蔡金圻 譚桂容* 牛若蕓

1)(南京信息工程大學(xué)氣象災(zāi)害教育部重點(diǎn)實(shí)驗(yàn)室/氣候與環(huán)境變化國(guó)際合作聯(lián)合實(shí)驗(yàn)室/氣象災(zāi)害預(yù)報(bào)預(yù)警與評(píng)估協(xié)同創(chuàng)新中心， 南京 210044)2)(國(guó)家氣象中心， 北京 100081)

引 言

我國(guó)地理位置特殊，受青藏高原熱力與動(dòng)力作用影響顯著，是復(fù)雜的季風(fēng)氣候區(qū)域[1-2]。江淮地處雨量豐沛的南方和干旱少雨的北方過(guò)渡地帶，降水的年際和季節(jié)變率大，影響因素復(fù)雜。在全球氣候變暖背景下，近50年我國(guó)降水強(qiáng)度普遍趨于增加，而降水日數(shù)除西北地區(qū)外其他大部分地區(qū)顯著減少[3]，局地持續(xù)性暴雨事件主要發(fā)生在江南和華南地區(qū)，以6月為最多[4]。20世紀(jì)80年代后全國(guó)暴雨極端事件除華北外其他地區(qū)均呈頻數(shù)增加、強(qiáng)度增大的特點(diǎn)[5]，給國(guó)民經(jīng)濟(jì)、社會(huì)發(fā)展以及人民生活帶來(lái)巨大損失及影響。

受夏季風(fēng)影響，我國(guó)旱澇降水與雨帶位置密切相關(guān)，而雨帶位置又與背景環(huán)流場(chǎng)密不可分[6-7]。大尺度環(huán)流異常、阻塞高壓等系統(tǒng)的作用引起干冷、暖濕空氣交匯是發(fā)生極端強(qiáng)降水的重要原因[8-12]。馬嵐等[13]利用衛(wèi)星資料進(jìn)行輻射亮度溫度(TBB)反演計(jì)算，分析得出季風(fēng)爆發(fā)并與北方南下冷空氣的結(jié)合是造成我國(guó)東南部地區(qū)出現(xiàn)大范圍長(zhǎng)時(shí)間強(qiáng)降水的必要條件。Chen等[14]研究發(fā)現(xiàn)，中高緯地區(qū)主要存在兩種影響中國(guó)極端降水的環(huán)流型，即兩脊一槽型和一槽一脊型；低緯度地區(qū)有3條低層季風(fēng)環(huán)流將水汽輸送至中國(guó)。暴雨區(qū)主要位于200 hPa高空急流入口區(qū)右側(cè)，南亞高壓北緣和中緯度脊前輻散氣流中[15]。江淮地區(qū)強(qiáng)降水發(fā)生次數(shù)多，持續(xù)時(shí)間長(zhǎng)，與西太平洋副熱帶高壓的穩(wěn)定控制有密切關(guān)系[4]。極端強(qiáng)降水不是單一環(huán)流發(fā)生發(fā)展的結(jié)果，而是對(duì)流層高、中、低不同層次多個(gè)關(guān)鍵系統(tǒng)相互配置、共同影響形成的[14,16]。許多學(xué)者通過(guò)討論環(huán)流與降水的關(guān)系，將關(guān)鍵區(qū)環(huán)流相似方法運(yùn)用到降水預(yù)報(bào)中[17-21]。譚桂容等[22]將場(chǎng)相似方法運(yùn)用到江淮地區(qū)強(qiáng)降水環(huán)流場(chǎng)分型及期降水預(yù)報(bào)中，結(jié)果表明：不同時(shí)效得到的強(qiáng)降水發(fā)生日環(huán)流與實(shí)測(cè)環(huán)流相關(guān)顯著，且在獨(dú)立預(yù)報(bào)試驗(yàn)中，該方法在3 d 以上大到暴雨的預(yù)報(bào)效果優(yōu)于模式。Zhou等[23]利用帶有權(quán)重的余弦相似方法建立基于關(guān)鍵影響系統(tǒng)的模擬模型(key influential systems based analog model，KISAM)并對(duì)持續(xù)性強(qiáng)降水進(jìn)行預(yù)測(cè)，結(jié)果表明：KISAM較模式直接預(yù)報(bào)(direct model output，DMO)能夠更早識(shí)別持續(xù)性極端降水且預(yù)測(cè)位置和強(qiáng)度更準(zhǔn)確，尤其是3 d以上的預(yù)報(bào)。

