黄河中游地区位于温带半干旱和半湿润气候的过渡带，其气候系统敏感，生态环境脆弱，水土流失严重，区域的极端降水事件易导致滑坡、崩塌、泥石流等自然地质灾害。然而，由于缺乏历史时期及未来情景下精确的高分辨率降水数据，限制了人们对气候变化造成流域尺度环境的影响评估，特别是对极端降水事件的影响评估。

最近，中国科学院地球环境研究所气候变化集成-模拟-同化-预测团队（CLIMAP）联合西安石油大学计算机学院人工智能团队，设计了一个基于残差密集块的卷积神经网络模型（RRDBNet，见图1），用于黄河中游地区降水的统计降尺度研究；并将该RRDBNet模型与广义线性回归模型，及两个流行的深度学习模型进行对比研究。我们的研究结果表明，所提出的RRDBNet模型在流域尺度降水降尺度模拟中具有良好的性能，可以很好地再现高分辨率降水的时空特征。相对于广义线性回归模型，RRDBNet模型将年平均降水量的均方根误差降低了19%，并将皮尔逊相关系数提高了6%（图2）。值得指出的是，相对于广义线性回归模型，该模型将极端降水指数R95p（R99p）的均方根误差降低了58%（79%），皮尔逊相关系数提高了38%（145%）。对于日降水的概率密度函数，进一步证明RRDBNet模型在极端降水频率方面模拟效果更好。

综上，我们的研究结果表明基于RRDBNet的人工智能模型可能是进行流域尺度气候降尺度的有效工具之一，可为黄河流域未来百年气候变化预测/预估提供强有力的技术支撑。

该成果发表在国际学术期刊Quarterly Journal of the Royal Meteorological Society上。该研究得到了国家自然科学基金（42221003）和中国科学院战略性先导专项项目（XDB40030100）的联合资助。

全文详见:Fu, H., Guo, J., Deng, C., Liu, H., Wu, J., Shi, Z., Wang, C.*, Xie, X.* (2024). Deep-learning-based downscaling of precipitation in the middle reaches of the Yellow River using residual-based CNNs. Quarterly Journal of the Royal Meteorological Society, 150: 3290-3304.

文章链接：https://doi.org/10.1002/qj.4759

图1, 基于残差密集块的卷积神经网络模型 (RRDBNet)

图2, 人工智能模型模拟（a）平均降水量的均方根误差，（b）皮尔逊相关系数，以及（c）第95百分位降水百分比偏差的箱图