第四纪研究  2019, Vol.39 Issue (4): 1042-1054   PDF    
末次冰盛期气候反馈特征研究
王波1, 曹剑1, 吴立广2     
(1 南京信息工程大学, 江苏 南京 210044;
2 复旦大学, 上海 200433)
摘要:末次冰盛期(Last Glacial Maximum,简称LGM)被认为是较适合用来估算气候系统响应对辐射强迫变化的古气候区间之一。理解LGM时期气候反馈过程有助于进一步限定气候敏感度的范围。本研究利用辐射核方法和参加第三次古气候模式比较计划(Paleoclimate Modelling Intercomparison Project Phase Ⅲ,简称PMIP3)的8个耦合模式资料,对比研究了LGM时期与abrupt4xCO2(4CO2)情景下的气候反馈特征。结果表明:全球平均而言,不同情景下温度反馈、水汽反馈和反照率反馈的强度存在显著差异,然而这一关系并不存在于云反馈过程中,这可能与情景间/模式间云反馈的不确定性相联系;在不同情景下,不同反馈过程强度也存在明显空间差异。温度反馈过程的差异主要来源于LGM时期大陆冰盖强迫引起的温度变化的高度空间不均一性和海陆分布改变引起的热带对流活动的变化;水汽反馈变化可能与海陆分布变化引起的沃克环流变化以及全球降温相联系;大陆冰盖和海冰存在是导致LGM时期地表反照率反馈增加的主要原因;而云反馈的差异可能与低云云量和模式间不确定性有关。LGM时期单独强迫数值试验将有助于进一步厘清不同气候状态下气候反馈过程差异的原因。
关键词末次冰盛期    abrupt4xCO2    辐射核    气候反馈    
中图分类号     P467, P534.63                     文献标识码    A

0 引言

气候反馈是指地表温度变化引起大气层顶净辐射通量改变的过程,这个过程又导致地表温度变化[1]。其主要包括温度反馈、水汽反馈、地表反照率反馈和云反馈等过程。地气系统在平衡状态下,大气层顶净辐射通量是地气系统收到的净短波辐射与放出的长波辐射之和。可以表示为:

(1)

其中,G表示大气层顶净辐射通量(向下为正方向),当G>0时,表示地气系统获得能量,温度将会升高;F表示地气系统放出的长波辐射;S表示地气系统接收到的净短波辐射。当地气系统的辐射通量变化时,气候反馈的大小描述了大气层顶辐射通量达到新的平衡状态下全球地表平均温度(TS)的变化幅度:

(2)

其中,即气候反馈参数,其倒数称为气候敏感度参数[2],表示单位辐射强迫下的温度变化。

气候系统内部各种反馈过程的强弱对平衡态气候敏感度(Equilibrium Climate Sensitivity,简称ECS)的估计至关重要[3~4]。平衡态气候敏感度通常是指大气中CO2浓度相对于工业革命前加倍,地气系统达到新平衡态后全球地表平均升温幅度[5~12]。过去几十年,大量研究试图更准确地估计ECS,然而其不确定性仍然很大。2013年,IPCC(Intergovernmental Panel on Climate Change,简称IPCC)第五次[3]评估报告,对ECS的估计值仍然为1.5~4.5 ℃,这与第一次[13]评估报告中的结果相同。大量学者的研究指出可以通过历史时期资料或者古气候资料来估计ECS的范围[14],另一种有效的方法是利用古气候资料来估计气候反馈和气候敏感度。Hargreaves等[15]利用末次冰盛期重建资料和第二次古气候比较计划(Paleoclimate Modelling Intercomparison Project Phase Ⅱ,简称PMIP2)模式的模拟结果指出了末次冰盛期热带海温变化是检验气候敏感度的有效指标;然而PMIP3(Paleoclimate Modelling Intercomparison Project Phase Ⅲ)模式的结果并不支持这种观点[16]。再者,Crucifix[17]指出末次冰盛期估计的气候敏感度并不适用于未来全球CO2增加的情景。因此,还需要理解不同情景下气候反馈的差异,以便更恰当地利用古气候资料来约束气候敏感度。

