我做实验的时候师兄推荐的文章

Physics-augmented Deep Learning to Improve Tropical Cyclone Intensity and Size Estimation from Satellite Imagery 利用红外图像估计热带气旋强度和风半径 文章链接

介绍了一种基于深度学习的方法，称为（DeepTCNet）。该方法采用热带气旋（TCs）北大西洋上空的红外先验知识（IR）热带气旋强度和风半径的图像估计。虽然与传统的分析方法相比，标准的深度学习实践具有许多优点，但可以产生可靠性TCs估计值，但机器可读TCs提供物理知识信息的数据驱动模型可以实现更高的性能。为此，我们探索了两种物理增强型的开发DeepTCNet的方法：（i）将TCs辅助物理信息注入单任务学习模型；（ii）多任务学习辅助物理任务。

更具体地说，通过TC辅助信息丰满（TC增强风场径向衰减的测量值，DeepTCNet在估计TC强度比未增强的增加了12%。同时学习TC风半径及辅助TC对于强度任务，模型的风半径估计技能比只学习四个风半径任务提高6%，比单独学习一个风半径任务提高9%。评估结果表明，DeepTCNet与卫星共识技术（SATCON）一致性，但系统地优于所有强度等级的先进性Dvorak技术（ADT），TC平均强度估计增加39%。DeepTCNet多平台热带气旋地面风分析技术也超过了（MTCSWA），估计平均风速半径增加了32%。

DeepTCNet作为后端方法，设计用于深度卷积神经网络TCs从红外图像生成的物理知识TCs强度（MSW和MSLP）和风半径估计值（R34、R50、R64和RMW）。辅助物理信息的引入是提高强度估计模型的有效途径。研究表明，描述TCs临界结构的TC 丰满度（TC fullness）引入模型可以显著提高其强度估计性能。多任务学习具有在任务之间分享不同和更一般特征的优点，用于改进风半径估计模型。我们的研究结果表明，同时学习多个风半径任务比单独学习风半径任务可以得到更准确的风半径估计。此外，我们还发现训练估计了两个强度测量值（MSW和MSLP）四个临界风场的测量值（R34、R50、R64和RMW）模型产生最佳风半径估计值。固有的风压关系可能是由这些任务近似得出的。此外，结果表明，包括最近的连续红外图像有利于强度估计模型。

根据同质试样的评估结果，DeepTCNet与SATCON但致，但系统性能优于ADT，MSW改善了39%，MSLP估计增高了33%。在TC强度估计，DeepTCNet 也超过了Dvorak方法。此外，DeepTCNet在估算TCs临界风半径也超过了MTCSWA，RMW、R64、R50和R临界风半径分别增加了32%、25%、28%和38%。这些结果表明，DeepTCNet可从根本上改进TC红外图像挖掘的强度和风半径估计。因此，有理由相信，DeepTCNet可用于改进其他方法TCs观测值的利用率。

估计热带气旋（TCs）强度和风力半径是监测和预测这些破坏性系统的第一步。然而，准确估计热带气旋的强度和大小一直是热带气象学的长期挑战，并受到现有观测和技术的限制（例如，Landsea和Franklin 2013；Knaff和Sampson 2015）。此外，全球TC预警中心通常需要正确TC多种测量特征。这包括TC两个强度测量，最大连续表面风（MSW）和最小海平面气压（MSLP），以及不同的TC大小度量，通常由预测中心提供为“风半径”，包括大风（34 kt；1 kt 5 0.51 m s21；R34）、暴雨（50 kt；R50），飓风力(64)kT；R64)地理象限(即东北、东南、西南、西北)的风力半径，以及最大风力半径（RMW）。如此大量的实时估计值可能既困难又耗时（Sampson等人，2018年)。

运行中的TC强度估计仍主要依赖于强度估计Dvorak技术（Velden et al.20062006)（IR）和/或可见卫星图像中的云特征分配TC强度。由于复杂的TC动力学已被完全抽象为云特征，Dvorak该技术可以提供相对可靠的强度估计，并用于40多年TC最成功的卫星应用之一（Velden et al.2006）。尽管如此，该技术是主观的，因此其估计精度取决于分析师的技能。提出了基于红外强度分析的客观性和自动化程度Dvorak高级版本的技术(例如，Olander and Velden 2007年；2019年)和许多其他算法(如Kossin等人2007；Ritchie等人2012；F e t a n a t a l.2 0 1 3）。然而，事实证明，这些算法中的大多数都不如Dvorak技术可靠，主要是因为它们基于常规算法，如主成分分析，只从卫星数据中提取非常有限的特征。其他基于卫星的TC在强度估计方法中，情况相似(例如Demoth等人，2004年，2006年；Jiang等人，2019年)。目前，在TC卫星一致性技术是强度估计中最好的精度（SATCON），这是一种基于红外和微波的加权一致性算法（Velden和Herndon 2020)优势，最小化劣势。德沃夏克技术，ADT和SATCON在风强度方面，典型的定性不确定性水平约为1000吨（Knaff等人，2010年；2019年奥兰德和维尔登；2020年维尔登和赫恩登)。

