RCGAN：一种用于 CMIP6 气候预测多变量偏差校正的生成对抗框架

《Environmental Modelling & Software》：RCGAN: A Generative Adversarial Framework for Multi-Variable Bias Correction in CMIP6 Climate Projections

　　

**摘要**

气候模型的输出存在系统性偏差，这限制了其在影响评估中的使用，而传统的校正方法基于统计假设，限制了其对非线性关系的表示方式。本研究评估了我们先前工作中开发的残差校正生成对抗网络（RCGAN），用于对中国五个CMIP6模型的相对湿度、降水和温度进行偏差校正，时间分辨率为月度和日度。分位delta映射（QDM）和基于卷积神经网络（CNN）的校正（CNNBC）作为基准方法。所有结果均基于2006年至2014年的验证期。对于月度数据，泰勒技能评分（TS）的相对改进幅度约为：相对湿度77.8%，降水26.7%，温度5.4%；相应的日度数值分别为114.9%、26.1%和9.5%。对于相对湿度和降水，RCGAN的TS高于QDM和CNNBC；而对于温度，其表现仅略优于这两种方法。因此，改进效果取决于所校正的变量。

**引言**

自21世纪初以来，全球气候变化的速度和影响显著加剧（Swain等，2024），这是在18世纪末工业革命期间人为趋势的基础上进一步发展的结果（Crutzen，2006）。其渐进式影响广泛，包括海平面上升、极端天气事件（如干旱和洪水）的频率和严重程度增加、因温度升高而诱发的更多野火，以及降雨模式的随机变化（Abram等，2021；Clarke等，2022；Oelbermann等，2022；Peng等，2023）。这些变化对人类社会和生态系统产生了深远影响，破坏了自然生态平衡，并增加了社会经济系统的脆弱性（Kikstra等，2022）。后续研究表明，这种恶化的气候模式可能会随时间推移而进一步加剧（Goulart等，2023）。这一趋势为全球治理带来了重大挑战，在生态系统、环境完整性、社会政治结构和经济系统等多个领域产生广泛影响（Feliciano等，2022；Leal Filho等，2021）。因此，人们日益迫切地需要考察气候变化的预期轨迹，评估其潜在后果，并制定有效的适应策略以应对其影响（Song等，2023）。

随着气候建模技术的进步，全球气候模型（GCMs）已成为理解过去气候变率和预测未来气候变化的不可或缺的工具（Iyakaremye等，2021；Li等，2018；Shuaifeng和Xiaodong，2022）。在世界气候研究计划（WCRP）的协调下，耦合模式比较计划从CMIP5发展到CMIP6，后者采用了更为系统的实验结构，包括气候诊断、评估和表征（DECK）实验、历史模拟，以及一系列获批的模式比较项目（MIPs）（Eyring等，2016）。除模型分辨率、过程表示、驱动数据集和诊断输出的改进外，许多CMIP6地球系统模型还提供了对耦合气候-碳循环、大气化学-气溶胶、陆-大气、海洋生物地球化学和冰冻圈过程的增强表征，尽管各模型所包含的组分及其耦合程度有所不同。一个特别重要的进展是情景MIP框架：CMIP5的未来实验主要围绕代表性浓度路径（RCPs）组织，而CMIP6则采用了将共享社会经济路径（SSP）叙事与特定辐射强迫水平相结合的情景，如SSP1-2.6、SSP2-4.5、SSP3-7.0和SSP5-8.5（O'Neill等，2016；Tebaldi等，2021）。该框架更加明确地将气候预测与社会经济发展、土地利用、排放和减缓等方面的不同假设联系起来，从而支持对气候影响、适应和脆弱性的综合评估。CMIP6并未引入气候模型在极端事件分析中的使用，因为CMIP5已广泛用于此目的；相反，CMIP6提供了更新的驱动情景、扩展的多模式集合、更广泛的日尺度诊断输出，以及如高分辨率模型比较项目（HighResMIP）等协调实验，用于研究水平分辨率对区域气候过程和极端事件的影响（Haarsma等，2016）。尽管如此，评估表明CMIP6模型在温度和降水极端值方面仍存在系统性偏差，且其标准空间分辨率对于许多局地尺度影响研究而言仍不足够（Di Luca等，2020；Kim等，2020）。因此，在CMIP6模拟数据能够可靠地应用于水资源、生态系统、空气质量和可再生能源潜力的区域评估之前，偏差校正和降尺度仍然是必不可少的预处理步骤。

