2. 中国气象科学研究院灾害天气国家重点实验室,北京 100081;
3. 国家气象中心,北京 100081
2. State Key Laboratory of Severe Weather, Chinese Academy of Meteorological Sciences, Beijing 100081;
3. National Meteorological Centre, Beijing 100081
有着“地球第三极”和“世界屋脊”称号的青藏高原,由于其独特的地形和下垫面,通过热力和动力强迫作用有效地调控了亚洲区域乃至全球的气候和大气环流(吴国雄等,2004;徐祥德等,2019)。高原上星罗密布的冰川、河流和湖泊等是中国、印度等亚洲地区大江大河的发源地,为当地以及下游14亿以上人口提供了丰富的水资源,故青藏高原也被喻为“亚洲水塔”(Xu et al., 2008;Immerzeel et al., 2010)。在夏季,青藏高原上空大气受感热驱动形成一个“感热气泵”,周围大气被“抽吸”向高原辐合,丰沛的水汽输送至高原及周边地区(吴国雄等,2018)。因此降水与极端降水在该生态脆弱地区频发,致使山洪、滑坡、泥石流等自然灾害的发生(黄楚慧等,2020;李长冬等,2021),对人民生活和社会经济发展有着重要影响。综上,对青藏高原降水的时空特征有准确的预测预估具有十分重要的科学意义和社会价值。
气候系统模式是理解气候系统变化机理、对其未来变化进行气候预测和预估的主要工具(IPCC,2013)。全球气候模式目前能基本再现许多观测到的地球上大范围(全球尺度、半球尺度)的平均气候特征及其演变特征,但是大多数气候模式都难以合理再现青藏高原地区的降水,准确模拟高原地区的降水特征一直是数值模拟领域的难题(Wang et al., 2018;Yu et al., 2019)。早期版本的NCAR CCM3中青藏高原东坡就存在显著的虚假降水中心(Yu et al., 2000),并且一直并未得到有效改善(Chen et al., 2010;Zhang and Chen, 2016)。Xu等(2010)评估了第三次国际耦合模式比较计划(CMPI3)里的18个模式发现,模式对青藏高原降水的高估可达100%。经过数年的发展,CMPI5模式仍然对高原地区降水特征模拟不足(Xu and Xu, 2012;Su et al., 2013;胡芩等,2014)。水平分辨率为影响区域尺度降水模拟性能的主要因素之一,太粗糙的分辨率无法解析区域范围内重要的过程和特征,区域降水的模拟特征随着分辨率的提升能得到有效改善(Delworth et al., 2012;Jiang et al., 2016)。Li等(2015)研究了水平分辨率对东亚降水特征模拟的影响,指出较高分辨率下模拟的青藏高原降水分布更为真实,降水正偏差区域范围会减小,但是降水的高估却随着分辨率的提升而增大。
随着高性能超级计算机的迅速发展,全球高分辨率数值模拟试验在多个模式研发机构已相继展开。在最新的CMIP6中新增了高分辨率模式比较计划(HighResMIP),首次提供全球高分辨率(25—50 km)多模式集合的气候模拟试验结果。在能够更准确刻画复杂地形影响的情况下,新一代高分辨率全球气候模式对青藏高原降水的模拟能力如何值得探究。本文将基于小时尺度降水特征,全面细致评估CMIP6 HighResMIP高分辨率模式对青藏高原降水与极端降水模拟能力,增进对复杂地形区降水模拟偏差特性的认识。
1 数据和方法 1.1 数据介绍 1.1.1 观测数据用于评估模式的观测资料是TRMM多卫星降水分析产品(TMPA)新版本——TRMM 3B42 V7,它在原有的3B42 V6的基础上进行了改善,融合了新的被动微波辐射计的观测结果和红外辐射数据。该数据时间分辨率为3 h,空间分辨率为0.25°,空间范围为南北纬50°,时间范围为1998—2014年,N时降水代表N时前后1.5 h时段内的平均降水(Huffman et al., 2007)。TRMM在模式评估研究中被广泛应用(Yuan,2013;Li et al., 2015;Zhang et al., 2016)。
1.1.2 模式数据CMIP6 HighResMIP的模式分辨率除典型CMIP6分辨率(大气约为250 km,海洋约为100 km)以外,还包含更高的分辨率(大气最高可到25 km,海洋最高可为8—25 km)。HighResMIP分为3个层级试验,包括纯大气和耦合试验,时间年度跨越1950年至2050年,并可能扩展到2100年,还有一些其他针对性实验。本文选取分析HighResMIP Tier 1的高分辨率试验历史输出结果,Tier 1试验是历史强迫的大气模式比较计划(AMIP),也是HighResMIP的核心试验,其运行时间为1950—2014年,目标分辨率是25—50 km,明显高于CMIP5的基本分辨率150 km,更多模式和试验细节请参阅(Haarsma et al., 2016)。当前已有八个模式发布了高分辨率3 h输出结果,这些模式全部用于本文研究中,有关模式的基本信息详见表 1。考虑到与观测数据的时间一致性,所有模式数据都选择了1998—2014年时段。
