[0001]技术领域
[0002]本发明涉及异常气象判定领域，具体而言，涉及一种区分ENSO事件衰减型的判定方法及系统。
[0003]背景技术
[0004]近20年来，对El 现象的传统认识发生了根本性转变。一种持续增暖中心位于赤道中太平洋的El 事件发生频率显著增加，其海温异常暖中心较传统El 明显西移，位于日界线附近，这直接导致西风和降水异常中心向西移到西太平洋地区。目前，一般称传统El 为东太平洋型(Eastern Pacific，简称EP)或冷舌型，而愈发活跃的非典型El 称为El Modoki、中太平洋型(Central Pacific，简称CP)或暖池型。
[0005]两类El 的提出无疑给ENSO和全球气候研究领域带来新的挑战。不少研究相继强调，需依据海洋热力异常的空间分布形态区分不同类型El 来研究其形成机理和气候影响，因此也很有必要对两类事件与次年我国汛期降水的关系作出区分讨论。
[0006]不同衰减方式下，EP-El (CP-El )事件次年夏季均对应着不同的环流异常。由此可见，在不同衰减方式下，两类El 次年有可能对应不同的降水分布型。同样地，El 的反位相事件La 的衰减也存在多样性，发明人的研究也证实La 的不同衰减阶段对我国气候影响存在显著差异。
[0007]发明人的研究成果结论是：利用国家气候中心160站月平均降水、NCEP-/NCAR大气环流、英国气象局Hadley中心全球月平均海表温度(SST)等资料，探讨了两类El 和La 的不同衰减型及其对次年夏季我国降水异常分布的可能影响。(1)根据海表温度异常(SSTA)沿赤道(5°S－5°N)的演变特征，EP-El 存在两种衰减型：自东向西衰减(E－WD)型(大于0.5℃的海温正距平首先在南美沿岸消失，并向西扩展)和自西向东衰减(W－ED)型(大于0.5℃的海温正距平首先在赤道中太平洋消失，并向东扩展)；CP-El 存在三种衰减方式：对称衰减(SD)型(赤道中太平洋暖海温的发展和衰减关于某一峰值对称)、延迟衰减(PD)型(衰减阶段紧接着呈现传统El 分布)、突然衰减(AD)型(衰减阶段紧接着发生传统La 事件)。(2)La 存在三种衰减方式：持续型衰减(P-type),再发展型衰减(R-type)和快速衰减型(F-type)。总之，不同衰减类型的异常气象事件，其在汛期的应对措施会有不同的举措，但是现有技术中缺乏衰减类型的具体判断方法。
[0008]有鉴于此，特提出本发明。
[0009]发明内容
[0010]有鉴于此，本发明公开了一种基于注意力机制的区分ENSO事件衰减型的判定方法，区分两类El 和La 的不同衰减型使得两类El 和La 次年我国夏季降水异常显著区的分布范围和信号强度均较未区分衰减型时有较好的改善，弥补了现有技术的技术空白，为我国汛期降水短期预测工作提供了重要依据。
[0011]具体地，本发明是通过以下技术方案实现的：
[0012]本发明提供了一种区分ENSO事件衰减型的判定方法，包括如下步骤：
[0013]收集沿赤道海表温度随时间变化的数据，构建随时间变化的网格化海表温度数据集；
[0014]记录上述t时刻的网格化海表温度K(n，m，t)＝K n，m，t ，表示在t时刻、经度为n、纬度为m的海面温度，累计采集T个时刻的网格化海表温度，组成时序化网格化海面温度数据，即 其维度为N×M×T；
[0015]基于多尺度三维卷积神经网络对所述海面温度数据进行处理，然后基于时空注意力机制进行特征增强；
[0016]将增强后的特征展开为特征向量之后，输入至一个以Softmax为激活函数的全连接层，以输出该时序化网格化海面温度数据属于各个ENSO衰减型的概率，概率最高的事件即为所对应的ENSO衰减型小类。
[0017]现有技术中，关于El 对我国夏季降水的影响的研究已有很多。在不同研究中，由于事件个例选择的差异，其结果也存在一定差异，有的甚至相互矛盾。史久恩等研究指出El 当年,长江流域汛期降水偏多，南北方降水偏少；El 次年，长江流域汛期降水偏少，南北方偏多。黄荣辉等认为发展阶段，夏季降水江淮流域偏多，而黄河流域和华北偏少；El 衰减阶段，降水形势与之相反，江淮流域偏少，而长江流域、江南地区偏多。El 对我国汛期降水的影响依赖于其位相。然而，仅考虑El 的位相还不能对El 如何影响我国夏季降水作出定论。有学者进一步结合El 不同的结束时间、起始增温位置来探讨El 对次年夏季降水的影响。邹力和倪允琪指出El 事件结束偏晚时，次年夏季不仅长江中下游降水偏多，且华北地区易出现干旱。林学椿和于淑秋提出，暖中心首先在太平洋东部出现的El 事件峰期过后,我国汛期长江流域降水偏少，江南和华北地区降水偏多，而暖中心首先在中太平洋出现的El 峰期过后则相反，长江流域降水偏多，江南和华北降水偏少。众多研究成果为利用ENSO信号预测中国降水提供了重要的历史参考依据。
