使用可适应随机森林的降水空间缩减

本文介绍了Prec-DWARF（使用可适应随机森林的降水缩减），这是一种基于机器学习的降水统计缩减的新方法。Prec-DWARF建立了细分辨率降水与粗细分辨率协变量之间的非线性关系，基于先进的二叉树方法——随机森林（RF）。除了单个RF外，我们还考虑了基于两个独立RF的更先进的实现，这对极端降水产生更好的结果。使用NLDAS-2的0.125°小时雨量计-雷达降水数据进行了不同空间分辨率（0.25°、0.5°和1°）的合成实验。对这些实验的定量评估表明，Prec-DWARF始终优于基线（即在这种情况下的双线性插值），并且可以合理再现观测降水场的空间和时间模式、发生及分布。然而，使用单个RF的Prec-DWARF显著低估降水极值，且往往无法正确恢复细尺度空间结构，特别是在1°实验中。使用双RF的Prec-DWARF在极端降水以及其空间和时间结构的模拟中表现出改善，但变差函数分析显示，缩减后的场的空间和时间变异性仍被严重低估。协变量重要性分析表明，降水缩减的最重要预测因子是邻近网格单元的粗尺度降水值以及到最近干燥网格单元的距离（即干燥漂移）。令人鼓舞的结果展示了Prec-DWARF和基于机器学习的技术在降水统计缩减中的潜力。