Page 194 - 《高原气象》2025年第6期
P. 194

高     原      气     象                                 44 卷
              1602
             2. 2 数据集                                           齐。针对 HRCLDAS 格点实况数据和 EC 数值预报
                  本研究采用的格点实况产品来源于中国气象                           产品中的少量缺测情况， 处理方式如下： 若同一时
             局高分辨率陆面数据同化系统所得到的 HRCLDAS                          次出现数据缺失， 且连续缺失的时次数少于 4 个，
             格点 2 m 气温（韩帅等， 2018）， 其水平空间分辨率                     则采用线性插值逐时补齐数据； 若连续缺失的时
             为1 km×1 km， 时间分辨率为1 h。                             次数达到或超过 4 个， HRCLDAS 实况数据将该时
                  预报数据为 EC 每日 08:00（北京时， 下同）和                   段标记为缺失， 不再进行插补； 而 EC 数值预报数
             20:00发布的 2次格点预报数据， 地面要素水平空间                        据则直接删除该起报时次的全部数据。最后将处
             分 辨 率 为 0. 125° ×0. 125° ，  高 空 要 素 为 0. 25° ×     理后的 HRCLDAS 格点实况数据和 EC 预报产品进
             0. 25°， 时间分辨率均为 3 h， 预报时效为 12~36 h。                行时间对齐， 并对 EC 数据进行了标准化处理， 消
             在时间分辨率方面， 为了使 EC 模式产品和 HRCL‐                       除了不同特征间的量纲差异， 这有助于模型更快
             DAS产品在时间分布上保持一致， 采用线性插值法                           地收敛。
             将 EC 的预报数据插值至 1 h。在空间分辨率方面，                            此外， 采用相关分析法（Zhang et al， 2020）结
             尽管 EC 模式的原始数据与 HRCLDAS 产品存在明                       合先验知识与专家经验分别对 EC 高空和地面要素
             显差异， 但本研究并未直接对 EC 模式数据进行简                          进行特征选择。其中相关分析法选择与目标相关
             单的空间插值处理， 而是通过设计专门的模型框                             系数大于 0. 3， 且达到 0. 05 显著性水平的因子。根
             架， 实现从低分辨率到高分辨率的降尺度预报。这                            据两种方法共同挑选的地面特征有 11 个， 高层特
             种方法不仅确保了空间分辨率的合理匹配， 还减少                            征有 56 个， 如表 1 所示。最后， 在数据集方面， 本
             了空间插值可能带来的误差， 从而提升了预报                              研究数据集时间范围为 2021 年 6 月至 2024 年的汛
             精度。                                                期 4 -9 月数据， 由于 HRCLDAS 格点实况产品从
             2. 3 数据预处理                                         2021 年 6 月开始， 因此实际数据集的起始时间为
                  在数据处理中， HRCLDAS 格点实况数据因同                      2021 年 6 月。其中 2021 年至 2023 年 4 -9 月的数据
             一时次生成多条产品， 仅保留最后一条产品。若                             用于训练， 2024 年 4 -9 月数据用于测试， 训练数据
             最后一条数据缺测， 则用该时次的上一条产品补                             以7∶3的比例分成训练集和验证集。
                                              表1  模型选取的EC高、 低空特征因子
                                       Table 1  Model-selected EC high and low-altitude features

                                         特征因子                                          观测位置
              地面    2 m温度、 2 m露点温度、 地表温度、 10 m经向风、 10 m纬向风、 低云量、 总                      近地面
                    降水量、 大尺度降水量、 大气柱水总量、 大气柱水汽总量、 对流有效位能
              高空                相对湿度、 经向风、 纬向风、 垂直速度                     1000、 950、 925、 900、 850、 800、 700、 600、 500 hPa
                                           温度                           1000、 950、 925、 900、 850、 800、 700、 600、 500、 400 hPa
                                        比湿、 位势高度                              1000、 925、 850、 700、 600、 500 hPa


              3  研究方法                                           2 可看出， 本研究构建的 U-Net 模型具有不对称结
                                                                构， 主要由编码模块、 解码模块和跳跃连接模块构
             3. 1 模型整体构建
                                                                成。其中左侧为编码模块， 主要包含三次最大池化
                  U-Net 模型（Ronnrberger et al， 2015）作为深度         和双卷积操作； 右半部分为解码模块， 与编码模块
             学习分割网络的一种， 基于卷积网络结构， 能够深                           作用相反， 解码模块通过不断地双卷积和上采样操
             度挖掘图片信息， 在多个领域展现出优越的性能。                            作， 将特征图的尺寸不断放大。此外， 由于本模型
             本文所设计的卷积神经网络以 U-Net模型结构为基                          包含五次上采样和三次下采样过程， 因此仅有三层
             础， 针对不同尺寸图像融合而构建。该网络具有两                            设置了跳跃连接模块， 用于提取不同尺度的特征
             个输入： 一是研究区域的 EC 地面 11 个特征变量，                       信息。
             其尺寸为 17×17； 二是研究区域上空及其附近区域                         3. 2 多尺度特征融合模块
             的 EC 高空 58 个特征变量， 尺寸为 60×60。最终输                        由于该网络具有高空和地面两个尺寸不同的
             出分辨率为 1 km×1 km， 网格尺寸为 196×196 的气                  输入， 因此在模型设计中需针对不同空间尺度的特
             温预报订正结果， 模型总体结构如图 2 所示。从图                          征设置一个多尺度特征融合模块。本研究中， 模型
   189   190   191   192   193   194   195   196   197   198   199