李克誠，陸建忠，張可睿，陸呈瑜，陳 璞，袁明坤

(1：武漢大學(xué)資源與環(huán)境科學(xué)學(xué)院，武漢 430079)

(2：武漢大學(xué)測繪遙感信息工程國家重點實驗室，武漢 430079)

氣候變化問題是當(dāng)今世界各國關(guān)注的焦點[1]. 政府間氣候變化專門委員會(IPCC)第五次評估報告指出[2]，1880-2012年，全球表面平均氣溫上升約0.85℃,全球的氣候和環(huán)境受到重要影響. 區(qū)域氣候研究是氣候領(lǐng)域的重要研究方向. 由于區(qū)域氣候受到當(dāng)?shù)亟?jīng)緯度、地勢地貌、土地利用類型等因素影響表現(xiàn)出極強(qiáng)的區(qū)域分布特征[3]，全球氣候模式并不適合于小尺度上區(qū)域氣候變化的研究，為此有學(xué)者提出全球氣候模式降尺度的概念.

當(dāng)前氣候降尺度方法主要分動力降尺度法和統(tǒng)計降尺度法兩種：Vannucchi等[4]利用動力降尺度方法對西北地中海地區(qū)的風(fēng)浪進(jìn)行了分析，這種方法的缺點是模型繁雜、計算量較大[5-6]. 而統(tǒng)計降尺度模型方法相對簡便易行，是最常用的方法之一[7-9]，如Pomee等[10]利用多元線性回歸法建立統(tǒng)計降尺度模型對巴基斯坦印度河流域氣溫進(jìn)行了預(yù)測，劉子豪等[11]利用Penman-Monteith(P-M)公式、逐步回歸分析法建立統(tǒng)計降尺度模型對鄱陽湖流域未來參考物蒸散量進(jìn)行了預(yù)估. 上述研究中基于線性回歸的統(tǒng)計降尺度模型并不能模擬復(fù)雜的非線性關(guān)系，存在精度不足的問題，目前有部分學(xué)者研究基于非線性模型的統(tǒng)計降尺度算法，如申澤西等[12]通過構(gòu)建非線性回歸降尺度模型(SNSDM)分析中國北部農(nóng)牧交錯帶及半干旱半濕潤氣候過渡帶的降水情況，羅小波等[13]利用基于局部地理加權(quán)回歸(NL-GWR)模型的地表溫度(land surface temperature, LST)降尺度算法研究了華北地區(qū)地表溫度.

近年來，以深度學(xué)習(xí)為代表的人工智能算法發(fā)展迅猛，深度學(xué)習(xí)算法使得機(jī)器能夠自動地從海量的圖像、聲音等數(shù)據(jù)中學(xué)習(xí)內(nèi)在規(guī)律[14-15]. 在深度學(xué)習(xí)有關(guān)氣候水文研究的應(yīng)用方面，杜方洲等[16]利用深度前饋神經(jīng)網(wǎng)絡(luò)分析了中國東北地區(qū)降水，徐瑾昊等[17]基于卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建了自動識別石冰川的方法. 目前，相關(guān)研究罕見提及基于深度學(xué)習(xí)的氣候模式降尺度方法.

在上述研究基礎(chǔ)上，本文提出利用深度學(xué)習(xí)算法構(gòu)建降尺度算法，通過改進(jìn)并運用U-Net網(wǎng)絡(luò)，建立了基于深度學(xué)習(xí)的氣候模式空間降尺度模型，并利用氣象站實測數(shù)據(jù)在擬合精度和極端氣候事件模擬能力兩方面驗證了方法的性能，基于DLDM方法輸出的流域未來的高空間分辨率氣候數(shù)據(jù)研究了溫室氣體低排放和高排放情景下流域未來的氣候變化趨勢. 本文能夠為鄱陽湖流域氣候變化預(yù)測及環(huán)境保護(hù)政策制定提供數(shù)據(jù)、技術(shù)以及理論上的支持，對保護(hù)鄱陽湖流域生態(tài)環(huán)境具有極其重要的意義.

