{
  "id": "climate-downscaling",
  "title": "气候降尺度",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "气候降尺度通过物理模型、统计关系或两者结合，从较粗尺度的数据中提取局地或区域气候信息。",
  "category": "geography",
  "subcategory": "",
  "type": "concept",
  "aliases": [
    "气候降尺度处理"
  ],
  "generated_at": "2026-11-04",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/climate-downscaling/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/climate-downscaling/",
      "json": "https://aiwiki.page/en/climate-downscaling.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "气候降尺度是指从描述较大区域或较长时间间隔内状况的数据中，获取更精细尺度的气候信息的过程。它用于将大气与海洋环流模型和地球系统模型的输出转换为适用于区域、流域、城市或具体地点的信息。降尺度可以采用物理模拟、统计关系或混合方法。它能够揭示粗分辨率模型无法显式表示的区域细节，但分辨率提高并不意味着结果必然更准确，也不意味着对未来状况的不确定性必然降低。"
    },
    {
      "heading": "目的与尺度",
      "text": "全球气候模型在计算网格上表示大气、海洋、陆地及气候系统的其他组成部分。网格间距限制了模型对海岸线、山脉、城市地区以及局地天气过程的刻画能力。气候评估采用的许多全球模拟，其大气网格间距约为50—250千米，不过不同模型和试验的分辨率差异很大。\n\n在这些尺度上，山脉可能被表示为宽阔而平滑的地形隆起，一个沿海网格单元则可能涵盖气候差异很大的多种环境。然而，海拔和离海距离的变化会显著影响温度、降水和风。因此，雨影等过程可能需要额外的区域信息才能得到刻画。\n\n降尺度将这些大尺度模拟与影响研究所关注的尺度联系起来。其目标可以是：\n\n- 更精细的空间网格，例如网格间距为千米级的区域数据集。\n- 某个特定地点，例如气象站。\n- 更短的时间间隔，例如根据日尺度信息推导逐小时降雨。\n- 同时细化空间尺度和时间尺度。\n\n空间分辨率、时间分辨率和模拟区域的大小是彼此独立的属性。一个数据集可以具有精细的空间分辨率，却只有逐月时间步长；也可以空间分辨率较粗，却提供逐小时输出。\n\n降尺度并不只是空间插值的另一种说法。插值估算的是已有网格点之间的数值；单靠插值，既不能重建缺失的物理过程，也不能提供经独立验证的局地气候关系。"
    },
    {
      "heading": "动力降尺度",
      "text": "动力降尺度在有限区域内使用分辨率更高、基于物理过程的大气模型。最常见的做法是采用区域气候模型，由全球模型或历史大气状况的重建数据驱动。\n\n边界条件与嵌套\n\n区域模型需要初始条件，以及侧边界上随时间变化的信息。这些边界条件通常包括温度、风、湿度和气压。除非由适当耦合的模型计算，否则海表温度和海冰状况也可能需要预先给定。\n\n随后，区域模型模拟其计算区域内的大气演变。与驱动模型相比，它能更细致地表示地形、海岸线以及陆面差异。\n\n在单向嵌套中，信息从粗分辨率模型传递给精细分辨率模型，而不向粗分辨率模拟反馈。有些建模系统允许双向相互作用。通过多个嵌套区域，可以逐级将全球模拟与一个小范围、高分辨率的区域连接起来。\n\n区域模拟范围的大小和位置很重要。范围过小，边界可能对区域过程施加过强的约束；范围较大，则允许模型内部产生更多变率。有些系统采用松弛逼近方法，使选定的大尺度大气特征保持接近驱动数据集中的相应特征。\n\n显式解析过程与参数化过程\n\n提高分辨率可使模型显式解析更多过程，但并非所有过程。尺度小于网格的过程仍须通过气候模型参数化来表示。\n\n当网格间距为几千米时，对流许可模型无需依赖粗分辨率模型所用的常规深对流参数化方案，就能表示深对流的重要特征。在某些情形下，这类模拟可以改善对降雨发生时间、组织结构和强度的刻画。但它们并不能解析所有云过程：云微物理、湍流以及其他次网格过程仍需近似处理。\n\n动力降尺度与数值天气预报有许多共同的数值基础，但两者目标不同。气候模拟通常力求可靠地刻画多年尺度上的分布、变率与变化，而不是预测未来特定日期实际出现的天气序列。\n\n优势与局限\n\n动力方法可以生成多种大气变量在时空上协调一致、随时间演变的场。当气候与地形或海岸线的物理相互作用十分重要，或历史统计关系可能发生变化时，这类方法尤其有用。\n\n其主要局限包括计算成本高、对模型配置敏感，以及会继承驱动模型的误差。如果全球模型未能准确表示某种主要环流型，那么嵌套的区域模型即使添加了看似真实的局地细节，仍可能保留相关偏差。"
    },