考虑到8个CMIP6高分辨率模式的水平分辨率不同,为便于将模式与观测结果进行定性和定量比较,采用双线性插值方法把模式数据统一插值到0.25°×0.25°的经纬网格上,使其与观测数据TRMM的分辨率保持一致。多模式集合平均技术采用等权集合平均,即对8个模式的模拟结果取算术平均。
为减小数值模式中频繁出现的弱降水对评估结果的影响,模式和TRMM 3B42产品降水相关量的计算中,均仅考虑各时次降水量大于0.1 mm·h-1的降水(定义为有效降水),小于0.1 mm·h-1的降水时次视为无降水发生。夏季气候态降水量(单位:mm·d-1)为研究时段内总有效降水除以该时段内总时次数再乘24。小时降水频率(单位:%)定义为研究时段内有效降水时次数与总时次数的百分比。小时降水强度(单位:mm·h-1)为有效降水累积量除以有效降水时次数。
为了研究降水强度与频率的关系,以1 mm·h-1为间隔计算每个强度范围内的累积降水频率,然后再对关注区域内各格点求平均,即得该区域降水强度与频率之间的分布关系,降水强度—频率分布图(图 4和图 5)中1 mm·h-1降水对应频率表示为降水强度在0.1~1.1 mm·h-1范围内的频率,2 mm·h-1降水对应频率表示的是降水强度在1.1~2.1 mm·h-1范围内的频率,以此类推。
分析降水日变化相关特征时均采用北京时(Beijing Time,BJT)。降水日变化振幅计算如公式(1)
$ A=\frac{P_{\max }-\bar{P}}{\bar{P}} \times 100 \% $ | (1) |
其中Pmax为一日内最大小时降水量,
极端降水阈值的确定采用百分位方法来计算,将各格点1998—2014年逐年夏季3 h平均降水强度按从小到大升序排序,取第95百分位数(P95)的17 a平均值作为极端降水事件的阈值。该方法常用在极端降水的观测研究和模式评估中(江志红等,2009;李建等,2013;赵丽等,2016)。极端降水的贡献率定义为大于某年第95百分位数极端降水阈值的极端降水量总占该年夏季总降水量的百分率。
2 小时降水量、频率、强度的模拟基于TRMM卫星资料,青藏高原及其周边地区夏季平均降水量表现出来显著的空间变率(图 1a)。降水量大值区位于喜马拉雅山脉南侧,量值超过14 mm·d-1。柴达木盆地以及高原西北边缘是降水量的小值区,平均降水量低于1 mm·d-1。整体来看,青藏高原降水量表现出自东南向西北递减的空间分布特征。与观测相比,CMIP6高分辨率模式可以基本再现出降水量的空间分布(图 1b)。8个模式集合平均(MME)结果再现了高原降水自东南至西北的梯度分布,在高原南侧模拟出了降水大值带,但是模式高估了南坡的降水量,在高原东坡出现了虚假大值中心。从降水量模拟偏差来看(图 1c),CMIP6高分辨率模式的模拟偏差与地形高度之间存在明显的对应关系。CMIP6 MME高估了青藏高原夏季平均降水量,其高估区域主要位于1 000米以上,占所有正偏差区的91.3%。正偏差大值区位于青藏高原南坡和东坡陡峭地形区,分布在3 000米等高线附近,最大正偏差可达4 mm·d-1以上。这表明陡峭地形对降水的影响仍然是这些模式的挑战。
平均降水量可以进一步分解为平均小时降水频率和平均小时强度,频率和强度的不同组合可能会表现出相似的降水量气候特征,降水的合理模拟取决于频率和强度的正确组合,因而降水频率和强度的模拟被认为能够进一步揭示模式偏差特征(Dai and Trenberth 2004;Dai 2006;Li et al. 2015)。图 1d、g分别给出了观测降水频率和强度的空间分布情况。降水频率空间变化与降水量相似,降水多发生在高原南缘、东坡和东北祁连山脉等陡峭地形区,降水频率可达20 % 以上。青藏高原降水强度主要在2 mm·h-1以下,高原以南的低海拔地区降水强度明显高于高原,最高可达5 mm·h-1以上。总体来说,CMIP6高分辨率模式能够模拟出山脉陡峭地形处降水频发的特征(图 1e),也大体再现了高原降水强度小而高原以南、以东低海拔地区强度大的分布情况(图 1h ),但是模式高估了大部分区域(面积占比89.3%)的降水频率(图 1f)以及低估了大部分区域(面积占比93.1%)的降水强度(图 1i)。模式对青藏高原降水量的高估主要是降水频次模拟偏多造成,数值模式中“低强度、高频率”的常见通病(Chen et al., 1996;Sun et al., 2006;Dai,2006)在CMIP6高分辨率模式中仍然存在。