人工神經(jīng)網(wǎng)絡(luò)很早就被應(yīng)用到氣象領(lǐng)域[24-25]，如降水分類預(yù)報(bào)，孫照渤等[26]根據(jù)雨型與前期(冬季)環(huán)流和海溫關(guān)系，利用人工神經(jīng)網(wǎng)絡(luò)方法對(duì)我國(guó)夏季的雨型進(jìn)行模擬預(yù)報(bào)，建立分類預(yù)報(bào)模型。隨著深度學(xué)習(xí)的發(fā)展，卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks，CNN)具有適用性強(qiáng)、泛化能力強(qiáng)、全局優(yōu)化訓(xùn)練參數(shù)少等優(yōu)點(diǎn)[27]，相較于傳統(tǒng)的圖像分類方法，不再需要人工對(duì)目標(biāo)圖像進(jìn)行特征描述和提取，而是通過(guò)網(wǎng)絡(luò)自主地從訓(xùn)練樣本中學(xué)習(xí)特征，近年也被逐漸應(yīng)用到天氣預(yù)報(bào)及氣候預(yù)測(cè)上。陳程[28]參考ConvLSTM(convolutional long short-term memory)結(jié)構(gòu)提出一種結(jié)合卷積神經(jīng)網(wǎng)絡(luò)和GRU(gated recurrent unit)的ConvGRU(convolutional gated recurrent unit)模型，將雷達(dá)回波數(shù)據(jù)作為輸入應(yīng)用于降水短時(shí)臨近預(yù)報(bào)。Ham等[29]采用深度學(xué)習(xí)方法的統(tǒng)計(jì)預(yù)測(cè)模型可以得出有效期長(zhǎng)達(dá)1年半的ENSO預(yù)測(cè)，還可以更好地預(yù)測(cè)海面溫度的精細(xì)空間分布。Liu等[30]將深度學(xué)習(xí)應(yīng)用于氣候極端事件檢測(cè)，開(kāi)發(fā)了深度卷積神經(jīng)網(wǎng)絡(luò)分類系統(tǒng)，在檢測(cè)極端事件(熱帶氣旋、大氣河流和天氣鋒)方面準(zhǔn)確率達(dá)到89%～99%。He等[31]提出殘差神經(jīng)網(wǎng)絡(luò)(residual networks，ResNet),通過(guò)在卷積網(wǎng)絡(luò)中引入殘差單元，解決加深網(wǎng)絡(luò)深度的過(guò)程中出現(xiàn)的退化問(wèn)題。殘差網(wǎng)絡(luò)相比于傳統(tǒng)卷積網(wǎng)絡(luò)，具有更易優(yōu)化、參數(shù)更少的優(yōu)點(diǎn)。殘差網(wǎng)絡(luò)在圖像分類上效果好，而在此之前的關(guān)鍵區(qū)環(huán)流相似方法主要通過(guò)相似系數(shù)實(shí)現(xiàn)。因此，本文選取江淮(26°～36°N，110°～123°E)作為研究區(qū)域，利用余弦相似系數(shù)(COS)、相似量(R)以及網(wǎng)絡(luò)深度為18層的殘差神經(jīng)網(wǎng)絡(luò)(ResNet18)3種方法對(duì)全國(guó)持續(xù)性強(qiáng)降水個(gè)例日進(jìn)行客觀分型，比較各方法的分型效果，并建立強(qiáng)降水分型模型庫(kù)，為進(jìn)一步的強(qiáng)降水預(yù)報(bào)提供參考。

1 資料和方法

1.1 資 料

本文所用資料包括：1981—2018年NCEP/NCAR全球再分析逐日位勢(shì)高度場(chǎng)(水平分辨率為2.5°×2.5°)，1981—2018年全國(guó)區(qū)域持續(xù)性強(qiáng)降水過(guò)程歷史個(gè)例數(shù)據(jù)集，國(guó)家氣象中心提供的1981—2018年我國(guó)2474個(gè)國(guó)家級(jí)地面氣象站逐日降水量。

