社区所有版块导航
Python
python开源   Django   Python   DjangoApp   pycharm  
DATA
docker   Elasticsearch  
aigc
aigc   chatgpt  
WEB开发
linux   MongoDB   Redis   DATABASE   NGINX   其他Web框架   web工具   zookeeper   tornado   NoSql   Bootstrap   js   peewee   Git   bottle   IE   MQ   Jquery  
机器学习
机器学习算法  
Python88.com
反馈   公告   社区推广  
产品
短视频  
印度
印度  
Py学习  »  机器学习算法

可解释深度学习模型融合动力热力环境场实现热带气旋生成检测

气象学家 • 3 月前 • 307 次点击  

热带云团(Tropical Cloud Cluster, TCC)定义为热带洋面上生成或移动的大型、集中分布雷暴群,具备发展为热带气旋(Tropical Cyclone, TC)潜力的TCC称为TC先兆云团。TC是形成于热带或副热带洋面、具有近似对称暖心结构与地面气旋性环流的非锋面天气尺度系统,常伴随大风、暴雨及风暴潮等极端天气。已有研究表明,融合TC先兆云团发展过程中的环境场信息,而非依赖单一卫星观测,有助于提升TC生成检测模型性能。然而,现有模型虽保持较高检测概率,虚警率仍处于较高水平。基于深度学习的特征压缩方法虽能提升检测精度,但黑箱特性限制了模型可解释性,且较少有研究在性能评估基础上量化各因子对检测决策的贡献。

本研究融合卫星观测与再分析数据中的动力及热力因子,基于3D残差网络与门控循环单元(GRU)构建可解释全球TC生成检测模型,实现对潜在TC先兆云团的分类。模型输入因子包括红外亮温(IR)、气温(T)、相对湿度(RH)、纬向风(U)、经向风(V)、500 hPa垂直速度(W)、850 hPa相对涡度(Vor)、850–200 hPa垂直切变(VWS)、动力生成潜势指数(DGPI)及海表温度(SST)。

图1:全球TC生成检测模型结构示意图。X表示因子的数量,范围为1-9,具体包括:气温(T)、相对湿度(RH)、纬向风和经向风(U和V)、500hPa垂直速度(W)、850hPa相对涡度(Vor )、850-200hPa垂直风切变(VWS)、动力生成潜势指数(DGPI)以及海表温度(SST)。

模型由三个模块组成(图1)。特征提取模块针对各因子数据维度与尺寸差异,构建独立特征提取分支。GRU处理24小时、3小时间隔的TCC中心位置序列(时间、经纬度),3D残差块提取卫星观测及再分析资料特征。特征融合模块将各分支提取特征集成并转换为融合特征向量(图2)。决策模块通过两个神经元数分别为64和1的全连接层处理融合向量,输出分类概率。若模型对某潜在TC先兆云团输出概率0.7,即以70%置信度判定该云团为TC先兆云团。

图2:全因子模型在测试集上的SHAP蜂群图。每个彩色点代表一个样本,横轴表示因子的SHAP值,纵轴表示因子名称。点的颜色表示因子数据的平均值,其中红色代表较高平均值,蓝色代表较低平均值。因子按照测试集的平均|SHAP|值大小从上到下排序,表示其对模型的重要性逐渐减小。

经递归筛选,确定以U、Vor、IR、W、V、DGPI及T为输入因子的最优模型配置。模型性能达当前最先进深度学习基准水平(HSS=0.8016,虚警率8%,命中率94%),且泛化能力更优。SHAP分析显示,动力环境因子为模型判别的主要依据,热力因子贡献次之,卫星观测并非主要检测指标(图2)。对流层低层增暖过程更能预示TCC的发展潜力,而中高层快速增暖并非TC先兆云团的典型特征(图3 )。

图3:全因子模型中不同气压层的T,RH,U和V的SHAP依赖关系图:T在(a)850hPa、(b)500hPa和(c)200hPa;RH在(d)850hPa、(e)500hPa和(f)200hPa;U在(g)850hPa、(h)500hPa和(i)200hPa;V在(j)850hPa、(k)500hPa和(l)200hPa。纵轴表示SHAP值。点根据核密度着色,其中红色表示样本密度较高。橙色水平线表示基线(SHAP=0)。黑线为LOWESS拟合曲线,灰色阴影表示95%置信区间。子图标题给出了因子平均值与其SHAP值之间的Pearson(左)和Spearman(右)相关。A*表示两者在线性关系α=0.05水平上具有统计显著性。

该成果以“An Interpretable Deep Learning Model for Detecting Tropical Cyclone Genesis Through Incorporation of the Dynamic and Thermodynamic Environment”为题发表于 Journal of Geophysical Research: Machine Learning and Computation。南京信息工程大学硕士研究生刘凯基为第一作者,赵海坤教授为通讯作者。合作者包括复旦大学吴立广教授、美国科罗拉多州立大学Philip J. Klotzbach研究员、国防科技大学马占宏教授、国家气象中心向纯怡高级工程师、国防科技大学钟伟教授和南京信息工程大学田伟教授。

文章信息

Liu,K.,Zhao, H.*, Klotzbach,P. J., Ma,Z., Xiang,C., Zhong,W., et al. (2026). An interpretable deep learning model for detecting tropical cyclone genesis through incorporation of the dynamic and thermodynamic environment. Journal of Geophysical Research: Machine Learning and Computation, 3, e2025JH001152. 

END


声明:欢迎转载、转发。气象学家公众号转载信息旨在传播交流,其内容由作者负责,不代表本号观点。文中部分图片来源于网络,如涉及内容、版权和其他问题,请联系小编(微信:qxxjgzh)处理。



气象学家
微信公众号|小红书|微信视频号


Python社区是高质量的Python/Django开发社区
本文地址:http://www.python88.com/topic/199244