1 研究區(qū)域及數(shù)據(jù)說明

1.1 研究區(qū)域

鄱陽湖流域(24°28′～30°05′N，113°33′～118°29′E,圖1)整體位于江西省境內(nèi)，由贛江、信江、撫河、饒河和修水五大河流以及鄱陽湖構(gòu)成，是我國長江中下游的重要水系. 流域三面環(huán)山，中部地區(qū)平原、丘陵分布廣泛，流域內(nèi)氣候溫暖濕潤，雨量豐沛，屬于亞熱帶濕潤氣候，多年平均氣溫為17.5℃,多年平均降雨量為1664 mm[18-19]. 近年來，隨著人類活動的增加，鄱陽湖流域的氣候水文過程已經(jīng)發(fā)生了明顯的變化，尤其是極端高溫低溫、洪澇干旱災(zāi)害等極端氣候事件頻繁發(fā)生[3].

圖1 鄱陽湖流域

1.2 數(shù)據(jù)

本文使用的數(shù)據(jù)分為氣候模式數(shù)據(jù)和氣象站實測數(shù)據(jù). 氣候模式數(shù)據(jù)方面，本文采用CMIP5中IPSL-CM5A-LR模式和BCC-CSM1.1模式的逐月近地表氣溫數(shù)據(jù)和逐月降水?dāng)?shù)據(jù)，水平分辨率分別為3.75°×1.9°、1.0°×1.0°，典型濃度排放路徑(RCP)包括RCP2.6、RCP8.5兩個情景，時間范圍包括歷史階段(1965年1月-2005年12月)以及未來階段(2006年1月-2100年12月)，數(shù)據(jù)來源于CMIP5數(shù)據(jù)節(jié)點網(wǎng)站(https://esgf-node.llnl.gov/search/cmip5/). 氣象站實測數(shù)據(jù)方面，本研究選取鄱陽湖流域內(nèi)部及鄰近的18個氣象觀測站的逐月近地表平均氣溫數(shù)據(jù)和逐月降水?dāng)?shù)據(jù)，時間范圍為1965年1月-2005年12月，數(shù)據(jù)來源于國家氣象科學(xué)數(shù)據(jù)中心(http://data.cma.cn/).

2 研究方法

區(qū)域氣候具有較大的空間異質(zhì)性[20-21]，這是全球氣候模式無法應(yīng)用于區(qū)域氣候分析的根本原因. 氣候模式統(tǒng)計降尺度方法本質(zhì)上是借助大量觀測數(shù)據(jù)，建立大尺度氣候模式與區(qū)域氣象要素的相關(guān)關(guān)系，方法的一般步驟為[7-11]：(1)氣候模式數(shù)據(jù)的空間插值；(2)插值后氣候模式數(shù)據(jù)的偏差校正. 空間插值方法上，本文采用反距離權(quán)重插值法(IDW)，將模式數(shù)據(jù)和氣象站實測數(shù)據(jù)插值成20 km×20 km分辨率的柵格數(shù)據(jù). 偏差校正方法上，本文使用基于改進(jìn)U-Net網(wǎng)絡(luò)的偏差校正方法，后文將對此進(jìn)行詳細(xì)論述，并以線性回歸法作為參照[22]，本研究采用的流域極端氣候事件的界定標(biāo)準(zhǔn)如2.3節(jié)所述.

2.1 U-Net網(wǎng)絡(luò)改進(jìn)與偏差校正模型設(shè)計

U-Net是一種全卷積網(wǎng)絡(luò)設(shè)計思想，主要用于圖像像素級實例分割[23-24]. 本文對U-Net網(wǎng)絡(luò)的改進(jìn)內(nèi)容包括：(1)降低原始網(wǎng)絡(luò)復(fù)雜度，將原始網(wǎng)絡(luò)的4次特征圖拼接(feature map copy and crop)過程簡化為2次，將氣候柵格數(shù)據(jù)視作簡單圖像數(shù)據(jù)；(2)通過在網(wǎng)絡(luò)首部加入插值(interpolation)處理層，將特征圖的分辨率從25×24變換為48×48，方便層內(nèi)進(jìn)行卷積、池化運算；(3)網(wǎng)絡(luò)采用反卷積(deconvolution)算法作為上采樣(upsampling)方法，與卷積運算形成呼應(yīng).

