Page 99 - 《高原气象》2026年第3期
P. 99

3 期                       王彩玲等:基于地形引导注意力的降水降尺度模型研究                                         707
               尺度上通过地形引导注意力机制融合气象因子与                                表1  用于降水降尺度的预测因子与目标变量概述
               地形特征, 从而增强模型对于复杂地形区域降水分                              Table 1  Overview of predictor and target variables
               布的模拟能力。本研究以黄河中游地区为研究区,                                        for precipitation downscaling
               采 用 2001 -2010 年 的 ERA5 日 大 气 变 量 和 GPM                         变量         数据来源       空间分辨率
               IMERG 日降水数据以及高程数据进行模型训练,                           预测因子        温度/K          ERA5        2°×2°
               并利用 2011 -2020 年的数据对模型进行测试。通                                 比湿/(g·kg⁻¹)     ERA5        2°×2°
               过在测试集上的定量和定性分析表明, TGAN 在                                    经向风/(m·s⁻¹)      ERA5        2°×2°
               日、 月、 年 3 个时间尺度上的降水模拟效果, 以及                                 纬向风/(m·s⁻¹)      ERA5        2°×2°
               在极端降水和极端降水频率分布等方面均优于基                                        位势高度/gpm        ERA5        2°×2°
               线CNN模型。                                                        高程/m         GEBCO       500 m
               2  研究区域与数据                                         预测目标        降水/mm      GPM IMERG    0. 1°×0. 1°


               2. 1 研究区域                                         3  方法介绍
                   黄河中游地区(32°N -42°N, 100°E -116°E)位
                                                                 3. 1 地形引导注意力网络(TGAN)
               于中国北方, 地处青藏高原与华北平原之间的过渡
                                                                     本节提出了一种基于地形引导注意力的降水
               地带, 地形复杂多样, 涵盖黄土高原、 山地、 丘陵
                                                                 降尺度模型(图 1), 用于黄河中游地区的高分辨率
               和平原等多种地貌类型。该区域属于半干旱至半
                                                                 降水模拟。该模型采用拉普拉斯金字塔作为渐进
               湿润的过渡地带, 降水的空间分布呈自西北向东南
                                                                 式降尺度框架, 通过 3 个上采样模块将低分辨率气
               逐渐递增的趋势。受东亚夏季风的控制, 降水主要
                                                                 象数据逐步提升至目标分辨率(100×159), 最终输
               发生在夏季(6 -9 月约占全年的 70%), 并多以强降
                                                                 出用于降水场重建的 3 个参数: p、 log α 和 log β。
               水事件为主。其中 7 -8月占比超过 40%, 表现出显
                                                                 为确保参数的物理合理性, 对 log α 和 log β 进行指
               著的夏秋多雨、 冬春干旱的气候特征(任保平和杜
               宇翔, 2021)。由于地形起伏大, 降水集中且变率                        数变换, 从而保证 α 和 β 始终为正数。日降水量 Y
                                                                 的计算公式如式(1)所示:
               高等自然特征, 该地区生态环境脆弱, 对气候变化
                                                                             Y = f ( p) × Gamm (α, β )     (1)
               响应敏感。因此, 获取高分辨率的降水数据对于该
                                                                 式中: α 和 β 分别代表伽马分布的形状参数和尺
               地区的气候变化研究具有重要意义。
                                                                 度 参 数 ,  p 表 示 模 型 预 测 降 水 发 生 的 概 率 。
               2. 2 数据来源
                                                                 f ( p) ∈ { 0, 1 }表示降水是否发生的判断结果。首
                   如表 1 所示, 气象数据采用欧洲中期天气预报
                                                                 先根据 GPM IMERG训练集中每个网格日降水量小
               中心提供的 ERA5 再分析数据集, 空间分辨率为
                                                                 于 1 mm 的日数占比, 确定训练集预测降水概率序
               0. 25°×0. 25°。本研究选取了 500 hPa、 700 hPa 和
                                                                 列中对应位置的概率值为阈值 F, 作为是否发生降
               850 hPa 三个压力水平上的纬向风、 经向风、 温度、
               比湿以及位势高度作为预测因子, 并将其空间分辨                           水的判断标准。若测试集预测的降水概率 p < F,
               率统一升尺度到 2°×2°。为提升地形复杂区域的建                         则视为无降水, 设 f ( p) = 0; 若 p ≥ F, 则视为有降
               模精度, 研究中还引入了通用海底地形图(General                       水, 设 f ( p) = 1。在此基础上, 从 Gamma(α, β)分
               Bathymetric Chart of the Oceans, GEBCO)2024版高     布中随机采样降水强度, 并与 f ( p) 相乘可得到最
               程数据作为地形校正因子。降水基准数据 GPM                            终降水量Y。
               IMERG 来源于全球降水测量计划(Global Precipita‐                   TGAN 模型主要由两个分支构成: 主分支和地
               tion Measurement, GPM), 其空间分辨率为 0. 1°×            形分支, 两者协同作用以实现对复杂地形区域降水
               0. 1°。与其他的降水数据集相比, GPM IMERG 具                    分布的精准建模与细节重建。
               有更高的精度和时空分辨率(Tang et al, 2020), 并                    (1) 主分支
               在极端天气事件监测中表现出了较高的准确性(Su                               主分支采用拉普拉斯金字塔结构, 由特征提取
               et al, 2018)。除高程数据为静态数据外, 所有大气                    分支和重建分支构成, 输入低分辨率的大气变量。
               因子和降水数据均为 2001 -2020 年的日尺度数据。                     特征提取分支首先通过卷积层与激活函数进行初
               其中, 2001 -2010 年数据用于模型训练, 2011 -                  步特征提取, 随后依次通过 3 个残差密集块(Resid‐
               2020年数据用于模型验证。                                    ual Dense Block, RDB)以提取更深层次的高阶特
   94   95   96   97   98   99   100   101   102   103   104