基于深度目标检测和数值天气预报的热带气旋预报方法.pdf

《基于深度目标检测和数值天气预报的热带气旋预报方法.pdf》由会员分享，可在线阅读，更多相关《基于深度目标检测和数值天气预报的热带气旋预报方法.pdf（11页完成版）》请在专利查询网上搜索。

1、(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 201910251552.2 (22)申请日 2019.03.29 (71)申请人 中国人民解放军空军研究院战场环 境研究所 地址 100085 北京市海淀区西三旗安宁庄 路11号院 (72)发明人 程文聪王志刚邢平 (74)专利代理机构 中国航天科技专利中心 11009 代理人 臧春喜 (51)Int.Cl. G06Q 10/04(2012.01) G06K 9/62(2006.01) (54)发明名称 基于深度目标检测和数值天气预报的热带 气旋预报方法 (57)摘要 本发明公。

2、开了一种基于深度目标检测和数 值天气预报的热带气旋预报方法， 包括： 根据热 带气旋历史记录组合历史数值天气预报产品中 的多个预报要素， 构建训练数据集； 根据所述训 练数据集， 对深度目标检测模型进行训练从而获 取模型参数， 将训练得到的模型作为热带气旋识 别模型； 根据热带气旋识别模型， 从实时数值天 气预报产品预报场中识别出热带气旋的中心位 置和尺度， 作为预报结果进行输出。 通过本发明 实现了对热带气旋的路径和尺度的准确预测， 对 热带气旋的路径和尺度的准确预测对于预防和 减轻相关灾害具有重要作用。 权利要求书2页 说明书6页 附图2页 CN 110033132 A 2019.07.1。

3、9 CN 110033132 A 1.一种基于深度目标检测和数值天气预报的热带气旋预报方法， 其特征在于， 包括： 根据热带气旋历史记录组合历史数值天气预报产品中的多个预报要素， 构建训练数据 集； 根据所述训练数据集， 对深度目标检测模型进行训练从而获取模型参数， 将训练得到 的模型作为热带气旋识别模型； 根据热带气旋识别模型， 从实时数值天气预报产品预报场中识别出热带气旋的中心位 置和尺度， 作为预报结果进行输出。 2.根据权利要求1所述的基于深度目标检测和数值天气预报的热带气旋预报方法， 其 特征在于， 所述根据热带气旋历史记录组合历史数值天气预报产品中的多个预报要素， 构 建训练数据集。

4、， 包括： 从热带气旋历史记录中筛选得到历史热带气旋的路径和尺度； 选取各热带气旋历史记录对应的历史数值天气预报区域产品； 将所述历史热带气旋的路径和尺度转换为针对所述选取的各热带气旋历史记录对应 的历史数值天气预报区域产品的标注， 得到训练数据集。 3.根据权利要求2所述的基于深度目标检测和数值天气预报的热带气旋预报方法， 其 特征在于， 所述从热带气旋历史记录中筛选得到历史热带气旋的路径和尺度， 包括： 获取热带气旋历史记录； 从所述热带气旋历史记录筛选得到历史热带气旋的路径和尺度， 构建得到记录集D Pi， Si|i1.n； 其中， Pi表示第i个热带气旋的最佳路径， Piaij|j1.。

5、m， aij表示第i 个热带气旋路径中处于第j个时次时的气旋中心位置坐标； Si表示第i个热带气旋的尺度半 径范围， Sirij|j1.m， rij表示第i个热带气旋路径中第j个时次位置时的尺度范围。 4.根据权利要求3所述的基于深度目标检测和数值天气预报的热带气旋预报方法， 其 特征在于， 所述选取各热带气旋历史记录对应的历史数值天气预报区域产品， 包括： 从所述记录集D中提取得到汇集所有热带气旋记录时次的时次集Ttj|j1.m； 从历史数值天气预报区域产品中筛选得到时次为tT的数值天气预报分析场产品； 从所述筛选得到的时次为tT的数值天气预报分析场产品中截取特定要素、 特定时间 点、 特定。

6、区域和特点层次的样本数据片段Ela_t， 作为所述各热带气旋历史记录对应的历史 数值天气预报区域产品。 5.根据权利要求4所述的基于深度目标检测和数值天气预报的热带气旋预报方法， 其 特征在于， 所述将所述历史热带气旋的路径和尺度转换为针对所述选取的各热带气旋历史 记录对应的历史数值天气预报区域产品的标注， 得到训练数据集， 包括： 令： 记录集D中的aij和rij对应的热带气旋标注区域的四个顶点为： (x-rij， y-rij) (x+rij， y-rij) (x+rij， y+rij) (x-rij， y+rij) 其中， x表示热带气旋中心经度坐标， y表示热带气旋中心纬度坐标； 将记录。

