利用先进的机器学习技术，提升印度洋偶极子模式西南沿海地区（SCR）的多季节性预测能力、极端天气事件监测以及气候分析水平

《Environmental Development》：Improving Multi-Seasonal Prediction, Extreme Weather Events and Climate Analyses over the Southwest Coastal Region (SCR) of Indian Ocean Dipole using Advanced Machine Learning Techniques

本研究提出一种融合小波散射变换、粒子群优化和DenseNet-169的深度学习框架，用于提升印度洋偶极子（IOD）相关区域多季节极端天气事件的预测精度，实验显示准确率达95%，较现有模型更具长时效预测能力。

　　

沙布娜姆·库马里|P. 穆图拉克斯米

计算机科学系，科学与人文学院，SRM科学技术学院，卡坦库拉图尔，金奈，603203，泰米尔纳德邦，印度

摘要

印度洋偶极子（IOD）是亚洲、非洲和澳大利亚极端天气事件的主要气候驱动因素。不幸的是，当前的预测模型在90天以上的预测能力较弱，这往往阻碍了早期预警和灾害应对的准备。本研究提出了一个基于深度学习的创新框架，以改善IOD地区的多季节天气预测。我们的深度学习框架结合了小波散射变换进行特征提取；粒子群优化（PSO）进行特征选择；以及DenseNet-169进行高分辨率预测建模。用于训练该系统的极端天气数据集包含了大量气象变量。在探索数据集之前，进行了数据清洗、分类、归一化、编码和解决类别不平衡等预处理步骤。这些过程提高了数据质量并增强了模型的泛化能力。实验评估的结果表明，与现有模型相比，我们的模型表现出了显著的优势。该深度学习框架的准确率为95%，灵敏度为98%，精确度为88%，预计在及时评估与极端天气（特别是气旋和大气河流）相关的重大影响方面具有很高的实用性。这项工作提供了一个可扩展的、由人工智能（AI）增强的预测模型，适用于处理复杂的气候信息，并能够生成可靠的多季节预测。它的贡献为环境条件预测模型的发展增添了新的内容，并将有助于气候适应性和早期预警系统的规划。

引言

印度洋偶极子（IOD）是一个重要的年际气候现象，是亚洲、非洲和澳大利亚大部分地区气象过程的重要驱动因素。IOD的特点是印度洋西部和东部海表温度（SST）的波动，这影响了季风过程、降雨的空间（不确定性）以及干旱、洪水和热带气旋等极端事件[1]。IOD的影响在印度洋西南部沿海地区最为明显，近年来极端天气事件的频率和严重程度都有显著增加（Saji等人，1999年）[3]。此外，IOD通常通过IOD指数来衡量，该指数是通过计算印度洋西部（50°E–70°E, 10°S–10°N）和东部（90°E–110°E, 10°S–0°）地区之间的SST异常差异得出的。从变异性来看，IOD遵循一个季节性周期，通常在夏季形成，在秋季达到最大值，然后在冬季减弱[3]。重要的是，在IOD的正相位期间，东非和印度部分地区降雨量会增加，而澳大利亚和印度尼西亚则可能出现比正常情况更干燥的条件。相反，在IOD的负相位期间，气候效应会逆转，这突显了IOD在区域气候变化中的重要性，如图1所示。

然而，预测IOD事件比预测厄尔尼诺-南方涛动（ENSO）[14]条件的发生要复杂得多——尽管这两个过程是相互关联的。许多因素相互作用，导致预测IOD模式变得困难[6, 7, 8]。之前的IOD预测模型（如NSIPP、SINTEX-F [11]、POAMA [12]和FGOALS-F2 [13]）取得了一些成功；然而，随着预测提前时间的增加，尤其是超过三个月后，预测准确性会下降[13]。最近的研究表明，现有模型过度依赖人工调整和手工制作的特征，这限制了它们扩展能力和应对海洋-大气数据集增长的能力。虽然已经创建了卷积神经网络（CNN）来预测ENSO指数值，但其模型与实际值之间的相关性在超过四个月的预测中会下降[9]。随机森林和LSTM被用于短期IOD指数预测，但它们的框架没有考虑多季节成分[17]。这些局限性为开发一个能够从大型数据集中学习、识别复杂时间模式并进行长期预测的自动预测系统创造了重要的研究空白，这有助于预测与IOD相关的极端天气事件。

因此，本研究提出了一个混合深度学习框架，该框架结合了小波散射变换（WST）、粒子群优化（PSO）和DenseNet-169（D-169），用于多季节天气预测。利用极端天气数据集，该模型可以处理各种形式的复杂输入，并产生高准确率和长时间预测的结果。本研究的目标包括：

