[0001]技术领域
[0002]本发明属于气象技术领域，尤其涉及一种基于YOLOv5的登陆台风残涡检测方法。
[0003]背景技术
[0004]由于台风最佳路径资料在台风停编后便不再发布，因此目前没有可供研究使用的台风残涡数据库。这就造成两个困难：一是由于缺乏均一化、长时序的台风残涡数据库，无法开展此类天气系统的气候统计研究；二是在发展基于AI的台风残涡检测技术时，无可供模型训练的数据集。目前尚未见到专门针对此类弱涡旋系统的自动检测模型。下面将对现存的对登陆台风残涡检测的工作做详细介绍。
[0005]（1）主观判断，其缺点在于：主观性强，不能进行批量运算，无法得到均一化、长时序、大样本的登陆台风残涡数据。
[0006]（2）客观算法，例如：蒙炤臻等（参考文献：蒙炤臻，韩慎友，赖珍权，等. 广西台风残涡暴雨发生特征分析[J]. 气象研究与应用，2017，38(1)：20-25.）对影响广西的登陆台风残涡进行了统计分析，提出一种登陆台风残涡检测的客观算法，该方法忽视了登陆台风残涡的其他物理要素特征变化。同时，该算法给出的是登陆台风残涡起始时刻的判别标准，但在残涡强度减弱后的检测、以及检测模糊涡旋或处于复杂天气条件下的涡旋时，算法的准确性和稳定性较差。
[0007]（3）基于人工智能的涡旋检测算法，目前没有专门针对登陆台风残涡的人工智能检测算法，有个类似的如吕心艳等（参考文献：吕心艳，钱奇峰，王登科，等. 基于深度图像目标检测的智能台风涡旋识别技术[J]. 热带气象学报，2022，38(4)：492-501.）提出的一种基于深度图像目标检测的智能台风涡旋检测技术。该算法并非专门针对登陆台风残涡提出的，对弱涡旋的检测效果低，但登陆台风残涡由于强度弱、非对称等特征，在卫星图像中通常不具有显著的统计特征，因此该方法不适用于登陆台风残涡的检测。
[0008]针对现有技术主目前未见对登陆台风残涡专门提出的检测模型，及登陆台风残涡的精确检测和定位，仍然存在很大的技术挑战。
[0009]发明内容
[0010]发明目的：针对现有技术在登陆台风残涡检测算法存在的一系列问题和局限性，本发明提供了一种基于YOLOv5的登陆台风残涡检测方法。
[0011]技术方案：为实现上述发明目的，本发明采用以下技术方案：一种基于YOLOv5的登陆台风残涡检测方法，包括以下步骤：
[0012]S1，数据获取：获取登陆台风的逐小时、0.25°空间分辨率的ERA5再分析资料，并选择大气低层850hPa的位势高度场下的数据资料；
[0013]S2，在850hPa的位势高度场下的对应数据资料中，按同时满足以下两个条件对步骤S1的数据资料进行筛选：（1）850hPa流场出现闭合的涡旋中心；（2）850hPa位势高度场小于等于1500m，且850hPa相对涡度场大于等于 ；
[0014]S3，提取步骤S2筛选的数据资料的时空位势高度场值，并通过ERA5再分析数据集进行位势高度场灰度图的绘制，作为模型样本集；
[0015]S4，基于YOLOv5作为基础构架构建台风残涡检测模型，并采用至少三个卷积层和一个池化层进行台风残涡特征提取，卷积层后介入批量标准化层和激活函数加速训练从而减少过拟合；
[0016]S5，将步骤S3的模型样本集对台风残涡检测模型进行训练优化，得到优化后的台风残涡检测模型TCRVNet。
[0017]进一步的，步骤S3所述模型样本集中的训练样本和测试样本比例为7:3。
[0018]进一步的，步骤S1中所述数据资料包括以下物理量：时间T，涡旋中心纬度LAT，涡旋中心经度LON，涡旋中心位势高度GHT，涡旋中心涡度VOR。
[0019]进一步的，步骤S5中所述台风残涡检测模型进行训练优化前，通过K-means聚类算法对模型样本集进行AchorBoxers聚类，实现利用不同尺寸锚框作为登陆台风残涡的边界框，进而完成对登陆台风残涡的聚类。
[0020]进一步的，步骤S5中所述台风残涡检测模型进行训练时，采用二元交叉熵损失函数优化登陆台风残涡的有无检测，并采用平滑L1损失函数对残涡位置和区域信息进行优化。
[0021]进一步的，步骤S5所述台风残涡检测模型的训练过程通过方向传播算法调整网络中的权重和偏差。
[0022]进一步的，步骤S5中台风残涡检测模型的训练迭代次数为500，批大小为16，学习率为1e -2 ，激活函数采用LeakyReLU。