改進(jìn)U-Net網(wǎng)絡(luò)(圖2)由Encoder、Decoder兩部分組成，整體呈“U”型對稱結(jié)構(gòu). Encoder層從氣候數(shù)據(jù)中提取出特征圖，蘊含氣候數(shù)據(jù)的高級特征. 隨著層數(shù)加深，特征圖通道數(shù)逐漸由1增加到16，較低級特征變?yōu)楦呒壧卣?；由于卷積、池化等操作，氣候數(shù)據(jù)的位置信息發(fā)生丟失，特征圖數(shù)據(jù)分辨率逐步由48×48降低到12×12. Decoder層的核心算法為上采樣算法，特征圖經(jīng)過上采樣后分辨率提升，之后Decoder層會將當(dāng)前特征圖結(jié)合與其形成對稱關(guān)系的Encoder層輸出的特征圖(如圖中A、B兩特征圖)，從而在保留氣候數(shù)據(jù)高級特征的同時重建位置信息，此過程中特征圖分辨率由12×12恢復(fù)到48×48，經(jīng)過網(wǎng)絡(luò)尾部卷積層輸出分辨率為25×24的數(shù)據(jù)，從而建立起輸入輸出數(shù)據(jù)的聯(lián)系.

圖2 改進(jìn)U-Net網(wǎng)絡(luò)結(jié)構(gòu)

改進(jìn)U-Net網(wǎng)絡(luò)結(jié)構(gòu)中包括特征圖拼接、卷積、激活、池化、上采樣操作：

1)特征圖拼接：改進(jìn)U-Net網(wǎng)絡(luò)能夠?qū)⑻N含氣候數(shù)據(jù)的高級特征與位置信息的特征圖進(jìn)行拼接從而重建氣候數(shù)據(jù)柵格，這一點秉承了U-Net網(wǎng)絡(luò)的設(shè)計精髓.

2)卷積：卷積層利用卷積核(convolution kernel)將氣候數(shù)據(jù)柵格按照預(yù)先設(shè)定的步長、填充進(jìn)行卷積，提取出氣候數(shù)據(jù)的高級特征. 設(shè)輸入特征圖高為H，寬為W，卷積核高為FH，寬為FW，填充為P，步幅為S，卷積后輸出圖像高為OH，寬為OW，則輸出特征圖大小計算公式為：

(1)

(2)

卷積核個數(shù)可以決定生成特征圖的通道數(shù)，通道數(shù)越多特征圖包含越高級的特征. 為使改進(jìn)U-Net網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)氣候數(shù)據(jù)的分布特征，網(wǎng)絡(luò)中特征圖通道數(shù)根據(jù)網(wǎng)絡(luò)深度不同分別設(shè)置為1、8、16.

3)激活：激活函數(shù)層對卷積層的輸出作一次非線性映射，將層間加權(quán)運算后的信號值通過激活函數(shù)轉(zhuǎn)化為輸出信號. 由于氣候數(shù)據(jù)總體數(shù)據(jù)量較大，改進(jìn)U-Net網(wǎng)絡(luò)采用ReLU函數(shù)作為激活函數(shù)，以減少模型運算量、降低參數(shù)之間的依賴性.

4)池化：池化作為下采樣操作，能夠縮小高、長方向上的空間. 改進(jìn)U-Net網(wǎng)絡(luò)結(jié)構(gòu)的池化層均采用2×2最大值池化策略，用于特征降維，壓縮參數(shù)數(shù)量，減小過擬合，同時提高系統(tǒng)魯棒性.

