一种适用于利用热带太平洋次表层海温预报印度季风极端降水的方法与流程
本发明涉及印度季风极端降水预测,尤其涉及一种适用于利用热带太平洋次表层海温预报印度季风极端降水的方法。
背景技术:
1、印度季风作为全球气候系统中极具活力与影响力的组成部分,深刻塑造着亚洲南部尤其是印度次大陆的气候格局与生态环境。其年际与年代际变率引发的降水异常,直接关乎数十亿人口的水资源安全、农业生产乃至社会经济稳定,例如,强季风年的过量降水常致洪涝灾害,弱季风年的干旱则威胁粮食产量。
2、当前,对印度季风变率的预测的研究较少,对季风降水的模拟存在着系统性偏差。如今,机器学习,特别是深度学习的方法已经成为气象预测的新兴工具,使用深度学习方法预测印度季风降水具有重要的现实意义许多研究表明,在模型中加入注意力机制可以提高模型的效率和准确率,然而,适用于极端降水的注意力机制还有待开发。此外,在印度季风极端降水预报中,传统损失函数,如均方误差mse、普通huber损失,存在显著局限性:一方面,极端降水样本在观测数据中占比低(通常<10%),但对农业生产、水资源调度及防灾减灾具有关键影响,普通损失函数易因“多数普通样本主导损失优化”导致极端降水预报精度不足;另一方面,降水数据呈非正态分布,极端降水的预测误差往往显著大于普通降水,固定权重的损失函数难以平衡“普通样本拟合稳健性”与“极端样本误差敏感性”的需求。
技术实现思路
1、发明目的:本发明的目的在于提供一种适用于利用热带太平洋次表层海温预报印度季风极端降水的方法,以解决用于极端降水的注意力机制缺乏以及传统的损失函数对极端降水的强度预报存在较大偏差的问题。
2、技术方案:本发明所述的一种适用于利用热带太平洋次表层海温预报印度季风极端降水的方法,包括以下步骤:
3、(1)采集热带太平洋次表层海温数据和印度季风月降水观测数据,对次表层海温数据进行逐月距平处理和纬向距平处理,构建训练数据集;
4、(2)构建epsa_cnn预测模型,模型在卷积层与全连接层之间引入epsa注意力机制,用于强化极端海温异常区域的特征权重;
5、(3)使用动态加权huber损失函数对模型进行训练,损失函数通过分位数阈值动态识别极端降水样本,并采用双权重机制对极端样本误差进行强化惩罚;
6、(4)基于训练完成的模型生成印度季风月降水预测产品,输出预测值与实际值的对比结果。
7、进一步的,步骤(1)中,热带太平洋次表层海温数据选自海域8°n-24°s、120°e-90°w范围内,海面下5m-300m共16层的温度数据,空间分辨率为0.5°×0.5°。
8、进一步的,步骤(2)中,epsa_cnn模型结构包括:3个卷积层,每层包含批量归一化、激活函数和最大池化;1个epsa注意力模块,插入在卷积层与全连接层之间;3个全连接层,用于输出降水预测值。
9、进一步的,步骤(2)中,epsa注意力机制包括:基础空间注意力模块用于生成空间异质性注意力权重;动态极端阈值与掩码生成模块用于基于输入温度场的实际分布动态划分极端区域与普通区域;注意力融合模块用于将基础注意力权重与极端掩码结合,使极端区域的注意力权重为普通区域的2倍。
10、进一步的,动态极端阈值与掩码生成模块通过分位数函数计算阈值,具体为:
11、
12、其中为分位数计算函数,满足,是分位水平,是专门为定位极端数据设定的标尺,本发明中令,以包含所有稀有但具有影响性的极端事件;当时,该样本被判定为极端降水样本;反之则为普通降水样本。
13、进一步的,步骤(3)中,动态加权huber损失函数的表达式为:
14、
15、其中、分别为第个样本的观测值与预测值,是总样本数,表示对所有样本损失取平均,确保损失值的尺度可解释性。
16、是依赖于观测值的权重,权重函数表达式为:
17、