为了进一步了解降水偏差与海拔之间的关系,图 2和图 3分别给出了84°—93°E和29°—33°N平均降水特征的经向和纬向剖面图。从84°—93°E平均降水特征的纬向分布来看,TRMM(图 2a蓝线)的降水量大值区位于高原南坡26.5°N附近的低海拔处,降水量随海拔升高先增加再减少,与前人的相关研究结论一致(Salerno et al., 2015)。CMIP6 MME(图 2a红线)能够模拟出降水量随海拔升高先增加后减少的特征,但其低估了高原南坡的最大降水量,且模拟的降水量大值区位置偏北、海拔偏高。对于降水频率来说(图 2b),观测依旧呈现随海拔升高先增加再减小的特征;相较于降水量大值区,降水频率大值区的位置在坡面更高处。模式依旧能够再现降水频率和地形之间的关系,但模式同样存在峰值位置模拟偏北、海拔偏高的问题,且模式高估了所有海拔高度上的降水频率。在降水强度方面(图 2c),观测中最大降水强度出现在低海拔地区(约60 m海拔高度),在60 m高度以上,降水强度随海拔线性减小(通过P < 0.01的显著性检验)。CMIP6 MME能够模拟出降水强度与海拔高度呈负相关的变化趋势,但其变化速率低于观测,观测中海拔每升高100 m,降水强度可减小0.05 mm·h-1,而模式中仅减小0.02 mm·h-1。模式低估了所有海拔高度上的降水强度,偏差大值区分布在低海拔地区,随海拔升高强度偏差逐渐减小。
29°—33°N平均降水特征的经向分布体现了高原东坡降水与地形之间的关系。观测中东坡降水量大值区位于1 700 m附近(图 3a蓝线),CMIP6 MME模拟的降水量峰值位置较观测海拔偏高,且模式低估了约1 000 m以下低海拔地区的降水量,高估了约1 000 m以上高海拔地区的降水量(图 3a红线)。模式能模拟出观测中揭示的降水频率随海拔升高先增加再减小的变化特征,但模拟的降水频率随海拔升高而增加的速率较大,降水频率峰值位置较观测偏东、海拔偏低(图 3b)。模式低估了东坡降水强度随海拔升高而减弱的变化速率,降水强度的负偏差随海拔升高逐渐减小(图 3c)。综合强度和频率偏差来看,不论东坡还是南坡,模式对低海拔地区降水量的低估主要是由于降水强度模拟不足,而对高海拔地区的高估则主要是受到频率模拟偏多的影响。
前面的分析主要关注了气候模式对夏季平均态降水特征的模拟能力,不同降水强度下的降水频率分布也是降水气候特征的重要组成部分,降水频率与强度之间的关系是评估模式对降水特性模拟能力的重要指标(Li et al., 2015)。针对降水量的两个典型偏差关键区(图 1c中红色虚线框):高原南坡(84°—93°E,26.5°—29°N)和高原东坡(101°—104°E,29°—33°N),进行更为细致的偏差特征分析。图 4和5分别给出了高原南坡和东坡两个关键偏差区不同强度降水的频率分布,以1 mm·h-1为间隔计算每个强度范围内的累积降水频率。高原南坡的强度—频率分布如图 4所示,CMIP6高分辨率模式模拟的不同降水强度下的降水频率分布与观测存在较大差异。大部分模式均高估了2 mm·h-1以下弱降水的频率(图 4a),观测中2 mm·h-1以下弱降水的累积频率为12%,而模式集合平均结果可达43%,占总降水频率偏差的105%。图 4b Y轴使用对数坐标可以放大降水强度—频率分布的尾端分布情况,可以清晰看到大部分模式低估了3 mm·h-1以上降水的频率。另外,大部分模式低估了高原南坡最大降水强度,尤其是CNRM-CM6-1-HR和EC-Earth3P-HR模式,其模拟的最大降水强度分别为18 mm·h-1和19 mm·h-1,而观测中最大降水强度可达70 mm·h-1。FGOALS-f3-H和HadGEMS-GC31-HM模式对11~38 mm·h-1范围内的降水频率存在一定的高估,观测中该强度范围内降水的累计降水频率为0.42%,而模式分别可达0.70%和0.54%。在高原东坡(图 5),大部分模式表现出了与南坡相似的降水强度和频率的分布特征,高估了2 mm·h-1以下弱降水的频率和低估了3 mm·h-1以上降水的频率,并且低估了最大降水强度。但MRI-AGCM3-2-S模式高估了21 mm·h-1以上降水的频率,其模拟的最大降水强度超过观测结果,出现了虚假极端强降水。
日变化是地球气候系统最基本的变化模态之一,降水的日变化与地表温度、湿对流、云层的形成以及边界层的发展密切相关(Yang and Slingo, 2001;Sorooshian et al., 2002)。受局地和大尺度的动力、热力条件的影响,降水的日变化存在鲜明的区域差异(Yu et al., 2014)。降水日变化的研究是充分理解天气气候系统以及水汽循环区域性特征的一个重要方面,也是评估模式对降水特性模拟能力的重要内容。
图 6给出了青藏高原地区夏季平均降水量日峰值时刻的空间分布。CMIP6高分辨率模式能够模拟出观测中揭示的青藏高原傍晚至午夜(17∶00—02∶00 BT)的降水峰值时刻,但模式中,降水呈午夜峰值的区域明显多于观测。对于海拔3 000米以上的地区,模式中有27.2%的区域降水峰值在23∶00—02∶00 BT,而观测中仅为10.0%。从高原到四川盆地,降水日峰值位相存在经向上向东滞后的演变过程,四川盆地的降水峰值主要出现在05∶00—08∶00 BT(图 6a),而模式中盆地基本为清晨(02∶00—05∶00 BT)降水,较观测模拟偏早(图 6b)。在高原南缘,观测中显示降水峰值出现在05∶00—08∶00 BT,但模式中高原南坡部分区域模拟较观测偏早,为清晨(02∶00—05∶00 BT)峰值,以及部分区域还表现出不准确的午后(14∶00—17∶00 BT) 峰值。
