Selection of CMIP6 Models for Regional Precipitation Projection and Climate Change Assessment in the Jhelum and Chenab River Basins

📄 arXiv: 2602.13181v1 📥 PDF

作者: Saad Ahmed Jamal, Ammara Nusrat, Muhammad Azmat, Muhammad Osama Nusrat

分类: physics.ao-ph, cs.LG

发布日期: 2026-02-13

备注: 28 pages

💡 一句话要点

提出基于机器学习的GCM选择方法以改善水资源管理

🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)

关键词: 气候模型 水资源管理 机器学习 气候变化 极端气候 CMIP6 模型选择 区域降水预测

📋 核心要点

  1. 现有的气候模型在水资源管理中的应用存在显著的不确定性，导致流量预测的准确性不足。
  2. 本研究提出了一种基于机器学习的信封方法，能够在没有现场数据的情况下选择适合的GCM。
  3. 通过对CMIP5和CMIP6的比较，研究发现两者在降水预测上没有显著差异，强调了模型选择的重要性。

📝 摘要（中文）

有效的水资源管理依赖于对水道流量的准确预测。不同的全球气候模型（GCM）在气候数据的预测中可能产生截然不同的结果。本研究首次针对CMIP6的共享社会经济路径（SSP）场景数据进行了GCM选择，采用基于信封的方法，结合机器学习技术，无需现场参考数据。研究还探讨了气候变化对SSP场景的影响，并计算了极端指数。结果显示，NorESM2 LM和FGOALS g3被选为Jhelum和Chenab河流域的模型，并通过空间图突出显示了受气候变化影响的高脆弱性区域。

🔬 方法详解

问题定义：本研究旨在解决不同全球气候模型（GCM）在水资源管理中的选择问题，现有方法往往依赖于现场数据，限制了模型的应用范围。

核心思路：论文提出了一种基于信封的选择方法，结合机器学习技术，能够在缺乏现场参考数据的情况下有效选择GCM，从而提高气候变化影响研究的准确性。

技术框架：整体架构包括数据收集、模型选择、气候变化影响分析和结果可视化四个主要模块。首先收集CMIP6数据，然后应用机器学习算法进行模型选择，最后分析气候变化对水资源的影响并生成空间图。

关键创新：本研究的主要创新在于首次将机器学习技术应用于CMIP6模型的选择，打破了传统方法对现场数据的依赖，提升了模型选择的灵活性和准确性。

关键设计：在模型选择过程中，采用了多种机器学习算法进行比较，设置了不同的参数以优化选择过程，确保所选模型能够准确反映气候变化的影响。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

研究结果表明，NorESM2 LM和FGOALS g3是Jhelum和Chenab河流域的最佳选择。通过空间图展示了气候变化影响下的高脆弱性区域，涵盖了旁遮普、查谟和克什米尔部分地区。与CMIP5相比，CMIP6在降水预测上未显示出显著差异，强调了模型选择的重要性。

🎯 应用场景

该研究的结果可广泛应用于水资源管理、气候变化评估和环境政策制定等领域。通过准确选择气候模型，决策者可以更有效地应对气候变化带来的挑战，优化水资源的配置与管理，提升区域的气候适应能力。

📄 摘要（原文）

Effective water resource management depends on accurate projections of flows in water channels. For projected climate data, use of different General Circulation Models (GCM) simulates contrasting results. This study shows selection of GCM for the latest generation CMIP6 for hydroclimate change impact studies. Envelope based method was used for the selection, which includes components based on machine learning techniques, allowing the selection of GCMs without the need for in-situ reference data. According to our knowledge, for the first time, such a comparison was performed for the CMIP6 Shared Socioeconomic Pathway (SSP) scenarios data. In addition, the effect of climate change under SSP scenarios was studied, along with the calculation of extreme indices. Finally, GCMs were compared to quantify spatiotemporal differences between CMIP5 and CMIP6 data. Results provide NorESM2 LM, FGOALS g3 as selected models for the Jhelum and Chenab River. Highly vulnerable regions under the effect of climate change were highlighted through spatial maps, which included parts of Punjab, Jammu, and Kashmir. Upon comparison of CMIP5 and CMIP6, no discernible difference was found between the RCP and SSP scenarios precipitation projections. In the future, more detailed statistical comparisons could further reinforce the proposition.