Eine Downscaling- und Bias-Korrekturmethode für lokale Klimamodell-Ensemblesimulationen

Wissenschaftliche Berichte Band 13, Artikelnummer: 9412 (2023) Diesen Artikel zitieren

Details zu den Metriken

Ensemblesimulationen von Klimamodellen werden verwendet, um die Auswirkungen des Klimawandels auf Niederschläge abzuschätzen, und erfordern eine Herunterskalierung auf lokaler Ebene. Statistische Downscaling-Methoden wurden verwendet, um den täglichen und monatlichen Niederschlag aus beobachteten und simulierten Daten abzuschätzen. Für eine genauere Vorhersage extremer Niederschlagsereignisse und damit verbundener Katastrophen auf regionaler Ebene ist eine Herunterskalierung kurzfristiger Niederschlagsdaten erforderlich. In dieser Studie haben wir die Leistung einer Downscaling-Methode für Klimamodellsimulationen stündlicher Niederschläge entwickelt und untersucht. Unsere Methode wurde entwickelt, um zeitlich variierende Niederschlagssysteme zu erkennen, die mit der gleichen Auflösung wie das numerische Modell dargestellt werden können. Das Downscaling verbesserte die Schätzung der räumlichen Verteilung der stündlichen Niederschlagshäufigkeit, des Monatsdurchschnitts und der 99. Perzentilwerte. Die klimatischen Veränderungen in der Niederschlagsmenge und -häufigkeit wurden in fast allen Gebieten anhand der 50 Ensemblemittelwerte der geschätzten Niederschläge dargestellt, obwohl die natürliche Variabilität zu groß war, um sie mit Beobachtungen zu vergleichen. Die Niederschlagsänderungen stimmten mit Simulationen überein. Daher verbesserte unsere Downscaling-Methode die Bewertung der klimatischen Eigenschaften extremer Niederschlagsereignisse und stellte den Einfluss lokaler Faktoren wie der Topographie, die mit früheren Methoden schwer zu bewerten waren, umfassender dar.

Detaillierte Vorhersagen regionaler Niederschläge sind erforderlich, um das Risiko wasserbedingter Katastrophen und die Verfügbarkeit von Süßwasserressourcen im Zusammenhang mit dem Klimawandel genau abzuschätzen1. Aufgrund mangelnder Auflösung in Klimamodellen werden dynamische und statistische Downscaling-Methoden verwendet, um Änderungen des lokalen Wetters anhand der Ergebnisse von Klimamodellen abzuschätzen2. Beim dynamischen Downscaling werden die Ausgabeergebnisse eines globalen Klimamodells auf ein hochauflösendes numerisches Modell übertragen, was erhebliche Rechenleistung erfordert. Statistische Methoden basieren auf beobachteten linearen Regressionen zwischen Niederschlag und einer Reihe atmosphärischer Variablen1,2. Im Gegensatz zur dynamischen Downscaling-Methode werden statistische Methoden häufig verwendet, um den täglichen oder monatlichen Niederschlag anhand beobachteter und simulierter Daten abzuschätzen, und nicht um den stündlichen Niederschlag auf der Grundlage von Klimamodellsimulationen zu schätzen. Im Allgemeinen ist stündlicher Niederschlag mit mesoskaligen Niederschlagssystemen verbunden und wird durch Wechselwirkungen zwischen lokalen Faktoren wie der Topographie und zeitlich variierenden atmosphärischen Feldern (z. B. orografischem Niederschlag) gebildet3,4. Allerdings sind statistische Methoden in der Regel nicht in der Lage, detaillierte zeitliche Muster in Niederschlagssystemen zu erkennen, und eignen sich schlecht für die Schätzung der räumlichen Verteilung stündlicher Niederschlagshäufigkeiten5,6. Ohne eine korrekte Schätzung ist es schwierig, die Auswirkungen des Klimawandels auf regionale Niederschlagsmuster genau einzuschätzen5.

Kürzlich wurden Downscaling-Methoden mithilfe maschinellen Lernens entwickelt7,8,9,10,11,12,13,14,15,16,17,18,19. Diese Methoden können komplexere erklärende Variablen berücksichtigen und den Niederschlag mit höherer Genauigkeit schätzen. Die meisten dieser Methoden ermöglichen jedoch keine Schätzung des stündlichen Niederschlags. Typischerweise ist es schwierig, den stündlichen Niederschlag abzuschätzen, da bereits ein kleiner Unterschied in den atmosphärischen Feldern aufgrund der Nichtlinearität des Niederschlagsprozesses die Niederschlagsverteilung verändern kann. Daher ist eine Methode erforderlich, die subtile Unterschiede in den Wettermustern erkennt, um den stündlichen Niederschlag abzuschätzen. Dies könnte mit Methoden des maschinellen Lernens erreicht werden, die Vorhersagemodellergebnisse und Beobachtungsdaten nutzen, die möglicherweise auf Klimamodelle angewendet werden können. Aufgrund der Unterschiede in der Auflösung und den Parametern zwischen diesen Modellen ist jedoch unklar, ob die von Prognosemodellen erkannten Muster auf Klimamodelle anwendbar sind. Daher ist es notwendig, Phänomene zu identifizieren, die sowohl in Vorhersage- als auch in Klimamodellen vorkommen und auf auf maschinellem Lernen basierende Downscaling-Methoden anwendbar sind.

Im Allgemeinen können numerische Modelle meteorologische Phänomene mit dem fünf- bis achtfachen Gitterabstand20,21 reproduzieren. Beispielsweise kann ein Modell mit einem Gitterabstand von ≤ 20 km möglicherweise Phänomene über 100 km2 reproduzieren. Numerische Modelle, die für die Wettervorhersage verwendet werden, können Niederschlagssysteme reproduzieren, die mit Tiefdruckgebieten wie Warm- und Kaltfronten verbunden sind, sowie die zeitlichen Änderungen der räumlich gemittelten Niederschläge22,23. Andererseits ist es unmöglich, Schätzverzerrungen zu vermeiden, die beispielsweise mit einer geringen Datenauflösung einhergehen1,5. Diese Verzerrung könnte basierend auf dem Muster der Beziehung zwischen dem simulierten und dem beobachteten Niederschlagssystem6 verringert werden.

In dieser Studie haben wir eine auf maschinellem Lernen basierende Downscaling-Methode entwickelt, die Modellverzerrungen durch die Erkennung zeitlich variierender Niederschlagssysteme reduzieren kann. Unsere Methode basiert auf der Annahme, dass ein Modell mit einer gleichwertigen oder höheren Auflösung ein Niederschlagssystem mit denselben Eigenschaften reproduzieren kann. Daher könnten die Muster der Beziehung zwischen der beobachteten und der simulierten Niederschlagsverteilung, die von einem Wettervorhersagemodell erzeugt werden, auf andere Modelle, beispielsweise Klimamodelle, angewendet werden. Wir untersuchten die Leistung der Methode, indem wir die erkannten Muster auf Klimamodellprodukte aus der Database for Policy Decision-Making for Future Climate Change (d4PDF)24,25 anwendeten. Das d4PDF-Projekt wurde durchgeführt, um die Auswirkungen auf die Eigenschaften des Klimawandels aufzuklären. Es basiert auf einer großen Anzahl von Ensemble-Durchläufen und reduziert den Einfluss natürlicher Variabilität. In diesem Projekt bestätigten historische Klimasimulationen mit globalen Klimamodellen ähnlich wie Beobachtungen einen Aufwärtstrend der Temperatur von 1950 bis 2011. Um die Niederschlagseigenschaften rund um Japan im Detail zu untersuchen, wurde ein Downscaling unter Verwendung eines regionalen Modells mit einer Auflösung von 20 km durchgeführt. Allerdings ist es im Vergleich zu Beobachtungen schwierig, Niederschlagseigenschaften entsprechend der Topographie zu reproduzieren.

Unser Ansatz zielt letztendlich darauf ab, die Auswirkungen des Klimawandels auf lokale Niederschläge genau abzuschätzen, soll aber auch die Vorhersage wasserbedingter Katastrophen und der Süßwasserverfügbarkeit fördern. In dieser Studie haben wir die Downscaling-Methode des maschinellen Lernens angewendet, um lokale Niederschläge im Südwesten Japans abzuschätzen (Abb. 1), wo es in letzter Zeit aufgrund schwerer Niederschlagsereignisse zu vielen Wasserkatastrophen kam26,27,28. Dementsprechend haben wir Daten von 20 km rund um Japan von 60 km herunterskaliert („Methoden“ und Abb. S1) und die Anwendung des Herunterskalierungsmodells in Klimamodellen bestätigt. Der Arbeitsablauf unserer Methode ist in Abb. S2 dargestellt.

Studienlokalität und Downscaling-Bias-Korrektur. (a) Erforderlicher Bereich für Eingabedaten. (b) Auswertungsbereich (gestrichelte Linie) und die Bereiche der erklärenden Variablen (schattierter Bereich mit fetter gestrichelter Linie: 7 × 7 Gitterpunkte der Simulation). (c) Gitterstruktur zum Herunterskalieren von 0,18° auf 0,06°. Der Gitterpunkt mit einer Fläche von 0,18° im Quadrat (mittleres Gitter der erklärenden Variablen) ist in neun Gitterpunkte (3 × 3 Gitter) mit einer Fläche von 0,06° im Quadrat (entsprechend der beobachteten Niederschlagsauflösung) unterteilt. Der Niederschlag an den verkleinerten Gitterpunkten wurde anhand der gemeinsamen erklärenden Variablen geschätzt. Die Karten wurden mit python3-matplotlib (Version 3.7.1, https://matplotlib.org/) und cartopy (Version 0.21.1, https://scitools.org.uk/cartopy) erstellt. Es wurden topografische Daten des US Geological Survey (USGS) (http://www.usgs.gov) und der Japan Meteorological Agency (JMA) verwendet. Hergestellt aus natürlicher Erde. Kostenlose Vektor- und Rasterkartendaten @ naturalearthdata.com. (http://www.naturalearthdata.com/about/terms-of-use/).

Um zu beurteilen, ob die Annahme der auf maschinellem Lernen basierenden Downscaling-Methode erfüllt ist, haben wir die vom Vorhersagemodell 1 (FM1, 5 km Gitterabstand) vorhergesagten Niederschlagsverteilungsmuster auf Vorhersagemodell 2 (FM2, 20 km Gitterabstand) und ein Klima angewendet Modell (CM, d4PDF) („Methoden“). FM1 und FM2 sind von der Japan Meteorological Agency (JMA) entwickelte Prognosemodelle, die Prognosedaten einschließlich analytischer Werte als Anfangswerte unter Verwendung eines nichthydrostatischen Modells mit 5 km Auflösung bzw. eines globalen Spektralmodells mit 20 km Auflösung liefern. Die Originaldaten von FM1 wurden auf 0,18° hochskaliert, um der Auflösung von FM2 und dem CM zu entsprechen. Beobachtete Niederschlagsdaten, hochskaliert auf 0,06°, wurden als Zielvariable für die Recheneffizienz verwendet (Abb. 1). Zunächst wurde die Methode des maschinellen Lernens verwendet, um Verzerrungen in der räumlichen Verteilung des simulierten stündlichen Niederschlags zu korrigieren. Wir haben den Niederschlag im Zieljahr geschätzt, indem wir die beobachteten Niederschläge und FM1-Daten in einem 7 × 7-Gitterpunktbereich trainiert haben, der auf dem Gitterpunkt zentriert ist, einschließlich der beobachteten Niederschläge als erklärende Variablen, mit Ausnahme des Jahres. Zweitens wurde eine Quantil-Mapping-Methode auf die Schätzungen des maschinellen Lernens angewendet, um Unterschätzungen entgegenzuwirken und quantitative Korrekturen bereitzustellen. Kumulative Verteilungsfunktionen wurden mithilfe der Schätzungen und Beobachtungen des maschinellen Lernens erstellt, mit Ausnahme des Zieljahres, und die CDF-Transformationsmethode wurde verwendet, um den Niederschlag im Zieljahr zu schätzen (MLQM-FM1). Um die Leistung von Klassifikatoren zu untersuchen, die mit den hochskalierten FM1-Daten erstellt wurden, wurde die Schätzung unter Verwendung von FM2-Daten (MLQM-FM2) wiederholt. Schließlich wurden die Schätzungen, die durch Anwenden stündlicher Niederschlagsdaten aus dem Klimamodell auf den in FM1 erstellten Diskriminator erhalten wurden, auf die CDF angewendet, die mit den Schätzungen des maschinellen Lernens aus FM1 und Beobachtungen (MLQM-CM) erstellt wurde (Methoden, Abb. S1 und S2).

Wir haben uns auf die langfristige räumliche Verteilung der stündlichen Häufigkeit, des Monatsdurchschnitts und der 99. Perzentilwerte (entsprechend der Niederschlagsintensität) des stündlichen Niederschlags konzentriert. Wir haben nur Niederschlagsereignisse ≥ 1 mm h−1 berücksichtigt. Die räumlichen Verteilungen der stündlichen Niederschlagshäufigkeit wurden verwendet, um die Leistung (Biaskorrektur) der auf maschinellem Lernen basierenden Downscaling-Methode zu überprüfen. Der 99. Perzentilwert des stündlichen Niederschlags wurde verwendet, um Änderungen in der Intensität extremer Niederschlagsereignisse zu bewerten. Die Niederschlagsmenge wird sowohl von der Häufigkeit als auch von der Intensität der Niederschlagsereignisse beeinflusst29.

Wir haben die zeitlichen Schwankungen des flächengemittelten stündlichen Niederschlags mithilfe von MLQM-FM1, MLQM-FM2 und Radarbeobachtungen (OBS) am Untersuchungsort für Juli 2008 bis 2018 ermittelt (Abb. S3 und „Methoden“). Die zeitlichen Schwankungen in MLQM-FM1 und MLQM-FM2 wurden im Vergleich zum OBS gut geschätzt, während die Schätzungen zwischen den Modellen leicht schwankten. Die Verteilungen der stündlichen Niederschlagshäufigkeit, des monatlichen Niederschlags und der 99. Perzentilwerte in MLQM-FM1 und MLQM-FM2 waren mit den beobachteten Verteilungen vergleichbar (Abb. S4). Daher reduzierte die Downscaling-Methode die Schätzungsverzerrung. Abbildung S5 zeigt die Beziehung zwischen den räumlichen Verteilungen der stündlichen Niederschlagshäufigkeit, des monatlichen Niederschlags und der 99. Perzentilwerte des stündlichen Niederschlags zwischen den Beobachtungen und den Werten, die mit den Methoden des maschinellen Lernens (MLQM-FM1 und MLQM-FM2) oder den Simulationen in FM1 geschätzt wurden und FM2. Obwohl eine leichte Tendenz zur Unterschätzung bestand, wurde die Genauigkeit der geschätzten Niederschläge (MLQM-FM1 und MLQM-FM2) durch die Downscaling-Methode erheblich verbessert, was darauf hindeutet, dass die Methode durch Hochskalieren des Niederschlagsprodukts auf die anderen Vorhersagemodelle angewendet werden kann entspricht der Auflösung des Modells.

Abbildung 2 zeigt die räumlichen Verteilungen der stündlichen Niederschlagshäufigkeiten, des monatlichen Niederschlags und der 99. Perzentilwerte des stündlichen Niederschlags der Beobachtungen, Schätzungen mithilfe der Methode des maschinellen Lernens (MLQM-CM) und des Klimamodells (CM). In den Simulationen war die Niederschlagshäufigkeit tendenziell in den Ebenen und den niedrigeren Bergregionen höher (Abb. 2d), während sie in den höheren Bergregionen tendenziell höher war. Andererseits war die durch die Methode des maschinellen Lernens geschätzte Häufigkeitsverteilung mit der für die Beobachtungen vergleichbar (Abb. 2c). Die monatlichen Niederschlagsverteilungen zeigten ähnliche Merkmale wie die räumliche Verteilung der stündlichen Niederschlagshäufigkeit, während die Niederschlagsmenge in den Simulationen im Vergleich zu denen in Schätzungen des maschinellen Lernens insgesamt unterschätzt wurde (Abb. 2f, h). Die Verteilungen der 99. Perzentilwerte des stündlichen Niederschlags wurden vom CM deutlich unterschätzt (Abb. 2i), während die räumliche Verteilung des Niederschlags durch die auf maschinellem Lernen basierende Downscaling-Methode gut geschätzt wurde (Abb. 2k). Abbildung S6 zeigt die Q-Q-Diagramme für die stündliche Niederschlagshäufigkeit, den monatlichen Niederschlag und die 99. Perzentilwerte des stündlichen Niederschlags zwischen OBS und MLQM-CM oder CM. Die Korrelationskoeffizienten und quadratischen Mittelfehler (RMSEs) im MLQM-CM waren jeweils größer und kleiner als diejenigen im CM. Dieses Ergebnis bestätigte eindeutig, dass die Ergebnisse des simulierten Modells stark von den Beobachtungen abwichen, während der mit unserer Methode geschätzte Niederschlag gut mit dem in den Beobachtungen übereinstimmte. Abbildung 3 zeigt die Q-Q-Diagramme für Beobachtungen an 26 Stationen (OBS-Station) über 30 Jahre (1982 bis 2011). Der geschätzte Niederschlag wurde am nächstgelegenen Gitterpunkt jeder Station ausgewählt. Die Korrelationskoeffizienten und RMSEs des MLQM-CM waren größer bzw. kleiner als die des CM. Die vom MLQM-CM für alle Ensemble-Experimente (30-Jahres-Datensatz) geschätzten Korrelationskoeffizienten zwischen OBS und Niederschlag betrugen > 0,65, was darauf hinweist, dass die langfristige Niederschlagsverteilung gut geschätzt wurde. Im Vergleich zur OBS-Station zeigten die 99. Perzentilwerte einen Rückgang des Korrelationskoeffizienten, die monatlichen Niederschläge und Häufigkeiten zeigten jedoch hohe Korrelationskoeffizienten (Abb. S7).

Räumliche Niederschlagsverteilung. (a) Beobachtungen von meteorologischen Stationen (OBS-Station); (b) Radarbeobachtungen (OBS); (c) Werte, die durch eine auf maschinellem Lernen basierende Downscaling-Methode (MLQM-CM) geschätzt werden; (d) von d4PDF mit einem 20-km-Raster (CM) simulierte Werte; (e–h) monatlicher Niederschlag; und (i–l) 99. Perzentilwerte des stündlichen Niederschlags. Alle Werte, mit Ausnahme derjenigen von OBS, beziehen sich auf den Zeitraum von 1982 bis 2011; Die OBS-Daten stammen aus den Jahren 2007 bis 2018 und die Häufigkeit wurde durch eine 2,5-fache Verlängerung des Zeitraums angepasst. Die Karten wurden mit python3-matplotlib (Version 3.7.1, https://matplotlib.org/) und cartopy (Version 0.21.1, https://scitools.org.uk/cartopy) erstellt. Es wurden topografische Daten des US Geological Survey (USGS) (http://www.usgs.gov) und der Japan Meteorological Agency (JMA) verwendet. Hergestellt aus natürlicher Erde. Kostenlose Vektor- und Rasterkartendaten @ naturalearthdata.com. (http://www.naturalearthdata.com/about/terms-of-use/).

Validierung des geschätzten Niederschlags mithilfe von Wetterstationsdaten über 30 Jahre. Das Verhältnis der Häufigkeit zwischen Beobachtungen an 26 Stationen über 30 Jahre und (a) MLQM-CM und (b) CM; (c, d) die Beziehung im Zusammenhang mit dem monatlichen Niederschlag; und (e, f) die Beziehung der 99. Perzentilwerte des stündlichen Niederschlags von 1982 bis 2011.

Die 60 Jahre der historischen d4PDF-Klimasimulationsdaten wurden in die ersten 30 Jahre (1952–1981) und die zweiten 30 Jahre (1982–2011) unterteilt, und Änderungen der Niederschläge der Klimawerte wurden für jedes der ersten und zweiten 30 Jahre geschätzt . Wie in den d4PDF-Simulationen gezeigt, steigen die Temperaturen in den letzten 30 Jahren im Vergleich zu den ersten 30 Jahren deutlich an. Deshalb haben wir die Auswirkungen des Temperaturanstiegs in den letzten 30 Jahren auf die Niederschläge untersucht. Abbildung 4 zeigt die Auswirkung des Klimawandels auf den Niederschlag basierend auf den Unterschieden in der räumlichen Verteilung des 99. Perzentils, des Monatsdurchschnitts und der stündlichen Niederschlagshäufigkeit zwischen Beobachtungen und 50 Ensembleläufen in MLQM-CM und CM von 1952 bis 1981 und 1982 bis 2011. Unter dem Einfluss des Klimawandels stiegen Häufigkeit und Monatsdurchschnitt der Niederschläge in fast allen Gebieten deutlich an, und zwar in etwa 30 % der Gebiete für die 99. Perzentilwerte. Die Auswirkungen des Klimawandels auf die Niederschlagsmuster der OBS-Stationen waren jedoch unklar. Die Variation in den Inkrementverhältnissen der Beobachtungen entsprach in etwa der Standardabweichung von 50 Ensembles des MLQM-CM und CM. Obwohl sich die quantitativen Merkmale des MLQM-CM etwas von denen des CM unterschieden, war die Größe der Standardabweichungen vergleichbar (Abb. S8).

Auswirkungen des Klimawandels auf den Niederschlag. Unterschiede in der räumlichen Verteilung des 99. Perzentils, des Monatsdurchschnitts und der Niederschlagshäufigkeit zwischen Beobachtungen und 50 Ensembleläufen im MLQM-CM und CM für den Zeitraum 1952 bis 1981 und 1982 bis 2011. (a, d, g) Beobachteter Niederschlag bei 26 Standorte (OBS-Station), (b, e, h) MLQM-CM und (c, f, i) CM. Die Kreismarkierungen zeigen statistisch signifikante Unterschiede von 50 Ensemble-Durchschnittswerten mit 95 Konfidenzintervallen (Welch-T-Test). Der Prozentsatz zeigt das Verhältnis der deutlich unterschiedlichen Raster zur Gesamtsumme. Die Karten wurden mit python3-matplotlib (Version 3.7.1, https://matplotlib.org/) und cartopy (Version 0.21.1, https://scitools.org.uk/cartopy) erstellt. Es wurden topografische Daten des US Geological Survey (USGS) (http://www.usgs.gov) und der Japan Meteorological Agency (JMA) verwendet. Hergestellt aus natürlicher Erde. Kostenlose Vektor- und Rasterkartendaten @ naturalearthdata.com. (http://www.naturalearthdata.com/about/terms-of-use/).

Die repräsentativen räumlichen Skalen der mit unserer Methode geschätzten Niederschlagssysteme wurden durch die räumlichen Autokorrelationen der stündlichen Niederschläge geschätzt. Abb. S9 zeigt die Gesamtzahl der Gitterpunkte mit Autokorrelationen > 0,7, was auf starke Korrelationen hinweist. Die räumlichen Maßstäbe im OBS stimmten gut mit denen in FM1 überein, die etwa 30 km2 betrugen; Die Maßstäbe in FM2 und CM entsprachen ~ 100 km2. Die räumlichen Skalen in MLQM-FM1, MLQM-FM2 und MLQM-CM waren etwas größer als die in FM2 und CM.

Die Eigenschaften des Niederschlagssystems variierten etwas zwischen hochauflösenden Daten (FM1) und niedrig aufgelösten Daten (FM2). Um den Einfluss der hochskalierten Daten auf die Niederschlagsschätzung zu untersuchen, wiederholten wir die Analyse mit FM2-Daten (mit ungefähr der gleichen Auflösung wie das CM) von 1982 bis 2011 in Ensemble Nummer 1 (Abb. S10, Tabelle S1 und „Methoden“). . Abbildung S11 zeigt die Häufigkeit, den Monatsdurchschnitt und die 99. Perzentilwerte der Niederschläge für MLQM-CM-FM1-ENS1 und MLQM-CM-FM2-ENS1. Die räumliche Verteilung der stündlichen Häufigkeit, des monatlichen Durchschnitts und der 99. Perzentilwerte in MLQM-CM-FM2-ENS1 stimmte gut mit denen in MLQM-CM-FM1-ENS1 mit hohen Korrelationskoeffizienten überein (Abb. S12), obwohl es einige quantitative Unterschiede gab beobachtet.

Im Vergleich zur räumlichen Verteilung der Niederschlagshäufigkeit und des Monatsdurchschnitts variierte die Verteilung der 99. Perzentilwerte etwas. Wir haben viele Orte beobachtet, an denen die Niederschlagshäufigkeit und die monatlichen Durchschnittswerte niedrig waren, das 99. Perzentil jedoch hoch war. Im Allgemeinen bildet sich auf der Leeseite der Berge eher eine Abwärtsströmung, die den Niederschlag unterdrückt, während der Niederschlag auf der Luvseite des Berges gefördert wird. Wenn man bedenkt, dass Windrichtungsänderungen und die Unterdrückung von Niederschlägen in den Ausläufern an den windabgewandten Berghängen ausgeprägter sind, ist es vernünftig, dass die Niederschlagshäufigkeit in Berggebieten geringer ist. Andererseits wird davon ausgegangen, dass starke Regenfälle unabhängig von der Niederschlagshäufigkeit durch die Merkmale der lokalen Topographie bestimmt werden. Die starke Korrelation der 99. Perzentilwerte zwischen MLQM-CM und OBS legt nahe, dass diese Methode die Unterdrückung oder Verstärkung von Niederschlägen an jedem Standort auf der Grundlage des räumlichen Verteilungsmusters der Niederschläge schätzt. Allerdings war die Korrelation der 99. Perzentilwerte zwischen dem MLQM-CM und der OBS-Station relativ gering. Die regionalen Besonderheiten waren so ausgeprägt, dass die 5-km-Auflösung unzureichend war und die Anzahl der Starkregenereignisse gering war, was diesen Fehler erklären könnte. Es gibt jedoch keine besonders große Diskrepanz zwischen OBS und OBS-Station (Abb. S6e und 3e), was darauf hindeuten könnte, dass die Anzahl der Standorte zu gering war, um den Zusammenhang mit der Topographie klar zu analysieren (Wetterstationen befanden sich meist an den Ausläufern von). Berge, was zu einer Verzerrung führt).

Die räumliche Verteilung der Niederschläge war vergleichbar mit Beobachtungen für die stündliche Häufigkeit, den monatlichen Mittelwert und die 99. Perzentilwerte, was darauf hindeutet, dass unsere Downscaling-Methode die zeitliche Variation (Intensität) der lokalen Niederschläge entsprechend dem vom Klimamodell reproduzierten Niederschlagssystem schätzte. Die Quantilkartierungsmethode basiert auf der Anwendung kumulativer Verteilungsfunktionen, die durch Schätzungen des maschinellen Lernens (unter Verwendung eines Prognosemodells) und Beobachtungen für den Zeitraum von 2008 bis 2018 erstellt wurden. Daher wird die zeitliche Änderung (Intensität) des Niederschlags nicht richtig geschätzt Durch die Methode des maschinellen Lernens kommt es zu großen Fehlern in den langfristigen Niederschlagseigenschaften. Die Methode soll Muster im Niederschlag erkennen, indem sie ihre Grundkomponenten (räumliche Verteilung des stündlichen Niederschlags) berücksichtigt. Daher zeigten die Ergebnisse auch, dass das Klimamodell die klimatischen Eigenschaften der Häufigkeit und Stärke von Niederschlagssystemen effektiv reproduziert.

Der Unterschied in den räumlichen Maßstäben der Autokorrelation zwischen den Modellen deutete darauf hin, dass die 20-km-Gittermodelle wie FM2 und CM bei der Reproduktion kleinerer Niederschlagssysteme, die in den Beobachtungen und in FM1 gefunden wurden, weniger effektiv waren. Im Frühsommer bilden sich im Zielgebiet häufig rückstauende Sturmböen, die örtlich starke Regenfälle verursachen30,31. Böenlinien werden durch individuelle Kumuluskonvektion in Wechselwirkung mit umgebenden atmosphärischen Feldern gebildet30,31,32. Daher würde die korrekte Vorhersage der einzelnen Cumulus-Konvektion eine genaue Reproduktion von Böenlinien ermöglichen. Im Gegensatz dazu bilden sich unter dem Einfluss großer Niederschlagsmengen größere Niederschlagssysteme im Bereich von 3000 bis 20.000 km2, die repräsentativ für die in unserer Methode verwendeten räumlichen Skalen (MLQM-FM1, MLQM-FM2 und MLQM-CM) sind atmosphärische Felder im Größenmaßstab wie Monsune, tropische Wirbelstürme, außertropische Wirbelstürme oder quasistationäre Fronten. Die räumlichen Skalen von Niederschlagssystemen entsprechen meso-β- und meso-α-skaligen Störungen33,34 in Verbindung mit großräumigen Störungen, die häufig im Frühsommer entstehen. Mit anderen Worten: Unsere Methode erkennt die Muster größerer Niederschlagssysteme, die mit großräumigen Störungen einhergehen, deutlicher als solche mit starken selbsterzeugenden Prozessen, wie z. B. Böenlinien. Die repräsentative Autokorrelationsskala von ML-FM1 legt nahe, dass FM1 zwar die Eigenschaften kleinräumiger Niederschlagssysteme effektiv reproduziert, Position, Zeitpunkt und Intensität von Niederschlagssystemen jedoch aufgrund der intrinsischen Nichtlinearität des Systems nicht immer mit den Beobachtungen übereinstimmen. Bei der Quantilkartierungsmethode wurde der lokale stündliche Niederschlag entsprechend der zeitlichen Variation des geschätzten Niederschlags quantitativ korrigiert. In Anbetracht der Tatsache, dass die Böenlinie durch ein größeres Niederschlagssystem gebildet wird, werden die geschätzten Niederschlagseigenschaften als angemessen erachtet.

Klimamodelle können die räumliche Verteilung der Niederschlagshäufigkeit nicht reproduzieren. Im Allgemeinen unterscheiden sich die Niederschlagseigenschaften zwischen der Luv- und der Leeseite der Berge (orografischer Niederschlag). Allein mit der Quantilkartierungsmethode entsprach die stündliche Niederschlagshäufigkeit den Klimamodellsimulationen, was zu großen Fehlern in der Niederschlagsmenge und -häufigkeit führen kann6.

Das MLQM-CM schätzte effektiv die langfristigen Eigenschaften der räumlichen Verteilung der stündlichen Niederschlagshäufigkeit, des Monatsdurchschnitts und der 99. Perzentilwerte (Abb. 2 und S6). Darüber hinaus haben wir keine extreme Unter- oder Überschätzung der beobachteten Niederschläge festgestellt und die geschätzte Niederschlagsmenge war mit der in den Beobachtungen vergleichbar. Dies deutet darauf hin, dass die Häufigkeit und Intensität der Niederschlagssysteme, die vom CM mit einer Auflösung von 20 km reproduziert wurden, die Haupttreiber der lokalen Niederschläge im Juli waren. Mit anderen Worten: Unsere Methode kann die Muster von Niederschlagssystemen in 140 km2 erkennen und die zeitliche Variabilität lokaler Niederschläge mit hoher Genauigkeit abschätzen. Dies zeigt auch, dass das Klimamodell die Niederschlagssysteme effektiv reproduziert hat. Die Methode korrigiert keine Verzerrungen im großräumigen atmosphärischen Zirkulationsfeld, wie z. B. der Sturmbahn extratropischer Wirbelstürme, die mit Klimamodellen verbunden sind. Daher hängt die Anwendbarkeit der Methode stark von der Fähigkeit des Klimamodells ab, großräumige Störungen zu reproduzieren, die stark mit atmosphärischen Zirkulationsfeldern und lokalen Niederschlägen verbunden sind.

Die Klimaänderungseigenschaften der geschätzten Niederschläge (MLQM-CM) stimmten mit der Simulation (CM) überein, obwohl die räumliche Verteilung der Auswirkungen des Klimawandels erheblich unterschied. Andererseits war die natürliche Variabilität zu groß für einen Vergleich mit den Beobachtungen der letzten 60 Jahre (Abb. S8). Die 50 Ensemblemittelwerte der Schätzungen und Simulationen zeigten fast überall deutliche Steigerungen der Häufigkeit und der Monatsmittelwerte, die 99. Perzentilwerte stiegen jedoch nur in etwa 30 % aller Gebiete (Abb. 4). Der Anstieg extremer Niederschläge in globalen Klimamodellen wird durch die Clausius-Clapeyron (CC)-Beziehung erklärt (7 % Anstieg pro Grad Erwärmung)35,36. Jüngste Studien haben jedoch auch darauf hingewiesen, dass es für extreme Niederschlagsanstiege eine Super-Clusius-Clapeyron-Skalierung (oberhalb der CC-Beziehung) und eine Sub-Clusius-Clapeyron-Skalierung (unterhalb der CC-Beziehung) gibt37,38,39. Die Sub-Clausius-Clapeyron-Skalierung könnte mit dem Wasserdampfkondensationsmechanismus in den Bergen zusammenhängen37. Allerdings ist eine detaillierte Untersuchung erforderlich, um die komplexen thermodynamischen Effekte in Bergen zu berücksichtigen.

Bei der QM-Methode hängt die Niederschlagshäufigkeit stark von simulierten Werten ab. Wenn in der Simulation kein Niederschlag vorhanden ist, wird im QM keine Niederschlagskorrektur vorgenommen, auch wenn in der Beobachtung Niederschlag vorhanden ist. Wenn sich die Merkmale der räumlichen Niederschlagsverteilung aufgrund von Unterschieden zwischen dem Modell und dem realen Gelände erheblich unterscheiden, ist die Korrektur daher möglicherweise nicht angemessen6,40. Unsere Methode wendet die QM-Methode an, nachdem die räumliche Niederschlagsverteilung durch maschinelles Lernen korrigiert wurde. Daher können die Niederschlagseigenschaften ohne das oben beschriebene Problem der QM-Methode geschätzt werden.

Für die Schätzung stündlicher Niederschläge, die noch nie beobachtet wurden, können Methoden des maschinellen Lernens grundsätzlich nicht angewendet werden. Darüber hinaus gilt: Je seltener das Phänomen, desto kleiner die Stichprobengröße und desto größer der Schätzfehler, was eine genaue Bewertung erschweren kann. In dieser Studie wurde die Bewertung für den 99. Perzentilwert vorgenommen, die Grenzen der Anwendbarkeit können jedoch je nach Bedingungen stark variieren. Bei der Bewertung ist es notwendig, die Grenzen der Anwendbarkeit durch Vergleiche mit beobachteten und simulierten Daten zu untersuchen.

Die klimatischen Eigenschaften orografischer Niederschläge hängen stark von der Häufigkeit und Intensität atmosphärischer Störungen ab, die von großräumigen atmosphärischen Zirkulationsmustern dominiert werden41. Die Ergebnisse dieser Studie zeigen, dass unsere Methode zur effektiven Schätzung der langfristigen Eigenschaften lokaler stündlicher Niederschläge eingesetzt werden kann. Darüber hinaus gehen wir davon aus, dass diese Downscaling-Methode die Vorhersage wasserbedingter Katastrophen wie Überschwemmungen ermöglichen würde, indem sie die Ensemblesimulationen von Klimamodellen (d4PDF) nutzt, die eine Vielzahl beispielloser extremer Ereignismuster mit mehreren Niederschlagssystemen reproduzieren können oder längere Stagnation großer Niederschlagszonen oder tropischer Wirbelstürme42,43.

Diese Methode wird ebenso wie das dynamische Downscaling stark von den vom Klimamodell reproduzierten atmosphärischen Feldern beeinflusst. Daher wird erwartet, dass die Schätzungen durch Unterschiede in den physikalischen Prozessen zwischen Klimamodellen, wie zum Beispiel Cumulus-Konvektionsschemata, beeinflusst werden. Daher ist es bei der Anwendung dieser Methode notwendig, ein Klimamodell mit einem kleinen atmosphärischen Feldfehler im synoptischen Maßstab auszuwählen.

