PDF
研究文章|开放获取
任徐，陈宁陈，陈辰，Zeqiang Chen那 “基于机器学习方法的汉江上游多cmip5降水降尺度与投影"，气象学的进展那 卷。2020那 文章的ID8680436.那 17 页面那 2020． https://doi.org/10.1155/2020/8680436
基于机器学习方法的汉江上游多cmip5降水降尺度与投影
任许
那1那2
Nengcheng陈那2那3.
指陈那1
和
Zeqiang陈2那3.
1资源与环境科学，武汉大学，129路珞喻，武汉430079，中国的学校
22 .武汉大学测绘遥感信息工程国家重点实验室，湖北武汉430079
3.地理空间技术，武汉大学，武汉430079，中国协同创新中心
摘要
降尺度显著地缓解了大气环流模式(GCMs)模拟区域气候的缺陷。然而，关于使用机器学习方法降尺度的信息很少，特别是在水文流域尺度上。本研究基于贝叶斯模型平均(BMA)建立了多个机器学习(ML)降尺度模型，利用模式输出统计量(MOS)对汉江上游8个耦合模式相互比较项目(CMIP5) 1961-2005年的降水模拟进行了降尺度分析。采用皮尔森相关系数(Pearson’s correlation coefficient, PCC)、均方根误差(root mean squared error, RMSE)、相对偏差(relative bias, Rbias)等一系列统计指标进行评价和比较分析。在代表性浓度途径4.5 (RCP4.5)和RCP8.5情景下，利用BMA和最佳ML降尺度模型对21世纪降水进行降尺度分析。结果表明:(1)BMA集合模拟的性能明显优于单个模型和简单平均模型集合(MME)。PCC达到0.74，所有gcm的RMSE均比mcm降低了28% ~ 60%，RMSE比mcm降低了33%。(2)缩减后的模型大大提高了站模拟性能。支持向量机回归(SVR)优于多层感知器(MLP)和随机森林(RF)。基于BMA集合模拟和SVR模型的降尺度结果总体上表现最好(PCC、RMSE和Rbias分别为0.82、35.07、mm和−5.45%)。(3)基于BMA和SVR模型，RCP4.5和RCP8.5下预估降水总体呈微弱增加趋势。 Specifically, the average rainfall during the mid- (2040–2069) and late (2070–2099) 21st century increased by 3.23% and 1.02%, respectively, compared to the base year (1971–2000) under RCP4.5, while they increased by 4.25% and 8.30% under RCP8.5. Additionally, the magnitude of changes during winter and spring was higher than that during summer and autumn. Furthermore, future work is recommended to study the improvement of downscaling models and the effect of local climate.
1.介绍
一般循环模型（GCMS）被广泛利用在气候变化下研究区域气象和水文反应。GCMS的低分辨率阻碍了盆地的应用;因此，缩小技术对于以当地规模获得数据至关重要。许多研究基于全球各个地区的各种次要技术来解决了这项任务[1-3.］．次要次数包括两个大组，包括动态较低（DD），它使用区域气候模型（RCMS）到低级GCM，以及统计缩小（SD），其旨在在大规模的大气变量之间实现统计或实证关系（称为预测器）和区域变量（被称为预测和）。SD具有较低的计算成本，相对简单的实施和可靠的精度的优点。因此，如果研究主要集中在盆地规模的沉淀上主要集中在沉淀和投射的沉淀上，则SD技术可能是方便的。
SD方法一般分为两类:完美预后(perfect prognosis, PP)和模型输出统计量(model output statistics, MOS) [2］．对于PP，建立了预测量与观测到的大规模预测量之间的统计关系，而对于MOS，利用gcm模拟预测量与观测到的预测量之间的统计关系。鉴于历史预测的大量数据库的可用性和明确解释gcm固有偏差的能力，MOS作为PP的替代方案最近获得了相当大的人气[4.那5.］．MOS可以提供更多关于降水或温度的动态控制的信息，特别是结合降水(温度)数据和环流数据作为预报器[6.］．MOS在预测气候变化方面也具有很高的潜力[7.那8.］．近年来，基于回归的MOS模式已成为建立gcm模拟变量与观测降水关系的热门方法。基于回归技术的MOS降尺度研究已经取得了成功。例如，Jonathan等人利用最大协方差分析和主成分回归降低了温带MOS的尺度，得出MOS明显优于PP方法，PP方法利用了观测到的大规模预测因子[9.］．
