研究目的
通过集成卷积神经网络（CNN）架构来更准确地估算热带气旋（TC）最大风速。
研究成果
所提出的集成CNN架构在估计TC强度方面展现出改进能力，在热带低压和热带风暴中实现了更高精度，并在其他模型中取得了良好效果。整体模型的平均误差也达到了6.5米/秒。
研究不足
由于数据质量和数量的不足，为防止过拟合，CNN的结构被简化了。
1：实验设计与方法选择：
提出了一种基于卷积神经网络的集成架构用于台风最大风速估算。该架构包含输入层、卷积层、激活函数和池化层以训练并捕捉云图与其风速间的非线性关系，以及用于估算任务的全连接层。
2：样本选择与数据来源：
从http://agora.ex.nii.ac.jp/digital-typhoon/收集的包含热带气旋最大风速和气压的红外图像数据。
3：实验设备与材料清单：
NVIDIA GeForce GTX 1070 8G显卡、AMD R5 2600X处理器、金士顿16G 3200MHZ双通道内存条、INTEL 760P 256G固态硬盘。
4：实验流程与操作步骤：
网络经过50次训练完成训练。使用Python作为编程语言，并采用支持cuda的Pytorch完成神经网络的构建与训练。
5：数据分析方法：
结果表明，即使在红外波段之外使用多波段，所提出的架构在基于红外图像预测台风最大风速的任务上也优于现有最先进技术。
独家科研数据包，助您复现前沿成果，加速创新突破
获取完整内容-
DVIDIA GeForce GTX 1070 8G
GTX 1070
NVIDIA
Used for training the neural network
-
AMD’s R5 2600X processor
R5 2600X
AMD
Processor for the hardware environment
-
Kingston 16G 3200MHZ dual-channel memory bar
16G 3200MHZ
Kingston
Memory for the hardware environment
-
INTEL 760P 256G solid-state disk
760P 256G
INTEL
Storage for the hardware environment
-
登录查看剩余2件设备及参数对照表
查看全部
