台风引起的风暴潮灾害每年在世界沿海地区造成大量的经济损失和人员伤亡,因此获取精准且实时的台风预测信息,为防灾部门的预警预测提供决策支持至关重要。目前,国内外对台风的预测研究分为两类,一类是基于数值预报模拟和基于统计学等传统方法进行台风预测[1][2]。此方法需要大量的台风观测资料,并需要对台风的内部结构变化、关键物理过程及突变机制有足够的了解[3]。此外,台风过程的预测结果受到台风模型结构、地形、模型的初始场及边界条件影响[4]。另一类是,将遥感卫星云图数据集引入深度学习研究。卫星遥感技术突破性地发展,使得遥感卫星图片获取便利,且覆盖范围广、空间分辨率高。这为深度学习提供了大量、实时的数据集资源。现阶段,对于台风的研究主要是台风强度、台风路径。实时台风图像的预测研究还处于探索阶段。从产生到消亡的完整周期的遥感卫星台风图像,是典型的长时间间隔时序数据。注意力机制已在自然语言处理领域中应用,但语言上下文之间的联系与气象灾害物理现象前后连接机制也存在不同。目前还没有研究将注意力机制应用到气象物理时序的预测问题上。另一方面,捕获空间的相关性、挖掘出其时空信息。基于以上,本文针对时间间隔较长的自建时序台风图像数据集特点和深度学习方法进行图像预测研究。研究成果主要分为三个方面:（1）面向具有时间序列特点的台风遥感图像数据集,构建了基于时间序列的台风图像预测生成模型Seq Typhoon。遥感卫星提供了台风整个生命周期的遥感卫星图像,其具有时间序列和时间间隔大两个特征。循环神经网络主要面向对象就是具有时间序列特点的数据,有效挖掘数据中的时序信息及时序关联关系。基于以上思想,Seq Typhoon模型具体的构建为:首先,将台风图像序列数据集进行灰色图像直方图均衡预处理以达到图像增强;然后,时间间隔6小时的四张连续历史时刻台风遥感图像序列分别经过重采样、归一化后,作为Seq Typhoon模型编码器部分的输入;Attention（注意力）机制以有的放矢地权衡编码器输出的隐藏向量为切入点,更新与解码器对应的动态语义向量。长时间间隔数据集,Attention机制在LSTM（Long Short-Term Memory,长短期记忆）算法的基础上,可记忆更久远的信息;最后,动态语义向量和基于解码器中LSTM法预测未来6小时、12小时或18小时的台风图像。由均方根误差结果和损失函数曲线图可得出Seq Typhoon模型收敛,及对于时间间隔较长数据集的有效性。图像信息熵、台风灾害等级预测结果等多方面的评价标准,也证明了台风图像预测的质量。同时,研究了相邻台风图像间的不同时间间隔、不同预测时长和不同空间分辨率大小对台风图像预测的影响程度。实验结果表明,影响台风图像预测的最主要因素是相邻台风卫星云图之间的时间间隔,其次是预测未来时长及空间分辨率大小。（2）面向具有时空序列（时间和空间序列）特点的台风遥感图像数据集,构建了基于时空序列的多模态台风图像预测生成模型TSConv LSTM。台风的生命周期从生成到消亡[5],不仅具有明显时间序列特点,台风图像上台风眼的位置移动,台风轨迹的变化等信息表征也具有空间信息。因此创新性地提出TSConv LSTM模型,即基于卷积和反卷积神经的理论思想改进LSTM算法,增加了卷积神经网络提取台风图像的空间相关性。具体做法是在编码器中LSTM单元中门（遗忘门、输入门、输出门）的操作由哈达玛积运算改为卷积计算,即将卷积融合与LSTM单元中,构成了conv LSTM细胞。反卷积是一种上采样的学习模型,可生成与输入图像尺寸相同的图像。解码器通过融合反卷积与LSTM单元,构成trans Conv LSTM细胞,进行训练并预测生成未来时刻的台风图像。实验结果表明,基于时序的多模态融合TSConv LSTM模型优于基于时间序列Seq Typhoon模型。（3）台风灾害等级预测模型的搭建。为进一步验证台风图像预测生成的结果,除了采用均方根误差、图像信息熵等评价指标外,还构建了台风灾害等级预测模型。即针对基于时间和时空序列模型预测生成的台风图像,构建了深度卷积神经网络预测台风图像对应的台风灾害等级。台风图像可正确预测其台风灾害等级的准确率,作为评价台风图像预测模型的评价指标之一。