然而，局地降水与GCM后向数据空间分布的关系往往非常复杂。已有几项比较研究表明，机器学习(ML)方法与其他SD方法(如统计降尺度模型或传统线性回归模型)相比具有优越性[10-12］．已证明ML方法是对建模高度非线性关系的效率[7.］．人工神经网络(ANN)有能力应用于气候降尺度，因为它能够建立预测器和预测器之间的非线性关系[13］．同时，回归（SVR）模型的支持向量机也已成功地通过应用内核函数将低维输入数据映射到高维特征空间来捕获高度非线性关系[10］．此外，另一种ML方法，随机森林(RF)，由于它可以实现不同类型的输入变量并灵活操作，被认为是一种有效的、鲁棒的表示复杂关系的算法。该方法也成功地应用于降水降尺度[12］．然而，ML方法在MOS降尺度中的适用性尚未得到广泛的探讨。Sa 'adi等人比较了两种ML方法，RF和SVR，以减少基于MOS的月降水。结果表明，该策略能够对GCM降水进行适当的降尺度处理，而SVR总体表现出更准确的性能[7.］．这一结果启发了基于MOS的ML方法在其他区域盆地进行降压降水的实施。
一些研究表明，多模型集合投影在长期内比较“最佳”的单一模型，因为它们有效地减少不确定性[14那15］．此外，最近的研究表明，GCM是水文过程气候变化对气候变化的预计不确定性中最大的量化不确定性来源。有一些拟议的合并方法已被证明可以缓解GCM不确定性，例如简单的型号平均（MME），贝叶斯模型平均值（BMA）[16那17]，可靠性集成平均(REA) [18］．BMA特别受欢迎，因为它根据将不同来源的集合预测分配给每个输出模型的权重，进入共识概率密度函数（PDF）。将合奏技术与区域气候研究的缩小模型相结合，也是很受欢迎。例如，使用简单的统计缩小算法和超级尺寸方法来解决预测准确性和区域预测的季风降水;据证明，这种策略优于每个成员模型及其缩小对应物[19］．采用神经网络和SVR进行PP降尺度，并进一步利用BMA获得多gcm集合。修正后的综合预报可以很好地反映历史气候[20.］．
然而，汉江上游地区目前还没有关于BMA-based ensemble和基于MOS的ML降尺度策略组合的预估能力的研究。因此，本研究的主要目标是:(1)基于MLP、SVR和RF方法，在汉江上游地区建立基于mos的BMA_ML集合降尺度模型;(2)研究BMA方法在集成模型输出中的性能;(3)在RCP4.5和RCP8.5条件下，对汉江上游21世纪降水进行了评价。研究结果可为今后区域层面的水资源、减灾、生态布局及其他应用的长期管理策略提供有益的参考。
研究的其余部分组织如下2描述了使用的研究区域地形和使用的观察站数据。应用方法在一节中讨论3.，包括数据处理方法，组装集合模型和缩减。在部分4.，结果将详细讨论。最后，提交人得出结论并提出了基于这项研究的几个前景。
2.研究区域及资料
汉江是长江最大的支流，全长15.9万公里2．区内主要地形类型为山地和丘陵。年平均降雨量约为700 ~ 1100毫米，具有明显的季节性。在夏季，由于来自南方的冷空气的下降，暴雨就会发生。此外，由于自然波动和人为干预，流域水旱灾害严重。本研究选取汉江上游山地和丘陵地形的主要区域，其中包含13个气象站。表格1显示每个站的位置信息。从1961年到2005年的几年观测到的每日降雨数据都被利用来校准并验证缩小的模型，2006 - 2018年的数据用于验证投影降水。这些数据来自中国气象数据网站（http://data.cma.cn/）.数字1显示了汉江和站点的水系统和地形。
|
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
在CMIP5资料中，选择gcm在RCP4.5和RCP8.5条件下模拟的历史和未来降水进行区域模拟和预估。使用了8种气相色谱质谱模型，因为它们在研究区模拟降水方面表现出良好的性能。表格2提供了这些气相色谱质谱和表的一般描述3.介绍了RCP4.5和RCP8.5。gcm模拟数据来自耦合模型互比较项目网站(http://cmip-pcmdi.llnl.gov/cmip5/）.这些气相色谱质谱的分辨率是不一样的。为了获得降尺度输入的一致分辨率，采用双线性插值方法将8个gcm插值到1°(经度)× 1°(纬度)，约为95 km × 111 km。确定适当的气候域以可靠地降低气候因素的比例是很重要的。
|
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
||||||||||||
考虑的域大小应该足够大，以捕获降雨机制而不增加CPU的成本[21］．因此，在本研究中，笔者考虑到该域应覆盖研究区受降水气候环流型影响的区域，选取171个格点组成的空间域，覆盖纬度99°E - 117°E和经度29°N - 37°N之间的区域(图)2）.然后，选取这171个格点的降水数据集作为预测因子。
3.方法
本研究旨在开发基于MOS的BMA_基于MLP，SVR和Upper Han River盆地的RF方法的ML集合。主框架如图所示3.．
本研究的方法包括以下步骤:(i)预测器选择，(ii) GCM集成生成，(iii)使用机器学习降尺度，(iv)结果评价。
3.1。预测器选择
本节主要讨论基于主成分分析(principal component analysis, PCA)的方法获取选定的预测因子数据并提取具体的主成分(principal component, PCs)。PCA的目的是在不丢失大量信息的情况下减少输入变量的数量。PCA最早由Hotelling在1933年提出[22］．PCA是一种多元统计方法，在减少信息损失的前提下，利用降维的中心思想，将多个指标转化为多个综合指标。在统计学中，PCA是一种简化数据的分析方法。PCA的主要步骤如下:（一世）计算样本数据的协方差矩阵(2)计算这个协方差矩阵的特征值和特征向量(3)计算累积贡献率