7、集D中的aij和rij对应的热带气旋标注区域的四个顶点作为j时次样本数据片段 Ela_t的一个标注区域； 权利要求书 1/2 页 2 CN 110033132 A 2 重复上述过程直至将记录集D中的所有数据全部形成标注区域， 得到训练数据集。 6.根据权利要求1所述的基于深度目标检测和数值天气预报的热带气旋预报方法， 其 特征在于， 所述根据热带气旋识别模型， 从实时数值天气预报产品预报场中识别出热带气 旋的中心位置和尺度， 作为预报结果进行输出， 包括： 选择一深度目标检测模型； 将所述训练数据集中的数据转换为所述深度目标检测网络模型可识别的待训练数据； 将所述深度目标检测模型可识别的待训练。

8、数据作为所述深度目标检测模型的数据输 入， 经多轮迭代循环后得到热带气旋识别模型。 7.根据权利要求6所述的基于深度目标检测和数值天气预报的热带气旋预报方法， 其 特征在于， 深度目标检测模型， 包括： R-CNN模型、 Fast R-CNN模型、 Faster R-CNN模型、 SSD模型和YOLO模型。 8.根据权利要求1所述的基于深度目标检测和数值天气预报的热带气旋预报方法， 其 特征在于， 所述根据热带气旋识别模型， 从实时数值天气预报产品预报场中识别出热带气 旋的中心位置和尺度， 作为预报结果进行输出， 包括： 从实时数值天气预报产品预报场中， 提取得到与所述训练数据集具有相同要素、。

9、 相同 区域和相同层次的数据片段Ela； 将所述提取得到的数据片段Ela作为所述热带气旋识别模型的数据输入， 通过所述热带 气旋识别模型， 输出热带气旋候选结果； 将所述热带气旋候选结果与历史热带气旋的路径和尺度进行匹配识别， 得到匹配识别 结果； 将根据所述匹配识别结果确定的热带气旋的中心位置和尺度作为预报结果进行输出。 权利要求书 2/2 页 3 CN 110033132 A 3 基于深度目标检测和数值天气预报的热带气旋预报方法 技术领域 0001 本发明属于气象技术领域， 尤其涉及一种基于深度目标检测和数值天气预报的热 带气旋预报方法。 背景技术 0002 在现代天气预报业务中， 数值天。

10、气预报具有越来越重要的地位， 数值天气预报是 根据大气实际情况， 在一定初值和边值条件下， 通过数值计算， 求解描写天气演变过程的流 体力学和热力学方程组， 并对未来做出定量和客观的预报。 通过数值预报方法获得的各种 分析和预报产品称为数值天气预报产品。 随着数值天气预报的发展， 包括温、 压、 湿、 风等气 象要素均可通过数值天气预报产品获取未来数小时至数十小时的预报结论。 全世界已有30 多个国家和地区具备数值天气预报制作能力。 0003 在业务应用中， 气象预报员对热带气旋的预报一般采用基于经验的主观预报法和 基于数值模式的客观预报方法， 随着数值天气预报的发展， 基于数值模式的热带气旋。

11、预报 逐渐体现出越来越大的优势， 但对于热带气旋的预报不是中长期数值预报的基础输出要 素， 而是需要使用特定热带气旋模型根据基础数值模式要素中的涡度、 气压或风场等基础 要素根据相关物理意义进行二次计算， 需要消耗较多的计算资源， 资源受限的用户难以进 行本地处理， 且会筛选出较多的候选结果， 需要进一步结合实况信息进行判断。 发明内容 0004 本发明的技术解决问题： 克服现有技术的不足， 提供一种基于深度目标检测和数 值天气预报的热带气旋预报方法， 旨在实现对热带气旋的路径和尺度的预测。 0005 为了解决上述技术问题， 本发明公开了一种基于深度目标检测和数值天气预报的 热带气旋预报方法，。

