Page 145 - 《高原气象》2025年第6期
P. 145

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                                      1553
               略高于MME-Mean和MME-Median的0. 57和0. 58。                        表2  5组不同权重参数试验的介绍
               总体而言， DL-Model在与 MME-Mean和 MME-Me‐                   Table 2  Introduction to the experiments with five
               dian的三个指标评分结果对比中， TS和 RMSE评分                               sets of different weight parameters.
               表现不佳， 表明基于 MSE 作为损失函数建立的 DL                          试验组名称        W 1 权重     W 2 权重     W 3 权重
               模型对模拟中国东部沿海地区 CWPE方面， 其再现                              Test1        0. 1      0. 45      0. 45
               能力不如传统多模式集合方法。因此， 提出通过构                                Test2        0. 2      0. 4       0. 4
               建加权损失函数的方式对DL模型进行优化。                                   Test3        0. 3      0. 35      0. 35
               4. 2 不同权重加权损失函数的深度学习模型模拟
                                                                      Test4        0. 4      0. 3       0. 3
                    CWPE的表现
                                                                      Test5        1          0          0
                   由于加权损失函数由三个函数组成， 其中每个
               函数对应的权重结果都会影响 DL 模型对中国东部                          且集中度较高， 显示出较为明显的低估现象。而随
               沿海地区 CWPE 模拟的效果。为了观察各权重参                          着 W 2 和 W 3 的增加， 曲线的峰值有所下降， 且数据
               数的调整对 DL 模型的影响， 本研究中设计了 5 组                       分布区间越来越接近观测结果。表明损失函数中
               不同权重参数试验（表 2）， 并对 5 组试验对应的 DL                     标准差之比和低估值约束函数的加入， 可以提高模
               模型的性能进行评估， 其中 Test5 为仅采用 MSE 作                    型对中国东部沿海地区模拟 CWPE 的准确性。此
               为损失函数的试验。                                         外， 随着 Test4 试验至 Test1 试验， 数据分布曲线越
                   从图 5（a）中将 Test1 至 Test4 的 4 组试验分别与            来越接近观测结果， 表明随着 W 1 的降低， W 2 和 W 3
               Test5 试验的曲线进行对比可以看出， Test5 模拟的                    的增加， DL 模型对中国东部沿海地区 CWPE 再现
                                               -1
               CWPE 主要集中在 1. 0~2. 0 times·a 的区间内， 并              能力表现变得更好。





















                     图5 2001 -2014年观测与5组不同权重参数试验对中国东部沿海年平均复合极端风雨事件（CWPE）模拟的
                                                             -1
                                 概率密度估计曲线（a， 单位： times·a ）， 5组不同权重参数试验的评分结果（b）
                    Fig. 5 Probability density estimation curves for the simulation of annual average Compound Wind and Precipitation
                       Extremes （CWPE） over the eastern coastal region of China from 2001 to 2014 for observations and five sets
                                                                                 -1
                              of experiments with different weight parameter trials （a， unit： times·a ）； Score results for
                                      the five sets of experiments with different weight parameter trials （b）
                   从图 5（b）中可以看出， 从 Test1 试验至 Test4 试             Test4 的 4 组试验的评估结果分别与 Test5 试验进行
               验， DL 模型在 RMSE 评分和 COR 评分上呈现上升                    对比可以看出， 使用加权损失函数相比于仅用MSE
               趋势， 而TS评分逐渐降低。这一趋势表明， 随着加                         作为损失函数构建的 DL 模型， 在 RMSE 和 TS 评分
               权损失函数中 MSE 权重 W 1 增大以及 W 2 和 W 3 的相               上的表现均有所提升， 而 COR 评分上的表现差异
               应减少， DL 模型在 RMSE 和 TS 评分上的表现会变                    变化不大。因此， 当加权损失函数权重 W 1 、 W 2 和
               差， 尽管 COR的评分有所提高， 但是其增长幅度不                        W 3 分别取为 0. 1、 0. 45和 0. 45时， 模型对中国东部
               如其他两个评分表现变差幅度显著。综合三个统                             沿海地区CWPE模拟效果相对较优。
               计指标的排名可以得出随着 W 1 的减少， W 2 和 W 3 的                     为了对比优化前后 DL 模型在模拟 CWPE 方面
               增加， 模型的综合性能越好。此外， 将 Test1 至                       的效果， 在保持其他参数不变的情况下， 设计了两
   140   141   142   143   144   145   146   147   148   149   150