详细方程见[22］．在本研究中，对数据进行标准化处理，以消除PCA前单样本数据的影响。利用主成分分析(PCA)计算171个GCM降水变量的PCs，选取累积贡献率大于95%的前几个PCs作为预测因子。新变量几乎表达了原始变量的全部，并被视为预测变量。这些pc也被用作ML降比例模型的输入。
３.２．GCM合奏一代
在本研究中，MME和BMA被用来生成GCM集合。MME仅利用8个降水模式的算术平均值来获得集合模拟。作为一种统计后处理方法，BMA结合了多个模型。近年来，该方法被应用于修正集成预测中的欠离散和基于后验概率的模型不确定性[23］．BMA对未来变量的预测PDF是基于加权平均的，其中心是个人的降级预测[24］．本研究利用8个CMIP5模式的降水值获得集合输出。假设y是目标变量吗D.是一个给定模型的数据，合并的预测PDFy是 在哪里 是替代的CMIP5型号。K.当前研究中等于8。 是否给出模型的预测PDF独自的;K.．表示模型的后验概率 那它被表示为 在哪里边际可能性是否表示为 在哪里作为模型的参数 那与表示…的先验概率 ．
基于BMA确定8个CMIP5模型的相应重量。然后，基于这些权重和模型获得了集合结果。重要的是，基于Markov链蒙特卡罗（MCMC）仿真算法获取多模型的后部分布[25］．BMA过程使用“BMS”包在R3.5.1中运行。
３．３．机器学习降尺度
本研究中使用的ML方法包括MLP、SVR和RF，它们用于降低单个gc、MME和BMA的规模。下面的小节将介绍这些方法。
3.3.1。多层感知器
MLP是经典的神经网络类型，本研究采用MLP [26］．采用BP (backpropagation)算法训练MLP网络[27］．MLP由一个输入层、一个或多个隐藏层和一个输出层组成。数字4.描述了一个典型的三层MLP网络。此外，方程(4.）表示三层MLP网络的输出值[28]： 在哪里隐含层的权重是否连接一世-th神经元在输入层和j隐藏层中的第th个神经元，是偏见的jth隐藏的神经元,是隐藏神经元的激活功能，重量是在j隐藏层中的神经元K.- 输出层中的神经元，是对K.-th输出神经元为输出神经元的激活函数。
BP算法的主要步骤如下：（一世）前向传播:它包括计算输入神经元的和，然后使用激活函数和计算输出神经元。(2)反向传播:计算损失函数的导数，通过网络反向传播误差信号，进行权值调整，使整体误差最小化。(3)重复上述过程，直到总体误差令人满意地小。
对于MLP网络，超参数的选择至关重要，如网络结构、激活函数、学习算法、学习率调度类型和参数等[29］．在本研究中，作者使用贝叶斯超参数优化来选择MLP超参数。更多细节请参阅本节4．2和部分1补充材料。
3.3.2。支持向量机
SVM是基于VC理论的另一机器学习方法和结构风险最小化规则[30.］．支持向量机可以利用核函数将低维输入数据映射到高维特征空间，从而解决非线性回归问题。SVR方法已成功应用于基于MOS的降水降尺度[8.］．没有记录的MOS基BMA_SVR缩减应用程序。假设培训样本D. = {(X1那y1), (X2那y2)，…，(XN.那yN.)}X一世 ∈ 那y一世∈ℝ，线性模型表示为 在哪里和B.分别表示支持向量和常数。一般来说,应该尽可能小。T.表示矩阵的转置。期望是生成an这是最接近y．SVR假设它能容忍两者之间的最大偏差F（X） 和y．我们将其定义为ε．此外，应该将Slack变量添加到模型中以克服过度拟合。因此，基于的选择最佳超平板
在等式（6.），和表示松弛变量，和C是惩罚因子，决定最小损失和最大边际之间的权衡。作为一个优化问题，方程(6.）可以基于拉格朗日的双式公式来解决。等式的解决方案（6.)可以表示为 在哪里和拉格朗日乘数法。到目前为止，方程(7.）是线性模型。内核功能被利用以实现非线性回归。 在哪里K.表示已漏洞的内核功能。关于SVR，通用内核功能包括线性，多项式和高斯内核。SVR中还有一些超级参数，如C，核函数，如上所述，和表示终止准则的容限。这些超参数的选择在支持向量机模型中起着重要的作用。在本研究中，作者使用贝叶斯超参数优化来选择支持向量机超参数。更多细节请参阅本节4．2和部分3.补充材料。
3.3.3。随机森林
RF由Breiman提出[31]是一种新的机器学习算法，由多个分类和回归决策树(CART)组成，可以避免过拟合，并可以调节不同类型的输入变量。关于CART分析的更多细节，请参阅Breiman等人[32］．RF可以生成多个独立的树木，然后作出最后决定，其由非参数统计回归和随机性的其特性来确定。因此，RF模型的决策能力取决于每次推车。每个决策树由根节点，子节点和叶节点组成。各个子节点包含一个判定规则，和一个叶节点对应于判断水平。RF模型步骤近似分为以下内容：（一世）首先，在本研究中，使用引导方法从原始数据集中提取训练集。每个训练集大约是原始数据集的2/3。数据集的另一个1/3被描述为袋子外（OOB）。总共N.进行了回合的提取N.形成训练集。这些训练集彼此独立，但可以重复元素。(2)然后，利用一个训练集构建回归决策树。许多决策树形成一个森林。采用的原理是均方误差最小。(3)在最后一步中，基于每个树的预测结果，森林的结果是所有树木的预测值的平均值。