1981—2018年全國(guó)區(qū)域持續(xù)性強(qiáng)降水歷史個(gè)例數(shù)據(jù)集是牛若蕓等[32]以天氣過(guò)程為單元，采用長(zhǎng)序列加密觀測(cè)的降水量資料和客觀識(shí)別與主觀分析相結(jié)合，建立的中國(guó)95°E以東地區(qū)及各子區(qū)內(nèi)的區(qū)域性暴雨過(guò)程個(gè)例譜，該數(shù)據(jù)集具有時(shí)間序列長(zhǎng)、主客觀相結(jié)合、充分考慮氣象資料統(tǒng)計(jì)日界等優(yōu)點(diǎn)。具體判識(shí)方法：①基于逐日累計(jì)降水量格點(diǎn)資料，逐時(shí)次客觀識(shí)別出成片暴雨(大雨)區(qū)(日累積降水量達(dá)到暴雨(大雨)以上量級(jí)(大于50 mm(25 mm))的格點(diǎn)數(shù)不低于15個(gè)且相連成片)。相連成片指該區(qū)域內(nèi)的每個(gè)格點(diǎn)都至少有另一個(gè)格點(diǎn)與之相連(含對(duì)角相連)。②以成片暴雨區(qū)出現(xiàn)時(shí)間為基點(diǎn)，繪制其前后鄰近時(shí)段(各3～7 d)不同層次天氣分析圖并疊加對(duì)應(yīng)時(shí)刻日累積降水量和成片暴雨(大雨)區(qū)；依據(jù)天氣學(xué)原理，主觀考察、分析暴雨過(guò)程及其影響系統(tǒng)的演變歷程，“同一次天氣過(guò)程中，任一時(shí)次出現(xiàn)成片暴雨區(qū)即可記為一次區(qū)域性暴雨過(guò)程”。以“首次(末次)出現(xiàn)成片大雨區(qū)的日累積降水量起始時(shí)刻(終止時(shí)刻)”為該次區(qū)域性暴雨過(guò)程起始時(shí)刻(終止時(shí)刻)。

基于各地行政區(qū)劃和天氣氣候特征，將中國(guó)95°E以東地區(qū)分為6個(gè)子區(qū)，建立各子區(qū)區(qū)域性暴雨過(guò)程個(gè)例譜。

1.2 方 法

本文采用經(jīng)驗(yàn)正交分解(EOF)對(duì)持續(xù)性強(qiáng)降水歷史個(gè)例集中6個(gè)子區(qū)之一的江淮地區(qū)極端持續(xù)性強(qiáng)降水個(gè)例進(jìn)行分析，提取江淮地區(qū)強(qiáng)降水典型模態(tài)，以500 hPa典型模態(tài)環(huán)流場(chǎng)作為建立分型模型和環(huán)流客觀分型的基礎(chǔ)。

基于典型模態(tài)環(huán)流場(chǎng)，對(duì)所有持續(xù)性強(qiáng)降水個(gè)例進(jìn)行環(huán)流客觀分型。用于比較的分型方法有3種：

①采用余弦相似系數(shù)(COS)進(jìn)行計(jì)算，任意兩個(gè)樣本xj和xk看作m維空間的兩個(gè)向量，則余弦相似系數(shù)就是這兩個(gè)向量夾角的余弦，用cosθjk表示為

(1)

式(1)中，j，k=1，2，…，n。cosθjk=1，表示xj和xk互相平行，方向相同，完全相似。cosθjk=-1，表示xj和xk互相平行但方向相反，完全不相似。

②采用相似量(R)[33-34]進(jìn)行計(jì)算，表達(dá)式為

(2)

式(2)中，0≤Rij≤1。當(dāng)Rij=1時(shí)，表示兩個(gè)樣本最為相似；當(dāng)Rij=0時(shí)，表示不相似。

③采用經(jīng)過(guò)遷移學(xué)習(xí)的殘差神經(jīng)網(wǎng)絡(luò)模型(下文簡(jiǎn)稱遷移CNN)[31]進(jìn)行計(jì)算。殘差網(wǎng)絡(luò)通過(guò)擬合殘差映射達(dá)到網(wǎng)絡(luò)訓(xùn)練的目的。本文采用的是深度為18層的殘差網(wǎng)絡(luò)，即卷積層和全連接層，不包括池化層和BN(batch normalization)層。網(wǎng)絡(luò)中的卷積層均由殘差學(xué)習(xí)單元堆疊而成，在一個(gè)單元中，假設(shè)原始映射為H(x)，殘差網(wǎng)絡(luò)擬合的映射為F(x)=H(x)-x。殘差單元的輸出H(x)=F(x)+x分為兩部分，一部分由網(wǎng)絡(luò)的輸入x經(jīng)過(guò)直連路徑恒等映射得到，另一部分由殘差F(x)經(jīng)過(guò)網(wǎng)絡(luò)訓(xùn)練得到。

由于樣本量較少，為了盡量避免訓(xùn)練過(guò)程中發(fā)生過(guò)擬合，使網(wǎng)絡(luò)更快收斂，采用遷移學(xué)習(xí)的方法進(jìn)行訓(xùn)練。所謂遷移學(xué)習(xí)就是將某個(gè)領(lǐng)域或任務(wù)上學(xué)習(xí)到的知識(shí)或模式應(yīng)用到不同但相關(guān)的領(lǐng)域或問(wèn)題中，可有效解決目標(biāo)領(lǐng)域或問(wèn)題中僅有少量樣本的學(xué)習(xí)問(wèn)題。相關(guān)研究表明：在小規(guī)模圖像數(shù)據(jù)集上，運(yùn)用遷移學(xué)習(xí)方法與直接在目標(biāo)數(shù)據(jù)集上訓(xùn)練模型相比，圖像識(shí)別準(zhǔn)確率提高，模型魯棒性增強(qiáng)[35]。

