Page 144 - 《高原气象》2025年第6期

高 原 气 象 44 卷
1552

图3 1961 -2014年CMIP6模式对中国东部沿海地区年平均复合极端风雨事件（CWPE）模拟的评分
棕色表示泰勒评分， 蓝色表示相关系数， 绿色表示均方根误差
Fig. 3 Scores of annual average Compound Wind and Precipitation Extremes （CWPE） simulations over the eastern
coastal region of China by CMIP6 models from 1961 to 2014. Brown indicates Taylor Skill Score，
blue indicates correlation coefficient， green indicates root mean square error

（MME-Mean 和 MME-Median）对 1961 -2014 年中
国东部沿海地区 CWPE 模拟能力的评估结果。在
TS评分中， 17个模式的平均得分为 0. 85， 而 MME-
Mean 和 MME-Median 的得分分别为 0. 96 和 0. 95。
在 COR 评分方面， 大多数模式得分为 0. 60 左右，
其中 MME-Mean 和 MME-Median 得分分别为 0. 71
和 0. 70， 在所有模式中分别位列第二和第三。在
RMSE 评分中， 所有模式的得分介于 0. 70~1. 60 之
间。其中， MME-Mean 的得分为 0. 56， 优于 17 个
模式， 而 MME-Median 的得分为 0. 80， 其表现要优
于大多数单一模式。这些结果表明， 17 个 CMIP6
图4 2001 -2014年深度学习模型（DL-Model）、 多模式集合
模式中大多数模式能够较好地再现中国东部沿海
平均（MME-Mean）和多模式集合中位数（MME-Median）对
地区 CWPE， 但各模式之间的模拟存在一定的差
中国东部沿海年平均复合极端风雨事件（CWPE）的评分
异。其中， 多模式集合统计方法在三个评估指标中 深度学习模型以MSE作为损失函数所建立， 棕色表示泰勒
的整体表现要优于所有单个模式。表明多模式集 评分， 蓝色表示相关系数， 绿色表示均方根误差
合平均和多模式集合中位数方法能有效降低单一 Fig. 4 Scores of annual average Compound Wind and Pre‐
模式模拟中国东部沿海地区 CWPE 的偏差， 提高 cipitation Extremes （CWPE） over the eastern coastal region
CMIP6对该地区的模拟能力。因此， 以MME-Mean of China from 2001 to 2014 for Deep Learning models （DL-
和 MME-Median 的结果与深度学习方法构建的 DL Model）， Multi-Model Ensemble Mean （MME-Mean），
and Multi-Model Ensemble Median （MME-Median）.
模型进行对比分析， 进而判断DL模型模拟能力。
Where the Deep Learning model is established with
图 4 展示了 2001 -2014 年， 采用多模式集合方
MSE as the loss function， brown indicates Taylor
法以及结合深度学习方法（DL-Model）对中国东部 Skill Score， blue indicates correlation coefficient，
沿海地区年平均 CWPE模拟的评分结果。其中 DL- and green indicates root mean square error
Model 模型为以 MSE 作为损失函数构建的 DL 模
型。从图 4 中可以看出， 在 TS 评分上， DL-Model DL-Model 得分为 1. 11， 相比之下， MME-Mean 和
得分只有 0. 45， 明显低于 MME-Mean 和 MME-Me‐ MME-Median 的得分分别为 0. 74 和 0. 98， 多模式
dian 的 0. 89 和 0. 90， 多模式集合统计结果相比于 集合统计结果比 DL 模型模拟的结果分别要低 0. 37
DL 模型模拟的结果要高约 0. 3。在 RMSE 评分上， 和 0. 13。在 COR 评分上， DL-Model 得分为 0. 62，