末次冰盛期(Last Glacial Maximum,简称LGM)距今约21000年前,全球气候较现在偏冷偏干[18~21]。由于具有丰富的古气候重建资料,该时期已经成为古气候比较计划研究的热点时期[22~24]。这一时期也被认为是最适合用来估算气候系统对辐射强迫响应的古气候区间之一[15]。Deimling等[11]利用末次冰盛期冰川温度重建资料和模式结果,估计气候敏感度的范围为1.3~3.5 ℃。Hargreaves等[15]利用末次冰盛期温度重建资料得到ECS的值约为2.5 ℃,并且认为ECS超出4 ℃的概率很小。Schmittner等[25]利用末次冰盛期海冰以及陆地地表温度重建资料和气候模式结果,估计得到ECS的中值为2.3 ℃,并且有66 %的概率位于1.7~2.6 ℃。可见古气候资料的使用在一定程度上改善了对ECS的估计,但仍然存在相当大的不确定性。研究表明气候系统中不同的反馈过程可能放大或者抑制初始的辐射扰动,使气候模式对于温室气体的增加表现出不同的敏感性[26~27]。这也说明分析气候系统内部的反馈过程对于我们理解气候敏感度至关重要。

目前,主要有以下几种方法来估计气候反馈大小:第一种方法是利用控制试验(如当前CO2情景)和敏感性试验(如CO2加倍情景),将敏感性试验中反馈变量(X)的值以及控制试验中除X以外的变量值代入线下模式中,计算得到X的反馈参数,该方法被称为部分辐射扰动法[28]。但该方法计算复杂,不同模式计算得到的反馈差异很大,而且计算结果不易与观测资料进行验证[29~30]。另一种方法是利用特定的海表面温度(Sea Surface Temperature,简称SST)扰动引起大气层顶净辐射通量的变化,由大气层顶净辐射通量的变化计算相应的气候反馈过程;其全天空和晴空下辐射通量的差异表征云对总气候反馈的贡献[31~33],称为扰动SST法。该方法相比部分辐射扰动法计算简单,但很难区分不同反馈变量的作用。此外,利用该方法没有考虑云与其他变量的相互作用,云强迫变化很大程度上不是由于云属性的变化引起,因此不能真正反映云反馈的作用[29~30, 34]。一种较有效的方法是辐射核方法[35]。将气候反馈分为两项进行计算,第一项称为“辐射核”或“辐射响应”项(∂(F-S)/∂X),表示由变量X的变化引起的大气层顶辐射通量变化;第二项为“气候响应”项(dX/dTS),表示反馈变量X对全球平均地表温度变化(dTS)的气候响应。该方法能简单准确的计算不同变量的辐射反馈,便于不同模式间气候反馈差异的比较,并且辐射响应的计算对模式选取并不敏感[26]。因此,辐射核方法被大量应用于气候反馈过程和气候敏感度的研究中[1, 7, 26~27]

很多工作[11, 15, 25]利用末次冰盛期资料估计了气候敏感度,然而末次冰盛期气候反馈过程与未来4CO2情景下是否一致还并不清楚。因此本研究利用“辐射核”方法研究LGM时期气候反馈特征并与4CO2情景下进行比较。了解各参数在LGM时期和未来情景下的反馈特征和误差来源可以为平衡态气候敏感度的估计以及预测未来气候变化提供参考。

1 资料与方法 1.1 资料

采用了Shell等[2]利用NCAR(National Center for Atmospheric Research)的CAM3(Community Atmospheric Model version 3)[36]模式得到的辐射核资料。该辐射核资料与其他模式计算的辐射核资料具有较高一致性[26],包含长波和短波辐射响应两个部分。其中长波有地表温度辐射响应、大气温度辐射响应以及大气水汽辐射响应;短波包含地表反照率辐射响应和大气水汽辐射响应。而云辐射效应可以通过全天空与晴空情景的辐射响应间接表示。使用到的辐射核资料为月平均资料,其水平分辨率在经向和纬向方向上均约为1.4°,垂直分为17层。

选取PMIP3和CMIP5(Coupled Model Intercomparison Project Phase 5)计划中8个耦合模式的工业革命前控制(piControl,简称PI)试验、abrupt4xCO2 (4CO2)试验和LGM试验资料。在CMIP1~CMIP3的试验中采用了abrupt2xCO2(2CO2)情景作为研究气候敏感度的标准试验,这也是专门针对于ECS这一概念而设计的;而在CMIP5、CMIP6试验中采用了4CO2试验来估计ECS。CMIP5资料只提供了4CO2试验资料;同时4CO2浓度辐射强迫是2CO2浓度下的2倍,假设反馈参数不变,ECS则为2倍CO2浓度下估算的平衡温度响应的2倍,而采用4CO2浓度驱动模式可以得到更明显的强迫信号[3]。因此本文增温情景下采用4CO2试验。具体模式和资料信息如表 1

