基于光流与形态学感知的热带气旋检测方法OFMAD-TC及其在灾害预防中的应用研究

《Neurocomputing》：OFMAD-TC: A tropical cyclone detection method with optical flow and morphology awareness

本文针对热带气旋（TC）检测中静态特征利用不足、时空动态特征挖掘不充分的问题，提出了一种融合光流运动特征与形态学语义的新型深度学习框架OFMAD-TC。研究团队通过构建光学流特征提取模块（OF Motion）和形态感知动态锚点机制（MaLD Anchors），实现了TC目标检测与中心定位的协同优化。该方法在自建数据集TCOF上取得显著性能提升，为弱台风早期识别和气象灾害预警提供了技术支撑。

　　

随着全球气候变化的加剧，热带气旋（Tropical Cyclone, TC）的强度和频率呈现明显上升趋势，对沿海地区居民安全和经济活动构成严重威胁。传统热带气旋检测主要依赖德沃夏克技术（Dvorak Technique）等人工经验方法，存在主观依赖性高、对弱气旋识别能力不足的局限。虽然深度学习技术已在气象领域广泛应用，但现有方法多侧重于单帧图像的静态特征分析，未能充分利用多时序遥感数据中蕴含的运动规律和形态演化特征，导致对形态不完整的弱台风检测精度有限。

针对这一挑战，天津大学研究团队在《Neurocomputing》发表的研究提出了一种创新解决方案——OFMAD-TC框架。该研究突破传统单帧检测的思维定式，首次将光学流（Optical Flow）运动特征提取与形态学语义分析相结合，通过多时序遥感图像序列捕捉热带气旋的动态演变规律。特别值得关注的是，该方法创新性地设计了形态感知的动态可学习锚点机制（Morphology-aware Learnable Dynamic Anchors, MaLD Anchors），使模型能够自适应匹配热带气旋的非对称形态特征，显著提升了弱台风阶段的检测灵敏度。

关键技术方法包括：1）基于深度学习的光学流特征提取模块（OF Motion），从连续卫星图像序列中捕获运动模式；2）融合气象语义的查询机制，通过四方向形态特征建模增强形状特征提取；3）构建新型数据集TCOF，缩短帧间时间间隔至更适合光学流分析的尺度；4）采用统一模型实现TC目标检测与中心定位的协同优化。

相关工作中，研究系统梳理了传统TC检测方法的技术路线，指出对称性分析和螺旋结构拟合等方法对强气旋有效，但难以应对形态不规则的弱气旋。相比基于卷积神经网络（CNN）的Typhoon Center Location Network (TCLNet)和Simple Mask-Flow Keypoint Detection (SimMKD)等深度学习方法，新框架在特征表征层面实现了重要突破。

提出的方法部分详细阐述了OFMAD-TC的架构设计。模型以时序遥感图像为输入，通过特征提取阶段的光学流分析模块捕捉云团运动轨迹，结合形态学引导的锚点生成机制，最终输出TC区域检测和中心定位结果。该方法创新性地将气象学中的风场收敛原理转化为可计算的模型参数，使中心定位更符合气象学规律。

实验与讨论显示，研究团队整合静止气象卫星遥感影像与最佳路径数据构建验证数据集。实验结果表明，OFMAD-TC在TC检测和中心定位任务中均达到最先进性能，特别是在弱台风场景下表现出显著优势。消融实验验证了光学流模块和形态感知锚点各自的技术贡献。

结论部分强调，该研究通过光学流运动特征模块和形态感知动态锚点的协同设计，有效提升了TC检测的准确性和鲁棒性。未来研究方向包括引入多模态气象数据融合机制，以及将框架扩展至其他极端天气现象的检测应用。这项工作不仅为热带气旋监测提供了新的技术路径，也为时空序列数据挖掘在气象领域的应用提供了重要参考范式。