CN115113303A - 基于元学习的厄尔尼诺极端天气预警方法及装置 - Google Patents
基于元学习的厄尔尼诺极端天气预警方法及装置 Download PDFInfo
- Publication number
- CN115113303A CN115113303A CN202210703932.7A CN202210703932A CN115113303A CN 115113303 A CN115113303 A CN 115113303A CN 202210703932 A CN202210703932 A CN 202210703932A CN 115113303 A CN115113303 A CN 115113303A
- Authority
- CN
- China
- Prior art keywords
- meta
- early
- level
- training
- features
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000012549 training Methods 0.000 claims abstract description 97
- 230000006870 function Effects 0.000 claims abstract description 31
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 23
- CDBYLPFSWZWCQE-UHFFFAOYSA-L Sodium Carbonate Chemical compound [Na+].[Na+].[O-]C([O-])=O CDBYLPFSWZWCQE-UHFFFAOYSA-L 0.000 claims abstract description 22
- 238000012512 characterization method Methods 0.000 claims abstract description 17
- 230000002265 prevention Effects 0.000 claims abstract description 14
- 230000008569 process Effects 0.000 claims abstract description 12
- 238000013507 mapping Methods 0.000 claims abstract description 10
- 230000007246 mechanism Effects 0.000 claims abstract description 10
- 230000003014 reinforcing effect Effects 0.000 claims abstract description 6
- 238000012360 testing method Methods 0.000 claims description 34
- 238000013527 convolutional neural network Methods 0.000 claims description 14
- 238000005070 sampling Methods 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 9
- 238000011176 pooling Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 5
- 238000009826 distribution Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 2
- 238000011161 development Methods 0.000 description 9
- 238000011160 research Methods 0.000 description 7
- 239000005551 L01XE03 - Erlotinib Substances 0.000 description 6
- 230000008878 coupling Effects 0.000 description 6
- 238000010168 coupling process Methods 0.000 description 6
- 238000005859 coupling reaction Methods 0.000 description 6
- AAKJLRGGTJKAMG-UHFFFAOYSA-N erlotinib Chemical compound C=12C=C(OCCOC)C(OCCOC)=CC2=NC=NC=1NC1=CC=CC(C#C)=C1 AAKJLRGGTJKAMG-UHFFFAOYSA-N 0.000 description 6
- 229960001433 erlotinib Drugs 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 5
- 238000004088 simulation Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000001556 precipitation Methods 0.000 description 3
- 238000013526 transfer learning Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/14—Rainfall or precipitation gauges
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
Landscapes
