Page 92 - 《高原气象》2026年第3期
P. 92
高 原 气 象 45 卷
700
图4 2024年9月10日04:00 -05:00站点S1007、 S1009、 S1198、 S1208和S1844的实况以及CBAM U-Net(a~e)、
Attention U-Net(f~j)和U-Net(k~o)估计的分钟雨量曲线图
Fig. 4 Time series plots of observed and estimated [CBAM U-Net(a~e), Attention U-Net (f~j) and U-Net (k~o)]
minute rainfall at S1007, S1009, S1198, S1208 and S1844 from 04:00 to 05:00 on 10 September, 2024
-1
间, 难以反映实况降水超过 0. 4 mm·min (17:25 - 机制相关的参量,又能精准定位降水核心区,避免
17:45时段)的波动特性。 噪声引发的特征混淆,从而有效提升了 CBAM U-
对比两类降水模态下三种模型的降水估计性 Net模型的降水估计性能。
能可知: CBAM U-Net 模型虽存在峰值低估现象,
5 结论与讨论
但在时序特征捕捉方面更具优势。相比之下, At‐
tention U-Net 模型的低估问题更为突出, 且部分站 本研究构建了基于 CBAM U-Net 的雷达 QPE
点存在相位偏差; U-Net 模型则在两类降水过程中 模型, 通过引入 CBAM 模块, 实现了对与降水关
均表现出明显的局限性。由此可见, CBAM 模块通 联度高的空间区域和特征通道的自适应筛选。在
过双重注意力机制实现了递进式特征提取。首先, 模型训练阶段, 采用学习率预热策略结合余弦退
利用通道注意力剔除无效参量干扰, 解决了传统U- 火衰减机制, 提升了模型收敛效率。与 Attention
Net 对各通道特征“一视同仁”的问题; 随后, 通过 U-Net、 U-Net 以及两个 R(Z )关系式的对比实验表
H
空间注意力自动聚焦于回波强(Z 值大)、 含水量高 明 : 在 整 体 误 差 评 估 以 及 稳 定 性 检 验 方 面 ,
H
(K 值大)的区域, 并抑制边缘噪声。该级联结构 CBAM U-Net 模型实现了最高准确性(CC=0. 665,
DP
-1
使编码器在提取深层特征时, 既能保留与降水物理 R MSE =0. 331 mm·min , R MAE =44. 651%)以及较好的