基于卫星的TC估计风半径比较困难。考虑到对流和风场之间的物理关系不清楚(例如Lajoie和Walsh，2008年没有德沃夏克方法等广泛应用的技术来估计风半径。外核风半径(如R34)更容易控制TC散射计是估计外核风半径的最佳星载仪器之一(如Brennan等人，2009）。

在Ku波段运行的散射计测量存在一个问题，即TCs在50岁时，大雨会影响散射计的测量结果 kt在附近风速下饱和（Brennan等人，2009年)，但较低的C波段频率对降雨不太敏感，接近70 kt稍高风速饱和（Stoffelen 1998；Stoffelen等人，2017年）。L波段辐射计在强风时不受信号饱和的影响，受降雨影响最小TCs中R34、R50和R64重要工具(例如，Reul等人，2017年)。其他在推导TC风半径方面表现出技巧的方法包括红外表示法（如穆勒等人2006年；科辛等人2007年；纳夫等人2016年；多林等人2016年）、微波测深仪代理（如德米特等人2006年）、多卫星平台分析（纳夫等人2011年）和基于反射的技术（莫里斯和鲁夫2017年）。然而，估计最大风力半径仍然是一个挑战，因为TC内核的湍流性质(如Chavas et al.2015)给观察带来了困难。

估计最佳赛道强度误差为：；10%–最佳轨迹风半径质量和数量，最佳轨迹风半径的误差可能高达40%（Landsea和Franklin 2013；Knaff和Sampson 2015）。但是，准确TC预测和减少强度和风半径TC相关危害造成的损失至关重要(如Sampson等人2010年；Trift and Snyder 2012年；DeMaria等人2014年；Bender等人2017年)，转化为风速概率等后处理指南(如DeMaria等人2013年）。因此，仍然迫切需要更准确地估计TC强度和风半径。此外，随着TCs更新和分析卫星观测的最新进展，特别是从卫星观测中解释复杂性TC动态客观算法至关重要。

深度学习是一种完全改变计算机视觉、语言识别、游戏策略和许多研究领域的人工智能算法Hinton et al.2012；LeCun et al.2015；Silver et al.2016；Krizhevsky et al.2017）。最近，深度学习还为大气科学提供了广泛的应用，包括模式检测、物理参数化和状态预测(例如，Rasp等人2018年；Ham等人2019年；Reichstein等人2019年）。最近的工作也开始应用深度学习TC强度估计。Pradhan等人（2018年）是最早利用深度学习从红外图像估计TC强度的应用之一。然而，由于没有使用独立的数据集进行评估，这项工作有些不完整。Chen等人(2019年)使用比较Pradhan等人(2018年)更多数据集(全球)TC案例)利用红外图像和被动微波反演降水训练深度学习模型。但由于分析后需要间歇性微波降雨率数据和平滑处理，Chen不能实时获得等人(2019)的最佳估计值。Wimmers等人(2019年)通过被动微波图像估计TC显示强度TC对流特征具有重大优势。然而，目前还没有应用于深度学习。TC大小估计。此外，虽然深度学习面临着许多挑战，如数据收集的成本非常高，而且由于缺乏对世界的一般知识，对人类来说是微不足道的误，但很少有人成功地利用物理或先前的知识来改进TC应用的深度学习。本研究的主要目标是利用深度学习，从红外图像中更准确地估计TC强度和风半径。此外，我们还试图通过将TCs的先验知识融入到深度学习模型中来扩充深度学习模型。

本文的其余部分组织如下。在下一节中，我们将介绍我们为构建方法而选择的数据和深度学习主干。然后，我们在第3节中描述了增强深度学习模型以进行强度估计和评估模型性能的方法。第4节为风半径估计和评估提供了增强的深度学习。第5节和第6节介绍了对我们方法的讨论和研究结果的总结。

