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