- Environmental & Geological Engineering (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Hydrology & Water Resources (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于元学习的厄尔尼诺极端天气预警方法及装置，包括：设计全局引导的注意力机制引导低层特征的学习，并利用互信息约束加强不同层级海洋特征的表征一致性，将多层级海洋特征拼接为全局特征，利用该全局特征对厄尔尼诺指数进行预测；对每个元训练任务，利用元学习算法对多层级厄尔尼诺指数预测网络进行参数训练，得到能够处理不同时期数据，且有适应能力的网络参数；以元训练阶段优化好的参数作为初始化参数，在SODA数据集上对多层级厄尔尼诺指数预测网络进行进一步微调；在GODAS数据集上进行最终厄尔尼诺指数预测；建立最终厄尔尼诺指数与降雨量的映射函数，当预测降雨量达到一定阈值时进行预警并提前进行汛期防治工作。
Description
技术领域
本发明涉及元学习、海洋数据处理以及厄尔尼诺极端天气预警领域，尤其涉及一种基于元学习的厄尔尼诺极端天气预警方法及装置。
背景技术
厄尔尼诺现象(ENSO)是赤道带海洋和大气在大范围相互作用后失去平衡而产生的一种反常的自然现象，是重要的短期气候现象之一[1]。厄尔尼诺现象的发生、发展影响着全球的温度和降水，可引起全球性气候异常，造成众多地区发生严重的旱涝、高温或低温冰雪灾害，导致许多国家的工农业生产和人民生命财产遭受巨大损失。例如，厄尔尼诺现象的发生和演变对我国华北地区的降雨量有着密切的影响，对华北地区汛期旱涝灾害的防治有重要的指导意义[2][3]，因此，对厄尔尼诺事件乃至整个热带太平洋地区海温的准确预测具有重要意义。随着全球变暖，厄尔尼诺现象出现得日益频繁，且滞留时间延长，世界各国也越来越重视厄尔尼诺这一海洋现象及其所带来的影响。
科学家们利用先进的仪器和设备对厄尔尼诺现象开展了不同层面的研究，通过采取一系列预报模型、海洋观测和卫星侦察、海洋大气耦合等科研活动，不断深化对这种气候异常现象的认识，加强对厄尔尼诺现象引起的异常天气的预测。国际上早在20世纪80年代就开展了针对厄尔尼诺现象的预报研究和试验，逐渐形成了基于理论模型、统计预报、简化海气耦合模式和完备气候系统模式的ENSO预测技术体系。
但是上述预测技术在对厄尔尼诺现象的长期预测上存在一定的困难，受启发于卷积神经网络等深度学习技术在预测预报方面的有效进展，Ham等人[4]提出了基于深度卷积神经网络(CNN)模型的厄尔尼诺预测算法，仅以海平面温度(SST)和热含量(HC)为输入变量，取得了较好的预测效果，但海洋数据的真实观测数据样本少的特点在一定程度上限制了基于深度学习的厄尔尼诺预测算法的发展，导致训练得到的深度模型较难学习到海洋数据的变化规律，难以进行较好的特征表示，对厄尔尼诺现象的发展演变及其对极端天气影响的及时性和准确性有待提高。
发明内容
本发明提供了一种基于元学习的厄尔尼诺极端天气预警方法及装置，本发明利用海平面温度、热含量等多模态数据作为输入，构建基于卷积神经网络的多层级厄尔尼诺指数预测网络，并利用元学习算法对网络进行优化，致力于提升对厄尔尼诺发展规律及其影响的极端天气情况进行长期并准确的预测，例如，可以有效提升华北地区汛期降雨量预测的准确度，极大减轻旱涝灾害的影响；详见下文描述：
第一方面，一种基于元学习的厄尔尼诺极端天气预警方法，所述方法包括：
1)基于卷积神经网络，构建多层级厄尔尼诺指数预测网络，对海洋物理量进行多层级的特征提取，设计全局引导的注意力机制引导低层特征的学习，并利用互信息约束加强不同层级海洋特征的表征一致性，将多层级海洋特征拼接为全局特征，利用该全局特征对厄尔尼诺指数进行预测；
2)元训练阶段，在元训练集中随机采样多次得到不同元训练任务，对每个元训练任务，利用元学习算法对多层级厄尔尼诺指数预测网络进行参数训练，得到能够处理不同时期数据，且有适应能力的网络参数；
3)元测试阶段，以元训练阶段优化好的参数作为初始化参数，在SODA数据集上对多层级厄尔尼诺指数预测网络进行进一步微调；在GODAS数据集上进行最终厄尔尼诺指数预测；
4)建立最终厄尔尼诺指数与降雨量的映射函数，当预测降雨量达到一定阈值时进行预警并提前进行汛期防治工作。
其中，在步骤1)之前，所述方法将从海洋数据中获取的多模态物理量作为预测任务的输入变量，并将多种数据来源的海洋数据划分为元训练集和元测试集。
其中，所述全局引导的注意力机制利用高层特征的全局性，引导中层特征和低层特征进行特征表示，
以高层特征图为基准，对高层特征图进行全局池化获得注意力系数，然后利用1×1卷积之后的注意力系数对卷积后的低层特征图进行加权，再将加权后的低层特征图和高层特征图相加融合，最后经一层全连接层之后，获得优化后的低层特征；
从多个层级提取优化后的海洋特征之后，继续在特征学习中利用互信息约束加强不同层级海洋特征的一致性表征能力，用KL散度估计不同层级特征之间的互信息：
LMI＝DKL(fH||fM)+DKL(fH||fL)
其中，fH为高层海洋特征，fM为中层海洋特征，fL为低层海洋特征，DKL为KL散度，用来衡量两个特征分布之间的相似性；
将高层、中层、底层海洋特征拼接为最终的全局特征fG，用于最终的预测任务；预测层为一层全连接层，用于将最终的全局特征fG映射为Nino 3.4指数。
进一步地，所述预测任务的损失函数定义为：
其中，Ti为第i个厄尔尼诺指数预测任务；x(j)为在第i个预测任务中的第j个预测输入变量，y(j)为预测变量Nino 3.4指数的真实值，数据维度为1×1，x为输入数据，y为Nino3.4指数的真实值，fφ为预测网络，φ为网络参数。
其中，所述步骤3)具体为：
在元训练集中，随机多次采样得到不同的元训练任务Ti～p(T)，在每个元训练任务Ti中分为支撑集Ti (tr)和查询集Ti (te)；
设网络的初始化参数为θ，参数更新步长为α，当给定元训练任务Ti时，在支撑集Ti (tr)上对网络进行训练对参数更新：
其中，θi'为经过元训练任务Ti更新后的网络参数，▽为梯度符号，
为损失函数，fθ为参数为θ的多层级厄尔尼诺预测网络；