5)上采樣：改進(jìn)U-Net網(wǎng)絡(luò)采用反卷積算法提高特征圖的分辨率，反卷積的計算公式為：

OH=S(H-1)-2P+FH

(3)

OW=S(W-1)-2P+FW

(4)

設(shè)氣象站數(shù)據(jù)集SD,氣候模式數(shù)據(jù)集MD,柵格的時空坐標(biāo)為(i，j，t),其中i，j表示空間坐標(biāo)，t表示時間. 模型輸入氣候模式數(shù)據(jù)，輸出改正數(shù)據(jù)，將對應(yīng)時空坐標(biāo)的氣象站實測數(shù)據(jù)作為真值，網(wǎng)絡(luò)計算輸出數(shù)據(jù)與實測數(shù)據(jù)的誤差，之后進(jìn)行誤差的反向傳播以不斷修正神經(jīng)元間權(quán)重，使得輸出結(jié)果與實測數(shù)據(jù)誤差逐漸減小并直至收斂. 經(jīng)過大量數(shù)據(jù)訓(xùn)練，網(wǎng)絡(luò)可視作氣候模式數(shù)據(jù)的復(fù)雜非線性時空校正函數(shù)f,其中SD(i，j，t)=f(MD(i，j，t)).

2.2 極端氣候事件界定標(biāo)準(zhǔn)

極端氣候事件的模擬能力是反映氣候模式降尺度方法性能的重要參考依據(jù). 極端氣候事件是指短時間內(nèi)某個(或某些)氣候要素達(dá)到多年一遇的程度，氣象學(xué)上極端氣候事件的界定一般需要根據(jù)該地區(qū)一段時間氣候數(shù)據(jù)的統(tǒng)計特征[25]，指標(biāo)包括極端溫度和極端降水. 本文將極端高溫月份定義為當(dāng)月平均氣溫大于歷史(1965年1月-2005年12月，共計492個月)月平均氣溫序列中第90百分位的閾值的月份，極端低溫月份定義為當(dāng)月平均氣溫小于第10百分位的閾值的月份；將極端強(qiáng)降水月份定義為當(dāng)月降水量大于歷史月降水量序列中第90百分位的閾值的月份，極端弱降水月份相應(yīng)定義為當(dāng)月降水量小于第10百分位的閾值的月份[26]. 計算氣象站實測數(shù)據(jù)氣溫和降水?dāng)?shù)據(jù)的閾值，得到極端高溫閾值為29.1℃，極端低溫閾值為5.0℃；極端強(qiáng)降水閾值為353.6 mm，極端弱降水閾值為12.7 mm.

3 降尺度方法驗證及未來氣候變化特征分析

3.1 降尺度方法在鄱陽湖流域的驗證

基于氣象站點實測數(shù)據(jù)，利用線性回歸方法對比驗證DLDM方法的模擬性能；同時對IPSL-CM5A-LR模式和BCC-CSM1.1模式在流域內(nèi)的模擬性能進(jìn)行比較.

3.1.1 降尺度方法擬合精度對比驗證 利用1965-2005年鄱陽湖流域氣候模式數(shù)據(jù)和18個氣象站點的實測數(shù)據(jù)分別訓(xùn)練DLDM和線性回歸模型. 采用均方根誤差(RMSE)評定DLDM中改進(jìn)U-Net網(wǎng)絡(luò)的擬合效果，經(jīng)過1000次迭代誤差均有明顯下降并最終收斂，其中IPSL-CM5A-LR模式氣溫數(shù)據(jù)最終誤差為6.32℃，降水?dāng)?shù)據(jù)最終誤差為10091.89 mm(圖3a)，BCC-CSM1.1模式氣溫數(shù)據(jù)最終誤差為5.58℃，降水?dāng)?shù)據(jù)最終誤差為12086.71 mm(圖3b).

