https://iap.cas.cn/gb/xwdt/kyjz/202509/t20250916_7968792.html
气候模式模拟是研究气候变化的重要工具，为理解气候变化、制定适应性政策以及降低气候风险提供了重要依据。然而，当前气候模式的发展仍面临两个核心挑战：模式本身的系统性偏差和空间分辨率不足。模式偏差会导致全球和区域尺度上的模拟与预测出现误差，在极端天气事件的模拟中尤为明显；有限的分辨率则限制了模型对中小尺度过程（如对流、热带气旋等）的表征能力，影响了极端事件模拟和区域气候分析的可靠性。
已有一些国际计划如CORDEX通过区域降尺度方法构建高分辨率模拟，CMIP中的高分辨率比较计划则直接利用高分辨率模式生成全球数据，但这些方法均需消耗大量计算资源，并仍受模式误差的困扰。生成式模型为高分辨率气候模拟和降尺度提供了新的思路。本研究提出一种生成式降尺度模型（MVGDM），能够将全球气候模式输出从约100公里分辨率降尺度至25公里，并同时对气候偏差进行校正。将该模型应用于GFDL-ESM4模式中的三个关键变量——海表温度（SST）、2米气温（T2M）和500百帕位势高度（Z500）后，其气候态偏差分别降低了72%、79%和71%，同时较好保留了原数据中的内部变率信息，实现了分辨率提升、误差减少和内部变率保持之间的平衡（图1）。消融实验表明，模型中引入的“循环”结构是取得上述效果的关键，该结构有效避免了“模式崩溃”现象。
除了对单变量分布的校正，气候降尺度还需关注变量间联合分布与依赖结构，这些结构通常反映了气候系统的动力关系。MVGDM 显著改善了ENSO海温异常西伸过程中的暖偏差，以及IOD海温异常的空间分布偏差，较好再现了ENSO-PNA遥相关关系。相比之下，监督类深度学习模型（如AFNO）虽在某些方面表现良好，但会破坏数据一致性，导致动力模态缺失；传统统计方法（如QM）虽对单变量偏差校正有效，却难以优化多变量间的空间依赖结构（图2）。
基于该模型，研究团队生成了全球范围内25公里分辨率的日尺度历史模拟与未来气候预估数据集。该成果发表于《Geophysical Research Letters》，论文第一作者为中国科学院大气物理研究所博士研究生李海杰，通讯作者为汪亚副研究员、黄刚研究员与陶炜晨副研究员，合作作者包括林鹏飞研究员。研究得到了国家自然科学基金（42141019,92358302,42261144687,42175049,42475048，42405041）、中国计算机学会-百度松果基金和国家重大科技基础设施“地球系统数值模拟装置”（EarthLab）的资助和支持。
论文代码已开源：
https://github.com/Haijiepwd/MVGDM.git
基于本模型生成的全球25公里分辨率日尺度历史模拟与未来预估数据集：
https://doi.org/10.5281/zenodo.17119791
参考文献：
Li,H.,Wang,Y.,Huang,G.,Tao,W.,& Lin,P. (2025). Generative downscaling and bias correction of multivariable Earth system model simulations. Geophysical Research Letters,52,e2025GL117397. https://doi.org/10.1029/2025GL117397
图1. 不同模型（GFDL、MVGDM、AFNONet、QM）海表温度（SST）、2米气温（T2M）及500百帕位势高度（Z500）的气候平均态偏差展示于子图（a–l）中：（a–c）为GFDL结果，（d–f）为MVGDM结果，（g–i）为AFNONet结果，（j–l）为QM结果。
图2. 不同模型（GFDL、MVGDM、AFNONet、QM）对于联合分布依赖结构的模拟能力 | 
发表于 