12、 包括： 0006 根据热带气旋历史记录组合历史数值天气预报产品中的多个预报要素， 构建训练 数据集； 0007 根据所述训练数据集， 对深度目标检测模型进行训练从而获取模型参数， 将训练 得到的模型作为热带气旋识别模型； 0008 根据热带气旋识别模型， 从实时数值天气预报产品预报场中识别出热带气旋的中 心位置和尺度， 作为预报结果进行输出。 0009 在上述基于深度目标检测和数值天气预报的热带气旋预报方法中， 所述根据热带 气旋历史记录组合历史数值天气预报产品中的多个预报要素， 构建训练数据集， 包括： 0010 从热带气旋历史记录中筛选得到历史热带气旋的路径和尺度； 0011 选取各热带。

13、气旋历史记录对应的历史数值天气预报区域产品； 0012 将所述历史热带气旋的路径和尺度转换为针对所述选取的各热带气旋历史记录 对应的历史数值天气预报区域产品的标注， 得到训练数据集。 0013 在上述基于深度目标检测和数值天气预报的热带气旋预报方法中， 所述从热带气 说明书 1/6 页 4 CN 110033132 A 4 旋历史记录中筛选得到历史热带气旋的路径和尺度， 包括： 0014 获取热带气旋历史记录； 0015 从所述热带气旋历史记录筛选得到历史热带气旋的路径和尺度， 构建得到记录集 DPi， Si|i1.n； 其中， Pi表示第i个热带气旋的最佳路径， Piaij|j1.m， ai。

14、j表示 第i个热带气旋路径中处于第j个时次时的气旋中心位置坐标； Si表示第i个热带气旋的尺 度半径范围， Sirij|j1.m， rij表示第i个热带气旋路径中第j个时次位置时的尺度范 围。 0016 在上述基于深度目标检测和数值天气预报的热带气旋预报方法中， 所述选取各热 带气旋历史记录对应的历史数值天气预报区域产品， 包括： 0017 从所述记录集D中提取得到汇集所有热带气旋记录时次的时次集Ttj|j 1.m； 0018 从历史数值天气预报区域产品中筛选得到时次为tT的数值天气预报分析场产 品； 0019 从所述筛选得到的时次为tT的数值天气预报分析场产品中截取特定要素、 特定 时间点、。

15、 特定区域和特点层次的样本数据片段Ela_t， 作为所述各热带气旋历史记录对应的 历史数值天气预报区域产品。 0020 在上述基于深度目标检测和数值天气预报的热带气旋预报方法中， 所述将所述历 史热带气旋的路径和尺度转换为针对所述选取的各热带气旋历史记录对应的历史数值天 气预报区域产品的标注， 得到训练数据集， 包括： 0021 令： 记录集D中的aij和rij对应的热带气旋标注区域的四个顶点为： 0022 (x-rij， y-rij) 0023 (x+rij， y-rij) 0024 (x+rij， y+rij) 0025 (x-rij， y+rij) 0026 其中， x表示热带气旋中心经。

16、度坐标， y表示热带气旋中心纬度坐标； 0027 将记录集D中的aij和rij对应的热带气旋标注区域的四个顶点作为j时次样本数据 片段Ela_t的一个标注区域； 0028 重复上述过程直至将记录集D中的所有数据全部形成标注区域， 得到训练数据集。 0029 在上述基于深度目标检测和数值天气预报的热带气旋预报方法中， 所述根据热带 气旋识别模型， 从实时数值天气预报产品预报场中识别出热带气旋的中心位置和尺度， 作 为预报结果进行输出， 包括： 0030 选择一深度目标检测模型； 0031 将所述训练数据集中的数据转换为所述深度目标检测网络模型可识别的待训练 数据； 0032 将所述深度目标检测模。

17、型可识别的待训练数据作为所述深度目标检测模型的数 据输入， 经多轮迭代循环后得到热带气旋识别模型。 0033 在上述基于深度目标检测和数值天气预报的热带气旋预报方法中， 深度目标检测 模型， 包括： 0034 R-CNN模型、 Fast R-CNN模型、 Faster R-CNN模型、 SSD模型和YOLO模型。 说明书 2/6 页 5 CN 110033132 A 5 0035 在上述基于深度目标检测和数值天气预报的热带气旋预报方法中， 所述根据热带 气旋识别模型， 从实时数值天气预报产品预报场中识别出热带气旋的中心位置和尺度， 作 为预报结果进行输出， 包括： 0036 从实时数值天气预报。