    {
      "heading": "统计降尺度",
      "text": "统计降尺度建立大尺度气候条件与局地或区域气候结果之间的关系。这些关系通常利用相互配对的历史观测和大尺度大气数据进行估计，再应用于模型模拟。\n\n其一般形式为\n\n\\[y_{s,t}=f(X_t,Z_s;\\theta)+\\varepsilon_{s,t},\\]\n\n其中，\\(y_{s,t}\\) 是位置 \\(s\\)、时间 \\(t\\) 的局地气候变量，\\(X_t\\) 描述大尺度条件，\\(Z_s\\) 包含海拔等局地特征，\\(\\theta\\) 表示拟合参数，\\(\\varepsilon_{s,t}\\) 表示未解析的变率或误差。\n\n不同方法对函数 \\(f\\) 和误差项作出不同的假设。\n\n主要方法\n\n回归与传递函数。 通过线性或非线性模型，将局地变量与大尺度预测因子联系起来。预测因子可以包括环流指数、大气湿度、气压场，或选定大气层次上的温度。\n\n天气分型与相似法。 将大尺度大气形势划分为不同类别，或与相似的历史形势进行匹配，再根据与这些形势对应的观测估计局地状况。\n\n天气发生器。 利用随机模型生成具有指定统计特征的合成天气序列。这些模型可以表示湿日出现与否、降水量、温度以及变量之间的依赖关系。气候模型信息可用于修改其参数，以表示变化后的条件。\n\n机器学习方法。 机器学习可以估计非线性关系，或根据粗尺度输入重建精细尺度场。具体方法包括基于树的模型、人工神经网络和生成式方法。其表现取决于训练数据的质量与覆盖范围，在应用于历史范围之外的条件时尤其如此。\n\n与长时间的区域模型模拟相比，统计降尺度通常对计算资源的需求较低，因此可以应用于众多全球模型、情景和地点。然而，在观测站点稀疏或分布不均的地区，其对观测数据的依赖可能成为主要限制。\n\n平稳性假设\n\n一个核心问题是：从过去学到的关系，在不同的气候条件下是否仍然适用。这通常称为平稳性假设。\n\n例如，如果大气湿度增加、积雪覆盖减少或土地利用发生变化，区域环流与局地降雨之间的历史关系就可能改变。因此，在校准期内表现良好的方法，在未来条件下的表现可能变差。\n\n基于同样的原因，预测因子的选择也很重要。一个有用的预测因子不应仅仅在历史上与某个局地变量相关，还应体现一种在所研究条件下很可能仍有意义的关系。"
    },
    {
      "heading": "偏差校正与降尺度",
      "text": "偏差校正通过修改模型输出来减小其与参考数据集之间的差异。它常被纳入降尺度流程，但两者在概念上不同：一种方法可以校正偏差而不提高分辨率，也可以提高分辨率而不校正偏差。\n\n简单的温度校正可以消除历史平均误差。更复杂的方法则会校正变率、湿日频率或整个概率分布。\n\n例如，基本的分位数映射变换可以写为\n\n\\[x_{\\mathrm{adj}} = F_{\\mathrm{obs}}^{-1}\\!\\left(F_{\\mathrm{mod}}(x_{\\mathrm{mod}})\\right),\\]\n\n其中，\\(F_{\\mathrm{mod}}\\) 是模型历史模拟的累积分布，\\(F_{\\mathrm{obs}}^{-1}\\) 是观测参考数据的累积分布的反函数。\n\n这类校正可以提高模型结果与历史观测的一致性，但将其应用于未来时会引入一些假设。标准分位数映射可能改变模型所预估的均值、变率或极端值变化。变化保持方法旨在解决这一问题的某些方面，但没有任何校正方法能保证保留所有相关特征。\n\n对各个变量或地点分别进行独立校正，还可能破坏变量之间及空间上的联系。温度、湿度、辐射和风在物理上相互作用；降雨场的空间结构对河流流量具有重要影响。多变量方法和空间方法力求保留这些依赖关系，但也增加了复杂性和数据需求。"
    },
    {
      "heading": "混合方法与时间分解",
      "text": "混合降尺度将物理技术与统计技术结合起来。可以先通过区域气候模拟提供物理上可解析的区域信息，再用统计方法校正残余偏差，或将网格单元输出转换为站点位置上的信息。\n\n另一种常见方法是将模拟得到的气候变化叠加到观测基准上。对于温度，一种简单的加性变化因子法为\n\n\\[T_{\\mathrm{future,local}} = T_{\\mathrm{baseline,local}} + \\left( \\overline{T}_{\\mathrm{future,model}} - \\overline{T}_{\\mathrm{historical,model}} \\right).\\]\n\n对于降水，通常采用乘性因子，但在基准降雨量很小的地区，比值会出现问题。简单的变化因子法通常保留了基准序列及其变率的大部分特征，因此仅靠这类方法无法表示暴雨结构或事件持续性的一切可能变化。\n\n时间分解将较粗的时间间隔细化，例如将逐日降雨转换为逐小时序列。它必须考虑事件持续时间、强度、无雨间隔以及季节性发生时间。正确的日降雨总量并不能唯一确定产生这一总量的逐小时降雨分布。"
    },
    {
      "heading": "发展与协同试验",
