一个用于增强基于GCM（全球气候模型）的中国大陆极端降水指数模拟的深度学习框架

《Atmospheric Research》：A deep learning framework for enhancing GCM-based simulation of extreme precipitation indices in mainland China

本研究提出基于U-Net的CSV-UNet方法，整合3D-CNN、2D-CNN、空间注意力和Vision Transformer，利用19个CMIP6气候模型与CN05.1观测数据（1961-2014），直接映射多模型降水场至月尺度极端降水指标。实验表明CSV-UNet在Max 1-day、总降水和日强度指数的RMSE降低超60%，总降水SCC达0.86，显著优于传统MME和常规CNN方法，验证了其在17个中国流域中预测极端降水强度与频率的鲁棒性。

　　

吴凌云|叶爱忠|詹胜胜|赵晨光

中国北京师范大学地理科学学院，地表过程与灾害风险减缓国家重点实验室，北京100875

摘要

在现有的方法中，多模型集合（MME）被广泛用于提高全球气候模型的性能。然而，传统的MME在捕捉模型与极端降水观测之间的复杂和非线性相互作用方面存在局限性。为了克服这些局限性，我们提出了一种基于U-Net的卷积神经网络方法CSV-UNet，该方法结合了空间注意力和视觉变换器（Vision Transformer）。该创新增强了模型从高分辨率极端降水数据中提取时空特征的能力。通过监督学习框架，该方法直接将1961年至2014年间19个CMIP6（耦合模型比较项目第6阶段）模型和CN05.1数据集中的日降水量转换为极端降水指数。结果表明，CSV-UNet在月度、季节性和年度时间尺度上均显著优于传统MME。在模拟极端降水方面，新方法的均方根误差（RMSE）显著降低，空间相关系数（SCC）也有所提高。具体而言，最大1日降水量、总降水量和日强度指数的RMSE降低了60%以上，总降水量对应的SCC达到了0.86。对于降水量≥20毫米的重降水天和最大5日降水量，也观察到了中等程度的改进。

引言

政府间气候变化专门委员会（IPCC）第六次评估报告指出，在全球变暖的背景下，极端降水事件在全球及各大洲都变得更加频繁和强烈（IPCC，2023），这加剧了各种自然灾害的发生，如洪水、山体滑坡以及对生态系统和基础设施的广泛破坏（Brunner等人，2021；Xiong和Yang，2024）。作为评估未来气候变化风险的核心工具，全球气候模型（GCM）在模拟和预测极端事件方面发挥着关键作用。然而，GCM在模拟极端降水方面仍存在较大不确定性，主要源于对关键物理过程表示和未来气候情景定义的局限性（Li等人，2021a；Shakeel和Ali，2024；Sun等人，2023；Yang等人，2021）。不同GCM对极端降水的模拟结果差异显著，这种不一致性严重影响了结果的可解释性和实际应用价值（Li等人，2020）。

为了解决单一模型预测的局限性，采用了多模型集合（MME）来后处理GCM的输出（Ahmed等人，2019；Sun等人，2023）。MME大致可以分为三类：统计方法、传统机器学习技术和深度学习方法。传统的统计方法（如加权平均、偏差校正和分位数映射）因其简单性和强解释性而被广泛采用。然而，这些方法在捕捉非线性特征和复杂时空结构方面面临挑战（Ganguly和Arya，2023；Team，C.W，2010；Tebaldi和Knutti，2007）。机器学习方法（如随机森林、支持向量机和梯度提升）在一定程度上改进了非线性建模，但它们仍然严重依赖手动特征工程，处理高维气候数据的能力有限（Karpatne等人，2018；L'heureux等人，2017）。随着计算能力和算法设计的进步，深度学习实现了自动特征提取，并有效捕捉了复杂的非线性模式（Chattopadhyay等人，2020）。深度学习在极端事件检测、时空依赖性建模和多源数据整合等关键领域表现出色（Krasnopolsky和Lin，2012；Ren等人，2021）。卷积神经网络（CNN）框架因其在模拟复杂时空过程方面的强大能力而在气候变化研究中得到越来越多应用（Cho等人，2022；Sadeghi等人，2019）。特别是其分层编码器-解码器架构有助于多尺度特征提取和精确的空间重建，能够有效表示大规模降水模式和局部极端事件。实际应用中，Sun等人（2023）采用基于CNN的方法改进了中国地区的多GCM月降水量预测，其准确性和空间适应性优于传统的集合和机器学习方法。基于CNN的框架还能有效模拟极端降水对气候变化的响应，无需依赖传统气候模型即可基于短期观测记录生成高分辨率空间预测（Bird等人，2023）。随着深度学习在气候应用中的兴趣日益增长，Transformer也越来越多地应用于极端降水研究，通常与CNN结合使用以提高预测精度（Jiang等人，2024；Liu等人，2024；Zhang等人，2024）。Transformer利用多头自注意力模块捕捉全局空间模式和长期时间关系，非常适合预测极端降水。然而，基于深度学习的MME方法仍处于发展初期，其在极端气候事件（如极端降水）预测中的应用仍有限，需要进一步研究和严格验证。本研究旨在将深度学习进一步应用于多个GCM的极端降水指数集成建模，以提高模拟精度并加强整体方法框架。

