机器学习增强的多模型集成方法提升黄河源区降水和温度气候预测精度

针对CMIP6全球气候模型(GCM)在黄河源区(SRYR)气候预测中存在的不确定性和偏差问题，研究人员创新性地构建了融合GCM优选、偏差校正(QDM)和机器学习集成(LSTM/RF/FNN)的预测框架。该研究通过评估22个CMIP6模型性能，筛选6个最优模型进行集成，证实LSTM方法在捕捉时空变异方面表现最佳，预测显示SSP5-8.5情景下冬季降水和温度增幅最显著，为高寒流域水文评估提供了新工具。

　　

在全球变暖背景下，黄河源区(SRYR)作为中国重要的水塔区域，其气候变化的精确预测关乎整个黄河流域的水资源安全。然而，现有的CMIP6全球气候模型(GCM)在复杂地形区域存在显著的预测偏差，传统集成方法难以捕捉气候要素的非线性特征。更棘手的是，不同模型在高原地区的表现差异巨大，导致决策者难以获得可靠的预测依据。

针对这一科学难题，河海大学水文水资源与水利工程科学国家重点实验室的研究团队在《Journal of Hydro-environment Research》发表创新研究。该团队开创性地将物理模型与数据驱动方法相结合，构建了包含三阶段的气候预测框架：首先采用秩评分法从22个CMIP6模型中筛选出6个最优模型，接着应用分位数增量映射(QDM)进行偏差校正，最后对比测试了加权平均(WA)、随机森林(RF)、前馈神经网络(FNN)和长短期记忆网络(LSTM)四种集成方法。关键技术包括：基于9项指标的GCM性能评估体系、考虑极端值修正的QDM算法、以及能捕捉时序特征的LSTM集成网络，数据来源于1979-2014年SRYR观测资料和CMIP6多模型输出。

研究结果显示：在模型评估阶段，FGOALS-f3-L模型对降水量的模拟最接近实测值(441.1 mm vs 540.0 mm)，而多数模型存在高估倾向。经QDM校正后，所有模型的Nash-Sutcliffe效率系数(NSE)平均提升0.15。在集成方法比较中，LSTM以最高Pearson相关系数(r=0.92)和NSE(0.87)胜出，显著优于传统加权平均方法(r=0.82)。

未来预测部分揭示：在SSP5-8.5情景下，2076-2100年SRYR年降水量将增加23.8%，温度上升4.2°C，其中冬季降水增幅达35.4%最为显著。季节分析显示，虽然夏季仍保持最高降水量，但冬季的相对增长率最大；温度升高则呈现均一化特征，各季节变暖幅度差异不超过0.5°C。

这项研究的突破性在于：首次证实LSTM在高原多模型气候集成中的优越性，其能有效捕捉降水事件的时序依赖关系；提出的分级优化框架将CMIP6在SRYR的预测不确定性降低40%；发现的冬季强化增湿现象对高原水资源管理具有警示意义。该成果不仅为高山流域气候适应策略提供科学依据，更开创了物理模型与AI融合的新范式，相关方法已被纳入西藏自治区科技重点项目的决策支持系统。值得注意的是，研究强调不同SSP情景下的增幅差异提示减排政策的重要性，在SSP1-2.6情景下，世纪末温度上升幅度可比SSP5-8.5降低58%，这为碳中和目标提供了量化支撑。