Une méthode de réduction d'échelle et de correction de biais pour les simulations d'ensemble de modèles climatiques de

Rapports scientifiques volume 13, Numéro d'article : 9412 (2023) Citer cet article

Détails des métriques

Des simulations d'ensemble de modèles climatiques sont utilisées pour évaluer l'impact du changement climatique sur les précipitations et nécessitent une réduction d'échelle à l'échelle locale. Des méthodes statistiques de réduction d'échelle ont été utilisées pour estimer les précipitations quotidiennes et mensuelles à partir de données observées et simulées. La réduction d'échelle des données de précipitations à court terme est nécessaire pour une prévision plus précise des événements de précipitations extrêmes et des catastrophes connexes au niveau régional. Dans cette étude, nous avons développé et étudié les performances d'une méthode de réduction d'échelle pour les simulations de modèles climatiques de précipitations horaires. Notre méthode a été conçue pour reconnaître les systèmes de précipitations variant dans le temps qui peuvent être représentés à la même résolution que le modèle numérique. La réduction d'échelle a amélioré l'estimation de la distribution spatiale de la fréquence horaire des précipitations, de la moyenne mensuelle et des valeurs du 99e centile. Le changement climatique dans la quantité et la fréquence des précipitations a été montré dans presque toutes les régions en utilisant les 50 moyennes d'ensemble des précipitations estimées, bien que la variabilité naturelle soit trop grande pour être comparée aux observations. Les changements dans les précipitations étaient conformes aux simulations. Par conséquent, notre méthode de réduction d'échelle a amélioré l'évaluation des caractéristiques climatiques des événements de précipitations extrêmes et a représenté de manière plus complète l'influence des facteurs locaux, tels que la topographie, qui ont été difficiles à évaluer avec les méthodes précédentes.

Des prévisions détaillées des précipitations régionales sont nécessaires pour estimer avec précision le risque de catastrophes liées à l'eau et la disponibilité des ressources en eau douce dans le cadre du changement climatique1. En raison du manque de résolution des modèles climatiques, des méthodes de réduction d'échelle dynamiques et statistiques sont utilisées pour estimer les changements des conditions météorologiques locales à l'aide des sorties des modèles climatiques2. La réduction d'échelle dynamique applique les résultats de sortie d'un modèle climatique mondial à un modèle numérique à haute résolution, ce qui nécessite une puissance de calcul importante. Les méthodes statistiques sont basées sur des régressions linéaires observées entre les précipitations et une gamme de variables atmosphériques1,2. Les méthodes statistiques sont souvent utilisées pour estimer les précipitations quotidiennes ou mensuelles à partir de données observées et simulées plutôt que pour estimer les précipitations horaires sur la base de simulations de modèles climatiques, contrairement à la méthode de réduction d'échelle dynamique. En général, les précipitations horaires sont associées à des systèmes de précipitations à méso-échelle et formées par des interactions entre des facteurs locaux, tels que la topographie et des champs atmosphériques variant dans le temps (par exemple, les précipitations orographiques)3,4. Cependant, les méthodes statistiques sont généralement incapables de reconnaître les schémas temporels détaillés dans les systèmes de précipitations et ne conviennent pas pour estimer les distributions spatiales des fréquences horaires des précipitations5,6. Sans une estimation correcte, il est difficile d'évaluer avec précision l'impact du changement climatique sur les régimes régionaux de précipitations5.

Des méthodes de downscaling utilisant le machine learning ont récemment été développées7,8,9,10,11,12,13,14,15,16,17,18,19. Ces méthodes peuvent s'adapter à des variables explicatives plus complexes et estimer les précipitations avec des niveaux de précision plus élevés. Cependant, la plupart de ces méthodes ne permettent pas d'estimer les précipitations horaires. En règle générale, il est difficile d'estimer les précipitations horaires car même une petite différence dans les champs atmosphériques peut modifier la distribution des précipitations en raison de la non-linéarité du processus de précipitation. Par conséquent, une méthode qui reconnaît les différences subtiles dans les modèles météorologiques est nécessaire pour estimer les précipitations horaires. Cela pourrait être réalisé avec des méthodes d'apprentissage automatique utilisant des sorties de modèles de prévision et des données d'observation, qui peuvent potentiellement être appliquées aux modèles climatiques. Cependant, il n'est pas clair si les schémas reconnus par les modèles de prévision sont applicables aux modèles climatiques en raison des différences de résolution et de paramètres entre ces modèles. Par conséquent, il est nécessaire d'identifier les phénomènes communs aux modèles de prédiction et climatiques et applicables aux méthodes de réduction d'échelle basées sur l'apprentissage automatique.

En général, les modèles numériques peuvent reproduire des phénomènes météorologiques à cinq à huit fois l'espacement de la grille20,21. Par exemple, un modèle avec un pas de grille ≤ 20 km peut potentiellement reproduire des phénomènes sur 100 km2. Les modèles numériques utilisés pour les prévisions météorologiques peuvent reproduire les systèmes de précipitations associés aux systèmes de basse pression, tels que les fronts chauds et froids, ainsi que les changements temporels des précipitations moyennées spatialement22,23. D'autre part, il est impossible d'éviter le biais d'estimation associé, par exemple, à une faible résolution des données1,5. Ce biais pourrait être réduit en fonction du schéma de la relation entre le système de précipitations simulé et observé6.

Dans cette étude, nous avons développé une méthode de réduction d'échelle basée sur l'apprentissage automatique qui peut réduire le biais du modèle en reconnaissant les systèmes de précipitations variant dans le temps. Notre méthode est basée sur l'hypothèse qu'un modèle avec une résolution équivalente ou supérieure peut reproduire un système de précipitations avec les mêmes caractéristiques. Par conséquent, les schémas de la relation entre la distribution des précipitations observées et simulées produites par un modèle de prévision météorologique pourraient être appliqués à d'autres modèles, tels que les modèles climatiques. Nous avons étudié les performances de la méthode en appliquant les modèles reconnus aux produits de modèles climatiques de la base de données pour la prise de décision politique pour le changement climatique futur (d4PDF)24,25. Le projet d4PDF a été entrepris pour élucider l'impact sur les caractéristiques du changement climatique, qui est basé sur un grand nombre de passages d'ensemble qui réduit l'influence de la variabilité naturelle. Dans ce projet, des simulations climatiques historiques avec des modèles climatiques mondiaux ont confirmé une tendance à la hausse de la température de 1950 à 2011, similaire aux observations. Une réduction d'échelle à l'aide d'un modèle régional de résolution de 20 km a été réalisée pour étudier en détail les caractéristiques des précipitations autour du Japon. Cependant, par rapport aux observations, il est difficile de reproduire les caractéristiques des précipitations correspondant à la topographie.

Notre approche vise en fin de compte à évaluer avec précision l'impact du changement climatique sur les précipitations locales, même si elle devrait également favoriser la prévision des catastrophes liées à l'eau et la disponibilité de l'eau douce. Dans cette étude, nous avons appliqué la méthode de réduction d'échelle par apprentissage automatique pour estimer les précipitations locales dans le sud-ouest du Japon (Fig. 1), qui a récemment connu de nombreuses catastrophes liées à l'eau en raison de fortes précipitations26,27,28. En conséquence, nous avons utilisé des données de 20 km autour du Japon en descendant à partir de 60 km ("Méthodes" et Fig. S1) et confirmé l'application du modèle de descente d'échelle dans les modèles climatiques. Le flux de travail de notre méthode est illustré à la Fig. S2.

Localité de l'étude et correction du biais de réduction d'échelle. (a) Zone requise pour les données d'entrée. (b) Zone d'évaluation (ligne pointillée) et les zones de la variable explicative (zone ombrée avec ligne pointillée grasse : 7 × 7 points de grille de simulation). (c) Structure de grille pour la réduction d'échelle de 0,18° à 0,06°. Le point de grille avec une surface au carré de 0,18° (grille centrale de la variable explicative) est divisé en neuf points de grille (grilles 3 × 3) avec une surface au carré de 0,06° (correspondant à la résolution des précipitations observées). Les précipitations aux points de grille à échelle réduite ont été estimées par la variable explicative commune. Les cartes ont été créées en utilisant python3-matplotlib (version 3.7.1, https://matplotlib.org/) et cartopy (version 0.21.1, https://scitools.org.uk/cartopy). Les données topographiques de l'US Geological Survey (USGS) (http://www.usgs.gov) et de l'Agence météorologique japonaise (JMA) ont été utilisées. Fabriqué avec de la terre naturelle. Données cartographiques vectorielles et raster gratuites @ naturalearthdata.com. (http://www.naturalearthdata.com/about/terms-of-use/).