日变化振幅是研究日变化的另一个重要指标。从图 7给出的降水日变化振幅空间分布来看,青藏高原降水日变化振幅较大,观测和模拟均有超过65%以上的区域日变化振幅大于60%。但是模式模拟的降水日变化振幅明显低于观测值,在海拔3 000米以上的区域里,观测中有12%的区域日变化振幅超过140%,而模式模拟的最大日变化振幅低于130%。模式中日变化振幅大值区位于高原以北的塔里木盆地区域。此外,模式中降水雨带位置(高原南坡和东坡) 的日变化振幅基本低于60%,说明该区域昼夜皆有较多的降水,但在观测中日变化振幅可达90%以上。
在气候变暖的背景下,全球大部分区域日极端降水有增多的趋势以及降水强度有增强的趋势(Min et al., 2011),温度的变化使得极端降水趋于在短时内发生,小时尺度极端降水变化速率更剧烈(Westra et al., 2014)。开展小时尺度极端降水模拟能力的评估对提高气象防灾减灾有重要意义。
图 8分别给出了观测和模式的青藏高原小时极端降水阈值(P95)的空间分布情况。基于TRMM观测,高原南坡为极端降水阈值的大值区,最高可达15 mm·h-1以上。在四川盆地西部也存在一个极端降水阈值的大值中心,强度低于高原南坡。CMIP6高分辨率模式模拟的极端降水阈值的空间分布与观测大体相似,其与观测的空间相关系数可达0.89,但是模式明显低估了高原地区极端降水阈值。观测中高原区域平均极端降水阈值为4.37 mm·h-1,而模式值仅为2.50 mm·h-1,相当于观测的57 %。
观测和模拟的青藏高原区域多年平均夏季极端降水贡献率如图 9所示。模式对青藏高原极端降水贡献率的空间分布模拟能力较差,其与观测的空间关键相关系数仅为0.47。模式中极端降水贡献率表现出了高原四周高、海拔3 000 m以上高原主体低的分布特征。模式中的极端降水贡献率大值区也分布在塔里木盆地,与观测一致,但模式高估了该区域的极端降水贡献率。模式中高原主体区域的平均极端降水贡献率为24%,低于观测值(27%)。相反,在高原南坡雨带区域,模式的极端降水贡献率明显高于观测,说明模式中该区域的夏季降水更多是由极端降水贡献。
本文聚焦降水的小时尺度特征,细致评估了CMIP6 HighResMIP高分辨率气候模式对青藏高原夏季降水的模拟能力,得到以下主要结论:
(1) CMIP6高分辨率模式对青藏高原夏季降水量的模拟存在高估,偏差大值区主要位于高原南坡和东坡陡峭地形区。模式高估了大部分区域的降水频率而低估了降水强度,模式对青藏高原降水量的高估主要是降水频次模拟偏多造成的。对比分析降水强度与频率的关系发现,大部分模式高估了2 mm·h-1以下弱降水的频率,低估了3 mm·h-1以上降水的频率和最大降水强度。模式对降水频率的高估主要是弱降水的贡献。
(2) 高原南坡和东坡降水模拟偏差与海拔密切相关。模式不能准确再现降水量与海拔之间的关系,模式低(高)估了高(低)海拔区域的降水,模拟的降水量大值区海拔偏高。模式低估了降水强度随海拔升高而降低的变化速率,降水强度负偏差的大值区主要分布在低海拔地区,随海拔升高偏差逐渐减小。在降水频率与海拔关系的模拟上,对于高原南坡,模式存在降水频率大值区模拟偏北、海拔偏高的问题;对于高原东坡,模式存在降水频率大值区模拟偏东、海拔偏低的问题。
(3) 降水日变化的评估表明,CMIP6高分辨率模式能够模拟出青藏高原傍晚至午夜(17∶00—02∶00 BT) 的降水峰值时刻,但是模式对四川盆地降水峰值时间模拟偏早,且在高原南坡部分区域模拟出虚假的午后峰值。此外,模式明显低估了青藏高原降水的日变化振幅。
(4) 在小时极端降水的模拟方面,模式对高原小时极端降水强度的空间分布表现出了良好的模拟能力,但模式低估了高原区域平均极端降水阈值,仅为观测值的57%。模式对青藏高原极端降水贡献率的空间分布模拟能力较差,对高原主体区域的夏季极端降水贡献率存在一定的低估,而在高原南坡雨带区域表现出了更高的极端降水贡献率。
本文利用最新的CMIP6 HighResMIP多模式结果,评估了当前气候模式对高原地区降水的模拟能力,发现高原陡峭地形区降水模拟偏差在新一代高分辨率模式中仍存在。青藏高原及其周边地区地形复杂,高原大地形影响效应十分突出,复杂地形处的降水十分复杂。本文从小时尺度降水特征出发,认识了高分辨率模式降水偏差的精细化特征,但仅对降水变量进行了评估,结合产生降水的天气背景环流来评估模式有助于加深对模式模拟偏差的理解(Agel L and M, 2020; Brown et al., 2010)。在研究过程中还发现不同模式的降水日变化模拟存在着一定的差异,黄安宁等(2008)曾指出夏季降水日变化模拟对模式物理过程参数化方案有较强的敏感性,从模式间模拟差异分析物理参数化方案的影响值得进一步探究。此外本研究仅使用了TRMM观测资料,对观测数据的不确定性也应作进一步讨论。
黄安宁, 张耀存, 朱坚. 2008. 物理过程参数化方案对中国夏季降水日变化模拟的影响[J]. 地球科学进展, (11): 1174-1184. DOI:10.3321/j.issn:1001-8166.2008.11.008 |