[0018]Feng et al研究指出，EP-El 衰减期，江南降水偏多、江淮雨水偏少，而在CP-El 次年，降水偏多的区域则位于黄淮流域，江南降水显著偏少。袁媛等认为根据盛期海温距平分布应分为三种类型，东部、中部和混合型，三种类型次年夏季，中国雨带分别呈现南方、中间和北方型。在El 与气候异常关系这一重要问题的研究中，不仅需要区分赤道增暖类型，还需注意其演变特征的差异。在探讨前冬两类事件影响次年气候异常问题时，需要结合El 的衰减方式加以分析。Yu and Kim已研究指出CP-El 的衰减存在3种可能方式对称衰减(SD)型、延迟衰减(PD)型和突然衰减(AD)型。但EP-El 的衰减型迄今并被系统的讨论。
[0019]事实上，Feng et al在选取CP-El 个例事件进行研究时，已经加以考虑了其演变过程，所选的CP-El 事件次年夏季大都紧跟着出现了冷事件。Yuan and Yang曾着眼于ENSO循环来探讨不同分布型El 对东亚气候的影响，利用前冬 3和EMI指数回归同期和后期的降水和环流场，但未曾区分El 的实际衰减方式。Wang and Wang根据CP-El 对华南秋季降水和西北太平洋台风路径异常的影响，将CP-El 事件分为增暖起始于赤道中太平洋和增暖起始于副热带东北太平洋两类，即表明在这样两种不同的发生方式下，CP-El 事件与我国秋季气候异常的关系存在显著差异。对于El 与次年夏季降水的关系，我们更关心的是El 的不同衰减阶段对我国气候影响的差异，需进一步结合两类事件的不同衰减方式来探讨其与次年我国夏季降水异常的关系，以期更客观、更全面地给出与两类El 相联系的次年夏季降水分布型，为我国汛期降水的短期预测工作提供一些帮助。
[0020]因此可见对于衰减类型的判定迫在眉睫，本发明的方案恰好填补了现有技术的技术空白，解决了现有技术存在的问题。
[0021]附图说明
[0022]通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了，附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制，而且在整个附图中，用相同的参考符号表示相同的部件，在附图中：
[0023]图1为(a)自东向西衰减型(E－WD)和(b)自西向东衰减型(W－ED)EP-El 事件沿赤道(5°S—5°N)SSTA随时间演变的合成；
[0024]图2为CP-El 事件的三种衰减型沿赤道(5°S—5°N)SSTA随时间的演变，(a)对称衰减(SD)；(b)延迟衰减(PD)；(c)突变衰减(AD)；
[0025]图3为La 事件的三种衰减型沿赤道(5°S—5°N)SSTA随时间的演变，(a)P-type La (b)R-type La (c)F-type La
[0026]图1-3中，纵坐标数字0表示当年，1表示次年，等值线间隔0.5℃；
[0027]图4为本发明实施例提供的异常气象事件类型判定方法的系统架构图；
[0028]图5为本发明实施例提供的一种计算机设备的流程示意图。
[0029]具体实施方式
[0030]这里将详细地对示例性实施例进行说明，其示例表示在附图中，下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素，以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式，相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子，
[0031]在本公开使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本公开，在本公开和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义，还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合，
[0032]应当理解，尽管在本公开可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语，这些术语仅用来将同一类型的信息彼此区分开，例如，在不脱离本公开范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息，取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
[0033]本发明提供了一种区分ENSO事件衰减型的判定方法，如图4所示，包括如下步骤：
[0034]收集沿赤道海表温度随时间变化的数据，构建随时间变化的网格化海表温度数据集；
[0035]记录上述t时刻的网格化海表温度K(n，m，t)＝K n，m，t ，表示在t时刻、经度为n、纬度为m的海面温度，累计采集T个时刻的网格化海表温度，组成时序化网格化海面温度数据，即 其维度为N×M×T；
