Change search
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf
Deep Learning for Digital Typhoon: Exploring a typhoon satellite image dataset using deep learning
KTH, School of Electrical Engineering and Computer Science (EECS).
2019 (English)Independent thesis Advanced level (degree of Master (Two Years)), 20 credits / 30 HE creditsStudent thesisAlternative title
Djupinlärning för Digital Typhoon : Att genom djupinlärning utforska satellitbilder på tyfoner. (Swedish)
Abstract [en]

Efficient early warning systems can help in the management of natural disaster events, by allowing for adequate evacuations and resources administration. Several approaches have been used to implement proper early warning systems, such as simulations or statistical models, which rely on the collection of meteorological data. Data-driven techniques have been proven to be effective to build statistical models, being able to generalise to unseen data. Motivated by this, in this work, we explore deep learning techniques applied to the typhoon meteorological satellite image dataset "Digital Typhoon". 

We focus on intensity measurement and categorisation of different natural phenomena.

Firstly, we build a classifier to differentiate natural tropical cyclones and extratropical cyclones and, secondly, we implement a regression model to estimate the centre pressure value of a typhoon. In addition, we also explore cleaning methodologies to ensure that the data used is reliable.

The results obtained show that deep learning techniques can be effective under certain circumstances, providing reliable classification and regression models and feature extractors. More research to draw more conclusions and validate the obtained results is expected in the future.

Abstract [sv]

Effektiva varningssystem kan hjälpa till med hanteringen av naturkatastrofer genom att möjliggöra tillräckliga evakueringar och resursfördelningar. Flera olika tillvägagångssätt har använts för att genomföra lämpliga tidiga varningssystem, såsom simuleringar eller statistiska modeller, som bygger på insamling av meteorologiska data. Datadriven teknik har visat sig vara effektiv för att bygga statistiska modeller som kan generalisera till okända data. Motiverat av detta, utforskar examensarbetet tekniker baserade på djupinlärning, vilka tillämpas på ett dataset med meteorologiska satellitbilder, Digital Typhoon".

 Vi fokuserar på intensitetsmätning och kategorisering av olika naturfenomen.

 Först bygger vi en klassificerare för att skilja mellan naturliga tropiska cykloner och extratropiska cykloner. Därefter implementerar vi en regressionsmodell för att uppskatta en tyfons mittrycksvärde. Dessutom utforskar vi rengöringsmetoder för att säkerställa att de data som används är tillförlitliga.

 De erhållna resultaten visar att tekniker för djupinlärning kan vara effektiva under vissa omständigheter, vilket ger tillförlitliga klassificerings- och regressionsmodeller samt extraktorer. Mer forskning för att dra fler slutsatser och validera de erhållna resultaten förväntas i framtiden.

 

Abstract [ca]

Els sistemes d’alerta ràpida poden ajudar en la gestió dels esdeveniments de desastres naturals, permetent una evacuació i administració dels recursos adequada. En aquest sentit s’han utilitzat diferentes tècniques per implementar sistemes d’alerta, com ara simulacions o models estadístics, tots ells basats en la recollida de dades meteorològiques. S’ha demostrat que les tècniques basades en dades són eficaces a l’hora de construir models estadístics, podent generalitzar-se a a noves dades. Motivat per això, en aquest treball, explorem l’ús de tècniques d’aprenentatge profund (o deep learning) aplicades a les imatges meteorològiquesper satèl·lit de tifons del projecte "Digital Typhoon".

Ens centrem en la mesura i la categorització de la intensitat de diferentsfenòmens naturals.

En primer lloc, construïm un classificador per diferenciar ciclonstropicals naturals i ciclons extratropicals i, en segon lloc, implementemun model de regressió per estimar el valor de pressió central d’un tifó.A més, també explorem metodologies de neteja per garantir que lesdades utilitzades siguin fiables.

Els resultats obtinguts mostren que les tècniques d’aprenentatgeprofundes poden ser efectives en determinades circumstàncies, proporcionant models fiables de classificació/regressió i extractors de característiques.Es preveu que hi hagi més recerques per obtenir més conclusions i validar els resultats obtinguts en el futur.

Place, publisher, year, edition, pages
2019. , p. 70
Series
TRITA-EECS-EX ; 2019:24
National Category
Natural Sciences
Identifiers
URN: urn:nbn:se:kth:diva-249514OAI: oai:DiVA.org:kth-249514DiVA, id: diva2:1304600
External cooperation
UPC Barcelona School of Telecommunications Engineering
Educational program
Master of Science in Engineering - Electrical Engineering
Supervisors
Examiners
Available from: 2019-04-24 Created: 2019-04-12 Last updated: 2019-04-24Bibliographically approved

Open Access in DiVA

fulltext(17998 kB)48 downloads
File information
File name FULLTEXT01.pdfFile size 17998 kBChecksum SHA-512
8973a2de037158c87c28cae3494f2a18893807a5dd6916df00f7881383788d89c98b3c8b40a3299a30010297952c2653c178c369da669b5f96069de318a2f6cc
Type fulltextMimetype application/pdf

By organisation
School of Electrical Engineering and Computer Science (EECS)
Natural Sciences

Search outside of DiVA

GoogleGoogle Scholar
Total: 48 downloads
The number of downloads is the sum of all downloads of full texts. It may include eg previous versions that are now no longer available

urn-nbn

Altmetric score

urn-nbn
Total: 123 hits
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf