探讨极端降水超分辨率在不同气候下的鲁棒性

网格化气候模型（如通用气候模型）的粗糙空间分辨率限制了其直接用于投影社会相关变量（如极端降水）的用途。大多数降尺度方法通过生成大型集合来估计极端值的条件分布，这使得在分布转换（如气候变化引起的）下评估鲁棒性变得复杂。为了更好地理解并可能提高鲁棒性，我们提出直接使用可解析映射来超分辨目标变量概率分布的参数。我们在瑞士的完美模型框架中演示，向量广义线性和加性模型可将夏季小时极端降水的广义极值分布 (GEV) 从粗糙降水场和地形中超分辨。我们引入“鲁棒性间隙”的概念，定义为在当前训练模型与未来训练模型之间的预测误差差异，用于诊断模型结构如何影响每个分位数对伪全球变暖情景的泛化。通过评估多个模型配置，我们还确定了基于降水和海拔的空间自相关和交叉相关的超分辨率因子的上限，超出该因子后，粗糙降水将丧失预测价值。我们的框架可广泛应用于由参数分布控制的变量，提供一种无模型依赖的诊断方法，用于理解经验降尺度在气候变化和极端情况下的泛化性。