《Earth's Future》：Assessing Dominant Uncertainties in Future Precipitation Projections for a Hurricane-Prone Region
编辑推荐：
摘要：由于参考数据集、偏差校正(Bias Correction)及全球气候模式(Global Climate Models, GCMs)存在不确定性，未来降水的准确预估仍具挑战。研究人员评估了上述不确定性在美国墨西哥湾沿岸13个主要城市（飓风频发区域）192个
摘要：由于参考数据集、偏差校正(Bias Correction)及全球气候模式(Global Climate Models, GCMs)存在不确定性，未来降水的准确预估仍具挑战。研究人员评估了上述不确定性在美国墨西哥湾沿岸13个主要城市（飓风频发区域）192个历史与未来情景下的影响。首先依据地面站点观测评估了4套参考格点降水数据集、8个CMIP6 GCMs及1个HighResMIP模式(CMCC-CM2-VHR4)。随后采用两种统计技术——经验分位数映射(Empirical Quantile Mapping, EQM)及混合EQM与线性校正(EQM-LIN)——对所有GCM输出进行偏差校正，并再次与地面观测对比评估。所有格点数据集、HighResMIP及GCMs均倾向于高估弱降水事件而低估极端降水；PRISM与CPC分别表现出最强和最弱的一致性，AORC在陆海相互作用及空间异质性显著的佛罗里达半岛西南部优于其他产品。偏差校正显著改善了至第90百分位数的模式表现，部分情况下平均绝对误差(MAE)和均方根误差(RMSE)降低超70%；但在超过该百分位后效果减弱，极高百分位(≥95th)仍被低估。SSP2-4.5与SSP5-8.5情景下的未来预估表明，基于参考数据集的偏差校正使极端降水指数(Rx1day、SDII及R95p)的模式间离散度降低约60%–80%，且HighResMIP预估一般落在CMIP6集合范围内。研究结果表明，可信的未来降水预估更依赖于参考降水数据集的代表性与质量及偏差校正技术，而非GCM本身。该结果为改进未来降水预估、更新强度—历时—频率(Intensity-Duration-Frequency, IDF)曲线及推进飓风频发区域的韧性规划提供了指导。
论文解读——《Assessing Dominant Uncertainties in Future Precipitation Projections for a Hurricane-Prone Region》
本文发表于期刊《Earth's Future》，针对美国墨西哥湾沿岸这一飓风频发、对流过程活跃且热带气旋影响显著的地区，系统评估了未来日降水及其极端指标预估中三类核心不确定性的相对贡献——即参考格点降水数据集的选择、统计偏差校正(Bias Correction, BC)技术的差异，以及全球气候模式(Global Climate Models, GCMs)的结构性差异。当前研究表明，CMIP6 GCMs虽广泛用于区域水文气候预估，但其粗空间分辨率限制了对局地强对流和飓风雨特征的刻画；统计偏差校正可改善模式输出与观测的分布一致性，但不同参考数据集本身存在代表性误差，且不同校正方法对尾部分布（极端降水）的处理各异。此外，已有研究多孤立考察GCM、排放情景或单一偏差校正的影响，较少在同一框架下量化参考数据集、偏差校正技术与GCM结构三者交互对未来极端降水指数集合离散度的塑造作用。鉴于墨西哥湾沿岸洪水风险高、基础设施设计依赖强度—历时—频率(Intensity-Duration-Frequency, IDF)与深度—历时—频率(Depth-Duration-Frequency, DDF)曲线，厘清上述不确定性来源对该区域气候适应与韧性规划至关重要。