圖3 DLDM方法訓(xùn)練結(jié)果

線性回歸校正模型擬合結(jié)果(圖4)表明模型擬合氣溫數(shù)據(jù)效果較好，其中擬合IPSL-CM5A-LR模式直線的R2值在0.9左右，擬合BCC-CSM1.1模式直線的R2值在0.93左右；擬合降水?dāng)?shù)據(jù)效果較差，兩種氣候模式擬合直線的R2值均位于0.1～0.3之間. 訓(xùn)練結(jié)果表明，DLDM方法和線性回歸法訓(xùn)練氣溫數(shù)據(jù)誤差較小，訓(xùn)練降水?dāng)?shù)據(jù)則都存在較大誤差；此外，對于IPSL-CM5A-LR模式和BCC-CSM1.1模式，DLDM方法訓(xùn)練前者的誤差小于訓(xùn)練后者的誤差，線性回歸方法訓(xùn)練兩種模式的結(jié)果則不相伯仲.

圖4 線性回歸模型R2的空間分布

驗證降尺度方法在各氣象站點的擬合精度，將DLDM方法數(shù)據(jù)、線性回歸方法數(shù)據(jù)與氣象站實測數(shù)據(jù)分別作散點圖，并計算均方根誤差以及散點擬合直線的R2.以流域北部毗鄰鄱陽湖、地勢較低的九江(廬山)氣象站和流域南部地勢較高的贛縣氣象站為例(圖5)，兩站點DLDM方法模擬的均方根誤差結(jié)果中，除IPSL-CM5A-LR模式下模擬贛縣氣象站氣溫數(shù)據(jù)結(jié)果的均方根誤差大于線性回歸方法模擬結(jié)果之外，其余7個場景均小于線性回歸方法模擬結(jié)果；模擬氣象站氣溫數(shù)據(jù)時，DLDM方法的擬合直線R2均不小于線性回歸方法的結(jié)果，模擬氣象站降水?dāng)?shù)據(jù)時，DLDM方法擬合直線R2在正常取值范圍內(nèi)，而線性回歸方法擬合直線R2卻都為負(fù)值，說明降尺度結(jié)果與實測數(shù)據(jù)幾乎沒有相關(guān)關(guān)系. 上述現(xiàn)象表明，DLDM方法擬合精度高于線性回歸方法. 進(jìn)一步比較IPSL-CM5A-LR模式和BCC-CSM1.1模式的擬合精度，前者氣溫數(shù)據(jù)的擬合精度不及后者，但降水?dāng)?shù)據(jù)的擬合精度高于后者. 結(jié)合前述兩種模式在兩種模型訓(xùn)練下精度各有高低的現(xiàn)象，并不能比較出兩模式模擬性能的優(yōu)劣.

圖5 降尺度方法站點擬合效果

3.1.2 降尺度方法對流域極端氣候事件模擬能力的比較驗證 依據(jù)極端氣候事件界定閾值，從極端氣候事件的數(shù)量和空間分布兩方面對比各氣象站點的記錄結(jié)果和氣候模式降尺度后的模擬結(jié)果，評估降尺度方法及氣候模式對極端氣候事件的模擬能力.

根據(jù)極端氣候事件的數(shù)量，計算不同降尺度方法和氣候模式模擬結(jié)果的標(biāo)準(zhǔn)相對誤差，結(jié)果如表1所示. 可看出DLDM方法模擬極端氣候事件的標(biāo)準(zhǔn)相對誤差范圍為-32.7%～56.5%，線性回歸方法的相對誤差范圍為-99.65%～-18.50%，相比之下DLDM方法精度更高；進(jìn)一步比較經(jīng)DLDM方法降尺度后的兩個氣候模式，IPSL-CM5A-LR模式降尺度后模擬極端氣候事件標(biāo)準(zhǔn)相對誤差分別為2.3%、-25.0%，均優(yōu)于BCC-CSM1.1模式(56.5%、-32.7%)，前者模擬效果更優(yōu).

表1 極端氣候事件數(shù)量統(tǒng)計及誤差對比

極端氣溫事件的空間分布方面(圖6)，經(jīng)DLDM方法降尺度后兩氣候模式的模擬結(jié)果均與實測較接近，形成極端氣溫事件主要集中在流域北部和中部的格局，但在數(shù)量上存在差異，整體而言模擬效果優(yōu)良；經(jīng)線性回歸方法降尺度后兩氣候模式的模擬結(jié)果與實測差距較大，主要特征為27°N線北部地區(qū)極端氣溫事件較多，模擬效果不佳.