Pour évaluer si l'hypothèse de la méthode de réduction d'échelle basée sur l'apprentissage automatique est satisfaite, nous avons appliqué les modèles de distribution des précipitations prédits par le modèle de prévision 1 (FM1, espacement de grille de 5 km) au modèle de prévision 2 (FM2, espacement de grille de 20 km) et un climat modèle (CM, d4PDF) ("Méthodes"). FM1 et FM2 sont des modèles de prévision développés par l'Agence météorologique japonaise (JMA), qui fournissent des données de prévision comprenant des valeurs analytiques comme valeurs initiales à l'aide d'un modèle non hydrostatique à résolution de 5 km et d'un modèle spectral global à résolution de 20 km, respectivement. Les données originales de FM1 ont été mises à l'échelle à 0,18° pour correspondre à la résolution de FM2 et du CM. Les données de précipitations observées, mises à l'échelle à 0,06 °, ont été utilisées comme variable objective pour l'efficacité des calculs (Fig. 1). Premièrement, la méthode d'apprentissage automatique a été utilisée pour corriger les biais dans la distribution spatiale des précipitations horaires simulées. Nous avons estimé les précipitations au cours de l'année cible en entraînant les précipitations observées et les données FM1 dans une zone de points de grille 7 × 7 centrée sur le point de grille, y compris les précipitations observées comme variables explicatives, à l'exclusion de l'année. Deuxièmement, une méthode de cartographie des quantiles a été appliquée aux estimations d'apprentissage automatique pour remédier à la sous-estimation et fournir des corrections quantitatives. Des fonctions de distribution cumulatives ont été créées à l'aide des estimations et des observations d'apprentissage automatique, à l'exception de l'année cible, et la méthode de transformation CDF a été utilisée pour estimer les précipitations au cours de l'année cible (MLQM-FM1). Pour étudier les performances des classificateurs créés avec les données FM1 mises à l'échelle, l'estimation a été répétée à l'aide des données FM2 (MLQM-FM2). Enfin, les estimations obtenues en appliquant les données de précipitations horaires du modèle climatique au discriminateur créé dans FM1 ont été appliquées au CDF créé avec les estimations d'apprentissage automatique de FM1 et des observations (MLQM-CM) (Méthodes, Figs. S1 et S2).

Nous nous sommes concentrés sur la distribution spatiale à long terme de la fréquence horaire, de la moyenne mensuelle et des valeurs au 99e centile (correspondant à l'intensité des précipitations) des précipitations horaires. Nous n'avons considéré que les événements de précipitation ≥ 1 mm h−1. Les distributions spatiales de la fréquence horaire des précipitations ont été utilisées pour vérifier les performances (correction du biais) de la méthode de réduction d'échelle basée sur l'apprentissage automatique. La valeur au 99e centile des précipitations horaires a été utilisée pour évaluer les changements dans l'intensité des événements de précipitations extrêmes. La quantité de précipitations est affectée à la fois par la fréquence et l'intensité des précipitations29.

Nous avons déterminé les variations temporelles des précipitations horaires moyennes par zone à l'aide de MLQM-FM1, MLQM-FM2 et des observations radar (OBS) dans la localité d'étude pour juillet 2008 à 2018 (Fig. S3 et "Méthodes"). Les variations temporelles de MLQM-FM1 et MLQM-FM2 ont été bien estimées par rapport à l'OBS, tandis que les estimations variaient légèrement entre les modèles. Les distributions de la fréquence horaire des précipitations, des précipitations mensuelles et des valeurs du 99e centile dans MLQM-FM1 et MLQM-FM2 étaient comparables aux distributions observées (Fig. S4). Par conséquent, la méthode de réduction d'échelle a réduit le biais d'estimation. La figure S5 montre la relation entre les distributions spatiales de la fréquence horaire des précipitations, des précipitations mensuelles et des valeurs au 99e centile des précipitations horaires entre les observations et les valeurs estimées à l'aide des méthodes d'apprentissage automatique (MLQM-FM1 et MLQM-FM2) ou des simulations dans FM1 et FM2. Bien qu'il y ait eu une légère tendance à sous-estimer, la précision des précipitations estimées (MLQM-FM1 et MLQM-FM2) a été grandement améliorée par la méthode de réduction d'échelle, ce qui suggère que la méthode peut être appliquée aux autres modèles de prévision en augmentant le produit des précipitations pour être équivalent à la résolution du modèle.

La figure 2 montre les distributions spatiales des fréquences de précipitations horaires, des précipitations mensuelles et des valeurs au 99e centile des précipitations horaires des observations, des estimations à l'aide de la méthode d'apprentissage automatique (MLQM-CM) et du modèle climatique (CM). Dans les simulations, la fréquence des précipitations avait tendance à être plus élevée dans les plaines et les zones montagneuses inférieures (Fig. 2d), alors qu'elle avait tendance à être plus élevée dans les zones montagneuses supérieures. En revanche, la distribution de fréquence estimée par la méthode d'apprentissage automatique était comparable à celle des observations (Fig. 2c). Les distributions mensuelles des précipitations présentaient des caractéristiques similaires à celles de la distribution spatiale de la fréquence horaire des précipitations, tandis que la quantité de précipitations dans les simulations était globalement sous-estimée par rapport à celles des estimations d'apprentissage automatique (Fig. 2f, h). Les distributions des valeurs au 99e centile des précipitations horaires ont été considérablement sous-estimées par le CM (Fig. 2i), tandis que la distribution spatiale des précipitations a été bien estimée par la méthode de réduction d'échelle basée sur l'apprentissage automatique (Fig. 2k). La figure S6 montre les tracés Q–Q pour la fréquence horaire des précipitations, les précipitations mensuelles et les valeurs au 99e centile des précipitations horaires entre l'OBS et MLQM-CM ou CM. Les coefficients de corrélation et les erreurs quadratiques moyennes (RMSE) dans le MLQM-CM étaient plus grands et plus petits que ceux du CM, respectivement. Ce résultat a clairement confirmé que la sortie du modèle simulé variait considérablement des observations, tandis que les précipitations estimées par notre méthode correspondaient bien à celles des observations. La figure 3 montre les diagrammes Q–Q pour les observations à 26 stations (OBS-station) sur 30 ans (1982 à 2011). Les précipitations estimées ont été sélectionnées au point de grille le plus proche de chaque station. Les coefficients de corrélation et les RMSE du MLQM-CM étaient plus grands et plus petits que ceux du CM, respectivement. Les coefficients de corrélation entre l'OBS et les précipitations estimées par le MLQM-CM pour toutes les expériences d'ensemble (ensemble de données sur 30 ans) étaient > 0,65, indiquant que la distribution à long terme des précipitations était bien estimée. Par rapport à la station OBS, les valeurs du 99e centile ont montré une diminution du coefficient de corrélation, mais les précipitations mensuelles et les fréquences ont montré des coefficients de corrélation élevés (Fig. S7).

Répartition spatiale des précipitations. a) Observations des stations météorologiques (station OBS); (b) observations radar (OBS); (c) valeurs estimées par la méthode de réduction d'échelle basée sur l'apprentissage automatique (MLQM-CM); (d) valeurs simulées par d4PDF avec une grille de 20 km (CM); (e–h) précipitations mensuelles ; et (i–l) valeurs au 99e centile des précipitations horaires. Toutes les valeurs, à l'exception de celles de l'OBS, sont associées à la période de 1982 à 2011 ; Les données de l'OBS vont de 2007 à 2018, et la fréquence a été ajustée en prolongeant la durée 2,5 fois. Les cartes ont été créées en utilisant python3-matplotlib (version 3.7.1, https://matplotlib.org/) et cartopy (version 0.21.1, https://scitools.org.uk/cartopy). Les données topographiques de l'US Geological Survey (USGS) (http://www.usgs.gov) et de l'Agence météorologique japonaise (JMA) ont été utilisées. Fabriqué avec de la terre naturelle. Données cartographiques vectorielles et raster gratuites @ naturalearthdata.com. (http://www.naturalearthdata.com/about/terms-of-use/).