采用合成分析、相關(guān)分析等方法比較以上3種分型方法在客觀分型以及獨(dú)立樣本分型上的優(yōu)劣。

本文客觀分型采用1981—2015年資料，獨(dú)立樣本檢驗(yàn)采用2016—2018年資料。

2 江淮地區(qū)持續(xù)性強(qiáng)降水的典型模態(tài)

為了提取強(qiáng)降水典型模態(tài)，得到用于遷移CNN訓(xùn)練及測(cè)試樣本庫(kù)資料，這里選擇1981—2015年夏季發(fā)生在江淮地區(qū)的72個(gè)極端持續(xù)性強(qiáng)降水個(gè)例(共296 d，去掉重復(fù)日期) 進(jìn)行EOF分解，極端持續(xù)性強(qiáng)降水過(guò)程能夠更好地體現(xiàn)江淮強(qiáng)降水特征，在一定程度上確保各降水類型的典型性和準(zhǔn)確性。根據(jù)方差貢獻(xiàn)率得到EOF分解的主要模態(tài)(圖1)。由圖1可見(jiàn)，第1模態(tài)呈江淮降水全區(qū)一致的變化趨勢(shì)，降水大值中心位于江淮中部略偏南；第2模態(tài)呈南北反向的空間分布；第3模態(tài)呈中部與南北反向變化的趨勢(shì)。這3個(gè)模態(tài)分別約解釋總方差的25.8%，10.9%和7.1%。取標(biāo)準(zhǔn)化時(shí)間系數(shù)大于1的個(gè)例日作為該模態(tài)對(duì)應(yīng)的基本降水類型(每個(gè)個(gè)例日只屬于一種類型)，并按照3個(gè)模態(tài)時(shí)間系數(shù)分別選出83 d，79 d 和53 d個(gè)例日(共215 d)并對(duì)其降水和環(huán)流場(chǎng)進(jìn)行合成，得到江淮強(qiáng)降水的典型模態(tài)降水分布(圖2)及環(huán)流場(chǎng)，作為進(jìn)一步客觀分型的基礎(chǔ)。

圖1 江淮地區(qū)持續(xù)性強(qiáng)降水個(gè)例EOF分解的前3個(gè)模態(tài)Fig.1 Three leading EOF models of persistent heavy rain in Jianghuai Region

圖2 根據(jù)時(shí)間系數(shù)合成的江淮地區(qū)典型模態(tài)降水分布Fig.2 Composite rainfall of typical mode patterns from EOF time coefficient in Jianghuai Region

3 江淮地區(qū)強(qiáng)降水客觀分型

3.1 遷移CNN

應(yīng)用第2章分析得到的3種模態(tài)個(gè)例日83 d，79 d和53 d共215 d進(jìn)行訓(xùn)練，訓(xùn)練集的損失函數(shù)和準(zhǔn)確率在訓(xùn)練開(kāi)始后很快收斂，但從測(cè)試集結(jié)果看，損失函數(shù)基本保持不變，無(wú)下降趨勢(shì)，準(zhǔn)確率同樣在57%左右振蕩，無(wú)升高趨勢(shì)，說(shuō)明模型在訓(xùn)練過(guò)程中很可能發(fā)生過(guò)擬合，從而導(dǎo)致在測(cè)試集效果不理想(圖3a和圖3b)。為了避免過(guò)擬合發(fā)生，在模型訓(xùn)練過(guò)程中加入遷移學(xué)習(xí)的方法，并通過(guò)增加樣本進(jìn)一步提高模型泛化能力，將1981—2015年全國(guó)1009個(gè)持續(xù)性強(qiáng)降水個(gè)例共3179 d(去掉重復(fù)日期)投影到典型模態(tài)[36]，并按照第2章時(shí)間系數(shù)的標(biāo)準(zhǔn)又選取169 d，共384個(gè)樣本。

圖3 遷移CNN訓(xùn)練集與測(cè)試集的損失函數(shù)和準(zhǔn)確率(a)增加訓(xùn)練樣本前損失函數(shù),(b)增加訓(xùn)練樣本前準(zhǔn)確率,(c)增加訓(xùn)練樣本后損失函數(shù),(d)增加訓(xùn)練樣本后準(zhǔn)確率Fig.3 The loss and accuracy of training dataset and test dataset of the transfer learning CNN model(a)the loss before adding training samples,(b)the accuracy before adding training samples,(c)the loss after adding training samples,(d)the accuracy after adding training samples

