Page 88 - 《高原气象》2026年第3期
P. 88

高     原      气     象                                 45 卷
              696
             (Spatial Attention Module)构成, 这两个子模块基于                                 1  n
                                                                            R MSE =   ∑ ( R i - G i ) 2   (4)
             平均池化和最大池化操作, 将它们顺序组合并嵌入                                                n  i = 1
             编码部分, 不仅能够学习到空间区域中值得关注的                                              n
                                                                                 ∑ |R i - G i |
             特征信息, 还能提取出更为关键的数据通道, 从而
                                                                           R MAE =  i = 1   × 100%        (5)
             提升模型在雷达降水估计中的性能。此外, 需要注                                                 n
                                                                                    ∑ G i
             意的是, 由于模型训练样本涵盖时间维, 因此编码                                               i = 1
                                                                                 n
             阶段, 本研究采用三维卷积和三维池化操作来提取                                            ∑ ( R i - G i )
             数据样本中包含的时间维与空间维特征信息。                                          R MB =  i = 1  n  × 100%       (6)
             3. 4 Z-R关系与评估指标                                                       ∑ G i
                                                                                    i = 1
                  本研究选用以下 Z-R 关系作为评估 CBAM U-
                                                                式中: R 为第 i 个估计值; G 为第 i 个观测值; R 和
                                                                                                          ave
                                                                                         i
                                                                       i
             Net模型降水估计性能优劣的对比对象,
                                                                G 分别代表所有雷达降水估计样本以及所有气象
                                                                 ave
                                          1.331         (1)
                            R( Z H) = 452∙Z H
                                                                站观测样本的均值。
                                           1.324        (2)
                                                                    为实现对模型性能更加全面、 深入的评估, 本
                            R( Z H) = 346.3∙Z H
                  式(1)和式(2)分别由Zhang et al[2023, 下文简称
                                                                研究进一步引入分类评估参量, 旨在细致分析模型
             为R(Z )-Z]和刘艳霞等[2024, 下文简称为R(Z )-L]                 针对不同降水效率对流云的降水估计性能, 包括命
                   H
                                                       H
             通过对成都地区雨滴谱数据拟合得到, 且它们均适
                                                                中 率(Probability  of  Detection,  POD)、  空 报 率
             用于夏季对流云的降水估计。在运用式(1)和式
                                                               (False Alarm Rate, FAR)以及临界成功指数(Criti‐
             (2)进行降水估计时, 为避免 X 波段相控阵雷达在
                                                                cal Success Index, CSI)。其计算公式如下:
             某些方位因地形阻挡等因素而存在数据缺失, 本研                                                     TP
             究的处理方法为: 读取雷达第一、 二层仰角下在地                                          POD =  TP + FN             (7)
             面雨量计位置处的探测数据, 以及 CR(Composite                                               FP
                                                                                FAR =                     (8)
             Reflectivity)产品在雨量计位置处的值, 然后取三                                           TP + FP
             者均值作为Z 值进行计算。                                                   CSI =      TP                (9)
                         H
                  为客观反映雷达降水估计值与雨量计观测值                                              TP + FP + FN
                                                                式中: TP 为雨量计观测值与估计值均大于阈值;
             之间的误差, 本研究选取回归评估参量 CC、 R                   MSE 、
             R MAE (Relative  Mean Absolute  Error)、  R (Relative   FP 为雨量计观测值小于阈值, 而估计值大于阈值;
                                                 MB
             Mean Bias)作为误差评估指标,                                FN 为雨量计观测值大于阈值, 而估计值小于阈值。
                             n                                  在分类评估指标中, 分钟雨量阈值的设置如表 3 所
                            ∑ ( R i - R ave ) (G i - G ave )    示, 阈值是依据四川省气象灾害预警信号发布与传
                    CC =    i = 1                       (3)
                            n            n                      播规定的成都地区发布暴雨预警信号标准(四川省
                           ∑ ( R i - R ave ) ∑ (G i - G ave ) 2
                                       2
                           i = 1        i = 1                   人民政府令, 2024)计算得出。
                                          表3  分类评估指标中分钟雨量阈值的设置及说明
                        Table 3  Setting and explanation of minute rainfall thresholds in classification evaluation metrics

                  要素          是否降水        小时雨强达20 mm·h  -1      小时雨强达40 mm·h   -1         小时雨强达70 mm·h  -1
               分钟雨量阈值
                                0. 1            0. 34                 0. 67                     1. 17
                      -1
               / (mm·min )
                  说明       表征模型估计晴雨        表征模型估计短时强         表征模型估计降水是否满足橙色           表征模型估计降水是否满足红色
                              的准确性           降水的准确性           暴雨预警信号标准的准确性              暴雨预警信号标准的准确性

             3. 5 试验设置                                          研究基于 PyTorch 框架搭建了 CBAM U-Net 模型,
                  试验设置主要包括: (1)本研究将 2023 年数据                    采用均方误差损失函数(Mean Squared Error Loss,
             集作为模型训练集, 共有 85078 个数据样本(训练                        MSELoss)作为优化目标, 并结合 Adam(Adaptive
             样本 65000 个, 验证样本 20078 个); 2024 年数据集               Moment Estimation)优化算法进行模型训练。主要
             作为模型测试集, 共包含 9893 个数据样本。(2)本                       参数设置如下: Batch_size=8, Epochs=200, Learn‐
   83   84   85   86   87   88   89   90   91   92   93