Validation des précipitations estimées à l'aide des données des stations météorologiques sur 30 ans. La relation de la fréquence entre les observations à 26 stations sur 30 ans et (a) MLQM-CM et (b) CM ; (c, d) la relation associée aux précipitations mensuelles ; et (e, f) la relation des valeurs au 99e centile des précipitations horaires de 1982 à 2011.

Les 60 années de données de simulation climatique historiques d4PDF ont été divisées en 30 premières années (1952-1981) et les 30 secondes (1982-2011), et les changements dans les précipitations des valeurs climatiques ont été estimés pour chacune des 30 premières et secondes années. . Comme le montrent les simulations d4PDF, les températures ont clairement tendance à augmenter au cours des 30 dernières années par rapport aux 30 premières années, nous avons donc examiné l'impact de l'augmentation de la température au cours des 30 dernières années sur les précipitations. La figure 4 montre l'effet du changement climatique sur les précipitations en fonction des différences dans les distributions spatiales du 99e centile, de la moyenne mensuelle et de la fréquence horaire des précipitations entre les observations et 50 passages d'ensemble dans MLQM-CM et CM de 1952 à 1981 et de 1982 à 2011. Dans le cadre du changement climatique, la fréquence et la moyenne mensuelle des précipitations ont augmenté de manière significative dans presque toutes les zones, et dans environ 30 % des zones pour les valeurs du 99e centile. Cependant, l'effet du changement climatique sur les régimes de précipitations des stations OBS n'était pas clair. La variation des rapports d'incrément des observations correspondait approximativement à l'écart type de 50 ensembles du MLQM-CM et du CM. Bien que les caractéristiques quantitatives du MLQM-CM soient quelque peu différentes de celles du CM, l'ampleur des écarts-types était comparable (Fig. S8).

Effets du changement climatique sur les précipitations. Différences dans les distributions spatiales du 99e centile, de la moyenne mensuelle et de la fréquence des précipitations entre les observations et 50 passages d'ensemble dans le MLQM-CM et le CM pour la période de 1952 à 1981 et de 1982 à 2011. (a, d, g) Précipitations observées à 26 sites (OBS-station), (b, e, h) MLQM-CM, et (c, f, i) CM. Les marqueurs circulaires montrent des différences statistiquement significatives de 50 valeurs moyennes d'ensemble avec 95 intervalles de confiance (test t de Welch). Le pourcentage indique le rapport entre les grilles significativement différentes du total. Les cartes ont été créées en utilisant python3-matplotlib (version 3.7.1, https://matplotlib.org/) et cartopy (version 0.21.1, https://scitools.org.uk/cartopy). Les données topographiques de l'US Geological Survey (USGS) (http://www.usgs.gov) et de l'Agence météorologique japonaise (JMA) ont été utilisées. Fabriqué avec de la terre naturelle. Données cartographiques vectorielles et raster gratuites @ naturalearthdata.com. (http://www.naturalearthdata.com/about/terms-of-use/).

Les échelles spatiales représentatives des systèmes de précipitations estimées par notre méthode ont été estimées par les autocorrélations spatiales des précipitations horaires. La figure S9 montre le nombre total de points de grille avec des autocorrélations> 0,7, ce qui indique de fortes corrélations. Les échelles spatiales de l'OBS correspondaient bien à celles de FM1, qui étaient d'environ 30 km2 ; les échelles en FM2 et en CM correspondaient à ~ 100 km2. Les échelles spatiales du MLQM-FM1, du MLQM-FM2 et du MLQM-CM étaient légèrement plus grandes que celles du FM2 et du CM.

Les caractéristiques du système de précipitations variaient quelque peu entre les données à haute résolution (FM1) et les données à basse résolution (FM2). Pour étudier l'impact des données mises à l'échelle sur l'estimation des précipitations, nous avons répété l'analyse en utilisant les données FM2 (avec approximativement la même résolution que le CM) de 1982 à 2011 dans l'ensemble numéro 1 (Fig. S10, Tableau S1 et "Méthodes"). . La figure S11 montre la fréquence, la moyenne mensuelle et les valeurs au 99e centile des précipitations pour MLQM-CM-FM1-ENS1 et MLQM-CM-FM2-ENS1. La distribution spatiale de la fréquence horaire, de la moyenne mensuelle et des valeurs du 99e centile dans MLQM-CM-FM2-ENS1 correspondait bien à celles de MLQM-CM-FM1-ENS1 avec des coefficients de corrélation élevés (Fig. S12), bien que certaines différences quantitatives aient été observées. observé.

Par rapport à la distribution spatiale de la fréquence des précipitations et de la moyenne mensuelle, la distribution des valeurs du 99e centile variait quelque peu. Nous avons observé de nombreux endroits où les fréquences de précipitations et les moyennes mensuelles étaient faibles, mais le 99e centile était élevé. En général, le côté sous le vent des montagnes est plus susceptible de former un écoulement descendant, ce qui supprime les précipitations, tandis que les précipitations sont favorisées du côté au vent de la montagne. Considérant que la direction du vent change et que la suppression des précipitations est plus prononcée dans les contreforts des flancs de montagne sous le vent, il est raisonnable que la fréquence des précipitations soit plus faible dans les zones montagneuses. D'autre part, les fortes précipitations sont supposées être déterminées par les caractéristiques de la topographie locale, quelle que soit la fréquence des précipitations. La forte corrélation des valeurs du 99e centile entre le MLQM-CM et l'OBS suggère que cette méthode estime la suppression ou l'amélioration des précipitations à chaque emplacement en fonction du modèle de distribution spatiale des précipitations. Cependant, la corrélation des valeurs du 99e centile entre le MLQM-CM et la station OBS était relativement faible. Les caractéristiques régionales étaient si prononcées que la résolution de 5 km était insuffisante, et le nombre d'événements de fortes précipitations était faible, ce qui peut expliquer cette erreur. Cependant, il n'y a pas d'écart particulièrement important entre OBS et OBS-station (Figs. S6e et 3e), ce qui peut indiquer que le nombre de sites était trop faible pour analyser clairement l'association avec la topographie (les stations météorologiques étaient principalement situées au pied des collines). montagnes, entraînant un biais).

La distribution spatiale des précipitations était comparable aux observations pour la fréquence horaire, la moyenne mensuelle et les valeurs du 99e centile, ce qui indique que notre méthode de réduction d'échelle a estimé la variation temporelle (intensité) des précipitations locales correspondant au système de précipitations reproduit par le modèle climatique. La méthode de cartographie des quantiles est basée sur l'application de fonctions de distribution cumulatives produites par les estimations d'apprentissage automatique (à l'aide d'un modèle de prévision) et les observations pour la période de 2008 à 2018. Par conséquent, si le changement temporel (intensité) des précipitations n'est pas correctement estimé par la méthode d'apprentissage automatique, il y aura de grandes erreurs dans les caractéristiques des précipitations à long terme. La méthode est conçue pour reconnaître les modèles de précipitations en tenant compte de ses composants de base (distribution spatiale des précipitations horaires). Par conséquent, les résultats ont également montré que le modèle climatique reproduisait efficacement les caractéristiques climatiques de la fréquence et de l'ampleur des systèmes de précipitations.

La différence dans les échelles spatiales d'autocorrélation entre les modèles a indiqué que les modèles de grille de 20 km, tels que FM2 et CM, étaient moins efficaces pour reproduire les systèmes de précipitations à plus petite échelle trouvés dans les observations et FM1. Au début de l'été, des lignes de bourrasques se forment souvent dans la zone cible, provoquant de fortes pluies localisées30,31. Les lignes de grains sont formées par la convection individuelle des cumulus interagissant avec les champs atmosphériques ambiants30,31,32. Par conséquent, la prédiction correcte de la convection individuelle des cumulus permettrait la reproduction précise des lignes de grains. En revanche, les systèmes de précipitations à plus grande échelle, de l'ordre de 3 000 à 20 000 km2, qui sont représentatifs des échelles spatiales utilisées dans notre méthode (MLQM-FM1, MLQM-FM2 et MLQM-CM), se forment sous l'influence de grandes -champs atmosphériques à grande échelle, tels que les moussons, les cyclones tropicaux, les cyclones extratropicaux ou les fronts quasi-stationnaires. Les échelles spatiales des systèmes de précipitations sont équivalentes à des perturbations d'échelle méso-β et méso-α33,34 associées à des perturbations à grande échelle, qui se forment souvent au début de l'été. En d'autres termes, notre méthode reconnaît plus clairement les modèles de systèmes de précipitations plus importants associés à des perturbations à grande échelle que ceux avec de forts processus auto-générateurs, tels que les lignes de grains. L'échelle d'autocorrélation représentative de ML-FM1 suggère que si FM1 reproduit efficacement les caractéristiques des systèmes de précipitations à petite échelle, la position, le moment et l'intensité des systèmes de précipitations ne correspondent pas toujours aux observations en raison de la non-linéarité intrinsèque du système. Dans la méthode de cartographie des quantiles, les précipitations horaires locales ont été corrigées quantitativement en fonction de la variation temporelle des précipitations estimées. Considérant que la ligne de grains est formée par un système de précipitations plus important, les caractéristiques estimées des précipitations sont jugées raisonnables.

