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

