Page 157 - 《高原气象》2025年第5期

5 期 夏 平等：北极海冰快速退缩情景下西伯利亚区域反气旋活动变化和温度异常联系 1275
2 m 气温， 11 层温度（100 hPa、 150 hPa、 200 hPa、 影响最显著或强度最高的反气旋， 而通过 Mask R-
250 hPa、 300 hPa、 400 hPa、 500 hPa、 600 hPa、 700 CNN 模型， 不仅能够捕捉到绝大多数人工识别的
hPa、 850 hPa、 1000 hPa）。采用了美国国家海洋和 反气旋， 还能够对人工分析结果起到补充作用。两
大气管理局提供的 OISST V2. 1 数据集， 使用其每 者的空间重合性匹配度平均能达到 95%， 因此认为
日海冰密集度数据（Huang et al， 2021）， 水平分辨 利用 Mask R-CNN 深度学习模型识别近地面 2D 反
率为 0. 25°×0. 25°。本文以 1981 -2022 年作为气候 气旋具有较好的性能。基于 Mask R-CNN的反气旋
态， 取当年12月至次年2月为北半球当年冬季。 客观识别算法的步骤和原理如图 1 所示， 主要分为
本文使用 CMIP6 北极放大效应比较子计划 以下五个步骤： （1）人工识别： 对 2008 -2012 年冬
（PAMIP）， 该方法旨在通过一系列以海温和海冰作 季蒙古高原地区的主要反气旋系统进行人工分析
为外强迫因子的数值试验， 加强人们对北极放大效 识 别 ， 通 过 分 析 逐 日 SLP 图 ， 在 蒙 古 高 原 区 域
应 的 理 解（Eyring et al， 2016； Smith et al， 2019； （40°N -55°N， 80°E -120°E）范围内， 寻找存在闭合
Komuro et al， 2012）。其中， 本文选取了日本气候 等值线的反气旋系统， 将系统最外围闭合等值线包
系统研究中心开发的 MIROC6 模式（Tatebe et al， 围区域内的所有格点标记为反气旋系统的影响范
2019）输出资料进行研究， 该模式被大量运用于研 围。生成 5 年冬季反气旋水平范围的标签数据（人
究北极放大响应和冰盖异常变化等问题， 所得结果 工识别 Mask）， 准确描述出反气旋的位置、 形状、
具有较好的可信度（Yoshimori et al， 2014； Ono et 影响范围。（2）构建训练数据集： 将 5 年期间人工标
al， 2017， 2020； Ryouta et al， 2021）。本文使用了 注的 Mask 与对应时刻的 SLP 数据转化为灰度图
PAMIP数据中的两组试验： 一是由现在的海温和海 像， 作为训练数据集输入到 Mask R-CNN 模型中进
冰为强迫因子（pdSST-pdSIC， 简称 pd）， 另一组是 行训练。（3）机器学习： 将 1981 -2022 年期间的 SLP
由现在的海温和未来的 BKS 区域海冰作为强迫因 灰度图像输入训练完成的 Mask R-CNN 模型， 输出
子（pdSST-futBKSeasSIC， 简称 futBK）。其中， 在 对应的 42 年冬季反气旋 Mask 识别结果（机器学习
pd/futBK 情景下共 200 个集合， 要素包含逐日地面 识别数据）（4）客观识别： 步骤（1）着重于识别影响
2 m 气温， 海平面气压（SLP）， 纬向风， 位势高度， 蒙古高原及其周边地区的反气旋活动， 本研究还使
水平分辨率为1. 4°×1. 4°。 用了基于气旋并改进的客观识别算法（Lu， 2017），
2. 2 方法介绍 计算得到 1981 -2022 年冬季欧亚大陆地区（0° -
2. 2. 1 基于Mask R-CNN的反气旋客观识别算法 180°E， 20°N -70°N）的反气旋客观识别结果（客观
Zhang and Lu（2022）对比了利用人工分析和模 识别 Mask）， 以补充步骤（1）中的数据。（5）数据整
型识别两种方法所得到的 5年每日四次反气旋数据 合： 将近 42 年期间的客观识别 Mask 与机器学习生
集， 发现人工分析通常倾向于标记当前时次对中国 成的 Mask 数据进行整合， 形成新的反气旋识别数

图1 基于Mask R-CNN模型的新反气旋客观识别方法流程
上方灰色虚线框为Mask R-CNN模型的简化结构
Fig. 1 Workflow of the new anticyclone objective identification method based on the Mask R-CNN model.
The simplified structure of the Mask R-CNN model is shown in the upper gray dashed box