黄楚惠, 李国平, 张芳丽, 等. 2020. 近10a气候变化影响下四川山地暴雨事件的演变特征[J]. 暴雨灾害, 39(4): 335-343. DOI:10.3969/j.issn.1004-9045.2020.04.003 |
胡芩, 姜大膀, 范广洲. 2014. CMIP5全球气候模式对青藏高原地区气候模拟能力评估[J]. 大气科学, 38(5): 924-938. |
江志红, 陈威霖, 宋洁, 等. 2009. 7个IPCC AR4模式对中国地区极端降水指数模拟能力的评估及其未来情景预估[J]. 大气科学, 33(1): 109-120. DOI:10.3878/j.issn.1006-9895.2009.01.10 |
李建, 宇如聪, 孙溦. 2013. 中国大陆地区小时极端降水阈值的计算与分析[J]. 暴雨灾害, 32(1): 11-16. |
李跃清, 张晓春. 2011. "雅安天漏"研究进展[J]. 暴雨灾害, 30(4): 289-295. DOI:10.3969/j.issn.1004-9045.2011.04.001 |
李长冬, 冼进业, 刘勇, 等. 2021. 暴雨作用下基于滑坡互信息量的白家包滑坡变形响应机制研究[J]. 暴雨灾害, 40(1): 19-26. |
吴国雄, 毛江玉, 段安民, 等. 2004. 青藏高原影响亚洲夏季气候研究的最新进展[J]. 气象学报, 62(5): 528-540. DOI:10.3321/j.issn:0577-6619.2004.05.002 |
吴国雄, 刘屹岷, 何编, 等. 2018. 青藏高原感热气泵影响亚洲夏季风的机制[J]. 大气科学, 42(3): 488-504. |
徐祥德, 董李丽, 赵阳, 等. 2019. 青藏高原"亚洲水塔"效应和大气水分循环特征[J]. 科学通报, 64(27): 2830-2841. |
曾庆存, 宇如聪, 彭贵康, 等. 1994. "雅安天漏"研究Ⅲ: 特征、物理量结构及其形成机制[J]. 大气科学, (06): 649-659. DOI:10.3878/j.issn.1006-9895.1994.06.02 |
赵丽, 韩雪云, 杨青. 2016. 近50a西北干旱区极端降水的时空变化特征[J]. 沙漠与绿洲气象, 10(1): 19-26. |
Agel L, Barlow M. 2020. How Well Do CMIP6 Historical Runs Match Observed Northeast U.S. Precipitation and Extreme Precipitation-Related Circulation?[J]. Journal of Climate, 33(22): 1-36. |
Brown J R, Jakob C, Haynes J M. 2010. An Evaluation of Rainfall Frequency and Intensity over the Australian Region in a Global Climate Model[J]. Journal of Climate, 23(24): 6504-6525. DOI:10.1175/2010JCLI3571.1 |
Chen M, Dickinson R E, Zeng X, et al. 1996. Comparison of Precipitation Observed over the Continental United States to That Simulated by a Climate Model[J]. Journal of Climate, 9(9): 2233-2249. DOI:10.1175/1520-0442(1996)009<2233:COPOOT>2.0.CO;2 |
Chen H, Zhou T, Neale R, et al. 2010. Performance of the New NCAR CAM3.5 in East Asian Summer Monsoon Simulations: Sensitivity to Modifications of the Convection Scheme[J]. Journal of Climate, 23(13): 3657-3675. |
Dai A. 2006. Precipitation Characteristics in Eighteen Coupled Climate Models[J]. Journal of Climate, 19(18): 4605-4630. |
Delworth T L, Rosati A, Anderson W, et al. 2012. Simulated Climate and Climate Change in the GFDL CM2.5 High-Resolution Coupled Climate Model[J]. Journal of Climate, 25(8): 2755-2781. |
