CSTools工具箱：将气候预测数据高效转化为实用的气候产品
CSTools工具箱：将气候预测数据高效转化为实用的气候产品
关联链接：
https://CRAN.R-project.org/package=CSTools
https://gmd.copernicus.org/preprints/gmd-2021-368/
https://earth.bsc.es/gitlab/external/cstools/
Code availability
CSTools is released under the Apache License version 2.0. The latest release of CSTools 4.0.1 is publicly available on CRAN repository https://CRAN.R-project.org/package=CSTools, it is being developed at BSC-CNS GitLab repository https://earth.bsc.es/gitlab/external/cstools/ and shared in the Zenodo DOI:10.5281/zenodo.5549474. The code to reproduce the use cases and plots shown in this manuscript is shared in the three sites and we recommend to find it at the GitLab repository https://earth.bsc.es/gitlab/external/cstools/-/tree/master/inst/doc
GMD最近有一篇文章在审稿中，主要是介绍一款基于R语言的工具。主要是针对目前大量的气候模式预报产品难以释用的问题，只有一小部分被有效地利用于各个部门的业务中。造成这种局面的一个主要原因是缺乏一种高度集成工具，无法将数据转化为有用和高效的气候信息。现阶段这个障碍通过开发一个R包得以解决——CSTools是一个易于使用的工具箱，旨在评估和改善季节性到多年度尺度的气候预测的质量。该软件包主要包含了基于过程的最先进的预测校准、偏差校正、统计和随机降尺度、最佳预测组合和多变量验证方法，以及获得定制产品的基本和高级工具。由于工具箱在单个功能上的设计，用户可以开发自己的后处理功能链，如文中展示的例子：极端风速事件的分析、基于SNOWPACK模型的雪深季节预报的生成以及作为SCHEME水文模型输入的数据的后处理。
CSTools主要针对应用气候科学家或气候服务开发者，他们需要使用高质量的气候数据（例如：通过应用降尺度方法获得的高分辨率数据）。这些用户可以自己处理这个工具，在所提供的文件和科学研究出版物的支持下，了解每一种方法学。该工具是完全透明的，因为它是开源的，允许用户控制、理解甚至深入调整分析的每一个步骤。虽然软件包文档中给出了简单的例子，但本文旨在展示CSTools一些典型案例。
有不同的预报后处理步骤，是将气候数据转化为气候信息所必需的。这些步骤根据不同的应用而不同，但通常属于以下几类（如图1所示）。
- 数据检索和格式化。鉴于广泛的气候数据格式，需要有最佳的空间和时间数据操作方法，如内插法。当试图将多个数据集（如来自多个系统的观测和预报）结合起来时，这可能是一个劳动密集型步骤。
- 预报校准的纠正方法。校准是必要的，以纠正系统误差，发现任何预测信号，并根据观测的统计特性调整预测，以便纳入影响模型中。这些偏差源于预报系统中未解决的气候过程的近似表示（Marcos，2016；Van Schaeybroeck 和 Vannitsem，2019；Manzanas 等，2019）。
- 多模式预报组合或情景选择的分类方法。将多个预测系统结合起来 误差得到了部分补偿，并且有了潜在的天气状况的多样性（Hemri 等人，2020 年）。误差得到部分补偿，一致性和可靠性也得到提高（Hagedorn 等人，2005）。情景 另一方面，情景选择通常对特定应用的通信和信息综合很有用 (Ferranti and Corti, 2011)。
- 降尺度。由于计算上的限制，气候预报系统通常以100公里的水平分辨率提供全球季节性至80年的预报。然而，用户需要更精细的信息。因此，统计和随机降尺度技术通常被用来进行从大尺度到小尺度的现实转换（Maraun 和 Widmann，2018；Ramon 等人，2021）。
- 技能评估。估算预测的质量对于了解模拟的局限性、改进当前的预测系统以及为几个部门提供有用的预测产品至关重要。(Merryfield et al., 2020)。在提供预报产品的同时，应提供技能估计，以便对预报的正确解读或对预报结果进行分析。准确地解释预测结果或一个系统相对于基准的附加值。
- 可视化。从气候服务的角度来看，可视化工具对于说明确定性或概率性预测的不同方面至关重要。确定性或概率性气候信息的不同方面。
（DeepL支持翻译）
说明文档目录
Figure 1: Scheme of the flexible CSTools workflow (from top to bottom). Each box represents a category of functions that are part of CSTools.
声明：欢迎转载、转发本号原创内容，气象学家公众号转载信息旨在传播交流，其内容由作者负责，不代表本号观点。文中部分图片来源于网络，如涉及作品内容、版权和其他问题，请后台联系小编处理。