《Journal of Hydrology: Regional Studies》：A framework to compare the performance of spatial disaggregation methods of statistical climate downscaling in South America
编辑推荐：
研究区域：智利和南美洲。研究焦点：气候变化通过大气环流模型（General Circulation Models, GCMs）在大尺度上进行模拟。影响研究和区域研究需要降尺度（downscaling）以提高空间分辨率。存在多种降尺度方法，但大多数研究未分析或比
研究区域：智利和南美洲。研究焦点：气候变化通过大气环流模型（General Circulation Models, GCMs）在大尺度上进行模拟。影响研究和区域研究需要降尺度（downscaling）以提高空间分辨率。存在多种降尺度方法，但大多数研究未分析或比较空间分解（spatial disaggregation）过程。为克服这一问题，研究人员提出一个框架，并通过比较八种方法进行测试：双线性插值（Bilinear, BIL）、双三次插值（Bicubic, BIC）、反距离插值（Inverse Distance Interpolation, DIS）、最大面积分数（Largest Area Fraction, LAF）、最近邻（Nearest Neighbor, NN）、一阶守恒（First-Order Conservative, CON1）、二阶守恒（Second-Order Conservative, CON2）和普通克里金（Ordinary Kriging, KRIG）。该框架使用智利（采用CR2MET V2.5数据集）和南美洲（采用ERA5-LAND数据集）不同空间尺度的日温度和降水数据。引入最大缩放因子（maximum scaling factor）的概念：粗网格分辨率与分解后高网格分辨率之间的比值。最大缩放因子允许推荐分解的分辨率以避免变率膨胀（variability inflation）。该框架包括将数据聚合到不同分辨率，然后将其分解回原始网格。最后，通过指标测量性能，以确定哪种空间分解方法最准确地恢复原始气候格点信息。对该区域新的水文见解：在进行空间分解格点数据时，应避免将空间分辨率提高超过智利日降水约22倍和温度约11倍，以及南美洲降水约14倍和温度约8倍，以避免变率膨胀。
**研究背景与问题**
气候变化对自然生态系统和人类社会构成重大挑战。全球气候模型（General Circulation Models, GCMs）是研究气候变化的主要工具，但其空间分辨率通常仅为100–250 km，难以捕捉区域或局部过程，特别是在复杂地形或气候异质性显著的地区。为弥补这一不足，降尺度（downscaling）方法被用于提高GCM输出的空间分辨率。降尺度可分为动力降尺度（使用区域气候模型，Regional Climate Models, RCMs）和统计降尺度。统计降尺度通过建立局部观测与GCM输出之间的经验关系，以较低计算成本生成高分辨率气候场，其核心步骤包括空间分解（spatial disaggregation）和偏差校正（bias correction）。然而，现有研究大多直接应用单一降尺度方法，或仅比较偏差校正步骤，而忽略了对空间分解方法本身的系统评估。不同空间分解方法在不同区域和气候变量下的适用性尚不明确，缺乏标准化的比较框架。为此，研究人员提出一个框架，旨在系统评估空间分解方法的性能，并引入最大缩放因子（maximum scaling factor）概念，以指导分辨率的合理提升，避免变率膨胀（variability inflation）。该研究发表在《Journal of Hydrology: Regional Studies》。
