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

