Page 149 - 《高原气象》2025年第6期
P. 149

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                                      1557
               国东部沿海地区， DL-MRM 相较于 MME-Mean， 在                   计方法更有效地降低CMIP6模式的不确定性， 提高
               相对偏差较低的面积方面优势更大， 相较于 MME-                         模式的模拟能力。
               Median 在相对偏差幅度上表现更优。通过利用深                             综上结论表明， 通过基于 MSE 函数基础上融
               度学习方法建立的 DL-MRM 模型， 相比于传统多                        合RSD和低估值约束函数组成的加权损失函数， 来
               模式集合统计方法对中国东部沿海地区 CWPE 再                          构建的 DL 模型， 可以有效降低 CMIP6 模式对中国
               现能力更好， 为中国东部沿海地区的极端气候研究                           东部沿海地区 CWPE模拟偏差和不确定性， 从而提

               和灾害预防提供更加可靠的支持。                                   高模式对中国东部沿海地区模拟 CWPE 能力。然
                                                                 而需要注意的是， 深度学习方法应用于提高 CMIP6
               5  结论和讨论
                                                                 模式对极端天气气候事件的模拟仍然值得进一步
                   本文对选取的 17 个 CMIP6 模式模拟中国东部                    探索。尽管深度学习方法能够处理数据之间复杂
               沿 海 地 区 的 CWPE 结 果 进 行 评 估 ， 发 现 大 多 数            的非线性关系， 但模型结构和参数设置可能影响其
               CMIP6 模式能够较好地再现中国东部沿海地区的                          对极端天气气候事件的捕捉能力（Baño-Medina et
               CWPE， 其中通过多模式集合平均和多模式集合中                          al， 2020）。在后续的工作中， 我们将采用多种复杂
               位数方法统计的结果， 在COR、 RMSE和TS评分上                       的 神 经 网 络 ， 例 如 卷 积 神 经 网 络（Convolutional
               的整体表现均优于大多数单一模式。为了进一步                             Neural Network）和 U-Net 网络等， 构建多个 DL 模
               降低 CMIP6 对 CWPE 模拟的偏差和不确定性， 将                     型， 并根据模拟结果采用不同的损失函数组合进行
               多个CMIP6模式模拟结果结合深度学习方法， 通过                         模型优化（Wang et al， 2023）。通过对多个 DL 模型
               构建 DL 模型实现降低模式模拟偏差， 得到以下主                         进行比较， 获取模拟效果较好的模型， 以提高不同
               要结论：                                              排放情景下CMIP6未来预估的可信度。此外， 以上
                  （1）  在常规算法中以 MSE 作为损失函数构建                      方法主要将深度学习方法用于多模式集合处理， 未
               的 DL模型相比于多模式集合方法的结果， 在 TS和                        来我们还会尝试将深度学习方法应用于归因分析，
               RMSE 评分上的表现相对较差。融合 RSD 和低估                        在建立 DL 模型时加入影响 CWPE 的相关变量因
               值约束函数构建加权损失函数建立的 DL 模型， 在                         子， 探讨气候变化背景下 CWPE变化的原因。进一
               TS 和 RMSE 评分上的表现均有所提高。因此， 提                       步探索结合深度学习方法提高 CMIP6 模式对中国
               出引入 RSD 和低估值约束函数构建加权损失函数，                         东部沿海地区 CWPE模拟和预估能力， 有助于更准
               实现对 DL 模型的优化， 使模型更准确地模拟中国                         确地研究全球气候变化背景下未来 CWPE 对中国
               东部沿海地区的CWPE。                                      东部沿海地区的影响， 对沿海地区防灾减灾工作有
                  （2）  通过对比优化前后的两个 DL 模型模拟结                      着重要意义。
               果发现， 两个 DL 模型平均偏差均低于观测， 然而，
                                                                 参考文献（References）：
               与 DL-MSE 相比， DL-MRM 模拟的结果更接近观
               测。在相对偏差方面， DL-MRM 模型在中国东部                         AghaKouchak A，  Chiang  F，  Huning  L  S，  et  al，  2020. Climate  ex‐
               沿海地区的表现比 DL-MSE 模型平均降低 20%， 且                        tremes and compound hazards in a warming world［J］. Annual Re‐
               与 DL-MSE 相比， DL-MRM 相对偏差较低的面积                        view  of  Earth  and  Planetary  Sciences，  48（1）：  519-548. DOI：
                                                                    10. 1146/annurev-earth-071719-055228.
               占 63%。结果表明， 通过加权损失函数的方式对
                                                                 Baño-Medina  J，  Manzanas  R，  Gutiérrez  J  M，  2020. Configuration
               DL 模 型 进 行 优 化 ，  其 模 拟 中 国 东 部 沿 海 地 区
                                                                    and intercomparison of deep learning neural models for statistical
               CWPE的能力得到提高。
                                                                    downscaling［J］. Geoscientific  Model  Development，  13（4）：
                  （3）  进一步， 对比 DL-MRM 模型与多模式集                       2109-2124. DOI： 10. 5194/gmd-13-2109-2020.
               合统计结果发现， 在相对偏差方面， DL-MRM 相较                       Bevacqua E， Vousdoukas M I， Zappa G， et al， 2020. More meteoro‐
               于 MME-Mean 展现更低的偏差面积占 67%， 且相                        logical events that drive compound coastal flooding are projected
                                                                    under climate change［J］. Communications earth & environment，
               对 偏 差 平 均 降 低 约 10%。 相 对 于 MME-Median，
                                                                    1（1）： 47. DOI： 10. 1038/s43247-020-00044-z.
               DL-MRM 在约 62% 的区域中相对偏差表现更低，
                                                                 Chen Z， Zhou T， Zhang L， et al， 2020. Global land monsoon precipi‐
               相对偏差平均降低约 20%。结果表明， 深度学习方                            tation  changes  in  CMIP6  projections［J］. Geophysical  Research
               法构建的 DL-MRM 模拟结果相对于多模式集合统                            Letters，  47（14）：  e2019GL086902. DOI：  10. 1029/2019GL08
   144   145   146   147   148   149   150   151   152   153   154