黃河中游地區(qū)位于溫帶半干旱和半濕潤氣候的過渡帶，其氣候系統(tǒng)敏感，生態(tài)環(huán)境脆弱，水土流失嚴重，區(qū)域的極端降水事件易導致滑坡、崩塌、泥石流等自然地質(zhì)災害。然而，由于缺乏歷史時期及未來情景下精確的高分辨率降水數(shù)據(jù)，限制了人們對氣候變化造成流域尺度環(huán)境的影響評估，特別是對極端降水事件的影響評估。

最近，中國科學院地球環(huán)境研究所氣候變化集成-模擬-同化-預測團隊（CLIMAP）聯(lián)合西安石油大學計算機學院人工智能團隊，設計了一個基于殘差密集塊的卷積神經(jīng)網(wǎng)絡模型（RRDBNet，見圖1），用于黃河中游地區(qū)降水的統(tǒng)計降尺度研究；并將該RRDBNet模型與廣義線性回歸模型，及兩個流行的深度學習模型進行對比研究。我們的研究結果表明，所提出的RRDBNet模型在流域尺度降水降尺度模擬中具有良好的性能，可以很好地再現(xiàn)高分辨率降水的時空特征。相對于廣義線性回歸模型，RRDBNet模型將年平均降水量的均方根誤差降低了19%，并將皮爾遜相關系數(shù)提高了6%（圖2）。值得指出的是，相對于廣義線性回歸模型，該模型將極端降水指數(shù)R95p（R99p）的均方根誤差降低了58%（79%），皮爾遜相關系數(shù)提高了38%（145%）。對于日降水的概率密度函數(shù)，進一步證明RRDBNet模型在極端降水頻率方面模擬效果更好。

綜上，我們的研究結果表明基于RRDBNet的人工智能模型可能是進行流域尺度氣候降尺度的有效工具之一，可為黃河流域未來百年氣候變化預測/預估提供強有力的技術支撐。

該成果發(fā)表在國際學術期刊Quarterly Journal of the Royal Meteorological Society上。該研究得到了國家自然科學基金（42221003）和中國科學院戰(zhàn)略性先導專項項目（XDB40030100）的聯(lián)合資助。

Fu, H., Guo, J., Deng, C., Liu, H., Wu, J., Shi, Z., Wang, C.*, Xie, X.* (2024). Deep-learning-based downscaling of precipitation in the middle reaches of the Yellow River using residual-based CNNs. Quarterly Journal of the Royal Meteorological Society, 150: 3290-3304.

https://doi.org/10.1002/qj.4759

圖1, 基于殘差密集塊的卷積神經(jīng)網(wǎng)絡模型 (RRDBNet)

圖2, 人工智能模型模擬（a）平均降水量的均方根誤差，（b）皮爾遜相關系數(shù)，以及（c）第95百分位降水百分比偏差的箱圖