基于深度机器学习的中国区域CMIP6多模式融合总初级生产力数据（1850-2100）

中国区域总初级生产力月值数据。时间范围包括历史时期1850-2014，未来时期2015-2100（未来时期包含四个不同共享社会经济路径：SSP1-2.6, SSP2-4.5, SSP3-7.0, SSP5-8.5），空间分辨率0.25度。该数据是基于深度学习方法，以GLASS GPP数据为参考，融合降尺度23个CMIP6模式的GPP数据，与集合均值相比明显改进了在内蒙古东部、华南地区的偏差，增加了数据集未来部分的可靠性。在气候变化背景下，数据可用于植被相关分析。

China Regional Monthly Total Primary Productivity (GPP) Dataset. The temporal coverage includes the historical period (1850–2014) and the future period (2015–2100), which encompasses four distinct Shared Socioeconomic Pathways: SSP1-2.6, SSP2-4.5, SSP3-7.0, and SSP5-8.5. The spatial resolution is 0.25 degrees. Developed via deep learning methods with the GLASS GPP product as the reference, this dataset fuses downscaled GPP data from 23 CMIP6 models. Compared with the multi-model ensemble mean, it significantly reduces biases in eastern Inner Mongolia and South China, thus enhancing the reliability of the future portion of the dataset. Under the backdrop of climate change, this dataset can be applied to vegetation-related analyses.

搜集汇总

背景与挑战

背景概述

该数据集提供了中国区域总初级生产力的月值数据，覆盖历史时期1850-2014年和未来时期2015-2100年，未来部分包含四个共享社会经济路径（SSP1-2.6、SSP2-4.5、SSP3-7.0、SSP5-8.5），空间分辨率为0.25度。数据采用深度学习方法，融合降尺度23个CMIP6模式的GPP数据，以GLASS GPP为参考，显著改进了在内蒙古东部和华南地区的偏差，提升了未来预测的可靠性，适用于气候变化背景下的植被分析。