在查询集上用上述训练好的网络进行测试并再次更新模型参数：
其中，β为元测试阶段的参数更新步长，
为损失函数，
为参数为θi'的多层级厄尔尼诺预测网络。
其中，所述步骤4)具体为：
以分析数据SODA和GODAS作为元测试集的唯一元测试任务To，以SODA数据集作为支撑集To (tr)，以GODAS数据集作为查询集To (te)，
利用元训练阶段得到的初始化参数θ对预测网络进行初始化，然后利用支撑集To (tr)对预测网络进行微调：
其中，θo'为最终的多层级厄尔尼诺预测网络参数，α为参数更新步长，
为损失函数，θ为元训练阶段优化得到的网络参数。
第二方面、一种基于元学习的厄尔尼诺极端天气预警装置，所述装置包括：
构建多层级厄尔尼诺指数预测网络模块，用于基于卷积神经网络，构建多层级厄尔尼诺指数预测网络，对海洋物理量进行多层级的特征提取，设计全局引导的注意力机制引导低层特征的学习，并利用互信息约束加强不同层级海洋特征的表征一致性，将多层级海洋特征拼接为全局特征，利用该全局特征对厄尔尼诺指数进行预测；
元训练模块，用于在元训练集中随机采样多次得到不同元训练任务，对每个元训练任务，利用元学习算法对多层级厄尔尼诺指数预测网络进行参数训练，得到能够处理不同时期数据，且有适应能力的网络参数；
元测试模块，用于以元训练阶段优化好的参数作为初始化参数，在SODA数据集上对多层级厄尔尼诺指数预测网络进行进一步微调；在GODAS数据集上进行最终厄尔尼诺指数预测；
预警模块，用于建立最终厄尔尼诺指数与降雨量的映射函数，当预测降雨量达到一定阈值时进行预警并提前进行汛期防治工作。
第三方面、一种基于元学习的厄尔尼诺极端天气预警装置，所述装置包括：处理器和存储器，所述存储器中存储有程序指令，所述处理器调用存储器中存储的程序指令以使装置执行第一方面中的任一项所述的方法步骤。
第四方面、一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令被处理器执行时使所述处理器执行第一方面中的任一项所述的方法步骤。
本发明提供的技术方案的有益效果是：
1、本发明采用元学习思想，以数据量较多的模拟数据集CMIP5(即耦合模型比对项目第5阶段数据)作为元训练集，在元训练集中随机采样多次得到不同元训练任务，设计元学习算法对预测网络进行元训练，以提高模型快速学习能力和应对小样本场景的适应能力，有助于更好的对厄尔尼诺现象及极端天气进行推理和预测；
2、本发明以多模态物理量作为预测输入，构建多层级厄尔尼诺预测网络，对海洋物理量进行多层级的特征提取，并利用互信息约束加强不同层级海洋特征的表征一致性，然后将多层级海洋特征拼接为全局特征，进而利用该全局特征对厄尔尼诺指数进行预测，充分学习挖掘了多模态海洋数据的信息，有助于提升厄尔尼诺指数预测及极端天气预警的准确率。
因此本发明能够利用元学习算法增强预测模型的快速学习能力和对小样本场景的适应能力，充分学习挖掘海洋多模态数据的信息，提升厄尔尼诺指数预测的准确率，并对厄尔尼诺极端天气进行更精准的预警。
附图说明
图1为一种基于元学习的厄尔尼诺极端天气预警方法的流程图；
图2为多层级厄尔尼诺指数预测网络的示意图；
图3为一种基于元学习的厄尔尼诺极端天气预警装置的结构示意图；
图4为一种基于元学习的厄尔尼诺极端天气预警装置的另一结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面对本发明实施方式作进一步地详细描述。
背景技术中的基于CNN的预测算法引入了具有大量样本的模拟数据，利用迁移学习思想来对模型进行训练，该方法能在一定程度上弥补真实观测数据的不足，但是当模拟数据与真实观测数据存在分布差异时，简单的基于迁移学习的算法的性能受到限制，而元学习算法[5]基于元训练任务的训练策略能在忽略数据差异的情况下提高网络快速学习的能力，增强模型在样本较少的情况下的数据拟合能力。现有工作还未开展利用元学习算法提高海洋现象及极端天气预测任务的准确性和鲁棒性，探究如何利用元学习提高深度学习算法处理海洋数据的快速适应能力有重要研究意义。以及海洋数据多模态的数据特点给深度学习算法带来了一定的挑战，如何充分挖掘海洋数据的重要信息，提高海洋数据的表征能力是本任务的一个研究重点。
本发明实施例首先设计了一个多层级厄尔尼诺指数预测网络，挖掘海洋数据在多个层级的表征能力，并且利用互信息约束加强不同层级海洋特征的表征一致性，然后将多层级海洋特征拼接为全局特征，进而利用该全局特征对厄尔尼诺指数进行预测；然后在网络优化过程中，采用元学习算法对网络进行优化，获得泛化能力强的，并且具有快速适应能力的网络参数，提高网络对厄尔尼诺现象及极端天气预测的准确性和鲁棒性。并且根据预测网络输出的厄尔尼诺指数判断华北地区黄河中下游的月平均降雨量情况，对黄河汛期防灾减灾工作具有重要意义。
实施例1
一种基于元学习的厄尔尼诺极端天气预警方法，参见图1，该方法包括以下步骤：
步骤101：从海洋数据中获取多模态物理量(海表温度：SST，热含量：HC)作为预测任务的输入变量，并将多种数据来源的海洋数据划分为元训练集(耦合模型比对项目第5阶段数据：CMIP5)和元测试集(全球海洋资料同化系统数据：SODA，简单海洋资料同化系统数据：GODAS)；
步骤102：基于卷积神经网络，构建多层级厄尔尼诺指数预测网络，对海洋物理量进行多层级的特征提取，设计全局引导的注意力模块来引导低层特征的学习，并利用互信息约束加强不同层级海洋特征的表征一致性，然后将多层级海洋特征拼接为全局特征，进而利用该全局特征对厄尔尼诺指数进行预测；
步骤103：基于元学习方式，元训练阶段，在元训练集CMIP5中随机采样多次得到不同元训练任务，对于每个元训练任务，利用元学习算法对多层级厄尔尼诺指数预测网络进行参数训练，得到能够处理不同时期数据的，并且具有快速适应能力的网络参数；
步骤104：元测试阶段，将SODA和GODAS数据集作为唯一元测试任务，以元训练阶段优化好的参数作为初始化参数，在SODA数据集上对多层级厄尔尼诺指数预测网络进行进一步微调；然后在GODAS数据集上进行最终厄尔尼诺指数预测；
