高分辨率陆面过程模拟为局部地区水和能量循环研究提供了前所未有的机遇。然而，现有的气象强迫数据往往无法满足高分辨率模拟的要求。为了弥补这一差距，我们开发了一种新的采用地形调整方法和机器学习技术来生成高分辨率气象数据的降尺度框架。使用该框架，我们将ERA5数据从0.25°分辨率降尺度到90米分辨率，并用其驱动陆面模式Common Land Model (CoLM)，在两个复杂地形区域：黑河流域和科罗拉多河上游流域进行模拟。之后我们将模拟结果与站点观测数据和高质量格点数据比对以此进行系统评估，评估结果表明，我们的方法在模拟水热通量方面取得了更优的性能。
在离线模拟结果的基础上，我们进一步将提出的降尺度框架集成到CoLM中，固定成降尺度模块。该模块基于高分辨率地形因子（如海拔、坡度、遮蔽因子等）进行降尺度并在强迫数据集的粗网格和陆面模式最小计算单元（即patch）之间运行。值得注意的是，我们通过MPI将机器学习模型与CoLM在线耦合，实现了降水降尺度。该模块已经过多次测试，并添加到新一代陆面模式CoLM2024中。
 

地形降尺度,机器学习