人们已经引入并使用了从基础到高级的各类偏差调整技术，以提高气候模拟的准确性（Teutschbein和Seibert，2012）。简单方法包括线性标度（LS）（Crochemore等，2016；Zollo等，2014）、局地强度标度（LIS）（Schmidli等，2006）和幂变换（PT）（Lenderink等，2007），这些方法通过调整变量之间的比例关系来校正偏差。更复杂的方法包括跨部门影响模型比较项目（ISIMIP）（Lange，2019）、分位映射（QM）（Alex J. Cannon等，2015a；Maraun，2016）、分位delta映射（QDM）（Alex J. Cannon等，2015b）、标度分布映射（SDM）（Switanek等，2017）和累积分布函数变换（CDFt）（Famien等，2018；Vrac等，2012）。这些统计方法在减少模型偏差和提高模拟精度方面表现出了一定的有效性（Guo等，2019；Pierce等，2015）。ISIMIP通过保持长期趋势的方法生成了一致的信息，用于支持多部门影响研究（Hempel等，2013）。QM首先将每个模拟值在标定期模拟数据的累积分布函数（CDF）中定位，然后将相应的分位数映射到观测数据的逆CDF，从而校正分布偏差。其改进算法QDM和SDM在保留QM优势的同时，进一步保持了气候变化信号（Alex J. Cannon等，2015b；Switanek等，2017）。相比之下，CDF-t在标定期估计模拟CDF与观测CDF之间的变换关系，并将此变换应用于预测期的模拟CDF，以构建估计的未来参考CDF，之后在模拟分布与估计参考分布之间进行分位映射（Michelangeli等，2009）。然而，这些基于单变量分布的方法不能自动处理空间依赖关系或气候变量之间复杂的非线性依赖关系（Wei等，2021；Yu等，2018）。

深度学习在气候科学中的应用涵盖了若干相关但不同的任务。在天气到季节的时间尺度上，卷积网络、循环网络和生成网络已被用于降水临近预报和预报后处理。例如，Ehsani等（2022）将卷积网络和循环网络相结合，以减少卫星降水产品的延迟，而Ravuri等（2020）证明生成模型能够产生具有技能的概率性降水临近预报。这些研究表明深度网络具备学习非线性预报误差和空间结构的能力；然而，其训练通常基于相对较短预报期的成对预报和观测数据。因此，其表现并不能直接确立深度学习在长期气候模拟中的适用性，因为气候系统的混沌演化导致模拟和观测的逐日天气轨迹并非在时间上配对。

深度学习也已越来越多地应用于气候模型降尺度和偏差校正。Wang等开发了一种用于日降水和最高最低温度区域降尺度的超分辨率深度残差网络，获得了改进的空间细节和可迁移性，尽管评估仅限于区域范围和单一日尺度。Pan等（2021）提出了一种正则化生成模型，用于校正美国本土地区CESM2的日降水，同时保持空间一致性和与模型分辨动力学的关系，但仅考虑了一个GCM、一个变量和一个区域。Hess等（2023）随后开发了一种物理约束条件生成对抗网络，校正了GFDL-ESM4日降水的边际分布和空间间歇性；然而，其评估也仅限于单个地球系统模型的降水。Sharma等（2024）使用三维卷积网络校正GCM模拟的印度夏季季风降水，展示了卷积特征提取的有效性，但仅关注一个区域降水应用。尽管取得了这些进展，但很少有研究在同一评估框架下，系统地评估同一生成式偏差校正架构在多个CMIP6模型、具有显著不同分布的变量以及日度和月度时间分辨率上的表现。为了弥补这一特定空白，本研究开发了RCGAN框架，并在日度和月度尺度上，使用QDM和基于CNN的偏差校正作为基准，对来自五个CMIP6模型的降水、温度和相对湿度进行了系统性评估。

