参考原论文：Dynamical downscaling of regional climate: A review of methods and limitations

动力降尺度（Dynamical Downscaling, DD）通过将区域气候模式（RCMs）嵌套在全球气候模式（GCMs）中来提高空间分辨率，使得气候模拟能够捕捉更精细的区域特征。

降尺度方法的三大类别

1. 传统动力降尺度（TDD, Traditional Dynamical Downscaling）

传统动力降尺度是最经典的降尺度方法，它把区域气候模式（RCM）嵌套在全球气候模式（GCM）中，并使用GCM输出作为初始和侧边界条件进行持续积分。这种方法的核心优势在于它受到物理原理的约束，能够提供完整的气候信息，包括大气动力、热力和水文循环等过程，这使得模拟结果在物理上保持一致性。

然而，TDD方法也面临着显著的挑战。最主要的问题是系统性偏差问题——由于GCM本身存在系统性偏差，这些偏差会通过边界条件传递到RCM，从而影响模拟结果的准确性。这种偏差传递机制使得即使RCM的分辨率很高，其结果仍然可能包含来自GCM的误差。此外，TDD的计算成本相当高，模拟时间长，这在实际应用中限制了其广泛使用。

2. 统计降尺度（Statistical Downscaling）

统计降尺度方法采用了完全不同的思路，它基于GCM提供的大尺度气候信息和历史观测数据之间的统计关系，以推测未来的区域或本地气候特征。这种方法的最大优点是计算效率高——由于不需要运行复杂的物理模型，只需要历史观测数据和GCM输出，因此计算量小，处理速度快。

但统计方法的局限性也很明显。首先，它无法捕捉非历史关系，即当未来气候条件超出历史观测范围时，统计关系可能失效。其次，统计降尺度具有很强的数据依赖性——它依赖于充足的历史观测数据，如果某个区域缺乏足够的观测数据，或者GCM输出与观测数据之间的关系不显著，则该方法的可靠性会大大降低。

3. 动力-统计降尺度（Hybrid Dynamical-Statistical Downscaling）

动力-统计降尺度方法试图结合前两种方法的优点，首先使用RCM进行动力降尺度，然后利用统计方法修正RCM结果或扩展GCM结果。这种混合方法的优势在于，动力降尺度可以提供物理一致的气候信息，而统计降尺度可以用于修正偏差或提高计算效率。最新研究显示，该方法可以通过利用多个GCM的集合模拟结果（ensemble downscaling outputs）来减少个体模型的不确定性，从而提高未来气候预测的可靠性。

当然，这种方法的复杂性也相应增加——由于同时涉及RCM模拟和统计分析，该方法比单独的动力或统计降尺度更加复杂。而且，它仍然需要充足的观测数据来构建统计关系，这在某些数据稀缺地区仍是一个挑战。

增强动力降尺度的四类方法

传统动力降尺度方法（TDD）的发展历程

传统动力降尺度方法由Dickinson等人（1989）开发，使用区域气候模式（RCM）嵌套在全球气候模式（GCM）中，仅覆盖有限区域。在这种方法中，RCM持续接收GCM提供的初始和侧边界条件，并进行高分辨率模拟。作为最传统的动力降尺度方法，它奠定了后续各种改进方法的基础。

伪全球变暖（PGW, Pseudo Global Warming）降尺度方法

PGW方法是专门用于研究区域气候对温室气体浓度增加响应的一种创新方法。其主要思路是在历史时期的再分析数据基础上添加GCM预测的长期气候变化趋势来修改RCM侧边界条件（LBCs）。

计算公式为：

其中，$BC_F$是未来时期的LBC，$RA_H$是历史再分析数据，$\overline{GCM_F}$和$\overline{GCM_H}$分别是GCM未来和历史的气候均值。

PGW方法的优点在于使用再分析数据作为基准，能够消除GCM偏差的影响，同时可以利用多个GCM来取平均，提高可靠性。然而，这种方法也有其固有的局限性：它假设未来的时间变化模式（如日变化、年周期、年际变化）与历史时期相同。比方说，厄尔尼诺（ENSO）本来每隔三年爆发一次，但是全球变暖可能导致厄尔尼诺（ENSO）每年都爆发，这个时间频率加快了，这就属于非线性变化，而PGW方法无法捕捉这种变化。

