学术研究报告：基于深度学习的CMIP6模型温度预测优化研究
作者及发表信息
本研究由Sambasivarao Velivelli（Koneru Lakshmaiah教育基金会大气科学中心）、G. Ch. Satyanarayana（同机构）及P. V. V. Kishore（Koneru Lakshmaiah教育基金会电子与通信工程系）合作完成，发表于期刊《Natural Hazards》2025年第121卷，文章标题为《Enhancing Global CMIP6 Model Temperature Predictions Using Deep Learning Neural Networks》。
学术背景
科学领域与问题
本研究属于气候建模与人工智能交叉领域，聚焦于提升全球气候模型（CMIP6）对印度安得拉邦（Andhra Pradesh, AP）极端地表气温（Surface Air Temperature, SAT）的预测精度。气候变暖背景下，印度次大陆的极端高温事件频发，安得拉邦因地理位置成为热浪重灾区（如2015年热浪导致2320人死亡）。传统CMIP6模型在模拟区域温度时存在显著偏差（如空间分辨率不足、极端事件捕捉能力弱），而人工神经网络（Artificial Neural Networks, ANNs）因其非线性建模优势，有望弥补这一缺陷。
研究目标
1. 评估浅层（Shallow ANN, SANN）与深层人工神经网络（Deep ANN, DANN）对安得拉邦1981–2022年3–5月（MAM季节）最高SAT的预测性能；
2. 筛选最优CMIP6模型组合，优化区域气候预测；
3. 对比传统多模型平均（Multi-Model Mean, MMM）与深度学习方法的性能差异。
研究方法与流程
1. 数据准备与预处理
- 数据来源：
- 输入数据：NASA的NEX-GDDP-CMIP6数据集（27个CMIP6模型，空间分辨率0.25°×0.25°）；
- 目标数据：印度气象部门（IMD）的网格化SAT观测数据（1.0°×1.0°，经双线性插值降尺度至0.25°）。
- 预处理：
- 异常值剔除：采用±3σ（标准差）过滤；
- 缺失值填补：逆距离加权法（Inverse Distance Weighting, IDW），基于气象数据空间自相关特性，权重与距离成反比（公式1）。
2. CMIP6模型筛选
通过标准化回归系数（b*）分析，剔除贡献为负的模型（如GFDL-ESM4、CNRM-ESM2-1），最终保留23个模型。
3. ANN模型设计与训练
- 架构：
- SANN：2个隐藏层（64–256神经元/层），Leaky ReLU激活函数；
- DANN：5个隐藏层，相同激活函数，输出层为线性激活。
- 训练：
- 数据划分：80%训练、10%验证、10%测试；
- 优化器：Adam（学习率0.001，动态衰减）；
- 损失函数：均方误差（MSE）；
- 硬件：NVIDIA A4000 GPU（TensorFlow 2.5框架）。
4. 性能评估指标
包括偏差（Bias）、平均绝对误差（MAE）、相关系数（CC）、一致性指数（IOA）、均方根误差（RMSE）、标准差（Stdev）及95%置信区间（CI）宽度。
主要结果
1. 模型性能对比
- 最优组合：DANN_Group-5（含GFDL-CM4_GR2、NorESM2-MM等6个CMIP6模型）表现最佳，RMSE=0.46°C，CC=0.98，Bias仅±0.25°C；
- 传统模型局限：MMM_Group-5的Bias达−4°C，且CI宽度较宽（±1.0°C），表明多模型平均平滑了极端温度信号。
2. 空间与时间分析
- 空间分布：DANN成功捕捉安得拉邦西部Rayalaseema地区的高温热点（≥39°C），而MMM低估该区域温度（图7）；
- 时间序列：DANN准确复现1981–2022年MAM季节的年际变率，尤其在2015年极端热浪事件中误差最小（图4）。
3. 不确定性量化
DANN的CI宽度普遍低于±0.25°C，显著优于MMM（±1.0°C），证明深度学习可降低模型不确定性（图8）。
结论与价值
科学意义
1. 首次将DANN应用于CMIP6模型的区域温度降尺度，证明其优于传统统计方法；
2. 揭示了CMIP6模型在印度次大陆的温度模拟偏差，为模型改进提供靶点。
应用价值
1. 为安得拉邦高温预警系统提供高分辨率预测工具；
2. 方法论可推广至其他气候变量（如降水、湿度）及地区。
未来方向
1. 引入更多气候变量（如风速、气压）以增强模型物理一致性；
2. 开发可解释AI（XAI）技术（如SHAP值）解析模型决策机制。
研究亮点
1. 方法创新：结合CMIP6多模型集成与DANN，实现“动态优化”而非静态平均；
2. 技术突破：提出基于b*系数的CMIP6模型筛选流程，提升输入数据质量；
3. 应用潜力：模型在极端事件预测中的鲁棒性，为气候适应政策提供科学支撑。
其他发现
- 研究指出，CMIP6模型对最低温度的模拟优于最高温度，与印度地区昼夜温差大的气候特征相关（Rahman & Pekkat, 2024）。