# 偏差校正

一个机器学习后处理层学习订正现有预报模式的误差，在两周到六周的次季节尺度上把黄金标准模式的预报准确率提高一倍，并首次稳定超过气候平均。

一个机器学习后处理层学习订正现有预报模式的误差，在两周到六周的次季节尺度上把黄金标准模式的预报准确率提高一倍，并首次稳定超过气候平均。

该研究用 MAWS 观测评估 BMKG Ina-Flows 海表温度预报的偏差，并在 Karimun Jawa 与 Bira 两个站点比较 SVR、LSTM、Bi-LSTM 三种机器学习偏差订正算法，发现 Ina-Flows 在两处均存在暖偏差，Karimun Jawa 以 LSTM 最优（RMSE 0.207、MAE 0.182、MBE -0.171，RMSE 降低 29.83%），Bira 以 Bi-LSTM 最优（RMSE 0.218、MAE 0.173、MBE 0.011，RMSE 降低 26.10%），说明订正效果依赖地点、算法选择需依据本地验证。

该研究用 MAWS 观测评估 BMKG Ina-Flows 海表温度预报的偏差，并在 Karimun Jawa 与 Bira 两个站点比较 SVR、LSTM、Bi-LSTM 三种机器学习偏差订正算法，发现 Ina-Flows 在两处均存在暖偏差，Karimun Jawa 以 LSTM 最优（RMSE 0.207、MAE 0.182、MBE -0.171，RMSE 降低 29.83%），Bira 以 Bi-LSTM 最优（RMSE 0.218、MAE 0.173、MBE 0.011，RMSE 降低 26.10%），说明订正效果依赖地点、算法选择需依据本地验证。

该研究用17个CMIP6模型的土壤湿度数据、以GLDAS为参考做偏差校正并构建多模式集合，在SSP2-4.5与SSP5-8.5两种情景下用非参数SSMI刻画2015—2050年全球土壤湿度干旱的强度、频率、历时与严重度，再用结合耕地分布的干旱暴露指数（DEI）评估农业暴露，结果显示干旱特征向本世纪中叶明显加剧、SSP5-8.5下历时更长且空间范围更广，南美、南欧、南亚和北美部分地区呈显著干化趋势，全球平均DEI由SSP2-4.5的0.71升至SSP5-8.5的0.78。

该研究用17个CMIP6模型的土壤湿度数据、以GLDAS为参考做偏差校正并构建多模式集合，在SSP2-4.5与SSP5-8.5两种情景下用非参数SSMI刻画2015—2050年全球土壤湿度干旱的强度、频率、历时与严重度，再用结合耕地分布的干旱暴露指数（DEI）评估农业暴露，结果显示干旱特征向本世纪中叶明显加剧、SSP5-8.5下历时更长且空间范围更广，南美、南欧、南亚和北美部分地区呈显著干化趋势，全球平均DEI由SSP2-4.5的0.71升至SSP5-8.5的0.78。