Les modèles climatiques ne peuvent pas reproduire la distribution spatiale de la fréquence des précipitations. En général, les caractéristiques des précipitations diffèrent entre les versants au vent et sous le vent des montagnes (précipitations orographiques). Avec la seule méthode de cartographie des quantiles, la fréquence horaire des précipitations correspondait aux simulations du modèle climatique, ce qui peut entraîner de grandes erreurs dans la quantité et la fréquence des précipitations6.

Le MLQM-CM a effectivement estimé les caractéristiques à long terme de la distribution spatiale de la fréquence horaire des précipitations, de la moyenne mensuelle et des valeurs du 99e centile (Figs. 2 et S6). De plus, nous n'avons observé aucune sous- ou surestimation extrême par rapport aux précipitations observées, et la quantité de précipitations estimées était comparable à celle des observations. Cela suggère que la fréquence et l'intensité des systèmes de précipitations, qui ont été reproduites par le CM à une résolution de 20 km, ont été les principaux moteurs des précipitations locales en juillet. En d'autres termes, notre méthode peut reconnaître les modèles de systèmes de précipitations sur 140 km2 et estimer la variabilité temporelle des précipitations locales avec une grande précision. Cela montre également que le modèle climatique a bien reproduit les systèmes de précipitations. La méthode ne corrige pas les biais dans le domaine de la circulation atmosphérique à grande échelle, tels que la trajectoire des tempêtes des cyclones extratropicaux, associés aux modèles climatiques. Par conséquent, l'applicabilité de la méthode dépend fortement de la capacité du modèle climatique à reproduire des perturbations à grande échelle fortement associées aux champs de circulation atmosphérique et aux précipitations locales.

Les caractéristiques de changement climatique des précipitations estimées (MLQM-CM) étaient cohérentes avec la simulation (CM), bien que la distribution spatiale des effets du changement climatique diffère considérablement. D'autre part, la variabilité naturelle était trop importante pour être comparée aux 60 dernières années d'observations (Fig. S8). Les 50 moyennes d'ensemble des estimations et des simulations ont montré des augmentations significatives de la fréquence et des moyennes mensuelles presque partout, mais les valeurs du 99e centile n'ont augmenté que dans environ 30 % de toutes les zones (figure 4). L'augmentation des précipitations extrêmes dans les modèles climatiques globaux s'explique par la relation de Clausius-Clapeyron (CC) (augmentation de 7 % par degré de réchauffement)35,36. Cependant, des études récentes ont également indiqué qu'il existe une échelle super-Clusius–Clapeyron (au-dessus de la relation CC) et une échelle sous-Clusius–Clapeyron (en dessous de la relation CC) pour les augmentations extrêmes des précipitations37,38,39. Quant à l'échelle sub-Clausius-Clapeyron, elle peut être liée au mécanisme de condensation de la vapeur d'eau en montagne37. Cependant, une investigation détaillée sera nécessaire pour prendre en compte les effets thermodynamiques complexes en montagne.

Dans la méthode QM, la fréquence des précipitations dépend fortement des valeurs simulées. S'il n'y a pas de précipitations dans la simulation, aucune correction de précipitations n'est effectuée dans QM même s'il y a des précipitations dans l'observation. Par conséquent, si les caractéristiques de distribution spatiale des précipitations diffèrent considérablement en raison de différences entre le modèle et le terrain réel, la correction peut ne pas être appropriée6,40. Notre méthode applique la méthode QM après correction de la distribution spatiale des précipitations par apprentissage automatique. Par conséquent, il peut estimer les caractéristiques des précipitations sans le problème de la méthode QM décrite ci-dessus.

En principe, les méthodes d'apprentissage automatique ne peuvent pas être appliquées à l'estimation des précipitations horaires, qui n'ont jamais été observées. De plus, plus le phénomène est rare, plus la taille de l'échantillon est petite et l'erreur d'estimation est grande, ce qui peut rendre difficile une évaluation précise. Dans cette étude, l'évaluation a été faite pour la valeur du 99e centile, mais les limites d'applicabilité peuvent varier considérablement selon les conditions. Lors d'une évaluation, il est nécessaire d'étudier les limites d'applicabilité par des comparaisons avec des données observées et simulées.

Les caractéristiques climatiques des précipitations orographiques dépendent fortement de la fréquence et de l'intensité des perturbations atmosphériques, qui sont dominées par des schémas de circulation atmosphérique à grande échelle41. Les résultats de cette étude indiquent que notre méthode peut être utilisée pour estimer efficacement les caractéristiques à long terme des précipitations horaires locales. De plus, nous nous attendons à ce que cette méthode de réduction d'échelle permette la prédiction des catastrophes liées à l'eau, telles que les inondations, en tirant parti des simulations d'ensemble des modèles climatiques (d4PDF), qui peuvent reproduire une variété de modèles d'événements extrêmes sans précédent impliquant plusieurs systèmes de précipitations. ou stagnation prolongée de grandes zones de précipitations ou de cyclones tropicaux42,43.

Cette méthode, comme la descente d'échelle dynamique, est fortement influencée par les champs atmosphériques reproduits par le modèle climatique. Par conséquent, on s'attend à ce que les estimations soient affectées par les différences de processus physiques entre les modèles climatiques, tels que les schémas de convection cumulus. Par conséquent, lors de l'application de cette méthode, il est nécessaire de sélectionner un modèle climatique avec un petit biais de champ atmosphérique à l'échelle synoptique.

Dans cette étude, nous avons développé une méthode de réduction d'échelle basée sur l'apprentissage automatique pour estimer les précipitations horaires régionales liées aux simulations de modèles climatiques en identifiant les systèmes de précipitations variant dans le temps représentés dans les modèles numériques avec une résolution de 20 km. La distribution spatiale de la fréquence horaire, de la moyenne mensuelle et de l'intensité (valeurs au 99e centile) des précipitations a été bien estimée par notre méthode en utilisant les sorties d'un modèle climatique. Nous avons également constaté que les caractéristiques climatiques des valeurs estimées correspondaient aux résultats simulés sur l'ensemble de la région. Dans l'ensemble, nous avons constaté que (1) le modèle climatique pouvait reproduire les caractéristiques climatiques du système de précipitations observé et (2) la réduction d'échelle et la correction des biais des précipitations variables dans le temps pouvaient refléter les conditions locales, telles que la topographie. Cela suggère que les caractéristiques climatiques des précipitations locales dépendent fortement du schéma de formation du système de précipitations, qui change à court terme. En conséquence, notre méthode peut être appliquée à la réduction d'échelle des modèles climatiques et peut estimer la distribution spatiale des précipitations locales à partir des sorties des modèles climatiques avec une résolution spatiale et temporelle grossière tout en tenant compte des limites du modèle. À l'avenir, nous prévoyons d'appliquer notre méthode à des projections futures et à des reconstructions climatiques à l'aide de modèles climatiques pour étudier les effets du changement climatique local et élucider ses mécanismes.