In dieser Studie haben wir eine auf maschinellem Lernen basierende Downscaling-Methode entwickelt, um regionale stündliche Niederschläge in Verbindung mit Klimamodellsimulationen abzuschätzen, indem wir zeitlich variierende Niederschlagssysteme identifizieren, die in numerischen Modellen mit einer Auflösung von 20 km dargestellt werden. Die räumliche Verteilung der stündlichen Häufigkeit, des monatlichen Durchschnitts und der Intensität (99. Perzentilwerte) der Niederschläge wurde mit unserer Methode unter Verwendung der Ergebnisse eines Klimamodells gut geschätzt. Wir stellten außerdem fest, dass die klimatischen Eigenschaften der geschätzten Werte den simulierten Ergebnissen in der gesamten Region entsprachen. Insgesamt stellten wir fest, dass (1) das Klimamodell die klimatischen Eigenschaften des beobachteten Niederschlagssystems reproduzieren konnte und (2) die Herunterskalierung und Bias-Korrektur zeitlich variabler Niederschläge lokale Bedingungen wie die Topographie widerspiegeln könnte. Dies deutet darauf hin, dass die klimatischen Eigenschaften lokaler Niederschläge stark vom Bildungsmuster des Niederschlagssystems abhängen, das sich kurzfristig ändert. Dementsprechend kann unsere Methode auf die Herunterskalierung von Klimamodellen angewendet werden und die räumliche Verteilung lokaler Niederschläge aus den Ergebnissen von Klimamodellen mit grober räumlicher und zeitlicher Auflösung unter Berücksichtigung von Modellbeschränkungen abschätzen. In Zukunft planen wir, unsere Methode auf zukünftige Projektionen und Klimarekonstruktionen anzuwenden, indem wir Klimamodelle verwenden, um die Auswirkungen des lokalen Klimawandels zu untersuchen und seine Mechanismen aufzuklären.

Wir haben ein Support-Vector-Machine-Regressionsmodell (SVM-SVR)44 verwendet, das wie zuvor beschrieben6 konstruiert wurde. SVM ist eine überwachte Lernmethode, die eine Teilmenge des Datensatzes verwendet, um Vorhersagen aus Unterstützungsvektoren zu erhalten. SVM versucht, optimale Ergebnisse zu erzielen, indem es die maximale Randhyperebene findet, die durch Maximierung des Abstands zwischen den Stützvektoren bestimmt wird. Im Vergleich zu anderen ML-Methoden wie neuronalen Netzen und Random Forests bietet SVM viele Vorteile45,46,47,48. Beispielsweise hat sich gezeigt, dass SVR auch bei einer kleinen Stichprobengröße eine gute Leistung erbringt45. SVM wurde in verschiedenen Bereichen wie Meteorologie, Hydrologie, Katastrophenmanagement und Wasserressourcenmanagement eingesetzt und hat sich als nützlich für die Erkennung seltener Niederschlagsereignisse erwiesen7,49,50. Die Support Vector Machine-Bibliothek im Scikit-Learn-System (Epsilon-Support Vector Regression) im Scikit-Learn 0.24.2 System51. In der SVR-Methode legen wir die Hyperparameter Gamma, C und Epsilon fest; Gamma gibt die Breite des Kernels der Gaußschen Radialbasisfunktion (RBF) an, während C der bestrafende Einschränkungsfehler und Epsilon die Breite der unempfindlichen Zone52 ist. Die Bestimmung dieser Hyperparameter ist sehr wichtig, um die Allgemeingültigkeit der Niederschlagsschätzung zu verbessern. Die Hyperparameter könnten an jedem Punkt der Downscaling-Methode konfiguriert werden; Die Bestimmung der optimalen Parameter erfordert jedoch erhebliche Rechenressourcen46,53. Um die optimalen Hyperparameter effektiver zu erhalten, haben wir die angegebenen Hyperparameterwerte auf alle Gitterzellen in der Domäne gemäß dem folgenden Verfahren angewendet: Zuerst haben wir die optimalen Hyperparameterwerte durch Zufallssuche54 an einigen Gitterpunkten in der Domäne geschätzt. Die optimalen Werte für Gamma, C und Epsilon lagen bei ungefähr 5 × 10–6, 10 bzw. 0,001. Wir gingen davon aus, dass die gleichen Parameter auf alle Gitterzellen anwendbar waren, da sie zwischen den Gitterpunkten nicht stark variierten. Als nächstes untersuchten wir die Leistung der Downscaling-Methode bei der Schätzung des Niederschlags auf der Grundlage der Korrelationskoeffizienten von 49 Gitterzellen, und die Koeffizienten wurden über alle 10 Gitter gemittelt. Zunächst wurde der optimale Gammawert anhand temporärer Werte von C (10) und Epsilon (0,001) geschätzt. Zweitens wurde der optimale C-Wert mithilfe des optimalen Gammawerts und eines temporären Epsilonwerts ermittelt. Drittens wurde der optimale Epsilon-Wert unter Verwendung der optimalen Gamma- und C-Werte ermittelt. Schließlich wurde das optimale Gamma mithilfe der optimalen C- und Epsilon-Werte ermittelt. Als optimal galten die Parameter, wenn sie den ersten Schätzungen entsprachen oder sich die Korrelationskoeffizienten nicht deutlich verbesserten. Die optimalen Werte für Gamma, C und Epsilon lagen bei etwa 5 × 10–6, 10 bzw. 0,001. Daher haben wir alle Gitterzellen mit den optimalen Hyperparameterwerten konfiguriert.

Als Eingabedaten wurden der beobachtete Niederschlag, hochskaliert auf 0,06°, und die Niederschlagsausgabe des mesoskaligen numerischen Modells (MSM-GPV) der Japan Meteorological Agency (JMA), hochskaliert auf 0,18°, verwendet. In dieser Studie wurden die numerischen Modelle von MSM-GPV22, GSM-GPV55 und d4PDF_RCM24,25 mit unterschiedlichen räumlichen Auflösungen zur Analyse der Eingabedaten verwendet; die Auflösung der erklärenden Variablen wurde bei 0,18° gehalten. MSM-GPV und GSM-GPV wurden als Trainings- und Validierungsdaten für die maschinellen Lernmodelle FM1 bzw. FM2 verwendet. d4PDF_RCM wurde zur Bias-Korrektur und Herunterskalierung der Klimamodellsimulationen verwendet. Die räumliche Auflösung der Beobachtungsdaten betrug etwa 1 km, wurde jedoch aus Gründen der Recheneffizienz auf 0,06° hochskaliert. Wir verwendeten stündliche Niederschläge für Juli 2007 bis 2018 und führten ein Training für alle Jahre außer dem Testjahr durch (Abb. S1); Um beispielsweise den Niederschlag für das Jahr 2007 zu schätzen, wurden für das Training Daten aus den Jahren 2008 bis 2018 verwendet. Für das Training verwendeten wir den akkumulierten Niederschlag vom Analysezeitpunkt bis zur ersten Stunde alle 3 Stunden (0, 3, 6, 9, 12, 15, 18 und 21 UTC) unter Berücksichtigung der Übereinstimmung mit den beobachteten Niederschlägen. Als Schlussfolgerung verwendeten wir simulierte stündliche Niederschlagsdaten für Juli. Wir haben die Leistung der erklärenden Variablen bei der Niederschlagsschätzung bewertet, um die optimale Gittergröße zu finden. Folglich wurde die Niederschlagsverteilung in einer Region von 7 × 7 Gitterpunkten (fast eine Fläche von 140 × 140 km2) als erklärende Variable (Merkmalsvektor) verwendet, die in der Mitte der Region liegenden Gitterpunkte wurden in 3 × 3 unterteilt Gitterpunkte ermittelt und der entsprechende beobachtete Niederschlag als Zielvariable zugewiesen. Die auf maschinellem Lernen basierende Downscaling-Methode wurde auf alle beobachteten Gitterpunkte im Zielgebiet angewendet (Abb. 1). Die Hyperparameter wurden über den gesamten Zielbereich standardisiert, nachdem bestätigt wurde, dass sich der durch eine Zufallssuche geschätzte Wert innerhalb des Zielbereichs nicht änderte. Darüber hinaus wurden quantitative Bias-Korrekturen an den Schätzungen des maschinellen Lernens durch Anwendung der Quantil-Mapping-Methode durchgeführt. Eine weitere JMA-Vorhersagemodellausgabe (GSM-GPV) mit einem 20-km-Raster wurde verwendet, um die mit unserer Methode geschätzten Niederschlagsmuster zu verifizieren.