圖6 氣溫極端氣候事件的空間分布

極端降水事件的空間分布方面(圖7)，線性回歸方法模擬結(jié)果與實測結(jié)果差異十分明顯，模擬效果不佳；經(jīng)DLDM方法降尺度后的兩個氣候模式都模擬出極端降水事件主要分布在流域北部、西部的格局，這與實測類似，但I(xiàn)PSL-CM5A-LR模式模擬極端事件在流域南部分布也較多，BCC-CSM1.1模式模擬極端事件主要集中在流域北部，二者都與實測結(jié)果存在差異.

圖7 降水極端氣候事件的空間分布

綜上所述，極端氣候事件模擬能力方面DLDM方法性能優(yōu)于線性回歸方法，經(jīng)DLDM方法降尺度后IPSL-CM5A-LR模式模擬效果優(yōu)于BCC-CSM1.1模式.

3.2 流域未來氣候空間分布格局

DLDM方法和IPSL-CM5A-LR模式的性能已得到驗證，現(xiàn)依據(jù)2006-2100年該模式經(jīng)DLDM方法降尺度后的氣候數(shù)據(jù)，在RCP2.6和RCP8.5兩個情景下分近期(2031-2040年)、中期(2061-2070年)、遠(yuǎn)期(2091-2100年)3個時期，根據(jù)流域各地區(qū)在3個時期內(nèi)的平均值，以1965-2005年流域平均值為參照分析流域未來氣候的空間分布格局.

流域未來平均氣溫的空間分布(圖8)方面，整體而言RCP8.5情景下流域氣溫較RCP2.6情景更高， 兩情景下不同時期氣溫的空間分布特征類似，整體表現(xiàn)出南部氣溫較高、北部氣溫較低的態(tài)勢，在流域中北部南昌氣象站附近、西部井岡山氣象站附近、東部貴溪氣象站附近、南部尋烏氣象站附近平均氣溫較高，表現(xiàn)出4個高溫中心. 兩情景下流域未來氣溫相較于1965-2006年流域?qū)崪y氣溫有明顯增高態(tài)勢，其中RCP2.6情景下未來近期到遠(yuǎn)期流域各地區(qū)平均氣溫整體表現(xiàn)出先增高后降低的趨勢，3個時期平均氣溫最高值均在20℃左右，流域中部在未來中期相比于該地區(qū)在近期和遠(yuǎn)期的平均氣溫更高，其余地區(qū)變化幅度不大，而RCP8.5情景下未來氣溫持續(xù)升高，流域內(nèi)各個區(qū)域都有較明顯的升溫態(tài)勢.

圖8 未來鄱陽湖流域氣溫空間分布

流域未來降水的空間分布(圖9)方面，RCP2.6、RCP8.5兩情景下流域未來降水相比于歷史實測降水有明顯下降，不同時期都表現(xiàn)出北部、中東部和南部3個降水集中區(qū)域的分布格局，如未來降水較多的RCP2.6情景下的近期，流域北部廬山氣象站附近平均月降水量達(dá)到120 mm；流域中部南城氣象站和南部尋烏氣象站附近平均月降水量達(dá)到105 mm；其余地區(qū)平均月降水量均在100 mm以下. 兩情景下流域在近期、中期和遠(yuǎn)期3個時期平均月降水量均表現(xiàn)出遞減的趨勢，基本保持與歷史實測一致的降水的空間分布態(tài)勢. RCP8.5 情景下3個時期之間的變化幅度較大，其中近期流域降水較RCP2.6情景更多，中期基本持平，遠(yuǎn)期較RCP2.6情景更少.

圖9 未來鄱陽湖流域降水空間分布

3.3 流域未來氣候時間變化特征

基于2006-2100年氣溫和降水?dāng)?shù)據(jù)年均值時間序列，分析流域未來氣候時間變化特征. 流域未來氣候時間序列(圖10)可以看出，RCP2.6和RCP8.5情景下流域未來年平均氣溫呈顯著上升趨勢，RCP8.5情景下流域升溫趨勢更為明顯；RCP2.6和RCP8.5情景下流域未來降水均呈現(xiàn)下降趨勢，RCP8.5情景下流域未來降水下降趨勢更為明顯.

