XiaoMi-AI文件搜索系统
World File Search SystemSSP3
减量 - ClassNK
长期社会经济情景 长期能源情景 SSP1（可持续性——走绿色之路） RCP1.9（1.5°C）与 SSP1、SSP2 和 SSP5 结合使用 SSP2（中间路线） RCP2.6（2°C，非常低的温室气体排放）与 SSP1、SSP2、SSP4 和 SSP5 结合使用 SSP3（区域竞争——崎岖之路） RCP3.4（大规模碳去除）与 SSP1、SS2、SSP3、SSP4 和 SSP5 结合使用 SSP4（不平等——分裂之路） RCP4.5（2.4°C，中低缓解或非常低基线）与 SSP1、SS2、SSP3、SSP4 和 SSP5 结合使用 SSP5（化石燃料发展——走高速公路） RCP6.0（2.8°C中等基线，高缓解与 SSP1、SS2、SSP3、SSP4 和 SSP5 相结合 OECD 长期基线预测
发展中国家的可持续城市化：作为居住地的城市
尽管存在这种脆弱性，但城市也是管理气候变化后果的最可行解决方案。IPCC的最新模型表明，可持续性和城市化是与本质上联系的（Riahi等人2017）。他们根据政策制定者如何应对气候变化的挑战，定义了五个被称为共享社会经济途径（SSP）的发展途径。图2显示了其中两个预测下的可持续性与城市化之间的联系。在SSP1下（对适应和缓解的承诺更强大的结果）郊区化远高于不太最佳途径下的SSP3。这既是由于排放效率紧凑，环保城市地区提供的，也是他们提供适应的机会（Riahi等人。2017）。
您需要了解的有关气候建模的最新内容
SSP2-4.5方案大致与到2030年的总NDC排放水平的上端一致（第1.2.2和4.3节； SR1.5，（IPCC，2018），Box 1）。二氧化碳排放量保持在当前水平，直到本世纪中叶。 SR1.5评估的NDC的温度预测在2100乘2100（第1.2.2节； SR1.5（IPCC，2018）；跨章框11.1），对应于SSP2-4.5（第4章）。 在2020年底之前，新的或更新的NDC并未显着改变到2030年的排放预测，尽管越来越多的国家按照SSP1-1.9或SSP1-2.6采用2050个净零目标。 SSP2-4.5场景与“无纳入气候 - 气候”的参考方案有些偏离，导致到21世纪末相对于1850-1900的2.7°C大约2.7°C的最佳估计变暖（第4章）（第4章）。 在SSP3社会经济发展叙事下没有其他气候政策导致的中间参考方案。 二氧化碳排放量大约是当前水平的两倍。 SSP3-7.0具有特别高的非CO2排放，包括高气溶胶排放。二氧化碳排放量保持在当前水平，直到本世纪中叶。SR1.5评估的NDC的温度预测在2100乘2100（第1.2.2节； SR1.5（IPCC，2018）；跨章框11.1），对应于SSP2-4.5（第4章）。在2020年底之前，新的或更新的NDC并未显着改变到2030年的排放预测，尽管越来越多的国家按照SSP1-1.9或SSP1-2.6采用2050个净零目标。SSP2-4.5场景与“无纳入气候 - 气候”的参考方案有些偏离，导致到21世纪末相对于1850-1900的2.7°C大约2.7°C的最佳估计变暖（第4章）（第4章）。在SSP3社会经济发展叙事下没有其他气候政策导致的中间参考方案。二氧化碳排放量大约是当前水平的两倍。SSP3-7.0具有特别高的非CO2排放，包括高气溶胶排放。
保留分位数趋势以模拟未来气候影响
摘要：全球气候模型 (GCM) 是理解气候系统及其在情景驱动排放路径下演变趋势预测的重要工具。其输出结果被广泛应用于气候影响研究，用于模拟气候变化的当前和未来影响。然而，与气候影响研究所需的高分辨率气候数据相比，气候模型输出结果仍然较为粗糙，并且相对于观测数据也存在偏差。在现有的全球尺度上经过偏差调整和降尺度处理的气候数据集中，分布尾部的处理是一个关键挑战；许多此类数据集使用了分位数映射技术，而这些技术已知会抑制或放大尾部的趋势。在本研究中，我们应用分位数增量映射 (QDM) 方法 (Cannon 等，2015) 进行偏差调整。在偏差调整之后，我们应用一种名为“分位数保留局部模拟降尺度”（QPLAD）的新型空间降尺度方法，该方法旨在保留分布尾部的趋势。这两种方法都集成到一个透明且可重复的软件流程中，我们将其应用于耦合模式比较计划第六阶段 (CMIP6) 实验 (O'Neill et al., 2016) 的历史实验和四种未来排放情景（从积极缓解到无缓解）的全球每日 GCM 地表变量输出（最高和最低温度以及总降水量），即 SSP1-2.6、SSP2-4.5、SSP3-7.0 和 SSP5-8.5 (Ri-
