Page 93 - 《高原气象》2026年第3期
P. 93

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                                   701


















































                    图5 2024年9月29日17:00 -18:00站点S1166、 S1540、 S1871、 S1879和S1888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. 5 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 during 17:00 -18:00 on September 29, 2024
               稳定性; Attention U-Net的准确性次之; 虽 U-Net稳                  针对 2024 年 9 月两次短时强降水天气(10 日
               定 性 较 好 但 存 在 严 重 低 估 。 而 Z-R 关 系 在 CC           “脉冲式”; 29日稳定性)的评估显示: CBAM U-Net
                                        -1
              (<0. 2)、 R (>0. 8 mm·min )和 R (>84%)指标             模型在两类降水模态中均表现最优, 在“脉冲式”过
                        MSE
                                              MAE
               上显著劣于深度学习模型, 且箱体长度长, 稳定                           程中虽低估峰值, 但能精准捕捉降水相位; 在稳定
               性差。                                               性降水中的整体趋势拟合最佳, 却存在对 0. 1~0. 2
                   多阈值分类评估中, CBAM U-Net 模型在 0. 10                mm·min 微波动敏感性不足的问题。在两类降水
                                                                        -1
                      -1
               mm·min (CSI=0. 894, POD=0. 992)、 0. 34 mm·min -1  模态下, 除存在峰值低估外, Attention U-Net 对部
                                                       -1
              (CSI=0. 655,  POD=0. 915)和 0. 67  mm·min 阈 值       分站点(如 10 日 S1198 和 29 日 S1879)的估计降水
              (CSI=0. 485, POD=0. 643)中表现最优, CBAM 模              存在显著的相位偏差。3 种模型中, U-Net 的表现
               块有效提升了模型对强降水的适应性; Attention U-                    最差, 其低估幅度最大且时序变化特征的偏差明
                                               -1
               Net 次之, 而 U-Net 在 0. 67 mm·min 阈值时 CSI 骤          显, 尤其在 29 日过程中, 站点 S1540 的估计曲线全
               降至 0. 160, 且低于 Z-R 关系(验证注意力机制的必                   时段显著低于实况曲线, 并且完全丢失实况降水的
                                                    -1
               要性)。当面对极端降水(≥1. 17 mm·min )时, 所                   时间演变信息。
               有方法 CSI 均<0. 2(CBAM U-Net 为 0. 181), 暴露               尽管 CBAM U-Net 模型的降水估计效果优于
               出模型对极端值的学习能力不足。                                   Attention U-Net和 U-Net,但仍存在一些亟待解决的
   88   89   90   91   92   93   94   95   96   97   98