机器学习算法在气候模式降水和气温集成中的应用

作者：鞠琴^*; 吴金雨; 王兴平; 刘小妮; 王乐扬; 段远强; 吴可馨; 蒋晓蕾

来源：水资源保护, 2023, 1-14.

• CMIP6气候模式
• 多模式集成
• 机器学习
• 预估
• 黄河流域水源涵养区

黄河流域水源涵养区是气候变化的敏感区，预估该区域未来降水和气温变化至关重要。选取国际耦合模式比较计划第六阶段（CMIP6）中的5种全球气候模式，构建算术平均、权重平均、多元线性回归、BP神经网络、LSTM神经网络和随机森林等6种多模式集成方法，基于历史降水和气温数据，评估不同集成方法的模拟效果。选取模拟效果最好的多模式集成方法预估未来SSP1-2.6、SSP2-4.5和SSP5-8.5三种情景下的降水和气温变化趋势。结果表明，集成模式能很好地再现基准期降水和气温变化，三种机器学习算法表现相对较好，其中LSTM神经网络方法最好。在未来三种情景下，多年平均降水量基本上都有所增加，四季降水量变化各有差异；SSP1-2.6情景下年降水量峰值都出现在各时段初期，SSP2-4.5和SSP5-8.5情景下的近期年降水量呈增长趋势，远期下降趋势较明显。气温都呈上升趋势，但变化差异较大，增温幅度和速率为SSP1-2.6 < SSP2-4.5 <SSP5-8.5情景，秋季气温增幅最大，冬季最小。多模式集成方法对未来降水和气温的预估存在较大的不确定性，均表现为中远期大于近期。降水预估的不确定性比气温相对更大，其中降水秋冬季不确定性明显大于春夏季。研究结果可为应对黄河流域气候变化提供参考。

• 单位
  河海大学; 扬州大学