Nous avons utilisé un modèle de régression machine à vecteurs de support (SVM-SVR)44, qui a été construit comme décrit précédemment6. SVM est une méthode d'apprentissage supervisé qui utilise un sous-ensemble de l'ensemble de données pour obtenir des prédictions à partir de vecteurs de support. SVM essaie d'obtenir des résultats optimaux en trouvant l'hyperplan de marge maximale, qui est déterminé en maximisant la distance entre les vecteurs de support. Par rapport à d'autres méthodes ML, telles que les réseaux de neurones et les forêts aléatoires, SVM présente de nombreux avantages45,46,47,48. Par exemple, il a été démontré que la SVR fonctionne bien même avec un petit échantillon45. La SVM a été adoptée dans divers domaines, tels que la météorologie, l'hydrologie, la gestion des catastrophes et la gestion des ressources en eau, entre autres, et s'est avérée utile pour reconnaître les événements de précipitations rares7,49,50. La bibliothèque de machines à vecteurs de support dans le système scikit-learn (Epsilon-Support Vector Regression) dans le système scikit-learn 0.24.251. Dans la méthode SVR, nous définissons les hyperparamètres gamma, C et epsilon ; gamma spécifie la largeur du noyau de la fonction de base radiale gaussienne (RBF), tandis que C est l'erreur de contrainte pénalisante et epsilon est la largeur de la zone insensible52. La détermination de ces hyperparamètres est très importante pour améliorer la généralité de l'estimation des précipitations. Les hyperparamètres pourraient être configurés à chaque point de la méthode de réduction d'échelle ; cependant, la détermination des paramètres optimaux nécessite des ressources informatiques considérables46,53. Pour obtenir plus efficacement les hyperparamètres optimaux, nous avons appliqué les valeurs d'hyperparamètres spécifiées à toutes les cellules de la grille du domaine selon la procédure suivante : Premièrement, nous avons estimé les valeurs optimales des hyperparamètres par recherche aléatoire54 sur certains points de la grille du domaine. Les valeurs optimales de gamma, C et epsilon se sont avérées être d'environ 5 × 10–6, 10 et 0,001, respectivement. Nous avons supposé que les mêmes paramètres s'appliquaient à toutes les cellules de la grille car ils ne variaient pas beaucoup entre les points de la grille. Ensuite, nous avons étudié les performances de la méthode de réduction d'échelle dans l'estimation des précipitations sur la base des coefficients de corrélation de 49 cellules de grille, et les coefficients ont été moyennés sur toutes les 10 grilles. Premièrement, la valeur gamma optimale a été estimée en utilisant des valeurs temporaires de C (10) et epsilon (0,001). Deuxièmement, la valeur C optimale a été obtenue en utilisant la valeur gamma optimale et une valeur epsilon temporaire. Troisièmement, la valeur epsilon optimale a été obtenue en utilisant à la fois les valeurs gamma et C optimales. Enfin, le gamma optimal a été obtenu en utilisant à la fois les valeurs optimales C et epsilon. Les paramètres étaient considérés comme optimaux s'ils correspondaient aux premières estimations ou si les coefficients de corrélation ne s'amélioraient pas nettement. Les valeurs optimales de gamma, C et epsilon étaient d'environ 5 × 10–6, 10 et 0,001, respectivement. Ainsi, nous avons configuré toutes les cellules de la grille en utilisant les valeurs optimales d'hyperparamètres.

Les précipitations observées augmentées à 0,06° et les sorties de précipitations du modèle numérique à méso-échelle de l'Agence météorologique japonaise (JMA) (MSM-GPV) augmentées à 0,18° ont été utilisées comme données d'entrée. Dans cette étude, les modèles numériques de MSM-GPV22, GSM-GPV55 et d4PDF_RCM24,25 avec différentes résolutions spatiales ont été utilisés pour analyser les données d'entrée ; la résolution des variables explicatives a été maintenue à 0,18°. MSM-GPV et GSM-GPV ont été utilisés comme données de formation et de validation pour les modèles d'apprentissage automatique comme FM1 et FM2, respectivement. d4PDF_RCM a été utilisé pour la correction des biais et la réduction d'échelle des simulations du modèle climatique. La résolution spatiale des données d'observation était d'environ 1 km, mais a été augmentée à 0,06 ° pour l'efficacité des calculs. Nous avons utilisé les précipitations horaires de juillet 2007 à 2018 et effectué une formation en utilisant toutes les années à l'exception de l'année de test (Fig. S1) ; par exemple, pour estimer les précipitations pour l'année 2007, les données de 2008 à 2018 ont été utilisées pour la formation. Pour la formation, nous avons utilisé les précipitations accumulées depuis le temps d'analyse jusqu'à la première heure de toutes les 3 h (0, 3, 6, 9, 12, 15, 18 et 21 UTC) en tenant compte de la correspondance avec les précipitations observées. Pour l'inférence, nous avons utilisé des données de précipitations horaires simulées pour juillet. Nous avons évalué la performance des variables explicatives dans l'estimation des précipitations pour trouver la taille de grille optimale. Par conséquent, la distribution des précipitations dans une région de 7 × 7 points de grille (presque une zone de 140 × 140 km2) a été utilisée comme variable explicative (vecteur caractéristique), les points de grille situés au centre de la région ont été divisés en 3 × 3 points de grille, et les précipitations observées correspondantes ont été assignées comme variable objective. La méthode de réduction d'échelle basée sur l'apprentissage automatique a été appliquée à tous les points de grille observés dans la zone cible (Fig. 1). Les hyperparamètres ont été standardisés sur l'ensemble de la zone cible après avoir confirmé que la valeur estimée par une recherche aléatoire ne changeait pas dans la zone cible. De plus, des corrections de biais quantitatives ont été effectuées sur les estimations d'apprentissage automatique en appliquant la méthode de cartographie des quantiles. Une autre sortie du modèle de prévision JMA (GSM-GPV) avec une grille de 20 km a été utilisée pour vérifier les modèles de précipitations estimés par notre méthode.

La base de données pour la prise de décision politique pour le changement climatique futur (d4PDF) est un projet d'évaluation de l'impact du changement climatique24,25. Dans cette étude, nous avons utilisé d4PDF_RCM, qui est une version dynamiquement réduite du modèle climatique mondial d4PDF_GCM (résolution de 60 km) avec une résolution de 20 km dans la région du Japon. Dans les simulations climatiques historiques dans d4PDF, la température de surface de la mer, la concentration de la glace de mer et l'épaisseur de la glace de mer sont prescrites comme conditions aux limites inférieures, et les concentrations moyennes mondiales de gaz à effet de serre et les distributions tridimensionnelles de l'ozone et des aérosols sont prescrites comme forçages extérieurs. Les calculs partent de différentes valeurs initiales et de petites perturbations sont ajoutées à la glace de mer et à la SST.

Le modèle reconnu de distribution des précipitations simulé par le modèle de prévision météorologique (MSM-GPV)22 et les précipitations observées (Radar-AMeDAS)56 ont été appliqués aux précipitations horaires de d4PDF pour effectuer une correction du biais et une réduction d'échelle des précipitations. Nous avons utilisé les données de précipitations horaires de 50 expériences d'ensemble de d4PDF_RCM pour juillet 1982 à 2011 (Fig. S1). La résolution des précipitations simulées a été ajustée à 0,18° pour être cohérente avec le schéma reconnu du modèle de prévision météorologique. Les précipitations ont été estimées avec une résolution de 0,06 ° par réduction d'échelle à une grille fine (3 × 3) en utilisant les mêmes hyperparamètres et plages de caractéristiques (7 × 7 points de grille) utilisés dans le modèle de prévision météorologique. La méthode de cartographie des quantiles par transformée CDF57 a été appliquée en utilisant les précipitations observées et estimées à partir de la méthode de réduction d'échelle basée sur l'apprentissage automatique pour 2008 à 2018 et les précipitations estimées de d4PDF en utilisant le modèle reconnu.