[0023]有益效果：与现有技术相比，本发明的登陆台风残涡自动检测系统，通过运用深度学习技术和卷积神经网络，解决了登陆台风残涡检测领域的技术空白，带来了显著的有益效果，尤其在提高预测精度、效率以及自动化水平方面具有突出优势，包括：
[0024]（1）本发明基于YOLOv5模型的深度学习技术，首次实现了登陆台风残涡的自动化检测，显著提高了检测准确性和处理速度，为登陆台风灾害监测提供了一个新的技术手段，能够有效填补现有技术的空白。
[0025]（2）本发明基于对登陆台风残涡物理特征的理解，通过YOLOv5深度学习模型能增强多尺度目标检测能力，实现自动提取登陆台风残涡的关键特征，准确率高达70.08%。
[0026]附图说明
[0027]图1为本发明所述台风残涡检测模型TCRVNet模型架构示意图，包含四个通用模块：Input、Backbone、Neck和Head；
[0028]图2为本发明所述台风残涡检测模型TCRVNet训练过程中定位损失（box_loss）、置信度损失（obj_loss）和分类损失（cls_loss）三种损失函数随迭代次数的变化图；
[0029]图3为残涡真实位置与本发明残涡检测模型TCRVNet的检测结果对比图，其中：（a）为残涡真实位置示意图；（b）为台风残涡检测模型TCRVNet的检测结果示意图；
[0030]图4为本发明所述台风残涡检测模型的应用流程图；
[0031]图5为本发明实施例的检测效果彩图，其中，红色框为检测的残涡，白色框为检测的登陆台风。
[0032]具体实施方式
[0033]下面结合附图和具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
[0034]本发明旨在提供一种专门针对登陆台风残涡这一类弱涡旋系统的人工智能检测方法，采用欧洲中期天气预报中心第五代再分析数据集ERA5检测登陆台风残涡，填补目前关于登陆台风弱涡旋检测的空缺。
[0035]本发明利用ERA5资料和登陆台风最佳路径资料，通过深度学习技术训练卷积神经网络YOLOv5模型，最终实现根据输入的气象数据自动检测登陆台风残涡位置和强度的估计系统（命名为TCRVNet）。该系统能够实现弱涡旋的检测，在登陆台风减弱为热带低压停编后的生命阶段中，准确检测监测登陆台风残涡的存在与发展情况，为气象预警和灾害管理提供精准的参考。此外，本发明还基于长时序的登陆台风路径数据和高分辨率的ERA5再分析气象数据，构建了1976年以来的一个具有气候学意义的登陆台风残涡数据集，以支持今后更加深入的气象研究和极端天气事件的预测。请参阅图4所示，具体步骤如下：
[0036]一、数据预处理
[0037]（1）台风残涡数据集构建
[0038]由于目前没有可供AI模型训练使用的台风残涡历史数据集，因此本发明首先构建了一套1976-2023年共48年的台风残涡数据集用于YOLOv5模型的预训练。该数据集基于对登陆台风残涡物理特征的认识，通过分析逐小时、0.25°空间分辨率的ERA5再分析资料，利用大气低层850hPa的位势高度场结合涡度场、流场的特征确定残涡中心位置，并进一步在残涡中心附近计算或提取其他物理量。
[0039]由于残涡的中心高度一般位于850hPa附近，本发明进行残涡中心的初步判定标准和依据如下：（1）850hPa流场：需出现闭合的涡旋中心，若闭合中心消失则判定残涡生命史结束；在满足条件（1）的前提下，还需满足（2）850hPa位势高度场：小于或等于1500m；（3）850hPa相对涡度场： 。参考台风最佳路径资料的格式，本发明构建的数据集包括以下基本物理量，详见下表1：
[0040]表1
[0041]由于该数据集是基于ERA5资料构建的，未来可依据研究需要对物理量种类进行扩展。
[0042]（2）输入数据处理
[0043]基于对登陆台风生消环境条件及气候变化背景的物理认识，从登陆台风残涡数据集中选取了1998-2023年850hpa的位势高度场作为输入进行模型训练，主要处理步骤如下：
[0044]根据登陆台风最佳路径数据集进行样本筛选，仅筛选在生命期内登陆过华南地区，且最终完全消亡时仍在30°N以南的登陆台风残涡，将其定义为影响我国华南的登陆台风残涡。将登陆台风残涡存在时刻，东经100°E到125°E，北纬10°N到30°N（华南地区）的850pha位势高度场通过标准化绘制为灰度图用作检测处理。
[0045]（3）标签数据处理
