Page 102 - 《高原气象》2026年第3期
P. 102

高     原      气     象                                 45 卷
              710
                    表2  不同降尺度模型在2011 --2020年日尺度降水模拟中的平均性能指标及其相对于CNN模型的变化幅度
                     Table 2  Average performance metrics of different downscaling models for daily precipitation simulations
                               from 2011 to 2020 along with their relative changes compared to the CNN model
               时间尺度        模型        RMSE/(mm·d⁻¹)       CC          第95百分位数偏差/%           第99百分位数偏差/%
                           CNN           5. 62          0. 36              11. 66                7. 74
                 日      TGAN-noland  5. 29 (↓5. 9%)  0. 41 (↑13. 9%)   8. 23 (↓3. 4%)         5. 46 (↓2. 3%)
                           TGAN      5. 10 (↓9. 3%)  0. 42 (↑16. 7%)   0. 68 (↓11. 0%)       -1. 25 (↓6. 5%)
                 括号中的数值表示相对变化百分比, ↑和↓分别表示该指标相对于 CNN 模型有所提升或降低(values in parentheses indicate the percent‐
              age of relative change, where ↑ and ↓ denote an increase or decrease of the corresponding metric relative to the CNN model, respectively)
             更高的模拟精度和更强的极端降水捕捉能力, 不仅                           (j)]。结果表明, 黄河中游地区多年平均降水呈现
             显著优于传统 CNN 基准模型, 也优于去除地形信                          出明显的梯度分布, 降水量自西北向东南逐步递
             息的 TGAN-noland模型。这一结果表明, 在复杂地                      增。深度学习模型均能较好的再现这一空间分布
             形区域, 地形信息对降水空间分布的重建及强降水                            格局。为进一步评估模型对极端降水事件的模拟
             事件的准确模拟具有重要作用。                                     能力, 本文采用了气候变化检测与指数专家组所定
                  三种降尺度模型在月尺度和年尺度降水模拟                           义的两个关键气候指数: R95P 和 R99P。其中,
             中 RMSE 和 CC 的平均值以及性能提升情况如表 3                       R95P(R99P)定义为日降水量超过 95%(99%)百分
             所示。在月尺度降水模拟中, TGAN 模型相较于                           位阈值的年累计降水量。GPM IMERG 观测和深度
             CNN模型, RMSE降低 9. 9%, CC提高 2. 7%。在年                 学习模型在 R95P 与 R99P 上的空间分布结果表明
             尺 度 , TGAN 模 型 的 RMSE 降 低 7. 7%, CC 提 高           (图 3), 深度学习模型均能够较为准确地再现极端
             6. 5%。上述结果表明, TGAN 模型在日、 月和年多                      降水的空间分布特征, 其模拟结果与 GPM IMERG
             个时间尺度上均能显著提升降水预测的精度, 具有                            观测数据具有较好的一致性。
             良好的稳健性。                                                此外, 本节还评估了 2011 -2020年黄河中游地
                                                                区年均降水和月均降水的时间变化情况, 结果如
              表3  不同模型在月尺度和年尺度降水模拟中的平均性能
                                                                图 4所示。三种降尺度模型均能在一定程度上捕捉
                      指标及其相对于CNN模型的变化幅度
              Table 3  Average performance metrics of different models   该区域降水的年际变化趋势和季节性波动特征, 表
               for monthly and annual precipitation simulations along   现出较好的模拟能力。然而, 在月均降水模拟中,
                    with their relative changes compared with   各模型普遍存在夏季降水峰值高估的问题。相较
                               the CNN model                    之下, TGAN 模型在多个降水高峰期的模拟结果与
              时间尺度        模型      RMSE/(mm·d⁻¹)     CC          GPM IMERG 观测更为接近, 偏差更小, 表现出更
                 月        CNN         1. 21        0. 75        优的拟合能力和更强的鲁棒性。定量评估结果显
                 月     TGAN-noland  1. 13 (↓6. 7%)  0. 76 (↑1. 3%)  示 ,  TGAN 模 型 在 月 均 降 水 上 的 RMSE 为 0. 40
                 月       TGAN     1. 09 (↓9. 9%)  0. 77 (↑2. 7%)  mm·d ⁻ ¹,  CC 为 0. 95,  均 优 于 基 准 CNN 模 型 的
                 年        CNN         0. 39        0. 29        RMSE(0. 43 mm·d⁻¹)和 CC(0. 93), 分别降低了
                 年     TGAN-noland  0. 38 (↓2. 6%)  0. 28 (↓3. 4%)  7. 5%和提升了2. 2%。
                 年       TGAN     0. 36 (↓7. 7%)  0. 31 (↑6. 5%)    图5(a)~(c)显示了各模型与GPM IMERG观测
                 括号中的数值表示相对变化百分比, ↑和↓分别表示该指标相                   数据在 2011 -2020 年降水、 R95P 和 R99P 的季节性
             对于 CNN 模型有所提升或降低(values in parentheses indicate the   变化情况, 可以看出, 各模型模拟降水及 R95P 和
             percentage of relative change, where ↑ and ↓ denote an increase or   R99P 的季节性变化与 GPM IMERG 观测基本保持
             decrease of the corresponding metric relative to the CNN model, re‐
                                                                一致, 均表现出明显的季节性特征, 降水主要集中
             spectively)
                                                                在夏秋两季, 春季次之, 冬季最少。在此基础上,
             4. 2 平均降水和极端降水                                     为更全面刻画年内降水的时序变化规律, 本节进一
                  本节基于 2011 -2020年的 GPM IMERG观测数                步分析了各模型模拟的月际变化过程。结果表明,
             据和深度学习模型的模拟结果, 对多年平均降水的                            在降水的月际变化中, TGAN 模型表现最好, 7 -12
             空间分布特征进行了系统分析[图 3(a), (d), (g),                    月的模拟结果与 GPM IMERG 观测高度吻合[图 5
   97   98   99   100   101   102   103   104   105   106   107