内容概要：本文档介绍了使用机器学习方法对ERA5地表温度数据进行降尺度处理的过程。首先选取了2010年至2020年间分辨率为10公里的ERA5地表温度数据和MODIS陆地表面温度作为预测因子。通过时间匹配将两个数据集连接起来，并构建了一个线性回归模型来确定两者之间的关系。计算了模型的性能指标如均方根误差（RMSE）和决定系数（R²）。接着利用所得到的回归参数对1970年的ERA5数据进行了降尺度预测，并引入了校正项以提高预测精度。 适合人群：气象学、地理信息系统以及环境科学领域的研究人员和技术人员，特别是那些对地表温度降尺度研究感兴趣的学者。 使用场景及目标：①学习如何利用Google Earth Engine平台处理和分析大规模时空数据；②掌握基于统计模型的地表温度降尺度技术；③评估不同时间段内模型的表现并应用到历史数据中进行预测。 其他说明：本案例展示了从数据准备、模型建立到结果验证的一系列步骤，为相关领域的研究提供了参考。同时强调了跨平台数据融合的重要性，以及通过适当的方法可以有效地提升低分辨率数据的空间表达能力。

利用1999―2009年安徽省淮河以南地区60个县市站夏季逐日降水资料和安庆市探空站逐日资料,研究了中低层不同风向配置下局地降水与大尺度降水场之间的关系,以3种不同预报对象及相应的预报因子分别采用神经网络和线性回归方法设计6种预报模型对观测资料进行逼近和优化,从而实现空间降尺度.分析对比6种预报模型46站逐日降水量的拟合和预报效果,结果表明:采取相同的预报对象及预报因子的BP神经网络模型在拟合和预报效果上均好于线性回归模型,可见夏季降水场之间以非线性相关为主;神经网络模型预报结果同常用的Cressman插

SDSM统计降尺度模型，针对大尺度GCM数据降尺度处理，解压后正常可用。

提出了基于相关性分析的风电场群风速分布预测方法，首先以空间降尺度的思路，给出了基于修正经验变异函数的风电场群相关性区域划分方法，将风电场群划分为若干个相关性区域；以此为基础，利用空间升尺度的思路，运用经验累积分布函数，考虑相关性区域内参考风电场与目标风电场的相关性，以参考风电场风速来求取目标风电场风速，从而得知相关性区域内的风速分布，结合各个相关性区域的风速描述，最终得到整个风电场群内的风速分布。以实际风电场监测数据为基础的仿真算例验证了所提方法的可行性和有效性。

建立大气环流模式与地区气候要素的统计关系，windows桌面操作系统。

近邻取样插值matlab代码基于机器学习的降尺度模型 该目录包含由智能决策支持设施的研究生开发的各种统计缩减模型和工具的源代码。 这些模型包括天气生成器，变化因子气候缩放算法和基于回归的模型。 此外，还开发了一个用户界面，以方便准备要在每种模型中使用的数据文件。 此处的每个子目录均包含以下列出的缩减模型或工具之一，以及示例输入和输出CSV文件以及有关运行模型的说明。 有关这些模型的更多详细说明和信息，请参阅可用的蓝皮书。 如果您希望将模型用于研究或发布目的，请引用我们的蓝皮书： Sohom Mandal，Patrick A.Breach，Abhishek Gaur和Slobodan P.Simonovic（2016）。 降低气候变量规模的工具：技术手册。 水资源研究报告编号097，智能决策支持工具，加拿大安大略省伦敦市土木与环境工程系，共95页。 国际标准书号（ISBN）：（印刷）978-0-7714-3135-7； （在线）978-0-7714-3136-4。 模型 目录 语 Beta回归（BR） 缩小比例/ br Matlab的 变更因子方法论（CFM） 缩小/ cfm Pytho

降尺度的时候往往要对长序列气象资料进行空间插值，我用matlab写了个调用anusplin的包循环处理，欢迎多多交流

matlab统计降级代码当地 该存储库由 NCL 和 MATLAB 代码组成，用于处理、分析和绘制局部构造模拟（LOCA；Pierce et al. 2014）统计缩小的网格气候数据。 网格化气候数据包括 29 耦合模型比对项目 5 (CMIP5) 的美国东北部地区 1/16 度分辨率下的日最高地表气温 (tasmax)、地表空气最低温度 (tasmin) 和日降水量 (pr)楷模。 模拟包括历史 (1980-2005)、较低排放 rcp4.5 (2006-2099) 和较高排放 rcp8.5 (2006-2099)。 这是一个正在进行中的存储库，预计在 2018 年整个夏季都会进行更新。代码不会“按原样”运行，但需要自定义（即路径、子文件夹）。 以下是我自己处理中的脚本列表和一般使用顺序。 ann_hist.ncl 计算历史（1980-2005）年温度（最小值和最大值）和降水（总量）的气候平均值和线性趋势。 输入包括三个变量的每日 LOCA 数据： tasmin（表面最低气温） tasmax（表面最高气温） 降水量（每日总量） 输出包括网络通用数据格式（netCDF 或 .nc）文件

matlab统计降级代码该 repo 包含 MATLAB 代码，用于实现基函数选择算法以及在局部克里金法、固定秩克里金法和融合高斯过程之间进行比较。 有关详细信息，请参阅 Ma 等人的题为“在全球观测系统模拟实验中构建高分辨率自然运行的空间统计降尺度”的论文。 (2019) ().

Use of NWAI-WG data   So far, NWAI-WG data have been used on a collaborative basis in publications (see the attached file). The major reasons are the data were not widely distributed. They were only used in our group and our collaborative networks. There were some cases with requests of the data made after people read Liu and Zou's (2012) paper. You have two options for using the data. Option 1: Collaboration with us. In this case, we will help you to describe the downscaling method and contribute to other parts of the paper such as comments/suggestions on the papers, if the fields are within our expertise. Option 2: Use of the data on your own. While option 1 for collaboration with us is welcome, option 2 is also highly encouraged, particularly, when the data are used for these research disciplines, rather than agricultural related. Thanks to Professor Yu who provides us with his group's web site (www.agrivy.com) as a media for distribution of the data.   Acknowledgment for option 1  “We acknowledge the modelling groups, the Program for Climate Model Diagnosis and Intercomparison (PCMDI) and the WCRP’s Working Group on Coupled Modelling (WGCM) for their roles in making available the WCRP CMIP5 multi-model dataset. Support of this dataset is provided by the Office of Science, US Department of Energy. Dr. Ian Macadam of the University of New South Wales downloaded the raw GCM monthly data. ”   Acknowledgment for option 2  “We acknowledge the modelling groups, the Program for Climate Model Diagnosis and Intercomparison (PCMDI) and the WCRP’s Working Group on Coupled Modelling (WGCM) for their roles in making available the WCRP CMIP5 multi-model dataset. Support of this dataset is provided by the Office of Science, US Department of Energy. Dr. Ian Macadam of the University of New South Wales downloaded the raw GCM monthly data. Dr. De Li Liu of the NSW Department of Primary Industries used NWAI-WG to downscale downscaled daily data. Also, thanks to AGRIVY (www.agrivy.c