在预测极端降水时，极端降水指数是捕捉强降水事件的频率、强度和持续时间的关键指标（Gimeno等人，2022）。它们能有效反映气候变率和长期趋势，在模型评估、水文风险评估和气候适应规划中发挥重要作用。大多数研究首先估计总降水量，然后推导极端降水指数。然而，这种间接方法容易受到模型不确定性的影响，可能导致极端事件被低估、误差传播和计算延迟。为了解决这些问题，本研究提出了一种基于混合深度学习架构的CSV-UNet方法，该方法结合了CNN和视觉变换器（ViT）。该模型基于U-Net框架构建，集成了3D卷积（3D-CNN）、2D卷积（2D-CNN）、空间注意力和ViT等先进组件。3D-CNN捕捉了精细的时空依赖性（Yu等人，2024a，Yu等人，2024b），空间注意力捕捉了嵌入在深度特征图中的极端信号响应（Gao等人，2022），而ViT增强了模型学习全局结构特征的能力（Mo等人，2024）。我们使用19个选定GCM的日降水量作为输入，并以CN05.1数据集中的月极端降水指数作为监督学习目标。该模型直接预测月度极端指数，通过全面的时空和极端特征提取学习了多GCM降水场的稳健映射。

为了全面评估模型性能，本研究将提出的CSV-UNet框架与传统的机器学习方法以及广泛使用的U-Net框架进行了比较。主要目标是：（1）开发一种基于深度学习的MME框架，直接从原始GCM模拟输出预测月度极端降水指数；（2）严格评估CSV-UNet模型相对于现有机器学习方法和U-Net在多个时间尺度（包括月度、季节性和年度）上的预测准确性和泛化能力；（3）研究该框架在中国大陆17个主要河流流域的空间稳健性和适用性，从而为其在区域水文风险评估和气候影响研究中的潜力提供见解。

研究区域

本研究聚焦于中国大陆，该地区具有明显的气候多样性。为了捕捉其空间异质性，我们根据流域划分和主导气候特征划分了17个水文气候区域（图1）：（1）内蒙古内陆河流（IMIR），（2）新疆内陆河流（IRX），（3）雅鲁藏布江（YTR），（4）西藏北部内陆河流（IRNT），（5）海河（HR），（6）珠江（PR），（7）中下游长江（MLYTR），（8）上游黄河

数据

本研究使用了CN05.1数据集，其分辨率为0.25°×0.25°。该数据集包含了来自中国大陆2400多个国家气象站的经过质量控制的日降水量记录（Wu和Gao，2013）。在本研究中，我们使用CN05.1的日降水量数据作为1961年至2014年极端降水指数的观测参考，适用于分析中国地区的极端降水事件和评估

GCM模拟的极端降水指数的不确定性

结果表明，GCM在模拟极端降水指数方面存在显著不确定性。如图5所示，1961年至2014年间，CN05.1观测数据显示大多数极端降水指数呈上升趋势，尤其是与强度和频率相关的指数，如R10mm、R20mm、Rx1day和Rx5day。这种普遍的上升趋势表明中国大陆极端降水事件的发生频率和强度显著增加。

讨论

本研究的结果表明，基于深度学习的方法在极端降水预测方面显著提高了预测精度，优于本研究中评估的其他MME方法。值得注意的是，基于机器学习的MME在模型训练前还结合了自动编码器进行降维和特征提取，这使它们区别于传统机器学习方法，并提升了预测性能。

结论

本研究开发了一种基于深度学习的MME框架CSV-UNet，该框架结合了3D-CNN、2D-CNN、空间注意力和ViT，提高了极端降水指数的模拟精度。使用1961年至2014年NEX-GDDP·CMIP6和CN05.1的日降水量数据，该模型在中国大陆17个主要水文流域的年度、月度和季节性时间尺度上进行了全面评估。

在各个时间尺度上，CSV-UNet

CRediT作者贡献声明

吴凌云：撰写 – 审稿与编辑，撰写 – 原始草案，验证，软件，方法论，数据管理，概念化。叶爱忠：撰写 – 审稿与编辑，验证，监督，资金获取，概念化。詹胜胜：撰写 – 审稿与编辑，验证。赵晨光：撰写 – 审稿与编辑，验证。

利益冲突声明

作者声明他们没有已知的财务利益或个人关系可能影响本文报告的工作。

致谢

本研究得到了中国自然科学基金（编号：U25A20750）、京津冀区域综合环境改善-国家科技重大项目（编号：2025ZD1205001）和国家重点研发计划（编号：2024YFF1306305）的支持。