Page 97 - 《高原气象》2026年第3期
P. 97

第 45 卷  第 3 期                        高     原     气    象                             Vol. 45  No. 3
                 2026 年 6 月                       PLATEAU METEOROLOGY                                June, 2026


               王彩玲, 樊磊, 解小宁, 2026.  基于地形引导注意力的降水降尺度模型研究[J]. 高原气象, 45(3): 705-717.  WANG Cailing,
               FAN Lei, XIE Xiaoning, 2026.  A Deep Learning-Based Precipitation Downscaling Models with Terrain-Guided Attention[J]. Pla‐
               teau  Meteorology,  45(3):  705-717.   DOI:  10. 7522/j. issn. 1000-0534. 2025. 00098. CSTR:  32265.14. gyqx. CN62-1061/
               P.2025.00098.



                       基于地形引导注意力的降水降尺度模型研究




                                             王彩玲 , 樊 磊            1, 2 , 解小宁    2
                                                      1
                                            (1. 西安石油大学计算机学院,  陕西  西安    710065;
                                   2. 中国科学院地球环境研究所  黄土科学全国重点实验室,  陕西  西安    710061)

                       摘要: 基于卷积神经网络(Convolutional Neural Network, CNN)的降水降尺度技术能够利用深度学习模
                       型从低分辨率全球气候模式生成高分辨率降水数据, 是评估气候变化在区域和局地尺度上对环境造成
                       影响的关键技术, 具有重要的现实意义。本文提出了一种基于CNN的降水降尺度模型-地形引导注意力
                       网络(Terrain-guided Attentian Network, TGAN), 能够实现2°大气变量的降尺度操作, 并得到0. 1°的高分
                       辨率降水场。该模型采用拉普拉斯金字塔作为渐进式降尺度框架, 逐级提升分辨率并重建降水场; 同时
                       引入地形引导注意力模块, 通过注意力机制以多尺度方式聚合大气数据和相应尺度的高程信息, 加强模
                       型的特征学习能力, 从而实现模型模拟精度的提高。本研究以黄河中游地区为研究区域, 使用 2001 -
                       2010 年的 ERA5 日大气变量、 GPM IMERG 日降水数据和高程数据进行模型训练, 并利用 2011 -2020 年
                       的数据验证 TGAN的有效性。结果表明, 相较于传统 CNN模型, TGAN在日、 月和年尺度的时空降水模
                       拟中均表现出更高精度, 尤其是在日尺度上优势更为显著: 其平均均方根误差低至 5. 10 mm·d⁻¹, 平均
                       相关系数高达 0. 42, 预测的第 95 百分位数和第 99 百分位数也更接近于 GPM IMERG 观测数据。同时,
                       TGAN 模拟的日降水概率密度分布与 GPM IMERG 也更加吻合, 尤其是在大降水区间中, 表现出了更高
                       的一致性。此外, 本文进一步分析了不同损失函数对 TGAN 模型降尺度性能的影响。采用 RMSE 损失
                       函数可以提升模型整体的预测精度, 但在极端降水模拟上存在明显低估; 而 Bernoulli-Gamma 损失函数
                       虽整体精度略低, 但却能更准确地重现极端降水事件, 其概率密度分布与 GPM IMERG及站点观测数据
                       基本保持一致, 表现出较好的极端降水捕捉能力。总体而言, TGAN通过结合地形引导注意力机制以及
                       Bernoulli-Gamma 损失函数, 在黄河中游地区的降水降尺度任务中展现出显著优势, 不仅提升了整体模
                       拟精度, 同时能够更好地捕捉极端降水事件, 为复杂地形区域的高分辨率降水模拟提供了有力支撑。
                       关键词: 降水降尺度; 卷积神经网络; 地形引导注意力; 拉普拉斯金字塔; 黄河中游地区
                       文章编号: 1000-0534(2026)03-0705-13   中图分类号: P426.6   文献标识码: A
                       DOI: 10. 7522/j. issn. 1000-0534. 2025. 00098
                       CSTR: 32265.14.gyqx.CN62-1061/P.2025.00098


               1  引言                                             映不同区域的气候特征及其差异(陈超君和王钦,
                                                                 2014)。因此, 降尺度技术作为一种将大尺度的气
                   为了更精准地评估区域尺度上的气候变化影                           候模式输出转换为高空间分辨率区域数据的方法,

               响, 获取高分辨率的气象数据至关重要。然而, 现                          已成为气候变化研究中不可或缺的重要手段(Gior‐
               有的全球气候模式(Global climate models, GCMs)             gi and Mearns, 1999)。
               由于其输出结果的空间分辨率较低, 难以充分地反                               目前的降尺度方法主要分为动力降尺度和统


                  收稿日期: 2025⁃05⁃29: 定稿日期: 2025⁃09⁃01
                  资助项目: 中国科学院战略性先导科技专项; 黄土科学全国重点实验室开放基金资助项目(SKLLQG2418); 西安石油大学研究生创新
                         基金项目(YCX2513161)
                  作者简介: 王彩玲(1984 -), 女, 宁夏吴忠人, 副教授, 主要从事深度学习、 人工智能、 信息提取技术等研究. E-mail: azering@163.com
                  通信作者: 解小宁(1981 -), 男, 陕西渭南人, 研究员, 主要从事全球变化研究. E-mail: xnxie@ieecas.cn
                  © Editorial Department of Plateau Meteorology (CC BY-NC-ND)
   92   93   94   95   96   97   98   99   100   101   102