使用OOB，RF可以在内部进行交叉验证。在这项研究中，作者利用了OOB错误（ ）要估计内部错误:
对于RF，森林中树的数量和树的最大深度是主要的RF超参数。采用贝叶斯超参数优化方法选择射频超参数。更多细节在章节中提供4．2和2补充材料。
3．4．降尺度模型的评价
为了评估所建立模型的性能，在验证期间使用了以下统计指标:（一世）Pearson相关系数(PCC)评价模型和观测降水序列之间的线性相关;PCC = 0表示不相关，1表示完全相关。(2)均方根误差(RMSE)表示模拟降水序列与观测降水序列之间的误差;均方根误差越小，结果越好。(3)相对偏差(Rbias)评估模拟数据和观测数据之间的相对偏差;Rbias越小，相对偏差越小。
表格4.显示这些统计指标的详细方程和描述。
|
|||||||||||||||||||||
4.结果和讨论
4．1.BMA和MME的总体降尺度模拟
首先，作者利用单个gcm对降水模拟进行了评估。基于CMIP5模式的插值网格数据，利用每个站点最接近的16个网格点进行简单的降尺度。用离每个站点最近的16个格点的平均值来表示每个站点的GCM降水模拟。表4.-6.提供每个站点每月的模拟表现和区域平均值。其中，根据13个站点的算术平均值，得到整个区域的平均值。对于BMA，选择的时期是1993 - 2005年。每个模型都有一定的可靠性来模拟真实的降雨，虽然有很大的差异，如表所示。显然，ACCESS1.0、GFDL-ESM2M和GISS-E2-R在该区域的表现优于其他模型，PCC达到0.64-0.68,RMSE约为57-82 mm。在某些情况下，良好的pcc与较差的均方根误差和Rbias配对。此外，每个站点的差异是明显的。所有模型对5号站和13号站的仿真性能结果都比较差。这些结果可能是由于局部小气候造成的，因为大气环流模型不能考虑区域模拟。这一课题值得进一步研究。
|
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
数字1-13代表气象站。“意思”表示该区域意味着。 |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
数字1-13代表气象站。“意思”表示该区域意味着。 |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
如方法所述，将BMA应用于8个CMIP5模型的集合模拟，并将MME与BMA进行比较。MME利用8个模式的降水算术平均值来生成集合模拟。数字5.显示8个模型的加权值。表5.-7.并提供MME和BMA的性能结果。区域平均值是13个站的算术平均降水量。与所有单一模型相比，MME提供了一个改进。PCC由0.50-0.68提高到0.76,RMSE略小于区域平均值ACCESS1.0和IN。此外，BMA结果证明了它的优越性。BMA模拟数据与观测数据之间的PCC、RMSE和Rbias值明显优于单个模型。PCC达到0.74,RMSE降低28% ~ 60%。与MME相比，PCC变化不大，但RMSE从60.86 mm降至41.03 mm, Rbias大幅降低。对于该区域，每个模型通过BMA得到的权重如图所示5.．8种单模式、MME和BMA对降水模拟的性能通过泰勒图显示，如图所示6.．的PCC，RMSE，和标准偏差在泰勒图表示。结果表明，BMA在本研究区域中具有大大提高的仿真性能。多模型集合模拟的令人满意的性能证明了它们缓解每个模型中结构差异的能力和各种模型中存在的不确定性，如先前研究的相同结论所证明的[33那34］．
|
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
数字1-13代表气象站。“意思”表示该区域意味着。 |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
从结果中，BMA的卓越性能证明它比其他方法更可靠，因为BMA减少了错误。仍然需要更多的努力来在区域尺度上产生降水模拟，因为GCM难以代表区域气候情况[35］．因此，各站的降水模拟存在较大差异，这可能是由于降水事件的局地气候环流导致降水的年际变异性较大[36.］．除BMA外，还有其他已成功应用的统计集成方法，如可靠性集成平均(REA)和广义线性模型(GLM) [7.那18］．最近，GLM在缩小的GCM投影集合中表现良好[7.];这一发现可以激发进一步的研究，这将参考集合缩小和缩小集合策略的比较，应用BMA和GLM方法。仍然存在巨大的不确定性，需要进一步努力减少它们。
4.2。三种机器学习缩小模型的验证与比较
研究了基于贝叶斯超参数优化的MLP、SVR和RF超参数选择过程。贝叶斯优化将超参数映射到目标的得分概率(例如，模型性能的损失)，并可以推断未知函数的信息[37.］．作者采用了在基于顺序模型的全局优化（SMBO）的框架下采用了树结构的Parzen估计器（TPE）算法，因为在几个困难的学习问题中使用它可以使用它更好的结果[38.］．此外，采用10倍交叉验证来促进超参数的选择。关于超参数优化过程和结果的更多细节可以在小节中找到1-3.补充材料。所有ML降尺度模型都是基于最优超参数建立的。最后，基于PCC、RMSE和Rbias对这些模型进行评估，其定义如表所示4.．
