BỘ KHOA HỌC VÀ CÔNG NGHỆ
HỆ THỐNG THÔNG TIN KHOA HỌC VÀ CÔNG NGHỆ

Lọc theo danh mục
  • Năm xuất bản
    Xem thêm
  • Lĩnh vực
liên kết website
Lượt truy cập
 Lượt truy cập :  20,738,526
  • Công bố khoa học và công nghệ Việt Nam

87

Kỹ thuật môi trường khác

BB

Chu Thị Huyền Trang, Lê Quang Đạo, Trần Huy Hoàng, Lưu Việt Hưng, Bùi Quang Hưng, Mai Khánh Hưng(1), Nguyễn Thu Hằng, Đỗ Thuỳ Trang, Dư Đức Tiến, Đặng Đình Quân, Hoàng Gia Nam

Ứng dụng mô hình học máy trên dữ liệu vệ tinh địa tĩnh cho bài toán nhận dạng và cảnh báo sớm bão nhiệt đới trên khu vực Tây Bắc Thái Bình Dương và Biển Đông

Application of deep learning for identifying and early warning of tropical cyclones in the Northwest Pacific basin and East Sea

Khí tượng Thủy văn

2024

764

1-14

2525-2208

Mô hình học máy, Dữ liệu vệ tinh địa tĩnh, Bài toán nhận dạng, Cảnh báo sớm, Bão nhiệt đới

Tropical Cyclones detection, Two-stream Convolution Neural Network.

Bài báo trình bày ứng dụng phương pháp học sâu để xác định vị trí và phân loại xoáy thuận nhiệt đới (XTNĐ) một cách tự động. Phương pháp học sâu trong bài báo là ứng dụng mạng nơ-ron tích chập hai luồng (CNN) cùng các đặc điểm theo không gian và thời gian của dữ liệu vệ tinh địa tĩnh. Bộ dữ liệu vệ tinh địa tĩnh Himawari-8/9 cho các XTNĐ trên Tây Bắc Thái Bình Dương và Biển Đông từ năm 2015 đến năm 2019 đã được thu thập và sử dụng trong nghiên cứu. Đầu vào bổ sung cho phương pháp học sâu là vectơ chuyển động khí quyển (AMV) được tính toán từ dữ liệu vệ tinh liên tiếp theo thời gian. Kết quả cho thấy khả năng ứng dụng cao của phương pháp học máy trong bài toán nhận dạng XTNĐ. 
Ngoài ra, một thử nghiệm cụ thể cho cơn bão Doksuri vào năm 2017 cho thấy khả năng cảnh báo sớm trước so với phát báo của Cơ quan khí tượng Nhật Bản (JMA).

In this study presents a deep learning (DL) application to detect tropical cyclones (TCs). A two-stream Convolution Neural Network (CNN) which captures both spatial and temporal features of time-series of geostationary satellite cloud images (SCIs) is proposed. A dataset of Himawari-8 SCIs of TCs over Western North Pacific and East Sea from 2015 to 2019 are processed. Additional inputs for DL relating to tropical cyclone circulation features are atmospheric motion vector (AMV). Results show that our model can significantly improve the performance of TC detection. Moreover, our case study for the detection of TC Doksuri in 2017 yielded promising results as our proposed model is capable of detecting and early warning TC formation 24 hours prior to the first time reported by the (Japan Meteorological Agency) JMA.
 

TTKHCNQG, CVt 39

Xem toàn văn