当今最紧迫的全球挑战之一是气候变化，特别是亚太地区面临着严重的后果（Dabla-Norris和Nozaki，2021年）。由于全球气温上升，极端天气事件（如猛烈的热浪、灾难性的洪水和长期干旱）在亚洲变得越来越普遍（Luo等人，2020年；Xu和Li，2021年）。尽管这些问题日益严重，但缺乏有效的全球和地区性缓解措施，这可能会严重阻碍亚洲的经济增长（Wang等人，2024年；Rahman等人，2025年）。这突显了区域合作和创新气候策略的重要性（IPCC，2021年）。韩国和日本是亚太地区最发达的国家之一，它们排放了大量的温室气体（GHG），导致极端和不可预测的气候事件（Anwar等人，2020年；Trájer和Grmasha，2024年；Ziarh等人，2024年）。最近的研究还表明，韩国和日本因气候变化造成的损失将继续增加（Kim等人，2023年；Moon等人，2021年）。因此，准确的气候预测对于帮助采取适应措施至关重要。
在东亚，韩国和日本具有显著的地理差异，特别是在它们的山区，这些差异深刻影响了这些地区的气候特征（Lee和Kang，1997年；Tsutsui和Kachi，2002年；Hu等人，2024年）。韩国大部分地区是山区，大约70%的土地被山脉覆盖，例如东部的Taebaek山脉，这对当地的气候模式有显著的影响（Chung和Kim，2016年）。冬季，山脉阻挡了寒冷的北风；而在夏季，它们通过增强湿润空气的抬升作用，在季风季节增加了降水量（Yadav等人，2023年；Changgui Lin，2021年）。
日本的气候受到其山地地理的影响更大，山地占该国面积的约73%（Yokohata等人，2021年）。这包括像富士山这样的大型火山山脉以及孤立的峰峰。岛屿的地理形态多样且复杂，导致了多种气候条件。除了作为影响降水量和风模式的屏障外，山脉还形成了不同的微气候。例如，日本阿尔卑斯山将国家分为两部分：太平洋一侧降雪较少，而日本海一侧由于西北风从海洋带来湿气并在背风侧沉积为雪而降雪较多（Kawase等人，2019年）。这些地理特征塑造了韩国和日本独特的生物多样性和人类居住模式，并在其独特的气候特征中起着关键作用（Murakami等人，2023年），影响了从季节性天气变化到局部气候异常的一切。
鉴于这些独特的地理条件，考虑将地形影响作为理解这些地区气候行为的重要因素的模型是重要的。位势高度代表大气中压力面的高度，是大气科学中的一个关键变量，因为它与温度和压力分布直接相关（Holton和Hakim，2013年；Jie等人，2023年；Alessandro Fassò，2022年）。影响局部天气和气候的大尺度大气环流模式与位势高度的变化有关（Wallace和Hobbs，2006年）。本研究认识到位势高度在调节温度极端值方面的作用，通过其对大气稳定性和动态的影响，并将其作为最高温度的主要预测因子之一（Bosilovich等人，2016年；Hurrell等人，2013年）。
传统的全球回归模型通常假设地理同质性，忽略了温度极端值与气候因素之间关系的区域差异（Tebaldi和Knutti，2007年；Rahman和Nguyen，2022年）。然而，由于地形、土地利用和局部气候条件等各种因素，这些联系在不同地理区域可能会有很大差异（Kharin等人，2011年）。为了提供更精确和局部的估计，多尺度地理加权回归（MGWR）允许变量之间的关系在不同区域有所不同（Binbin等人，2014年；Li和Gao，2020年；Yu等人，2025年；Kim等人，2018年）。为了捕捉温度和降水模式的空间变化，MGWR已在气候研究中得到成功应用（Brunsdon等人，1996年；Yun等人，2024年；Zhao等人，2015年）。
虽然MGWR能够很好地解释空间变化，但它可能无法完全捕捉温度与其他气候变量之间的非线性依赖关系（Chen等人，2024年；Wu等人，2023年；Hanchen Yu，2020年）。传统的回归模型也常常无法捕捉气候变量之间的复杂非线性依赖关系，而这些关系对于准确预测至关重要（Krakauer和Freedman，2013年；Katipo?lu和Sar?g?l，2023年）。这就是copula回归作为一个强大工具出现的原因（Richards等人，2023年）。Copula回归将边际分布的建模与依赖结构分开，提供了更大的灵活性（Binoy等人，2023年）。在气候研究中，变量之间的依赖关系往往是非线性和复杂的，这种分离特别有利（H?rning和Bárdossy，2025年）。copulas的一个关键优势是它们能够模拟尾部依赖关系。在气候研究中，极端事件（如热浪）涉及分布尾部的依赖关系（Yanjun等人，2024年；Zhang等人，2011年；Yoo等人，2016年）。这些尾部依赖关系可以使用copulas有效地进行建模，从而增强对极端事件的预测，这对于缓解计划和评估气候变化的影响至关重要（AghaKouchak和Mehran，2013年；Hao和Singh，2016年）。虽然像广义极值（GEV）分布和广义帕累托分布（GPD）这样的模型可以有效地模拟单变量极端值，但copulas将这一框架扩展到多变量依赖关系，捕捉了对复合温度极端值至关重要的空间和变量间尾部关系（Anvari和Moghaddasi，2024年）。
通用环流模型（GCMs）用于模拟地球气候系统对不同温室气体排放情景的反应，经常用于气候预测（Zareian，2021年）。然而，由于模型结构和参数化的差异，不同的GCMs可能会产生不同的预测结果（Knutti等人，2010年；Rishi等人，2025年）。由于GCMs的复杂性和固有的不确定性，必须单独分析每个模型的性能和输出（Moghim和Gharehtoragh，2022年）。这种彻底的检查是必要的，因为不同的GCMs对气候过程和地理差异的描述不同，可能会导致不同的预测结果（Ahmed等人，2024年；Fiaz等人，2025年）。通过分析个别GCMs，可以识别模型的优点和缺点，从而提高气候预测的可靠性（Majumder和Reich，2023年）。这也使得通过平均多个模型来创建更可靠的预测变得更加容易。Christensen和Boberg（2012年）等研究人员强调了评估个别模型以了解潜在未来气候的多样性并改进特定地区的预测的重要性。
本研究调查了空间变化和依赖结构对韩国和日本未来极端温度的影响。本研究的主要目标是使用一种空间自适应和依赖意识框架来改进粗分辨率GCM输出的统计降尺度。所提出的混合MGWR-Copula模型通过结合局部回归和概率依赖关系建模，提高了极端温度的空间真实性和尾部表示。虽然人为因素（如温室气体排放、土地利用变化和城市热岛效应）无疑会影响未来极端值的演变，但它们的机制已经隐含在GCM模拟的边界条件中。因此，当前框架的重点是将大尺度GCM信号转化为具有更高空间细节和减少分布偏差的局部化、校正偏差的极端值。具体目标是使用位势高度数据和其他气候变量通过MGWR来建模最高温度。另一个重要目标是使用copula回归来建模MGWR模型的残差，从而解决MGWR无法捕捉的非线性依赖关系。另一个重要目标是将copula回归模型与机器学习方法（包括随机森林（RF）和支持向量机（SVM）进行比较，并在未来比较个别GCM的输出。本研究旨在提供更准确的未来极端温度预测，从而提高我们对关键气候变量变化依赖结构的理解，从而提高我们预测和缓解极端温度事件影响的能力。
