Page 106 - 《高原气象》2026年第3期
P. 106
高 原 气 象 45 卷
714
度分布与站点数据基本保持一致, 而 RMSE-TGAN
在强降水时间频率仍存在明显的低估现象。这进
一步表明具有 Bernoulli-Gamma 损失函数的模型能
够更好地捕捉极端降水事件, 从而较好地再现降水
频率的分布特征。
6 结论与讨论
本研究提出了一种基于地形引导注意力的降
水降尺度模型, 用于建立低分辨率大气数据与高分
辨降水之间的非线性映射关系。为验证该模型的
有效性, 本研究选取 CNN 基准模型和不包含地形
图8 2011 -2020年黄河中游地区BG-TGAN(橘色线)和 信息的 TGAN(TGAN-noland)作为对照组, 基于
RMSE-TGAN(绿色线)的模拟结果以及GPM IMERG 2011 -2020 年数据开展实验分析, 得到以下主要
观测数据的日降水量概率密度函数(蓝色线) 结论:
Fig. 8 Daily precipitation probability density functions along (1) TGAN 模型的整体性能明显优于 TGAN-
with GPM IMERG observations (blue line), the simulation noland模型, 可见高程信息与降水分布具备较强相关
results of BG-TGAN (orange line) and RMSE-TGAN
性, 一定程度上能够帮助深度学习模型更好的重建降
(green line) over the MRYR from 2011 to 2020
水场。
量极端降水事件合并统计。结果表明, 虽然 4 个站 (2) 在日尺度的降水模拟中, TGAN 表现最
点的观测数据与 GPM IMERG在部分降水区间的概 优。相较于基准模型 CNN, TGAN的平均 RMSE降
率密度分布存在一定的差异, 但是整体分布趋势基 低 9. 3%, 平均 CC 提高 16. 7%。此外, TGAN 对第
本一致。同时, BG-TGAN 在指定站点处的概率密 95 百分位和第 99 百分位降水的预测结果与 GPM
图9 2011 -2020年四个站点位置上的日降水量概率密度分布比较
灰色虚线表示覆盖 95% 降水事件的阈值, 超过该阈值的降水事件较为少见, 因此在统计时将其合并计算
Fig. 9 Comparison of daily precipitation probability density distributions at four station locations from 2011 to 2020.
The gray dashed lines indicate thresholds covering 95% of precipitation events, events exceeding
these thresholds are relatively rare and therefore aggregated in the statistics