作者使用Python的“hyperopt”包来实现MLP和RF的贝叶斯超参数优化，以及MATLAB的“fitrsvm”函数来实现SVM。此外，作者利用10倍交叉验证确定最优参数，将1961-2005年的数据分为10个大小相等的子数据集。10个子数据集中有9个用于训练，其余1个用于模型验证。均方根误差(MSE)作为MLP和RF的交叉验证得分(目标)，而损失函数作为SVR的目标，因为它是“fitrsvm”的一个自包含函数。表8.-10分别给出区域均值的MLP、SVR和RF超参数结果。各节提供了对每个参数和优化搜索范围的详细描述1-3.在补充材料方面，以及对每个工位的优化流程。
|
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
HLZ hidden_layer_sizes;LR, learning_rate。 |
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
数字7.显示每个GCM、MME和BMA的选定PC。选取的pc作为ML方法的输入，输出各站点和区域的观测降水量均值。表格11展示了基于统计指标的性能评估的三种ML降尺度方法的比较。由于长度限制，表11只提供区域平均值，个别监测站的评估结果以表格表示S4-S6在补充材料中。没有一种方法具有绝对的优势，所有单项GCMs、MME和BMA的性能并不优于其他方法。令人鼓舞的是，与GCM原始输出相比，所有缩小模型的站仿真性能都有了很大的提高。对单个gcm的降尺度，PCC从0.54-0.68上升到0.72-0.81,RMSE从57.18-100.15上升到36.66-41.97,Rbias值明显降低。此外，MME和BMA的改进相对较少。BMA的降尺度尤其显示RMSE降低约5.4 mm。这种情况可能是因为机器学习训练前的BMA模拟比较好，使其难以显著提高。从最终结果来看，MME和BMA的降尺度性能优于任何单一模型。
(一)
(b)
|
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
数据8.-10显示缩小后的结果与该地区观测降水之间的散点图。如果这些散点更集中在直线上，模型数据就更接近观测数据。SVR图清楚地表明，模型数据比MLP和RF数据更接近观测数据。根据表1，很明显，每种降尺度方法存在相对差异。根据PCC和RMSE评估的性能，SVR结果在大多数情况下优于其他方法，特别是GR、in和Nor的GCM降尺度。在特定车站的表现差异(表S4-S6在补充资料中)可能是由于当地气候和局部降雨特征的差异。然而，我们并没有探讨这个主题。
(一)
(b)
(c)
(d)
(e)
（F）
（G）
（H）
（一世）
（j）
(一)
(b)
(c)
(d)
(e)
（F）
（G）
（H）
（一世）
（j）
(一)
(b)
(c)
(d)
(e)
（F）
（G）
（H）
（一世）
（j）
本研究利用BMA和SVR模型对未来降水进行降尺度预估。其他地区也提出了基于MOS方法的SVR相对于RF的整体优势，但对于每个GCM和站并没有绝对的优势[7.］．这项研究也得出了类似的结论。尽管神经网络已广泛应用于降尺度[39.那40，它们首先在MOS上测试。与MLP和RF相比，MLP具有较高的PCC和较低的RMSE。结果表明，降尺度方法存在相对不确定性。有一些令人满意的研究使用多方法集成建模[41.］．这有利用集合方法激发了未来的工作来减少不确定性。
一般来说，ML方法的建模性能取决于其输入和参数[42.］．对于输入，很明显，GCM越可靠，缩小后的结果的性能就越好。对于参数集，虽然作者使用了贝叶斯超参数优化来选择ML方法的最优超参数，但优化算法本身可能还有改进的空间。
4.3。21世纪降水的预测变化
基于RCP 4.5和RCP 8.5的2006 - 2009年预估降水输出，利用建立的BMA(即使用相同的GCM权重和选择相同的主成分)，通过SVR模型进行集合和缩减。首先，我们根据2006-2018年期间的观测数据验证了月降水预估。表格12显示验证结果。可以看出，RCP4.5下的预估降水比RCP8.5下的预估降水更接近真实资料，PCC为0.78,RMSE为43.57。此外，Rbias值表明，2006-2018年的实际排放趋势介于RCP4.5和RCP8.5之间，更接近RCP4.5。由于气候变化的复杂性和不确定性，RCP4.5和RCP8.5下21世纪中期(2040-2069)和后期(2070-2099)降水变化值得研究。
|
||||||||||||||||||||||||
将月降雨模拟转换为年和季节时间序列。其中四季为春(3 - 5月)、夏(6 - 8月)、秋(9 - 11月)和冬(12 - 2月)。数字11显示了该地区预计未来年度和季节降水。考虑到1971 - 2000年作为历史基线，21世纪中期和晚期的平均降雨量分别增加了3.23％和1.02％，与RCP4.5下的基准相比;同时，在RCP8.5下，它们增加了4.25％和8.30％。从图中11可以看出，21世纪降水总体上呈弱增加趋势，中期有轻微的下降波动。在RCP8.5情景下，降雨量的增加更为显著。季节变化方面，冬季和春季的平均值明显，夏季和秋季的平均值变化较小。数据12和13基于分位数图比较历史基线和21世纪中后期时间序列在RCP4.5和RCP8.5下的统计差异。可以看出，大部分降雨分布都接近正态分布。在每个子图中，显示了三个代表相应正态分布的基线。这些直线的截距和斜率代表平均值和方差。与1971-2000年相比，RCP4.5和RCP8.5下21世纪中后期降水明显增加。春季和冬季的变化幅度很大。这一结果可能是由于旱季降尺度模型的不确定性较大或RCP4.5和RCP8.5的偏差所致。