表 1 本研究中所使用的PMIP3模式和试验数据 Table 1 PMIP 3 models and experiments used in this study

由于低温室气体含量、大陆冰盖等多种强迫因子同时存在,LGM时期气候状态与现代气候差异巨大[22, 37~42]。这一时期的主要强迫包括较低的温室气体含量、巨大的大陆冰盖、海陆分布差异和地球轨道参数变化,相对于工业革命前其地表温度低约4.7 ℃,全球平均降水减少约10 % [43]。具体信息如表 2图 1所示。PI试验的气候状态与当今气候状态一致;4CO2试验的边界条件基本与PI试验一致,但是CO2浓度为PI试验的4倍。更多模式信息及试验介绍可以参考网站:http://pmip3.lsce.ipsl.fr/

图 1 (a) LGM时期海陆分布(红色实线)、大陆冰盖(紫色实线)及其与现代地形的高度差(阴影,单位:m)和(b)地表温度变化(单位:℃) Fig. 1 (a)Land-sea mask(red solid line), ice-sheet extent(purple solid line)during LGM, the change in surface elevation(shaded, unit: m)and (b) the change in surface temperature(unit: ℃)

表 2 PI、4CO2和LGM试验边界条件 Table 2 Boundary conditions for the PI, 4CO2 and LGM experiments
1.2 方法

辐射核方法可以将气候反馈过程分离为温度反馈(λT)、水汽反馈(λW)、地表反照率反馈(λa)以及云反馈(λc)等部分。其假设辐射响应不依赖于特征模式和气候状态,因此该方法可用于不同模式间气候反馈过程的比较,不确定性较小[26, 35]。对于上述每一种反馈变量(X)的气候反馈(λX),需要计算该变量的辐射响应(KX,∂(F-S)/∂X))和其气候响应(dX/dTS)。

某一辐射响应(KX)是将相应变量(X)进行小扰动后诊断大气层顶净辐射通量的变化[2]。过程如下:在工业革命前气候背景下,利用CAM3模式进行控制试验,得到工业革命前气候态下全天空与晴空状态的大气层顶长波与短波辐射通量,然后在每个网格点上扰动反馈变量获得该变量在全天空和晴空状态下大气层顶长波和短波辐射通量的变化。对于特定反馈变量,扰动的空间分布是均匀的,如:对大气温度而言,每个格点上的扰动幅度为1 K。最终可获得每个变量在全天空和晴空状态的4种辐射核数据,包含有:全天空长波分量,全天空短波分量,晴空长波分量和晴空短波分量。关于辐射核方法的详细介绍,参见Shell等[2]

为了研究不用气候状态下反馈过程的差异特征,选取了50年的PI和LGM试验数据;增温情景下本文中选取第141~150年数据进行研究。对于给定的辐射反馈变量X,其气候响应为:

(3)

两项的乘积:

(4)

即为反馈变量X的气候反馈。对于是关于时间、气压、经度和纬度的四维大气温度和水汽反馈数据,为了得到全球平均的反馈参数,在高度维上,我们需要对其从地表到对流层顶进行垂直积分。这里对流层顶的高度我们使用学者们普遍采用的定义:在赤道地区对流层顶的高度为100 hPa,随纬度增加,对流层顶高度线性递减,在极地为300 hPa[2, 7, 26]

由于云存在空间重叠和辐射响应非线性等特点[26],通常采用间接方法估计云反馈。根据Caldwell等[44]的方法,利用非云变量的校正云辐射强迫(ΔCRFco)结合前面计算得到的全天空与晴空下非云变量的辐射反馈,我们计算云反馈(λC)的步骤如下,下标tcl表示全天空和晴空情况:

(5)
(6)
(7)
(8)

