Page 100 - 《高原气象》2026年第3期
P. 100
高 原 气 象 45 卷
708
图1 地形引导注意力网络结构示意图
Fig. 1 Schematic diagram of the terrain-guided attention network architecture
征。RDB 模块采用密集连接机制, 有助于缓解梯 DEM 特征图施加 Sigmoid 激活函数 σ, 生成地形引
度消失问题, 增强特征的传递与复用能力。每个 导的注意力图。该注意力图随后与气象特征图进
RDB 模块后均连接一个上采样(Upsample)模块, 行逐元素乘法操作, 以实现气象特征的地形自适应
实现特征图分辨率的逐级提升。重建分支同样通 加权, 从而提升模型的降尺度性能。
过三个上采样模块逐步提升空间分辨率, 并在每一 3. 2 损失函数
级与特征提取分支对应尺度的残差特征进行逐元 合适的损失函数对于降水预测至关重要。本
素相加, 从而实现精细的降水重建。 研究采用基于伯努利-伽马分布的复合损失函数,
(2) 地形分支 即:
地形分支主要对原始高程数据进行逐级下采 L ( p,α,β,y true ) = (1 - p true )log (1 - p + ε ) +
é
样, 使其空间分辨率与主干网络各个上采样阶段相 p true êêlog ( p + ε ) + (α - 1) log ( y true + ε ) -
ê ê
匹配, 为后续的多尺度特征融合奠定基础。传统的 ë
降尺度模型通常仅将辅助信息与低分辨率大气数 α log ( β + ε ) - log (Γ (α + ε ) ) - y true ù ú ú ú ú (3)
据简单拼接作为输入, 未能充分挖掘地形数据中的 β + ε û
多层次特征。为了更有效的利用地形辅助信息, 本 式中: p为神经网络预测降水发生的概率; α(α > 0)
模型引入多尺度特征融合机制, 在重建分支每个上 和 β(β > 0)分别为伽马分布的形状和尺度参数;
采样阶段之后嵌入地形引导注意力模块(TGAB), Γ(α)为伽马函数。y true 是降水量, p true 是二进制的降
实现气象与地形数据在多个尺度上的深度融合, 从 水概率(1 表示降水, 0 表示无降水), 其值由 y true 确
而提升降尺度性能。TGAB 的具体计算方式如式 定, y true >0 时, p true 为 1, 否则为 0。ϵ 是正则化参数,
(2)所示: 用于避免数值不稳定。该损失函数综合考虑了降
F input = δ [ f C (ω 1 ,Met ) ] σ [ f C (ω 2 ,Dem ) ] (2) 水的二元性与连续性, 采用伯努利分布刻画降水的
式中: ω 和 ω 分别表示卷积层的参数; f 为卷积操 发生概率, 伽马分布建模降水强度。通过统一的概
C
1
2
作符; Met 为气象数据; Dem 为数字高程模型。为 率框架, 该损失函数可以同时优化降水发生概率与
更有效地建模高低分辨率数据之间的复杂映射关 降水量的预测精度, 从而在提升整体降水模拟能力
系, 模型在对气象特征进行卷积处理后引入 ReLU 的同时, 显著增强极端降水事件的预测性能(Ram‐
激活函数 δ, 以增强其非线性表达能力; 同时, 对 pal et al, 2022)。

