气候影响和风险评估在很大程度上依赖于全球气候模型（GCMs）。然而，由于原始形式的全球气候模型的空间尺度太粗或包含一定的误差，使得它们很少能直接用于影响评估。
科学家通常采用一种被称为”降尺度（Downscaling）“的方法来生成高分辨率气候数据集产品。一般而言，统计降尺度是指“训练”一个关于历史时期内全球气候模型（GCM）和观测数据集之间统计关系的模型，然后应用该模型来生成未来预测，经过降尺度技术形成的数据可以为下游的气候影响和风险评估模型提供输入。
非营利研究组织CarbonPlan发布了一套基于CMIP6数据集应用降尺度方法研发的数据产品。他们使用了来自CMIP6的多达六个全球气候模型的气候变化模拟和三种不同的未来排放情景，并应用了四种不同的降尺度方法，包括MACA、DeepSD和GARD的两个方案。
降尺度包括两个步骤，首先，训练一个转换全球气候模式数据的模型，以便生成与历史时期内参考数据集的选定属性最佳匹配的降尺度数据（Training）,其次，使用该模型来生成未来的降尺度数据（Prediction）。
该数据集包括截至21世纪末全球日最高和最低温度以及降水的预测，分辨率为全球0.25度（约25公里x25公里）。
由于数据集大小约百TB，CarbonPlan同步发布了一个基于Web浏览器的数据检索和分析工具，数据以Zarr格式存储在微软Azure云平台。
降尺度方法实现代码：
https://github.com/carbonplan/cmip6-downscaling
数据产品地址：
https://github.com/carbonplan/cmip6-downscaling/blob/main/datasets.md
Reference：
O Chegwidden, R Hagen, K Martin, M Jones, A Banihirwe, C Chiao, S Frank, J Freeman, J Hamman (2022) “Open data and tools for multiple methods of global climate downscaling” CarbonPlan