Page 140 - 《高原气象》2025年第6期
P. 140

高     原      气     象                                 44 卷
              1548
              1  引言                                             2019； Wu and Gao， 2020； Klutse et al， 2024）。统
                                                                计降尺度方法则是通过适当的偏差校正技术来降
                  近几十年来， 随着全球气候变暖， 极端高温、
                                                                低模式偏差， 例如， 分位数映射方法、 分位数增量
             热 浪 和 强 降 水 等 极 端 天 气 气 候 事 件 频 繁 发 生
                                                                映射法和经验分位数映射法等（Tong et al， 2021；
             （AghaKouchak et al， 2020； Frank et al， 2015； Was‐
                                                                Wang et al， 2023）。此外， 由于不同气候模式对极
             ko and Sharma， 2017）。这些单一变量的极端事件
                                                                端天气气候事件的模拟各具优势和局限性， 一些研
             本身已具备巨大的破坏力和深远影响， 而当多个极                            究发现通过采用多个模式集合的方法可以有效减
             端事件同时发生时， 其造成的损害往往远超单一事
                                                                少单一模型存在的偏差和不确定性， 从而增加模式
             件（Leonard et al， 2014； McPhillips et al， 2018； Xu   对未来极端事件预估的可靠性（Ge et al， 2021； Sun
             et al， 2019； Zscheischler et al， 2018）。其中， 复合      et  al，  2023；  Zhu  et  al，  2023；  周 佰 铨 和 翟 盘 茂 ，
             极端风雨事件（Compound wind and precipitation ex‐
                                                                2021）。例如， 在东南亚地区复合热浪事件研究
             tremes， CWPE）是一类伴随强风和强降雨的灾害性                       中， 多模式集合中位数（Multi-Model Ensemble Me‐
             天气， 会加剧对社会基础设施的破坏和经济损失                             dian， MME-Median）统计结果要比单个模式表现更
             （Martius et al， 2016； Ridder et al， 2022）。中国地      优（Sun et al， 2023）。在研究全球 CWPE 事件中采
             区 CWPE 频率呈现出从东南向西北逐渐减少的空                           用 多 模 式 集 合 平 均 方 法（Multi-Model  Ensemble
             间分布， 其中东部沿海地区的 CWPE频率显著高于                          Mean， MME-Mean）， 降低单个 CMIP6 模式模拟的
             内陆其他地区（Zhang et al， 2021）。近年来， 越来                  不确定性（Zhu et al， 2023）。
             越多的研究基于第六次国际耦合模式比较计划                                   随着人工智能算法的快速发展， 深度学习方法
             （Coupled Model Intercomparison Project， CMIP6）对   （Deep learning， DL）在天气和气候预测领域展现出
             中国降水和风速的变化进行了深入分析（Chen et                          显著优势（Lyu et al， 2023； Trok et al， 2024； 夏侯杰
             al， 2020； Deng et al， 2021； Tian et al， 2021； Wu et   等， 2023； 孙康慧等， 2024）。深度学习方法的优势
             al， 2020）。Meng et al （2023） 基于CMIP6对中国夏            在于其能够从复杂的多维数据中自动提取关键特
             季 CWPE 进行了研究， 发现在 SSP1-2. 6、 SSP2-4. 5             征， 构建与真实值之间的非线性映射关系， 从而显
             和 SSP5-8. 5 情景下东部沿海地区发生 CWPE 频率                    著提升预测结果的准确性， 使其更贴近真实观测值
             显著高于内陆其他地区。CWPE的发生通常与强对                           （Huang et al， 2024）。相较于传统方法， 深度学习
             流天气系统和热带气旋等有关（Dowdy and Catto，                     通过神经网络架构， 能够有效捕捉数据中的依赖性
             2017； Raveh and Wernli， 2015； Zhang et al， 2021）。  和复杂模式（Dueben and Bauer， 2018； Reichstein et
             CWPE 可能加剧洪水和海啸风险， 增加低洼地区的                          al， 2019）。许多学者提出将深度学习方法应用于
             脆弱性（Kew et al， 2013； Wahl et al， 2015）， CWPE       气候模式偏差校正中， 进一步提高模式的模拟和预
             不仅直接导致各种伤亡， 而且严重破坏基础设施，                            估能力（Kheir et al， 2023； Zhang and Li， 2021）。在
             污染水源， 破坏生活环境， 从而增加了人口的疾病                           研究极端降水方面， 反向传播学习算法相对于多模
             负担（Bevacqua et al， 2020； Feng et al， 2023； Lai et   式集合平均方法更有效地提高 CMIP6 模式对中国
             al， 2021）。                                         极端降水的模拟能力（Yan et al， 2022）。此外， Jose
                  尽管 CMIP6 模式对极端天气气候事件的模拟                       et al（2022）采用多层感知机（Multilayer Perceptron，
             能力取得显著的进步， 但由于全球气候模式空间分                            MLP）、 支持向量机、 额外树回归、 随机森林和长短
             辨率较大， 通常无法准确地捕获区域气候特征， 对                           期记忆等多种方法模拟印度热带地区河流流域的
             区域和局地尺度的模拟存在较大的偏差（Meng et                          降水、 最高温度和最低温度等变量， 发现机器学习
             al，  2023；  Wang  et  al，  2022；  Zhang  and  Chen，   方法的表现通常要优于多模式集合平均的结果。
             2021）。为了克服这一问题， 学者们发展了动力和                          还有相关研究基于多个 CMIP6 模式模拟的温度和
             统 计 降 尺 度 方 法（Giorgi  et  al，  2004；  Shi  et  al，   降水数据， 采用了三种不同的方法： 普通最小二乘
             2018； Song et al， 2023； Wu et al， 2022； Zhao et al，   回归、 决策树和深度神经网络， 集成新的数据集，
             2022）。其中动力降尺度方法是将大尺度气候变化                           并发现深度神经网络方法在提高模式模拟精度方
             的信息转化为小尺度区域气候变化的信息， 通常会                            面最为出色（Zhang et al， 2022）。综上表明， 深度
             采用区域气候模式来捕获各种小尺度物理过程， 提                            学习方法应用于气候模式模拟偏差校正， 可以有效
             高模式对更精细的空间分辨率的模拟（Wang et al，                       降低模式的不确定性和减少模式模拟偏差。然而，
   135   136   137   138   139   140   141   142   143   144   145