黄土高原（Loess Plateau，LP）生态环境脆弱，作为气候敏感区，在全球变暖的背景下极端降水频率的提升将会增加该地区发生严重自然灾害的概率，对当地社会生产生活和人民生命财产安全造成威胁。目前，极端降水未来预估多采用全球气候模式（Global Climate Model，GCM），其分辨率较低，对区域极端降水的模拟能力有限。鉴于此，本研究将深度学习算法应用于黄土高原区域降尺度，并对极端降水的模拟能力进行评估。研究结果显示：卷积神经网络（Convolutional Neural Networks，CNN）、残差密集块网络（Residual Dense Block Networks，RDBNet）等深度学习模型能够很好地模拟黄土高原地区平均降水和极端降水强度。在极端降水的评价指标中，CNN1模型对R95p、R99.5p和RX5day的模拟能力最佳。上述研究结果客观揭示了深度学习模型在黄土高原地区极端降水模拟的适用性，有助于进一步了解该地区未来降水变化情况并为极端降水的未来预估工作提供方法依据。同时，深度学习模型的应用也为未来研究气候变化提供了新的思路，可以进一步提高对极端降水的模拟和预测能力。
 

深度学习,极端降水,黄土高原,统计降尺度