A stochastic weather generator for multisite, multivariate climate scenarios with transient climate change
本文提出了一种可扩展的随机天气发生器，该发生器将k-最近邻重采样技术与来自CMIP6模型的瞬态气候扰动相结合，旨在为非平稳气候变化条件下的水文影响评估生成具有空间相干性的多变量气候情景。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在气候变化的背景下规划水资源，就像是在大雾中驾驶一艘航船，而地图本身也在缓慢移动。水资源管理者不仅需要知道未来可能会降多少雨，还需要了解这些降雨在几十年间将如何到来，它们将如何与升温现象相互作用，以及这些状况如何在河流流域的不同部分同时展开。挑战在于，未来并不是一个单一、固定的目的地，而是一个广阔的可能性范围。为了做好准备，科学家必须生成成千上万种合理的各种天气情景，以测试水坝、水库和供应网络是否能在最严苛的条件下生存下来。然而，创建这些情景非常困难，因为天气是复杂的。降雨和温度是相互关联的，而且一个山谷的情况往往取决于相邻山谷正在发生什么。此外，气候并非静止不动；它正在以随时间变化的方式移动、变暖和变干。传统的工具通常假设气候保持不变，或者采用简单的静态调整，这无法捕捉到这些不断演变且相互关联的风险。
为了解决这个问题，来自斯坦福大学和智利天主教大学的研究团队开发了一种用于水资源规划的、创建现实长期天气预报的新方法。他们将研究重点放在了智利中部的迈波河（Maipo River）流域，这是圣地亚哥市的关键水源，该地区已经经历了长达数十年的严重干旱。研究人员构建了一个结合了两个强大理念的系统。首先，他们使用了一种通过观察数十年历史气象记录来寻找模式的技术。该系统并非从零开始创造新的天气，而是挑选并拼接来自过去、在统计学特征上与当前情况相似的真实降雨和温度周。这确保了生成的降雨能够保持不同地点和变量之间的自然关系，例如在高海拔地区通常更冷且更湿润这一事实。其次，他们增加了一个模块，使这些历史模式能够缓慢偏移，以匹配全球气候模型所预测的变暖和变干趋势。这使得系统能够创建出感觉真实且具有连贯性的天气序列，但这些序列会逐渐向科学家预期的更热、更干燥的未来漂移。
研究人员通过为迈波流域内的 257 个不同地点生成大规模的每周天气数据，测试了他们的方法。他们创建了 108 种不同的未来情景，每种情景都代表了气候变化路径和自然天气变化的各种不同组合。当他们将这些情景输入到一个详细的河流系统计算机模型时，结果显示，他们的方法成功保留了流域内不同部分之间复杂的联系网。生成的降雨保持了正确的季节节奏以及温度与降雨之间的正确关系，即使在整体气候变暖的情况下也是如此。至关重要的是，该方法捕捉到了完整的不确定性范围，产生了比原始气候模型本身更广泛的可能结果分布，这有助于规划者看到潜在风险的全貌。
这项研究揭示了将未来视为静态快照与将其视为动态故事进行观察之间的显著差异。当研究人员将他们新的、演变中的情景与那些假设固定未来气候的旧方法进行对比时，干旱风险的差异是巨大的。在新的瞬态情景下，河流流量不仅仅是下降，而是随着时间推移呈渐进式衰减。到 2100 年末，模拟的干旱比静态模型预测的要严重得多。这是因为气温上升和降雨减少随着时间的推移产生了复合效应，使土壤干涸并减少了在春季补给河流的积雪量。研究表明，依赖静态假设可能会导致水资源管理者低估未来干旱的严重程度以及干旱变得关键的时机。通过提供一种能够生成大规模、现实且演变的集合天气数据的工具，这项研究为未来的挑战提供了更清晰、更紧迫的图景，帮助社区为一个气候不仅是不同、而且是不断变化的未来做好准备。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。