返回
A spatial context-aware model for climate model data fusion
DOI:10.1080/17538947.2025.2509099.png)
摘要
En 中文
获取更准确的气候模型数据对于开展精确的区域气候研究至关重要。大多数研究使用线性加权方法或单个机器学习模型融合多个气候模型数据集以降低不确定性。然而,这些方法在全球范围内使用相同的模型,并忽略了各种气候模型的局部特性。本研究开发了一种空间上下文感知融合(SCAF)模型,通过在不同空间位置构建不同的模型来融合多源气候数据,捕捉局部气候特征并增强气候数据的区域适用性。开发的SCAF模型在融合黄河上游22个CMIP6气候模型的辐射数据时得到实施。结果表明,SCAF能够有效融合区域辐射数据,且融合数据与观测数据之间的相关系数在任何空间位置均高于0.95。因此,SCAF可以通过空间局部建模有效捕捉区域气候特征。此外,未来辐射趋势分析显示,辐射下降速率随着情景模型的增强而加速,下降幅度在每十年0.123至0.7771 W/m²之间。该模型展现出显著优势,并具有广泛潜力以有效融合区域气候模型。
Keyword:
Spatial context-aware model
climate change
climate model data fusion
radiation
期刊
IF:
4.9
论文数:
2.0K
被引数:
4.7K
机构
引用论文
Foreseeing the spatio-temporal offshore wind energy potential of India using a differential weighted ensemble created using CMIP6 datasets利用CMIP6数据集创建的差分加权集合来预测印度的时空海上风能潜力
Climate model projections from the Scenario Model Intercomparison Project (ScenarioMIP) of CMIP6来自CMIP6的情景模型比对项目 (scenaromip) 的气候模型预测
Future changes of global Annual and Seasonal Wind-Energy Production in CMIP6 projections considering air density variation考虑空气密度变化的CMIP6预测中全球年度和季节性风能生产的未来变化
ENERGY
IF9.4

