Page 140 - 《高原气象》2025年第3期
P. 140
高 原 气 象 44 卷
698
图2 2019 -2022年每年5 -9月（a~e）的月均降水量的预测值
Fig. 2 Predicted monthly average precipitation from May to September （a~e） each year from 2019 to 2022
时会低估， 而在预测较低降水量时则会高估。在图 得注意的是， 它更加接近真实数据， 可以较为准确
2（a）~（e）中， 可以观察到 ConvLSTM 基本上都会出 地预测出某些极端降水事件的发生， 如图 2（d）的
现这种情况， 尤其在图 2（b）和（c）中， 即降水量最 2021 年， 并且更加稳定不易受异常降水量的影响。
高的 6 月和 7 月， ConvLSTM 会整体低估降水量。 与其他两个模型相比， SST-ConvLSTM 展现出更为
尽管如此， 仍然可以推测 ConvLSTM 确实学习到了 优越的预测效果。
一些降水数据的复杂时空特征。它能够在一定程 3. 2 降水量预测的空间分布
度上捕捉降水量的变化趋势和季节性模式。然而， 随后， 比较了三种模型在空间分布预测能力方
模型仍存在一些局限性， 例如对于极端降水事件的 面的表现。所有图像的分辨率均为 1° × 1°。基于
预测能力有限。这可能与训练数据集不足有关， 导 上文对具体降水数值的详尽比较， 本文在图 3 中展
致模型在面对罕见或异常的降水模式时难以作出 示了三个模型在四年间的空间分布预测结果。为
准确的预测。 了便于后续的展示与分析， 本文在每个子图中特别
为了改进 ConvLSTM 在长期降水预报性能上 标出了实况降水量最大值和最小值所在的区域， 分
的不足和易受极端事件影响的限制， 并同时突破单 别用黑色方框和红色方框加以突出。
独训练模型的单一数据集的约束， 本文提出了 SST- 在整体分布方面， 图 3（a）列展示了实况降水量
ConvLSTM 模型。该模型巧妙地融合了深度学习 的空间分布特征。在夏季， 可以观察到西南地区降
模型在处理长时空序列方面的优势以及海表温度 水量的东高西低趋势， 从 2019 -2021 年， 降水的总
和降水变化之间的协同作用， 从而能更有效地捕捉 体分布趋势保持相对稳定， 其中 100°E -104°E范围
降水的时空特征。研究结果表明， SST-ConvLSTM 内降水量总体偏低， 而 104°E -108°E 范围内则偏
预测的变化趋势除了图 2（e）的 2019 年外与真实数 高。但 2021 年局部地区出现了较多的极端降水事
据基本一致， 在 6 月和 7 月的降水量明显激增。值 件， 使得当年的降水分布较为特殊。而由于气候异
