(10)申請(qǐng)公布號(hào)CN120105107A(21)申請(qǐng)?zhí)?02510574316.X(22)申請(qǐng)日2025.05.06(71)申請(qǐng)人南京信息工程大學(xué)地址210044江蘇省南京市江北新區(qū)寧六路219號(hào)(72)發(fā)明人潘石鳳尹志聰段明鏗(74)專利代理機(jī)構(gòu)南京蘇高專利商標(biāo)事務(wù)所(普通合伙)32204專利代理師柏尚春(54)發(fā)明名稱一種考慮月際差異的年際增量與卷積神經(jīng)網(wǎng)絡(luò)融合的復(fù)合高溫干旱預(yù)測(cè)方法(57)摘要本發(fā)明公開了一種考慮月際差異的年際增量與卷積神經(jīng)網(wǎng)絡(luò)融合的復(fù)合高溫干旱預(yù)測(cè)方法，包括以下步驟：基于數(shù)值模式數(shù)據(jù)與目標(biāo)區(qū)域，考慮到區(qū)域夏季復(fù)合高溫干旱在空間分布及成因上存在顯著的逐月差異，用年際增量方法篩選逐月復(fù)合高溫干旱事件的關(guān)鍵物理影響因子，構(gòu)建歸一化處理后的數(shù)據(jù)集；構(gòu)建融合年際增量方法與卷積神經(jīng)網(wǎng)絡(luò)CNN的逐月預(yù)測(cè)模型；利用訓(xùn)練集和驗(yàn)證集對(duì)模型進(jìn)行分批訓(xùn)練；將測(cè)試集輸入訓(xùn)練完成的模型，輸出逐月復(fù)合高溫干旱事21.一種考慮月際差異的年際增量與卷積神經(jīng)網(wǎng)絡(luò)融合的復(fù)合高溫干旱預(yù)測(cè)方法，其特(1)基于數(shù)值模式數(shù)據(jù)與目標(biāo)區(qū)域，考慮到區(qū)域夏季復(fù)合高溫干旱在空間分布及成因上存在顯著的逐月差異；利用年際增量方法篩選逐月復(fù)合高溫干旱事件的關(guān)鍵物理影響因(2)構(gòu)建融合年際增量方法與卷積神經(jīng)網(wǎng)絡(luò)CNN的逐月預(yù)測(cè)模型；(3)利用訓(xùn)練集和驗(yàn)證集對(duì)模型進(jìn)行分批訓(xùn)練；利用均方誤差MSE損失函數(shù)，根據(jù)訓(xùn)練集中模型結(jié)果與目標(biāo)數(shù)據(jù)的差異進(jìn)行梯度下降；(4)將測(cè)試集輸入訓(xùn)練完成的模型，輸出逐月復(fù)合高溫干旱事件的預(yù)測(cè)結(jié)果。2.根據(jù)權(quán)利要求1所述的一種考慮月際差異的年際增量與卷積神經(jīng)網(wǎng)絡(luò)融合的復(fù)合高溫干旱預(yù)測(cè)方法，其特征在于，關(guān)鍵物理影響因子包括前冬和春季的ERA5位勢(shì)高度、風(fēng)場(chǎng)、的復(fù)合高溫干旱事件進(jìn)行逐月識(shí)別。3.根據(jù)權(quán)利要求1所述的一種考慮月際差異的年際增量與卷積神經(jīng)網(wǎng)絡(luò)融合的復(fù)合高溫干旱預(yù)測(cè)方法，其特征在于，通過年際增量公式計(jì)算各物理因子的年際增量，公式為：其中，V(t)和V(t-1)表示當(dāng)年變量值和前一年變量值，VDY表示年際增量。4.根據(jù)權(quán)利要求1所述的一種考慮月際差異的年際增量與卷積神經(jīng)網(wǎng)絡(luò)融合的復(fù)合高溫干旱預(yù)測(cè)方法，其特征在于，步驟(2)中，具體如下：考慮月際接層和輸出層。5.根據(jù)權(quán)利要求4所述的一種考慮月際差異的年際增量與卷積神經(jīng)網(wǎng)絡(luò)融合的復(fù)合高(21)輸入層：接收歸一化后的多維物理因子數(shù)據(jù)；(22)一維卷積層：使用1X1的卷積核大小，所有的激活函數(shù)都為線性整流函數(shù)ReLU激活，填充方式為相同，表示卷積后輸出的特征圖大小不變，適用于需要保持時(shí)間步數(shù)一致的任務(wù)；(23)最大池化層：池化窗口為2,降低特征維度；(25)全連接層：對(duì)展平后的特征進(jìn)行進(jìn)一步的非線性映射，引入線性整流函數(shù)ReLU激(26)輸出層：輸出一個(gè)數(shù)值為最終的回歸預(yù)測(cè)結(jié)果。