其中ΔRt、ΔRcl分别表示全天空和晴空下大气层顶净辐射通量,ΔCRF表示云辐射强迫,定义为大气层顶全天空和晴空下的净辐射通量差。

2 多模式平均气候反馈过程

根据辐射响应结合PMIP3计划中8个耦合模式数据得到的气候响应,利用公式(4)计算各变量的辐射反馈。当某一反馈过程为正值,表示气候系统出现异常时,该反馈机制会加剧这种异常,即正反馈;负值代表负反馈,表示其对气候系统有稳定作用。以下将从温度反馈、水汽反馈、地表反照率反馈和云反馈等4个方面来估计不同气候状态下多模式平均反馈特征及其差异。

2.1 温度反馈

通常用全球平均温度变化1 K时,地表温度/气温变化所引起的大气层顶能量变化表示温度反馈(W/m2/K,W/m2/K/100 hPa)。LGM时期,全球气温低于现代,最大地面降温出现在北半球高纬度大陆冰盖存在的区域(图 1b)。纬向平均的温度反馈表现为除高纬度对流层顶外,大气温度反馈均为负反馈(图 2a),表示大气中温度降低对大气层顶能量减少有抑制作用。最大的负反馈出现在低纬对流层中高层和北半球高纬地区。低纬对流层中高层的负反馈响应一方面是由于低纬对流层中高层的辐射响应强于周围区域(图略);另一方面全球温度降低减少了大气中水汽含量,减弱的热带地区深对流使低纬对流层中高层温度降低更明显[45]。而北半球高纬度大陆冰盖这一冷源的存在,能够更加明显地降低北美和北欧大陆上的空气温度,使北半球高纬度温度反馈更加明显(图 2a)。在4CO2情景下,低纬度中高层也存在温度反馈的大值区,然而强烈的反馈区域并没有扩展到北半球高纬度地区(图 2c)。在地表,主要的负反馈区域也存在于大陆冰盖所在的区域(图 2b)。这是由于在海冰和冰盖等广泛存在的美洲、欧洲大陆以及极地地区温度变化剧烈(图 1b),导致气候响应较其他区域明显偏大,温度反馈较强(图 2b);同样,4CO2情景下在北极极地海冰存在的区域,地表温度反馈强度较全球其他区域也明显偏强;并且在低纬地区,陆地上的地表温度反馈普遍较海洋上偏强(图 2d)。

图 2 (左)大气温度反馈的年平均和纬向平均分布(单位:W/m2/K/100 hPa)及(右)地表温度反馈的年平均特征(单位:W/m2/K) (a,b)LGM;(c,d)4CO2;(e,f)LGM与4CO2情景之差(LGM-4CO2) Fig. 2 (Left)The annual-mean, zonal-mean atmospheric temperature feedback(unit: W/m2/K/100 hPa)and the annual-mean surface temperature feedback(unit: W/m2/K). (a, b)LGM; (c, d)4CO2; (e, f)Difference between LGM and 4CO2 scenario(LGM-4CO2)

与4CO2情景相比,LGM时期大气温度的负反馈强度在北半球高纬度偏强,而在热带地区偏弱(图 2e)。LGM时期北半球有Laurentide冰盖和Fennoscandian冰盖强迫,冰盖引起的地表高度改变和反照率变化使地表温度明显降低(图 1b),大气温度的辐射响应强度在高纬度偏强[26]。因此,在北半球中高纬度大气温度反馈强度明显强于4CO2情景。然而在热带地区,由于LGM时期海陆分布的变化,导致海洋性大陆以及热带印度-太平洋地区的上升运动减弱,对流运动也明显减弱[45]。这也使对流层整层的加热作用减小,从而导致LGM时期热带对流层整层温度反馈强度减小。

LGM时期地表温度反馈强度在冰盖覆盖的区域较4CO2情景强,在除冰盖区域外的中高纬度地区温度反馈较4CO2情景偏弱(图 2f)。温度反馈的强弱与地表温度相对于全球温度变化联系紧密(公式4)。在LGM时期地表温度变化有很强的不均匀性,冰盖区域温度降低是全球其他区域温度响应的数倍(图 1b),因此该区域的温度负反馈强度很强,而其他区域很弱(图 2b)。然而,在4CO2情景下,温度变化的空间不均匀性较LGM时期弱[7]。因此,LGM时期温度反馈在全球大部分地区较4CO2情景偏弱。可见温度变化的空间分布特征对地表温度反馈贡献明显。Cao等[45]检验了LGM时期不同强迫下温度的空间响应特征,指出了大陆冰盖引起的温度变化空间不均匀性远大于温室气体的作用。这表明,LGM时期冰盖强迫是导致这一时期地表温度反馈偏弱的主要原因。