**主要技术方法**
研究人员使用观测格点数据集：智利采用CR2MET V2.5（0.05°分辨率，1960–2021年），南美洲采用ERA5-LAND（0.1°分辨率）。将数据聚合至不同粗网格（0.1°–2.5°），然后使用八种空间分解方法（双线性插值BIL、双三次插值BIC、反距离插值DIS、最大面积分数LAF、最近邻NN、一阶守恒CON1、二阶守恒CON2、普通克里金KRIG）分解回原始分辨率。通过四种性能指标（平均绝对误差MAE、均方误差MSE、克林-古普塔效率KGE、纳什-苏特克利夫效率NSE）评估分解后字段与原始字段的差异，并构建加权综合指数（各指标权重1/4），设定阈值0.7确定最大缩放因子（即粗网格分辨率与原始分辨率之比）。KRIG仅应用于南美洲域，因其计算成本较高。
**研究结果**
**3.1 智利域**
通过比较不同尺度下的加权指数，发现双线性插值（BIL）、双三次插值（BIC）和反距离插值（DIS）在降水和温度方面均表现稳定，而一阶守恒（CON1）和二阶守恒（CON2）在降水精细尺度上表现尚可，但在粗尺度上性能下降。最大缩放因子分析显示，降水的最佳方法（DIS）可达22.3，BIL为21.8，BIC为17.4；温度的最佳方法（DIS）为10.6，BIL为8.5，BIC为7.4。空间异质性分析表明，智利北部干旱区性能较差，中部和南部湿润区性能较好。
**3.2 南美洲域**
在南美洲大陆尺度，BIC和BIL在降水方面表现最优，而KRIG在温度中间尺度（0.5°和1.0°）上提升性能。最大缩放因子：降水方面BIC最高（13.6），BIL次之（13.1），DIS为10.5，KRIG仅为3.7；温度方面KRIG最高（8.0），BIC为7.2，BIL为7.1，DIS为6.0。按气候分区分析显示，热带、干旱、温带、寒冷和极地地区中，BIC和BIL在降水方面普遍领先，KRIG在温度方面对热带和干旱区中间尺度有优势，但极地地区所有方法均表现不佳。
**极端降水评估**
研究人员使用日年最大降水序列评估极端事件，发现仅精细尺度（0.2°）下方法性能尚可（加权指数约0.69–0.91），粗尺度（0.5°及以上）性能急剧下降，表明平均降水与极端降水的降尺度不可等同。
**讨论总结**
讨论部分指出，方法排名取决于变量、尺度和区域背景。KRIG在温度中间尺度上表现优于其他方法，但计算成本是其他方法的300倍以上，且对降水无优势。最大缩放因子应解释为指导性建议而非绝对阈值，且需考虑空间异质性。方法选择应基于变量、域和实际约束，而非单一“最佳”方法。此外，该框架未考虑地形信息，未来可结合数字高程模型（DEM）或人工智能方法。研究还指出，极端降水降尺度需要后续偏差校正步骤。
**研究结论翻译**
本文提出了一个系统评估空间分解方法性能的框架，并识别了在不引起变率膨胀的情况下提高网格分辨率的最大缩放因子。该框架从高分辨率观测场开始，将其聚合为粗网格，再分解回原始网格，以评估空间分解方法恢复原始高分辨率气候格点信息的能力。该框架用八种空间分解方法在智利（国家尺度）和南美洲（大陆尺度）的日降水和温度格点产品上进行测试，使用了结合四种性能指标的综合指数。结果表明，空间分解性能强烈依赖于缩放因子、变量和域。总体而言，BIC、BIL和DIS在降水方面表现稳健，而KRIG在南美洲温度方面特别相关。在智利域，降水的最佳方法最大缩放因子为17–22，温度最佳为7–11。在南美洲，降水最佳方法最大缩放因子为11–14，温度最佳为6–8。这是首次对空间分解方法提出最大缩放因子建议。该框架提供了实用工具，可先识别每种情况下的最佳空间分解方法，并给出避免变率膨胀的指导。对于实际应用，若无法应用该框架，推荐使用BIC、BIL或DIS，其中双线性插值（BIL）可作为默认选项。若计算资源允许，普通克里金（KRIG）可作为温度在大陆尺度应用的额外基准，但其计算成本较高。用户应避免超过本研究识别的最大缩放因子。该结果揭示了在不同尺度和气候环境下比较空间分解方法的价值，有助于标准化技术比较，促进在水文规划及气候变化适应等领域的应用。未来工作应扩展至其他气候变量、时间尺度及考虑地形信息的方法。
