Page 163 - 《高原气象》2026年第3期
P. 163

3 期             杨雨蒙等:基于自编码器和自组织映射的贵州暖季降水客观分型及环流特征分析                                        771
               李 栋 梁 ,  2019)、  印 度 、  东 亚 夏 季 风(Fu  et  al,     2006; Hounsou et al, 2019), 但自组织映射(Self-or‐
               2019)、 西太平洋副热带高压(以下简称西太副高)                        ganizing Map, SOM)由于不强制模态与输入数据特
               和南亚高压(Yuan et al, 2018; Xu et al, 2021)、 中        征的正交性, 而是关注模态与数据的密切关系
               高纬阻塞高压和印缅槽(Zong et al, 2012)。天气尺                 (Gibson et al, 2017; Gu and Gervais, 2021), 所以
               度上, 有切变线(易升杰等, 2019)、 准静止锋(杨春                     其识别结果更为客观合理。因此, 本研究使用自组
               艳等, 2023) 以及中尺度西南涡(韩林君和白爱娟,                       织映射研究不同异常降水分布对应的环流形势及
               2019)。不同环流系统配置和演变影响着降水发生                          影响机理, 以期加深对贵州降水空间分布的探究及
               的强度、 频数和范围, 多尺度系统叠加效应会引发                          认识, 为极端降水预报预测提供理论基础。
               特大洪涝灾害, 对人类社会和生态系统造成重大影                           2  数据来源与方法介绍
               响。如 2016 年 7 月铜仁市特大暴雨造成 16. 9 万人
               受灾; 2019 年 7 月六盘水强降水导致灾难性滑坡,                      2. 1 数据来源
               造成 42 人死亡, 9 人失踪。如此多的因素使得强降                           本文所使用的资料包括: (1) 国家青藏高原科
               水预报预测仍存在挑战与必要性。                                   学数据中心提供的 0. 1°×0. 1°中国逐日降水再分析
                   在全球变暖背景下, 强降水发生频率及强度逐                         资料 CN01。时间范围为 1979 -2022年 5 -10月; 空
               年 上 升(姚 颖 等 ,  2025)。 以 往 研 究(Zhai  et  al,       间范围为 24°N -30°N, 103°E -110°E(缪驰远等,
               2005; 李娟等, 2020)发现 1951 年后西南地区的强                  2023)。(2)欧洲中期天气预报中心第五代再分析资
               降水量及降水日数开始增加, 中国降水变率更加显                           料(European  Centre  for  Medium-Range  Weather
               著, 区域性差异更加明显(Tang et al, 2006; 褚利玲                Forecasts Reanalysis v5, ERA5)逐日数据。时间范
               等, 2025)。以往降水研究通常根据降水强度定                          围为 1979 -2022 年 5 -10 月; 水平分辨率分别为
               义, 使用阈值法(尹红和孙颖, 2019; Davenport et                1°×1°和 0. 1°×0. 1°的 200 hPa、 500 hPa、 700 hPa、
               al,  2021)或 最 大 值 法(王 倩 等 ,  2019;  Li  et  al,   850 hPa 的纬向(u)及经向(v)风, 位势高度(z), 比
               2020)。然而这类方法只考虑降水事件强度, 忽略                         湿(sp)(Hersbach et al, 2018)。文中涉及的地图是
               了事件的空间范围。另一方面, 针对贵州降水空间                           基于国家测绘地理信息局标准地图服务网站下载
               分布的相关研究(肖蕾等, 2021; 吕阳坤等, 2022;                    的审图号为 GS(2017)3320 号的中国地图制作, 底
               郑蓓等, 2022), 尚未明晰贵州降水发生热点区域                        图无修改。
               及区域性差异分布成因。在这样的背景下, 如何区                           2. 2 研究方法
               别于大区域背景下的降水研究, 着眼于贵州省内降                           2. 2. 1 自编码器的特征数据集和识别
               水空间格局变化, 深入研究不同异常降水类型的系                               本研究关注长历时降水事件, 基于 CN01 资料
               统配置及影响机制, 对提高气象预报的准确性和有                           计算 5天滑动平均的日降水距平。同时对数据做最
               效性具有一定意义。针对上述目标, 文中提出以下                           大-最小归一化处理, 将数据大小范围控制在 0~1
               研究问题: (1)区别于传统强度定义方法, 如何使                         区间内, 得到日降水距平特征数据集。在识别方法
               用深度学习方法从降水空间特征角度研究贵州降                             上, 引入了无监督深度学习模型-自编码器(Auto‐
               水?(2)贵州极端降水热点区域在哪里?(3)影响极                         encoder), 该模型通过编码器将高维数据转化为低
               端降水分布的相关环流异常和外强迫因子有哪些?                            维表示。再经解码器还原, 对低维数据解压缩, 返
                   为解决上述问题, 首先, 本研究采用 Muraka‐                    回与输入数据相同维度的重构数据。由于自编码
               mi et al(2022)使用的深度学习方法——自编码器                     器能够优先学习并重构样本中出现频率较高的共
              (Autoencoder)来识别“异常降水事件”。相关研究                      有特征(即一般事件), 而对罕见模式的重构能力较
               发现自编码器不但能很好地复现在数据中频繁出                             弱。因此, 通过计算原始场与重构场之间的均方误
               现的样本, 且在识别精度方面优于传统方法, 不依                          差(Mean Squared Error, MSE), 可有效识别误差较
               赖于主观预定义异常事件阈值(Murakami et al,                     大的异常降水事件。该方法能够客观提取降水场
               2022; Huang et al, 2023), 已广泛应用于地球科学              的空间结构特征, 为异常事件的检测提供可靠
               及其他领域识别异常事件(Chow et al, 2020)。其                   依据。
               次, 关注贵州异常降水热点区域需要对异常降水事                               为保证自编码器计算效率, 本研究对空间格点
               件进行客观分类。研究发现主成分分析方法得到                             进行了调整, 确保格点总数能被 12整除, 单边格点
               的气候模态往往忽视了非线性内部变率(Liu et al,                      数能被 8 整除。调整后的输入数据维度为(8090,
   158   159   160   161   162   163   164   165   166   167   168