本文在對(duì)遷移CNN進(jìn)行訓(xùn)練時(shí)，遷移學(xué)習(xí)應(yīng)用包含兩個(gè)部分(圖4) ：第1部分是通過(guò)在正式訓(xùn)練前加入預(yù)訓(xùn)練模型實(shí)現(xiàn)參數(shù)的遷移，預(yù)訓(xùn)練模型的訓(xùn)練樣本即為下文3次遷移訓(xùn)練中第1次所用的284 d，加載基于ImageNet數(shù)據(jù)集訓(xùn)練的ResNet18模型，凍結(jié)卷積層參數(shù)，只更新全連接層的參數(shù)，這樣預(yù)訓(xùn)練模型既保留了良好的圖像特征提取及特征學(xué)習(xí)的能力，又能夠適用于特定的任務(wù)或問(wèn)題。在正式訓(xùn)練時(shí)直接加載預(yù)訓(xùn)練模型的參數(shù)，而不使用隨機(jī)初始化的參數(shù)，使網(wǎng)絡(luò)能夠更快地收斂。第2部分主要在于3次訓(xùn)練過(guò)程，即將訓(xùn)練樣本中隨機(jī)挑選的90 d分為3部分，分次投入模型進(jìn)行訓(xùn)練，第1次訓(xùn)練投入的樣本量為284 d，結(jié)束后保留模型訓(xùn)練得到的相應(yīng)參數(shù)值，帶入到下一次訓(xùn)練，作為模型訓(xùn)練時(shí)的初值；第2次訓(xùn)練增加30 d，即訓(xùn)練樣本量達(dá)314 d，同理，將第2次訓(xùn)練之后的結(jié)果又帶入第3次訓(xùn)練中；第3次訓(xùn)練再增加30 d使訓(xùn)練樣本量達(dá)到344 d，模型訓(xùn)練結(jié)束保留相應(yīng)參數(shù)，并統(tǒng)計(jì)各型輸出最小值(閾值)，測(cè)試集樣本量均為40 d。從增加樣本后的訓(xùn)練結(jié)果(圖3c和圖3d)看，測(cè)試集損失函數(shù)逐漸下降，準(zhǔn)確率逐漸上升，與之前相比有較大提高，遷移CNN和R分型、COS分型在測(cè)試集上的準(zhǔn)確率分別為85%和70%，77.5%。

圖4 遷移CNN的訓(xùn)練流程Fig.4 Frame of training of transfer learning CNN model

3.2 持續(xù)性強(qiáng)降水環(huán)流客觀分型

遷移CNN模型建好后，將分型日相應(yīng)環(huán)流場(chǎng)資料輸入模型，得到相應(yīng)的輸出，當(dāng)輸出最大值不小于閾值則得到相應(yīng)的降水類型，否則為3種降水之外的類型(圖5)。遷移CNN和R分型、COS分型3種方法入選各型的閾值分別為0.995，0.777和0.871。對(duì)1981—2015年全國(guó)持續(xù)性強(qiáng)降水個(gè)例共3179 d進(jìn)行客觀分型，得到Ⅰ型、Ⅱ型、Ⅲ型分別為724 d，364 d和297 d共1385 d。需要說(shuō)明的是，這里3179 d是全國(guó)區(qū)域的持續(xù)性強(qiáng)降水個(gè)例，并非江淮地區(qū)持續(xù)性強(qiáng)降水個(gè)例，所以其中有很多不屬于本文所列3種降水類型。為了比較遷移CNN的分型效果，分別應(yīng)用R分型、COS分型方法對(duì)樣本進(jìn)行分型，分別得到3種降水類型個(gè)例日為595 d，301 d，489 d和602 d，337 d，446 d。

圖5 遷移CNN分型Fig.5 Frame of pattern classification of the transfer learning CNN model

