
-
生物通官微
陪你抓住生命科技
跳动的脉搏
基于物理原理的数据增强方法,用于提升热带气旋和风暴潮建模中的深度学习性能
《Scientific Reports》:Physics-based data augmentation to enhance deep learning performance in tropical cyclone and storm surge modelling
【字体: 大 中 小 】 时间:2026年06月23日 来源:Scientific Reports 3.9
编辑推荐:
摘要为了进行可靠的风暴潮模拟,准确建模热带气旋至关重要,因为热带气旋是引发风暴潮的主要外部力量。尽管深度学习模型在热带气旋建模方面已展现出有效性,但用于训练的重分析数据中热带气旋的多样性仍然有限——尤其是极端热带气旋事件的稀缺性。本研究提出了一种基于物理的数据增强方法,利用数值天
为了进行可靠的风暴潮模拟,准确建模热带气旋至关重要,因为热带气旋是引发风暴潮的主要外部力量。尽管深度学习模型在热带气旋建模方面已展现出有效性,但用于训练的重分析数据中热带气旋的多样性仍然有限——尤其是极端热带气旋事件的稀缺性。本研究提出了一种基于物理的数据增强方法,利用数值天气预报模型来生成那些超出重分析数据范围的热带气旋。随后,以小型但强度大的热带气旋作为极端案例,采用这种增强后的数据集对原本仅基于重分析数据预训练的模型进行微调,从而将参数化热带气旋模型场转换为类似数值天气预报模型的场。通过使用模拟极端热带气旋的测试数据进行验证,以及对2019年袭击东京湾的强热带气旋法赛的风暴潮回溯分析,发现参数化模型在风场受地形影响显著的区域无法有效模拟风暴潮,而预训练模型则低估了风速和风暴潮的强度。相比之下,经过微调的模型成功捕捉到了极端热带气旋的时空特征以及气旋登陆时的最大风暴潮强度,在所有热带气旋和潮位监测点中实现了最低的均方根误差。这些结果表明,基于物理的数据增强方法能够有效扩展深度学习模型在热带气旋及风暴潮建模中的应用范围,使其也能用于处理极端事件。