高原气象

作者：谭淇昌,张宇,葛非,蒋毅飞,邬钰嫣,王康宁

单位：<sup class=\"mag-xml-aff-label-sup added-by-sys\">1.</sup> 成都信息工程大学大气科学学院/高原大气与环境四川省重点实验室/成都平原城市气象与环境四川省 野外科学观测研究站/四川省气象灾害预测预警工程实验室，四川 成都 610225","<sup class=\"mag-xml-aff-label-sup added-by-sys\">2.</sup> 广东海洋大学海洋与气象学院，广东 湛江 524088

关键词：深度学习,复合极端风雨事件,CMIP6,中国东部沿海地区

基金：国家自然科学基金项目(42375047),国家自然科学基金项目(U2442210),四川省自然科学基金项目(2024NSFSC0064),高原与盆地暴雨旱涝灾害四川省重点实验室开放研究基金项目(SZKT202304)

相对于单一极端天气气候事件， 由极端强风和极端降水造成的复合极端风雨事件（Compound wind and precipitation extremes， CWPE）对沿海地区的经济和人民生活造成巨大的影响。本文利用第六次国际耦合模式比较计划（Coupled Model Intercomparison Project Phase 6， CMIP6）中17个模式模拟1961 -2000年中国东部沿海地区CWPE作为训练集， 采用多层感知机神经网络建立深度学习（Deep Learning， DL）模型。通过构建适用于CWPE损失函数的方式对模型进行优化， 发展适用于降低CMIP6模式对CWPE模拟偏差和不确定性的DL模型。研究结果表明， 大多数CMIP6模式对中国东部沿海地区CWPE有较好的模拟能力， 其中多模式集合平均值（Multi-Model Ensemble Mean， MME-Mean）和多模式集合中位数（Multi-Model Ensemble Median， MME-Median）的结果相对于单一模式的评估表现更好。以均方误差（Mean Squared Error， MSE）函数作为损失函数构建的DL模型， 在泰勒技巧评分（Taylor Skill Score， TS）和均方根误差（Root Mean Squared Error， RMSE）评分上的表现不如多模式集合统计结果。在MSE损失函数基础上加入气候评估指标中的标准差之比（Ratio of the Standard Deviation， RSD）和构建的低估值约束函数， 可以有效提高DL模型在TS和RMSE评分上的表现。因此， 将由MSE、 RSD以及低估值约束函数构建的加权损失函数训练的DL模型定义为DL-MRM， 仅以MSE作为损失函数训练的DL模型定义为DL-MSE。对比分析2001 -2014年间两个DL模型对中国东部沿海CWPE模拟表现以及DL-MRM相对于多模式集合方法的表现得出： （1）两个DL模型模拟结果均表现低估， 但DL-MRM的偏差相比于DL-MSE更低且更接近观测， 其中在研究区域内DL-MRM的相对偏差低于DL-MSE的面积约为63%， 且相对偏差平均降低了约20%； （2）DL-MRM相较于MME-Mean和MME-Median， 整体偏差较低， 其模拟结果更接近观测， 在研究区域内DL-MRM的相对偏差较低的面积占比分别为67%和62%， 且相对偏差分别平均降低约10%和20%。总体而言， 通过融合RSD和低估值约束函数构建加权损失函数的方式对模型进行优化， 建立了适用于提高CMIP6模式模拟CWPE能力的DL模型， 并表明结合深度学习方法相对于传统多模式集合方法能更有效地降低CMIP6模式模拟CWPE的偏差。

来源：2025年第6期

《高原气象》期刊编辑部

查看高原气象杂志2025年第6期