圖6為1981—2015年3種方法客觀分型后得到的3類強(qiáng)降水的合成分布。由圖6可見(jiàn)，3種方法得到各型強(qiáng)降水的空間分布與EOF典型模態(tài)(圖2)類似，只是強(qiáng)度稍弱。從降水分布看，3種方法Ⅰ型強(qiáng)降水的中心位置較典型模態(tài)均略向南偏移；遷移CNN分型得到的Ⅱ型強(qiáng)降水中心與典型模態(tài)對(duì)應(yīng)更好，而COS分型得到的強(qiáng)降水中心位置向南偏移；由遷移CNN分型得到的Ⅲ型強(qiáng)降水的空間分布明顯表現(xiàn)出南北多、中間少的降水空間分布特征，而R分型和COS分型得到的降水在江淮北部的中心不明顯。總體而言，遷移CNN分型得出的強(qiáng)降水空間分布與典型模態(tài)更為接近。表1為3種方法與典型模態(tài)之間各型強(qiáng)降水的相關(guān)系數(shù)，3種方法各型降水合成場(chǎng)平均與圖2典型模態(tài)降水的相關(guān)系數(shù)(平均場(chǎng)相關(guān))均達(dá)到0.05顯著性水平，在各型所有個(gè)例日與圖2中相應(yīng)典型模態(tài)降水模態(tài)相關(guān)系數(shù)的顯著性檢驗(yàn)中，遷移CNN和R分型、COS分型達(dá)到0.05顯著性水平的個(gè)例日分別為1082 d，1018 d，1022 d，這些個(gè)例日相關(guān)系數(shù)的平均即為個(gè)例日相關(guān)，可以發(fā)現(xiàn)遷移CNN得到的各型強(qiáng)降水平均場(chǎng)和個(gè)例日的相關(guān)系數(shù)均高于R分型和COS分型的結(jié)果，說(shuō)明由遷移CNN分型得到的各型個(gè)例日的降水分布更符合典型模態(tài)的特征，遷移CNN分型效果更好。

圖6 遷移CNN，R分型和COS分型得到的江淮地區(qū)強(qiáng)降水分布Fig.6 Composite heavy rain patterns in Jianghuai Region by the transfer learning CNN model,R typing and COS typing

表1 遷移CNN,R分型和COS分型得到的各型與典型模態(tài)強(qiáng)降水之間的相關(guān)系數(shù)Table 1 The correlation coefficients between the transfer learning CNN model,R typing,COS typing and heavy rainfall of typical mode patterns

從500 hPa環(huán)流場(chǎng)的演變特征看，3種方法的分型結(jié)果類似(圖略)。圖7為3種方法各型高度場(chǎng)之間的方差，可以看到各時(shí)效遷移CNN分型的方差均高于R分型和COS分型，而R分型和COS分型的方差基本相同，說(shuō)明由遷移CNN得到的各型高度場(chǎng)之間差異更加明顯，遷移CNN能更好地區(qū)分不同強(qiáng)降水類型的環(huán)流場(chǎng)。

3.3 不一致型個(gè)例

為了進(jìn)一步比較遷移CNN和R分型、COS分型的效果，根據(jù)1981-2015年3種方法客觀分型結(jié)果，選取至少兩種方法分型結(jié)果不一致的個(gè)例日共240 d進(jìn)行比較。分別對(duì)不同方法各型降水及環(huán)流進(jìn)行合成，并計(jì)算降水相關(guān)系數(shù)及各型與降水典型模態(tài)500 hPa高度場(chǎng)的方差進(jìn)行比較。圖8給出3種方法各型與典型模態(tài)環(huán)流場(chǎng)的方差，發(fā)現(xiàn)遷移CNN的方差在Ⅰ型超前4～10 d，Ⅱ型超前0～3 d，Ⅲ型超前0～4 d，略大于R分型和COS分型，總體而言3種方法的方差差別不大，數(shù)值接近。但從降水相關(guān)系數(shù)(表2)看，不論平均場(chǎng)相關(guān)，還是個(gè)例日相關(guān)，遷移CNN的結(jié)果均明顯高于R分型和COS分型，3種方法分別有204 d，174 d，178 d個(gè)例日與典型模態(tài)的相關(guān)系數(shù)達(dá)到0.05顯著性水平。遷移CNN分型得到的各型的降水平均場(chǎng)相關(guān)系數(shù)分別為0.88，0.98和0.98，均達(dá)到0.05顯著性水平，個(gè)例日相關(guān)系數(shù)分別為0.35，0.24和0.47。在R分型和COS分型的結(jié)果中，除Ⅱ型強(qiáng)降水的平均場(chǎng)相關(guān)系數(shù)相對(duì)較高外，其余數(shù)值均小于0.1，COS分型的Ⅰ型降水合成場(chǎng)甚至為小于-0.5的負(fù)相關(guān)，R分型的Ⅰ型和Ⅲ型、COS分型的Ⅲ型均未達(dá)到0.05顯著性水平。從降水的空間分布(圖9)也可以發(fā)現(xiàn)，只有遷移CNN能非常顯著地表現(xiàn)出江淮地區(qū)3種強(qiáng)降水類型的分布特征；而R分型、COS分型的結(jié)果只有Ⅱ型的特征相對(duì)符合，Ⅰ型的形態(tài)分布與典型模態(tài)中的Ⅲ型相近，但北方的降水中心位置又與典型模態(tài)相差較大，R分型、COS分型得到的Ⅲ型僅1個(gè)中心，不似典型模態(tài)的雙中心形態(tài)分布。結(jié)合對(duì)環(huán)流以及降水的分析可見(jiàn)，遷移CNN分型效果明顯優(yōu)于R分型和COS分型。