[0036]基于多尺度三维卷积神经网络对所述海面温度数据进行处理，然后基于时空注意力机制进行特征增强；
[0037]将增强后的特征展开为特征向量之后，输入至一个以Softmax为激活函数的全连接层，以输出该时序化网格化海面温度数据属于各个ENSO衰减型的概率，概率最高的事件即为所对应的ENSO衰减型小类。
[0038]具体地，实际操作步骤按照如下步骤进行：
[0039]1、确立监测资料：某一年夏季到次年春季(如2022年6月-2023年5月)赤道太平洋海表温度距平数据。
[0040]2、确立某一年夏季到次年春季赤道太平洋海表温度距平分布是否是ENSO事件？属于哪一种类型的ENSO事件，是EP-El 是CP-El 还是La 事件？确立方法如下：
[0041]两类El 事件的划分：关于两类El 事件的划分当前仍有不少争议，不同指数识别出的两类事件年份存在差异。为减小研究结果的争议性，本文综合考虑三组El 指数： 和Ashok et al定义的EMI指数、Ren and Jin提出的N CT 和N WP 指数及陈圣劼等从海气耦合角度区分两类El 而提出的HCEI和HCEMI指数。每一组第1个指数表征EP-(CP-)El
[0042]La 事件的确立：3个月滑动的 3.4区平均海温距平连续5个月低于-0.5℃，定义为一次La 事件。
[0043]3、根据发明人的研究，已确立两种EP-El 衰减型、三种CP-El 衰减型和三种La 衰减型沿赤道(5°S—5°N)海表温度异常(SSTA)演变基本态(附图1-3)。数据维度是经度-时间。
[0044]4、判定衰减型：对于任意一次El 或La 事件，利用注意机制，考察沿赤道(5°S-5°N)海表温度异常(SSTA)随时间的演变特征属于哪种类型的衰减型。
[0045]5、基于沿赤道(5°S-5°N)海表温度随时间变化情况，采用多尺度卷积神经网络与时空注意力机制判断异常ENSO衰减型类型，该专利主要包括4个部分：时序化网格化数据构建、基于多尺度三维卷积神经网络(MS-3DCNN)的多尺度特征提取、基于时空注意力机制的特征增强、基于拼接融合的ENSO衰减型事件判定。
[0046]步骤1：时序化网格化数据构建：
[0047]收集沿赤道海表温度随时间变化的数据，构建随时间变化的网格化海表温度数据集，在t时刻的网格化海表温度如下所示。
[0048]<![CDATA[K<sub>1，1，t</sub>]]> <![CDATA[K<sub>1，2，t</sub>]]> ... <![CDATA[K<sub>1，N，t</sub><!-- 4 -->]]> <![CDATA[K<sub>1，1，t</sub>]]> <![CDATA[K<sub>1，2，t</sub>]]> ... <![CDATA[K<sub>1，N，t</sub>]]> ... ... <![CDATA[K<sub>n，m，t</sub>]]> ... <![CDATA[K<sub>1，1，t</sub>]]> <![CDATA[t<sub>1，2，t</sub>]]> ... <![CDATA[K<sub>1，N，t</sub>]]>
[0049]记上述t时刻的网格化海表温度为K(：，：，t)，其中K(n，m，t)＝K n，m，t ，表示在t时刻、经度为n、纬度为m的海面温度。累计采集T个时刻的网格化海表温度，组成形成时序化网格化海面温度数据，即 其维度为N×M×T，将该时序化特征作为一个样本，用于判定异常气象类别，具体异常气象类别ENSO衰减型小类如下表：
[0050]本方案旨在于利用时序化网格化海面温度数据，结合深度学习算法，判定上述9种气象类别。
[0051]步骤2.特征提取：
[0052]本发明使用多尺度三维卷积神经网络(MS-3DCNN)来处理海洋温度数据；具体而言，多尺度3维卷积神经网络(MS-3DCNN)不仅在空间维度(经度和纬度)上进行，也在第三维(时间)上进行，并且在此基础上，引入不同尺度的卷积核，从而能够捕捉到不同尺度的特征；
[0053]其中 表示卷积核为ks i ×ks i ×ks i 的3DCNN的权重。本专利考虑采用4种不同尺度的卷积核，即ks i ＝3/5/7/9；
[0054]步骤3.特征增强：
[0055]首先，利用全局平均池化与全局最大池化将特征图矩阵F i 转换为2组特征向量V GAP，i 与V GMP，i ，具体操作如下：
[0056]其次，利用深度神经网络生成注意力向量V A ；
[0057]具体而言，将V GAP 与V GMP 同时输入至一个深度神经网络中，再将两组输出相加，并且利用Sigmoid函数将其归一化，得到，其表达式如下：
[0058]V Ai ＝f Sigmoid [f DNN (V GAP，i ；W DNN，i )+f DNN (V GMP，i ；W DNN，i )]