残差校正生成对抗网络（RCGAN）最初由Liu等（2026）开发，用于对CMIP6模拟数据进行偏差校正，以动态评估复合干旱和热浪事件。在本研究建立的基础架构之上，本研究将其应用和评估扩展到了更广泛的多模型、多变量和多时间尺度场景。具体而言，RCGAN分别针对五个CMIP6模型的相对湿度、降水和温度，在日度和月度分辨率下进行独立训练和评估。采用了针对各变量的预处理方法来适应其不同的统计分布特征，并系统地将校正性能与QDM和基于CNN的偏差校正（CNNBC）进行比较。这种实验设计使得能够对RCGAN在不同GCM、气候变量和时间分辨率下的适用性和鲁棒性进行一致性评估。

**各部分概述**

**数据和研究区域**

本研究使用了五个CMIP6模型在中国区域的历史模拟数据，分析集中在三个常用变量上：降水、温度和相对湿度。这些变量在自然灾害研究中发挥着核心作用，包括干旱（Haile等，2020；Lee等，2019）、野火（Brown等，2023）和作物产量减少（Goulart等，2023；Schillerberg和Tian，2023）。CMIP6数据包含日度和月度两个时间尺度，以全面……

**总体性能**

本研究使用RCGAN模型对CMIP6气候模型在月度与日度分辨率下的三个变量进行偏差校正，并将校正结果与通过双线性插值处理的GCM原始数据以及基准校正方法的结果进行对比。计算了校正前后数据的性能指标，并利用泰勒图（图3、图4）可视化了校正效果与模型性能的差异。图3表明，在……

**数据预处理方法对校正结果的影响**

如第2.3节所述，我们在训练前对相对湿度和温度数据进行了归一化处理，而对降水数据则先进行对数变换再进行归一化。下面我们将解释为什么选择此预处理方法处理降水数据。为此，我们设计了一个实验，使用CNRM-CM6-1模型的月度数据，分别采用三种不同的预处理方法进行训练和校正：归一化（Norm）、对数变换后归一化（LogNorm）以及……

**结论**

本文提出了RCGAN，一种深度学习方法来校正CMIP6气候模型输出中的偏差，并评估了其相对于CNNBC和QDM方法的有效性。选取了五个具有不同分辨率的GCM数据，涵盖月度与日度尺度的相对湿度、降水和温度进行校正。实验结果表明，RCGAN在月度和日度时间间隔上均增强了模型输出与观测数据之间的一致性。在……

**CRediT作者贡献声明**

Jinping Liu：写作—审阅与编辑，写作—初稿撰写，数据管理，概念化。Qingfeng Hu：监督指导，项目管理，方法论，资金获取。Mingzhe Li：写作—初稿撰写，方法论，调查研究。Yanqun Ren：可视化，监督指导，形式分析。Liqiang Zhang：可视化，软件，数据管理。Ziyan Zheng：资源提供，数据管理

**未引用参考文献**

Cannon等，2015a；Cannon等，2015b；Cannon等，2015；Wang等，2021。

**数据可用性声明**

支持本文结论的原始数据，作者应请求提供。

**利益冲突**

作者声明无利益冲突。

**资助**

本研究由国家重点研发计划（编号：2024YFC3212200）、中国杰出青年科学基金项目（编号：242300421041）、河南省高等学校科技创新团队支持计划（编号：25IRTSTHN008）、河南宇迪科技集团有限公司2025年度科技项目（编号：HNDKYY-2026-015）共同资助。

**利益竞争声明**

? 作者声明他们没有已知的经济利益或个人关系可能会影响本文所述工作的客观性。

**致谢**

作者感谢匿名审稿人提出的宝贵意见，这些意见改进了本文。

Jinping Liu | Mingzhe Li | Qingfeng Hu | Liqiang Zhang | Yanqun Ren | Ziyan Zheng

华北水利水电大学测绘与地理信息学院，郑州 450046，中国