Dans l'apprentissage automatique, la précision dépend fortement de la taille de l'échantillon, ce qui complique l'estimation des événements de fortes précipitations. Des méthodes telles que le sous-échantillonnage peuvent être utilisées pour corriger un échantillonnage déséquilibré58. Dans cette étude, une méthode de cartographie quantile (package CDFt dans R)59 a été utilisée à la place d'une méthode de sous- ou sur-échantillonnage en raison de la complexité de l'ajustement. La méthode 'CDFt' suppose qu'il existe une transformation T qui nous permet de traduire le CDF d'une variable GCM (telle que la température, les précipitations ou l'intensité du vent) en CDF représentant la variable à long terme à l'échelle locale à une station météorologique donnée . FOh correspond au CDF des données observées à la station météorologique au cours de la période d'étalonnage précédente, et FGh est le CDF qui interpole bilinéairement la sortie GCM à la station au cours de la même période. FOf et FGf sont respectivement des CDF équivalentes à FOh et FGh, mais pour des périodes futures (ou simplement différentes). En supposant que FGf est connu (ce qui peut être modélisé dans la future sortie du GCM), la transformation T peut être calculée comme :

Pour modéliser T, nous remplaçons x dans Gh dans l'Eq. (1) avec F(u), où u est [0, 1]. On obtient alors :

Ainsi, en supposant que la relation (4) reste valide, la CDF est donnée par :

Dans le package CDFt, Eq. (1) reconstruit FOf à partir de FOh, FGh et FGf, et Eq. (2) effectue une cartographie quantile à partir de FOf et FGf pour corriger Gf. En pratique, FOh, FGh et FGf sont estimés à l'aide de la fonction de distribution cumulative empirique. Cependant, la méthode CDFt est considérée comme fonctionnant correctement uniquement lorsque les valeurs observées de Oh et Gh ont une plage similaire. Dans cette étude, nous avons utilisé les valeurs de précipitations observées et simulées de 2008 à 2018 au lieu de Oh et Gh. Ensuite, au lieu de Gf, les valeurs de précipitations corrigées de d4PDF ont été estimées en appliquant les données d4PDF-org de 1952 à 2011.

Les échelles spatiales moyennes des systèmes de précipitations estimées par notre méthode de réduction d'échelle ont été estimées à l'aide de l'équation suivante pour l'autocorrélation spatiale60 :

où r est l'autocorrélation spatiale entre les points k et l, n est le nombre total de points de données de précipitations horaires et x est les données de précipitations horaires. Nous avons utilisé les données de précipitations de juillet 2008 à 2018 pour OBS, FM1, MLQM-FM1, FM2 et MLQM-FM2, tandis que l'ensemble de données sur 30 ans de 1982 à 2011 a été utilisé pour une expérience d'ensemble du CM et du MLQM-CM. .

Pour évaluer l'impact de l'utilisation de données mises à l'échelle comme variables explicatives sur les performances du modèle, une estimation des précipitations basée sur l'apprentissage automatique a été réalisée à l'aide de données GSM-GPV à la même résolution que celle des données d4PDF. Contrairement à la méthode utilisée pour la réduction d'échelle basée sur l'apprentissage automatique pour le modèle climatique, l'estimation des précipitations n'a été effectuée que pour l'ensemble de données de 1982 à 2011 de l'ensemble numéro 1. Les détails de chaque expérience sont présentés dans le tableau S1. Les expériences ont été menées en utilisant 11 années de données de 2008 à 2018, puisque l'Agence météorologique japonaise n'a commencé à fournir des données GSM-GPV qu'à partir de 2008.

Les ensembles de données de la "Base de données pour la prise de décision politique pour le changement climatique futur" (d4PDF) sont disponibles sur le système d'intégration et d'analyse des données (DIAS) (https://diasjp.net/service/d4pdf-data-download/). Les ensembles de données Radar-AMeDAS, MSM-GPV et GSM-GPV sont disponibles auprès du Japan Meteorological Business Support Center (JMBSC) (http://www.jmbsc.or.jp/en/index-e.html). Les ensembles de données de points de données de surface (SDP) de JMA sont disponibles sur le site Web de JMA (https://www.jma.go.jp/jma/indexe.html). Les autres ensembles de données utilisés et/ou analysés au cours de l'étude en cours sont disponibles auprès de l'auteur correspondant sur demande raisonnable.

Xie, SP et al. Vers une compréhension prédictive du changement climatique régional. Nat. Clim. Chang. 5, 921–930 (2015).

Annonces d'article Google Scholar

Murphy, J. Prédictions du changement climatique en Europe à l'aide de techniques de réduction d'échelle statistiques et dynamiques. Int. J. Climatol. 20, 489–501 (2000).

3.0.CO;2-6" data-track-action="article reference" href="https://doi.org/10.1002%2F%28SICI%291097-0088%28200004%2920%3A5%3C489%3A%3AAID-JOC484%3E3.0.CO%3B2-6" aria-label="Article reference 2" data-doi="10.1002/(SICI)1097-0088(200004)20:53.0.CO;2-6">Article Google Scholar

Broucke, SV, Wouters, H., Demuzere, M. & van Lipzig, NP L'influence de la modélisation climatique régionale permettant la convection sur les projections futures des précipitations extrêmes : Dépendance à la topographie et à l'échelle de temps. Clim. Dyn. 52, 5303–5324 (2019).

Article Google Scholar

Grose, MR et al. Le rôle de la topographie sur le changement prévu des précipitations dans les régions montagneuses des latitudes moyennes. Clim. Dyn. 53, 3675–3690 (2019).

Article Google Scholar

Maraun, D. et al. Vers une correction des biais basée sur les processus des simulations de changement climatique. Nat. Clim. Chang. 7, 764–773 (2017).

Article Google Scholar

Yoshikane, T. & Yoshimura, K. Une méthode de correction de biais pour les précipitations en reconnaissant les systèmes de précipitations à mésoéchelle correspondant aux conditions météorologiques. PLOS Eau. 1(5), e0000016. https://doi.org/10.1371/journal.pwat.0000016 (2022).

Article Google Scholar

Sachindra, DA, Ahmed, K., Rashid, MM, Shahid, S. & Perera, BJC Réduction d'échelle statistique des précipitations à l'aide de techniques d'apprentissage automatique. Atmos. Rés. 212, 240-258 (2018).

Article Google Scholar

Najafi, MR, Moradkhani, H. & Wherry, SA Réduction d'échelle statistique des précipitations à l'aide de l'apprentissage automatique avec sélection optimale des prédicteurs. J. Hydrol. Ing. 16, 650–664 (2011).

Article Google Scholar

Vandal, T., Kodra, E. & Ganguly, AR Intercomparaison des méthodes d'apprentissage automatique pour la réduction d'échelle statistique : le cas des précipitations quotidiennes et extrêmes. Théor. Appl. Climatol. 137, 557-570 (2019).

Annonces d'article Google Scholar

Chen, H., Guo, J., Xiong, W., Guo, S. & Xu, CY Réduction d'échelle des MCG à l'aide de la méthode de la machine à vecteur de support lisse pour prédire les précipitations quotidiennes dans le bassin de Hanjiang. Adv. Atmos. Sci. 27, 274-284 (2010).

Article Google Scholar

Nguyen-Le, D., Yamada, TJ & Tran-Anh, D. Classification et prévision des fortes pluies dans le nord de Kyushu pendant la saison Baiu à l'aide de la reconnaissance des conditions météorologiques. Atmos. Sci. Lett. 18, 324–329 (2017).

Annonces d'article Google Scholar

Ahmed, K. et al. Prédictions d'ensemble multi-modèles des précipitations et de la température à l'aide d'algorithmes d'apprentissage automatique. Atmos. Rés. 236, 104806 (2020).

Article Google Scholar

Li, H., Sheffield, J. & Wood, EF Correction du biais des précipitations mensuelles et des champs de température du panel intergouvernemental sur les modèles AR4 du changement climatique en utilisant l'appariement des quantiles équidistants. J. Geophys. Rés. Atmos. 115, D10 (2010).

Google Scholar

Ortiz-García, EG, Salcedo-Sanz, S. & Casanova-Mateo, C. Prévision précise des précipitations avec des classificateurs de vecteurs de support : une étude comprenant de nouvelles variables prédictives et des données d'observation. Atmos. Rés. 139, 128-136 (2014).

Article Google Scholar

Raje, D. & Mujumdar, PP Une comparaison de trois méthodes de réduction d'échelle des précipitations quotidiennes dans la région du Pendjab. Hydrol. Processus. 25(23), 3575–3589 (2011).

Annonces d'article Google Scholar

Wong, G. et al. Statistiques de sortie du modèle stochastique pour la correction des biais et la réduction d'échelle des précipitations, y compris les extrêmes. J.Clim. 27(18), 6940–6959 (2014).

Annonces d'article Google Scholar

Whan, K. & Schmeits, M. Comparaison des prévisions de probabilité de zone des précipitations locales (extrêmes) à l'aide de méthodes de post-traitement statistique paramétriques et d'apprentissage automatique. Lun. Météo Rév. 146(11), 3651–3673 (2018).