如图1所示，DeepTCNet构建在单任务（STL）和多任务学习（MTL）框架中。STL是一种标准的方法，它可以训练深度学习模型，使其针对一个期望的任务进行优化，并且通常在给定大量训练数据的情况下表现良好。然而，MTL同时学习多个任务。MTL的独特优势在于，它可以利用共享信息和/或相关任务中包含的关系。因此，MTL可以提高模型的准确性和通用性，尤其是在训练数据稀缺的情况下（例如，Zhang和Yang 2017）。在本研究中，STL用于强度（MSW和MSLP）估计，MTL用于临界风半径（RMW、R64、R50和R34）估计，因为可用于训练的高质量TC强度样本比TC风半径（表1）多。此外，使用MTL训练模型以同时学习风半径也可以受益于整体TC风场结构的潜在物理关系。在MTL中，完全连接的层被分成多个流，以学习特定于任务的模型参数，这对于考虑内部和外部核心风半径任务之间的独立特征至关重要（例如Weatherford and Gray 1988；Chavas et al.2015）。然而，**MTL中完全连接层之前的子网在任务之间共享相同的参数，以便在不同任务之间学习可转移的特征。**如图1所示，辅助输入\信息（如果存在）被连接到第一个完全连接的层中的模型。

所有模型均通过最小化损失函数（即网络输出和最佳轨迹标签之间的平均绝对误差（MAE））进行训练。我们使用MAE作为损失函数，因为它对异常数据具有鲁棒性。对于基于MTL的网络，使用了多个任务损失的加权和，其权重是可训练的，并在训练期间自我更新（Cipolla et al.2018）。这种损失的优点是，它可以使所有损失达到相同的规模，以避免一项任务主导总体损失。此外，多任务学习模型学习输出从内到外的核心风半径，这意味着每个数据情况都需要一个多任务标签。因此，当风暴未达到特定的风阈值时，缺失的半径标签被设置为RMW。例如，如果箱子的强度为60 kt，则相应的多任务标签设置为[RMW，RMW，R50，R34]。在这种情况下，多任务学习模型仍然学习搜索能够产生可靠的内外风半径估计的适当特征。

在上一节中用于选择DeepTCNet体系结构的灵敏度测试已经证明了一种基线配置，即具有13层和非常小的3个卷积核的VGGNet可以从红外图像中获得可靠的TCs强度估计。然而，这种模型可能数据效率低下，这意味着它们基本上依赖于训练数据的数量和质量，但缺乏对自然界的物理知识。为了改进估计TC强度的模型，我们首先在本节中提出了一种将TCs的辅助物理信息纳入增强的方法。然后引入代表连续TC发展的序列红外图像来改进强度估计。此外，还讨论了训练数据量的影响。最后，我们将最终整合所有正面设置，建立一个用于TC强度估计的最佳DeepTCNet模型。

本节设置了DeepTCNet，以根据红外图像估计TCs的临界风半径（R34、R50、R64和RMW）。 虽然在我们应用TC强度估计时，通过训练四个独立的网络可以分别获得四个风半径估计值，并且还可以加入增强信息来增强模型，但我们探索了另一种基于多任务学习（MTL）的方法。选择MTL是因为其在利用多个相关学习任务中包含的有用信息方面的优势（Zhang和Yang 2017），这将有助于缓解风半径估计中的数据稀疏问题。在本节的其余部分中，首先探讨MTL的有效性，然后评估DeepTCNet在风半径估计方面的性能。请注意，旋转数据增强已应用于训练所有风半径估计模型。

DeepTCNet的（左上）输入图像和（a）-（l）解释热图，用于估算强度和风半径。通过（a）-（f）SmoothGrad（Smilkov等人，2017年）和（g）-（l）LRP（Montavon等人，2018年）获得了2017年9月5日协调世界时0900时飓风Irma的热量图，强度为142 kt。插入的框表示DeepTCNet-I的小红外图像和相应的热图[（a）、（b）、（g）、（h）]，而较大的框表示DeepTCNet-R。在（c）-（f）和（I）-（l）中的黑色环和蓝色环分别代表最佳轨道风半径和DeepTCNet估计的风半径。与最佳轨迹观测相比，每个估计参数的相对误差为1%。LRP和显著性图是使用InInvestigate软件包（Alber等人2019）计算的，LRP应用于A5 1和B5 0。

DeepTCNet-R的合成平均红外亮温和LRP热图，用于估算（左）小TC和（右）大TC的R34。在recon辅助测试数据集中，R34的25%分位数样本用于组成小TCs（N5 110，M5 54 N mi），而75%分位数样本用于组成大TCs（N5 112，M5 165 N mi）。LRP中的黑环和蓝环分别代表平均最佳轨迹R34和平均DeepTCNet估计的R34。