6.根據(jù)權(quán)利要求4所述的一種考慮月際差異的年際增量與卷積神經(jīng)網(wǎng)絡(luò)融合的復(fù)合高溫干旱預(yù)測(cè)方法，其特征在于，一維卷積層的卷積核數(shù)量為128個(gè)，全連接層的神經(jīng)元數(shù)量為128個(gè)。7.根據(jù)權(quán)利要求1所述的一種考慮月際差異的年際增量與卷積神經(jīng)網(wǎng)絡(luò)融合的復(fù)合高38.根據(jù)權(quán)利要求1所述的一種考慮月際差異的年際增量與卷積神經(jīng)網(wǎng)絡(luò)融合的復(fù)合高所述處理器執(zhí)行所述程序時(shí)實(shí)現(xiàn)如權(quán)利要求1-8任一4一種考慮月際差異的年際增量與卷積神經(jīng)網(wǎng)絡(luò)融合的復(fù)合高溫干旱預(yù)測(cè)方法技術(shù)領(lǐng)域[0001]本發(fā)明涉及復(fù)合型極端氣候事件預(yù)測(cè)技術(shù)領(lǐng)域，具體涉及一種考慮月際差異的年際增量與卷積神經(jīng)網(wǎng)絡(luò)融合的復(fù)合高溫干旱預(yù)測(cè)方法。背景技術(shù)[0002]全球氣候變化正導(dǎo)致極端氣象事件的發(fā)生頻率和強(qiáng)度顯著增加，傳統(tǒng)的氣候預(yù)測(cè)方法主要依賴于物理模型和統(tǒng)計(jì)方法，如氣候動(dòng)力學(xué)模型或基于歷史統(tǒng)計(jì)數(shù)據(jù)的回歸分析。然而，受復(fù)雜大氣環(huán)流系統(tǒng)的非線性影響，傳統(tǒng)方法在捕捉極端事件的空間分布特征和時(shí)間演變規(guī)律方面仍然存在較大局限性，預(yù)測(cè)精度亟待提高。[0003]近年來，人工智能技術(shù)，特別是深度學(xué)習(xí)方法，在氣候預(yù)測(cè)領(lǐng)域展現(xiàn)出強(qiáng)大的數(shù)據(jù)處理和模式識(shí)別能力。其中，卷積神經(jīng)網(wǎng)絡(luò)(CNN)在提取多尺度氣候因子的時(shí)空特征方面具機(jī)理，影響預(yù)測(cè)結(jié)果的科學(xué)可信度。因此，如何構(gòu)建融合統(tǒng)計(jì)分析與深度學(xué)習(xí)的復(fù)合極端事件預(yù)測(cè)方法，以提升對(duì)極端氣候事件的精準(zhǔn)預(yù)測(cè)能力，成為當(dāng)前研究的關(guān)鍵問題。發(fā)明內(nèi)容[0004]發(fā)明目的：本發(fā)明的目的是提供一種考慮月際差異的年際增量與卷積神經(jīng)網(wǎng)絡(luò)融合的復(fù)合高溫干旱預(yù)測(cè)方法，構(gòu)建了一種融合年際增量分析與卷積神經(jīng)網(wǎng)絡(luò)CNN復(fù)合高溫干旱極端事件預(yù)測(cè)模型，該模型既能有效利用年際氣候變化信號(hào)，提高模型的可解釋性，又能充分發(fā)揮深度學(xué)習(xí)的非線性映射能力，優(yōu)化預(yù)測(cè)性能，為氣候風(fēng)險(xiǎn)評(píng)估和災(zāi)害預(yù)警提供科學(xué)支撐。[0005]技術(shù)方案：本發(fā)明所述的一種考慮月際差異的年際增量與卷積神經(jīng)網(wǎng)絡(luò)融合的復(fù)(1)基于數(shù)值模式數(shù)據(jù)與目標(biāo)區(qū)域，考慮到區(qū)域夏季復(fù)合高溫干旱在空間分布上存在顯著的逐月差異，使用年際增量方法篩選逐月復(fù)合高溫干旱事件的關(guān)鍵物理影響因(2)構(gòu)建融合年際增量方法與卷積神經(jīng)網(wǎng)絡(luò)CNN的逐月預(yù)測(cè)模型；(3)利用訓(xùn)練集和驗(yàn)證集對(duì)模型進(jìn)行分批訓(xùn)練；利用均方誤差MSE損失函數(shù)，根據(jù)訓(xùn)練集中模型結(jié)果與目標(biāo)數(shù)據(jù)的差異進(jìn)行梯度下降；(4)將測(cè)試集輸入訓(xùn)練完成的模型，輸出逐月復(fù)合高溫干旱事件的預(yù)測(cè)結(jié)果。