机构名称：
¥ 1.0
David W. Pierce, Daniel R. Cayan, Stefan Rahimi, Julie Kalansky, Scripps Institution of Oceanography, UCSD & UCLA CEC-funded agreement: EPC-20-006 Development of Climate Projections for California and Identification of General Use Projections December 2023 Methods and Prior Relevant Work The Localized Constructed Analogs (LOCA) statistical downscaling method (Pierce et al.2014; Pierce等。2015a; Pierce等。2015b）是一种基于模拟的方法，用于降低比例相对粗糙的全球气候模型预测，以更细化的区域预测。在进行这一全球至区域缩减时，LOCA将基于观察的训练数据对区域域进行了两个目的：1）偏置校正； 2）提供一个观察到的天气模式的库，在空间变厚后，与全球气候模型（GCM）日相匹配。我们将后者称为“模式库”。LOCA降尺度方法分为两个步骤：1）从原始GCM网格（通过GCM变化）到常见的0.5x0.5度网格。2）从常见的0.5度网格到最终的细尺度3 km网格。使用了这两个步骤，以便使用来自相同0.5度网格的信息纠正所有模型，即使GCM具有不同的网格分辨率（Pierce等人。2014）。其他方案有时在缩小降低之前将不同的GCM网格插入到一个共同的网格中，但是我们的分析发现，插值可以导致最终降低结果的空间变异性的较差表示。但是，这确实导致了一些问题。在以前的LOCA版本中，例如用于加利福尼亚的第四次气候评估（Pierce等人2018），通常从使用最近的邻居算法网格的观察到的气象站数据获得模式库。（此类例外是从卫星观测中获得的表面向下太阳辐射训练数据。）使用网格的历史观测值对模式库是一种合理的方法，也是必要的方法，因为未来观察到的天气模式不可用。尤其是，未来温暖的气候将降低降雪，可能导致在未来几十年系统地降雪的位置发生变化的表面温度模式。为了解决这一问题，在LOCA版本2（以下哪个介绍）加利福尼亚域中，我们使用了一个混合缩减方案，该方案与动态缩放的GCM天气研究预测（WRF）运行获得的模式库，这些库是偏向于ERA5-WRF-BC 1
加利福尼亚能源委员会-CA.GOV
主要关键词
相关文件推荐
