基于深度残差注意力机制的中国10公里超分辨率气候与潜在蒸散发数据集构建及其应用研究

为解决全球变暖背景下区域气候与水文生态系统的精细化模拟需求，中国科学院地理科学与资源研究所团队开发了基于残差通道注意力网络(RCAN)的超分辨率融合框架，构建了中国首套10公里分辨率多模型-多情景气候与潜在蒸散发(PET)数据集(SRCPCN10)。该研究突破了传统降尺度方法在多元协调性和物理一致性方面的局限，为流域水文建模、农业气候风险评估及碳中和路径优化提供了公里级数据支撑，显著提升了区域适应策略的精准性。

　　

随着全球气候变暖加剧，极端天气事件频发对区域气候和水文生态系统构成严峻挑战。当前，耦合模式比较计划第六阶段(CMIP6)提供的全球气候模型数据分辨率仅约100公里，难以捕捉复杂地形和小尺度气候过程，导致区域水文风险评估存在显著不确定性。更棘手的是，作为地表水热平衡核心指标的潜在蒸散发(PET)估算面临三大瓶颈：依赖多变量协调输入、原始数据分辨率不足，以及传统单变量降尺度破坏物理一致性。这些问题严重制约了农业干旱监测、灌溉系统设计和生态系统碳-水耦合模拟的精度。

针对这些科学难题，中国科学院地理科学与资源研究所的Fuyao Zhang、Xiubin Li、Xue Wang等研究人员在《Scientific Data》发表了创新性研究成果。团队开发了基于深度残差注意力机制的超分辨率融合框架，构建了覆盖中国全境、时间跨度为2015-2100年的10公里分辨率多模型-多情景气候与PET数据集(SRCPCN10)。该研究选取CMCC-ESM2等5个CMIP6全球气候模型在SSP126至SSP585四种情景下的数据，通过残差通道注意力网络(RCAN)实现从100公里到10公里的分辨率提升，同时采用FAO标准Penman-Monteith方程计算PET，最终生成包含温度、降水、辐射等9个气候变量和PET的综合性数据集。

关键技术方法包括：(1)利用ERA5-Land再分析数据构建训练集，通过双三次插值生成与GCM分辨率匹配的低分辨率数据；(2)设计多模态输入架构处理单变量降尺度和多变量PET估算任务；(3)采用残差通道注意力网络(RCAN)整合残差学习和通道注意力机制，通过全局平均池化和多层感知机生成通道权重；(4)结合L1损失和L2权重衰减优化模型；(5)使用MAE、MSE、R²和KGE等指标系统评估性能。

Downscaling performance evaluation
研究显示，温度(tas/tasmax/tasmin)、辐射(rsds/rlds)和地表压力(ps)的降尺度效果最优(R²/KGE>0.99)，其中日最低温度误差最高(MAE=0.666 K)。降水(pr)因空间不连续性表现最差(R²=0.897)，而多变量衍生的PET精度(R²=0.973)虽低于单变量但仍满足水文模拟需求。高分辨率网格(S3)使MAE降低约10%，验证了分辨率提升的有效性。

Future climate change trends
多模型集合分析揭示了2015-210年中国气候变量的演变规律：温度变量在所有SSP情景下均呈显著上升趋势(p<0.001)，且增温速率随辐射强迫增强而加快。相对湿度(hurs)在SSP245和SSP585下显著下降(-0.108%/decade)，而地表风速(sfcWind)仅呈现微弱衰减(0.004-0.016 m·s^-1·decade^-1)。降尺度数据与原始CMIP6的年均差异大多小于1%，证实了数据一致性。

Technical Validation
空间分析表明，除降水外所有变量在西部复杂地形区(如青藏高原)误差更高。季节尺度上，温度变量误差呈U型分布(冬季最高)，而降水误差在夏季最大。辐射变量rsds的误差峰值出现在5月，反映云物理过程的不确定性。

该研究通过深度学习方法实现了气候变量与PET的协同降尺度，解决了传统方法在多元协调性和物理一致性上的关键瓶颈。SRCPCN10数据集不仅为流域水文模型(SWAT/VIC)提供了精细化的驱动数据，还能支持风电/光伏电站的局地气候适宜性评估，助力可再生能源规划。研究特别指出，当前框架在陡峭地形降水模拟和未来情景外推方面仍需改进，这为后续研究指明了方向。数据与代码的开源共享(DOI:10.11888/Atmos.tpdc.302144)将极大促进区域气候适应策略的精准制定，为应对全球变化下的水-粮食-能源纽带挑战提供科学基础。