较热的欧洲太平洋牡蛎
如果我们要预测并减轻气候变化对海洋生态系统的影响，海洋物种范围扩展的预测至关重要。 但是，大多数预测并未评估未来变化的不确定性水平，这会使它们对场景计划和生态系统管理的有用性受到质疑。 对于整个气候系统，这些不确定性采用三种形式：场景不确定性，气候模型没有确定性和内部气候变化。 至关重要的是，内部变异性是对自然变异性如何影响未来气候预测的一种度量，在生态学研究中在很大程度上被忽略了。 在这里，我们对欧洲的非本地太平洋牡蛎采用合奏建模方法来了解这些不确定性的影响。 未来的太平洋牡蛎招募是使用将招募与累积和瞬时热暴露有关的模型预测的。 对四个气候变化方案进行了模型预测：SSP1 2.6，SSP2 4.5，SSP3 7.0和SSP5 8.5。 在每种情况下，都使用了二十多种气候模型的集合。 使用五个具有多个工业前起始起点的气候模型来评估内部变异性在气候模型中的影响。 我们发现SSP1 2.6内的模型不确定性高于SSP1 2.6和SSP 4.5之间的差异，但是目前尚不清楚整体场景不确定性是否大于由于其主观性质而导致的气候模型不确定性。 我们的结果表明，从潜在的情景而不是个人预测方面思考未来至关重要。海洋物种范围扩展的预测至关重要。但是，大多数预测并未评估未来变化的不确定性水平，这会使它们对场景计划和生态系统管理的有用性受到质疑。对于整个气候系统，这些不确定性采用三种形式：场景不确定性，气候模型没有确定性和内部气候变化。至关重要的是，内部变异性是对自然变异性如何影响未来气候预测的一种度量，在生态学研究中在很大程度上被忽略了。在这里，我们对欧洲的非本地太平洋牡蛎采用合奏建模方法来了解这些不确定性的影响。未来的太平洋牡蛎招募是使用将招募与累积和瞬时热暴露有关的模型预测的。对四个气候变化方案进行了模型预测：SSP1 2.6，SSP2 4.5，SSP3 7.0和SSP5 8.5。在每种情况下，都使用了二十多种气候模型的集合。使用五个具有多个工业前起始起点的气候模型来评估内部变异性在气候模型中的影响。我们发现SSP1 2.6内的模型不确定性高于SSP1 2.6和SSP 4.5之间的差异，但是目前尚不清楚整体场景不确定性是否大于由于其主观性质而导致的气候模型不确定性。我们的结果表明，从潜在的情景而不是个人预测方面思考未来至关重要。对场景预测的比较表明，在SSP5 8.5场景下，太平洋牡蛎的未来招聘区可能是低排放SSP1 2.6场景中的两倍以上。重要的是，整体表明，由于内部变异性，太平洋牡蛎的近期变化高度不确定，这与20年时间范围内的气候模型不确定性相似。
IMAGE 3.2 模型的 2021 年 SSP 情景
基于模型的情景在气候和环境研究中被广泛使用，以探索不确定的未来发展和可能的应对策略。最常用的情景包括代表性浓度路径 (RCP) [1] 和共享社会经济路径 (SSP) [2-4]。2011 年发布的 RCP 探索了广泛的排放路径，而 SSP 则提出了一套更为全面的情景，涵盖了叙述、情景驱动因素的阐述以及能源、土地利用和排放趋势的量化。两者在最近的 IPCC 评估中都发挥了关键作用 [5, 6]，也已广泛应用于其他研究领域。例如，它们为 IPBES 和全球土地展望 [7] 提供了输入，目前已有数千篇论文使用了 SSP [8]。2017 年发布的 SSP 的制定基于六种不同的综合评估模型 (IAM) [2]。 IMAGE 模型就是其中之一，它主要关注 SSP1，并制定了 SSP2、SSP3 和相关缓解案例 [9] 的情景，后来还制定了 SSP4 和 SSP5 变体。自 2017 年以来，世界发生了很大变化。最近的一些趋势也可能产生长期影响。此外，虽然 SSP 主要用于探索长期发展，但它们也经常被用作评估 2030 年或 2050 年气候政策的参考。在这种情况下，定期更新情景非常重要。关键问题包括 COVID-19 疫情的发展、可再生能源的成本降低和产能发展以及对电动汽车的期望。其他更新还包括对 2010-2020 年期间人口、经济、能源和土地利用趋势的实际发展的见解。最后，在过去几年中，IMAGE 模型本身得到了进一步发展，例如包括有关作物类型和工业能源使用的更多细节。在此背景下，IMAGE SSP 场景集进行了更新。本文简要描述了这些更新，介绍了一些关键结果，并作为 IMAGE 3.2 更新的 SSP 场景的重要参考。