29、极端降雨模式深度学习与河流水质动态遥相关模式研究

极端降雨模式深度学习与河流水质动态遥相关模式研究

极端降雨模式分析

在不同地区，极端降雨模式呈现出不同的变化特征。在英格兰，C1模式变得越来越细长，其主要方向保持西北偏西；C2模式的细长形状变化不大，但方向从东北偏东转向东北偏北；C3模式的形状和方向相似且不随时间变化，这可能是受边界影响。

而在苏格兰，情况与英格兰相反。C1模式的比例增加，C2和C3模式的比例下降，尤其是1947年之后。C1模式的形状从更圆润变为矩形，方向从西北偏西变为东北偏东；C2模式的形状越来越细长，方向在1947年后从西北偏西转向西北偏北；C3模式的形状和方向几乎不变。

深度学习训练集生成

SRS - GDA工具箱的新集成分类能力，使得从数以万计的大规模环境图像中自动生成用于深度学习特征识别和预测应用的标记训练集成为可能。在这个过程中，可以快速识别空间特征（位置、大小和方向）等属性，将数据或图像预分类到不同的标签/类别中。

为了展示这一过程，构建了一个卷积神经网络（CNN）的Alexnet模型，用于自动识别英国的每日降雨模式。测试中使用了四个标签：
| 标签 | 描述 |
| ---- | ---- |
| L0 | 无降雨 |
| L1 | 同心模式 |
| L2 | 细长模式 |
| L3 | 复合模式 |

由于计算需求大（例如超过40,000张每日降雨图像），选择Alexnet进行训练，因为它可以减少过拟合，并允许多GPU训练以减少训练时间。Alexnet模型有八层，前五层是卷积层，内核大小分别为11×11、5×5和3×3，后三层是全连接层。其结构如下：

<