Page 89 - 《高原气象》2026年第3期
P. 89

3 期                 周   聪等:基于CBAM U-Net模型的成都X波段相控阵雷达降水估计                                   697
               ing_rate=0. 0005。为优化训练过程, 本研究采用学                  和 0. 150), R MSE 超过 0. 8 mm·min (0. 837 mm·min -1
                                                                                               -1
               习率预热策略, 即在前 10 个 Epoch 中, 学习率逐步                   和 1. 026  mm·min ),  R MAE  高 于 84%(84. 766% 和
                                                                                 -1
               从初始值递增至 0. 0005。第 11 个 Epoch 开始使用                 95. 108%), 且 R MB  分别为 1. 577% 和 26. 874%, 均
               余弦退火方案(Loshchilov et al, 2017)进行学习率               呈现高估现象。
               衰减, 以防止模型在训练过程中出现过拟合与梯度                               对比发现, 深度学习模型的 CC 均超过 0. 47,
               爆炸。此外, 考虑到模型数据样本中 Z 可能存在                          R MSE  降至 0. 43 mm·min 以下, 表明模型估计降水
                                                                                      -1
                                                  DR
               负值, 模型采用LeakyReLU作为激活函数。(3)本研                     与实况降水的一致性以及绝对误差控制均优于传
               究将 CBAM U-Net 模型与 Attention U-Net、 U-Net          统 Z-R 关系。三种模型中, CBAM U-Net 在整体降

               以及两个 R(Z )关系式的降水估计结果进行对比,                         水估计效果上表现最优, 其 CC 达到 0. 665, R            MSE  为
                           H
               评估不同方法在利用 X 波段相控阵雷达数据进行                           0. 331 mm·min , R MAE  为 44. 651%, 均优于其他两
                                                                              -1
               降水估计时的性能表现。                                       种模型。Attention U-Net 的降水估计效果次之, 而

               4  结果与分析                                          U-Net 表现相对较差, 且其 R 低至-30. 742%, 出
                                                                                            MB
                                                                 现了显著的低估。可见, 在模型中引入注意力机
               4. 1 整体评估结果                                       制, 有助于提升模型对于关键区域和重要通道的学
                   表4给出了不同雷达降水估计方法的误差评估结                         习能力, 提取与降水相关度更高的特征信息。尤其
               果。R(Z )关系式在各指标的表现显著低于深度学习                         在针对局地强对流时, 注意力机制的引入缓解了因
                      H
               模型: R(Z )-Z与R(Z )-L的CC值均小于0. 2(0. 151             忽略局部强回波特征而导致的降水低估问题。
                                 H
                        H
                                       表4  5种降水估计方法针对X波段雷达的降水估计效果评估
                                   Table 4  Performance evaluation of five QPE methods for X-band Radar
                                                                        -1
                          模型                    CC            R  / (mm·min )        R  /%            R /%
                                                               MSE                   MAE              MB
                       CBMA U-Net              0. 665             0. 331            44. 651           7. 324
                       Attention U-Net         0. 488             0. 399            59. 233           7. 360
                          U-Net                0. 471             0. 427            59. 406         -30. 742
                                   1. 331
                    H
                  R(Z )-Z: R (Z H ) = 452∙Z H  0. 151             0. 837            84. 866           1. 577
                                    1. 324
                 R(Z )-L: R (Z H ) = 346. 3∙Z H  0. 150           1. 026            95. 108          26. 874
                    H
                   为深入剖析5种方法的降水估计稳定性, 图3展                        说明 U-Net 的估计降水较实况降水存在系统性偏
               示了4部雷达在9个降水时段的CC、 R               MSE 、 R MAE 以及  低, 这与整体误差评估的结果一致(-30. 742%)。
               R 箱线图。从CC、 R       MSE 和R MAE 的数据表现来看[图           与模型相比, 两个 R(Z )关系式的箱体长度显著偏
                                                                                     H
                MB
               3(a)~(c)], CBAM U-Net 模型的 CC 最大值超过                长, 即针对不同站点、 不同过程的降水估计效果差
               0. 8, 中位数约为 0. 65; R  MSE 均小于 0. 53 mm·min ;      异显著, 方法的稳定性较差, 这主要与 R(Z )关系
                                                          -1
                                                                                                         H
               R MAE 中位数在 46% 左右, 并且模型估计数据的离散                    依赖经验公式, 难以适应不同降水场景有关。
               程度较小, 表明针对不同雷达站、 不同降水时段,                              综上所述, CBAM U-Net 模型在准确性方面表

               CBAM U-Net 模型均表现出较好的降水估计性能。                       现最优且具有较高的稳定性, Attention U-Net 次
               其他两种模型在 CC、 R        MSE  和 R MAE 的数据表现较为         之, 而 U-Net 虽然稳定性较好, 但却存在显著的低
               接近且均优于Z-R关系。                                      估问题。与深度学习模型相比, R(Z )方法无论在
                                                                                                  H
                   CBAM U-Net 与 Attention U-Net 模型 R  MB  的中     准确性还是稳定性均表现不佳。
               位 线 均 位 于 0 线 以 上[图 3(d)],  虽 然 Attention         4. 2 不同降水强度下的评估结果
               U-Net 的中位线与 0 线更接近, 但 CBAM U-Net 的                    为进一步探究 5种方法针对不同降水强度时的
               箱体较 0线偏离更小, 因此两者整体的R 基本一致                         降水估计效果, 本研究选取表 3 中的分钟雨量作为
                                                   MB
              (CBAM     U-Net:   7. 324%;  Attention   U-Net:    分类评估的阈值, 以更全面地了解各方法在不同降
               7. 360%)。相反, U-Net模型除最大值外, 其余数据                   水强度下的适应性和准确性, 为实际应用提供更具
               样本的 R 均小于 0%, 且上四分位数接近-25%,                       针对性的参考依据, 具体的评估结果如表5所示。
                       MB
   84   85   86   87   88   89   90   91   92   93   94