(一)
(b)
(c)
(d)
(e)
(一)
(b)
(c)
(d)
(e)
(一)
(b)
(c)
(d)
(e)
整个21世纪该区域的变化趋势与前人研究一致，但具体数值不同[15那44.］．这种差异是可以接受的，因为所选择的gcm和降尺度策略是不同的。各工位的具体投影见表S7在补充材料中。各站点降水变化的预估是不同的。降水存在显著的季节性，但本研究未采取措施消除;因此，季节降水的评价具有较多的不确定性。有几项研究通过基于每个日历季节和月份分别训练降尺度模型来考虑季节性[43.］．作者考虑了足够的样本容量来训练ML方法，因此使用到目前为止的所有月度数据进行建模。尽管日降雨量存在很大的不确定性，但还计划根据日数据训练月和季节模型。有一些成功的研究已经评估了极端降水事件，这些研究是基于每日减少的降水[44.］．每日较低的降水也值得在未来的工作中学习。
5.结论
复杂地形水文盆地降水的统计降尺度具有重要意义，因为gcm的低分辨率阻碍了该尺度下气候变化的有效研究。通过使用三种基于mos的机器学习方法(MLP、SVR和RF)，本研究研究了通过机器学习技术改进降尺度。在降尺度之前，将BMA模型发展为多gcm集合，而MME作为参考。使用PCC、RMSE和Rbias等一系列统计指标进行评价和比较分析。然后，应用BMA和SVR对RCP4.5和RCP8.5下的21世纪降水预估进行降压。对2006-2018年的月降水量进行了区域平均值的验证，分析了21世纪中后期的降水量变化。研究结论如下:（一世）MME和BMA都显示出它们优于单独的gcm。其中，BMA集合模拟与观测数据的PCC、RMSE和Rbias明显优于单一模型。PCC达到0.74，均方根误差降低28% ~ 60%。与MME相比，PCC变化不大，但RMSE从60.86 mm降至41.03 mm, Rbias大幅降低。(2)与原始GCM输出相比，所有次要模型都具有大大提高的站模拟性能。PCC从0.54-0.68增加到0.72-0.81，RMSE从57.18-100.15 mm变为36.66-41.97 mm。SVR整体上显示了最佳性能。基于BMA集合仿真的缩小结果和SVR模型被认为是最佳性能（PCC，RMSE和RBIA分别为0.82,35.07 mm和-5.45％）(3)RCP4.5下的预估降雨量比RCP8.5下的预估降雨量更接近实际数据。在RCP4.5和RCP8.5下，21世纪区域降水总体上呈微弱增加趋势，中期有小幅减少的波动。RCP4.5下21世纪中后期平均降水量较基准年分别增加了3.23%和1.02%;而在RCP8.5下分别增加了4.25%和8.30%，且冬季和春季的变化幅度大于夏季和秋季。
本研究首先开发了基于MOS的BMA_ML集合缩小机型，并在21世纪为该地区提供了初步的降水投影，该地区可以在未来的气候，水文，经济变化等研究中引用。然而，仍然存在未解决的不确定性。这可能是可取的研究人员研究缩减模式的改进和适用性等地区的后续工作，后来考虑到当地的气候和季节的影响，基于多时间尺度。
命名法
| CMIP5: | 耦合模型互比较项目第五阶段 |
| RCP: | 代表浓度通路 |
| GCM： | 大气环流模型 |
| RCM： | 区域气候模式 |
| SD： | 统计降尺度 |
| 页: | 完美的预后SD。对于PP，在预测量和观测到的大规模预测量之间建立统计关系 |
| mos： | 模型输出统计对于MOS，利用gcm模拟预报器来建立与观测预报量的关系 |
| ML: | 机器学习 |
| 简要: | 多层感知器 |
| SVR: | 支持向量回归 |
| 射频: | 随机森林 |
| BMA: | 贝叶斯模型平均 |
| 居里夫人: | 简单平均模型集合 |
| 英国石油公司: | BackProjagation算法 |
| PCC: | Pearson的相关系数。PCC等于0表示无相关性，而1表示总相关性 |
| RMSE: | 根均匀误差。RMSE越小，结果越好 |
| Rbias: | 相对偏差 |
| 主成分分析: | 主成分分析 |
| AC10: | Access1.0 GCM. |
| AC13: | ACCESS1.3 GCM |
| “大酒店”: | GISS-E2-H GCM |
| GG： | GFDL-ESM2G GCM |
| 通用汽车: | GFDL-ESM2M GCM |
| 格: | GISS-E2-R GCM |
| : | INMCM4 GCM |
| 也没有: | NorESM1-ME。 |
数据可用性
本研究利用1961至2005年的日雨量资料校正及验证缩小版模式，这些资料来自中国气象资料网站(http://data.cma.cn/）.gcm模拟数据来自耦合模型互比较项目网站(http://cmip-pcmdi.llnl.gov/cmip5/）.
