《Climate Services》：Impact-oriented evaluation of stochastic weather generators for rice blast risk modeling: Implications for agricultural climate services
编辑推荐：
基于过程的植物病害模型需要日天气输入，而农业气候服务中使用的气候信息往往只能在更粗的时间尺度上获得。研究人员评估了随机天气生成器（stochastic weather generators, WGs）能否重现与基于过程的病害建模相关的日天气特征，使用GEM和C
基于过程的植物病害模型需要日天气输入，而农业气候服务中使用的气候信息往往只能在更粗的时间尺度上获得。研究人员评估了随机天气生成器（stochastic weather generators, WGs）能否重现与基于过程的病害建模相关的日天气特征，使用GEM和ClimGen结合EPIRICE稻瘟病模型。利用韩国5个天气站30年的观测资料，对每个站点和WG评估了30个独立的30年合成实现。性能通过常规天气统计、100天EPIRICE模拟窗口内的定量指标、EPIRICE衍生的病情进展曲线下面积（AUDPC）以及有利于侵染天气条件的过程信息诊断（process-informed diagnostics）进行评估。ClimGen更接近地重现了温度，而GEM的降水均方根误差（RMSE）更低，相对湿度表现随站点和指标而异。GEM低估了所有站点的平均AUDPC，而ClimGen高估了平均AUDPC，尽管ClimGen在5个站点中的4个显示出较小的绝对平均偏差。与观测天气驱动的模拟相比，两种WG均导致AUDPC变率降低。过程信息诊断显示出相反的优点：ClimGen更接近地重现了有利于侵染的温度条件和中等降水事件，而GEM在大多数站点更接近地重现了高相对湿度条件。没有单一的WG在天气统计和病害模型导向指标上持续更优。这些发现表明，WG对基于过程的病害建模的适用性不能仅从常规气候学一致性推断，在应用于面向预报的农业气候服务之前，应同时使用天气统计和面向影响的标准进行评估。
研究背景与目的
气候变化正在改变稻瘟病等作物病害发生和流行的环境条件。韩国已建立国家作物病虫害管理系统（National Crop Pest Management System, NCPMS）等监测体系，但这类系统主要依赖实时观测，倾向于支持被动应对而非前瞻性决策。农业气候服务有望利用季节尺度气候信息提前支持病害管理，然而气候服务产品通常提供月或季节尺度信息，EPIRICE这类基于过程的植物病害模型（process-based plant disease model）却需要逐日天气输入。随机天气生成器（stochastic weather generators, WGs）可以从历史观测
