天津市水资源与水环境重点实验室沙健课题组近日在国际权威学术期刊Climate Dynamics上发表题为"A spatial weather generator based on conditional deep convolution generative adversarial nets (cDCGAN)"的研究论文。该研究首次提出了一种基于条件深度卷积生成对抗网络(cDCGAN)的创新性空间天气发生器模型，可用于将全球气候模式(GCM)的低分辨率输出降尺度到区域尺度的高分辨率天气数据，为定量评估未来气候变化的区域影响提供关键技术支撑。

传统的GCM降尺度方法存在不确定性分析能力不足的问题，难以充分揭示区域尺度气候变化的时空分异特征。针对这一挑战，研究团队提出了一种新颖的cDCGAN机器学习架构，利用卷积与反卷积神经网络构建生成器和判别器，并将GCM网格值作为条件变量引入，通过迭代生成多个可能的区域天气分布，据此评估模型输出的不确定性(如图1)。该模型克服了传统方法的局限性，对GCM降尺度不确定性分析具有创新意义。

图1 CDCGAN天气发生器模型架构

研究团队选取中国东北冷区、东部温带区、东南沿海亚热带区和西北高原区四个典型区域开展案例研究。利用cDCGAN模型，基于BCC-CSM2-MR全球气候模式输出，生成了2025-2100年四种共享社会经济路径(SSP)情景下典型区域的逐日高分辨率温度数据产品。通过系列测试统计和空间分析，证实了cDCGAN模型具有较高的精度和较小的不确定性，尤其在低海拔平原、热带地区等气候条件相对稳定的区域表现出色。生成的高时空分辨率区域气候数据可直接应用于当地农业、水文、生态等领域的影响评估模型，为未来适应性管理提供更加精准的情景模拟。该研究为评估气候变化的区域影响提供了新思路和新方法，有望成为环境管理决策支持的有力工具。

该研究得到国家重点研发计划项目(2022YFC3202701)资助，由天津师范大学和清华大学的科研人员合作完成。论文第一作者为天津师范大学沙健助理研究员，通讯作者为天津师范大学李雪副研究员，天津师范大学为第一完成单位。

论文链接:https://doi.org/10.1007/s00382-023-06971-9