Page 150 - 《高原气象》2025年第6期

高 原 气 象 44 卷
1558
6902. model ensemble predictions of daily precipitation and temperature
Deng H， Hua W， Fan G， 2021. Evaluation and projection of near-sur‐ through machine learning techniques［J］. Scientific Reports， 12
face wind speed over China based on CMIP6 models［J］. Atmo‐ （1）： 4678. DOI： 10. 1038/s41598-022-08786-w.
sphere， 12（8）： 1062. DOI： 10. 3390/atmos12081062. Kew S F， Selten F M， Lenderink G， et al， 2013. The simultaneous
Dowdy A J， Catto J L， 2017. Extreme weather caused by concurrent occurrence of surge and discharge extremes for the Rhine delta
cyclone， front and thunderstorm occurrences［J］. Scientific Re‐ ［J］. Natural Hazards and Earth System Sciences， 13（8）： 2017-
ports， 7（1）： 40359. DOI： 10. 1038/srep40359. 2029. DOI： 10. 5194/nhess-13-2017-2013.
Dueben P D， Bauer P， 2018. Challenges and design choices for global Kheir A M S， Elnashar A， Mosad A， et al， 2023. An improved deep
weather and climate models based on machine learning［J］. Geo‐ learning procedure for statistical downscaling of climate data［J］.
scientific Model Development， 11（10）： 3999-4009. DOI： 10. Heliyon， 9（7）. DOI： 10. 1016/j. heliyon. 2023. e18200.
5194/gmd-11-3999-2018， 2018. Kim T， Yang T， Zhang L， et al， 2022. Near real-time hurricane rain‐
Eyring V， Bony S， Meehl G A， et al， 2016. Overview of the Coupled fall forecasting using convolutional neural network models with
Model Intercomparison Project Phase 6 （CMIP6） experimental Integrated Multi-satellitE Retrievals for GPM （IMERG） product
design and organization［J］. Geoscientific Model Development， 9 ［J］. Atmospheric Research， 270： 106037. DOI： 10. 1016/j. at‐
（5）， 1937-1958. DOI： 10. 5194/gmd-9-1937-2016. mosres. 2022. 106037.
Frank D， Reichstein M， Bahn M， et al， 2015. Effects of climate ex‐ Klutse N A B， Abiodun B J， Quagraine K A， et al， 2024. Projected
tremes on the terrestrial carbon cycle： concepts， processes and changes in rainfall extremes over West African cities under specif‐
potential future impacts［J］. Global change biology， 21（8）： ic global warming levels using CORDEX and NEX-GDDP datas‐
2861-2880. DOI： 10. 1111/gcb. 12916. ets［J］. Earth Systems and Environment： 1-18. DOI： 10. 1007/
Feng J， Li D， Li Y， et al， 2023. Analysis of compound floods from s41748-024-00425-w.
storm surge and extreme precipitation in China［J］. Journal of Hy‐ Lai Y， Li J， Gu X， et al， 2021. Global compound floods from precipi‐
drology， 627： 130402. DOI： 10. 1016/j. jhydrol. 2023. 130402. tation and storm surge： Hazards and the roles of cyclones［J］.
Ge F， Zhu S， Luo H， et al， 2021. Future changes in precipitation ex‐ Journal of Climate， 34（20）： 8319-8339. DOI： 10. 1175/JCLI-
tremes over Southeast Asia： insights from CMIP6 multi-model D-21-0050. 1.
ensemble［J］. Environmental Research Letters， 16（2）： 024013. Leonard M， Westra S， Phatak A， et al， 2014. A compound event
DOI： 10. 1088/1748-9326/abd7ad. framework for understanding extreme impacts［J］. Wiley Interdis‐
Giorgi F， Bi X， Pal J， 2004. Mean， interannual variability and trends ciplinary Reviews： Climate Change， 5（1）： 113-128. DOI： 10.
in a regional climate change experiment over Europe. II： climate 1002/wcc. 252.
change scenarios （2071-2100）［J］. Climate Dynamics， 23： 839- Lyu Y， Zhu S， Zhi X， et al， 2023. Improving subseasonal‐to‐seasonal
858. DOI： 10. 1007/s00382-004-0467-0. prediction of summer extreme precipitation over southern China
Ham Y G， Kim J H， Luo J J， 2019. Deep learning for multi-year EN‐ based on a deep learning method［J］. Geophysical Research Let‐
SO forecasts［J］. Nature， 573（7775）： 568-572. DOI： 10. 1038/ ters， 50（24）： e2023GL106245. DOI： 10. 1029/2023GL106245.
s41586-019-1559-7. Martius O， Pfahl S， Chevalier C， 2016. A global quantification of com‐
Hao Z， Hao F， Xia Y， et al， 2022. Compound droughts and hot ex‐ pound precipitation and wind extremes［J］. Geophysical Research
tremes： Characteristics， drivers， changes， and impacts［J］. Letters， 43（14）： 7709-7717. DOI： 10. 1002/2016GL070017.
Earth-Science Reviews， 235： 104241. DOI： 10. 1016/j. earsci‐ McPhillips L E， Chang H， Chester M V， et al， 2018. Defining ex‐
rev. 2022. 104241. treme events： A cross‐disciplinary review［J］. Earth's Future， 6
Hersbach H， Bell B， Berrisford P， et al， 2020. The ERA5 global re‐ （3）： 441-455. DOI： 10. 1002/2017EF000686.
analysis［J］. Quarterly Journal of the Royal Meteorological Soci‐ Meng Y， Hao Z， Zhang Y， et al， 2023. Projection of compound wind
ety， 146（730）： 1999-2049. DOI： 10. 1002/qj. 3803. and precipitation extremes in China based on Phase 6 of the Cou‐
Huang B， Liu Z， Duan Q， et al， 2024. Unsupervised deep learning bi‐ pled Model Intercomparison Project models［J］. International
as correction of CMIP6 global ensemble precipitation predictions Journal of Climatology， 43（3）： 1396-1406. DOI： doi. org/10.
with cycle generative adversarial network［J］. Environmental Re‐ 1002/joc. 7922.
search Letters， 19（9）： 094003. DOI： 10. 1088/1748-9326/ Qi C R， Su H， Nießner M， et al， 2016. Volumetric and multi-view
ad66e6. CNNs for object classification on 3D data［J］. IEEE Conference
Hu Y F， Yin F K， Zhang W M， 2021. Deep learning‐based precipita‐ on Computer Vision and Pattern Recognition （CVPR）， 5648-
tion bias correction approach for Yin-He global spectral model 5656. DOI： 10. 1109/CVPR. 2016. 609.
［J］. Meteorological Applications， 28（5）： e2032. DOI： 10. 1002/ Raveh‐Rubin S， Wernli H， 2015. Large‐scale wind and precipitation
met. 2032. extremes in the Mediterranean： a climatological analysis for
Jose D M， Vincent A M， Dwarakish G S， 2022. Improving multiple 1979-2012［J］. Quarterly Journal of the Royal Meteorological So‐