的利益冲突
作者声明没有利益冲突。
致谢
基金资助:国家重点研发计划项目(no. 201430724);国家自然科学基金资助项目(no . 41771422, no . 41971351);
补充材料
补充材料主要包括多层感知器贝叶斯超参数优化(MLP)、支持向量回归(SVR)和区域均值随机森林(RF)的过程和细节。补充资料包括对该区域21个特定站点的NEX-GDDP模式和MME模式的评价，以及每个站点21世纪预估降水的变化。手稿中每一节都有引用。（补充材料）
参考文献
- E. P. Salathé Jr.，“应用于水文模拟的未来全球气候降尺度模拟”，国际气候学杂志，第25卷，第2期4，页419-436,2005。视图:出版商网站|谷歌学术
- D. Maraun, F. weterhall, A. M. Ireson等，“气候变化下的降水降尺度:弥合动力模型和最终用户之间差距的最新发展”，地球物理学评论，卷。48，没有。3，第2010年物品ID RG3003。视图:出版商网站|谷歌学术
- S. H. Pour, S. B. Harun和S. Shahid，“马来西亚半岛东海岸极端降雨事件的缩小遗传编程，”大气，卷。5，不。4，pp。914-936,2014。视图:谷歌学术
- J. M. Eden和M. Widmann，“使用模式输出统计数据对gcm模拟降水进行降尺度分析”，杂志的气候，卷。27，不。1，pp。312-324,2014。视图:出版商网站|谷歌学术
- M. Turco, P. Quintana-Seguí， M. C. Llasat, S. Herrera，和J. M. Gutiérrez，“在西班牙上空用ensemble区域气候模式测试MOS降水降尺度”，地球物理研究大气杂志，第116卷，第116期18日,2011年。视图:出版商网站|谷歌学术
- J. M. Eden，“利用环流模式模拟未来降水变化的修正方法的发展”，伯明翰大学，伯明翰，英国，2011年博士论文。视图:谷歌学术
- Z. Sa 'adi, S. Shahid, e - s。Chung，和T. b. Ismail，“使用CMIP5模式的统计降尺度预测婆罗洲沙捞越地区降雨的时空变化”，大气研究，卷。197，第446-460,2017。视图:出版商网站|谷歌学术
- S. H. Pour, S. Shahid, e - s。钟,X.-J。Wang，“使用支持向量机对孟加拉国降雨的时空变化进行预测的模型输出统计降尺度”，大气研究，卷。213，pp。149-162,2018。视图:出版商网站|谷歌学术
- M. E. Jonathan和W. Martin，“使用模式输出统计数据对gcm模拟降水进行降尺度分析”，杂志的气候，卷。27，不。1，pp。312-324,2014。视图:出版商网站|谷歌学术
- L. Campozano, D. Tenelanda, E. Sanchez, E. Samaniego和J. Feyen，“月总降水量的统计降尺度方法比较:厄瓜多尔南部Paute河流域的案例研究”，气象学的进展， 2016, vol. 2016, pp. 1-13。视图:出版商网站|谷歌学术
- D. Raje和P. P. Mujumdar，“对旁遮普地区降低日降水量的三种方法的比较，”水文过程，第25卷，第2期23，pp。3575-3589，2011。视图:出版商网站|谷歌学术
- G. Ibarra-Berastegui, J. Sáenz Aguirre, A. Ezcurra-Talegón, A. J. Elías-Saenz，和J. Díaz De Argandoña González，“使用类似物和类似物对Ebro山谷(西班牙)的地表水分通量和降水进行降尺度分析，随后采用随机森林和多元线性回归，”水文和地球系统科学讨论，第15卷，第5期。第6页，1895-1907,2011。视图:出版商网站|谷歌学术
- a . Ochoa, L. Campozano, E. Sánchez, R. Gualán，和E. Samaniego，“对厄瓜多尔南部案例研究的月温度和降水的缩小估计的评估，”国际气候学杂志第36卷第2期3, pp. 1244-1255, 2015。视图:出版商网站|谷歌学术
- J. M. Bravo, W. Collischonn, A. R. Da Paz, D. Allasia，和F. Domecq，“预计气候变化对巴拉圭河流域上游水文状况的影响”，气候变化，卷。127，没有。1，pp。27-41,2014。视图:出版商网站|谷歌学术
- Z.Domecq，H.Gu，J. Wang，J. Xia和B. Lu，“预计气候变化对长江盆地水文制度的影响”，“随机环境研究和风险评估，第32卷，第2期1, pp. 1 - 16, 2017。视图:出版商网站|谷歌学术
- Q. Duan和T. J. Phillips，“气候变化多模式模拟中局部信号和噪声的贝叶斯估计，”地球物理研究杂志第115卷第1期文章编号D18123, 2010。视图:出版商网站|谷歌学术
- 苗超，段青，孙青，“贝叶斯多模型估计在温度模拟中的应用与评价，”自然地理学进展:地球与环境，第37卷，第2期6，第727-744页，2013。视图:出版商网站|谷歌学术
- R. R. Torres和J. A. Marengo，“南美洲气候变化预测的不确定性评估”，理论与应用气候学，第112卷，第112期。1-2, pp. 253-272, 2013。视图:出版商网站|谷歌学术
- X. Wang，T. Yang，X. Li，P. Shi和X.周，基于CMIP5多模型合奏的珠江流域降水和温度的时空变化，“随机环境研究与风险评估第31卷第1期5, pp. 1-13, 2017。视图:出版商网站|谷歌学术
