극한에 중점을 두고 일일 최대 기온에 적용된 몇 가지 분포적 다운스케일링 방법 평가

초록 통계적 다운스케일링 방법은 물리 모델이 생성한 미래 기후 변화 예측을 정제하는 데 광범위하게 사용됩니다. 구현하기 가장 간단한 방법 중 하나인 분포적 방법은 보통 다른 복잡한 접근 방식과 함께 또는 독립적으로 가장 널리 사용됩니다. 여기에서는 이전 연구를 기반으로 복잡도에 따라 광범위하게 분포된 이 클래스 내의 일곱 가지 방법의 성능을 평가합니다. 우리는 대규모 동역학 모델의 출력이 관측치와 모델 출력을 모두 위한 대리 변수로 사용되는 “완벽한 모델” 접근 방법에서 미국 본토의 일일 최대 기온을 사용합니다. 중요한 점은 이 실험 설계가 향후 고배출 기후 변화 시나리오 하에서 예상 성능을 추정할 수 있게 해준다는 것입니다. 우리는 전체 분포에서의 기술, 꼬리에서의 기술, 계절별 기술 변동 및 기후 변화 신호 재현 능력을 조사합니다. 전반적으로 보면, 대부분의 방법에서 성능 차이는 일반적으로 미미합니다. 그러나 다운스케일링 알고리즘을 정의하는 데 사용되는 철학적 패러다임의 선택은 일곱 가지 방법을 전반적인 성능이 더 좋은 그룹과 나쁜 그룹의 두 가지 클래스로 나눕니다. 특히, 편향 수정 + 변화 계수 접근 방식은 편향 수정만 사용하는 접근 방식보다 전반적으로 더 나은 성능을 보입니다. 마지막으로, 우리는 이전 작업에서 도입한 몇 가지 특별한 꼬리 처리를 평가합니다. 이는 널리 사용되는 기존 체계의 확장을 기반으로 했습니다. 우리는 우리의 꼬리 처리가 극단적인 다운스케일링을 추가적으로 향상시킨다는 것을 발견했습니다.