Page 91 - 《高原气象》2026年第3期
P. 91

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                                   699
                   首先, 针对晴雨分类的估计, CBAM U-Net 模                   演变模态降水的估计能力。其中, 10 日的降水过
               型在 POD 方面表现突出, 达到了 0. 992, 表明该模                   程具有显著“脉冲式”特征, 即在 60 min 时段内, 分
               型能够准确识别出绝大部分的降雨天气; Attention                      钟雨量呈现剧烈波动, 多个站点的分钟雨量超过
               U-Net 与 U-Net 对于晴雨天气的估计效果基本一                      2 mm·min 。与之相反, 29 日 17:00 -18:00 为强降
                                                                          -1
               致, 略差于CBAM U-Net。值得注意的是两个R(Z )                    水过程趋于结束的时段, 以稳定性降水为主, 分钟
                                                           H
               关系式的 FAR均低于深度学习模型, 这可能与深度                         雨量稳定在 0. 2~1. 0 mm·min 范围。两次过程的
                                                                                            -1
               学习模型本身存在的系统性偏差有关。综合 CSI指                          具体雨量计分布如图1中黄色五角星标记所示。
               数来看, CBAM U-Net 模型的晴雨分类结果要优于                          如图 4 所示, 从上至下分别为 CBAM U-Net、
               其他方法。                                             Attention U-Net、 U-Net针对 10日降水过程中 5个代
                   当分钟雨量阈值增大至 0. 34 mm·min 和 0. 67               表性地面雨量计的分钟雨量估计结果, 实线为实况
                                                     -1
                      -1
               mm·min 时, 5 种方法的评估指标出现不同程度的                       降水, 虚线为模型估计。CBAM U-Net 模型[图 4
               下滑。其中, CBAM U-Net 模型依然展现出更好的                     (a)~(e)]在降水峰值与相位捕捉上呈现差异化表
               适用性, POD分别能达到0. 915(0. 34 mm·min )和               现。所有站点的估计降水峰值均低于实况, 但峰值
                                                        -1
                                  -1
               0. 643(0. 67 mm·min ), 其 CSI 评分分别为 0. 655         出现时次与实况高度吻合。以具有“双峰”特征的
                            -1
                                                    -1
              (0. 34 mm·min )和 0. 485(0. 67 mm·min ), 与其         站点 S1009[图 4(b)]为例, 模型虽低估降水峰值,
               他方法相比, 降水估计效果优势显著。然而 U-Net                        却精准定位降水曲线波峰、 波谷的位置, 表现出对
               模型的指标却出现急速下滑, 尤其当阈值为 0. 67                        降 水 时 序 变 化 特 征 的 良 好 捕 捉 能 力 。 Attention
               mm·min 时, 其 CSI 指数低至 0. 160, 且显著低于                U-Net 模型[图 4(f)~(j)]同样存在降水峰值低估问
                      -1
               Z-R关系。                                            题, 在站点 S1009[图 4(g)]、 S1208[图 4(i)]中表现
                                                -1
                   随 着 阈 值 增 大 到 1. 17 mm·min , CBAM U-          显著。此外, 该模型对站点 S1198[图 4(h)]的估计
               Net模型的 CSI指数也迅速降至 0. 181, 其他方法均                   出现明显相位偏移, 未能有效提取该站点降水的时
               低于 0. 1, 可见五种方法在评估分钟雨量超过 1. 17                    间维特征信息, 对降水时序演变的追踪能力不足。
               mm·min 的超高降水效率对流云时, 都难以准确                         U-Net模型[图 4(k)~(o)]降水峰值低估问题最为突
                      -1
               刻画其降水量的变化特征。经统计发现模型训练                             出, 且时间维特征提取缺陷明显。以站点 S1198 为
                                            -1
               集中分钟雨量超过 1. 17 mm·min 的极端值样本占                     例, 其估计降水曲线不仅峰值显著低于实况, 降水
               比约为 5. 4%, 呈现较为明显的偏态分布。这种分                        变化的时间节点也存在较大偏差。
               布特征导致极端值样本对总损失的贡献被常态样                                 图 5 对比了三种模型对 29 日稳定性降水过程

               本的累积损失大幅稀释: 模型迭代优化过程中, 占                          的估计效果。针对 CBAM U-Net 模型[图 5(a)~
               比超 94% 的常态样本因数量优势, 其损失贡献主导                       (e)]的分析表明, 该模型对降水峰值的估计依然偏
               了参数更新方向, 模型更倾向于拟合常态区间的降                           低, 但较 10 日过程幅度收窄。降水时序变化方面,
               水规律; 而极端值样本因数量稀少, 其损失信号难                          以站点 S1540[图 5(b)]为例, 虽然模型可以勾勒出
               以推动参数向捕捉极端降水特征的方向调整, 最终                           整体变化趋势, 但针对相邻时次分钟雨量 0. 1~0. 2
                                                                        -1
               使得模型对极端值的特征学习能力显著不足。                              mm·min 量级的微小波动呈现敏感性不足的问题。
                   综上所述, 在多阈值条件下的评估中, CBAM                       相较之下, Attention U-Net 模型[图 5(f)~(j)]的估
               U-Net 模型的降水估计效果最优, Attention U-Net                计曲线波动幅度更大, 在多个站点(如 S1871 的
               次之。而 U-Net 的表现存在较大反差, 随着降水强                       17:42 时刻和 S1888 的 17:19 时刻)出现降水极小值

               度的增大, 其评估指标迅速转差, 凸显了注意力机                          异常低估的问题, 且针对站点 S1879[图 5(i)]降水
               制对强降水的适应性提升。                                      演变特征的捕捉存在显著提前的现象。U-Net 模型
               4. 3 不同时间演变模态的降水估计对比检验                           [图 5(k)~(o)]的表现最为局限, 以站点 S1540[图 5
                   本研究选取 2024 年 9 月 10 日 04:00 -05:00 与         (o)]为例, 估计曲线全时段显著低于实况曲线, 且
               29 日 17:00 -18:00 的两次短时强降水天气作为分                   在降水峰值时次(17:37)出现最大偏差。同时, 模
                                                                                                     -1
               析样本, 检验评估三种深度学习模型对不同时间                            型的估计值集中在 0. 10~0. 25 mm·min 的狭窄区
   86   87   88   89   90   91   92   93   94   95   96