[0006]進(jìn)一步的，關(guān)鍵物理影響因子包括前冬和春季的ERA5位勢(shì)高度、風(fēng)場(chǎng)、土壤濕度、干旱事件進(jìn)行逐月識(shí)別。5(25)全連接層：對(duì)展平后的特征進(jìn)行進(jìn)一步的非線性映射，引入線性整流函數(shù)充分發(fā)揮統(tǒng)計(jì)方法的穩(wěn)健性與深度學(xué)習(xí)的特征提取能力，精準(zhǔn)捕捉高溫干旱的演變規(guī)律，附圖說明6圖3為本發(fā)明的卷積神經(jīng)網(wǎng)絡(luò)CNN的結(jié)構(gòu)圖。具體實(shí)施方式[0018]下面結(jié)合附圖對(duì)本發(fā)明的技術(shù)方案作進(jìn)一步說明。[0019]如圖1所示，本發(fā)明實(shí)施例提供一種考慮月際差異的年際增量與卷積神經(jīng)網(wǎng)絡(luò)融合的復(fù)合高溫干旱預(yù)測(cè)方法，包括以下步驟：(1)選擇數(shù)值模式和目標(biāo)區(qū)域，挑選對(duì)極端高溫影響的物理因子，基于年際增量方法，考慮月際差異，構(gòu)建數(shù)據(jù)集并進(jìn)行預(yù)處理；具體如下：使用前期ERA5再分析數(shù)據(jù)和同期CFSv2模式預(yù)報(bào)數(shù)據(jù)，并進(jìn)行歸一化處理，構(gòu)建數(shù)據(jù)集，將數(shù)據(jù)集劃分為訓(xùn)練集、驗(yàn)證集和測(cè)其中，V(t)和V(t-1)表示當(dāng)年變量值和前一年變量值，VDY表示年際增量。[0020](2)如圖2和圖3所示，構(gòu)建融合年際增量方法與卷積神經(jīng)網(wǎng)絡(luò)(CNN)的月際差異復(fù)(22)一維卷積層：如圖2所示，使用1x1的卷積核大小，所有的激活函數(shù)都為線性整流函數(shù)ReLU激活，填充方式為相同，表示卷積后輸出的特征圖大小不變，適用于需要保持時(shí)間步數(shù)一致的任務(wù)。[0022](24)展平層：將卷積特征圖轉(zhuǎn)[0023](25)全連接層：對(duì)展平后的特征進(jìn)行進(jìn)一步的非線性映射，引入線性整流函數(shù)(26)輸出層：輸出一個(gè)數(shù)值為最終的回歸預(yù)測(cè)結(jié)果。[0024](3)對(duì)模型進(jìn)行訓(xùn)練；將處理好的數(shù)據(jù)按照年份先后分為訓(xùn)練集、驗(yàn)證集與測(cè)試集，訓(xùn)練集與驗(yàn)證集隨機(jī)分批次對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練；具體如下：利用均方誤差MSE損失函數(shù)，根據(jù)訓(xùn)練集中模型結(jié)果與目標(biāo)數(shù)據(jù)的差異進(jìn)行梯度下降；其中總格點(diǎn)數(shù)。[0025]在訓(xùn)練模型時(shí)，使用Adam優(yōu)化器，動(dòng)態(tài)調(diào)整學(xué)習(xí)率策略，可以幫助模型更快的收斂，使得訓(xùn)練獲得的誤差最小。之后用測(cè)試集進(jìn)行測(cè)試。在訓(xùn)練過程中調(diào)整模型結(jié)構(gòu)及參數(shù)[0026](4)將測(cè)試集前期觀測(cè)數(shù)據(jù)和模式同期數(shù)據(jù)輸入訓(xùn)練好的模型中得到最終的復(fù)合7高溫干旱預(yù)測(cè)結(jié)果。8溫干旱極