基于深度学习模型排序和下采样框架的区域气候投影：应用于欧洲气候区

准确的区域气候预测需要对全球气候模型 (GCM) 进行高分辨率下采样。本 work 提出了基于深度学习的多模型评估和下采样框架，使用 Deep Learning-TOPSIS (DL-TOPSIS) 机制对 32 个耦合模型互比对计划第 6 期 (CMIP6) 模型进行排序，并使用先进的深度学习模型对输出进行细化。通过九个绩效准则，对五个 K"oppen-Geiger 气候区——热带、干旱、温带、大陆性和极地——在四个季节进行了研究。虽然 TaiESM1 和 CMCC-CM2-SR5 显示出显著偏差，但排序结果表明 NorESM2-LM、GISS-E2-1-G 和 HadGEM3-GC31-LL 在其他模型中表现更佳。四个模型用于对排名靠前的 GCM 进行 0.1$^{\circ}$ 分辨率的下采样：Vision Transformer (ViT)、Geospatial Spatiotemporal Transformer with Attention and Imbalance-Aware Network (GeoSTANet)、CNN-LSTM 和 CNN-Long Short-Term Memory (ConvLSTM)。在捕捉温度极值 (TXx, TNn) 方面，GeoSTANet 实现了最高准确率（均方根误差 (RMSE) = 1.57$^{\circ}$C，Kling-Gupta效率 (KGE) = 0.89，Nash-Sutcliffe效率 (NSE) = 0.85，相关系数 (r) = 0.92），将 RMSE 降低了约 20%。CNN-LSTM 和 ConvLSTM 在大陆性和温带区表现良好；ViT 在捕捉细尺度温度波动方面存在困难。这些结果确认，多准则排序有助于 GCM 选择用于区域气候研究，基于转换器的下采样优于传统深度学习方法。该框架提供了一种可扩展的方法，用于提高高分辨率气候投影，从而有助于影响评估和适应计划。