18、产品预报场中， 提取得到与所述训练数据集具有相同要素、 相同区域和相同层次的数据片段Ela； 0037 将所述提取得到的数据片段Ela作为所述热带气旋识别模型的数据输入， 通过所述 热带气旋识别模型， 输出热带气旋候选结果； 0038 将所述热带气旋候选结果与历史热带气旋的路径和尺度进行匹配识别， 得到匹配 识别结果； 0039 将根据所述匹配识别结果确定的热带气旋的中心位置和尺度作为预报结果进行 输出。 0040 本发明具有以下优点： 0041 本发明利用深度学习网络的非线性映射能力和对栅格数据的信息提取能力， 基于 深度目标检测方法， 依赖历史热带气旋路径和尺度记录以及数值天气预报产品， 。

19、实现了对 热带气旋的路径和尺度的预测。 传统的基于数值天气预报产品的热带气旋解释预报需要根 据热带气旋理论模型， 选择基础数值模式要素中的涡度、 气压或风场等基础要素根据相关 物理意义进行二次计算， 需要消耗较多的计算资源， 资源受限的用户难以进行本地处理， 且 会产生较多的候选结果， 需要依赖实况数据进行筛检。 本发明因为采用了新兴深度学习领 域的目标识别方法， 直接采用端到端的方法从多种数值预报产品要素场中识别出热带气旋 的局部特征， 避免了人为筛选识别指标的主观性， 开辟了一种新的从数值天气预报产品中 识别和预测热带气旋的新思路， 实验表明在特定场景下该方法比传统的热带气旋解释预报 方法。

20、有更高的查准率、 召回率和影响范围覆盖准确率， 且训练后的模型直接进行端到端检 测与预报， 与传统解释预报方法逐点计算相比， 执行预测的运行效率更高。 附图说明 0042 图1是本发明实施例中一种基于深度目标检测和数值天气预报的热带气旋预报方 法的步骤流程图； 0043 图2是本发明实施例中一种热带气旋标注区域示意图； 0044 图3是本发明实施例中一种预报结果输出示意图。 具体实施方式 0045 为使本发明的目的、 技术方案和优点更加清楚， 下面将结合附图对本发明公开的 实施方式作进一步详细描述。 0046 如图1， 在本实施例中， 该基于深度目标检测和数值天气预报的热带气旋预报方 法， 包。

21、括： 0047 步骤101， 根据热带气旋历史记录组合历史数值天气预报产品中的多个预报要素， 构建训练数据集。 0048 在本实施例中， 具体可以通过如下子步骤构建所述训练数据集： 0049 子步骤1011， 从热带气旋历史记录中筛选得到历史热带气旋的路径和尺度。 说明书 3/6 页 6 CN 110033132 A 6 0050 在本实施例中， 可以先获取热带气旋历史记录； 然后， 从所述热带气旋历史记录筛 选得到历史热带气旋的路径和尺度， 构建得到记录集D。 0051 记录集DPi， Si|i1.n。 其中， Pi表示第i个热带气旋的最佳路径， Piaij|j 1.m， aij表示第i个热。

22、带气旋路径中处于第j个时次时的气旋中心位置坐标； Si表示第i 个热带气旋的尺度半径范围， Sirij|j1.m， rij表示第i个热带气旋路径中第j个时次 位置时的尺度范围。 0052 子步骤1012， 选取各热带气旋历史记录对应的历史数值天气预报区域产品。 0053 在本实施例中， 可以从所述记录集D中提取得到汇集所有热带气旋记录时次的时 次集Ttj|j1.m； 然后， 从历史数值天气预报区域产品中筛选得到时次为tT的数值 天气预报分析场产品； 最后， 从所述筛选得到的时次为tT的数值天气预报分析场产品中 截取特定要素、 特定时间点、 特定区域和特点层次的样本数据片段Ela_t， 作为所述。

23、各热带气 旋历史记录对应的历史数值天气预报区域产品。 0054 优选的， 特定要素(E)包括但不仅限于： 东西风分量、 南北风分量、 高度场、 气压场 等与热带气旋相关的气象要素或要素组合。 0055 子步骤1013， 将所述历史热带气旋的路径和尺度转换为针对所述选取的各热带气 旋历史记录对应的历史数值天气预报区域产品的标注， 得到训练数据集。 0056 在本实施例中， 可以令： 记录集D中的aij和rij对应的热带气旋标注区域的四个顶 点为： 0057 (x-rij， y-rij) 0058 (x+rij， y-rij) 0059 (x+rij， y+rij) 0060 (x-rij， y+。