Die Database for Policy Decision-Making for Future Climate Change (d4PDF) ist ein Projekt zur Bewertung der Auswirkungen des Klimawandels24,25. In dieser Studie haben wir d4PDF_RCM verwendet, eine dynamisch verkleinerte Version des globalen Klimamodells d4PDF_GCM (60 km Auflösung) mit einer 20 km Auflösung in der Region Japan. In den historischen Klimasimulationen in d4PDF werden als untere Randbedingungen die Meeresoberflächentemperatur, die Meereiskonzentration und die Meereisdicke sowie als globale mittlere Konzentrationen von Treibhausgasen und dreidimensionale Verteilungen von Ozon und Aerosolen vorgegeben äußere Zwänge. Die Berechnungen beginnen mit unterschiedlichen Anfangswerten und fügen dem Meereis und der SST kleine Störungen hinzu.

Das vom Wettervorhersagemodell (MSM-GPV)22 simulierte, erkannte Muster der Niederschlagsverteilung und der beobachtete Niederschlag (Radar-AMeDAS)56 wurden auf den stündlichen Niederschlag von d4PDF angewendet, um eine Bias-Korrektur und eine Herunterskalierung des Niederschlags durchzuführen. Wir verwendeten stündliche Niederschlagsdaten aus 50 Ensemble-Experimenten von d4PDF_RCM für Juli 1982 bis 2011 (Abb. S1). Die Auflösung des simulierten Niederschlags wurde auf 0,18° angepasst, um mit dem erkannten Muster des Wettervorhersagemodells übereinzustimmen. Der Niederschlag wurde mit einer Auflösung von 0,06° durch Herunterskalieren auf ein feines Gitter (3 × 3) unter Verwendung derselben Hyperparameter und Merkmalsbereiche (7 × 7 Gitterpunkte) geschätzt, die im Wettervorhersagemodell verwendet wurden. Die CDF-Transformations-Quantilkartierungsmethode57 wurde unter Verwendung der beobachteten und geschätzten Niederschläge aus der auf maschinellem Lernen basierenden Downscaling-Methode für 2008 bis 2018 und der geschätzten Niederschläge von d4PDF unter Verwendung des erkannten Musters angewendet.

Beim maschinellen Lernen hängt die Genauigkeit stark von der Stichprobengröße ab, was die Schätzung von Starkregenereignissen erschwert. Methoden wie Under-Oversampling können verwendet werden, um unausgewogene Stichproben zu korrigieren58. In dieser Studie wurde aufgrund der Komplexität der Anpassung eine Quantil-Mapping-Methode (CDFt-Paket in R)59 anstelle einer Unter- oder Überabtastungsmethode verwendet. Die „CDFt“-Methode geht davon aus, dass eine Transformation T existiert, die es uns ermöglicht, den CDF einer GCM-Variablen (wie Temperatur, Niederschlag oder Windintensität) in den CDF zu übersetzen, der die lokale Langzeitvariable an einer bestimmten Wetterstation darstellt . FOh entspricht dem CDF der beobachteten Daten an der Wetterstation während des vergangenen Kalibrierungszeitraums, und FGh ist der CDF, der die GCM-Ausgabe an der Station während desselben Zeitraums bilinear interpoliert. FOf und FGf sind CDFs, die FOh bzw. FGh entsprechen, jedoch für zukünftige (oder einfach andere) Zeiträume. Unter der Annahme, dass FGf bekannt ist (was in der zukünftigen GCM-Ausgabe modelliert werden kann), kann die Transformation T wie folgt berechnet werden:

Um T zu modellieren, ersetzen wir x in Gh in Gleichung. (1) mit F(u), wobei u [0, 1] ist. Wir erhalten dann:

Unter der Annahme, dass die Beziehung (4) weiterhin gültig bleibt, wird die CDF bereitgestellt durch:

Im CDFt-Paket ist Gl. (1) rekonstruiert FOf aus FOh, FGh und FGf und Gl. (2) führt eine Quantilzuordnung von FOf und FGf durch, um Gf zu korrigieren. In der Praxis werden FOh, FGh und FGf mithilfe der empirischen kumulativen Verteilungsfunktion geschätzt. Es wird jedoch davon ausgegangen, dass die CDFt-Methode nur dann korrekt funktioniert, wenn die beobachteten Werte von Oh und Gh einen ähnlichen Bereich haben. In dieser Studie haben wir anstelle von Oh und Gh die beobachteten und simulierten Niederschlagswerte von 2008 bis 2018 verwendet. Anschließend wurden anstelle von Gf die korrigierten Niederschlagswerte von d4PDF unter Anwendung der d4PDF-org-Daten von 1952 bis 2011 geschätzt.

Die gemittelten räumlichen Skalen der Niederschlagssysteme, die mit unserer Downscaling-Methode geschätzt wurden, wurden unter Verwendung der folgenden Gleichung für die räumliche Autokorrelation60 geschätzt:

Dabei ist r die räumliche Autokorrelation zwischen den Punkten k und l, n die Gesamtzahl der stündlichen Niederschlagsdatenpunkte und x die stündlichen Niederschlagsdaten. Wir verwendeten die Niederschlagsdaten für Juli 2008 bis 2018 für OBS, FM1, MLQM-FM1, FM2 und MLQM-FM2, während der 30-Jahres-Datensatz von 1982 bis 2011 für ein Ensembleexperiment des CM und MLQM-CM verwendet wurde .

Um die Auswirkungen der Verwendung hochskalierter Daten als erklärende Variablen auf die Modellleistung zu bewerten, wurde eine auf maschinellem Lernen basierende Niederschlagsschätzung unter Verwendung von GSM-GPV-Daten mit derselben Auflösung wie die der d4PDF-Daten durchgeführt. Im Gegensatz zu der Methode, die für die auf maschinellem Lernen basierende Herunterskalierung des Klimamodells verwendet wurde, wurde die Niederschlagsschätzung nur für den Datensatz von 1982 bis 2011 von Ensemble Nummer 1 durchgeführt. Einzelheiten zu jedem Experiment sind in Tabelle S1 aufgeführt. Die Experimente wurden mit Daten aus 11 Jahren von 2008 bis 2018 durchgeführt, da die Japan Meteorological Agency erst ab 2008 mit der Bereitstellung von GSM-GPV-Daten begann.

Die Datensätze der „Database for Policy Decision-Making for Future Climate Change“ (d4PDF) sind im Data Integration and Analysis System (DIAS) verfügbar (https://diasjp.net/service/d4pdf-data-download/). Die Datensätze von Radar-AMeDAS, MSM-GPV und GSM-GPV sind beim Japan Meteorological Business Support Center (JMBSC) verfügbar (http://www.jmbsc.or.jp/en/index-e.html). Die Datensätze der Oberflächendatenpunkte (SDP) von JMA sind auf der JMA-Website verfügbar (https://www.jma.go.jp/jma/indexe.html). Die anderen während der aktuellen Studie verwendeten und/oder analysierten Datensätze sind auf begründete Anfrage beim entsprechenden Autor erhältlich.

Xie, SP et al. Auf dem Weg zum prädiktiven Verständnis des regionalen Klimawandels. Nat. Aufstieg. Chang. 5, 921–930 (2015).

Artikel ADS Google Scholar

Murphy, J. Vorhersagen des Klimawandels in Europa mithilfe statistischer und dynamischer Downscaling-Techniken. Int. J. Climatol. 20, 489–501 (2000).

3.0.CO;2-6" data-track-action="article reference" href="https://doi.org/10.1002%2F%28SICI%291097-0088%28200004%2920%3A5%3C489%3A%3AAID-JOC484%3E3.0.CO%3B2-6" aria-label="Article reference 2" data-doi="10.1002/(SICI)1097-0088(200004)20:53.0.CO;2-6">Artikel Google Scholar

Broucke, SV, Wouters, H., Demuzere, M. & van Lipzig, NP Der Einfluss konvektionserlaubender regionaler Klimamodellierung auf zukünftige Prognosen extremer Niederschläge: Abhängigkeit von Topographie und Zeitskala. Aufstieg. Dyn. 52, 5303–5324 (2019).

Artikel Google Scholar

Grose, MR et al. Die Rolle der Topographie bei der prognostizierten Niederschlagsänderung in Bergregionen mittlerer Breite. Aufstieg. Dyn. 53, 3675–3690 (2019).

Artikel Google Scholar

Maraun, D. et al. Auf dem Weg zu einer prozessorientierten Bias-Korrektur von Klimawandelsimulationen. Nat. Aufstieg. Chang. 7, 764–773 (2017).

Artikel Google Scholar

Yoshikane, T. & Yoshimura, K. Eine Bias-Korrekturmethode für Niederschläge durch Erkennung mesoskaliger Niederschlagssysteme, die den Wetterbedingungen entsprechen. Plus Wasser. 1(5), e0000016. https://doi.org/10.1371/journal.pwat.0000016 (2022).

Artikel Google Scholar

Sachindra, DA, Ahmed, K., Rashid, MM, Shahid, S. & Perera, BJC Statistische Herunterskalierung von Niederschlägen mithilfe von Techniken des maschinellen Lernens. Atmosphäre. Res. 212, 240–258 (2018).

Artikel Google Scholar

Najafi, MR, Moradkhani, H. & Wherry, SA Statistisches Downscaling des Niederschlags mithilfe von maschinellem Lernen mit optimaler Prädiktorauswahl. J. Hydrol. Ing. 16, 650–664 (2011).

