基于深度学习的降水降尺度方法构建及优化
牛子贤
陈杰
熊立华
李爽
柏雄风
武汉大学水资源工程与调度全国重点实验室,湖北 武汉 430072
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
分类号：P339(水文科学（水界物理学）)
资助基金：湖北省自然科学基金创新群体项目(No.2025AFA023)国家自然科学基金(No.U2240201)
论文发表日期：2025-09-30
在线出版日期：2025-10-15（本平台首次上网日期，不代表文献的发表时间）
页数：15( 3506-3520 )
英文信息