基于卫星资料的西太平洋台风强度监测机器学习方法对比研究
邓子怡
李煜斌
王泓
贾未雨
高志球
南京信息工程大学大气物理学院,江苏 南京 210044
摘要：台风是严重影响沿海地区的自然灾害,准确监测其强度对于防灾减灾具有重要意义.基于卫星观测结合深度学习技术已成为台风强度监测的新一代方法,然而不同深度学习方法的准确度并不明确.因此,本文评估了六种基于深度学习的卷积神经网络模型在西太平洋台风强度监测中的表现.本研究利用2015-2024年Himawari-8/9卫星云产品数据和中国气象局台风最佳路径数据,对比分析了LeNet-5、AlexNet、DenseNet-121、VGG-16、ResNet-50以及GoogleNet-InceptionV3等模型的计算效果.本文不仅探讨了这些模型在不同强度台风场景下的适用性和性能表现,还对模型的特征提取步骤进行可视化,旨在更清晰地说明模型之间的差异以及模型工作原理.结果表明,LeNet-5与AlexNet在极弱(TD)和极强(SuperTY)级别下偏差最大;DenseNet-121在各强度下Bias分布较为平均;ResNet-50、VGG-16和GoogleNet-InceptionV3则在中等强度范围(TS、STS、TY、STY)内表现较为稳定.总体来看,GoogleNet-InceptionV3模型估计准确度最高(R2=0.89),但ResNet-50运行速度更快(R2=0.87).
关键词：热带气旋卷积神经网络强度监测卫星观测深度学习
分类号：P444(天气学)
资助基金：国家自然科学基金(42075072)
论文发表日期：2026-02-28
在线出版日期：2026-03-25（本平台首次上网日期，不代表文献的发表时间）
页数：17( 105-121 )
英文信息