Page 142 - 《高原气象》2025年第6期

高 原 气 象 44 卷
1550
表1 CMIP6模式的简介 式中： i 和 t 分别表示格点位置和对应的时间； 变量
Table 1 Introduction of the 17 CMIP6 models Z表示是否发生 CWPE； X和 Y分别表示降水量和风
-1
分辨率 速值； x 0 和 y 0 分别表示降水阈值（>1 mm·d ）和风
模式名称 所属机构（国家）
（经向×纬向） 速阈值（>0. 5 m·s ）。
-1
ACCESS-ESM1-5 CSIRO（Australia） 1. 875°×1. 25° 2. 2. 2 评估方法
CanESM5 CCCMA（Canadian） 2. 813°×2. 784° 本 文 采 用 相 关 系 数（Correlation Coefficient，
CMCC-CM2-SR5 CMCC（Italy） 1. 25°×0. 942° COR）和 均 方 根 误 差（Root Mean Squared Error，
CMCC-ESM2-HR5 CMCC（Italy） 1. 25°×0. 942° RMSE）统计指标， 评估 17 个 CMIP6 模式、 多模式
EC-Earth3 EC-Earth-Consortium（EU） 0. 703°×0. 702° 集合统计结果以及结合深度学习方法相对观测的
EC-Earth3-CC EC-Earth-Consortium（EU） 0. 703°×0. 702° 模拟能力（郑帅等， 2024）。相关系数常用于量化不
EC-Earth3-Veg EC-Earth-Consortium（EU） 0. 703°×0. 702° 同模式之间的相关性， 相关系数值越大表示模式与
EC-Earth3-Veg-LR EC-Earth-Consortium（EU） 0. 703°×0. 702° 观测结果相关性越高。均方根误差， 常用于衡量模
FGOALS-g3 LASG-IAP（China） 2. 25°×2° 式与观测之间的差异， 其中均方根误差越低表示模
INM-CM4-8 INM（Russia） 2°×1. 5° 式与观测差异越小（林芷叶等， 2024）。COR 和
INM-CM5-0 INM（Russia） 2°×1. 5° RMSE计算公式分别为公式（2）和（3）：
n
IPSL-CM6A-LR IPSL（France） 2. 5°×1. 268° ∑ ( X i - X ) (Y i - Y )
ˉ
ˉ
KACE-1-0-G NIMS-KMA（Korea） 1. 875°×1. 25° COR = i = 1 （2）
n n
MIROC6 MIROC（Japan） 1. 4063°×1. 398° ∑ ( X i - X ) ∑ (Y i - Y ) 2
ˉ
2
ˉ
MPI-ESM1-2-LR MPI（Japan） 1. 875°×1. 861° i = 1 i = 1
n
MRI-ESM2-0 MRI（Japan） 1. 125°×1. 119° RMSE = 1 ∑ ( X i - Y i ) 2 （3）
NESM3 NUIST（China） 1. 875°×1. 861° n i = 1
式中： X i 表示时间平均后第 i 个格点上的模式模拟
“r1i1p1f1”成员， 其中 r1i1p1f1表示模式的第一次运 结果； Y i 表示时间平均后第 i 个格上的观测结果； X ˉ
行所使用的初始条件、 物理方案和强迫数据均为第 和Y分别表示模式和观测结果的平均值。
ˉ
一种。选取的变量有日降水量（pr）和日近地面最大 此外， 本文还根据 Taylor 提出的泰勒技巧评分
风速（sfcWindmax）， 用于分析 CMIP6 模式对中国 （Taylor Skill Score， TS）（Taylor， 2001）， 来对各模
东 部 沿 海 地 区 CWPE 的 模 拟 效 果（Eyring et al， 式模拟结果进行定量评估。其中， 泰勒评分公式参
2016）。为了方便模式模拟结果与观测及再分析数 考Zhu et al（2023）的计算公式：
据结果进行对比， 我们将以上数据均利用距离平均 4 × (1 + COR) 2
TS = （4）
加权映射法插值到0. 5°×0. 5°的空间分辨率。 ( ) 2 × (1 + COR 0 ) 2
σ o
σ m
+
2. 2 研究方法 σ o σ m
2. 2. 1 复合极端风雨事件（CWPE）的定义 式中： σ m 和 σ o 分别表示模式和观测的空间标准差；
本文使用百分位数阈值（第 95 百分位数）方 COR 和 COR 0 分别表示所选模型中与观测的相关系
法， 来确定每个独立网格点位置是否发生极端事件 数和最大相关系数。
（Zhang et al， 2021）。其中， CWPE定义为同一天且
同一网格点上风速和降水量均达到或超过阈值， 且 3 深度学习模型
对应格点上的第 95 百分位数阈值满足风速阈值大 本 研 究 采 用 多 层 感 知 机（Multilayer Percep‐
-1
于 0. 5 m·s 和降水阈值大于 1 mm·d （Ridder et tron， MLP）神经网络构建深度学习模型， 其结构如
-1
al， 2020a， 2020b）。具体而言， 以二元变量公式表 图 2 所示。作为人工神经网络的基本架构之一，
示每个网格点上是否发生 CWPE， 见式（1）， 当变量 MLP通过其多层非线性变换机制， 能够有效捕捉和
Z (i，t ) 为 1 时表示对应时间上的格点发生 CWPE， 否 学习输入特征值与目标变量之间的复杂映射关系
则没发生（Hao et al， 2022）。此外， 本文以 CWPE （Qi et al， 2016）。MLP 因其强大的特征学习能力，
的年累积结果作为CWPE频率进行展开研究。 已被广泛应用于众多深度学习研究领域（Yılmaz et
ì1， ( X (i，t ) ≥ x 0 (i，t ) and Y (i，t ) ≥ y 0 (i，t ) ) al， 2024； Zhang et al， 2022； 席闻阳等， 2025）。本
Z (i，t ) = í （1）
î 0， otherwise 文中 MLP结构由三个部分组成： 输入层、 隐藏层和