基于深度学习的降水降尺度方法构建及优化

摘要

为了提高深度学习方法对全球气候模式（GCMs）日降水的降尺度效果，以长江流域为研究对象，基于20种GCMs输出的日降水数据，构建了4种深度学习降尺度模型，并与日偏差校正方法（DBC）结合，提出一种混合降尺度方法（DL-DBC）.4种深度学习方法对GCMs日降水的降尺度表现接近；与日偏差校正方法相比，其降尺度后的多年平均日降水的平均绝对相对误差（MARE）更低，但多年平均月降水和多年平均年降水的MARE略高，与深度学习方法相比，DL-DBC得到的多年平均年降水的MARE降低了6.7%～11.3%，多年平均月降水的MARE降低了6.3%～7.6%，且在降水量频率分析等方面同样表现更好.混合方法DL-DBC能提高深度学习模型对GCMs日降水数据的降尺度效果，进一步减小GCMs日尺度降水数据的偏差.

关键词

降尺度 / 深度学习 / 降水 / 全球气候模式 / 长江流域 / 气候变化