圖7 遷移CNN，R分型和COS分型得到的各型500 hPa高度場(chǎng)的方差Fig.7 The variance between 500 hPa geopotential height fields of different rainfall types of transfer learning CNN model,R typing and COS typing

圖8 個(gè)例日樣本中遷移CNN,R分型和COS分型得到的各型與典型模態(tài)500 hPa高度場(chǎng)的方差Fig.8 The variance of geopotential height field at 500 hPa between transfer learning CNN model,R typing,COS typing and typical mode patterns in samples

3.4 獨(dú)立樣本分型

為了進(jìn)一步驗(yàn)證遷移CNN在客觀分型上的優(yōu)勢(shì)，運(yùn)用3種方法對(duì)2016—2018年共1096 d進(jìn)行客觀分型。這里是針對(duì)2016—2018年所有日進(jìn)行分型，而非針對(duì)持續(xù)性強(qiáng)降水個(gè)例集的日數(shù)進(jìn)行分型。首先根據(jù)當(dāng)日環(huán)流及閾值判斷該日是否屬于區(qū)域強(qiáng)降水相關(guān)的3種類型環(huán)流。當(dāng)方法輸出小于閾值，表明為非3種類型的強(qiáng)降水環(huán)流，否則根據(jù)輸出判定當(dāng)日環(huán)流類型。將1096 d個(gè)例日的500 hPa環(huán)流場(chǎng)輸入遷移CNN模型，得到相應(yīng)的輸出結(jié)果，并依據(jù)閾值得到Ⅰ型、Ⅱ型、Ⅲ型降水個(gè)例日分別為117 d，63 d，55 d共235 d。同樣，應(yīng)用R分型和COS分型得到各型分別為68 d，56 d，59 d共183 d和92 d，66 d，57 d共215 d。在試驗(yàn)中，隨機(jī)選取130 d無(wú)降水的500 hPa環(huán)流場(chǎng)輸入遷移CNN模型，發(fā)現(xiàn)其輸出結(jié)果均小于閾值0.995，即不屬于3種降水類型中的任何一種，符合實(shí)際情況。對(duì)3種方法各型個(gè)例日進(jìn)行比較，得到各型遷移CNN和R分型、COS分型方法結(jié)果均相同的個(gè)例日分別為27 d，13 d，8 d共48 d，將相同部分的個(gè)例日剔除，計(jì)算剩余個(gè)例日的各型與典型模態(tài)降水相關(guān)系數(shù)(表3)，可以發(fā)現(xiàn)遷移CNN各型的平均場(chǎng)相關(guān)及個(gè)例日相關(guān)均高于R分型、COS分型(3種方法平均場(chǎng)相關(guān)均達(dá)到0.05顯著性水平，通過(guò)檢驗(yàn)的個(gè)例日分別為140 d，85 d，108 d)，遷移CNN和COS分型的Ⅲ型平均場(chǎng)相關(guān)相對(duì)Ⅰ型、Ⅱ型較小，且COS分型出現(xiàn)負(fù)值，而R分型的Ⅱ型平均場(chǎng)相關(guān)明顯小于遷移CNN和COS分型。在3種方法的分型結(jié)果中，分別有115 d，90 d，96 d包含在2016—2018年的77個(gè)持續(xù)性強(qiáng)降水個(gè)例中。由于歷史個(gè)例集為區(qū)域持續(xù)性強(qiáng)降水個(gè)例，對(duì)持續(xù)日數(shù)有要求，所以用于各方法分型的個(gè)例日存在不屬于持續(xù)性強(qiáng)降水的個(gè)例日。通過(guò)對(duì)歷史強(qiáng)降水個(gè)例集外遷移CNN分型得到的各型降水合成可見(jiàn)，江淮區(qū)域內(nèi)存在較大的降水，且其分布型跟圖1和圖2中的降水分布相似，由此可見(jiàn)遷移CNN對(duì)于非持續(xù)性的強(qiáng)降水環(huán)流型也存在一定的分辨能力。

表2 個(gè)例日樣本中遷移CNN，R分型和COS分型得到的各型與典型模態(tài)強(qiáng)降水之間的相關(guān)系數(shù)Table 2 The correlation coefficients between the transfer learning CNN model,R typing,COS typing and heavy rainfall of typical mode patterns in samples

圖9 個(gè)例日樣本中遷移CNN,R分型和COS分型3種方法得到的江淮地區(qū)強(qiáng)降水分布Fig.9 Composite heavy rain patterns in Jianghuai Region by the transfer learning CNN model,R typing and COS typing in samples