18、当超过了极端降水的阈值时,权重取为;当不属于极端降水时,权重取为=20。
19、是原始的huber损失函数,表达式为:
20、
21、其中,是超参数,设为0.5,当∣∣≤ 时,huber损失为mse函数;当∣∣> 时,损失变为线性函数。
22、进一步的,步骤(3)中,模型训练采用梯度下降法,训练集按年份划分,并采用随机分批次训练策略。
23、进一步的,步骤(4)中,预测产品包括未来1-18个月的印度季风月降水预测序列,并绘制预测值与实际值的对比图。
24、有益效果:与现有技术相比,本发明具有如下显著优点:使用了epsa注意力机制和动态加权huber损失。一方面,考虑到次表层海温的强度与印度季风降水的强度存在关联,epsa注意力机制将“基础空间注意力”与“极端增强掩码”结合,强化温度极端异常区域的特征权重,同时通过归一化确保注意力分布合理,在网络结构中加入了注意力机制epsa,提高了数据利用效率;另一方面,动态加权huber损失通过“分位数动态阈值识别极端样本”与“双权重机制强化极端误差惩罚”,使模型在保留huber损失对异常值稳健性的同时,优先优化极端降水的预报偏差,适配气象领域对极端事件预报的核心需求;此外,考虑了热带太平洋次表层海温具有明显的年际变化(循环),并且与印度季风降水的强度的物理机制密切相关,用热带太平洋次表层海温异常预测印度季风月降水,预测方法所用数据资源和计算资源少,计算速度更快,预测时效长;在对热带太平洋次表层海温做了时间距平的基础上又做了纬向距平,突出次表层海温的经向扰动,更能体现热带太平洋次表层海温异常东传的特征。。
1.一种适用于利用热带太平洋次表层海温预报印度季风极端降水的方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种适用于利用热带太平洋次表层海温预报印度季风极端降水的方法,其特征在于,步骤(1)中,热带太平洋次表层海温数据选自海域8°n-24°s、120°e-90°w范围内,海面下5m-300m共16层的温度数据,空间分辨率为0.5°×0.5°。
3.根据权利要求1所述的一种适用于利用热带太平洋次表层海温预报印度季风极端降水的方法,其特征在于,步骤(2)中,epsa_cnn模型结构包括:3个卷积层,每层包含批量归一化、激活函数和最大池化;1个epsa注意力模块,插入在卷积层与全连接层之间;3个全连接层,用于输出降水预测值。
4.根据权利要求1所述的一种适用于利用热带太平洋次表层海温预报印度季风极端降水的方法,其特征在于,步骤(2)中,epsa注意力机制包括:基础空间注意力模块用于生成空间异质性注意力权重;动态极端阈值与掩码生成模块用于基于输入温度场的实际分布动态划分极端区域与普通区域;注意力融合模块用于将基础注意力权重与极端掩码结合,使极端区域的注意力权重为普通区域的2倍。
5.根据权利要求4所述的一种适用于利用热带太平洋次表层海温预报印度季风极端降水的方法,其特征在于,动态极端阈值与掩码生成模块通过分位数函数计算阈值,具体为:
6.根据权利要求1所述的一种适用于利用热带太平洋次表层海温预报印度季风极端降水的方法,其特征在于,步骤(3)中,动态加权huber损失函数的表达式为:
7.根据权利要求1所述的一种适用于利用热带太平洋次表层海温预报印度季风极端降水的方法,其特征在于,步骤(3)中,模型训练采用梯度下降法,训练集按年份划分,并采用随机分批次训练策略。
8.根据权利要求1所述的一种适用于利用热带太平洋次表层海温预报印度季风极端降水的方法,其特征在于,步骤(4)中,预测产品包括未来1-18个月的印度季风月降水预测序列,并绘制预测值与实际值的对比图。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com