Dai A, Trenberth K E. 2004. The Diurnal Cycle and Its Depiction in the Community Climate System Model[J]. Journal of Climate, 17(5): 930-951. |
Huffman G J, Adler R F, Bolvin D T, et al. 2007. The TRMM Multisatellite Precipitation Analysis (TMPA): Quasi-Global, Multiyear, Combined-Sensor Precipitation Estimates at Fine Scales[J]. Journal of Hydrometeorology, 8: 38-55. |
Haarsma R J, Roberts M J, Luigi V P, et al. 2016. High Resolution Model Intercomparison Project (HighResMIP v1.0) for CMIP6[J]. Geoscientific Model Development, 9(11): 4185-4208. |
Immerzeel W W, Beek L P H V, Bierkens M F P. 2010. Climate Change Will Affect the Asian Water Towers[J]. Science, 328(5984): 1382-1387. |
IPCC. 2013. Climate Change 2013: The Physical Science Basis[M]. Cambridge: Cambridge University Press, Cambridge: Cambridge university
|
Jiang D, Tian Z, Lang X. 2016. Reliability of climate models for China through the IPCC Third to Fifth Assessment Reports[J]. International Journal of Climatology, 36(3): 1114-1133. |
Li J, Yu R, Yuan W, et al. 2015. Precipitation over East Asia simulated by NCAR CAM5 at different horizontal resolutions[J]. Journal of Advances in Modeling Earth Systems, 7(2): 774-790. |
Min S K, Zhang X, Zwiers F W, et al. 2011. Human contribution to more-intense precipitation extremes[J]. Nature, 470(7334): 378-381. |
Salerno F, Guyennon N, Thakuri S, et al. 2015. Weak precipitation, warm winters and springs impact glaciers of south slopes of Mt. Everest (central Himalaya) in the last 2 decades (1994—2013)[J]. Cryosphere, 9(3): 1229-1247. |
Su F, Duan X, Chen D, et al. 2013. Evaluation of the Global Climate Models in the CMIP5 over the Tibetan Plateau[J]. Journal of Climate, 26(10): 3187-3208. |
Sorooshian S, Gao K, Hsu R, et al. 2002. Diurnal Variability of Tropical Rainfall Retrieved from Combined GOES and TRMM Satellite Information[J]. Journal of Climate, 15(9): 983-1001. |
Stocker T F, Qin D, Plattner G K, et al. IPCC, 2013: Climate Change 2013: The Physical Science Basis. Contribution of Working Group I to the Fifth Assessment Report of the Intergovernmental Panel on Climate Change [J]. Computational Geometry, 18(2): 95-123
