天津市水資源與水環(huán)境重點實驗室沙健課題組近日在國際權(quán)威學(xué)術(shù)期刊Climate Dynamics上發(fā)表題為"A spatial weather generator based on conditional deep convolution generative adversarial nets (cDCGAN)"的研究論文。該研究首次提出了一種基于條件深度卷積生成對抗網(wǎng)絡(luò)(cDCGAN)的創(chuàng)新性空間天氣發(fā)生器模型，可用于將全球氣候模式(GCM)的低分辨率輸出降尺度到區(qū)域尺度的高分辨率天氣數(shù)據(jù)，為定量評估未來氣候變化的區(qū)域影響提供關(guān)鍵技術(shù)支撐。
傳統(tǒng)的GCM降尺度方法存在不確定性分析能力不足的問題，難以充分揭示區(qū)域尺度氣候變化的時空分異特征。針對這一挑戰(zhàn)，研究團(tuán)隊提出了一種新穎的cDCGAN機器學(xué)習(xí)架構(gòu)，利用卷積與反卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建生成器和判別器，并將GCM網(wǎng)格值作為條件變量引入，通過迭代生成多個可能的區(qū)域天氣分布，據(jù)此評估模型輸出的不確定性(如圖1)。該模型克服了傳統(tǒng)方法的局限性，對GCM降尺度不確定性分析具有創(chuàng)新意義。
圖1 CDCGAN天氣發(fā)生器模型架構(gòu)
研究團(tuán)隊選取中國東北冷區(qū)、東部溫帶區(qū)、東南沿海亞熱帶區(qū)和西北高原區(qū)四個典型區(qū)域開展案例研究。利用cDCGAN模型，基于BCC-CSM2-MR全球氣候模式輸出，生成了2025-2100年四種共享社會經(jīng)濟路徑(SSP)情景下典型區(qū)域的逐日高分辨率溫度數(shù)據(jù)產(chǎn)品。通過系列測試統(tǒng)計和空間分析，證實了cDCGAN模型具有較高的精度和較小的不確定性，尤其在低海拔平原、熱帶地區(qū)等氣候條件相對穩(wěn)定的區(qū)域表現(xiàn)出色。生成的高時空分辨率區(qū)域氣候數(shù)據(jù)可直接應(yīng)用于當(dāng)?shù)剞r(nóng)業(yè)、水文、生態(tài)等領(lǐng)域的影響評估模型，為未來適應(yīng)性管理提供更加精準(zhǔn)的情景模擬。該研究為評估氣候變化的區(qū)域影響提供了新思路和新方法，有望成為環(huán)境管理決策支持的有力工具。
該研究得到國家重點研發(fā)計劃項目(2022YFC3202701)資助，由天津師范大學(xué)和清華大學(xué)的科研人員合作完成。論文第一作者為天津師范大學(xué)沙健助理研究員，通訊作者為天津師范大學(xué)李雪副研究員，天津師范大學(xué)為第一完成單位。
論文鏈接:https://doi.org/10.1007/s00382-023-06971-9
科研進(jìn)展