带有GCM偏差校正的动力降尺度

由于GCM存在系统性偏差（如温度、降水等变量的误差），这些偏差会传给嵌套在GCM内的RCM。因此，GCM偏差校正方法的发展刻不容缓。

平均偏差校正（Mean Bias Correction）

Holland等人（2010）提出了平均偏差校正方法，最初是为了解决热带气旋的低估问题。该方法的目标是消除GCM在未来时期的气候平均偏差，同时保留GCM的时间变化特征。

其中，$BC_F$是校正后的GCM数据（未来时段），$GCM_F$是未来GCM预测的气候数据，$\overline{GCM_H}$是GCM在历史时期的气候均值，$\overline{RA_H}$是历史再分析数据的气候均值，$GCM_F'$是未来GCM预测的气候异常（去掉均值）。

这种方法的优点是去除了GCM的历史均值偏差，改进了RCM的模拟结果，同时解决了PGW方法无法模拟气候变率的问题。

平均和方差偏差校正（Mean and Variance Bias Correction）

Xu和Yang（2012）开发的方法更进一步，不仅校正GCM的均值偏差，还校正方差偏差，以提高RCM对极端天气事件的模拟能力。

其中，$S_{RA \mid H}$是历史再分析数据的标准差，$S_{GCM \mid H}$是GCM历史时期的标准差。额外的比值项用于缩放GCM的未来气候异常，使其方差匹配历史再分析数据。

这种方法比Holland等（2010）的方法更进一步，不仅去除了均值偏差，还调整了GCM的时间变率，使其更加符合观测数据的特征。这使得该方法特别适用于极端天气的模拟，如极端高温、暴雨等事件。

其他偏差校正方法

三步动力降尺度方法（Three-step Dynamical Downscaling）

Hernández-Díaz等（2017）提出的三步法采用了逐步校正的策略。第一步校正海表温度（SST）和海冰偏差；第二步使用经过修正的SST和海冰数据驱动大气GCM（AGCM）；第三步用AGCM生成的大尺度气候数据驱动RCM，进行高分辨率区域模拟。

这种方法的局限在于，仅仅校正SST和海冰可能无法完全改善整个气候系统的偏差，特别是在陆地区域，其他气候要素的偏差可能仍然存在。

多模型集合（MME, Multi-Model Ensemble）偏差校正

Dai等（2017）提出了一个包含多模型集合（MME）的偏差修正方法。MME方法基于多个GCM结果的集合计算平均气候状态，从而减少个体模型的偏差：

这种集合方法的优势在于能够减少单个模型的不确定性，提供更稳健的气候预测。

带有GCM偏差修正和谱诱导的动态降尺度方法

Xu和Yang（2015）提出了一种创新方法，在GCM偏差修正（Bias Correction, BC）后，应用谱诱导（Spectral Nudging, SN）技术进行RCM集成。这种方法的独特之处在于它不仅校正偏差，还通过谱诱导技术确保RCM与大尺度强迫保持一致。

通过模拟比较，Xu和Yang（2015）发现了一个有趣的现象：当GCM和RCM具有相同符号的偏差（例如，二者都高估温度或降水）时，偏差较大；而当GCM和RCM具有相反符号的偏差（例如，一个高估、一个低估）时，误差可能较小，但这是由于错误抵消造成的，并不代表模拟结果正确。这一发现强调了系统性评估偏差来源的重要性。

不同方法的性能对比与展望

带有GCM偏差修正的动力降尺度方法通常优于TDD方法，因为它减少了GCM偏差对RCM模拟的影响。然而，所有偏差修正方法都基于一个关键假设：GCM系统性偏差是静态的，即不会随时间变化。但在实际中，GCM的偏差一般是动态变化的，这种动态特性给偏差校正带来了根本性的挑战，因此现有方法仍有一定局限性。

未来的研究方向应该着重于开发能够处理动态偏差的新方法，同时提高计算效率，使得高分辨率的区域气候模拟能够更广泛地应用于气候变化影响评估和适应策略制定中。