Page 151 - 《高原气象》2025年第6期

6 期 谭淇昌等：基于深度学习方法改进CMIP6模式对中国东部沿海复合极端风雨事件的模拟能力 1559
ciety， 141（691）： 2404-2417. DOI： 10. 1002/qj. 2531. Wang D， Liu J， Wang H， et al， 2022. Performance evaluations of
Reichstein M， Camps-Valls G， Stevens B， et al， 2019. Deep learning CMIP6 and CMIP5 models for precipitation simulation over the
and process understanding for data-driven Earth system science Hanjiang River Basin， China［J］. Journal of Water and Climate
［J］. Nature， 566（7743）： 195-204. DOI： 10. 1038/s41586-019- Change， 13（5）： 2089-2106. DOI： 10. 2166/wcc. 2022. 402.
0912-1. Wang P， Hui P， Xue D， et al， 2019. Future projection of heat waves
Ridder N N， Pitman A J， Ukkola A M， 2020a. Do CMIP6 climate over China under global warming within the CORDEX-EA-II
models simulate global or regional compound events skillfully？ project［J］. Climate Dynamics， 53： 957-973. DOI： 10. 1007/
［J］. Geophysical Research Letters， 48（2）： e2020GL091152. s00382-019-04621-7.
DOI： 10. 1029/2020GL091152. Wasko C， Sharma A， 2017. Global assessment of flood and storm ex‐
Ridder N N， Pitman A J， Westra S， et al， 2020b. Global hotspots for tremes with increased temperatures［J］. Scientific Reports， 7（1）：
the occurrence of compound events［J］. Nature communications， 7945. DOI： 10. 1038/s41598-017-08481-1.
11（1）： 5956. DOI： 10. 1038/s41467-020-19639-3. Wu H， Lei H， Lu W， et al， 2022. Future changes in precipitation over
Ridder N N， Ukkola A M， Pitman A J， et al， 2022. Increased occur‐ the upper Yangtze River basin based on bias correction spatial
rence of high impact compound events under climate change［J］. downscaling of models from CMIP6［J］. Environmental Research
Npj Climate and Atmospheric Science， 5（1）： 3. DOI： 10. 1038/ Communications， 4（4）： 045002. DOI： 10. 1088/2515-7620/
s41612-021-00224-4. ac620e.
Shi Y， Wang G， Gao X， 2018. Role of resolution in regional climate Wu J， Gao X， 2020. Present day bias and future change signal of tem‐
change projections over China［J］. Climate Dynamics， 51： 2375- perature over China in a series of multi-GCM driven RCM simula‐
2396. DOI： 10. 1007/s00382-017-4018-x. tions［J］. Climate Dynamics， 54： 1113-1130. DOI： 10. 1007/
Song S， Zhang X， Gao Z， et al， 2023. Evaluation of atmospheric cir‐ s00382-019-05047-x.
culations for dynamic downscaling in CMIP6 models over East Wu J， Shi Y， Xu Y， 2020. Evaluation and projection of surface wind
Asia［J］. Climate Dynamics， 60（7）： 2437-2458. DOI： 10. 1007/ speed over China based on CMIP6 GCMs［J］. Journal of Geo‐
s00382-022-06465-0. physical Research： Atmospheres， 125（22）： e2020JD033611.
Sun X， Ge F， Chen Q， et al， 2023. How striking is the intergenera‐ DOI： 10. 1029/2020JD033611.
tional difference in exposure to compound heatwaves over South‐ Xu H， Xu K， Lian J， et al， 2019. Compound effects of rainfall and
east Asia？［J］. Earth's Future， 11（6）： e2022EF003179. DOI： storm tides on coastal flooding risk［J］. Stochastic Environmental
10. 1029/2022EF003179. Research and Risk Assessment， 33： 1249-1261. DOI： 10. 1007/
Taylor K E， 2001. Summarizing multiple aspects of model performance s00477-019-01695-x.
in a single diagram［J］. Journal of Geophysical Research： Atmo‐ Yaddanapudi R， Mishra A， Huang W， et al， 2022. Compound wind
spheres， 106（D7）： 7183-7192. DOI： 10. 1029/2000JD900719. and precipitation extremes in global coastal regions under climate
Tian J， Zhang Z， Ahmed Z， et al， 2021. Projections of precipitation change［J］. Geophysical Research Letters， 49（15）： e2022GL098
over China based on CMIP6 models［J］. Stochastic Environmen‐ 974. DOI： 10. 1029/2022GL098974.
tal Research and Risk Assessment， 35： 831-848. DOI： 10. 1007/ Yan Y， Wang H， Li G， et al， 2022. Projection of future extreme pre‐
s00477-020-01948-0. cipitation in China based on the CMIP6 from a machine learning
Tong Y， Gao X， Han Z， et al， 2021. Bias correction of temperature perspective［J］. Remote Sensing， 14（16）： 4033. DOI： 10. 3390/
and precipitation over China for RCM simulations using the QM rs14164033.
and QDM methods［J］. Climate Dynamics， 57： 1425-1443. Yılmaz B， Aras E， Nacar S， 2024. A CMIP6-ensemble-based evalua‐
DOI： s00382-020-05447-4. tion of precipitation and temperature projections［J］. Theoretical
Trok J T， Barnes E A， Davenport F V， et al， 2024. Machine learning- and Applied Climatology， 155（8）： 7377-7401. DOI： 10. 1007/
based extreme event attribution［J］. Science Advances， 10（34）： s00704-024-05066-7.
eadl3242. DOI： 10. 1126/sciadv. adl3242. Zhang P， Lu J， Chen X， 2022. Machine-learning ensembled CMIP6
Wahl T， Jain S， Bender J， et al， 2015. Increasing risk of compound projection reveals socio-economic pathways will aggravate global
flooding from storm surge and rainfall for major US cities［J］. Na‐ warming and precipitation extreme［J］. Hydrology and Earth Sys‐
ture Climate Change， 5（12）： 1093-1097. DOI： 10. 1038/ncli‐ tem Sciences Discussions， 2022： 1-40. DOI： 10. 5194/hess-
mate2736. 2022-235.
Wang D， Liu J， Luan Q， et al， 2023. Projection of future precipita‐ Zhang S， Chen J， 2021. Uncertainty in projection of climate ex‐
tion change using CMIP6 multimodel ensemble based on fusion tremes： A comparison of CMIP5 and CMIP6［J］. Journal of Mete‐
of multiple machine learning algorithms： A case in Hanjiang Riv‐ orological Research， 35（4）： 646-662. DOI： 10. 1007/s13351-
er Basin， China［J］. Meteorological Applications， 30（5）： e2144. 021-1012-3.
DOI： 10. 1002/met. 2144. Zhang S， Li X， 2021. Future projections of offshore wind energy re‐