圖10 鄱陽湖流域未來氣候時間序列

利用M-K(Mann-Kendall)非參數(shù)統(tǒng)計法方法和小波變換分析法分析流域未來氣候的年際變化特征和突變趨勢[27-30].

對流域未來氣候進(jìn)行M-K分析. 氣溫變化方面(圖11a，c)，兩種情景下流域未來氣溫均呈上升趨勢，RCP2.6情景下未來氣溫在2020年前后發(fā)生突變，此后UF曲線超過0.05置信水平，氣溫急劇上升；RCP 8.5情景下氣溫并無明顯突變，但UF曲線自2030年起超過0.05置信水平并一直攀升，說明氣溫上升趨勢極為顯著. 降水變化方面(圖11b，d)，兩種情景下流域未來降水均呈現(xiàn)先上升后下降的趨勢，變化幅度不大，RCP2.6情景下降水變化較緩和，RCP8.5情景下降水在2075年左右存在突變，但突變點前后降水上升下降趨勢均較為平緩.

圖11 鄱陽湖流域未來氣候年際變化特征和突變趨勢

對流域未來氣候進(jìn)行小波變換分析. 氣溫變化方面(圖12a，c)，RCP2.6和RCP8.5兩種情景下流域未來氣溫變化都以56 a為第1主周期，在2010-2080年出現(xiàn)準(zhǔn)兩次“冷-暖”交替，RCP2.6情景下未來氣溫存在43 a的第2主周期，并在2006-2090年呈現(xiàn)準(zhǔn)3次“冷-暖”交替；RCP8.5情景下，流域在10～30 a時間尺度下出現(xiàn)了更明顯的局部周期變化，2006-2025年之間在15 a時間尺度下呈現(xiàn)兩次“冷-暖”交替，2070-2100年在20 a時間尺度下呈現(xiàn)兩次“冷-暖”交替. 降水變化方面(圖12b，d)，兩情景下流域未來降水變化都以56 a為第1主周期，以44 a為第2主周期，2006-2100年均存在“枯-豐”周期變化，其中第1主周期下流域在2010-2085年之間呈現(xiàn)準(zhǔn)兩次“枯-豐”交替，第2主周期下流域在2006-2090年之間呈現(xiàn)準(zhǔn)3次“枯-豐”交替，兩情景下流域降水均在28～30 a時間尺度上出現(xiàn)周期振蕩. RCP8.5情景下流域降水的局部周期變化特征更為明顯，2050-2100年在15 a時間尺度下共呈現(xiàn)5次“枯-豐”交替. 此外，兩種情景下5～30 a時間尺度的振蕩周期中心不同.

圖12 鄱陽湖流域未來氣候小波分析結(jié)果

4 討論

本研究中氣候模式經(jīng)DLDM方法降尺度后模擬極端氣候事件的空間分布與實測接近，其中極端氣溫事件主要分布在流域北部、西部和東部，極端降水事件主要分布在流域東北部、東部和南部，這與當(dāng)前學(xué)者對鄱陽湖流域極端氣候事件的研究結(jié)果一致[31-32]. 需要指出的是，本文定義的極端氣溫事件包括極高溫和極低溫事件，極端降水事件包括極端強(qiáng)降水和極端弱降水事件，分別在驗證時結(jié)合了極高、極低兩種極端事件的空間分布，結(jié)果與當(dāng)前流域內(nèi)降水空間分布的研究結(jié)果大致吻合[25].