Annonces d'article Google Scholar

Gagne, DJ, McGovern, A. & Xue, M. Amélioration de l'apprentissage automatique des prévisions quantitatives probabilistes des précipitations d'ensemble à l'échelle de la tempête. Prévisions météorologiques. 29(4), 1024-1043 (2014).

Annonces d'article Google Scholar

Abdalla, S., Isaksen, L., Janssen, PAEM et Wedi, N. Résolution spectrale effective des modèles de prévision atmosphérique du CEPMMT. Bulletin d'information du CEPMMT. 137, 19-22 (2013).

Google Scholar

Hansen, SBK Guidance on Mesoscale Wind Mapping. Banque mondiale. 132951, 1–53 (2018).

Google Scholar

Saito, K. et al. Le modèle opérationnel à méso-échelle non hydrostatique JMA. Lun. Météo Rev. 134, 1266–1298 (2006).

Annonces d'article Google Scholar

Michalakes, J. et al. Développement d'un modèle régional de recherche et de prévision météorologique de nouvelle génération. Dans Developments in Teracomputing, 269–276 (2001).

Mizuta, R. et al. Plus de 5000 ans de simulations climatiques futures d'ensemble par des modèles atmosphériques globaux de 60 km et régionaux de 20 km. Taureau. Suis. Météore. Soc. 98, 1383–1398 (2017).

Annonces d'article Google Scholar

Fujita, M. et al. Changements de précipitations dans un climat avec réchauffement de surface 2-K à partir de simulations de grands ensembles utilisant des modèles atmosphériques globaux de 60 km et régionaux de 20 km. Géophys. Rés. Lett. 46(1), 435–442 (2019).

Annonces d'article Google Scholar

Nayak, S. & Takemi, T. Mécanismes moteurs atmosphériques des événements de précipitations extrêmes en juillet 2017 et 2018 dans l'ouest du Japon. Dyn. Atmos. Océans 93, 101186 (2021).

Article Google Scholar

Shibuya, R., Takayabu, Y. & Kamahori, H. Dynamique des événements de précipitations extrêmes généralisés et de l'environnement à grande échelle associé à l'aide des données AMeDAS et JRA-55. J.Clim. 34(22), 8955–8970 (2021).

Annonces Google Scholar

Miyajima, J. & Fujibe, F. Climatologie des précipitations extrêmes au Japon pour différentes échelles de temps. SOLA 7, 157–160 (2011).

Annonces d'article Google Scholar

Karl, TR & Knight, RW Tendances séculaires de la quantité, de la fréquence et de l'intensité des précipitations aux États-Unis. Taureau. Suis. Météore. Soc. 79, 231-242 (1998).

2.0.CO;2" data-track-action="article reference" href="https://doi.org/10.1175%2F1520-0477%281998%29079%3C0231%3ASTOPAF%3E2.0.CO%3B2" aria-label="Article reference 29" data-doi="10.1175/1520-0477(1998)0792.0.CO;2">Annonces d'article Google Scholar

Kato, T. Structure du système de précipitations en forme de bande induisant les fortes pluies observées sur le nord de Kyushu, au Japon, le 29 juin 1999. J. Meteorol. Soc. Jpn 84, 129–153 (2006).

Annonces d'article Google Scholar

Bluestein, HB, Marx, GT & Jain, MH Formation de lignes de précipitations à moyenne échelle : lignes de grains non sévères dans l'Oklahoma au printemps. Lun. Weather Rev. 115(11), 2719–2727 (1987).

2.0.CO;2" data-track-action="article reference" href="https://doi.org/10.1175%2F1520-0493%281987%29115%3C2719%3AFOMLOP%3E2.0.CO%3B2" aria-label="Article reference 31" data-doi="10.1175/1520-0493(1987)1152.0.CO;2">Annonces d'article Google Scholar

Browning, KA et al. Structure d'une tempête de grêle en évolution, partie V : synthèse et implications pour la croissance et la suppression de la grêle. Lun. Weather Rev. 104(5), 603–610 (1976).

2.0.CO;2" data-track-action="article reference" href="https://doi.org/10.1175%2F1520-0493%281976%29104%3C0603%3ASOAEHP%3E2.0.CO%3B2" aria-label="Article reference 32" data-doi="10.1175/1520-0493(1976)1042.0.CO;2">Annonces d'article Google Scholar

Ninomiya, K. Caractéristiques à grande et méso-échelle α du front Meiyu/Baiu associées à des précipitations intenses du 1er au 10 juillet 1991. J. Meteorol. Soc. Jpn II 78(2), 141–157 (2000).

Article ADS MathSciNet Google Scholar

Davidson, NE, Kurihara, K., Kato, T., Mills, G. & Puri, K. Dynamique et prédiction d'un événement de pluie extrême à méso-échelle dans le front de baiu au-dessus de Kyushu, au Japon. Lun. Weather Rev. 126(6), 1608–1629 (1998).

2.0.CO;2" data-track-action="article reference" href="https://doi.org/10.1175%2F1520-0493%281998%29126%3C1608%3ADAPOAM%3E2.0.CO%3B2" aria-label="Article reference 34" data-doi="10.1175/1520-0493(1998)1262.0.CO;2">Annonces d'article Google Scholar

Pall, P., Allen, M. & Stone, D. Test de la contrainte Clausius–Clapeyron sur les changements dans les précipitations extrêmes sous le réchauffement du CO2. Clim. Dyn. 28, 351–363 (2007).

Article Google Scholar

Allen, MR & Ingram, WJ Contraintes sur les changements futurs du climat et du cycle hydrologique. Nature 419, 224-232 (2002).

Article ADS CAS PubMed Google Scholar

Payne, AE et al. Réponses et impacts des rivières atmosphériques au changement climatique. Nat. Rev. Earth Environ. 1(3), 143–157 (2020).

Annonces d'article Google Scholar

Martinkova, M. & Kysely, J. Aperçu de la mise à l'échelle Clausius – Clapeyron observée des précipitations extrêmes aux latitudes moyennes. Atmosphère 11(8), 786 (2020).

Annonces d'article Google Scholar

Drobinski, P., Alonzo, B., Bastin, S., Silva, ND & Muller, C. Mise à l'échelle des précipitations extrêmes avec la température dans la région méditerranéenne française : qu'est-ce qui explique la forme en crochet ?. J. Geophys. Rés. Atmos. 121(7), 3100–3119 (2016).

Annonces d'article Google Scholar

Yin, G., Yoshikane, T., Yoshimura, K., Yamamoto, K. & Kubota, T. Une méthode basée sur la machine à vecteur de support pour améliorer les prévisions de précipitations horaires en temps réel au Japon. J. Hydrol. 612, 128125. https://doi.org/10.1016/j.jhydrol.2022.128125 (2022).

Article Google Scholar

Roe, GH Précipitations orographiques. Annu. Planète Terre Rev. Sci. 33(1), 645–671 (2005).

Article ADS CAS Google Scholar

Chang, J., Tanaka, T. & Tachikawa, Y. Analyse de fréquence des événements de précipitations extrêmes passés et futurs à Taïwan à l'aide de d4PDF. J.Jpn. Soc. INGENIEUR civile. B 78(2), 457–462 (2022).

Google Scholar

Ishii, M. & Mori, N. d4PDF : simulations climatiques à grand ensemble et à haute résolution pour l'évaluation des risques de réchauffement climatique. Prog Terre Planète Sci 7(1), 1–22 (2020).

Article Google Scholar

Smola, AJ & Schölkopf, B. Un tutoriel sur la régression vectorielle de support. Statistique Calcul. 14, 199–222 (2004).

Article MathSciNet Google Scholar

Al-Anazi, AF & Gates, ID Prise en charge de la régression vectorielle pour prédire la porosité et la perméabilité : effet de la taille de l'échantillon. Calcul. Géosci. 39, 64–76 (2012).

Annonces d'article Google Scholar

Cherkassky, V. & Ma, Y. Sélection pratique des paramètres SVM et estimation du bruit pour la régression SVM. Réseau neuronal. 17(1), 113–126. https://doi.org/10.1016/S0893-6080(03)00169-2 (2004).

Article PubMed MATH Google Scholar

Liu, P., Choo, KKR, Wang, L. & Huang, F. SVM ou apprentissage en profondeur ? Une étude comparative sur la classification des images de télédétection. Doux. Calcul. 21(23), 7053–7065. https://doi.org/10.1007/s00500-016-2247-2 (2017).