步骤105：根据预测得到的蕴含厄尔尼诺现象变化规律的厄尔尼诺指数，建立厄尔尼诺指数与华北地区降雨量的映射函数，当预测降雨量达到一定阈值时进行预警并提前进行汛期防治工作。
综上所述，本发明实施例通过上述步骤101-步骤105提高了对厄尔尼诺指数预测的准确性，从而对厄尔尼诺极端天气进行更精确的预警，满足了实际应用中的多种需要，例如可以有效提升厄尔尼诺现象影响下华北地区汛期降雨量预测的准确度和及时性，及时有效应对旱涝灾害。
实施例2
下面结合具体的计算公式、实例对实施例1中的方案进行进一步地介绍，详见下文描述：
步骤201：从海洋数据中获取多模态物理量(海表温度：SST，热含量：HC)作为预测任务的输入变量，并将多种数据来源的海洋数据划分为元训练集(耦合模型比对项目第5阶段数据：CMIP5)和元测试集(全球海洋资料同化系统数据：SODA，简单海洋资料同化系统数据：GODAS)；
其中，预测任务的输入变量具体为：连续三个月的月平均海表温度(sea surfacetemperatures,SST)和月平均海洋热含量(oceanic heat content,HC)，例如，以2010年1-3月的SST和HC数据为输入变量，每个月的SST或HC数据维度都为72×24，所以整体输入变量的维度为72×24×6；预测输出变量：Nino 3.4指数。
其中，元训练集与元测试集划分具体为：以数据量较多的模拟数据集CMIP5(耦合模型比对项目第5阶段数据)作为元训练集，以数据量较少但是基于真实观测数据的再分析数据集SODA(全球海洋资料同化系统数据)和GODAS(简单海洋资料同化系统数据)作为元测试集。
步骤202：基于卷积神经网络，构建多层级厄尔尼诺指数预测网络，对海洋物理量进行多层级的特征提取，并利用互信息约束加强不同层级海洋特征的表征一致性，然后将多层级海洋特征拼接为全局特征，进而利用该全局特征对厄尔尼诺指数进行预测；
其中，多层级厄尔尼诺指数预测网络如图2所示，包括：特征编码网络、特征学习模块和预测模块。
其中，特征编码网络由四个卷积模块组成，每个卷积模块由一个卷积层，一个激活层和一个池化层级联组成。第一个卷积层的卷积核尺寸为8×4，第二个和第三个卷积层的卷积核尺寸均为4×2，第四个卷积层的卷积核尺寸为2×1；激活层均采用tanh()激活函数；池化层都为2×2池化。另外，从第二、第三和第四个卷积模块之后分别提取多层级的低层、中层和高层海洋特征，进一步从不同层级挖掘海洋数据的有效信息。
对于不同层级的海洋特征，本方法设计了全局引导的注意力模块，旨在利用高层特征的全局性，引导中层特征和低层特征进行更好的特征表示。
具体来说，如图2所示，以高层特征引导低层特征进行特征学习为例，本方法以高层特征图为基准，对高层特征图进行全局池化获得注意力系数，然后利用1×1卷积之后注意力系数对卷积后的低层特征图进行加权，再将加权后的低层特征图和高层特征图相加融合，最后经过一层全连接层之后，获得优化后的低层特征。
从多个层级提取优化后的海洋特征之后，继续在特征学习模块，利用互信息约束加强不同层级海洋特征的一致性表征能力，在这里用KL散度来估计不同层级特征之间的互信息：
LMI＝DKL(fH||fM)+DKL(fH||fL) (1)
其中，fH为高层海洋特征，fM为中层海洋特征，fL为低层海洋特征。
经过以上特征学习过程，本方法能够获得具有较强特征表示能力的多层级特征，并且能够更好的捕捉全局信息和局部信息，能更好的对海洋规律进行表示和挖掘，有助于更准确地对厄尔尼诺发展规律进行推理和分析，更及时地对突发天气进行推理和预警，有助于防灾减灾。
然后将高层、中层、底层海洋特征拼接为最终的全局特征fG，用于最终的预测任务。预测层为一层全连接层，用于将最终的全局特征fG映射为Nino 3.4指数。
假设x为输入数据SST和HC，y为Nino 3.4指数的真实值，fφ为预测网络，φ为网络参数，则预测任务的损失函数定义为：
其中，Ti为第i个厄尔尼诺指数预测任务；x(j)为在第i个预测任务中的第j个预测输入变量，例如三个月的SST和HC数据，数据维度为72×24×6，y(j)为预测变量Nino 3.4指数的真实值，数据维度为1×1。
步骤203：基于元学习方式，元训练阶段，在元训练集CMIP5中随机采样多次得到不同元训练任务，对于每个元训练任务，利用元学习算法对多层级厄尔尼诺指数预测网络进行参数训练，得到能够处理不同时期数据的，并且具有快速适应能力的网络参数；
在元训练集中，随机多次采样得到不同的元训练任务Ti～p(T)，在每个元训练任务Ti中又可以分为支撑集Ti (tr)和查询集Ti (te)。
假设网络的初始化参数为θ，参数更新步长为α，当给定元训练任务Ti时，首先在支撑集Ti (tr)上对网络进行训练，通过以下方式对网络参数进行更新：
其中，θi'为经过元训练任务Ti更新后的网络参数，▽为梯度符号，
为公式(2)所提到的损失函数，fθ为参数为θ的多层级厄尔尼诺预测网络。
然后在查询集上用上述训练好的网络进行测试并再次更新模型参数：
其中，β为元测试阶段的参数更新步长，
为公式(2)所提到的损失函数，
为参数为θi'的多层级厄尔尼诺预测网络，即经过公式(3)优化得到的网络模型。
经过上述元学习方式的迭代训练之后，预测模型会学习到一个具有强泛化能力和快速适应能力的初始化参数θ，该初始化参数仍能在较少样本的约束下快速完成预测对网络的优化。
步骤204：元测试阶段，将SODA和GODAS数据集作为唯一元测试任务，以元训练阶段优化好的参数作为初始化参数，在SODA数据集上对多层级厄尔尼诺指数预测网络进行进一步微调；然后在GODAS数据集上进行最终厄尔尼诺指数预测；
以在分析数据SODA和GODAS作为元测试集的唯一元测试任务To，以SODA数据集作为支撑集To (tr)，以GODAS数据集作为查询集To (te)。
首先利用元训练阶段得到的初始化参数θ对预测网络进行初始化，然后利用支撑集To (tr)对预测网络进行微调：
其中，θo'为最终的多层级厄尔尼诺预测网络参数，α为参数更新步长，
为公式(2)所提到的损失函数，θ为元训练阶段优化得到的网络参数。
然后用以参数为θo'的最终预测模型在GODAS数据集上进行最终的预测，预测得到目标月份的Nino 3.4指数。
