Page 141 - 《高原气象》2025年第6期

6 期 谭淇昌等：基于深度学习方法改进CMIP6模式对中国东部沿海复合极端风雨事件的模拟能力 1549
每个独立的 DL 模型受不同结构的神经网络和不同 部沿海地区模拟 CWPE 偏差的 DL 模型， 本文基于
损失函数等影响， 在捕获模式与观测之间的非线性 17 个 CMIP6 全球气候模式模拟的 CWPE 结果， 结
关系时存在一些限制（Baño-Medina et al， 2020）。 合深度学习方法建立 DL 模型。并提出基于均方误
因此， 利用深度学习方法降低CMIP6模式模拟存在 差（Mean Squared Error， MSE）函数结合标准差之
的偏差和不确定性， 仍然需要探索。 比（Ratio of the Standard Deviation， RSD）以及低估
对于中国东部沿海地区， 极端强风和极端降水 值约束函数构建加权损失函数， 实现对 DL 模型进
之间存在较高的依赖关系， 且在CMIP6模式不同排 行优化。
放情景下 CWPE 发生频率可能有所增加（Meng et 2 资料来源与方法介绍
al， 2023； Yaddanapudi et al， 2022）。因此， 本研究
主要目的是通过深度学习方法降低 CMIP6 模式对 2. 1 研究区域与资料
该地区 CWPE模拟的偏差和不确定性， 从而提高模 本 文 研 究 区 域 选 取 为 中 国 东 部 沿 海 地 区
式未来预估 CWPE 的准确度。然而， 大多数 DL 模 （18°N -39°N， 105°E -123°E）如图 1 所示， 涉及广
型存在对均值模拟表现较好， 而对极端值模拟表现 东、 香港、 澳门、 广西、 海南、 福建、 浙江、 江苏、
较差等问题（Baño-Medina et al， 2020； Kim et al， 上海和山东共 10 个省份（自治区、 直辖市）。文中
2022）。有学者提出通过改变损失函数的方式对 涉及的地图是基于中华人民共和国自然资源部地
DL模型的训练过程进行约束， 实现优化 DL模型的 图技术审查中心标准地图服务系统下载的审图号
性能， 来解决这一问题（Hu et al， 2021； Lyu et al， 为 GS（2023）2763 号 的 中 国 地 图 制 作 ， 底 图 无
2023）。为了建立适用于 CMIP6 模式降低对中国东 修改。

图1 中国东部沿海区域（海拔， 单位： m）
黑线区域表示为研究区域
Fig. 1 Eastern coastal region and islands of China （elevation， units： m）. The black-lined area represents the study area
本文使用的降水数据来源于国家气象信息中 MWF）提 供 的 ERA5 再 分 析 资 料（Hersbach et al，
心发布的 CN05. 1格点数据集。该数据集基于 2400 2020）， 选用的变量为 10 m 阵风。在过往研究当
多个中国地面气象站观测数据通过插值方法生成 中， ECMWF 提供的风速数据被常用于研究复合极
的分辨率为 0. 25°×0. 25°的产品（吴佳和高学杰， 端 风 雨 事 件（Martius et al， 2016； Zhang et al，
2013）， 选取的时间范围为 1961 -2014 年。日最大 2021）。在模式数据方面， 本文选取了 1961 -2014
风速数据来自欧洲中短期天气预报中心（European 年期间的 17 个 CMIP6 模式历史模拟试验（Histori‐
Centre for Medium-range Weather Forecasts， EC‐ cal）数据集（模式信息见表 1）。每个模型均选用