1.一种基于神经网络对比学习的极端低温雨雪复合事件的识别方法，其特征在于，包括以下步骤：（1）获取极端低温雨雪复合事件数据集，采集再分析资料；

（2）对提取出的复合事件的500hPa环流场和850hPa风场进行降维并聚类分析，得到三类不同环流形势组合的极端低温雨雪复合事件，并对每个事件进行分类标记；具体如下：采取非线性降维方法t‑SNE法对再分析资料中三要素进行降维，保留高维数据中的结构和相似度；用K‑means聚类方法同时对三个要素场进行聚类分析，采用误差平方和、轮廓系数法得出最优聚类数即三类极端低温雨雪复合事件的标签；其中，三要素包括：500hPa位势高度、850hPa经向风和纬向风；采取非线性降维方法t‑SNE法对再分析资料中三要素进行降维具体如下：设高维数据集为 ，降维的同时保持在原高维数据集中各个点的位置关系，降维后的数据集 ；

则对于高维数据集中的两个点 ，定义如下公式：

；

其中， 代表 是 的“邻居”的概率；是 最临近的 个点的方差值，其中，是超参数，定义为perplexity；

低维数据集中两个点 ，定义公式如下：

；

其中， 代表 是 的“邻居”的概率；

定义KL散度作为损失函数：

；

使用梯度下降法最小化KL散度，更新低维空间中点的位置，对低维数据集每个元素求解梯度公式如下：；

其中，代表输入低维空间中每个点的坐标， 是低维空间中点与点之间的相似度，由计算得出； 则是高维空间中点与点的相似度；

其中，用K‑means聚类方法同时对三个要素场进行聚类分析具体如下：首先从数据集中随机选取k个初始聚类中心 ， ，计算其余数据对象与聚类中心的欧式距离找出离目标数据对象最近的聚类中心 ，并将数据对象分配到聚类中心 所对应的簇中，由此将相近的样本归于同一簇，然后计算每个簇中样本的平均值作为新的聚类中心，进行下一次迭代，直到聚类中心不再变化或达到最大的迭代次数停止，此时相同簇间元素的差异性最小，而不同簇间的元素的差异性最大；

（3）利用得到的标签，构建Contrastive Learning需要的正负样本训练集；具体如下：将同一时间的500hPa位势高度、850hPa经向风和纬向风记为一组数据；同时选取两组不同时间的数据进行对比：若两组数据属于分类后的同一复合事件的类别，则记为正样本；反之，两组数据源自不同类别，记为负样本；然后构建正负样本训练集和测试集；

（4）搭建卷积神经网络的神经网络模型；具体如下：搭建卷积神经网络的神经网络模型包括：卷积层、池化层、展开层和全连接层；在全连接层之后引入计算欧几里得距离的函数，写入缩小近似样本距离；将扩大不相似样本间距离的对比损失作为损失函数；公式如下：；

其中， 是网络权重，是成对标签，若 属于同一类，则 =0；若属于不同类时，=

1； 是 和 在潜变量空间的欧几里得距离；当 =0时，调整参数最小化 与 间的距离；

当 =1， 与 间的距离大于m，则不做优化；当 与 间的距离小于m，则增大两者距离到m；

（5）基于训练集和模型进行训练；具体如下：调整模型结构及参数包括：卷积层设置，池化层设置、卷积核大小，通道数，学习率，损失函数中的margin数，不断优化算法，训练得到准确度最高的模型；

（6）基于未标签的再分析数据，对极端低温雨雪复合事件进行识别。