步骤205：根据预测得到的蕴含厄尔尼诺现象变化规律的厄尔尼诺指数，建立厄尔尼诺指数与华北地区降雨量的映射函数，当预测降雨量达到一定阈值时进行预警并提前进行汛期防治工作。
当Nino 3.4指数3个月滑动平均的绝对值达到或超过0.5℃、且持续至少5个月时，判定为一次厄尔尼诺事件，故可以用预测得到的Nino 3.4指数数据来判断厄尔尼诺事件是否会发生。而厄尔尼诺现象的发展和演变，影响着我国华北地区，尤其是对黄河中下游汛期的降雨量，进而引发一些洪涝灾害。
统计华北地区近70年中黄河中下游地区降雨量数据，建立Nino 3.4指数与黄河中下游地区降雨量数据的映射函数g(·)，进而分析Nino 3.4指数对华北地区降雨量的影响，当预测降雨量超过一定阈值之后，进行预警，并提前进行防汛防涝工作，减小损失。
实施例3
一种基于元学习的厄尔尼诺极端天气预警装置，参见图3，该装置包括：
构建多层级厄尔尼诺指数预测网络模块，用于基于卷积神经网络，构建多层级厄尔尼诺指数预测网络，对海洋物理量进行多层级的特征提取，设计全局引导的注意力机制引导低层特征的学习，并利用互信息约束加强不同层级海洋特征的表征一致性，将多层级海洋特征拼接为全局特征，利用该全局特征对厄尔尼诺指数进行预测；
元训练模块，用于在元训练集中随机采样多次得到不同元训练任务，对每个元训练任务，利用元学习算法对多层级厄尔尼诺指数预测网络进行参数训练，得到能够处理不同时期数据，且有适应能力的网络参数；
元测试模块，用于以元训练阶段优化好的参数作为初始化参数，在SODA数据集上对多层级厄尔尼诺指数预测网络进行进一步微调；在GODAS数据集上进行最终厄尔尼诺指数预测；
预警模块，建立最终厄尔尼诺指数与降雨量的映射函数，当预测降雨量达到一定阈值时进行预警并提前进行汛期防治工作。
综上所述，本发明实施例利用海平面温度、热含量等多模态数据作为输入，构建基于卷积神经网络的多层级厄尔尼诺指数预测网络，并利用元学习算法对网络进行优化，致力于提升对厄尔尼诺发展规律及其影响的极端天气情况进行长期并准确的预测。
实施例4
一种基于元学习的厄尔尼诺极端天气预警装置，参见图4，该装置包括：该装置包括：处理器1和存储器2，存储器2中存储有程序指令，处理器1调用存储器2中存储的程序指令以使装置执行实施例1中的以下方法步骤：
1)基于卷积神经网络，构建多层级厄尔尼诺指数预测网络，对海洋物理量进行多层级的特征提取，设计全局引导的注意力机制引导低层特征的学习，并利用互信息约束加强不同层级海洋特征的表征一致性，将多层级海洋特征拼接为全局特征，利用该全局特征对厄尔尼诺指数进行预测；
2)元训练阶段，在元训练集中随机采样多次得到不同元训练任务，对每个元训练任务，利用元学习算法对多层级厄尔尼诺指数预测网络进行参数训练，得到能够处理不同时期数据，且有适应能力的网络参数；
3)元测试阶段，以元训练阶段优化好的参数作为初始化参数，在SODA数据集上对多层级厄尔尼诺指数预测网络进行进一步微调；在GODAS数据集上进行最终厄尔尼诺指数预测；
4)建立最终厄尔尼诺指数与降雨量的映射函数，当预测降雨量达到一定阈值时进行预警并提前进行汛期防治工作。
其中，在步骤1)之前，将从海洋数据中获取的多模态物理量作为预测任务的输入变量，并将多种数据来源的海洋数据划分为元训练集和元测试集。
其中，全局引导的注意力机制利用高层特征的全局性，引导中层特征和低层特征进行特征表示，
以高层特征图为基准，对高层特征图进行全局池化获得注意力系数，然后利用1×1卷积之后的注意力系数对卷积后的低层特征图进行加权，再将加权后的低层特征图和高层特征图相加融合，最后经一层全连接层之后，获得优化后的低层特征；
从多个层级提取优化后的海洋特征之后，继续在特征学习中利用互信息约束加强不同层级海洋特征的一致性表征能力，用KL散度估计不同层级特征之间的互信息：
LMI＝DKL(fH||fM)+DKL(fH||fL)
其中，fH为高层海洋特征，fM为中层海洋特征，fL为低层海洋特征，DKL为KL散度，用来衡量两个特征分布之间的相似性。
将高层、中层、底层海洋特征拼接为最终的全局特征fG，用于最终的预测任务；预测层为一层全连接层，用于将最终的全局特征fG映射为Nino 3.4指数。
进一步地，预测任务的损失函数定义为：
其中，Ti为第i个厄尔尼诺指数预测任务；x(j)为在第i个预测任务中的第j个预测输入变量，y(j)为预测变量Nino 3.4指数的真实值，数据维度为1×1，x为输入数据，y为Nino3.4指数的真实值，fφ为预测网络，φ为网络参数。
其中，步骤3)具体为：
在元训练集中，随机多次采样得到不同的元训练任务Ti～p(T)，在每个元训练任务Ti中分为支撑集Ti (tr)和查询集Ti (te)；
设网络的初始化参数为θ，参数更新步长为α，当给定元训练任务Ti时，在支撑集Ti (tr)上对网络进行训练对参数更新：
其中，θi'为经过元训练任务Ti更新后的网络参数，▽为梯度符号，
为损失函数，fθ为参数为θ的多层级厄尔尼诺预测网络；
在查询集上用上述训练好的网络进行测试并再次更新模型参数：
其中，β为元测试阶段的参数更新步长，
为损失函数，
为参数为θi'的多层级厄尔尼诺预测网络。
其中，步骤4)具体为：
以分析数据SODA和GODAS作为元测试集的唯一元测试任务To，以SODA数据集作为支撑集To (tr)，以GODAS数据集作为查询集To (te)，
利用元训练阶段得到的初始化参数θ对预测网络进行初始化，然后利用支撑集To (tr)对预测网络进行微调：
其中，θo'为最终的多层级厄尔尼诺预测网络参数，α为参数更新步长，
为损失函数，θ为元训练阶段优化得到的网络参数。
这里需要指出的是，以上实施例中的装置描述是与实施例中的方法描述相对应的，本发明实施例在此不做赘述。
上述的处理器1和存储器2的执行主体可以是计算机、单片机、微控制器等具有计算功能的器件，具体实现时，本发明实施例对执行主体不做限制，根据实际应用中的需要进行选择。
存储器2和处理器1之间通过总线3传输数据信号，本发明实施例对此不做赘述。
实施例5
基于同一发明构思，本发明实施例还提供了一种计算机可读存储介质，存储介质包括存储的程序，在程序运行时控制存储介质所在的设备执行上述实施例中的方法步骤。
