机器学习与统计模型在石羊河流域气候降尺度研究中的适用性对比

摘要：

高分辨率气候数据是研究气候变化对农业、生态、水文影响的驱动数据,动力和统计降尺度模型是两类常用的生成高分辨率气候数据的方法,近年来机器学习模型也被用到气候变化的研究中,但针对不同站点(下垫面)的多种统计降尺度模型的对比研究较少.石羊河流域土地利用类型多样,海拔变化显著,适合研究降尺度模型的适用性.本研究选择2种传统统计降尺度模型和4种机器学习模型,并结合2种标准化方法对石羊河流域4个站点的气温和降水进行了降尺度的对比研究,探索该区域最优的降尺度模型.结果 表明,机器学习模型比传统统计模型有更好的降尺度能力.经过筛选后的多模型平均可以给出稳定的具有较高精度的降尺度结果.气温结果在每个站点相关系数均达到0.98(通过99％显著性检验),降水结果平均相关系数达到0.74(通过99％显著性检验).这表明在本研究中筛选出模型可以较好地实现降尺度的目的 ,这些模型可用于该区域未来气候情景数据的生成,可为气候变化相关研究提供可靠的气候数据.

关键词：统计降尺度;机器学习;气候变化

所属期刊栏目：42

分类号：P468(气候学)

资助基金：国家重点研发计划;中国科学院"百人计划"

在线出版日期：2022-03-16（万方平台首次上网日期，不代表论文的发表时间）

页数：共15页

页码：196-210