关键词:
统计降尺度
机器学习
信息流
温度
降水
摘要:
大气环流模式(GCMs)是当前预估未来气候变化的主要工具,但其空间分辨率较粗,无法满足局地气候变化影响评估的需要。为解决这一问题,基于线性回归方程的统计降尺度方法被开发用以提高GCMs的空间分辨率,并在后来不断改进创新;同时,机器学习技术在解决各种预测建模问题方面表现优越,这使其有潜力成为统计降尺度的新工具。因此,本研究应用机器学习模型-Light Gradient Boosting Machine(LightGBM)构建统计降尺度模型,并结合信息流方法选择预报因子,通过与线性回归方法(基于经验正交函数分解-EOF的逐步多元线性回归法)进行比较,探讨了LightGBM在统计降尺度领域的应用能力。两种方法对我国重要的气候变化敏感区-黄河流域进行降尺度处理,对流域内90个站点建立统计降尺度模型,生成1965-2014年夏季各站点的气温与降水,通过分析降尺度值与观测值之间的相关系数,均方根误差(RMSE)和空间分布,评估两种方法的性能。结果表明,对温度降尺度时,两种降尺度方法均可以校正再分析资料(ERA5)在流域北部的温度误差,其中LightGBM表现出优越的站点间相关关系,但在6、7、8月分别有60,64和52个站点表现出比回归法更高的RMSE;对降水降尺度时,两种降尺度数据集与ERA5均无法准确再现观测值的空间分布,但由LightGBM得到的降尺度值较回归法有更高的站点间相关系数,且在6、7、8月仅有16,7和14个站点表现出比回归法更高的RMSE。考虑到机器学习方法在非线性问题上建模的潜力,未来仍需进一步改进算法,提高降尺度数据集的质量。研究结果中机器学习在降尺度工作中的优缺点为未来选用统计降尺度方法生成高分辨率温度与降水数据提供了技术参考和支持。