本文基于DLDM方法降尺度后的IPSL-CM5A-LR模式預(yù)測流域未來氣候空間分布格局和時間變化特征，未來流域內(nèi)氣溫分布表現(xiàn)出4個高溫中心且隨時間進(jìn)一步加強(qiáng)，流域中北部、西部、東部和南部氣溫較高，且整體而言RCP8.5情景下流域相比于RCP2.6情景氣溫較高；降水的空間分布方面表現(xiàn)出3個降水中心，主要分布在北部、中東部和南部，RCP8.5情景相比RCP2.6情景降水更少，上述結(jié)論與嚴(yán)文武[33]、占明錦等[34]的研究結(jié)論一致. 未來氣候時間變化特征方面，氣溫方面兩種情景下流域未來均呈現(xiàn)升溫趨勢，且RCP 8.5情景下升溫趨勢更為明顯；降水方面兩種情景下流域未來降水變化均呈現(xiàn)先上升后下降的趨勢，但RCP 8.5情景降水存在突變點，變化更加明顯，這與占明錦等的結(jié)論類似. 此外，郭華等[35]的研究指出流域未來降水在50 a內(nèi)存在30 a的周期振蕩，而本文將研究范圍擴(kuò)大至2100年，得到的主周期時間尺度更大，因此兩結(jié)論大致吻合.

本文研究結(jié)果對鄱陽湖流域未來氣候變化趨勢的預(yù)測具有參考價值，但依然值得改進(jìn). 本文在驗證極端氣候事件時只采用了一組閾值，未來研究可以根據(jù)氣候?qū)W中季節(jié)、大氣環(huán)流以及地理位置等要素[25,36]定義多組閾值從而使得結(jié)論更加可靠；當(dāng)前CMIP6全球氣候模式數(shù)據(jù)已經(jīng)更新，其性能在整體上優(yōu)于CMIP5數(shù)據(jù)[37-38]，值得基于本文所提出的降尺度算法做進(jìn)一步研究.

5 總結(jié)

本文基于深度學(xué)習(xí)算法設(shè)計了CMIP5全球氣候模式空間降尺度方法，介紹了基于改進(jìn)U-Net網(wǎng)絡(luò)校正模型的DLDM方法的原理，并基于鄱陽湖流域1965-2005年氣象站實測數(shù)據(jù)對DLDM方法的性能在擬合精度和極端氣候事件的模擬能力兩方面進(jìn)行了驗證，同時對比了IPSL-CM5A-LR和BCC-CSM1.1兩氣候模式的模擬性能. 利用DLDM方法對RCP2.6和RCP8.5兩情景下IPSL-CM5A-LR氣候模式進(jìn)行空間降尺度得到2006-2100年流域高空間分辨率氣候數(shù)據(jù)，分析了流域未來氣候變化趨勢，主要結(jié)論如下：

1)DLDM方法能夠?qū)W習(xí)氣候數(shù)據(jù)的空間異質(zhì)性，在擬合精度和極端氣候事件的模擬能力方面優(yōu)于線性回歸方法. 本研究中經(jīng)DLDM方法降尺度后的IPSL-CM5A-LR模式模擬性能優(yōu)于BCC-CSM1.1模式，更適用于鄱陽湖流域氣候的模擬.

2)RCP2.6和RCP8.5兩情景下流域未來氣溫持續(xù)升高，空間分布上表現(xiàn)出4個高溫中心，位于中北部、西部、東部和南部，4個高溫中心隨時間進(jìn)一步加強(qiáng)；RCP8.5情景下流域氣溫相比于RCP2.6情景氣溫更高，且升溫趨勢更加明顯，同時在2006-2025年、2070-2100年表現(xiàn)出更為明顯的局部周期變化，兩時間范圍內(nèi)在20 a時間尺度下呈現(xiàn)兩次“冷-暖”交替.

3)RCP2.6和RCP8.5兩情景下流域未來降水均呈現(xiàn)先上升后下降的趨勢，整體變化幅度不大，空間分布上表現(xiàn)出流域北部、中東部和南部3個降水中心，RCP8.5情景相比RCP2.6情景流域降水更少且變化幅度較為明顯，在2075年左右出現(xiàn)突變并存在周期性振蕩，2050-2100年在15 a時間尺度下共呈現(xiàn)5次“枯-豐”交替.