Page 164 - 《高原气象》2026年第3期
P. 164

高     原      气     象                                 45 卷
              772
             64×72), 其中新增边缘填充格点如图 1 中绿点所                        特卡洛实验(Monte Carlo test)方法, 通过 500 次随
             示。为聚焦研究区域并消除背景噪声, 对贵州省境                            机实验对统计量进行显著性评估, 以确定一个特定
             外区域进行掩膜处理, 将其降水值设为 0。同时使                           模式下异常降水是否在某些典型区域具有显著发
             用 5 轮交叉验证法(5-fold Cross-Validation)进行模             生倾向。
             型训练, 通过计算 5 次实验结果平均值, 得到时间                         2. 2. 3 西南涡定义
             长度为 8090 天的逐日重构 MSE 序列。最后, 以重                          参 考 以 往 关 于 西 南 涡 的 定 义(马 勋 丹 等 ,
             构误差的前 5%(95% 分位数)作为阈值, 筛选出模                        2018; 张敬萍等, 2023), 同时满足以下条件定义为
             型难以重构的异常样本, 最终构建包含 405 天的异                         西南涡: (1)在 700 hPa 等压面上, 能分析出至少 1
             常降水日数据集。                                           根闭合位势高度等值线, 该等值线中心生成时位于
                                                               (26° N -33° N,  103° E -110° E)范 围 内 ; (2)对 于
                                                                0. 25°×0. 25°分辨率的 ERA5再分析资料, 涡旋核心
                                                                区域及 4 倍格距(100 km)为气旋式环流; (3)该闭
                                                                合环流中心附近有对应的风场散度负值中心及涡
                                                                度正值中心。
                                                                3  结果与分析


                                                                3. 1 降水空间分布特征
                                                                    贵州 1979 -2022 年暖季(5 -10 月)气候平均降
                                                                水量[图 2(a)]呈由南向北减少的分布特征, 大值中
                                                                心位于贵州西南部的六盘水-安顺-黔西南。然而,
                                                                降水气候平均态难以刻画安顺西部及黔东南西部
                                                                降水的高变率特征[图 2(b)]。基于自编码器识别
                图1 研究区域CN01资料格点分布(红色-蓝色区域)                      出的异常降水场[图 2(c)]有效整合了降水均值及
                  绿色点为确保自编码器计算增加维度, 其中绿色-红色                     变率的异常信号: 其空间格局整体维持南多北少的
                               区域数值设为0                          态势, 但大值中心移至安顺-黔南-黔东南。该异常
              Fig. 1 Distribution of grid points of CN01 dataset in the study
                                                                大值中心与贵州“雨窝”分布特点一致, 表明自编码
              area (red-blue area). The green points are included to ensure
                                                                器在贵州的异常降水识别精度上的可信度。综合
               dimensionality augmentation in Autoencoder computations,
                                                                分析表明, 贵州降水具有变率大, 空间分布不均的
                    with values set to zero in the green-red region
                                                                特点, 尤其是安顺地区表现出日均降水量大、 降水
             2. 2. 2 自组织映射客观分类和显著区域检验                           强度强且雨季时间长的典型特征。在此基础上, 后
                  本研究采用自组织映射对识别出的 405天异常                        续进一步利用 SOM 方法对异常降水空间分布进行
             降水事件进行聚类分析, 以划分多个空间模式。相                            客观分类。
             比传统的线性主成分分析方法, 自组织映射通过非                            3. 2 异常降水的典型类型及时间特征
             线性映射, 竞争学习和邻域函数, 能够更好地保持                               基于 SOM 神经元顺序的 405 天异常降水距平
             原始数据的拓扑结构, 在有效减少数据噪声影响的                            合成结果(图 3)显示, 4 类异常降水在空间分布与
             同时, 捕捉数据中的非线性结构和局部特征。                              发生频次上呈现出显著的地域性与差异化特征。
                  在确定聚类规模时, 通常指定分类数目越多,                         第 1 类(北部型)SOM1 降水中心位于安顺北-遵义
             类内成员间的差异越小。所以实践中为了使分类                              西一带, 尽管其发生频次占总数的 33%, 但降水强
             结果具有实际意义, 通过较少分类以确保类间的显                            度为 4 类中最弱。第 2 类(全省强降水型)SOM2 表
             著差异(成泽伦等, 2023)。考虑贵州地理尺度较小                         现为全省范围异常降水, 强度居四类之首, 但发生
             且异常降水演变迅速, 过多分型会导致类间距离减                            频率最低。第 3 类(南部型)SOM3 降水中心位于贵
             小。因此, 本研究权衡分型的物理意义, 综合考虑                           州南部, 发生天数达 169 天(占比 42%), 是贵州暖
             选取拓扑误差(Topographic Error, TE)最低的 2×2               季最主要的异常降水模态。第 4 类(东部型)SOM4
             网格结构作为最优分型方案(吴胜男和江志红,                              降水中心与高发热点区域均集中在贵州东部。从
             2019)。随后, 为识别异常降水热点区域, 引入蒙                         时间演变特征来看(图 4), 每类异常降水都有较强
   159   160   161   162   163   164   165   166   167   168   169