在气候变暖背景下，极端气候事件的变化趋势备受关注。基于3种机器学习（随机森林、极端随机树和岭回归）模型评估其对中国区域极端气候指数[暖昼指数（TX90p）、冷夜指数（TN10p）、日最大降水量（RX1day）及5 d最大降水量（RX5day）]的模拟能力，并与传统全局偏差订正后的多模式集合方法对比，确定最优模型方案；进一步分析所选取的极端气候指数在不同排放情景（SSP1-2.6、SSP2-4.5、SSP5-8.5）下2024—2100年相对于基准期（1961—1990年）的空间分布及其变化趋势。结果表明：基于机器学习的极端气候指数模拟方案能够在不同程度上提升对极端气候事件的模拟能力，有效减小模拟偏差；2024—2100年中国地区极端暖事件在各排放情景下均显著上升，且高排放（SSP5-8.5）下增幅最大（相较基准期上升约52%），极端冷事件显著减少，且随排放增加减少更明显；空间分布上，TX90p在华北、长江中下游、四川盆地及华南部分地区增幅相对明显，而青藏高原及西北部分高海拔地区增幅相对较小；极端降水指数（RX1day、RX5day）在所有排放情景下均呈增加趋势，且高排放情景下增加最明显，其中RX5day的增强幅度整体高于RX1day；东北和华北地区在极端降水（特别RX5day）上的响应最强，对气候变暖的敏感性更高。
甘公网安备62010002000425号
陇ICP备17000949号-2