      "text": "20世纪后期，随着计算资源的发展使嵌套区域气候模拟具备可行性，以及人们对气候变化的关注日益增加、区域信息需求不断增长，现代气候降尺度得到拓展。统计方法与这些模拟并行发展，并借鉴了气候学、预报和随机天气生成领域的早期研究。\n\n随后，协同建模计划使人们能够更系统地比较区域模型、驱动它们的全球模型以及不同试验设置。区域气候降尺度协同试验，简称CORDEX，为区域降尺度试验和评估提供了国际框架。\n\n较新的进展包括对流许可气候模拟、大型区域集合、统计仿真器，以及利用机器学习重建精细尺度场。高分辨率全球建模为获取区域信息提供了另一条途径，但受计算资源限制，分辨率、模拟时长和集合规模之间仍需权衡。"
    },
    {
      "heading": "评估与附加价值",
      "text": "与驱动数据或更简单的替代方案相比，如果降尺度数据集改善了与特定用途相关的信息，就具有附加价值。仅仅展示一幅细节更多的地图，并不能证明存在附加价值。\n\n评估可以考察：\n\n- 季节平均值和年内变化周期。\n- 从逐日到多年尺度的变率。\n- 降雨强度、湿日频率和连续无雨期长度。\n- 极端事件的频率、持续时间和空间范围。\n- 不同变量及地点之间的关系。\n- 在后续影响模型中的表现。\n\n评估应将用于校准的时段与独立检验时段区分开来。如果相邻日期或地点之间具有很强的依赖性，随机划分单个日期可能会夸大表面上的表现。将完整年份、区域或异常气候时段留作检验，可以提供更严格的评估。\n\n观测参考数据也存在不确定性。气象站采样的是特定地点，卫星产品依赖反演方法，网格化观测数据集则涉及插值及其他假设。站点与模型网格单元之间的差异，可能部分反映了两者所代表空间范围的不同，而不完全是模型误差。"
    },
    {
      "heading": "不确定性与解读",
      "text": "降尺度预估继承了未来强迫假设、全球气候响应和自然变率带来的不确定性，同时又增加了与区域模型或统计方法、校准数据、偏差校正及处理方案有关的不确定性。\n\n气候模型集合可以对其中部分来源进行采样，但集合并不自动构成具有代表性的概率分布。不同模型可能共享代码、参数化方案或驱动数据集，现有模拟也可能只覆盖合理结果范围中的有限部分。\n\n解读时需要注意的重要局限包括：\n\n- 精细网格不保证具备精细尺度预测能力。 数值模型的有效分辨率通常比其网格间距更粗。\n- 局地预估仍具有条件性。 它们取决于驱动模拟和方法假设。\n- 极端事件难以估计。 短记录对罕见事件的采样不足，而未来极端事件可能超出校准范围。\n- 时空连贯性十分重要。 各点的分布正确，并不保证暴雨移动路径、区域内同时发生的极端事件或持续干旱具有真实性。\n- 降尺度不确定未来天气的具体日期。 气候预估通常描述分布和事件发生可能性的变化，而不是预测几十年后的哪一天会发生暴雨。"
    },
    {
      "heading": "应用",
      "text": "降尺度气候信息被用于水文学、农业、生态系统研究、能源系统研究和基础设施评估。流域模型可能需要局地降水和温度数据，以模拟径流、融雪和地下水补给。城市研究则可能将区域预估与土地覆盖及城市热岛的模拟表示相结合。\n\n适当的方法取决于具体应用。季节性水资源分析可能侧重全流域总量和持续性，而山洪研究则需要短历时降雨强度及其空间组织结构的信息。风能分析可能依赖特定高度上的风况分布，作物建模则可能需要符合实际的温度、降雨和辐射序列。\n\n为了使结果的解读具有可复现性，降尺度产品需要记录其驱动模型、强迫假设、参考观测、时空分辨率、校准期、校正程序以及集合构建方式。缺少这些信息，就很难区分不同产品之间的差异究竟源于产品本身，还是源于其底层假设的不同。"
    }
  ],
  "links": [
    "climate",
    "general-circulation-model",
    "earth-system-model",
    "temperature",
    "precipitation",
    "wind",
    "rain-shadow",
    "spatial-interpolation",
    "climate-model-parameterization",
    "numerical-weather-prediction",
    "machine-learning",
    "artificial-neural-network",
    "training-data",
    "probability-distribution",
    "climate-change",
    "calibration",
    "climate-model-ensemble",
    "hydrology",
    "groundwater-recharge",
    "urban-heat-island",
    "flash-flood"
  ],
  "sources": [],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}