[发明专利]一种基于迁移学习的小样本机场大雾预报预警方法

说明书

本发明提出一种基于迁移学习的小样本机场大雾预报预警方法，包括以下步骤：步骤S1：从待迁徙机场获取气象观测源域数据并从目标机场获取气象观测目标域数据；步骤S2：将源域数据和目标域数据投影至低维特征空间，并获取域间差异性度量模型；步骤S3：通过变换矩阵将源域数据和目标域数据的原始特征投影到共同子空间，计算间差异性度量模型中变换矩阵，实现特征迁移；步骤S4：将源域数据及目标域数据通过变换矩阵映射到低维子空间，并输入到分类器，判断大雾等级。本发明通过将其他机场的大雾数据通过迁移学习的方法转换为目标机场的大雾预报依据，克服了目标机场在大雾事件为小样本的条件下预报精度低的问题，提高了大雾预报的精准化程度。

技术领域

本发明属于气象预测技术领域，具体涉及一种基于迁移学习的小样本机场大雾预报预警方法。

背景技术

雾是一种常见的灾害性天气，随着国民经济的快速发展，雾天对航空、航海、公路运输及人民的日常生活造成巨大的影响，常造成航海货船进出港作业、客货车晚点、高速公路关闭以及“追尾”恶性交通事故的发生。尤其是伴随着我国民航事业的高速发展，空中交通流量的不断增加，雾作为一种发生几率高、发生范围广、危害程度大的常见天气，与飞机的起降有着最直接的关系，影响到航班的飞行安全、正点及经济效益。能见度小于200m的大雾，还会导致严重的飞行事故。

目前，现有技术中大雾预报方法主要包括经验预报、统计预报、数值预报等。大雾的经验预报方法为：基于观测数据，根据天气学原理，预报员依靠经验做出有无大雾的定性预报。经验预报时空分辨率、准确率、精细化程度均比较低。大雾的统计预报方法为：根据历史大雾观测记录，结合大雾生成时的气候概况和天气形势、气象条件以及各种物理量场的分布，采用统计学方法构建大雾生成的统计学模型。传统的统计预报模型结构简单，难以统计复杂的非线性过程，预报准确率较低；基于神经网络等新方法的统计学预报模型目前仅能进行大雾有无的二分类预报，预报时空分辨率和准确率也十分有限。随着人工神经网络的发展，一些新的统计方法逐渐应用于雾预报中，如支持向量机、模糊逻辑、人工神经网络、决策树等。但深度学习的方法需要大量的样本进行训练建模，由于每年机场发生大雾的次数有限，很难获得大量的训练样本，因此网络很难收敛且模型泛化性较差。

发明内容

本发明为了克服现有机器学习方法在小样本条件下雾预报准确率低的不足，本发明提供了一种基于迁移学习的深度学习方法，将其他机场雾样本数据迁移到本机场的大雾预报中，解决了深度学习中样本数据集小的一种基于迁移学习的小样本机场大雾预报预警方法。

具体而言本发明提供了一种基于迁移学习的小样本机场大雾预报预警方法，其特征在于，所述小样本机场大雾预报预警方法包括以下步骤：

步骤S1：从待迁徙机场获取气象观测源域数据并从目标机场获取气象观测目标域数据；

步骤S2：将源域数据和目标域数据投影至低维特征空间，并获取域间差异性度量模型；

步骤S3：通过变换矩阵将源域数据和目标域数据的原始特征投影到共同子空间，计算间差异性度量模型中变换矩阵，实现特征迁移，并训练分类器；

步骤S4：将目标域数据通过变换矩阵映射到低维子空间，并输入到分类器，判断大雾等级。

更进一步地，在步骤S1中，所述源域数据包括特征向量x_i{x₁,x₂,…,x_n1+n2∈x_i}和大雾等级标签z_i{z₁,z₂,…,z_n1∈z_i}，所述目标域数据不包括所述大雾等级标签z_i。

更进一步地，在步骤S2中，通过核函数φ(x)将源域数据D_S和目标域数据D_T投影到低维特征空间，投影模型为：