Artikel Google Scholar

Vandal, T., Kodra, E. & Ganguly, AR Vergleich maschineller Lernmethoden zur statistischen Herunterskalierung: Der Fall täglicher und extremer Niederschläge. Theor. Appl. Klimatol. 137, 557–570 (2019).

Artikel ADS Google Scholar

Chen, H., Guo, J., Xiong, W., Guo, S. & Adv. Atmosphäre. Wissenschaft. 27, 274–284 (2010).

Artikel Google Scholar

Nguyen-Le, D., Yamada, TJ & Tran-Anh, D. Klassifizierung und Vorhersage starker Regenfälle im Norden von Kyushu während der Baiu-Saison mithilfe der Wettermustererkennung. Atmosphäre. Wissenschaft. Lette. 18, 324–329 (2017).

Artikel ADS Google Scholar

Ahmed, K. et al. Multimodell-Ensemble-Vorhersagen von Niederschlag und Temperatur mithilfe von Algorithmen für maschinelles Lernen. Atmosphäre. Res. 236, 104806 (2020).

Artikel Google Scholar

Li, H., Sheffield, J. & Wood, EF Bias-Korrektur monatlicher Niederschlags- und Temperaturfelder aus AR4-Modellen des zwischenstaatlichen Gremiums zum Klimawandel unter Verwendung äquidistanter Quantilanpassung. J. Geophys. Res. Atmosphäre. 115, D10 (2010).

Google Scholar

Ortiz-García, EG, Salcedo-Sanz, S. & Casanova-Mateo, C. Genaue Niederschlagsvorhersage mit Support-Vektor-Klassifikatoren: Eine Studie mit neuartigen Vorhersagevariablen und Beobachtungsdaten. Atmosphäre. Res. 139, 128–136 (2014).

Artikel Google Scholar

Raje, D. & Mujumdar, PP Ein Vergleich von drei Methoden zur Reduzierung des täglichen Niederschlags in der Region Punjab. Hydrol. Verfahren. 25(23), 3575–3589 (2011).

Artikel ADS Google Scholar

Wong, G. et al. Stochastische Modellausgabestatistiken zur Bias-Korrektur und Herunterskalierung von Niederschlägen einschließlich Extremen. J. Clim. 27(18), 6940–6959 (2014).

Artikel ADS Google Scholar

Whan, K. & Schmeits, M. Vergleich von Gebietswahrscheinlichkeitsvorhersagen von (extremen) lokalen Niederschlägen mithilfe parametrischer und maschinell lernender statistischer Nachverarbeitungsmethoden. Mo. Weather Rev. 146(11), 3651–3673 (2018).

Artikel ADS Google Scholar

Gagne, DJ, McGovern, A. & Wettervorhersage. 29(4), 1024–1043 (2014).

Artikel ADS Google Scholar

Abdalla, S., Isaksen, L., Janssen, PAEM & Wedi, N. Effektive spektrale Auflösung von ECMWF-Atmosphärenvorhersagemodellen. ECMWF-Newsletter. 137, 19–22 (2013).

Google Scholar

Hansen, SBK-Leitfaden zur mesoskaligen Windkartierung. Weltbank. 132951, 1–53 (2018).

Google Scholar

Saito, K. et al. Das operationelle nicht-hydrostatische mesoskalige JMA-Modell. Mo. Weather Rev. 134, 1266–1298 (2006).

Artikel ADS Google Scholar

Michalakes, J. et al. Entwicklung eines regionalen Wetterforschungs- und Vorhersagemodells der nächsten Generation. In Developments in Teracomputing, 269–276 (2001).

Mizuta, R. et al. Über 5000 Jahre Ensemble-Zukunftsklimasimulationen anhand globaler 60-km- und regionaler 20-km-Atmosphärenmodelle. Stier. Bin. Meteor. Soc. 98, 1383–1398 (2017).

Artikel ADS Google Scholar

Fujita, M. et al. Niederschlagsänderungen in einem Klima mit 2-K-Oberflächenerwärmung aus großen Ensemblesimulationen unter Verwendung globaler 60-km- und regionaler 20-km-Atmosphärenmodelle. Geophys. Res. Lette. 46(1), 435–442 (2019).

Artikel ADS Google Scholar

Nayak, S. & Takemi, T. Atmosphärische Antriebsmechanismen extremer Niederschlagsereignisse im Juli 2017 und 2018 in Westjapan. Dyn. Atmosphäre. Ozeane 93, 101186 (2021).

Artikel Google Scholar

Shibuya, R., Takayabu, Y. & Kamahori, H. Dynamik weit verbreiteter extremer Niederschlagsereignisse und der damit verbundenen großräumigen Umwelt unter Verwendung von AMeDAS- und JRA-55-Daten. J. Clim. 34(22), 8955–8970 (2021).

ADS Google Scholar

Miyajima, J. & Fujibe, F. Klimatologie extremer Niederschläge in Japan für verschiedene Zeitskalen. SOLA 7, 157–160 (2011).

Artikel ADS Google Scholar

Karl, TR & Knight, RW Weltliche Trends der Niederschlagsmenge, -häufigkeit und -intensität in den Vereinigten Staaten. Stier. Bin. Meteor. Soc. 79, 231–242 (1998).

2.0.CO;2" data-track-action="article reference" href="https://doi.org/10.1175%2F1520-0477%281998%29079%3C0231%3ASTOPAF%3E2.0.CO%3B2" aria-label="Article reference 29" data-doi="10.1175/1520-0477(1998)0792.0.CO;2">Artikel ADS Google Scholar

Kato, T. Struktur des bandförmigen Niederschlagssystems, das die starken Regenfälle auslöst, die am 29. Juni 1999 über Nord-Kyushu, Japan, beobachtet wurden. J. Meteorol. Soc. Jpn 84, 129–153 (2006).

Artikel ADS Google Scholar

Bluestein, HB, Marx, GT & Jain, MH Bildung mesoskaliger Niederschlagslinien: Nicht schwere Sturmböen in Oklahoma im Frühjahr. Mo. Weather Rev. 115(11), 2719–2727 (1987).

2.0.CO;2" data-track-action="article reference" href="https://doi.org/10.1175%2F1520-0493%281987%29115%3C2719%3AFOMLOP%3E2.0.CO%3B2" aria-label="Article reference 31" data-doi="10.1175/1520-0493(1987)1152.0.CO;2">Artikel ADS Google Scholar

Browning, KA et al. Struktur eines sich entwickelnden Hagelsturms Teil V: Synthese und Auswirkungen auf das Hagelwachstum und die Hagelunterdrückung. Mo. Weather Rev. 104(5), 603–610 (1976).

2.0.CO;2" data-track-action="article reference" href="https://doi.org/10.1175%2F1520-0493%281976%29104%3C0603%3ASOAEHP%3E2.0.CO%3B2" aria-label="Article reference 32" data-doi="10.1175/1520-0493(1976)1042.0.CO;2">Artikel ADS Google Scholar

Ninomiya, K. Groß- und meso-α-skalige Merkmale der Meiyu/Baiu-Front im Zusammenhang mit intensiven Regenfällen vom 1. bis 10. Juli 1991. J. Meteorol. Soc. Jpn II 78(2), 141–157 (2000).

Artikel ADS MathSciNet Google Scholar

Davidson, NE, Kurihara, K., Kato, T., Mills, G. & Puri, K. Dynamik und Vorhersage eines mesoskaligen Extremregenereignisses in der Baiu-Front über Kyushu, Japan. Mo. Weather Rev. 126(6), 1608–1629 (1998).

2.0.CO;2" data-track-action="article reference" href="https://doi.org/10.1175%2F1520-0493%281998%29126%3C1608%3ADAPOAM%3E2.0.CO%3B2" aria-label="Article reference 34" data-doi="10.1175/1520-0493(1998)1262.0.CO;2">Artikel ADS Google Scholar

Pall, P., Allen, M. & Stone, D. Testen der Clausius-Clapeyron-Beschränkung für Änderungen extremer Niederschläge unter CO2-Erwärmung. Aufstieg. Dyn. 28, 351–363 (2007).

Artikel Google Scholar

Allen, MR & Ingram, WJ Einschränkungen für die zukünftigen Veränderungen des Klimas und des Wasserkreislaufs. Natur 419, 224–232 (2002).

Artikel ADS CAS PubMed Google Scholar

Payne, AE et al. Reaktionen und Auswirkungen atmosphärischer Flüsse auf den Klimawandel. Nat. Rev. Earth Environ. 1(3), 143–157 (2020).

Artikel ADS Google Scholar

Martinkova, M. & Kysely, J. Überblick über die beobachtete Clausius-Clapeyron-Skalierung extremer Niederschläge in mittleren Breiten. Atmosphäre 11(8), 786 (2020).

Artikel ADS Google Scholar

Drobinski, P., Alonzo, B., Bastin, S., Silva, ND & Muller, C. Skalierung von Niederschlagsextremen mit der Temperatur im französischen Mittelmeerraum: Was erklärt die Hakenform?. J. Geophys. Res. Atmosphäre. 121(7), 3100–3119 (2016).