研究人员以美国墨西哥湾沿岸五州（德克萨斯、路易斯安那、密西西比、阿拉巴马、佛罗里达）13座主要城市为研究区，选取1985–2014年历史时段验证四套格点降水产品（CPC、Daymet、PRISM、AORC）及八组CMIP6 GCMs原始输出，采用EQM与EQM-LIN两种偏差校正技术生成64种历史情景组合与128种未来情景组合（SSP2-4.5与SSP5-8.5；近未来2021–2050、远未来2071–2100），并以NOAA NCEI地面站点日降水为基准真值，计算MAE、RMSE及分位数区间误差，绘制分位数—分位数(Quantile-Quantile, QQ)图，并基于极端降水指数Rx1day（年最大1日降水量）、SDII（简单日降水强度指数）和R95p（超过湿日95百分位的总降水量）评估未来预估集合离散度；同时引入HighResMIP模式CMCC-CM2-VHR4(~25 km)作高分辨率参照。研究发现：格点数据集普遍高估低值、低估高值，PRISM整体最优，AORC在佛州半岛西南部占优；原始GCMs系统性低估中高及以上分位降水，ACCESS-CM2与BCC-CSM2-MR分别为历史表现最优与最差者；偏差校正可将MAE/RMSE降低57%–76%至第90百分位数，但对≥95th百分位改善有限；经偏差校正后GCM间历史误差差异大幅缩小，表明参考数据集与BC技术较GCM结构更具影响力；未来情景下偏差校正使Rx1day、SDII、R95p的CMIP6模式间散布缩减60%–80%，不确定性由GCM结构主导转移至参考数据集与BC方法选择，HighResMIP预估落于CMIP6集合范围且其Rx1day略偏高暗示分辨率对峰值极端事件的有限增益。论文强调在飓风频发区开展降水预估与IDF/DDF更新时必须将参考数据集与偏差校正方案作为显式决策变量纳入不确定性分析。
主要关键技术方法
研究人员选用美国墨西哥湾沿岸13个主要城市周边NOAA NCEI地面气象站1985–2014年日降水观测为真值；提取四种格点参考降水数据集——NOAA CPC Unified (~50 km)、OSU PRISM (~4 km)、Daymet (~1 km，日尺度)、NOAA AORC (~1 km，小时聚合为日)；选取八组CMIP6 GCMs（ACCESS-CM2、BCC-CSM2-MR、CESM2、CNRM-ESM2-1、EC-Earth3-Veg、MPI-ESM1-2-LR、MRI-ESM2-0、NorESM2-MM）的历史及SSP2-4.5/SSP5-8.5情景近未来(2021–2050)与远未来(2071–2100)日降水输出，另取HighResMIP模式CMCC-CM2-VHR4近未来输出作比对；采用两种单变量统计偏差校正法——标准经验分位数映射(Empirical Quantile Mapping, EQM)与混合EQM加线性外推(EQM-LIN，阈值取5th–95th百分位)，以各格点参考数据集历史观测期构建传递函数应用于历史及未来GCM输出；通过五折交叉验证避免过拟合；以MAE、RMSE全序列及分位数子集(≥75th、≥90th、≥95th)评估精度，QQ图检视分布匹配性；未来预估采用Rx1day、SDII、R95p三极端指数，以箱线图展示八GCM集合中位数、四分位距及全距以量化模式间散布缩减程度。
3 Results and Discussion（结果与讨论）
3.1 Evaluation of Historical Gridded Precipitation Products and HighResMIP Output
研究人员通过QQ图与MAE/RMSE对比四套格点数据集及CMCC-CM2-VHR4与站点观测，发现所有产品倾向高估低降水、低估高降水（>90th百分位），PRISM在13城中9城MAE/RMSE最低，AORC在佛州半岛西南部（Fort Myers、Naples、St. Petersburg）因更好捕捉陆海交互与空间异质性强于其余格点产品，CPC因~50 km粗分辨率误差最大；CMCC虽具更高分辨率仍系统性低估上尾，说明仅靠提高分辨率不足以消除对流参数化相关偏差。
3.2 Evaluation of Historical Raw GCM Outputs
八组CMIP6 GCMs原始输出较格点数据集偏离更大，QQ图显示中高分位系统性低估且随分位升高偏离加剧；ACCESS-CM2历史MAE/RMSE最小，BCC-CSM2-MR最大，其余模型居中但RMSE偏高反映极端事件模拟偏弱，印证粗分辨率GCM对局地强对流与热带气旋降水表征不足。
