随着上世纪60年代初全球第一颗气象卫星TIROS-1上天以来, 气象卫星逐渐成为气象灾害监测预警最主要的手段。台风生成于热带洋面上，由于洋面上常规观测资料稀缺，而岸基的天气雷达观测受限于其探测距离（一般为460km），因此在台风登陆前，气象卫星观测发挥着举足轻重的作用。台风的中心位置和强度是业务预报中最重要的两个关注点。在《台风中心怎么定比较合理？》一文中我们就曾提到过，业务中主要利用卫星资料来确定台风的中心。同样地，洋面上台风的强度评估也主要依靠卫星图象。但是气象卫星并不能直接观测表征台风强度的两个气象要素，即中心最低海平面气压和最大持续风速，因此如何利用卫星云图来确定台风强度是业务预报所关注的重点之一。
早在上世纪60年代，就有不少的科学家们尝试利用卫星云图估计台风强度，但由于当时卫星探测技术的局限性，这项工作并没有取得实质性的突破。直到70年代，美国国家海洋和大气管理局（NOAA）的Vernon Dvorak（图1）总结多年的预报经验以及参考飞机观测资料，建立了一种利用卫星云图观测的台风云型特征估计其强度的技术（下文简称Dvorak技术），使得台风定强业务有了重大的突破。
图1 20世纪70年代末的Vernon Dvorak（引自Velden et al. 2006）
在卫星云图上，不同强度的台风通常表现出不同的云型结构。Dvorak技术就是利用台风的云型变化特征，尤其是重点关注台风眼区和眼墙的云型特征以及外围螺旋云带特征，将上述两部分云系特征分析得到的T指数之和用于描述台风强度（图2），T指数变化范围从1～8，以0.5为变化单位，T越大，表示台风强度越强。再根据台风的发展趋势, 将其调整为现时强度指数（Current Intensity Number, CI），然后对照由实测资料得到的经验查算表（图3）, 将相应的 CI 指数转化为表征台风近中心最大持续风速，并由风压关系得到台风中心最低海平面气压。最初版本的 Dvorak 技术只依赖于卫星可见光云图（VIS）, 无法实现全天候监测, 而且实际业务中估测精度也不高。
图2 台风不同强度及云型分类所对应的T指数（引自许映龙等2015）
图3 1984年版Dvorak 技术的CI与台风中心最大风速和最低海平面气压的对应关系（引自Velden et al. 2006）
随着卫星红外成像技术的发展，Dvorak技术引入了红外云图（IR）的分析，一方面完成了对台风夜间的监测，另一方面，也是更为重要的，获取了台风眼区及眼墙的云顶亮温，这能直接体现台风的对流发展程度。同时，为了提高客观性，1984年Dvorak进一步改进该技术，将原来的T指数分为3个部分（图4），即资料T指数（Data T Number，DT）、模式期望指数（Model Expected T-Number，MET）和云型指数（Pattern TNumber, PT）。其中DT为红外云图得到的中心云系特征指数和外围螺旋云带特征指数之和；MET则考虑了台风强度变化趋势以及速率；PT将红外云图中的眼区和眼墙进行傅里叶变换分析, 新定义了螺旋带型、风切变型、镶嵌云区型和红外眼区型等云型。这三个指数在一系列的约束条件和限定规则下给出了最终强度指数（Final T Number，FT）以及CI。这一版本的Dvorak技术是世界气象组织推荐使用的台风业务定强分析流程。
图4 1984年版Dvorak 技术根据云型确定FT指数的流程图（引自Velden et al. 2006）
随后，Zehr、Velden、Olander等人又不断优化Dvorak技术的算法，先后提出了ODT、AODT和ADT算法，逐渐降低识别的主观性，实现定强自动化。随着Dvorak技术的不断改进, 其确定台风强度的精准度不断提升，在业务预报中起到越来越重要的作用。目前，Dvorak 技术经受了时间的考验，成为世界上最为成熟和最具操作性的台风业务定强分析技术手段，是气象防灾减灾工作中的一把利刃。
为什么Dvorak技术能在业务上延用至今呢？很重要的一点是它抓住了台风强度变化的动力和热力因子。动力因子主要是台风云系的组织程度和深对流偏离中心的距离，它们分别反映了台风涡度的大小和环境风垂直切变的大小；而热力因子则是不同的台风云型分类和眼区亮温，它们分别反映了对流发展的强度和内核发展的程度。
但是Dvorak技术也存在一定的局限性，比如对于尺寸较小的台风往往会低估其强度；而对于由季风低压发展而来的尺寸较大的台风，由于中心附近缺少深对流而低估强度；对于移速较快的台风，由于环境风场的叠加，常会造成更强破坏力，但Dvorak技术并不会考虑环境风场的作用；此外Dvorak技术的一系列限制规则和约束条件对台风强度突变的情况考虑不足。
近年来深度学习在图像识别领域广泛应用，取得了很大的进展。相比传统的线性回归法，深度学习算法具有更强的非线性建模能力以及更复杂的网络结构，能够准确识别具有位移和轻微形变的输入模式。最近，南京信息工程大学的田伟副教授利用卷积神经网络模型开发了一套台风定强算法(图5)，结果显示其具有较高的估测精度(均方根误差为8.91kt)。希望在不久的将来，深度学习在Dvorak技术基础上，为台风定强业务带来进一步的提升。
图5 卷积神经网络模型总体架构和内部回归模型结构（引自Tian et al. 2020）
参考文献：
1、Velden C, Harper B, Wells F, et al. (2006) The Dvorak tropical cyclone intensity estimation technique: Asatellite-based method that has endured for over 30 years. Bull. Amer. Meteor. Soc., 87, 1195-1210.
2、刘喆,王新,李万彪,韩志刚,朱元竞. (2007) Dvorak技术估测热带气旋强度研究进展.气象科技, 4, 453-457.
3、许映龙,张玲,向纯怡. (2015) 台风定强技术及业务应用——以Dvorak技术为例.气象科技进展, 5, 22-34.
4、Tian W, Huang W, Yi L, et al. (2020) A CNN-Based Hybrid Model for Tropical Cyclone Intensity Estimation in Meteorological Industry. IEEE Access, 8,59158-59168.