Artikel ADS Google Scholar

Yin, G., Yoshikane, T., Yoshimura, K., Yamamoto, K. & Kubota, T. Eine maschinenbasierte Support-Vektor-Methode zur Verbesserung der stündlichen Niederschlagsvorhersage in Echtzeit in Japan. J. Hydrol. 612, 128125. https://doi.org/10.1016/j.jhydrol.2022.128125 (2022).

Artikel Google Scholar

Roe, GH Orographischer Niederschlag. Annu. Rev. Planet Erde. Wissenschaft. 33(1), 645–671 (2005).

Artikel ADS CAS Google Scholar

Chang, J., Tanaka, T. & Tachikawa, Y. Häufigkeitsanalyse vergangener und zukünftiger extremer Niederschlagsereignisse in Taiwan mit d4PDF. J. Jpn. Soc. Bauingenieur. B 78(2), 457–462 (2022).

Google Scholar

Ishii, M. & Mori, N. d4PDF: groß angelegte und hochauflösende Klimasimulationen zur Risikobewertung der globalen Erwärmung. Prog Earth Planet Sci 7(1), 1–22 (2020).

Artikel Google Scholar

Smola, AJ & Schölkopf, B. Ein Tutorial zur Support-Vektor-Regression. Stat. Berechnen. 14, 199–222 (2004).

Artikel MathSciNet Google Scholar

Al-Anazi, AF & Gates, ID Unterstützungsvektorregression zur Vorhersage von Porosität und Permeabilität: Auswirkung der Probengröße. Berechnen. Geosci. 39, 64–76 (2012).

Artikel ADS Google Scholar

Cherkassky, V. & Ma, Y. Praktische Auswahl von SVM-Parametern und Rauschschätzung für die SVM-Regression. Neuronales Netz. 17(1), 113–126. https://doi.org/10.1016/S0893-6080(03)00169-2 (2004).

Artikel PubMed MATH Google Scholar

Liu, P., Choo, KKR, Wang, L. & Huang, F. SVM oder Deep Learning? Eine vergleichende Studie zur Fernerkundungsbildklassifizierung. Weich. Berechnen. 21(23), 7053–7065. https://doi.org/10.1007/s00500-016-2247-2 (2017).

Artikel Google Scholar

Sivapragasam, C., Liong, SY & Pasha, MFK Niederschlags- und Abflussvorhersage mit SSA-SVM-Ansatz. J. Hydroinf. 3(3), 141–152. https://doi.org/10.2166/hydro.2001.0014 (2001).

Artikel Google Scholar

Chen, H., Chandrasekar, V., Cifelli, R. & Xie, P. Ein maschinelles Lernsystem zur Niederschlagsschätzung mithilfe von Satelliten- und Bodenradarnetzwerkbeobachtungen. IEEE Trans. Geosci. Remote Sens. 58(2), 982–994 (2019).

Artikel ADS Google Scholar

Fan, J. et al. Vergleich von Support Vector Machine und Extreme Gradient Boosting zur Vorhersage der täglichen globalen Sonnenstrahlung anhand von Temperatur und Niederschlag in feuchten subtropischen Klimazonen: Eine Fallstudie in China. Energiewandler. Verwalten. 164, 102–111. https://doi.org/10.1016/j.enconman.2018.02.087 (2018).

Artikel Google Scholar

Pedregosa, F. et al. Scikit-learn: Maschinelles Lernen in Python. J. Mach. Lernen. Res. 12, 2825–2830 (2011).

MathSciNet MATH Google Scholar

Smets, K., Verdonk, B. und Jordaan EM Bewertung von Leistungsmaßen für die SVR-Hyperparameterauswahl. Im Jahr 2007 Internationale gemeinsame Konferenz über neuronale Netze. IEEE, 637–642. (2007). https://doi.org/10.1109/IJCNN.2007.4371031

Anguita, D., Ghio, A., Greco, N., Oneto, L. & Ridella, S. Modellauswahl für Support-Vektor-Maschinen: Vor- und Nachteile der Theorie des maschinellen Lernens. In der International Joint Conference on Neural Networks (IJCNN) 2010, Barcelona, Spanien, 1–8. (2010). https://doi.org/10.1109/IJCNN.2010.5596450

Bergstra, J. & Bengio, Y. Zufällige Suche zur Hyperparameteroptimierung. J. Mach. Lernen. Res. 13(2), 281–305 (2012).

MathSciNet MATH Google Scholar

Mizuta, R. et al. 20-km-Maschenweite globale Klimasimulationen unter Verwendung des JMA-GSM-Modells mittlerer Klimazustände. J. Meteorol. Soc. Jpn. II 84(1), 165–185 (2006).

Artikel ADS Google Scholar

Makihara, Y., Uekiyo, N., Tabata, A. & Abe, Y. Genauigkeit des Radar-AMeDAS-Niederschlags. IEEE Trans. Komm. 79, 751–762 (1996).

Google Scholar

Lanzante, JR, Nath, MJ, Whitlock, CE, Dixon, KW & Adams-Smith, D. Bewertung und Verbesserung des Schwanzverhaltens bei der Downscaling-Methode der kumulativen Verteilungsfunktionstransformation. Int. J. Climatol. 39, 2449–2460 (2019).

Artikel Google Scholar

Batuwita, R. & Palade, V. Lernmethoden für Klassenungleichgewichte für Support-Vektor-Maschinen. Im unausgeglichenen Lernen: Grundlagen, Algorithmen und Anwendungen. 83. (2013).

Vrac, M. & Michelangeli, PA Paket „CDFt“. (2015).

Tomosugi, K. & Tsuji, Y. Eine Studie zur zeitlichen und räumlichen Verteilung starker Regenfälle (2). Analyse korrelativer Strukturen basierend auf Großsphärendaten stündlicher Niederschläge. Katastrophe. Vorher. Res. Inst. Annu. 25(B2), 141–161 (1982).

Google Scholar

Referenzen herunterladen

Diese Studie wurde vom Environment Research and Technology Development Fund S-20 der Environmental Restoration and Conservation Agency of Japan (JPMEERF21S12020) unterstützt; Forschungsprojekt zu Wasserumwelt und Ressourcen am Earth Observation Research Centre der Japan Aerospace Exploration Agency (JX-PSPC-533980); der Environment Research and Technology Development Fund (JPMEERF20222002) der Environmental Restoration and Conservation Agency, bereitgestellt vom japanischen Umweltministerium; fortgeschrittene Praxis des Hochwassermanagements von Wassereinzugsgebieten mithilfe eines oberflächenhydrologischen Vorhersagesystems, Missionsgebiet „Neue soziale Herausforderungen“, JST-Mirai-Programm (JPMJMI21I6); Integriertes Forschungsprogramm zur Förderung von Klimamodellen (TOUGOU) (JPMXD0717935457) vom MEXT; und Ministerübergreifendes Programm zur Förderung strategischer Innovation (SIP), Kabinettsbüro der japanischen Regierung (https://www8.cao.go.jp/cstp/gaiyo/sip/). Die GSM-GPV- und MSM-GPV-Daten wurden aus den Archiven der Laboratorien Oki/Kanae und Kitsure-gawa des Institute of Industrial Science (IIS) der Universität Tokio bezogen. Die von der JMA bereitgestellten Radar-AMeDAS-Daten sind online beim Japan Meteorological Business Support Center (JMBSC) unter http://www.jmbsc.or.jp/en/index-e.html verfügbar. Die ursprünglichen Auflösungen der Daten betrugen horizontal 0,0125° und meridional 0,008333°. Die MSM-GPV-Daten, die ebenfalls von der JMA bereitgestellt wurden, sind online beim JMBSC unter http://www.jmbsc.or.jp/en/index-e.html verfügbar. Die ursprünglichen Auflösungen der Daten betrugen horizontal 0,0625° und meridional 0,05°. Die d4PDF-Daten stammen von der offiziellen Website von d4PDF (http://www.miroc-gcm.jp/~pub/d4PDF/index_en.html) und sind online im Data Integration and Analysis System (DIAS) unter https verfügbar: //diasjp.net/en/.

Institut für Industriewissenschaften, Universität Tokio, 5-1-5, Kashiwanoha, Kashiwa-Shi, Chiba, 277-8574, Japan

Takao Yoshikane & Kei Yoshimura

Sie können diesen Autor auch in PubMed Google Scholar suchen

TY schrieb den Haupttext des Manuskripts und TY bereitete alle Abbildungen vor. Alle Autoren haben das Manuskript überprüft.

Korrespondenz mit Takao Yoshikane.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die Originalautor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht gesetzlich zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Yoshikane, T., Yoshimura, K. Eine Downscaling- und Bias-Korrekturmethode für Klimamodell-Ensemblesimulationen von stündlichen Niederschlägen im lokalen Maßstab. Sci Rep 13, 9412 (2023). https://doi.org/10.1038/s41598-023-36489-3

Zitat herunterladen

Eingegangen: 18. Februar 2023

Angenommen: 05. Juni 2023

Veröffentlicht: 09. Juni 2023

DOI: https://doi.org/10.1038/s41598-023-36489-3

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein Link zum Teilen verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.