• •
  开发一个端到端的人工智能流程，以预测与IOD相关的高影响天气事件。
• •
  通过独立的基准测试指标，了解其性能与其他领先预测框架的比较。
• •
  评估模型检测和利用关键时空模式以提高气候可预测性的能力。

研究问题：

• •
  深度学习在多大程度上增加了与印度洋偶极子相关的极端天气事件的预测能力？
• •
  所提出的WT-PSO-DNet框架与其他模型在预测严重性或灵敏度和精确度评估领域是否存在结果差异？
• •
  在模拟海洋-大气数据集中的非线性相互作用时，自动特征提取能力能实现什么价值？

目标：

• •
  利用历史天气数据和模式，开发和训练深度学习模型以更好地分类和预测极端天气事件（如飓风、龙卷风、暴雨等）。
• •
  使用DenseNet-169架构，因为它在处理复杂数据模式时可能会提高预测准确性。
• •
  通过特征提取和选择（即小波散射[28]和粒子群优化（PSO）技术）来提高模型性能和可靠性。
• •
  分析和评估印度洋偶极子（IOD）的特征，并比较各种模型的预测能力，展示所提出系统的潜力。

假设：

• •
  使用DenseNet-169模型进行IOD相关极端天气事件的预测可以比基线模型更准确，这得益于小波散射和PSO技术的进步。
• •
  利用特征提取和特征选择的进步，可以测量给定数量的极端天气事件的预测准确性。
• •
  所提出的深度学习框架可以可靠且快速地预测极端天气事件，从而有助于未来框架更好地应对恶劣天气事件并减轻灾害影响。

论文结构： 如第一节已经讨论了IOD的概念及其与深度学习（DL）的关联，本文的后续部分将遵循这一结构：第2节探讨相关文献，第3节介绍使用的方法论，第4节展示性能分析，第5节提出结论。

文献综述

文献综述

印度洋偶极子（IOD）是一个重要的气候系统，对全球和地区气候系统以及南亚和东亚的许多地区都有广泛影响。对于印度洋沿岸国家（特别是印度、澳大利亚和东非）来说尤为重要。已经进行了许多关于IOD及其极端现象的研究，并且有许多研究将IOD与厄尔尼诺-南方涛动（ENSO）进行了比较[3, 6, 7]。

方法论

为了提高多季节预测能力、应对极端天气事件，并推进印度洋偶极子西南沿海地区的气候分析，本文提出了一种使用先进机器学习技术的新型方法。该方法结合了多种历史气候数据、卫星观测和大气参数。

性能分析

所提出的方法需要特定的硬件，例如Windows 10 Pro操作系统、5/6代Ryzen系列处理器、NV GTX显卡和1 TB硬盘。Google Colab（一个用于开发神经网络算法的开源平台）和Python（深度学习领域的编程语言）也是必需的软件。实验评估包括了一系列指标，如IOD交并距离（IOD）、均方根误差（RMSE）、准确率（ACC）、灵敏度、特异性等。

结果

本节介绍了将WT–PSO–D169框架应用于极端天气数据集（独立保留测试）的定量结果。具体而言，报告了该框架的准确率、精确度、召回率、特异性、灵敏度和F1分数以及均方误差（MSE）。此外，这些结果还与使用各种基线方法获得的结果进行了比较。

3提供了精确度、召回率和F1分数的详细分析。

发现分析

研究结果表明，鉴于其多季节特性，所提出的WT-PSO-D169模型在预测极端天气事件方面表现优异。使用WST分解信号有助于更好地识别在局部时间框架内测量的信号的时间-频率特征。此外，基于PSO的优化有助于在收敛过程中确定最佳超参数，使其成为一个更稳定的过程。DenseNet-169也

局限性与未来工作

尽管所提出的WT-PSO-DenseNet169模型在多季节预测IOD驱动的极端天气事件方面表现出良好的预测能力，但仍存在一些局限性。一个关键的限制是，由于模型无法有效处理极端天气样本量相对较少的问题，因此不擅长识别不频繁的气候事件。尽管为模型提供了时间编码和数据增强措施，但仍存在不足

结论

结合不同的方法（包括用于特征提取的小波散射、用于特征选择的粒子群优化（PSO）以及与Densenet 169的集成），在天气预测方面取得了显著进展。这种综合方法展示了出色的准确性，达到了95%的精确率，为天气预测领域带来了巨大希望。通过利用小波散射提取特征，我们可以捕捉和分析

CRediT作者贡献声明

沙布娜姆·库马里：撰写——原始草稿、方法论、调查、正式分析、概念化。P Muthulakshmi：撰写——审阅与编辑、验证、监督、调查

利益冲突声明

? 作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文报告的工作。