[0059]其中f DNN 是一个含有两层全连接层的全连接神经网络，其中第一层与第二层的神经元数量分别为 与D，并且第一层采用ReLU作为激活函数，第二层采用Sigmoid作为激活函数，输出归一化后的注意力向量，而W DNN，i 是其权重；
[0060]最后，利用注意力向量增强特征，具体公式如下：
[0061]步骤4.事件判定
[0062]首先，将四组经过时空注意力机制增强后的特征 展开为特征向量，具体如下：
[0063]其中 包含 中的所有元素，其维度为1×H i W i D i ；
[0064]其次，将四组特征向量拼接融合，该过程可以表示为：
[0065]上述融合特征向量的维度为
[0066]最后，输入至一个以Softmax为激活函数的全连接层，以输出该时序化网格化海面温度数据属于各个ENSO衰减型的概率，并且取判定概率最高的事件为该时序化网格化海面温度数据所对应的ENSO衰减型，该方法判断出来对应的衰减小类，从而为后续气象预测工作起到了指导作用。
[0067]本发明除了提供一种异常气象事件类型的判定方法，还提供了一种异常气象事件的判定系统，具体包括：
[0068]数据构建模块：用于收集沿赤道海表温度随时间变化的数据，构建随时间变化的网格化海表温度数据集；
[0069]记录上述t时刻的网格化海表温度为K(n，m，t)＝K n，m，t ，表示在t时刻、经度为n、纬度为m的海面温度，累计采集T个时刻的网格化海表温度，组成时序化网格化海面温度数据，即 其维度为N×M×T；
[0070]数据处理模块：用于基于多尺度三维卷积神经网络对上述海面温度数据进行处理，然后基于时空注意力机制进行特征增强；
[0071]判定模块：用于最后将增强后的特征展开为特征向量之后，输入至一个以Softmax为激活函数的全连接层，以输出该时序化网格化海面温度数据属于各个ENSO衰减型的概率，概率最高的事件即为所对应的ENSO衰减型小类。
[0072]具体实施时，以上各个模块可以作为独立的实体来实现，也可以进行任意组合，作为同一或若干个实体来实现，以上各个单元的具体实施可参见前面的方法实施例，在此不再赘述。
[0073]图5为本发明公开的一种计算机设备的结构示意图。参考图5所示，该计算机设备400，至少包括存储器402和处理器401；所述存储器402通过通信总线403和处理器连接，用于存储所述处理器401可执行的计算机指令，所述处理器401用于从所述存储器402读取计算机指令以实现上述任一实施例所述的异常气象事件类型的判定方法的步骤。
[0074]对于上述装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本公开方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
[0075]适合于存储计算机程序指令和数据的计算机可读介质包括所有形式的非易失性存储器、媒介和存储器设备，例如包括半导体存储器设备(例如EPROM、EEPROM和闪存设备)、磁盘(例如内部磁盘或可移动盘)、磁光盘以及CD ROM和DVD-ROM盘。处理器和存储器可由专用逻辑电路补充或并入专用逻辑电路中。
[0076]最后应说明的是：虽然本说明书包含许多具体实施细节，但是这些不应被解释为限制任何发明的范围或所要求保护的范围，而是主要用于描述特定发明的具体实施例的特征。本说明书内在多个实施例中描述的某些特征也可以在单个实施例中被组合实施。另一方面，在单个实施例中描述的各种特征也可以在多个实施例中分开实施或以任何合适的子组合来实施。此外，虽然特征可以如上所述在某些组合中起作用并且甚至最初如此要求保护，但是来自所要求保护的组合中的一个或多个特征在一些情况下可以从该组合中去除，并且所要求保护的组合可以指向子组合或子组合的变型。
[0077]类似地，虽然在附图中以特定顺序描绘了操作，但是这不应被理解为要求这些操作以所示的特定顺序执行或顺次执行、或者要求所有例示的操作被执行，以实现期望的结果。在某些情况下，多任务和并行处理可能是有利的。此外，上述实施例中的各种系统模块和组件的分离不应被理解为在所有实施例中均需要这样的分离，并且应当理解，所描述的程序组件和系统通常可以一起集成在单个软件产品中，或者封装成多个软件产品。
[0078]由此，主题的特定实施例已被描述。其他实施例在所附权利要求书的范围以内。在某些情况下，权利要求书中记载的动作可以以不同的顺序执行并且仍实现期望的结果。此外，附图中描绘的处理并非必需所示的特定顺序或顺次顺序，以实现期望的结果。在某些实现中，多任务和并行处理可能是有利的。
[0079]以上所述仅为本公开的较佳实施例而已，并不用以限制本公开，凡在本公开的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本公开保护的范围之内。