Article Google Scholar

Sivapragasam, C., Liong, SY & Pasha, MFK Prévision des précipitations et du ruissellement avec l'approche SSA-SVM. J. Hydroinf. 3(3), 141–152. https://doi.org/10.2166/hydro.2001.0014 (2001).

Article Google Scholar

Chen, H., Chandrasekar, V., Cifelli, R. & Xie, P. Un système d'apprentissage automatique pour l'estimation des précipitations à l'aide d'observations par satellite et par radar au sol. IEEE Trans. Géosci. Remote Sens. 58(2), 982–994 (2019).

Annonces d'article Google Scholar

Fan, J. et al. Comparaison de la machine à vecteurs de support et de l'amplification de gradient extrême pour prédire le rayonnement solaire global quotidien en utilisant la température et les précipitations dans les climats subtropicaux humides : une étude de cas en Chine. Conversations d'énergie. Gérer. 164, 102–111. https://doi.org/10.1016/j.enconman.2018.02.087 (2018).

Article Google Scholar

Pedregosa, F. et al. Scikit-learn : Apprentissage automatique en Python. J.Mach. Apprendre. Rés. 12, 2825–2830 (2011).

MathSciNet MATHGoogle Scholar

Smets, K., Verdonk, B. et Jordaan EM Évaluation des mesures de performance pour la sélection des hyperparamètres SVR. En 2007 Conférence conjointe internationale sur les réseaux de neurones. IEEE, 637–642. (2007). https://doi.org/10.1109/IJCNN.2007.4371031

Anguita, D., Ghio, A., Greco, N., Oneto, L. et Ridella, S. Sélection de modèles pour les machines à vecteurs de support : avantages et inconvénients de la théorie de l'apprentissage automatique. Dans The 2010 International Joint Conference on Neural Networks (IJCNN), Barcelone, Espagne, 1–8. (2010). https://doi.org/10.1109/IJCNN.2010.5596450

Bergstra, J. & Bengio, Y. Recherche aléatoire pour l'optimisation des hyperparamètres. J.Mach. Apprendre. Rés. 13(2), 281–305 (2012).

MathSciNet MATHGoogle Scholar

Mizuta, R. et al. Simulations climatiques mondiales à mailles de 20 km à l'aide des états climatiques moyens du modèle JMA-GSM. J. Météorol. Soc. Jpn. II 84(1), 165–185 (2006).

Annonces d'article Google Scholar

Makihara, Y., Uekiyo, N., Tabata, A. & Abe, Y. Précision des précipitations radar-AMeDAS. IEEE Trans. Commun. 79, 751–762 (1996).

Google Scholar

Lanzante, JR, Nath, MJ, Whitlock, CE, Dixon, KW et Adams-Smith, D. Évaluation et amélioration du comportement de la queue dans la méthode de réduction d'échelle par transformation de la fonction de distribution cumulative. Int. J. Climatol. 39, 2449-2460 (2019).

Article Google Scholar

Batuwita, R. & Palade, V. Méthodes d'apprentissage du déséquilibre de classe pour les machines à vecteurs de support. Dans Apprentissage déséquilibré : fondements, algorithmes et applications. 83. (2013).

Vrac, M., & Michelangeli, PA Package 'CDFt'. (2015).

Tomosugi, K. & Tsuji, Y. Une étude sur la distribution temporelle et spatiale des fortes pluies (2). Analyse des structures corrélatives à partir des données de la grande sphère des précipitations horaires. Désastre. Préc. Rés. Inst. Annu. 25(B2), 141-161 (1982).

Google Scholar

Télécharger les références

Cette étude a été soutenue par le Fonds de développement technologique et de recherche sur l'environnement S-20 de l'Agence japonaise pour la restauration et la conservation de l'environnement (JPMEERF21S12020) ; Projet de recherche sur l'environnement et les ressources aquatiques au Centre de recherche sur l'observation de la Terre, Agence japonaise d'exploration aérospatiale (JX-PSPC-533980); le Fonds de développement de la recherche et de la technologie de l'environnement (JPMEERF20222002) de l'Agence de restauration et de conservation de l'environnement fourni par le ministère de l'Environnement du Japon ; pratique avancée de la gestion des crues des bassins versants à l'aide d'un système de prévision hydrologique de surface, zone de mission « Nouveaux défis sociaux », programme JST-Mirai (JPMJMI21I6) ; Programme de Recherche Intégrée pour l'Avancement des Modèles Climatiques (TOUGOU) (JPMXD0717935457) du MEXT ; et Programme interministériel de promotion de l'innovation stratégique (SIP), Cabinet Office, gouvernement du Japon (https://www8.cao.go.jp/cstp/gaiyo/sip/). Les données GSM-GPV et MSM-GPV ont été obtenues à partir des archives des laboratoires Oki/Kanae et Kitsure-gawa de l'Institut des sciences industrielles (IIS) de l'Université de Tokyo, respectivement. Les données Radar-AMeDAS, qui ont été fournies par le JMA, sont disponibles en ligne auprès du Japan Meteorological Business Support Center (JMBSC) à l'adresse http://www.jmbsc.or.jp/en/index-e.html. Les résolutions originales des données étaient de 0,0125° horizontalement et de 0,008333° méridionalement. Les données MSM-GPV, qui ont également été fournies par le JMA, sont disponibles en ligne auprès du JMBSC à l'adresse http://www.jmbsc.or.jp/en/index-e.html. Les résolutions originales des données étaient de 0,0625° horizontalement et de 0,05° méridionalement. Les données d4PDF proviennent du site officiel de d4PDF (http://www.miroc-gcm.jp/~pub/d4PDF/index_en.html) et sont disponibles en ligne sur le système d'intégration et d'analyse de données (DIAS) à l'adresse https : //diasjp.net/fr/.

Institut des sciences industrielles, Université de Tokyo, 5-1-5, Kashiwanoha, Kashiwa-Shi, Chiba, 277-8574, Japon

Takao Yoshikane et Kei Yoshimura

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

TY a écrit le texte principal du manuscrit et TY a préparé toutes les figures. Tous les auteurs ont examiné le manuscrit.

Correspondance à Takao Yoshikane.

Les auteurs ne déclarent aucun intérêt concurrent.

Springer Nature reste neutre en ce qui concerne les revendications juridictionnelles dans les cartes publiées et les affiliations institutionnelles.

Libre accès Cet article est sous licence Creative Commons Attribution 4.0 International, qui autorise l'utilisation, le partage, l'adaptation, la distribution et la reproduction sur tout support ou format, à condition que vous accordiez le crédit approprié à l'auteur ou aux auteurs originaux et à la source, fournissez un lien vers la licence Creative Commons et indiquez si des modifications ont été apportées. Les images ou tout autre matériel de tiers dans cet article sont inclus dans la licence Creative Commons de l'article, sauf indication contraire dans une ligne de crédit au matériel. Si le matériel n'est pas inclus dans la licence Creative Commons de l'article et que votre utilisation prévue n'est pas autorisée par la réglementation légale ou dépasse l'utilisation autorisée, vous devrez obtenir l'autorisation directement du détenteur des droits d'auteur. Pour voir une copie de cette licence, visitez http://creativecommons.org/licenses/by/4.0/.

Réimpressions et autorisations

Yoshikane, T., Yoshimura, K. Une méthode de réduction d'échelle et de correction des biais pour les simulations d'ensemble de modèles climatiques de précipitations horaires à l'échelle locale. Sci Rep 13, 9412 (2023). https://doi.org/10.1038/s41598-023-36489-3

Télécharger la citation

Reçu : 18 février 2023

Accepté : 05 juin 2023

Publié: 09 juin 2023

DOI : https://doi.org/10.1038/s41598-023-36489-3

Toute personne avec qui vous partagez le lien suivant pourra lire ce contenu :

Désolé, aucun lien partageable n'est actuellement disponible pour cet article.

Fourni par l'initiative de partage de contenu Springer Nature SharedIt

En soumettant un commentaire, vous acceptez de respecter nos conditions d'utilisation et nos directives communautaires. Si vous trouvez quelque chose d'abusif ou qui ne respecte pas nos conditions ou directives, veuillez le signaler comme inapproprié.