该计算机可读存储介质包括但不限于快闪存储器、硬盘、固态硬盘等。
这里需要指出的是，以上实施例中的可读存储介质描述是与实施例中的方法描述相对应的，本发明实施例在此不做赘述。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例的流程或功能。
计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。计算机指令可以存储在计算机可读存储介质中，或者通过计算机可读存储介质进行传输。计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。可用介质可以是磁性介质或者半导体介质等。
本发明实施例对各器件的型号除做特殊说明的以外，其他器件的型号不做限制，只要能完成上述功能的器件均可。
参考文献
[1]王琳,张灿影,於维樱,等.厄尔尼诺-南方涛动(ENSO)研究的战略部署与研究热点[J].世界科技研究与发展,2019,41(1):32.
[2]赵树云,陈丽娟,崔童.ENSO位相转换对华北雨季降水的影响[J].大气科学,2017,41(4):857-868.
[3]赵思文,李俊乐,刘多文,等.PDO和ENSO与我国华北地区夏季降水的关系分析[J].江西农业学报,2016,28(7):121-125.
[4]Ham Y G,Kim J H,Luo J J.Deep learning for multi-year ENSOforecasts[J].Nature,2019,573(7775):568-572.
[5]Sun Q,Liu Y,Chua T S,et al.Meta-transfer learning for few-shotlearning[C]//Proceedings of the IEEE/CVF Conference on Computer Vision andPattern Recognition.2019:403-412.
本发明实施例对各器件的型号除做特殊说明的以外，其他器件的型号不做限制，只要能完成上述功能的器件均可。
本领域技术人员可以理解附图只是一个优选实施例的示意图，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于元学习的厄尔尼诺极端天气预警方法，其特征在于，所述方法包括：
1)基于卷积神经网络，构建多层级厄尔尼诺指数预测网络，对海洋物理量进行多层级的特征提取，设计全局引导的注意力机制引导低层特征的学习，并利用互信息约束加强不同层级海洋特征的表征一致性，将多层级海洋特征拼接为全局特征，利用该全局特征对厄尔尼诺指数进行预测；
2)元训练阶段，在元训练集中随机采样多次得到不同元训练任务，对每个元训练任务，利用元学习算法对多层级厄尔尼诺指数预测网络进行参数训练，得到能够处理不同时期数据，且有适应能力的网络参数；
3)元测试阶段，以元训练阶段优化好的参数作为初始化参数，在SODA数据集上对多层级厄尔尼诺指数预测网络进行进一步微调；在GODAS数据集上进行最终厄尔尼诺指数预测；
4)建立最终厄尔尼诺指数与降雨量的映射函数，当预测降雨量达到一定阈值时进行预警并提前进行汛期防治工作。
2.根据权利要求1所述的一种基于元学习的厄尔尼诺极端天气预警方法，其特征在于，在步骤1)之前，所述方法将从海洋数据中获取的多模态物理量作为预测任务的输入变量，并将多种数据来源的海洋数据划分为元训练集和元测试集。
3.根据权利要求1所述的一种基于元学习的厄尔尼诺极端天气预警方法，其特征在于，所述全局引导的注意力机制利用高层特征的全局性，引导中层特征和低层特征进行特征表示，
以高层特征图为基准，对高层特征图进行全局池化获得注意力系数，然后利用1×1卷积之后的注意力系数对卷积后的低层特征图进行加权，再将加权后的低层特征图和高层特征图相加融合，最后经一层全连接层之后，获得优化后的低层特征；
从多个层级提取优化后的海洋特征之后，继续在特征学习中利用互信息约束加强不同层级海洋特征的一致性表征能力，用KL散度估计不同层级特征之间的互信息：
LMI＝DKL(fH||fM)+DKL(fH||fL)
其中，fH为高层海洋特征，fM为中层海洋特征，fL为低层海洋特征，DKL为KL散度，用来衡量两个特征分布之间的相似性；
将高层、中层、底层海洋特征拼接为最终的全局特征fG，用于最终的预测任务；预测层为一层全连接层，用于将最终的全局特征fG映射为Nino 3.4指数。
4.根据权利要求3所述的一种基于元学习的厄尔尼诺极端天气预警方法，其特征在于，所述预测任务的损失函数定义为：
其中，Ti为第i个厄尔尼诺指数预测任务；x(j)为在第i个预测任务中的第j个预测输入变量，y(j)为预测变量Nino 3.4指数的真实值，数据维度为1×1，x为输入数据，y为Nino 3.4指数的真实值，fφ为预测网络，φ为网络参数。
5.根据权利要求1所述的一种基于元学习的厄尔尼诺极端天气预警方法，其特征在于，所述步骤3)具体为：
在元训练集中，随机多次采样得到不同的元训练任务Ti～p(T)，在每个元训练任务Ti中分为支撑集Ti (tr)和查询集Ti (te)；
设网络的初始化参数为θ，参数更新步长为α，当给定元训练任务Ti时，在支撑集Ti (tr)上对网络进行训练对参数更新：
其中，θi'为经过元训练任务Ti更新后的网络参数，
为梯度符号，
为损失函数，fθ为参数为θ的多层级厄尔尼诺预测网络；
在查询集上用上述训练好的网络进行测试并再次更新模型参数：
其中，β为元测试阶段的参数更新步长，
为损失函数，
为参数为θi'的多层级厄尔尼诺预测网络。
6.根据权利要求1所述的一种基于元学习的厄尔尼诺极端天气预警方法，其特征在于，所述步骤4)具体为：
以分析数据SODA和GODAS作为元测试集的唯一元测试任务To，以SODA数据集作为支撑集To (tr)，以GODAS数据集作为查询集To (te)，
利用元训练阶段得到的初始化参数θ对预测网络进行初始化，然后利用支撑集To (tr)对预测网络进行微调：
其中，θo'为最终的多层级厄尔尼诺预测网络参数，α为参数更新步长，
