东南亚大陆高分辨率降水降尺度研究：BMA与U-Net CNN的创新融合及其在水资源管理中的应用

这篇研究创新性地将贝叶斯模型平均(BMA)与U-Net卷积神经网络(CNN)相结合，开发了一种混合降尺度方法，显著提升了东南亚大陆复杂地形区的降水预测精度。该方法使对称一致性相关系数(SCCC)从0.68提升至0.82，均方根误差(RMSE)从1.63降至1.27，特别在缅甸北部等山地地区表现突出，为区域水资源管理和气候适应规划提供了更可靠的数据支持。

　　

Highlight

本研究通过整合贝叶斯模型平均(BMA)和U-Net卷积神经网络(CNN)，开发了一种创新的混合降尺度框架，显著提升了东南亚大陆复杂地形区的降水预测能力。该方法有效解决了全球气候模型(GCMs)在捕捉精细尺度降水变异方面的局限性。

Methodology

本研究采用混合降尺度方法，整合了贝叶斯模型平均(BMA)和U-Net卷积神经网络(CNN)。方法应用于东南亚大陆，使用了来自耦合模式比较计划第六阶段(CMIP6)的五个全球气候模型(GCMs)多模式集合：HadGEM3、CESM2、CNRM-CM6、EC-Earth3和MPI-ESM1-2。

Results

混合BMA和U-Net CNN模型的结果显示，与原始BMA输出相比，降水估计得到显著改善。模型性能指标和空间分析证实了该方法在提升东南亚大陆降水估计准确性方面的有效性。

Discussion

本研究的关键成果是通过降尺度显著提高了降水估计的空间分辨率和准确性。降尺度后的模型与TRMM、IMERG和ERA5数据集观测到的季节性降水周期更加吻合。多模式集合在提升区域气候预测方面的有效性得到了验证。

Conclusion

本研究提出了创新的混合降尺度框架，结合BMA和U-Net CNN来改进东南亚大陆的降水估计。方法整合了五个CMIP6 GCMs、ERA5再分析、TRMM和IMERG观测数据集(1998-2014年)。BMA模型有效捕捉了区域降水格局，在缅甸北部和泰国西部显示出最高值(>300 mm/月)。