Bias-corrected CMIP6 global dataset improves dynamical downscaling projection of future climate

Китайские исследователи разработали новый метод коррекции систематических ошибок глобальных климатических моделей (GCM) и создали на его основе глобальный набор данных для повышения точности регионального климатического прогнозирования. Метод использует нелинейный долгосрочный тренд от ансамбля из 18 моделей CMIP6, чтобы снизить неопределённость прогноза от одной модели, и корректирует как средние значения, так и дисперсию на основе реанализа ERA5.

Этот подход позволяет получать более качественные исходные данные для динамического масштабирования — ключевого метода получения детальной климатической информации для изучения экстремальных погодных явлений. Традиционно точность таких региональных прогнозов снижалась из-за ошибок в глобальных моделях, чьё типичное разрешение около 100 км недостаточно для учёта рельефа и локальных процессов.

Созданный набор данных с разрешением 1.25° включает три приземные и восемь высотных переменных. Он охватывает исторический период (1979–2014 гг.) и будущие сценарии SSP245 и SSP585 (2015–2100 гг.). По словам ведущего автора исследования доктора Сюй Чжунфэна из Института физики атмосферы КАН, скорректированные данные имеют значительно более высокое качество, чем отдельные модели CMIP6, и могут служить надёжной основой для прогнозов в области климата, гидрологии, сельского хозяйства и ветроэнергетики.