面向全球循环模型降雨偏差校正的可微框架
机器学习
2026-05-08 v3
摘要
General Circulation Model（GCM）输出存在系统性偏差，限制了其在区域规划中的直接应用，使得偏差校正成为技术上具有挑战性但又是必要的步骤，适用于短期和长期影响评估。降雨校正尤其具有挑战性，因为其非高斯分布、间歇性质以及重尾极端值。然而，传统统计偏差校正方法在从大数据中学习系统模式或泛化到新位置方面受限。虽然机器学习（ML）提供了更大的灵活性，但可能产生不可预测且难以解释的结果，限制了在不同GCM和位置之间的泛化。在本研究中，我们提出一种可微偏差调整框架，称为dCLIMBA，通过学习在历史CMIP6模型输出和基于网格化观测数据集Livneh之间进行的时空自适应参数化偏差调整程序，而非直接校正降雨。结果表明，所提出的方法校正了极端降雨的幅度和分布，在上尾部表现尤为出色。降雨的分位数分布在各异地美国城市中得到良好再现，空间模式与广泛使用的LOCA2统计下采样产品相当。在此基础上，该框架显示出部分未来趋势保持和对未见区域偏差的有前景的消除。该工作提出了一种模块化且高效的偏差校正方法。可微方法提供了一种易于使用的选项，用于将大气模型输出连接到实际影响。
引用
@article{arxiv.2604.23045,
title = {A Differentiable Framework for Global Circulation Model Precipitation Bias Correction},
author = {Kamlesh Sawadekar and Seth McGinnis and Peijun Li and Kathryn Lawson and Chaopeng Shen},
journal= {arXiv preprint arXiv:2604.23045},
year = {2026}
}
备注
27 pages, 8 figures, 3 tables