基于遷移CNN的江淮持續性強降水環流分型

作者：蔡金圻,譚桂容,牛若蕓

摘要：利用新建的1981—2018年區域持續性強降水個例集、1981—2018年中國逐日降水量及NCEP/NCAR全球再分析資料,運用江淮地區持續性強降水典型模態個例樣本及殘差神經網絡(CNN),通過遷移學習分步訓練建立針對江淮強降水的環流客觀分型模型;并運用該模型對1981—2015年全國持續性強降水個例的環流進行客觀分型,比較其與相似量(R)分型、余弦相似系數(COS)分型的效果,且對2016—2018年逐日環流進行客觀識別與分型。結果表明:遷移CNN在擬合準確率達到100%后,測試集損失函數很快穩定,準確率較高,比R分型、COS分型效果好。在強降水客觀分型中,遷移CNN所得各型與典型模態降水之間的相關系數遠高于R分型、COS分型,其中不一致型個例分析表明遷移CNN所得各型與典型模態降水間的相關系數明顯高于R分型、COS分型。在獨立樣本分型中,遷移CNN所得各型與典型模態降水的相關系數也均高于R分型、COS分型,且對非持續性強降水環流分型也存在一定的識別能力。

發文機構：南京信息工程大學氣象災害教育部重點實驗室/氣候與環境變化國際合作聯合實驗室/氣象災害預報預警與評估協同創新中心

關鍵詞：江淮地區強降水客觀分型殘差神經網絡遷移學習Jianghuai Regionheavy rainfall patternsresidual networkstransfer learning

分類號：