SAR-UNet：一种基于空间注意力机制的大气河识别网络模型

准确、高效地识别大气河可以有效地预防洪涝和干旱等自然灾害，对地区的经济、社会和生态发展具有非常重大的意义。现有的大气河识别算法主要是基于多个物理量的阈值来实现的，它们能有效地识别大气河，但需要手动设置阈值和几何度量标准。由于现有方法在复杂度和泛化能力上的局限性，本文基于深度学习的方法，提出了名为SAR-UNet的网络模型，该模型基于UNet网络结构，在特征提取时创新性地加入了空间注意力机制，从而能够更好地获取大气河的局部特征信息。通过深度学习的方法来对大气河进行自动识别，有效地解决了现有方法需要确定阈值和度量标准的不足。实验结果表明，基于SAR-UNet的大气河识别方法在ERA-Interim气候再分析数据集上具有最佳的识别效果，大气河识别的精度上达到了97.27%，MIoU值高达85.22%。

大气河(Atmospheric River, AR)是位于对流层下层的一条狭长的水汽传输路径[1]， 通常长度会有几千公里， 而宽度却只有几百公里， 形似一条长河而得名。

它经常出现在低纬度至中纬度地区的海洋上方[2]， 同时也会伴随着海洋性气旋、低空急流和锋面活动。一条大气河所携带的水量甚至可以超过地球上最大的河流——亚马逊河[3]，因此其在全球水汽分布的影响中起着非常关键的作用，故而经常作为地区降水的一个重要考量因素。由于大气河经常会引起极端降水，而造成洪涝灾害[4]，因此研究大气河的识别具有重要的意义。描述大气河的物理量通常有两种：1) 水汽输送(Integrated Water Vapor Transport, IVT)， 它能够显示大气河中水汽的运输情况；2) 水汽含量(Integrated Water Vapor, IWV)，它能够显示大气河中的水汽总量。由于IVT 拥有更好的方向性，能在全球范围内应用，同时也是产生强降雨和洪水的关键因素[5]，因而IVT 是更加常用的物理量，包括本文的数据集也是基于IVT 的。

随着人们对大气河的了解，越来越多的人开始关注并研究大气河的识别方法[6]。现有的大气河识别方法主要是基于IVT 和IWV 两个物理量来判定[7]，此外，还要根据大气河的形状，如长、宽，方向等来辅助判定。现有方法可以大致分成三个大类：1) 基于单个观测点或者模型网络单元的低层风和IWV值，无需考虑大气河的几何形状特征。这种方法适合研究小的、局部地区的大气河登录[8]。2) 先确定研究区域的预选面积，跟踪流经这个截面水汽的空间特征，再根据大气河的强度、长度、方向来实现对大气河的识别，由于需要预先选择特定的区域，因此这种方法适用于指定区域内大气河登陆的研究，而不适用对全球范围内的大气河识别[9]。

3) 充分地考虑大气河的地理形态， 包括给定区域内任何位置大气河的长宽特征， 这类方法适用于大气河在大区域空间内的分布研究[10]。

这些大气河识别算法都可以有效地识别出符合条件的大气河，但还是存在着一些不足：1) 泛化能力较差。不同的算法对大气河确定的阈值条件和几何标准也不尽相同，这会导致不同的算法对大气河的识别结果也不完全相同，使得算法的泛化