基于DBCCA方法的CMIP6高分辨率偏差校正与降尺度气候数据集构建及其在热带健康影响研究中的应用

《Scientific Data》：Quasi-global, land-only, high-resolution and spatially averaged climate variables from downscaled CMIP6 models for climate impact research

　　

摘要

全球气候模型（GCMs）是理解气候系统及其在不同情景下演变的重要工具。然而，模型构建上的差异引入了不确定性，且全球气候模型分辨率较低并存在固有偏差，这限制了其在为地方或区域适应与减缓规划提供信息方面的有效性。我们应用统计双重偏差校正构建类比法（DBCCA），生成了1985—2100年日尺度、0.1°空间分辨率的偏差校正和下尺度气候模型输出数据，特别侧重于支持热带健康相关影响研究。我们的准全球高分辨率输出数据基于耦合模型比较计划（CMIP6）第六阶段的六个全球气候模型，涵盖两种排放情景（SSP2-4.5和SSP5-8.5），覆盖北纬60°至南纬60°之间的12个纯陆地区域。此外，许多影响研究者依赖于按人口加权的汇总至行政单位的数据，而非网格化数据，因为前者与政策制定和决策更为直接地相关。基于我们的偏差校正和下尺度模型输出数据，我们还为110个热带疾病研究优先国家提供了按行政单位级别（0—2级）汇总的用户就绪（按人口加权）空间聚合气候变量。