Page 83 - 《高原气象》2026年第3期
P. 83

第 45 卷  第 3 期                        高     原     气    象                             Vol. 45  No. 3
                 2026 年 6 月                       PLATEAU METEOROLOGY                                June, 2026


               周聪, 张成宏, 董元昌,等, 2026.  基于 CBAM U-Net 模型的成都 X 波段相控阵雷达降水估计[J]. 高原气象, 45(3): 691-
               704.  ZHOU Cong, ZHANG Chenghong, DONG Yuanchang,et al, 2026.  CBAM U-Net Model-Based Precipitation Estimation for
               Chengdu  X-band  Phased Array  Radar[J]. Plateau  Meteorology,  45(3):  691-704.   DOI:  10. 7522/j. issn. 1000-0534.   2025.
               00093. CSTR: 32265.14.gyqx.CN62-1061/P.2025.00093.




                             基于CBAM U-Net模型的成都X波段

                                            相控阵雷达降水估计



                                                             2
                                                 1
                                        周 聪 , 张成宏 , 董元昌 , 张 涛                       1
                                                                         2
                                                (1. 成都市气象台,  四川  成都    611134;
                                          2. 中国气象局成都高原气象研究所,  四川  成都    610218)
                       摘要: 强降水事件的频发对城市防灾减灾提出了严峻挑战, 精细化高时空分辨率定量降水估计(Quanti‐
                       tative Precipitation Estimation, QPE)对强降水过程的监测有重要意义, 具备高时空分辨率探测资料的 X
                       波段相控阵雷达为开展高精度 QPE的研究提供了有力的数据支撑。由于传统雷达 QPE方法缺乏非线性
                       映射能力和动态自适应学习机制等局限性, 本研究提出了一种基于 CBAM U-Net 模型的分钟雨量 QPE
                       方法。该模型通过嵌入通道—空间注意力 CBAM 模块增强对关键降水区域及特征通道的学习能力, 并
                       在模型数据样本中添加时间维以优化雷达与地面雨量计数据的时间匹配。利用 2023 -2024 年 7 -9 月成
                       都平坝地区四部 X波段相控阵雷达基数据, 构建模型训练集和测试集, 并结合学习率预热与余弦退火策
                       略优化训练过程, 不仅加快收敛速度, 且鲁棒性更强。为评估模型效果, 采用回归评估(CC、 R                              MSE 、
                       R MAE 、 R )与分类评估(POD、 FAR、 CSI)指标对 CBAM U-Net、 Attention U-Net、 U-Net与两个 R(Z )关系
                            MB
                                                                                                  H
                       式的降水估计结果进行对比分析。结果表明, 在整体的误差指标和稳定性方面, 深度学习模型显著优于
                                                                                        -1
                       传统 Z-R 关系。模型中, CBAM U-Net 表现最佳(CC=0. 665, R        MSE =0. 331 mm·min , R MAE =44. 651%,
                       R =7. 324%), Attention U-Net 次之, 而 U-Net 则存在明显的低估现象。在多阈值分类评估中, CBAM
                        MB
                                                                              -1
                       U-Net 对 短 时 强 降 水 阈 值(0. 34  mm·min ,  对 应 小 时 雨 强 20  mm·h )和 橙 色 暴 雨 预 警 信 号 阈 值
                                                        -1
                                  -1
                                                       -1
                      (0. 67 mm·min , 对应小时雨强 40 mm·h )的临界成功指数(CSI)分别达 0. 655 和 0. 485, 较 Attention
                       U-Net(0. 609和 0. 408)与 U-Net(0. 537和 0. 160)显著提升。个例分析进一步验证了 CBAM U-Net具备更
                       强的时序变化特征追踪能力: 在 2024年 9月 10日“脉冲式”降水过程中, CBAM U-Net精准定位降水曲线
                       波峰、 波谷的位置, 良好地刻画了降水时序变化的特征, 较 U-Net 和 Attention U-Net 表现更优; 在 2024
                       年 9 月 29 日稳定性降水过程中, CBAM U-Net 准确勾勒出降水变化的整体趋势, 但对分钟雨量 0. 1~
                       0. 2 mm·min 微小波动的敏感性不足。CBAM 模块通过双重注意力机制, 有效提升了模型对强降水时
                                -1
                                                                                                -1
                       序变化特征的捕捉能力, 但受限于深度学习模型系统性平滑的特性, 对分钟雨量≥1. 17 mm·min 的极端
                       强降水仍存在明显低估。
                       关键词: 雷达QPE; X波段相控阵雷达; 短时强降水; 深度学习; CBAM U-Net模型
                       文章编号: 1000-0534(2026)03-0691-14   中图分类号: P413   文献标识码: A
                       DOI: 10. 7522/j. issn. 1000-0534. 2025. 00093
                       CSTR: 32265.14.gyqx.CN62-1061/P.2025.00093




                  收稿日期: 2025⁃03⁃23; 定稿日期: 2025⁃08⁃20
                  资助项目: 川西南(雅安)暴雨实验室科技发展基金项目(CXNBYSYSZD202404); 高原与盆地暴雨旱涝灾害四川省重点实验室科技发
                         展 基 金 项 目(SCQXKJYJXMS202314);  高 原 与 盆 地 暴 雨 旱 涝 灾 害 四 川 省 重 点 实 验 室 科 技 发 展 基 金 项 目(SC‐
                         QXKJQN202112); 四川省科技计划重点研发项目(2024YFFK0408); 中国气象局创新发展专项(CXFZ2024J013)
                  作者简介: 周聪(1993 -), 男, 江苏扬州人, 硕士研究生, 主要从事雷达数据应用和人工智能气象应用研究. E-mail: 2420997386@qq.com
                  通信作者: 张涛(1988 -), 男, 四川营山人, 高级工程师, 主要从事灾害性天气预报和天气雷达资料应用研究. E-mail: radar_zt@163.com
                  © Editorial Department of Plateau Meteorology (CC BY-NC-ND)
   78   79   80   81   82   83   84   85   86   87   88