为损失函数，θ为元训练阶段优化得到的网络参数。
7.一种基于元学习的厄尔尼诺极端天气预警装置，其特征在于，所述装置包括：
构建多层级厄尔尼诺指数预测网络模块，用于基于卷积神经网络，构建多层级厄尔尼诺指数预测网络，对海洋物理量进行多层级的特征提取，设计全局引导的注意力机制引导低层特征的学习，并利用互信息约束加强不同层级海洋特征的表征一致性，将多层级海洋特征拼接为全局特征，利用该全局特征对厄尔尼诺指数进行预测；
元训练模块，用于在元训练集中随机采样多次得到不同元训练任务，对每个元训练任务，利用元学习算法对多层级厄尔尼诺指数预测网络进行参数训练，得到能够处理不同时期数据，且有适应能力的网络参数；
元测试模块，用于以元训练阶段优化好的参数作为初始化参数，在SODA数据集上对多层级厄尔尼诺指数预测网络进行进一步微调；在GODAS数据集上进行最终厄尔尼诺指数预测；
预警模块，用于建立最终厄尔尼诺指数与降雨量的映射函数，当预测降雨量达到一定阈值时进行预警并提前进行汛期防治工作。
8.一种基于元学习的厄尔尼诺极端天气预警装置，其特征在于，所述装置包括：处理器和存储器，
所述存储器中存储有程序指令，所述处理器调用存储器中存储的程序指令以使装置执行权利要求1-6中的任一项所述的方法步骤。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令被处理器执行时使所述处理器执行权利要求1-6中的任一项所述的方法步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210703932.7A CN115113303B (zh) | 2022-06-21 | 2022-06-21 | 基于元学习的厄尔尼诺极端天气预警方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210703932.7A CN115113303B (zh) | 2022-06-21 | 2022-06-21 | 基于元学习的厄尔尼诺极端天气预警方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115113303A true CN115113303A (zh) | 2022-09-27 |
| CN115113303B CN115113303B (zh) | 2023-10-31 |
Family
ID=83327812
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210703932.7A Active CN115113303B (zh) | 2022-06-21 | 2022-06-21 | 基于元学习的厄尔尼诺极端天气预警方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115113303B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116402679A (zh) * | 2022-12-28 | 2023-07-07 | 长春理工大学 | 一种轻量级红外超分辨率自适应重建方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110618473A (zh) * | 2019-10-09 | 2019-12-27 | 北京北科融智云计算科技有限公司 | 一种即时气象情报保障方法 |
| CN111259943A (zh) * | 2020-01-10 | 2020-06-09 | 天津大学 | 基于机器学习的温跃层预测方法 |
| CN111796343A (zh) * | 2020-06-15 | 2020-10-20 | 兰州中心气象台(兰州干旱生态环境监测预测中心) | 一种基于人工智能算法的强对流天气短时临近识别方法 |
| CN111815037A (zh) * | 2020-06-24 | 2020-10-23 | 河海大学 | 一种基于注意力机制的可解释性短临极端降雨预测方法 |
| CN112099110A (zh) * | 2020-09-17 | 2020-12-18 | 中国科学院海洋研究所 | 基于机器学习和遥感数据的海洋内波预报方法 |
| CN113936142A (zh) * | 2021-10-13 | 2022-01-14 | 成都信息工程大学 | 一种基于深度学习的降水临近预报方法及装置 |
| CN114330132A (zh) * | 2021-12-30 | 2022-04-12 | 中国科学院大气物理研究所 | 一种基于人工智能的enso多样性预报方法 |
| CN114511149A (zh) * | 2022-02-16 | 2022-05-17 | 长沙祥云瑞风信息技术有限公司 | 一种分层分布式气象预测平台、方法、介质及设备 |
-
2022
- 2022-06-21 CN CN202210703932.7A patent/CN115113303B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110618473A (zh) * | 2019-10-09 | 2019-12-27 | 北京北科融智云计算科技有限公司 | 一种即时气象情报保障方法 |
| CN111259943A (zh) * | 2020-01-10 | 2020-06-09 | 天津大学 | 基于机器学习的温跃层预测方法 |
| CN111796343A (zh) * | 2020-06-15 | 2020-10-20 | 兰州中心气象台(兰州干旱生态环境监测预测中心) | 一种基于人工智能算法的强对流天气短时临近识别方法 |
| CN111815037A (zh) * | 2020-06-24 | 2020-10-23 | 河海大学 | 一种基于注意力机制的可解释性短临极端降雨预测方法 |
