谈哲敏教授团队发展基于物理增强的深度学习估计热带气旋强度和尺度

热带气旋TC(Tropical Cyclone)是地球上最具灾害性的天气系统之一,准确的TC强度和尺度(大小)估计对于认识TC发展和演变、改进TC预报和防灾减灾至关重要。


TC强度一般用距地面10m高度上TC的最大风速和海平面最低中心气压来度量。TC尺度一般用不同的TC风圈半径大小来度量,其中包括眼墙半径、最大风速半径(RMW)、大风(gale force wind)半径(R34;即34kt(1kt≈0.514m/s)风圈位置,下同),破坏性风圈(damaging force wind)半径(R50),飓风风圈(hurricane force wind)半径(R64)和最外侧封闭等高线半径等。全球TC业务预报中心需要实时发布TC强度与尺度观测信息。由于TC生成或活动于海洋,是常规观测的盲区,地面雷达探测和飞机观测受到诸多限制,因此气象卫星成为对TC进行全天候监测的主要手段。基于卫星观测的Dvorak技术,在过去几十年得到了不断发展,已成为最成熟的利用卫星云图确定TC强度的方法,为世界各国普遍采用。但由于TC的复杂性,从卫星数据中估计TC强度和尺度仍然存在较大的误差,给TC研究和业务预报带来了巨大的挑战。


近日,南京大学谈哲敏教授团队利用深度学习方法发展了新一代基于卫星红外云图的TC强度和尺度定量估计技术DeepTCNet,可以显著地改进TC强度和尺度估计的水平。与以往直接使用深度学习进行“图像识别”不同,Zhuo & Tan(2021)提出了用“物理增强的深度学习”来估计TC强度和尺度的学术思路,即通过(1)在单任务学习中附加物理信息;(2)在多任务学习中同时学习多个物理变量,这些物理变量存在内在关系或者联系,可以有效提升深度学习模型的性能。


具体而言,第一种方法是在一般的深度学习(图片输入-目标输出)的基础上,额外引入与TC发展密切相关的物理信息,从而利用数据中的物理规律、内在约束等来加快模型学习的速度,同时提升模型学习的准确性。其中,通过引入Guo & Tan (2017) 提出的反映TC强度与尺度关联的新概念——TC丰满度,能够显著改进TC强度估计。另外,引入的其他物理信息(下垫面信息、TC移动速度和风暴年龄等)可以进一步提升TC强度估计性能。


另一方面,由于在TC系统发展演变的过程中,其强度和尺度间有密切的关系及相互作用,且在不同阶段他们对TC发展的控制也可能不同,所以,同时学习TC的多个物理量是必然途径,为此采用第二种方法——通过多任务学习来共同估计TC的强度和尺度。另外,由于TC尺度的有标签数据历史时短、数据量少,通过共享TC强度估计任务的特征可以帮助改进TC尺度的估计。


评估结果表明,利用研究发展的DeepTCNet模型,北大西洋的TC强度估计水平相比目前业务上使用的“高等Dvorak技术”(ADT)提高了39%,与采用多源卫星资料估计方法Satellite Consensus technique (SATCON)相当(DeepTCNet仅仅用IR云图)。此外,DeepTCNet是目前第一个利用深度学习进行TC尺度估计的工作,与目前NOAA业务上使用的Multi-platform Tropical Cyclone Surface Wind Analysis technique (MTCSWA) 相比性能提升了32%。


该工作以“Physics-augmented deep learning to improve tropical cyclone intensity and size estimation from satellite imagery”为题,于2021年4月15日在《Monthly Weather Review》在线发表,大气科学学院谈哲敏教授为论文的通讯作者,博士生卓静仪为第一作者。该研究得到了国家重点研发计划项目“台风强度/结构变化的关键动力-热力过程及预报理论研究”的资助,相关计算在南京大学高性能计算中心进行。


Zhuo, J.-Y., and Z.-M. Tan, 2021: Physics-augmented Deep Learning to Improve Tropical Cyclone Intensity and Size Estimation from Satellite Imagery, Mon. Wea. Rev., https://doi.org/10.1175/MWR-D-20-0333.1.

Guo, X., and Z.-M. Tan, 2017: Tropical cyclone fullness: A new concept for interpreting storm intensity. Geophys. Res. Lett., 44, 4324-4331, https://doi.org/10.1002/2017GL073680.



                                                                                                                 1. DeepTCNet模型架构