Page 276 - 《高原气象》2026年第2期

高 原 气 象
576
性层将原始数据映射至64维特征空间， 并通过位置
编码层补充 K 数据的位置信息， 从而实现前后关
DP
联。解码器引入了掩码机制（masked）， 以提高模型
的鲁棒性， 再通过多头注意力机制（8个头）的并行计
算， 使模型能够同时关注K 序列中的不同部分， 从
DP
多个子空间中学习信息。为了提高收敛速度并促进
更好的特征学习， 解码器还引入了残差连接和归一
化操作。经过这些处理后， 数据传递至前馈神经网
络， 进行进一步的非线性映射和特征提取。解码模
块进行两轮循环解码， 最终将结果输入全连接层，
得到衰减率， 并根据衰减率进行回波订正。其中激
活函数皆采用 ReLU， 并用 Dropout防止过拟合。利
用构建的数据集， 基于XCORnet框架分别训练了一
个的Z 衰减订正模型、 一个Z 衰减订正模型。
H
DR
4 模型训练
4. 1 超参设置及模型训练
通过多轮系统化参数验证， 最终确定的超参数
设置如下： 训练周期（epoch）设定为 100， 初始学习
率为 0. 001， 采用 Adam 梯度下降优化器。在编码
器模块中， 设计两级线性变换结构， 其隐层维度分
别配置为 32 和 64， 解码器中每层多头注意力机制
包含 8 个头， 全连接层采用四层递阶结构， 维度按
128、 64、 32、 1 进行非线性降维映射。为了减少网
络的过拟合现象， 并提高模型的泛化能力， 在解码
层和全连接中均引入了 Dropout 正则化技术， 并将
其设置为 0. 2。同时， 各线性层间嵌入 ReLU 激活
函数来增强模型的非线性表达能力。
4. 2 评价指标
模型采用的评价指标分别为比率偏差（BIAS）、
均方根误差（RMSE）、 平均绝对误差（MAE）， 公式
如下
n 订正后的 0. 972， 优于经验公式订正后的 0. 901，
∑ Z Si
BIAS = i = 1
n
∑ Z Xi
i = 1
1 n
RMSE = ∑ (Z Si - Z Xi ) 2 （3）
n
i = 1
1 n
MAE = ∑ |Z Si - Z Xi |
n i = 1
式中： Z 为 SAD 插值到 XPOL 对应距离库的 Z 或
Si
Z 值（标签数据， 即： 未衰减的真值）； Z 为 XPOL
Xi
DR
订正后 Z 或 Z 值（预测值）； n 为样本个数。BIAS
H
DR
可以衡量 XPOL 与 SAD 之间的差异， 其值越接近
1， 表明 SAD 与 XPOL强度相差越小； RMSE可以衡
45 卷
量强度差异的离散程度， 其值越小， 表示 SAD 与
XPOL 强度差异越小； MAE 表示回波之间绝对差异
的平均水平， 对离群点的影响较小， MAE 的值越
小， 表明订正结果的绝对精度越高。
4. 3 模型测试
用训练集将模型训练后， 用测试集测试模型的
衰减订正效果， 并与文献中的经验公式法［式（5）~
（8）］（Bringi et al， 1990； Matrosov et al， 2002）进行
对比分析。
A H = a 1 K DP （5）
A DR = a 2 K DP （6）
r
Z He(r) = Z Ha(r) + ∫ A H( ) s ds （7）
0
r
Z DRe(r) = Z DRa(r) + ∫ A DR( ) s ds （8）
0
式中： Z （r）、 Z （r）分别为订正前后的水平反射率
He
Ha
因子（单位： dBZ）； Z （r）、 Z （r）分别为订正前后
DRa
DRe
的差分反射率因子（单位： dB）； r 为距离雷达中心
的 距 离（单 位 ： km）； a 1 取 0. 22 dB·（°） ， a 2 取
-1
0. 033 dB·（°） 。
-1
图 2 展示了 Z 和 Z 订正前后的散点图。在未
H
DR
订正状态下［图 2（a）， （d）］， Z 与 Z 在弱回波区域
H
DR
呈现良好的 1： 1 线性关系， 但随着回波强度增加
（Z ≥30 dBZ， Z ≥0. 5 dB）， 散点显著偏向对角线上
H
DR
方的 S 波段数据， 说明 X 波段雷达在强降雨区域存
在显著衰减现象。经 XCORnet 模型订正后［图 2
（b）， （e）］， 散点分布均匀收敛于对角线两侧。相比
之下， 经验公式订正结果［图 2（c）， （f）］虽在中低值
区呈现合理分布， 但在强回波区散点集中分布于对
角线下方， 表明传统方法存在过量订正。
以 SAD 雷 达 匹 配 数 据 为 真 值 ， 表 3 给 出 了
XPOL 的 Z 和 Z 订正前后 3 个指标的评价结果。
DR
H
对比 Z 值， 模型将 BIAS从订正前的 0. 875， 提升至
H
RMSE 和 MAE 订正前分别为 8. 693、 6. 292 dB， 模
（2）
型 订 正 后 ， 降 至 5. 811、 4. 222 dB， 分 别 提 升
33. 15%、 32. 89%。经验公式订正后， 降至 6. 820、
5. 113 dB， 分 别 提 升 21. 54%、 18. 73%。 对 比 Z
DR
值， 订正前 BIAS为 0. 862， 模型订正后为 1. 141， 而
经验公式订正后为 1. 273， 存在过度订正问题。
（4）
RMSE和MAE订正前分别为1. 679、 1. 271 dB， 模型
订正后， 降至 0. 972、 0. 697 dB， 分别提升 42. 10%、
H
提升 45. 16%； 经验公式订正后， 降至 1. 382、 1. 008
dB， 分别提升 17. 69%、 提升 20. 69%。相较于经验
公式订正法， 深度学习模型各项评估指标都有明显
的提升。