CN119442923A 基于深度学习的气候模式模拟复合极端风雨事件频率的优化方法 （成都信息工程大学）

基于深度学习的气候模式模拟复合极端风及基于深度学习的气候模式模拟复合极端风雨区域的降水和风速的观测数据及多个气候模式为深度学习模型的特征值，观测频率作为真实的模型，生成复合极端风雨事件频率的订正结2候模式风速阈值计算得到第二复合极端风雨事的第一复合极端风雨事件发生频率作为深度S4.基于多层感知机神经网络，构建降低第二复合极端风雨事件发生频率的误差值的S5.将第二复合极端风雨事件发生频率输入步骤S4中训练好的深度学习模型进行训所述观测数据包括目标区域内实际观测得到的降水量网格化数据与最大风速网格化所述多个气候模式输出数据包括目标区域内多个气候模式模拟得到的降水量网格化2.根据权利要求1所述的基于深度学习的气候模式模拟复合极端风雨事件频率的优化和W(i,t)分别表示第i个栅格中第t时间上的降水量和最大风速，poar和3S203.根据判断结果，分别计算得到第一复合极端风雨事件发生频率与第二复合极端3.根据权利要求1所述的基于深度学习的气候模式模拟复合极端风雨事件频率的优化输入层，用于接收第频率二复合极端风雨事件发生，并随机提取第二’’所述丢弃层用于过滤由全连接层输出的特征信息，随机接收全连接4.根据权利要求1所述的基于深度学习的气候模式模拟复合极端风雨事件频率的优化5.根据权利要求4所述的基于深度学习的气候模式模拟复合极端风雨事件频率的优化46.根据权利要求4所述的基于深度学习的气候模式模拟复合极端风雨事件频率的优化7.根据权利要求4所述的基于深度学习的气候模式模拟复合极端风雨事件频率的优化8.根据权利要求1所述的基于深度学习的气候模式模拟复合极端风雨事件频率的优化5深度学习技术处理气候模式的偏差校正问题也取得了一合训练出来的模型效果存在局限性以及输出均值化的问题，即模型输出结果偏向平均值，无法精确反映复合极端事件的实际分布特性，同时难以充分利用多个气候模式输出的信S1.获取目标区域内的观测数据和多个气候模式输出数据，并构建目标区域栅格6位置的第一复合极端风雨事件发生频率作为深度学习模型的S4.基于多层感知机神经网络，构建降低第二复合极端风雨事件发生频率的误差S5.将第二复合极端风雨事件发生频率输入步骤S4中训练好的深度学习模型进行所述观测数据包括目标区域内实际观测得到的降水量网格化数据与最大风速网所述多个气候模式输出数据包括目标区域内多个气候模式模拟得到的降水量网和"or分别表示第i个栅格中第t时间上降水阈值和风速阈值；当变量Z(i,t)为1时表示S203.根据判断结果，分别计算得到第一复合极端风雨事件发生频率与第二复合其中，F(i,year)为一年内复合极端风雨事件的累积频率，year为年份序列，且7’为激活函数；LOSS=WXMSE十WXRSD+WXn为深度学习模型模拟的复合极端风雨事件发生频率，为第一复合极端8n为深度学习模型模拟的复合极端风雨事件发生频率，为第一复合极端个气候模式输出的复合极端风雨事件频率转化为更高维的角度处理复杂的数据特征信息，[0017]图1、本发明的基于深度学习的气候模式模拟复合极端风雨事件频率的优化方法[0021]如图1所示，本发明实施例提供了基于深度学习的气候模式模拟复合极端风雨事步骤1，获取多个气候模式输出的每日累积降水网格化数据和每日10米最大风速9[0022]步骤2，对插值后的多个气候模式以及实际观测数据计算各自网格点上对应的降步骤2.1，采用百分位阈值方法确定各自的第95百分位数极端降水阈值和极端风其中，P(i,t)和W(i,t)分别表示第i个栅格中第t时间上的降水量和最大风速，[0023]步骤3，对目标区域内第二复合极端风雨事件发生频率以第一复合极端风雨事件发生频率作为标准进行评估，其中采用气象领域中常用的气候模式评估指标中的相关系i表示时间平均后第i个栅格上的第二复合极端风雨事件i表示时间平均后第i个栅格上的第一复合极端风雨事件发生频率，和分别表示第二复合极端风雨事件发生频率与第一复合极端风雨事件发生频i表示时间平均后第i个栅格上的第二复合极端风雨事件m和σo分别表示第二复合极端风雨事件发生频率与第一复合极端风雨事件发生频率的空间标准差，COR和COR0分别表示所选第二复合极端风雨事件发生频率中与第根据评估结果选取第二复合极端风雨事件发生频率作为深度学习模型的特征值，选取相同时间与栅格位置的第一复合极端风雨事件发生频率作为深度学习模型的真实值。型加权损失函数，以及多层感知器神经网络结构，构建融合深度学习对气候模式模拟偏差输入层为步骤S2得到的多个模式输出的复合极端风雨事件的年累积频率；隐藏层包括多个全连接层以及丢弃层，其中全连接层将提出的特征信息进行传递，引入丢弃层则是使网络易于训练和更好地提取特征；输出层则是收集隐藏层提取的特征信息生成最终的模拟结均方误差：加权损失函数中MSE用于深度学习模型中衡量模型输出结果与真实值n为深度学习模型模拟的复合极端风雨事件发生频率，为第一复合极端y其中，σ为深度学习模型模拟的复合极端风雨事件发生频率的yn为深度学习模型模拟的复合极端风雨事件发生频率，为第一复合极端’’息向量，LeakyReLU为激活函数（Lea