| CN112099110A (zh) * | 2020-09-17 | 2020-12-18 | 中国科学院海洋研究所 | 基于机器学习和遥感数据的海洋内波预报方法 |
| CN113936142A (zh) * | 2021-10-13 | 2022-01-14 | 成都信息工程大学 | 一种基于深度学习的降水临近预报方法及装置 |
| CN114330132A (zh) * | 2021-12-30 | 2022-04-12 | 中国科学院大气物理研究所 | 一种基于人工智能的enso多样性预报方法 |
| CN114511149A (zh) * | 2022-02-16 | 2022-05-17 | 长沙祥云瑞风信息技术有限公司 | 一种分层分布式气象预测平台、方法、介质及设备 |
Non-Patent Citations (2)
| Title |
|---|
| 张勤, 丁一汇, 山崎信雄: "用一个简单海气耦合模式对20世纪90年代厄尔尼诺事件的预报试验", 气象学报, no. 04 * |
| 张国平;张文生;王萍;姚叶青;贾惠珍;何险峰;薛冰;王曙东;匡丘明;杨雪冰;高金兵;王阔音;惠建忠;唐卫: "全国分钟预报技术与应用", 第34届中国气象学会年会 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116402679A (zh) * | 2022-12-28 | 2023-07-07 | 长春理工大学 | 一种轻量级红外超分辨率自适应重建方法 |
| CN116402679B (zh) * | 2022-12-28 | 2024-05-28 | 长春理工大学 | 一种轻量级红外超分辨率自适应重建方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115113303B (zh) | 2023-10-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Callens et al. | Using Random forest and Gradient boosting trees to improve wave forecast at a specific location | |
| US11488069B2 (en) | Method for predicting air quality with aid of machine learning models | |
| CN114626512B (zh) | 一种基于有向图神经网络的高温灾害预报方法 | |
| CN110738355A (zh) | 一种基于神经网络的城市内涝预测方法 | |
| CN113807562A (zh) | 海洋表面温度的预测方法 | |
| CN111814956A (zh) | 一种基于多维度二次特征提取的多任务学习的空气质量预测方法 | |
| CN111178438A (zh) | 一种基于ResNet101的天气类型识别方法 | |
| Pasche et al. | Neural networks for extreme quantile regression with an application to forecasting of flood risk | |
| CN115113303A (zh) | 基于元学习的厄尔尼诺极端天气预警方法及装置 | |
| CN116021981A (zh) | 配电网线路覆冰故障预测方法、装置、设备及存储介质 | |
| Vandeskog et al. | Quantile based modeling of diurnal temperature range with the five‐parameter lambda distribution | |
| CN113536373A (zh) | 一种脱敏气象数据的生成方法 | |
| CN116522648A (zh) | 湖泊藻类状态预测方法及应用 | |
| CN116822716A (zh) | 一种基于时空注意力的台风预测方法、系统、设备及介质 | |
| Jiang et al. | Prediction of sea temperature using temporal convolutional network and LSTM-GRU network | |
| CN116894593A (zh) | 光伏发电功率预测方法、装置、电子设备及存储介质 | |
| Dupuy et al. | Local-scale valley wind retrieval using an artificial neural network applied to routine weather observations | |
| CN116757319A (zh) | 一种水质分段分形预测方法 | |
| CN114202091A (zh) | 印度洋偶极子指数预测方法 | |
| Qing-Dao-Er-Ji et al. | Research on data mining algorithm of meteorological observation based on data quality control algorithm | |
| CN111178630A (zh) | 一种负荷预测方法及装置 | |
| Li et al. | A low-power water quality monitoring system and prediction model | |
| CN113435119B (zh) | 一种全球海洋表面亮温确定方法及系统 | |
| Yang et al. | Runoff Prediction in a Data Scarce Region Based on Few-Shot Learning | |
| CN116992781B (zh) | 基于深度学习的多步多要素风浪预报方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |