Ces dernières années, avec le développement de l'apprentissage profond, des technologies de télédétection et d'autres disciplines connexes, la recherche sur l'estimation de l'intensité des cyclones tropicaux a connu des progrès rapides. Les sources de données utilisées pour l'estimation de l'intensité des cyclones tropicaux se sont progressivement étendues des données à canal unique aux données multicanaux, incluant l'infrarouge, la vapeur d'eau, les micro-ondes, etc. ; les méthodes d'estimation ont également évolué des méthodes subjectives basées sur l'extraction manuelle des caractéristiques vers des méthodes objectives automatisées reposant sur des modèles d'apprentissage profond. Cet article fait une synthèse systématique et un bilan des avancées actuelles dans la recherche sur l'estimation de l'intensité des cyclones tropicaux basée sur l'apprentissage profond, et résume brièvement les sources et ensembles de données utilisés par ces algorithmes. Enfin, l'article propose des directions futures pour la recherche sur l'estimation de l'intensité des cyclones tropicaux : d'une part, il faut s'adapter à l'évolution des mégadonnées en télédétection, continuer à introduire de nouvelles théories et méthodes en apprentissage profond, et exploiter de manière intégrée des données multisources pour améliorer la précision et la capacité de généralisation ; d'autre part, il faut se concentrer sur les caractéristiques météorologiques et les mécanismes des cyclones tropicaux pour améliorer de manière ciblée les méthodes existantes. Par ailleurs, dans le contexte des mégadonnées météorologiques, les méthodes d'apprentissage profond connaîtront de nouvelles percées dans le domaine de l'estimation de l'intensité des cyclones tropicaux.

cyclones tropicaux; apprentissage profond; estimation de l'intensité; réseaux convolutionnels; données multicanaux