编辑推荐：
研究人员为获取高分辨率气候数据，开发 1km 分辨率逐月气候数据集，为相关研究提供支撑。
# 中国 1km 分辨率逐月历史与未来气候变化数据集：气候研究的新利器
在全球气候变化的大背景下，气候数据对于研究气候变化的影响至关重要。温度、降水、辐射等基础气候变量，以及由它们衍生出的生物气候变量，广泛应用于气象学、水文学、农业和生态学等多个领域。高分辨率的气候数据能捕捉到细微的气候变化，帮助人们更好地理解气候变化对自然和社会系统的深远影响。
然而，获取高分辨率的气候数据并非易事。中国地域辽阔，地形多样，气候系统复杂，气象站点分布不均且数量有限，使得长期观测数据存在不足，这严重限制了对中国长期气候变化及其影响的研究。
为了解决这些问题，浙江师范大学生命科学学院的研究人员开展了一项旨在构建高精度、长时间跨度气候数据集的研究。他们利用最新发布的 1991 - 2020 年气象记录和更新的通用循环模型（GCMs），借助 ANUSPLIN 软件、Delta 校正（DC）降尺度和三次样条重采样方法，建立了一个 30 年平均的 0.01°（≈1km）分辨率的数据集，该研究成果发表在《Scientific Data》上。
研究方法
研究人员使用了多种关键技术方法来完成数据集的构建。首先是数据采集，历史观测数据集基于 2185 个气象站 1991 - 2020 年的观测记录，选取了月降水量（pr）、平均气温（tas）、最低气温（tasmin）、最高气温（tasmax）和平均日照百分比（sunp）等 5 个基本变量；GCMs 则选取了 9 个模型在 3 种共享社会经济路径（SSP1 - 2.6、SSP2 - 4.5 和 SSP5 - 8.5）下的历史模拟（1951 - 1980，1991 - 1994）和未来预测（2021 - 2040，2041 - 2070，2071 - 2100）数据。
然后通过 ANUSPLIN 软件对历史观测数据进行插值，将其转换为高分辨率的表面数据，并基于插值后的 5 个基本变量计算出 23 个生物气候变量。对于 GCMs 数据，采用 DC 降尺度方法进行偏差校正，通过计算历史模拟与未来情景之间的异常值，将其重采样到与历史观测数据相同的分辨率，再应用到高分辨率的历史观测数据上，得到降尺度后的未来气候数据。
研究结果
- 数据集构成：该数据集包含 1991 - 2020 年的历史数据，以及 10 个模型（9 个 GCMs 和 1 个集合模型）、3 种 SSP 情景和 3 个未来时期（2021 - 2040，2041 - 2070，2071 - 2100）的偏差校正后的数据，涵盖了 5 个基本气候变量和 23 个生物气候变量。
- 数据准确性评估：ANUSPLIN 插值结果显示，其与观测记录趋势相似，且各项评估指标（RMSE、MAE 和 R2）表现良好，表明插值表面可靠。DC 方法有效改变了基本变量的区域和季节分布，提高了 GCMs 数据的分辨率和准确性，校正了部分极端变量的偏差，集合模型进一步提升了 DC 方法的性能。
- 与其他数据集对比：与其他气候产品相比，该数据集提供了更多变量，与气象记录的拟合度更好，尤其在极端变量和日照百分比方面表现突出。尽管不同数据集因情景和 GCMs 选择不同而存在差异，但该数据集基于更多气象站建立，准确性更高。
研究结论与意义
这项研究成功构建了一个 1km 分辨率的逐月历史与未来气候变化数据集，为生态和气候影响研究提供了高分辨率、偏差校正后的长期平均气候数据。该数据集有助于研究气候与物种、种群、群落和生态系统之间的关系，分析气候变化对物种分布、生态系统模式和功能的影响。同时，研究人员也指出，尽管数据集具有较高的可靠性，但在分析极端气候变化和年际变化时仍需谨慎使用。随着更多观测数据的收集和 GCMs 的不断改进，未来的气候数据将更加精确，为各领域的相关研究提供更有力的支持。
总之，该研究成果为中国气候变化研究提供了重要的数据基础，推动了相关领域对气候变化影响的深入理解，在气候研究领域具有重要的科学价值和应用意义。
