本研究由昆明理工大学的Longfei Guo（第一作者及通讯作者）、Yunwei Pu和Wenxiang Zhao合作完成，论文《CNN-BiLSTM Daily Precipitation Prediction Based on Attention Mechanism》于2025年3月15日发表在期刊Atmosphere（2025年第16卷，第333页），论文开放获取，遵循CC BY 4.0许可协议。
研究领域与动机
日降水量预测是气象学和水文学的核心课题，对防洪减灾、农业灌溉和城市规划至关重要。然而，降水数据的非线性和非平稳性特征导致传统深度学习模型（如LSTM、CNN）的预测可靠性不足，尤其在极端天气事件中表现不佳。为解决这一问题，本研究提出了一种融合主成分分析（PCA, Principal Component Analysis）、卷积神经网络（CNN, Convolutional Neural Network）、双向长短期记忆网络（BiLSTM, Bidirectional Long Short-Term Memory）和注意力机制（Attention Mechanism）的新型模型（PCA-CNN-BiLSTM-Attention），旨在提升降水预测的精度与鲁棒性。
科学目标
1. 通过PCA降低高维气象数据的冗余性，提取关键主成分；
2. 结合CNN的空间特征提取能力与BiLSTM的时间依赖性建模优势；
3. 引入注意力机制动态加权关键时间步特征，优化极端降水事件的预测性能；
4. 以中国昆明为案例验证模型的有效性。
研究对象与数据来源
使用中国气象数据网发布的昆明站（站点编号56778）1953年1月1日至2019年12月31日的日尺度气象数据，共24,472天，包括气温（tem）、相对湿度（rhu）、风速（win）、蒸发量（evp）、降水量（pre）、日照时数（ssd）和气压（prs）。缺失数据通过线性插值补充。
PCA降维流程
1. 标准化：按公式 ( x^*{ij} = \frac{x{ij} - \bar{x}_j}{\sqrt{\text{Var}(x_j)}} ) 归一化数据；
2. 计算相关系数矩阵：( R = \frac{X^{T}X^}{n-1} )；
3. 特征提取：求解特征值 ( \lambda_i ) 和特征向量 ( \mu_i )，按方差贡献率（85%、90%、95%阈值）选择主成分。
PCA-CNN-BiLSTM-Attention模型架构
1. CNN层：一维卷积核（输入维度6，序列长度10）提取局部时空特征，ReLU激活函数，最大池化降维；
2. BiLSTM层：双向LSTM单元（遗忘门、输入门、输出门结构）捕获前后向时间依赖关系；
3. 注意力机制层：计算隐藏状态权重 ( a{ti} = \frac{\exp(s{ti})}{\sumk \exp(s{tk})} )，聚焦关键时间步；
4. 全连接层：线性回归输出降水量预测值。
参数设置
- 训练集:验证集:测试集=7:2:1；
- 批次大小（batch_size）=64，学习率=0.001，迭代次数（epochs）=200；
- 随机失活（dropout）=0.3以防止过拟合。
对比模型
- 基准模型：LSTM、CNN-LSTM、CNN-BiLSTM、CNN-BiLSTM-Attention；
- 鲁棒性测试：添加高斯噪声（标准差0.1~1.0）评估抗干扰能力。
评价指标
- Nash效率系数（NSE）、均方根误差（RMSE）、平均绝对误差（MAE）；
- 相关系数（R）、均值偏差（α）、标准差比率（β）。
注意力机制有效提升了极端降水事件的捕捉能力。如图5所示，模型在2018-2019年730天的测试周期内，对暴雨事件的预测与实际观测高度一致。
随着高斯噪声强度增加（标准差0.1→1.0），模型NSE平滑下降（95%阈值下仍保持>0.85），表明PCA降维显著提升了抗数据扰动能力。
科学意义
1. 首次将PCA与CNN-BiLSTM-Attention融合，解决了降水数据的高维非线性问题；
2. 注意力机制的动态加权策略优化了时间步特征选择，提升了极端值预测精度；
3. 为短时降水预测提供了可解释的深度学习框架。
应用价值
- 防灾减灾：24小时暴雨预警可辅助昆明市应急部门启动防洪预案；
- 农业与生态：优化高原湖泊（如滇池）生态补水决策；
- 城市规划：支持排水系统设计以减少内涝风险。
（全文约1,800字）