《Atmospheric Research》：Expanding CMCC seasonal prediction system v3.5 applications to the local scale through statistical downscaling techniques
编辑推荐：
本研究针对传统季节预测模型（如CMCC SPSv3.5）空间分辨率不足，难以捕捉意大利半岛复杂地形下局部尺度气候细节的问题，研究人员通过集成经验分位数映射（EQM）和k-最近邻（kNN）两种统计降尺度技术，将1°分辨率的SPS预报降尺度至高分辨率（0.25°）场。结果表明，降尺度后的季节预测偏差比原始SPS减小约5-6倍，空间精度显著提升，尤其在识别区域特征方面优势明显。该研究为地中海地区提供了高分辨率季节预测新方案，对气候敏感领域的应用具有重要支持意义。
意大利半岛的气候以其复杂的地形和多样化的区域天气系统而著称，这使得高分辨率季节预测对于农业、水资源管理和灾害预警等诸多社会领域至关重要。然而，传统的季节预测模型，如CMCC季节预测系统v3.5（SPS），虽然能提供有价值的全球气候视角，但其约1°的粗空间分辨率难以捕捉局地尺度的气候细节，例如由阿尔卑斯山脉和亚平宁山脉引发的地形降水、沿海地区的海陆风环流以及极端天气事件的精细分布。这种“尺度鸿沟”限制了预测产品在区域规划和决策中的直接应用价值。为了解决这一问题，并满足地中海地区对更精细尺度气候信息的迫切需求，Leonardo Arag?o、Andrea Borrelli和Silvio Gualdi开展了一项创新性研究，旨在通过统计降尺度技术增强SPS系统，为意大利半岛提供高分辨率的季节预报。该研究成果发表在《Atmospheric Research》上。
研究人员开展此项研究主要采用了两种核心的机器学习降尺度方法：经验分位数映射（EQM）和k-最近邻（kNN）。研究数据源包括作为观测基准的ERA5再分析数据集（用于2米气温、海表温度、10米风场等）和CHIRPS降水数据集（水平分辨率均为0.25°），以及需要被降尺度的CMCC SPSv3.5的24年（1993–2016）回报数据（初始水平分辨率为1°）。研究区域涵盖了意大利半岛及其周边海域（28.50–48.50°N, 03.50–21.50°E），并依据地形高程将区域划分为海洋、海岸、平原、丘陵和山地五种类型，以评估不同下垫面下降尺度技术的性能。关键技术流程包括对SPS数据进行双线性插值至目标分辨率，然后分别应用EQM和kNN算法进行降尺度处理，并采用“留一法”交叉验证来评估模型性能，最终使用偏差（Bias）、平均绝对误差（MAE）、均方根误差（RMSE）和皮尔逊相关系数（R）等指标对降尺度结果进行系统评估。
2.3. Machine-learning techniques
本研究核心是应用两种机器学习算法进行降尺度。EQM是一种单变量偏差校正技术，它通过调整SPS预测值的经验累积分布函数（ECDF），使其与观测数据的ECDF相匹配，从而校正整个概率分布的偏差，尤其关注极端值的修正。而kNN则是一种多变量的随机天气发生器，它通过在历史观测数据（特征向量）中寻找与当前SPS预测状态最相似的k个历史天气状况（类比日），并以距离加权的平均值来生成高分辨率的预测场。kNN的优势在于能够利用多个变量（如T2m、Prec、SST、U10、V10）间的协同关系，来同时降尺度多个气象要素（包括未直接用作预测因子的T2N和T2X），展现了其作为天气发生器的能力。
3. Downscaling temperature fields
3.1. Spatial variability
对2米气温（T2m）降尺度结果的评估表明，kNN在空间细节再现方面显著优于EQM。kNN生成的高分辨率T2m场清晰地揭示了阿尔卑斯山、亚平宁山脉、巴尔干半岛等复杂地形对温度分布的影响，甚至能识别出阿尔卑斯山中加尔达湖等局地暖区，以及清晰的海陆温度对比。而EQM降尺度后的场则显得平滑，空间变异性与原始SPS相似，仅能大致识别出阿尔卑斯山等主要低温区。概率密度函数和统计指标（如kNN的偏差为-0.14°C，相关系数达0.98）均证实kNN在整体分布和空间格局上更接近ERA5观测。
