Page 142 - 《高原气象》2025年第3期
P. 142

高     原      气     象                                 44 卷
              700
              表1  三个模型的预测值的最大值与最小值所在方框格点                        3. 3 模型评估
                                 的平均值                               最后， 比较了三个模型在预测四个不同时间段
               Tabel 1  The average values of the maximum and mini‐
                                                                的降水量方面的性能。为了评估预测的准确性， 采
                mum prediction values of the three models within the
                                                                用了三种评估指标： 均方根误差（σ）、 绝对偏差
                        boxed grid points are presented
                                                               （Bias）和平均误差（ME）结果详见表2。
                                       最大值         最小值              根据表 2 的数据可以发现， NCC 模式虽然具备
                   模型         时间
                                                       -1
                                           -1
                                      / （mm·d ）   / （mm·d ）
                                                                较好的物理解释性和机理模拟性， 但由于西南地区
               SST-ConvLSTM   2019      7. 796      4. 107
                                                                复杂的气候特征， 在西南地区降水量预测方面的表
                              2020     12. 562      4. 399
                                                                现在这三种模型中是最差的， 而 SST-ConvLSTM 和
                              2021     13. 181      4. 357
                                                                ConvLSTM 的预测性能相对较好， 其评估指标的数
                              2022      5. 993      3. 871
                                                                值也相对较低。其中， SST-ConvLSTM 的表现最
                 ConvLSTM     2019      4. 435      4. 176
                                                                佳。根据的 ME 值， 可以发现， SST-ConvLSTM 对
                              2020      5. 911      4. 513
                                                                于每年夏季五个月的平均降水量预测略微低估， 而
                              2021      6. 452      4. 421      另外两个模型除2022年以外都高估了降水量。
                              2022      6. 057      3. 997          总之， 本文的研究结果显示， SST-ConvLSTM
                   NCC        2019      5. 359      6. 522      在长时间尺度的降水预测方面表现出卓越的性能。
                              2020      5. 622      6. 389      特别是在空间分布预测方面， 它相较于 NCC 模式
                              2021      7. 128      4. 399      和ConvLSTM有显著的改进。
                              2022      6. 267      5. 459
                                                                4  结论与讨论
                 黑体突出表示效果最好（the best performance highlighted）

             值， 并将三个模型的预测结果与实况数据进行了对                                本文引入了一种新的基于深度学习的降水预
             比。具体而言， 从 2019 -2022 年， 实况数据最大值                    测模型， 即 SST-ConvLSTM。该模型能够更好地提
             所占格点降水量的平均值分别为 9. 484、 10. 608、                    取中国西南地区降水的复杂时空特征， 并利用海表
             11. 896 和 6. 928， 而最小值所占格点降水量的平均                   温度与降水之间的遥相关关系来增强降水短期气
             值则分别为 3. 471、 4. 041、 3. 641 和 3. 107。在表 1         候预测的准确性。在针对各月降水数据的分析中，
             中， 列出了三种模型的预测结果。经过对比分析，                            可以发现实况降水量在 5 月呈现逐年增长的趋势，
             发现 SST-ConvLSTM 模型仅在 2022 年最大值区域                   而到 9 月则逐渐下降。降水量在 6 月和 7 月达到峰
             的预测时效果略逊于NCC， 在捕捉降水空间分布的                           值， 随后在 8 月开始回落。NCC 模式在捕捉长期降
             综合表现仍是最佳。                                          水趋势上表现稳定， 但在极端降水事件的预测中显
                  本文通过对三种模型的预测值空间分布与实                           现出局限性。相比之下， ConvLSTM 提供了相对平
             况值空间分布之间的绝对误差进行计算， 进一步分                            稳的预测趋势， 但在高降水量时倾向于低估， 而在
             析它们在空间方面的预测效果。如图 4 所示， SST-                        低降水量时则易于高估。而 SST-ConvLSTM 模型
             ConvLSTM 模型的误差范围主要集中在-1~2 之间，                      结合了深度学习模型和海表温度数据的优势， 能够
             四年整体平均绝对误差为 0. 196， 且分布相对均匀                        更准确地捕捉降水的时空变化特征， 尤其在极端降
             稳定， 较接近实况值。ConvLSTM 在 2022 年的误                     水事件的预测上展现出较强的能力， 其整体预测趋
             差分布较为均匀， 大部分误差集中在-1~2 之间。                          势与实况数据更为接近。在空间分布上， 实况夏季
             然而， 在其余三年， 误差波动较大， 尤其在接近边                          降水量在西南地区呈现东高西低的趋势， 极端降水
             界的局部区域， 低估的误差较大， 四年整体平均绝                           事件可能导致降水分布呈现特殊模式。SST-Conv‐
             对误差为-0. 674， 偏差较明显。NCC 的结果与前                       LSTM 模型在捕捉这些空间分布特征时表现较好，
             述相符， 误差也显示出明显的局部特征， 总体呈现                           能够更准确地反映实况降水的变化趋势和极端情
             出西部高估、 东部低估的趋势， 四年平均绝对误差                           况。相比之下， ConvLSTM 虽然也呈现出相似的趋
             为-0. 517。此外， ConvLSTM 和 NCC 的预测值主                  势， 但其预测效果相对较弱， 降水分布较为均匀。
             要是在最大值处的偏差较大， 如 2019 年， ConvL‐                     NCC则表现出较为一致的降水分布模式， 但这种局
             STM 在最大值处的绝对误差为-6. 313， NCC 则为                     部特征与实况数据存在明显差异。在预测一些极
             -5. 521。                                           端降水事件时， 从客观数据来看， SST-ConvLSTM
   137   138   139   140   141   142   143   144   145   146   147