技术中存在的不足之处，本发明的目的是提供一种基于随机森林和迁移学习的热带气旋快速加强预报方法，建立了对西北太平洋热带气旋快速加强事件具有高准确率低空报率的预报模型，可提升对西北太平洋热带气旋强度预报的水平，具有良好的应用前景。为了实现根据本发明的上述目的和其他优点，提供了一种基于随机森林和迁移学习的热带气旋快速加强预报方法，包括：

S1、确定用于输入分类模型的TC数据和环境因子数据；

S2、进行数据预处理：对TC数据和环境因子数据进行预处理；

S3、构建训练模型所需的观测数据集；

S4、在观测数据集上构建基于随机森林分类算法的热带气旋快速加强预报模型；

S5、基于全球预报系统GFS模式数据，使用迁移森林建立热带气旋快速加强实时预报系统。