[0046]本发明在前面所述台风残涡数据集中选取1998-2023年间的台风残涡样本，基于ERA5再分析数据集绘制位势高度场灰度图，并将其处理成适用于YOLOv5的标签文件。
[0047]二、深度学习模型构建与训练
[0048]（1）模型基本架构：
[0049]本发明选用YOLOv5作为基础架构进行登陆台风残涡检测模型的构建。YOLOv5是一种高效的卷积神经网络（CNN）架构（图1），它改进了特征金字塔结构，增强了多尺度目标的检测能力。
[0050]这是由于台风本身尺度差异较大，在其登陆衰减过程中由于地形和环境场的影响会出现动态演变，其尺度也会发生较大的变化，存在多尺度的情况。因而，本发明采用YOLOv5更适合登陆台风残涡这类尺度差异较大的目标检测任务。本发明模型架构包含3个卷积层、1个批量标准化层和激活层，旨在从输入图像中提取深层次的特征，在使用了标准的卷积操作和AnchorBoxes机制来实现目标检测，能够在保持较高准确率的同时，提供快速推理速度。
[0051]（2）台风残涡特征提取：
[0052]本发明关注的台风残涡特征提取主要通过3个卷积层和池化层进行。针对台风残涡的空间尺度差异性较大的问题，本发明经过测试，选取3x3的卷积核逐步提取图像中的台风残涡细节特征，这有助于准确地检测涡旋的形状、位置和强度。卷积层之后接入批量标准化层和激活函数（如LeakyReLU）来加速训练并减少过拟合，同时提升模型的非线性表示能力。
[0053]（3）注意力机制的应用：
[0054]由于登陆台风残涡的形状、强度和位置是不断发展演变的，本发明TCRVNet模型采用了AnchorBoxes注意力机制对这类目标的识别更有优势，并在进行模型训练前，先通过K-means聚类算法自动计算AnchorBoxes的尺寸，它利用不同尺寸的锚框来预测登陆台风残涡的边界框，并可以根据台风残涡的实际大小自适应调整锚框的尺寸。每个锚框的预测结果包括目标类别（登陆台风残涡有无）及边界框的坐标。在登陆台风残涡的检测中，通过分析残涡的形状和位置变化，模型能够快速而准确地输出涡旋中心及其周围区域。模型的最终输出包含登陆台风残涡的存在概率、位置坐标和置信区间。
[0055]（4）模型训练：
[0056]经控制变量调试，得到了在测试集上表现最好的超参数组合，具体设置如表2，损失函数随训练迭代次数的变化如图2所示。在登陆台风残涡检测模型（TCRVNet）模型训练过程中，首先，使用二元交叉熵损失函数来优化登陆台风残涡的有无检测；其次，针对残涡的位置和区域信息（包括登陆台风残涡的中心经纬度，以及南北向和东西向宽度），则采用了平滑L1损失函数来进行优化，可以防止一些异常值对训练结果造成较大的影响。训练过程通过反向传播算法调整网络中的权重和偏差，使得输出预测尽可能接近真实标签，从而实现准确的残涡位置和形态估计。
[0057]表2
[0058]通过这种方法，本发明能够自动化地处理大量的再分析数据，实现快速、准确的登陆台风残涡检测。训练完成后，模型能够接收新的登陆台风位势高度图或其他气象数据作为输入，自动检测登陆台风残涡的位置和演变趋势，输出结果为登陆台风残涡的有无、位置坐标和置信度。训练得到的模型通过对大量登陆台风数据的学习，能够准确地检测登陆台风残涡的存在与发展，当登陆台风和残涡同时存在时可以有效对其区分，为气象预警系统提供数据支持。
[0059]如图3所示，本发明基于对登陆台风残涡物理特征的理解，通过深度学习技术自动化地从再分析资料中提取登陆台风残涡的关键特征。与传统的人工分析方法和卫星云图检测方法相比，尤其在复杂天气环境、登陆台风残涡的复杂形态和动态变化情形下，使用本发明算法能够更精确地检测登陆台风残涡的存在及其特征，减少误检测和漏检测的概率，保持较高的检测精度。本发明在测试集上的准确率高达70.08%，如图3中的（b）部分可见识别位置精准，可信度可达0.9，详细对比结果见表3。
[0060]表 3
[0061]如图5所示，选取2023年登陆台风“苏拉”残涡与登陆台风“海葵”同时存在阶段进行检测应用，为了更好的展示检测效果将灰度图绘制为彩图。图中红色框为检测的残涡，白色框为检测的登陆台风。可见本发明系统可在成功检测登陆台风残涡的同时，还可以区分登陆台风与残涡为两种类型。
[0062]以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。
