基于概率集成学习的高山亚洲未来降水气候概况的细化
大气与海洋物理
2025-07-01 v3 机器学习
机器学习
摘要
高山亚洲（HMA）拥有极地区之外最密集的冰冻水源，为超过 19 亿人口提供重要水源。降水是该地区未来水文模型中不确定性的最大来源。本研究提出一种概率机器学习框架，通过将 13 个在联合国区域下垫实验（CORDEX）中开发的 HMA 区域气候模型的月降水数据结合为 expert 混合模型（MoE）的方法。该方法考虑模型中季节性和空间偏差，使能够预测更可靠的降水分布。经由对历史降水格子数据的训练和验证，MoE 相对于等权平均方法实现了 32% 的改进，相对于选择单个 ensemble 成员的做法实现了 254% 的改进。该方法随后用于生成 2036-2065 年（近未来）和 2066-2095 年（远未来）在 RCP4.5 和 RCP8.5 场景下的降水投影。与以往估计相比，MoE 投影在西哈尔莱亚的夏季更潮湿，但冬季更干燥；在喜马拉雅高原、恒都山和南东藏族地区的冬季则更潮湿。
关键词
引用
@article{arxiv.2501.15690,
title = {Refined climatologies of future precipitation over High Mountain Asia using probabilistic ensemble learning},
author = {Kenza Tazi and Sun Woo P. Kim and Marc Girona-Mata and Richard E. Turner},
journal= {arXiv preprint arXiv:2501.15690},
year = {2025}
}
备注
16 pages 8 figures (main text), 32 pages 14 figures (total)