3.1.1. Bias seasonality
季节偏差分析显示，两种方法在山区都面临挑战，但EQM的偏差更大（冬季阿尔卑斯山区可达+7至+8°C），且其海表温度的总体低偏差是由冬夏高估和春秋低估相互抵消造成的假象。kNN则在整个年度循环中表现出更一致和准确的偏差特征，尤其在海洋区域偏差始终接近零。
3.1.2. Local features
按不同下垫面类型评估发现，两种方法在海洋区域表现最佳，误差最小。在陆地地区（平原、丘陵、山地），kNN的误差指标 consistently优于EQM。值得注意的是，山地是唯一出现正偏差（预测偏暖）的区域，这反映了低分辨率模型和降尺度方法在捕捉高海拔极端低温方面的共同困难，但kNN通过更好的空间分布缓解了这一问题。
3.2. Long-term seasonal prediction
3.2.1. Lead month
随着预报提前时间（Lead Time）从1个月延长至6个月，所有预测方法的技能都会下降，但kNN在整个预报期内（偏差从-0.14°C增至-0.68°C）始终优于EQM（从-0.31°C增至-0.71°C）和原始SPS（从-0.85°C增至-1.41°C）。此外，kNN的集合成员间离散度远小于EQM，表明其预测结果更稳定可靠。
3.2.2. Seasonal prediction
针对不同起始月份（12月、3月、6月、9月）的未来一季（前三个预报月）预测进行分析，结果显示kNN降尺度后的季节平均T2m场在不同季节和区域均保持较高的空间一致性和较小的偏差，进一步证明了其在季节预测应用中的稳健性。
4. Extending the downscaling analysis
4.1. Statistical indices
对其他变量（SST、Prec、U10、V10）的评估表明，kNN在多数情况下能提供更优的统计指标。例如，对于海表温度（SST），kNN的偏差（-0.07°C）远小于EQM（+0.45°C）。对于风场分量（U10, V10），kNN也显示出更高的相关性。
4.2. Precipitation singularity
降水（Prec）的降尺度最具挑战性。EQM倾向于在冷季高估山区降水，在暖季低估对流性降水。kNN虽然能更好地捕捉降水的空间格局，特别是在春秋季，但其基于类比日平均的方法导致其对夏季对流性极端降水存在系统性低估，难以再现观测中超过150 mm/月的强降水事件。这凸显了降水非高斯分布、间歇性以及其对微物理过程敏感的特性给统计降尺度带来的固有困难。
4.3. Weather generator
kNN作为天气发生器的能力通过对未直接用作预测因子的日最高（T2X）和最低（T2N）气温的降尺度得以验证。结果显示，kNN重建的T2N和T2X场与ERA5观测非常接近，其统计指标甚至优于使用该变量本身作为预测因子的EQM方法。这证明了kNN能够有效利用多变量间的物理关联，生成协调一致的高分辨率气象场。
本研究得出结论，将统计降尺度技术（特别是kNN方法）与CMCC SPSv3.5输出相结合，能够有效生成意大利半岛的高分辨率季节预测产品。kNN方法在保持空间细节、再现气温和风场等连续变量的统计分布、以及作为多变量天气发生器方面表现出显著优势，其预测技能在长达6个月的预报期内也更为稳定。尽管在降水的极端值模拟方面存在局限，但整体而言，降尺度后的产品其偏差比原始SPS减小了约5-6倍，显著提升了季节预测的实用价值。这项研究不仅为地中海地区，特别是地形复杂区域的高分辨率气候服务提供了有效工具，也证明了统计降尺度作为动力模型补充手段在业务化季节预测中的巨大潜力，对水资源管理、农业规划、灾害风险管理等气候敏感领域具有重要的支撑意义。未来的研究可探索将kNN与其它方法（如随机扰动或分位数映射）进行混合，以进一步改进其对极端降水等挑战性变量的预测能力。