- U. Okkan和U. Kidemir，“使用CMIP5气候模型在RCPS下运营的CMIP5气候模型的镇压”气象应用程序，第23卷，第2期。3, pp. 514-528, 2016。视图:出版商网站|谷歌学术
- M. R. Najafi, H. Moradkhani，和S. A. Wherry，“使用机器学习和最佳预测器选择的降水统计降尺度”，水文工程学报，第16卷，第5期。8，页650-664,2010。视图:谷歌学术
- H. Hotelling，“分析统计变量的复合物到主要成分”，教育心理学杂志，卷。24，不。6，PP。417-441,1933。视图:出版商网站|谷歌学术
- 王伟，丁颖，邵青等，“基于CMIP5的中国典型水稻种植区灌溉需水量和水分利用效率的贝叶斯多模型预测，”农林气象学，第232卷，第89-105页，2017。视图:出版商网站|谷歌学术
- H. Wu，Zhang，S. Liang，H. Yang和G. Zhou，“通过合并多种型号来估计透明天空地表龙波辐射从MODIS数据产品汇编”地球物理研究杂志:大气，第117卷，第117号D22摊位,2012年。视图:出版商网站|谷歌学术
- W. R. Gilks, S. Richardson和D. Spiegelhalter，实践中的马尔可夫链蒙特卡罗， CRC出版社，美国佛罗里达州波卡拉顿，1995年。
- M. Minsky和S.Papert，感知机:计算几何导论，麻省理工学院出版社，剑桥，马萨诸塞州，美国，1969。
- D. E. Rumelhart, G. E. Hinton和R. J. Williams，通过错误传播学习内部表示。号ICS-8506拉霍亚认知科学研究所，圣地亚哥，美国加州，1985。
- T.-w.Kim和J.B.Valdés，“基于小波变换和神经网络结合的干旱预测非线性模型”，水文工程学报，卷。8，不。6，pp。319-328,2003。视图:出版商网站|谷歌学术
- Y. Bengio，“基于梯度的深度架构训练的实用建议”神经网络:交易技巧，第437-478页，施普林格，柏林，海德堡，德国，2012。视图:谷歌学术
- 诉Vapnik,统计学习理论的本质信息科学与统计学， Springer-Verlag，纽约，纽约，美国，第二版，2000。
- L. Breiman，《随机森林》机器学习第45卷第5期1，页5-32,2001。视图:出版商网站|谷歌学术
- L. Breiman, J. Friedman, C. J. Stone, R. A. Olshen，分类和回归树，CRC出版社，博卡拉顿，FL，USA，1984年。
- 杨涛，李建军，“中国大陆CMIP5地表温度的-判据模式集成”，理论与应用气候学，卷。132，不。3-4，pp。1057-1072，2017。视图:出版商网站|谷歌学术
- Zhang H.， Huang G. H.，“利用多模式集合模拟和随机天气生成的小流域气候变化预测的发展，”气候动力学，卷。40，不。3-4，pp。805-821,2013。视图:出版商网站|谷歌学术
- 联合国政府间气候变化专门委员会,气候变化2013:自然科学基础，2013年，2013年，http://www.ipcc.ch/report/ar5/wg1/docs/wgiar5_spm_brochure_en.pdf.．
- K. Venkataraman, S. Tummuri, A. Medina, J. Perry，“基于CMIP5多模式集合的德克萨斯州主要气候分区的21世纪干旱前景:对水资源管理的影响”，《水文， vol. 534, pp. 300 - 316,2016。视图:出版商网站|谷歌学术
- “基于贝叶斯超参数优化的信用评分改进决策树方法”，专家系统与应用，第78卷，第225-241页，2017。视图:出版商网站|谷歌学术
- 刘振华，“超参数优化算法的研究”，《中国机械工程》，2014年第4期神经信息处理系统进步的诉讼程序，第2546-2554页，西班牙格拉纳达，2011年12月。视图:谷歌学术
- T. Soares Dos Santos, D. Mendes，和R. Rodrigues Torres，“使用主成分的人工神经网络和多元线性回归模型来估计南美洲的降雨量，”地球物理学中的非线性过程，第23卷，第2期。1，第13-20页，2016。视图:出版商网站|谷歌学术
- S. Dorji, S. Herath和B. K. Mishra，《用sdsm神经网络缩小科伦坡的未来气候》，气候，卷。5，不。2017年1日。视图:出版商网站|谷歌学术
- W. Zhang，G.A.Vecchi，G.Villarini，H.Murakami，R. Gudgel和X. Yang，“北太平洋和东亚西部的统计动态季节性预测使用GFDL Flor耦合气候模型”杂志的气候，第30卷，第2期6、pp. 2209-2232, 2017。视图:出版商网站|谷歌学术
- K. Whan和M. Schmeits，“使用参数和机器学习统计后处理方法比较(极端)局部降水的面积概率预报”，每月天气回顾，第146期。11，第3651-3673页，2018。视图:出版商网站|谷歌学术
- T. Raziei，“对1951-2014年伊朗日和月降水季节性和制度及其相关变化的分析，”理论与应用气候学，卷。134，不。3-4，pp。913-934,2018。视图:出版商网站|谷歌学术
- V. Moron, A. W. Robertson, M. N. Ward，和O. Ndiaye，“塞内加尔的天气类型和降雨量:第二部分:GCM模拟的降尺度”，杂志的气候，卷。21，不。2，pp。288-307，2008。视图:出版商网站|谷歌学术
版权
版权所有©2020任旭等。这是一篇发布在知识共享署名许可协议，允许在任何媒介上不受限制地使用、传播和复制，但必须正确引用原作。
