利用深度学习进行热带与 extratropical 气旋检测
图像与视频处理
2020-12-07 v1 机器学习
摘要
从大量多样的气象数据中提取有价值的信息是一个耗时的过程。机器学习方法有助于提升该过程的速度与精度。具体而言，采用U-Net结构的深度学习图像分割模型运行更快，且能识别出被更受限方法（如专家手工标注与先验启发式方法）遗漏的区域。本文讨论了四种不同的先进U-Net模型，旨在从两个独立输入源检测热带与温带气旋感兴趣区域(ROI)：全球预报系统(GFS)模型的总可降水量输出，以及地球静止业务环境卫星(GOES)的水汽辐射图像。这些模型被称为IBTrACS-GFS、Heuristic-GFS、IBTrACS-GOES与Heuristic-GOES。所有四个U-Net均为快速信息提取工具，其ROI检测精度在80%至99%之间。还使用Dice与Tversky交并比(IoU)指标进行评估，Dice系数得分介于0.51至0.76，Tversky系数介于0.56至0.74。温带气旋U-Net模型比用于检测相同ROI的可比启发式模型快3倍。选取U-Net是因其具备检测超出训练标签范围的 cyclone ROI 的能力。这些机器学习模型识别出了启发式模型与手工标注方法（常用于生成实时天气警报）所遗漏的更模糊且活跃的ROI，可能对公共安全产生直接影响。
引用
@article{arxiv.2005.09056,
title = {Tropical and Extratropical Cyclone Detection Using Deep Learning},
author = {Christina Kumler-Bonfanti and Jebb Stewart and David Hall and Mark Govett},
journal= {arXiv preprint arXiv:2005.09056},
year = {2020}
}
备注
23 pages, 7 figures, 3 tables