基于迁移CNN的江淮持续性强降水环流分型

利用新建的1981-2018年区域持续性强降水个例集、1981-2018年中国逐日降水量及NCEP/NCAR全球再分析资料,运用江淮地区持续性强降水典型模态个例样本及残差神经网络(CNN),通过迁移学习分步训练建立针对江淮强降水的环流客观分型模型;并运用该模型对1981-2015年全国持续性强降水个例的环流进行客观分型,比较其与相似量(R)分型、余弦相似系数(COS)分型的效果,且对2016-2018年逐日环流进行客观识别与分型.结果表明:迁移CNN在拟合准确率达到100％后,测试集损失函数很快稳定,准确率较高,比R分型、COS分型效果好.在强降水客观分型中,迁移CNN所得各型与典型模态降水之间的相关系数远高于R分型、COS分型,其中不一致型个例分析表明迁移CNN所得各型与典型模态降水间的相关系数明显高于R分型、COS分型.在独立样本分型中,迁移CNN所得各型与典型模态降水的相关系数也均高于R分型、COS分型,且对非持续性强降水环流分型也存在一定的识别能力.