Метод даунскейлинга и коррекции смещения для ансамблевого моделирования климатических моделей местных

Научные отчеты, том 13, Номер статьи: 9412 (2023) Цитировать эту статью

Подробности о метриках

Ансамблевое моделирование климатических моделей используется для оценки воздействия изменения климата на осадки и требует масштабирования в местном масштабе. Для оценки ежедневных и ежемесячных осадков на основе данных наблюдений и моделирования использовались методы статистического даунскейлинга. Даунскейлинг краткосрочных данных об осадках необходим для более точного прогнозирования экстремальных осадков и связанных с ними бедствий на региональном уровне. В этом исследовании мы разработали и исследовали эффективность метода даунскейлинга для моделирования климатической модели ежечасных осадков. Наш метод был разработан для распознавания изменяющихся во времени систем осадков, которые могут быть представлены с тем же разрешением, что и численная модель. Даунскейлинг улучшил оценку пространственного распределения почасовой частоты осадков, среднемесячных значений и значений 99-го процентиля. Изменение климата в количестве и частоте осадков было показано почти во всех районах с использованием 50 средних ансамблевых оценок осадков, хотя естественная изменчивость была слишком велика для сравнения с наблюдениями. Изменения количества осадков соответствовали результатам моделирования. Таким образом, наш метод даунскейлинга улучшил оценку климатических характеристик экстремальных осадков и более полно представил влияние местных факторов, таких как топография, которые было трудно оценить с помощью предыдущих методов.

Подробные прогнозы региональных осадков необходимы для точной оценки риска стихийных бедствий, связанных с водой, и доступности ресурсов пресной воды в условиях изменения климата1. Из-за недостаточного разрешения климатических моделей для оценки изменений местной погоды с использованием результатов климатических моделей2 используются методы динамического и статистического даунскейлинга. Динамическое даунскейлинг применяет выходные результаты глобальной климатической модели к числовой модели высокого разрешения, что требует значительной вычислительной мощности. Статистические методы основаны на наблюдаемых линейных регрессиях между осадками и рядом атмосферных переменных1,2. Статистические методы часто используются для оценки ежедневных или ежемесячных осадков на основе наблюдаемых и смоделированных данных, а не для оценки почасовых осадков на основе моделирования климатической модели, в отличие от метода динамического даунскейлинга. В целом, ежечасные осадки связаны с мезомасштабными системами осадков и формируются в результате взаимодействия местных факторов, таких как топография и изменяющиеся во времени атмосферные поля (например, орографические осадки)3,4. Однако статистические методы обычно неспособны распознать детальные временные закономерности в системах осадков и плохо подходят для оценки пространственного распределения почасовой частоты осадков5,6. Без правильной оценки трудно точно оценить влияние изменения климата на региональные закономерности осадков5.

Недавно были разработаны методы даунскейлинга с использованием машинного обучения7,8,9,10,11,12,13,14,15,16,17,18,19. Эти методы позволяют учитывать более сложные объясняющие переменные и оценивать количество осадков с более высоким уровнем точности. Однако большинство этих методов не позволяют оценить почасовое количество осадков. Обычно почасовую оценку осадков затруднительно оценить, поскольку даже небольшая разница в атмосферных полях может изменить распределение осадков из-за нелинейности процесса выпадения осадков. Следовательно, для оценки почасовых осадков необходим метод, который распознает тонкие различия в погодных условиях. Этого можно достичь с помощью методов машинного обучения с использованием результатов прогнозных моделей и данных наблюдений, которые потенциально могут быть применены к климатическим моделям. Однако неясно, применимы ли закономерности, распознаваемые прогностическими моделями, к климатическим моделям из-за различий в разрешении и параметрах между этими моделями. Следовательно, необходимо выявить явления, которые являются общими как для прогнозных, так и для климатических моделей и применимы к методам даунскейлинга на основе машинного обучения.