气候变化对农业生产、生态系统的稳定以及社会经济的发展具有显著影响。全球气候模式（GCM）是开展气候变化背景下降水历史模拟和未来预估可借助的主要工具。然而，由于模型的分辨率、边界条件和参数化等问题，模型输出往往存在较大误差，这就要求我们在使用模型前对其进行仔细的评估和偏差校正。随着深度学习技术的进步，卷积神经网络（CNN）在气候模型偏差校正领域逐渐受到关注。本研究引入了一种基于格点模型异质性导向的卷积神经网络方法，它能够充分考虑模型间的性能差异，并捕获与真实气候动力学相似的特征。相较于线性回归、分位数映射以及空间相关的CNN，该方法在集合平均偏差校正方面展现出更优的性能。此外，由于依赖于局部相关性的假设以及受限于极端事件数据的稀疏性，这些监督学习的CNN框架也面临着一定的挑战，特别是在调整模型整体概率分布和处理极端降水事件方面。因此，我们进一步探索了使用循环生成对抗网络（CycleGAN）的无监督学习方法来校正模型集成均值偏差，并与监督CNN及分位数映射方法的性能进行了对比。研究结果显示，CycleGAN在集成平均偏差校正方面的性能超越了CNN和分位数映射，通过对抗学习过程有效地学习了降水的整体分布，并产生更好的极端降水预测。
 

深度学习,偏差订正,CMIP6