3.3 Impacts of Bias Correction Techniques and Gridded Precipitation Data Sets on GCM Structure Under Historical Scenario
以EQM与EQM-LIN对各GCM配四套参考数据集校正后，QQ图与误差指标显示≤90th百分位偏差大幅压缩，MAE较原始GCM降低约57%（ACCESS-CM2）至74%（BCC-CSM2-MR），RMSE降幅相近（59%–76%），最佳参考数据集通常产生最佳校正结果但非绝对（Daymet或AORC偶优于PRISM取决于城市与GCM配对）；EQM-LIN对上尾略优但仍无法消除≥95th百分位残余低估；校正后不同GCM间误差差异显著缩小，说明参考数据集与BC技术比GCM结构对历史日降水分布符合度影响更大，西南佛州因参考数据集本身代表性误差限制校正上限。
3.4 Evaluation of Bias Corrected GCM Outputs Under Future Climate Scenarios
基于Rx1day、SDII、R95p评估SSP2-4.5与SSP5-8.5下近未来与远未来，原始CMIP6集合散布宽，偏差校正后箱线图四分位距与须长显著收缩，散布缩减幅度60%–80%且跨城市、跨情景一致，中位数变动较小——表明BC通过强制分布对齐压低了GCM结构离散度而非改变气候信号量级；CMCC近未来Rx1day常处于或超出CMIP6上四分位，SDII与R95p多在中位或偏下，提示高分辨率可能局部放大孤立极端峰值但不系统性改变平均雨强或极强总雨量；缩减后散布仍保留上尾残余差异，提醒工程设计中不能将统计收敛等同于物理不确定性消除，且参考数据集本身偏差会传递入所有校正后GCM。
3.5 Comparisons With Previous Research
结果与前人关于格点与GCM普遍低估上尾降水、参考数据集与BC技术可成为主导不确定源的结论相符，并在飓风频发沿海区域量化证实此类区域参考数据集与BC方法不确定性可匹敌或超过GCM与排放情景不确定性，补充了现有全球或内陆流域研究未充分涵盖热带气旋影响区的认知。
3.6 Limitations and Future Research
局限含研究限于美墨湾沿岸13城、仅四套格点数据集、单HighResMIP模式、未用多元偏差校正及考虑非平稳性；建议未来纳入更多卫星—站点融合产品、对流许可或高分辨率区域模式、多元BC保留温—降水耦合、采用面雨量折减系数(Areal Reduction Factor, ARF)减小点—面不匹配、检验非平稳条件下方法及机器学习BC表现，并通过极端值分布拟合直接服务IDF/DDF修订。
总结与结论（翻译浓缩）
研究人员得出结论：(1) PRISM总体最贴近站点日降水分布，AORC在佛州半岛西南部较优，CPC最差；原始GCMs中ACCESS-CM2历史表现最好、BCC-CSM2-MR最差，CMCC高分辨率未消除上尾低估；(2) EQM与EQM-LIN显著改善GCM输出至第90百分位数，MAE/RMSE降幅可达70%以上，校正后GCM间差异大幅缩小，表明参考数据集与BC技术比GCM结构不确定性更重要；≥95th百分位仍难校正，反映模式物理与参考数据共同局限；(3) 未来情景下偏差校正使极端降水指数模式间散布缩减约60%–80%，该收敛对排放情景不敏感，但代表不确定性从GCM结构转移至所选参考数据集与BC方法——即BC使GCM向参考数据集分布靠拢，其内含偏差会沿承至预估结果；(4) HighResMIP(CMCC)近未来Rx1day常高于CMIP6中位，说明增分辨率对孤立峰值极端事件略有增益但非系统性改变强度与极湿日累计量；(5) 对美墨湾沿岸基础设施设计与洪涝风险评估，须将参考数据集选择与BC方案列为首要不确定源，警惕偏差校正产品对≥95th百分位热带气旋相关极端降雨的可能低估，缩减后集合散布应理解为方法收敛而非物理不确定性消失。这些发现为更新IDF/DDF曲线及制定沿海韧性适应策略提供了依据。
