在全球气候变化研究中，大气环流模式（GCM）虽能有效模拟大尺度气候系统演变，但其输出通常具有百公里以上的粗分辨率（>100 km），难以捕捉地形、土地利用和局地环流等关键细节，因而无法直接支撑流域水文模拟、城市热岛分析、基础设施韧性评估或生态灾害预警等精细尺度（<10 km）的应用需求。为弥合这一“尺度鸿沟”，统计降尺度（Empirical Statistical Downscaling, ESD）技术应运而生，成为连接全球气候信号与区域气候响应的重要桥梁。
本内容从传统统计方法到现代人工智能驱动的降尺度全流程。内容由浅入深，依次涵盖：高精度空间插值方法及其对极端事件（如暴雨峰值）的保真能力评估；基于物理机制的多元回归、典型相关分析（CCA）与环流类比法等统计建模策略；可生成长期日尺度气象序列的随机天气发生器（WGEN）；面向未来情景的偏差校正技术（如分位数映射 QM 与趋势保持型 QDM）；以及融合多源物理因子与时空特征的机器学习降尺度模型（如 XGBoost、LightGBM）。
专题一、数据的空间变换与插值
1. 降尺度导论
1.1 尺度不匹配的物理本质
GCM (>100km) 与流域/城市 (<10km) 的尺度鸿沟
动力(RCM) vs 统计(ESD)：物理完备性与计算成本的权衡
2. 格点转站点 (Downscaling)
2.1 最近邻法 (Nearest Neighbor)
缺陷：山区“阶梯效应”与海拔误差
2.2 双线性插值 (Bilinear)
平滑效应：为何插值削弱暴雨峰值导致灾害低估
3. 站点转格点 (Interpolation)
3.1 反距离加权 (IDW)
距离衰减幂指数选择与“牛眼”现象
3.2 薄板样条 (TPS/ANUSPLIN)
引入协变量 (DEM) 模拟“气温直减率”
4. 案例实操：
4.1数据读取与可视化
读取 CMIP6 NetCDF，可视化粗网格数据
4.2插值对比实验
分别用最近邻和双线性提取某点数据，对比二者在极端降水日的误差
4.3高阶空间插值
基于中国东部站点 + DEM 数据，利用 TPS 生成 1km 高分辨率气温场，并与 IDW 结果做差值图对比
专题二、模型评估与极端指数
1. 综合统计指标
1.1 基础指标：RMSE (对异常值敏感) vs MAE, Bias vs PBIAS
1.2 泰勒图 (Taylor Diagram)：极坐标系中同时展示 R、STD、RMSE
2. 降水与风的评估
2.1 降水探测：混淆矩阵、POD (命中率)、FAR (虚警率)
2.2 风速分布：Weibull 分布拟合
3. 极端气候指数 (ETCCDI)
3.1 核心指数：Rx5day (洪涝)、R95p (强降水占比)、CDD (干旱持续日数)
3.2 趋势分析：Mann-Kendall 检验
4. 案例实操：
4.1评估工具开发
编写 evaluate_model(obs, sim) 函数
4.2泰勒图绘制
评估多个 CMIP6 模式性能，筛选最优模式
4.3极端指数计算
使用 xclim 库批量计算 27 个核心指数，并分析历史期 Rx5day 的年际变化趋势
专题三、建立物理联系 (回归/CCA/类比)
1. 多元线性回归
1.1 预测因子筛选：逐步回归 (Stepwise AIC/BIC) 与 多重共线性 (VIF)
1.2 方差膨胀：解决回归导致的“极值削弱”问题 (Variance Inflation)
2. 典型相关分析 (CCA)
2.1 降维与场相关：EOF/PCA 提取环流主模态
2.2 CCA 原理：寻找大尺度场与局地要素场相关性最大的线性组合
3. 相似形法 (Analog Methods)
3.1 构造相似形：在历史库中寻找与当日环流最相似的日子 (“历史重演”)
3.2 流型识别：Lamb 环流分型在降水预测中的应用
4. 案例实操
4.1回归建模
利用 ERA5 位势高度/温度建立气温回归模型，并进行方差修正
4.2 EOF 与 CCA 实战
使用 eofs 库提取 500hPa 高度场模态；建立大尺度场与区域多站点的 CCA 映射
4.3相似日搜索算法
针对某次高温过程，在过去30年中找出环流最相似的 5 天，作为集合预测依据
专题四、随机模型 (天气发生器)
1. 降水发生器 (WGEN核心)
1.1 状态模拟 (Occurrence)：一阶/二阶马尔可夫链 (Markov Chain)，计算干湿转移概率
1.2 强度模拟 (Intensity)：Gamma 分布或混合指数分布拟合
2. 非降水变量
2.1气温/辐射：基于降水状态的条件残差模型 (Richardson type)
3. 气候变化情景生成
3.1修改统计参数 (Change Factors) 驱动发生器生成未来长序列
4. 案例实操
4.1马尔可夫链手写
计算某站 30 年数据的降水转移概率矩阵
4.2蒙特卡洛模拟
基于概率矩阵，随机生成 100 年日降水状态序列
4.3模型验证
对比生成序列与观测序列的干旱特征 (CDD) 和降水概率密度曲线 (PDF)
专题五、偏差校正技术(QM & QDM)
1. 基础校正
1.1 线性缩放 (Linear Scaling)：仅修正均值
1.2 局地强度缩放 (LOCI)：修正 GCM 的“毛毛雨”频率偏差
2. 分位数映射 (Quantile Mapping)
2.1 CDF 匹配原理：强制模拟分布与观测一致
2.2 非参数与参数法：经验分位数表 vs Gamma 分布映射
3. 趋势保持校正 (QDM)
3.1 QM 的气候缺陷：直接 QM 会抹杀未来的极端增温/增雨信号
3.2 QDM 算法：(1)提取趋势 -> (2)校正历史 -> (3)叠加趋势
4. 案例实操
4.1基础校正练习
实现 Linear Scaling，观察其无法修正方差的局限性
4.2 QM 代码实现
编写经验分位数映射代码，修正 GCM 数据的 PDF
4.3 QDM 实验
在 SSP5-8.5 情景下，对比普通 QM (丢失增幅) 与 QDM (保留增幅) 在 2050 年极端降水预估上的巨大差异
专题六、机器学习降尺度
1. 特征工程 (Feature Engineering)
1.1物理因子：比湿、涡度、散度、风切变
1.2时空特征：DOY (年积日)、经纬度、海拔、地形坡向
2. 表格类模型 (Station-based)
2.1算法：Random Forest / XGBoost / LightGBM
3. 案例实操
3.1数据集构建
利用 xarray 对齐 ERA5 (特征) 和 站点观测 (标签)
3.2 XGBoost 建模
训练气温降尺度模型，使用 GridSearchCV 调优，并计算特征重要性 (Feature Importance)
