本发明涉及风场重建,尤其涉及一种基于贝叶斯模型的台风风场重建方法、装置、设备及介质。
背景技术:
1、热带气旋(tropical cyclone,以下简称为台风),也被称为飓风或台风,是给人类生活造成巨大威胁的自然灾害之一,台风不仅会直接造成损害,而且还会导致风暴潮和海浪,从而可能带来更多的灾害。统计数据表明,我国每年因台风造成的经济损失在世界排名第一,伤亡人数名列第二,因此对台风带来的风险评估十分重要,准确高效的台风的危险性估算为风险评估提供了科学依据,风的危险性可以通过风在特定位置超过给定的速度阈值的概率来量化。
2、台风风场危险性估计方法的发展目前有一种趋势:纳入了越来越多的独立开发的模块以及多源数据,包括数值模式再分析数据和遥感数据。虽然这能够提高表示台风物理过程的能力,但也会引入数据集之间的不一致性,这样各参数取值可能导致风场物理特征之间的不协调。除此之外,某些来源的数据可能无法稳定地获得,用于求取风场参数的需要通过不同模型实现,且不同模块的模型通常是单独拟合的,而不考虑它们之间的相互依赖性。这些缺点可能会使最终危险性估计结果的不确定性增加,并导致一定的偏差。从用户的角度来看,保险/再保险或风能行业需要在定期纳入新获得的台风数据以更新其危险性评估,同时保持结果的时间一致。这需要稳定的数据可用性,以及计算效率高的算法来减少运行时间。
技术实现思路
1、为克服相关技术中存在的问题,本公开提供基于贝叶斯模型的台风风场重建方法、装置、设备及介质,以解决相关技术中台风风场物理特征之间的不协调导致台风风场危险性评估不准确的技术问题。
2、本说明书一个或多个实施例提供了一种基于贝叶斯模型的台风风场重建方法,包括步骤:
3、获取台风最佳路径数据集,台风最佳路径参数包括台风中心的经度、纬度、最大风速、平移速度、平移方位角正弦函数、平移方位角余弦函数与日期正弦和余弦函数;
4、基于修正rankine涡旋模型构建初始台风风场模型,将初始台风风场模型转换为基于每一个象限上的平均风速模型;
5、通过基于贝叶斯层级模型估计权重参数,其中,基于可观测量最大风半径,数据层定义每一个象限上的平均风速和最大风半径呈正态分布;过程层定义生成可观测最大风半径的底层物理过程的台风风场模型,以及生成用于预测台风风场模型风场参数的前馈神经网络模型,其控制参数为前馈神经网络模型的权重参数w,风场参数包括最大风半径,形状参数,波数-1不对称幅度和风场初始方位角;先验层定义参数w服从正态分布,以及参数σ服从对数正态分布;
6、通过蒙特卡洛方法获得权重参数后验概率分布,再通过map方法确定权重参数,获得前馈神经网络模型;
7、基于台风最佳路径数据集和前馈神经网络模型,确定风场参数,并根据风场参数确定台风风场模型。
8、本说明书一个或多个实施例提供了一种基于贝叶斯模型的台风风场重建装置,包括:
9、数据集获取模块,获取台风最佳路径数据集,其中,台风最佳路径参数包括台风中心的经度、纬度、最大风速、平移速度、平移方位角正弦函数、平移方位角余弦函数与日期正弦和余弦函数;
10、台风风场模型构建模块,基于修正rankine涡旋模型构建初始台风风场模型,将初始台风风场模型转换为基于每一个象限上的平均风速模型。
11、贝叶斯层级模型构建模块,通过基于贝叶斯层级模型估计权重参数,其中,基于可观测量最大风半径,数据层定义每一个象限上的平均风速和最大风半径呈正态分布;过程层定义生成可观测最大风半径的底层物理过程的台风风场模型,以及生成用于预测台风风场模型风场参数的前馈神经网络模型,其控制参数为前馈神经网络模型的权重参数w,风场参数包括最大风半径,形状参数,波数-1不对称幅度和风场初始方位角;先验层定义参数w服从正态分布,以及参数σ服从对数正态分布;
12、权重参数确认模块,通过蒙特卡洛方法获得权重参数后验概率分布,再通过map方法确定权重参数,获得前馈神经网络模型;
13、风场模型确认模块,基于台风最佳路径数据集和前馈神经网络模型,确定风场参数,并根据风场参数确定台风风场模型。
14、本说明书一个或多个实施例提供了一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上述所述基于贝叶斯模型的台风风场重建方法。
15、本说明书一个或多个实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上述所述基于贝叶斯模型的台风风场重建方法的步骤。
16、本公开提供的一种基于贝叶斯模型的台风风场重建方法、装置、设备及介质,优点在于,应用机器学习算法,并结合贝叶斯层级模型,将求解台风风场模型的未知参数转化为求解前馈神经网络模型的权重参数,相比于现有将风风场模型的未知风场参数通过四个模型分别估计,难以考虑风场参数之间的相关性和一致性,本实施例方法将四个风场参数通过前馈神经网络模型结合贝叶斯层级模型进行估计,前馈神经网络模型的输入变量包括台风的时间、位置和运动信息的最佳路径数据,使该模型具有时空性质,最大程度的保持了台风各个方面特征的内在一致性,解决了台风模拟仿真和危险性评估数据源不统一所导致的危险性评估结果偏差较大的问题。
1.一种基于贝叶斯模型的台风风场重建方法,其特征在于,包括步骤:
2.如权利要求1所述的基于贝叶斯模型的台风风场重建方法,其特征在于,所述初始台风风场模型使用波数-1不对称性的修正rankine涡旋模型,初始台风风场模型具体如下:
3.如权利要求2所述的基于贝叶斯模型的台风风场重建方法,其特征在于,所述初始前馈神经网络模型设置两个隐藏层,每个隐藏层都有相同的k个单元数;
4.如权利要求3所述的基于贝叶斯模型的台风风场重建方法,其特征在于,所述贝叶斯层次模型定义如下三个层:
5.一种基于贝叶斯模型的台风风场重建装置,其特征在于,包括:
6.如权利要求5所述的基于贝叶斯模型的台风风场重建装置,其特征在于,所述台风风场模型构建模块构建初始台风风场模型使用波数-1不对称性的修正rankine涡旋模型,初始台风风场模型具体如下:
7.如权利要求6所述的基于贝叶斯模型的台风风场重建装置,其特征在于,所述贝叶斯层级模型构建模块中构建的前馈神经网络模型设置两个隐藏层,每个隐藏层都有相同的k个单元数;
8.如权利要求7所述的基于贝叶斯模型的台风风场重建装置,其特征在于,所述贝叶斯层次模型定义如下三个层:
9.一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至4任一项所述基于贝叶斯模型的台风风场重建方法。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至4任一项所述基于贝叶斯模型的台风风场重建方法的步骤。