|
Sun Y, Solomon S, Dai A, et al. 2006. How Often Does It Rain?[J]. Journal of Climate, 19(6): 916-934. |
Wang X, Pang G, Yang M. 2018. Precipitation over the Tibetan Plateau during recent decades: a review based on observations and simulations[J]. International Journal of Climatology, 38(3): 1116-1131. |
Westra S, Fowler H J, Evans J P, et al. 2014. Future changes to the intensity and frequency of shortduration extreme rainfall[J]. Reviews of Geophysics, 52(3): 522-555. |
Xu Y, Gao X, Giorgi F. 2010. Upgrades to the reliability ensemble averaging method for producing probabilistic climate-change projections[J]. Climate Research, 41(1): 61-81. |
Xu X, Lu C, Shi X, et al. 2008. World water tower: An atmospheric perspective[J]. Geophysical Research Letters, 35(20): L20815. |
Xu Y, Xu C. 2012. Preliminary Assessment of Simulations of Climate Changes over China by CMIP5 Multi-Models[J]. Atmospheric and Oceanic Science Letters, 5(6): 489-494. |
Yang G Y, Slingo J. 2001. The Diurnal Cycle in the Tropics[J]. Monthly Weather Review, 129(4): 784-801. |
Yu R, Chen H, Sun W. 2015. The Definition and Characteristics of Regional Rainfall Events Demonstrated by Warm Season Precipitation over the Beijing Plain[J]. Journal of Hydrometeorology, 16(1): 396-406. |
Yu R, Li J, Chen H, et al. 2014. Progress in studies of the precipitation diurnal variation over contiguous China[J]. Journal of Meteorological Research, 28: 877-902. |
Yu R, Li W, Zhang X, et al. 2000. Climate features related to Eastern China summer rainfall in the NCAR CCM3[J]. Advances in Atmospheric Sciences, 17: 503-518. |
Yu R, Zhang Y, Wang J, et al. 2019. Recent Progress in Numerical Atmospheric Modeling in China[J]. Advances in Atmospheric Sciences, 36(9): 938-960. |
Yuan W. 2013. Diurnal cycles of precipitation over subtropical China in IPCC AR5 AMIP simulations[J]. Advances in Atmospheric Sciences, 30(6). |
Zhang Y, Chen H. 2016. Comparing CAM5 and Superparameterized CAM5 Simulations of Summer Precipitation Characteristics over Continental East Asia: Mean State, Frequency-Intensity Relationship, Diurnal Cycle, and Influencing Factors[J]. Journal of Climate, 29(3): 1067-1089. |