Downscaling models have been well d

Downscaling models have been well developed in order to meet the need for climate scenarios with
fine resolutions on both spatial and temporal scales in climate change impact studies. It is recognized
that precipitation is one of the most important weather variables required in impact studies; furthermore,
precipitation simulated by coupled ocean–atmosphere general circulation models (OAGCMs) is still not
reliable for the purpose of impact studies (Giorgi and Mearns, 1991). Therefore, the downscaling models
used were mostly focused on developing precipitation scenarios on either monthly or daily time scales (e.g.
Wigley et al., 1990; von Storch et al., 1993; Corte-Real et al., 1995; Conway et al., 1996; Wilby, 1998). It
should be emphasized that only some examples of statistical downscaling models are listed here; many other
downscaling models, such as dynamical models, can be found in the literature.
On the daily scale required by many impact models, stochastic methods seem more adequate than other
statistical methods, e.g. linear regressive models, in what concerns the high variability of daily precipitation
and maybe of other daily weather variables. It is easy to understand that regressive models often underestimate
predictand variance because the predictors employed can only explain part of the predictand variance. Daily
weather variables are related to large-scale atmospheric circulation, whereas mesoscale and even smaller scale
systems can be very important. In statistical downscaling, randomized approaches should be adopted, instead
of inflation, as suggested by von Storch (1999). Therefore, regressive models with large-scale atmospheric
predictors, such as flow indices, are not able to capture the variance contributed by mesoscale and small-scale

Kết quả (Việt) 1:

Downscaling mô hình cũng đã được phát triển để đáp ứng nhu cầu đối với khí hậu kịch bản vớirồi các nghị quyết về không gian và thời gian quy mô trong biến đổi khí hậu tác động nghiên cứu. Nó được công nhậnmưa là một trong các yếu tố thời tiết quan trọng nhất cần thiết trong nghiên cứu tác động; hơn nữa,mưa mô phỏng của mô hình lưu thông nói chung cùng đại dương-khí quyển (OAGCMs) vẫn là khôngđáng tin cậy cho các mục đích nghiên cứu tác động (Giorgi và Mearns, 1991). Vì vậy, các mô hình downscalingsử dụng đã là chủ yếu là tập trung vào phát triển mưa kịch bản trên một trong hai hàng tháng hoặc hàng ngày thời gian quy mô (ví dụ:Wigley et al., 1990; von Storch và ctv, 1993; Corte-Real et al., 1995; Conway và ctv., 1996; Nuthall, 1998). Nócần nhấn mạnh rằng chỉ là một số ví dụ về thống kê các mô hình downscaling được liệt kê ở đây; nhiều người khácMô hình downscaling, chẳng hạn như động lực mô hình, có thể được tìm thấy trong các tài liệu.Trên quy mô hàng ngày theo yêu cầu của nhiều tác động mô hình, phương pháp ngẫu nhiên có vẻ đầy đủ hơn so với khácphương pháp thống kê, ví dụ như tuyến tính dần mô hình, trong những gì liên quan đến biến đổi cao hàng ngày mưavà có thể biến thời tiết hàng ngày khác. Nó là dễ dàng để hiểu rằng dần các mô hình thường xuyên đánh giá thấppredictand phương sai bởi vì dự đoán các sử dụng có thể chỉ giải thích một phần của phương sai predictand. Hàng ngàythời tiết biến có liên quan đến quy mô lớn lưu thông khí quyển, trong khi mesoscale và quy mô nhỏ hơnHệ thống có thể rất quan trọng. Trong thống kê downscaling, phương pháp tiếp cận ngẫu nhiên nên được thông qua, thay vào đólạm phát, theo đề nghị của von Storch (1999). Vì vậy, dần mô hình với quy mô lớn trong khí quyểndự đoán, chẳng hạn như dòng chảy chỉ số, người không thể nắm bắt phương sai đóng góp bởi mesoscale và quy mô nhỏ