表3 不同部分樣本中遷移CNN，R分型和COS分型得到的各型與典型模態(tài)強(qiáng)降水之間的相關(guān)系數(shù)Table 3 The correlation coefficients between transfer learning CNN model,R typing,COS typing and heavy rainfall of typical mode patterns in samples of different part

4 結(jié)論與討論

本文運(yùn)用EOF分解方法對(duì)1981—2015年夏季江淮地區(qū)72個(gè)極端持續(xù)性強(qiáng)降水個(gè)例進(jìn)行分析并提取江淮強(qiáng)降水及環(huán)流場(chǎng)典型模態(tài)，然后運(yùn)用遷移CNN和R分型、COS分型3種方法對(duì)1981—2015年所有個(gè)例進(jìn)行客觀分型，通過(guò)合成分析、個(gè)例分析比較不同方法在客觀分型上的優(yōu)劣，并對(duì)2016—2018年個(gè)例進(jìn)行獨(dú)立檢驗(yàn)。主要結(jié)論如下：

1) 提取典型模態(tài)環(huán)流及降水分布。從江淮持續(xù)性強(qiáng)降水模型庫(kù)中選取72個(gè)典型個(gè)例進(jìn)行EOF分解，提煉出江淮強(qiáng)降水典型模態(tài)環(huán)流場(chǎng)和降水分布。將個(gè)例日降水投影到降水典型模態(tài)得到相應(yīng)的時(shí)間系數(shù)，由時(shí)間系數(shù)確定訓(xùn)練和測(cè)試集樣本。

2) 建立江淮持續(xù)性強(qiáng)降水遷移CNN分型模型。運(yùn)用3次遷移學(xué)習(xí)訓(xùn)練建立遷移CNN分型模型，在模型測(cè)試集分型中，遷移CNN和R分型，COS分型的準(zhǔn)確率分別為85%，70%，77.5%，以遷移CNN分型準(zhǔn)確率最高。

3) 利用3種方法對(duì)1981—2015年所有持續(xù)性強(qiáng)降水個(gè)例客觀分型結(jié)果的統(tǒng)計(jì)分析表明：遷移CNN分型效果較好。遷移CNN得到的各型高度場(chǎng)間方差最大，對(duì)各型所有樣本以及不一致樣本的分析表明：各型與典型模態(tài)降水間的相關(guān)系數(shù)遠(yuǎn)高于R分型、COS分型方法，且不一致型樣本中，遷移CNN分型得到的各型降水分布具有明顯典型模態(tài)強(qiáng)降水的特征，但R分型、COS分型的型降水除Ⅱ型外幾乎與典型模態(tài)相反。在2016—2018年獨(dú)立樣本客觀分型中，遷移CNN方法得到各型與典型模態(tài)降水的相關(guān)系數(shù)高于R分型、COS分型，遷移CNN具有一定分型優(yōu)勢(shì)，且對(duì)于非持續(xù)性強(qiáng)降水環(huán)流型也存在一定的分辨能力。

本文運(yùn)用遷移CNN，根據(jù)關(guān)鍵區(qū)域500 hPa 高度場(chǎng)特征，對(duì)1981—2015年所有持續(xù)性強(qiáng)降水個(gè)例進(jìn)行客觀分型，并對(duì)2016—2018年逐日環(huán)流樣本進(jìn)行獨(dú)立檢驗(yàn)，結(jié)果表明該方法相較于傳統(tǒng)相似系數(shù)存在一定的優(yōu)越性。在此分型基礎(chǔ)上可得到江淮持續(xù)性強(qiáng)降水對(duì)應(yīng)的前期到同期不同層次環(huán)流演變，建立天氣學(xué)概念模型；同時(shí)，可進(jìn)一步結(jié)合模式產(chǎn)品，實(shí)現(xiàn)模式對(duì)江淮持續(xù)性強(qiáng)降水預(yù)報(bào)的訂正等[37]。但以往的研究表明：江淮地區(qū)持續(xù)性強(qiáng)降水在發(fā)生發(fā)展過(guò)程中同時(shí)受到多層次不同關(guān)鍵系統(tǒng)的影響，除500 hPa中高緯度阻塞高壓、西風(fēng)槽、低緯度西太平洋副熱帶高壓等之外，還有如高空西風(fēng)急流、南亞高壓、低空急流等高低空不同系統(tǒng)的影響，若是將不同層次關(guān)鍵影響因子加入到遷移CNN中，有望進(jìn)一步提高分型效果，完善區(qū)域歷史強(qiáng)降水模型庫(kù)。本文以江淮持續(xù)性強(qiáng)降水事件為例實(shí)施遷移CNN分型，該方法也可應(yīng)用到其他天氣事件的分類診斷與預(yù)報(bào)中。