编辑推荐：
当前获取过去高时空分辨率气候数据困难，研究人员开发基于 R 语言框架的降尺度技术工具包（dsclim 和 dsclimtools），对西地中海气候数据降尺度处理。得到高分辨率数据集，为该地区研究提供数据支持，推动相关领域发展。
在生态研究的广袤领域中，气候数据宛如一把关键钥匙，能帮助我们打开理解自然奥秘的大门。天气和气候对各种自然过程有着深远影响，从塑造地貌的侵蚀、土壤形成，到左右生物多样性的物种分布、生态系统生产力等。深入研究气候与气候变化，不仅有助于我们更好地把握气候系统本身，还能洞察其对诸多自然过程的作用机制，在水资源、粮食供应、健康和经济等领域也意义非凡。
然而，获取过去时期精细时空分辨率的气候数据却困难重重。现有的全球气象和气候数据集虽多，但大多存在局限性。像 PMIP、TraCE - 21ka 等项目提供的数据，空间分辨率较粗，对于区域或局部研究中至关重要的中小尺度气候分析来说，难以满足需求；而 WorldClim 和 EcoClimate 这类高空间分辨率的数据，时间覆盖范围却有限，无法满足研究连续历史生物地理模式的需求。此外，降尺度技术的复杂性也让非专业人士望而却步。
面对这些挑战，来自西班牙科尔多瓦大学（Universidad de Córdoba）和格拉纳达大学（Universidad de Granada）的研究人员展开了一项极具意义的研究。他们致力于开发一个基于广泛使用的 R 编程框架的工具包，运用先进的降尺度技术处理低分辨率气候数据集，并利用该工具包为西地中海地区生成高分辨率气候数据。这项研究成果发表在《Scientific Data》上，为相关领域的研究带来了新的曙光。
在研究方法上，研究人员开发了两个 R 包，即 dsclim 和 dsclimtools。dsclim 负责执行降尺度过程，通过在多个参数空间进行交叉验证，选择最优的降尺度算法配置；dsclimtools 则用于管理降尺度后生成的数据集。研究使用的气候数据来源广泛，包括 TraCE - 21ka 的古气候模拟数据、UERRA 项目的历史再分析数据以及 CMIP5 多模型集合的未来气候数据。在降尺度过程中，运用了完美预后降尺度方法，基于 climate4R 框架构建预测变量（粗分辨率数据）和被预测变量（细分辨率数据）之间的传递函数，通过广义线性模型（GLMs）进行拟合，最终得到高分辨率的气候数据集。
数据记录
研究人员将生成的数据集存储在 Zenodo 上，其文件夹结构清晰明了。按气候变化情景（RCP2.6、RCP4.5、RCP6.0 和 RCP8.5）分类，每个情景下再按使用的全球气候模型（GCMs），即 CESM1 - CAM5、CSIRO - Mk3 - 6 - 0 和 IPSL - CM5A - MR 细分，每个模型文件夹下按变量分别存储，以 NetCDF 文件格式记录每年的数据。过去的数据因体量较大，按时间和变量进行碎片化存储。该数据集覆盖西地中海地区（11.04°W 至 12.04°E，27.96°S 至 44.04°N），提供从 22 ka BP 到 2100 年的每月气候数据，包含最高温度、最低温度、平均温度、降水量、风速、相对空气湿度和云量等变量，空间分辨率达 11×11 km。
技术验证
研究人员对历史时期（1961 - 1990 年）的降尺度进行交叉验证，结果显示所有模型配置的平均偏差均较低，但不含空间预测变量的配置在偏差的标准差和偏度上表现出更高的变异性。最终选择 M1.sp 配置对所有变量进行从末次盛冰期（LGM，22 ka BP）到 2100 年的降尺度处理。此外，通过与原始 TraCE - 21ka 和 CHELSA - TraCE21k 数据集对比发现，高分辨率数据能够捕捉地形对平均温度的影响，且在温度变化趋势上具有一致性，但在温度和降水的具体数值上存在差异。这些差异部分源于历史时期使用的不同高分辨率源数据，而非降尺度过程引入的偏差。在降水方面，两个数据集都显示山谷地区降水低于山区，但 CHELSA - TraCE21k 的降水变异性更大，且在山区的降水趋势与粗分辨率数据存在冲突，这可能与降水受局部过程影响较大有关。同时，研究还表明，结合过去和未来数据时，该数据集具有连贯性，不同排放情景下的未来气候预测与历史数据能够进行有效对比。
综上所述，这项研究开发的工具包和生成的高分辨率气候数据集意义重大。它为西地中海地区的生态、古生态等研究提供了宝贵的数据资源，有助于深入探究该地区过去的环境变化以及预测未来气候变化的影响。同时，工具包的开源性质也为其他地区创建类似的高分辨率气候产品提供了便利，推动了全球相关领域的研究进展。不过，研究也指出，由于交叉验证的历史时期较短，随着研究时期与验证时期的偏离，不确定性会增加，且降水数据在降尺度过程中存在较高的不确定性和变异性，未来还需进一步研究探索数据来源带来的不确定性问题，以不断完善气候数据的研究和应用。