24、rij) 0061 其中， x热带气旋中心经度坐标， y表示热带气旋中心纬度坐标。 0062 将记录集D中的aij和rij对应的热带气旋标注区域的四个顶点作为j时次样本数据 片段Ela_t的一个标注区域。 0063 重复上述过程直至将记录集D中的所有数据全部形成标注区域， 得到训练数据集。 0064 步骤102， 根据所述训练数据集， 对深度目标检测模型进行训练从而获取模型参 数， 将训练得到的模型作为热带气旋识别模型。 0065 在本实施例中， 可以从R-CNN模型、 Fast R-CNN模型、 Faster R-CNN模型、 SSD模型 和YOLO等深度目标检测模型中选择一种作为深度目标检。

25、测模型； 然后， 将所述训练数据集 中的数据转换为所述深度目标检测模型可识别的待训练数据； 最后， 将所述深度目标检测 网络模型可识别的待训练数据作为所述深度目标检测模型的数据输入， 经多轮迭代循环确 定模型参数后得到热带气旋识别模型。 0066 步骤103， 根据热带气旋识别模型， 从实时数值天气预报产品预报场中识别出热带 气旋的中心位置和尺度， 作为预报结果进行输出。 0067 在本实施例中， 可以从实时数值天气预报产品预报场中， 提取得到与所述训练数 据集具有相同要素、 相同区域和相同层次的数据片段Ela； 将所述提取得到的数据片段Ela作 为所述热带气旋识别模型的数据输入， 通过所述热。

26、带气旋识别模型， 输出热带气旋候选结 果； 将所述热带气旋候选结果与历史热带气旋的路径和尺度进行匹配识别， 得到匹配识别 说明书 4/6 页 7 CN 110033132 A 7 结果； 将根据所述匹配识别结果确定的热带气旋的中心位置和尺度作为预报结果进行输 出。 0068 在上述实施例的基础上， 下面结合一个具体实例进行说明。 0069 在本实施例中， 历史数值天气预报产品选用欧洲气象中心提供的细网格数值天气 预报产品中的850百帕东西风场产品和南北风场产品， 产品格距为0.25 0.25 ， 选取产品 覆盖范围为西北太平洋区域(北纬90 北纬0 、 东经100 西经180 )。 热带气旋历。

27、史记录 采用美国联合台风警报中心(Joint Typhoon Warning Center)提供的20082016年台风 最佳路径及尺度数据集。 0070 热带气旋预报的具体实现流程如下： 0071 (1)基于热带气旋历史记录和历史数值天气预报产品， 构建训练数据集。 0072 首先， 选取美国联合台风警报中心(JTWC， Joint Typhoon Warning Center)提供 的20082016年热带气旋最佳路径及尺度数据集。 该数据集按年份和台风编号记录了当年 所有西北太平洋的热带气旋的路径和尺度信息， 例如： 2008年二号热带气旋路径中在2008 年4月16日世界时0时的路径位。

28、置为(13.3N,113E)， 外沿尺度160海里。 即a2008-2,2008041600 (13.3N,113E)， r2008-2,2008041600160。 0073 然后， 选取热带气旋历史记录时次对应的历史数值天气预报产品。 对于JTWC热带 气旋的路径和尺度的历史记录集中每一个路径时间点， 如2008年二号热带气旋路径中在 2008年4月16日世界时0时的记录点， 提取欧洲气象中心2008年4月16日世界时0时发布的数 值天气预报分析场中850百帕东西风分量和南北风分量产品， 该产品格距为0.25 0.25 ， 截取产品中西北太平洋区域(北纬90 北纬0 、 东经100 西经1。

29、80 )的数据段UV2008041600 存入指定应的文件目录 “TrainProduct” 中。 0074 重复上述过程直至将所有热带气旋历史记录时次对应的数值天气预报数据片段 均存入目录 “Product” 中。 0075 最后， 将历史热带气旋路径和尺度记录转换为针对特定时次数值预报产品的标 注。 对于热带气旋的路径记录上的点aij以及对应的尺度rij， 对应的热带气旋标注区域的四 个顶点为(x-rij， y-rij)、 (x+rij， y-rij)、 (x+rij， y+rij)、 (x-rij， y+rij)， 将四个顶点作为j时 次数据片段Ela_t的一个标注区域。 例如， 针对2。

