生成式AI降尺度大集合预测前所未有的未来干旱

理解干旱在未来如何变化，对于预测和缓解其不利影响至关重要。然而，可靠的气候预测需要大量高分辨率气候模拟，特别是用于评估极端事件。这里，我们使用一个新颖数据集——多个全球气候模型（GCM）的大集合，通过生成式AI降尺度至12km，以量化新西兰未来气象干旱的风险。该集合包含20个GCM，包括两个单模型初始条件大集合。该AI被训练为模拟用于动态降尺度的物理驱动区域气候模型（RCM），在降水和干旱指标上添加与RCM相当的价值。在所有集合中均发现降水变率显著增加，同时平均降水变化高度不确定。未来预测显示干旱将在该国大部分地区变得更加强烈，但内部变率和模型不确定性掩盖了大部分地区干旱持续时间和频率的未来变化。使用较少动态降尺度模拟低估了这种不确定性。我们发现证据表明，在当前气候下极端干旱的持续时间可达较小集合中发现的两倍之长，凸显了长持续时间降尺度模拟对采样罕见事件的价值。在高排放SSP3-7.0情景下，这些极长干旱在许多地点进一步延长，在某些地点产生约30个月长的干旱事件。