30、008年二号热带气旋路径中在2008年4月16日 世界时0时的路径位置为(13.3 ， 113 )， 外沿尺度160海里(经度方向约1.98 ， 纬度方向约 2.0 )。 路径位置为(13.3 ， 113 )对应的热带气旋标注区域的四个顶点为(122.72， 7.20)、 (126.68， 7.20)、 (126.68， 11.20)、 (122.72， 11.20)， 记录为如下格式 “2008041600.dat tc 122.72 7.20 126.68 11.20” ， 标注边框如图2中的黑色框所示(为便于观察， 图2中叠加了 850百帕的风流线场)。 重复上述过程直到将所有历史记录全。

31、部形成标注区域。 0076 (2)构建深度目标检测模型并训练模型参数 0077 首先， 可选择Faster R-CNN作为深度目标检测模型。 Faster R-CNN的工作流程如 下： 将待识别的数据(如， 数值天气预报产品数据)输入一个深度卷积神经网络， 将得到特征 图输入一个区域建议网络， 区域建议网络同样使用深度卷积网络计算得到的特征， 寻找到 预设好数量的可能包含目标的区域边框， 最后， 对边框内的内容进行分类(若不含任何待识 别物体则舍弃)， 并通过回归算法调整边框的坐标使之更好的包含目标。 0078 需要说明的是， 其它类型的用于深度目标检测的模型及其各类变种亦可使用于本 说明书 。

32、5/6 页 8 CN 110033132 A 8 发明， 在此不做限制。 0079 其中， 将前述得到的标注区域数据转换为模型可识别的训练数据。 以目标检测模 型通常使用Pascal VOC2007格式为例， 为了将数据导入模型形成训练数据， 需要将步骤1.3 获取的标注区域信息， 如 “2008041600.dat tc 122.72 7.20 126.68 11.20” ， 转换为该格 式。 0080 优选的， Pascal VOC2007数据集中包含以下几个文件夹： 0081 “JPEGImages” 文件夹： 包含所有步骤1.2中存放于 “Product” 目录下的数值天气预 报数据片。

33、段， 包括训练数据和测试数据。 0082 “Annotations” 文件夹： 存放xml格式的标签文件， 每个xml文件都对应于 JPEGImages文件夹的一个数据文件。 0083 “ImagesSets” 文件夹： 存放数据集中每一种类型图片的信息。 其中 “main” 下存放 的是热带气旋的类型)。 0084 最后， 将生成的训练数据作为深度目标检测模型的数据输入， 经多轮迭代循环后 得到较优的模型参数， 进而构建得到热带气旋识别模型。 0085 (3)进行热带气旋预报 0086 首先， 提取实时数值天气预报产品预报场中与历史训练集相同要素E、 相同层次l、 相同区域a的数据段Ela。。

34、 例如， 提取欧洲气象中心2016年8月22日世界时0时发布的数值天气 预报在2016年8月22日世界时6时的预报场中850百帕东西风分量和南北风分量产品， 格距 为0.25 0.25 ， 截取产品中西北太平洋区域(北纬90 北纬0 、 东经100 西经180 )的 数据段UV2016082206存入指定应的文件目录 “ForcastProduct” 中。 0087 然后， 将实时数值天气预报预报场数据作为输入数据， 运行热带气旋识别模型， 得 到预报的热带气旋范围候选结果， 结合热带气旋早期路径作为结果进行输出。 将数值天气 预报预报场片段数据UV2016082206作为模型的输入数据， 运。

35、行步骤2训练后的深度学习网络模 型， 获取多个热带气旋识别候选结果， 结合世界时2016年8月22日0点观测到的实际热带气 旋(10号和12号热带风暴)位置， 得到世界时2016年8月22日06点， 西北太平洋区域的热带气 旋的识别边框信息， 作为预报结果进行输出， 如图3中的黑色框所示。 0088 本说明中的各个实施例均采用递进的方式描述， 每个实施例重点说明的都是与其 他实施例的不同之处， 各个实施例之间相同相似的部分互相参见即可。 0089 以上所述， 仅为本发明最佳的具体实施方式， 但本发明的保护范围并不局限于此， 任何熟悉本技术领域的技术人员在本发明揭露的技术范围内， 可轻易想到的变化或替换， 都应涵盖在本发明的保护范围之内。 0090 本发明说明书中未作详细描述的内容属于本领域专业技术人员的公知技术。 说明书 6/6 页 9 CN 110033132 A 9 图1 图2 说明书附图 1/2 页 10 CN 110033132 A 10 图3 说明书附图 2/2 页 11 CN 110033132 A 11 。