对大气温度反馈(图 2a)在垂直方向上积分并与地表温度反馈(图 2b)相加后,再进行全球平均可以得到全球平均温度反馈[26]。LGM试验中多模式平均的全球平均温度反馈强度为-2.85 W/m2/K(表 3),即全球平均地表气温每变化1 K,温度反馈能够减少大气层顶2.85 W/m2的辐射强迫。而在4CO2情景下全球平均地表气温每变化1 K,温度反馈能够减少大气层顶3.74 W/m2的辐射强迫。这一温度负反馈效应明显强于LGM试验中的温度反馈。

表 3 LGM和4CO2试验年平均、垂直积分及全球平均的温度和水汽反馈以及年平均、全球平均的地表反照率反馈和云反馈 Table 3 Annual-mean, global-mean vertical integrals of the temperature feedback and water vapor feedback and annual-mean, global-mean surface albedo feedback and cloud feedback for LGM and 4CO2 experiments
2.2 水汽反馈

水汽是温室气体之一,会产生温室效应。大气层顶净辐射增加导致气温升高,增加大气中水汽含量,增多的水汽会吸收更多长波辐射,使地球进一步升温,这就是水汽反馈过程[2]。可以用地表温度变化引起的大气层顶能量变化表示。除高纬对流层顶,水汽均为正反馈作用(图 3a),表示大气中水汽含量增加对大气层顶净辐射通量增加有促进作用。由水汽引起的温室效应对对流层上层水汽的浓度变化更为敏感[46],因此在LGM时期,纬向平均的水汽反馈在低纬对流层高层最强(图 3a)。在相对湿度固定不变的假设下,相同的温度变化,较冷的区域水汽浓度会发生较大变化[47],这在一定程度上可以解释对流层中高层和冰盖存在的大陆上反馈较强的现象(图 3b)。同时低纬向外长波辐射较强,受湿绝热递减率影响对流层上层温度变化较大也增强了低纬地区的水汽反馈。4CO2情景下,低纬地区中高层的反馈同样较强(图 3c),由赤道向两极递减(图 3d)。

图 3 水汽反馈的(左)年平均和纬向平均分布特征(单位:W/m2/K/100 hPa)及(右)年平均和垂直积分特征(单位:W/m2/K) (a,b)LGM;(c,d)4CO2;(e,f)LGM与4CO2情景之差(LGM-4CO2) Fig. 3 (Left)The annual-mean, zonal-mean water vapor feedback(unit: W/m2/K/100hPa)and(Right)the annual-mean, vertical integrals of water vapor feedback(unit: W/m2/K). (a, b)LGM; (c, d)4CO2; (e, f)Difference between LGM and 4CO2 scenario(LGM-4CO2)

LGM时期水汽的正反馈强度在热带对流层高层减弱最明显,这主要是来自热带太平洋区域水汽反馈的减弱(图 3e3f)。LGM时期海陆分布改变,使沃克环流减弱(图 4,正值表示上升运动减弱),尤其是通过深对流活动向对流层上层输送的水汽明显减少。在对流层上层水汽含量的减少将减弱水汽的温室效应,这可能是导致LGM时期水汽的正反馈效应较4CO2情景偏弱的原因之一。随着LGM时期全球温度降低,对流层顶高度出现下降,因此在对流层中水汽向上输送的高度也将降低(图 4),因此水汽的正反馈效应在对流层顶减弱最明显(图 3e)。

图 4 LGM时期与PI时期沃克环流(10°S与10°N之间经向平均)的垂直速度差(单位:10-2 Pa/s) Fig. 4 The change in vertical velocity of Walker circulation (meridional mean from 10°S to 10°N) between the LGM and the PI scenario (unit:10-2 Pa/s)

对得到的水汽反馈(图 3b)进行全球平均,得到LGM时期全球平均水汽反馈强度为1.42 W/m2/K,即由水汽变化引起的大气层顶1.42 W/m2的辐射强迫将使全球平均地表气温升高1 K;同理,对4CO2情景下的水汽反馈(图 3d)进行全球平均,得到该时期下全球平均水汽反馈强度为1.76 W/m2/K(表 3)。

2.3 地表反照率反馈

地表反照率减小使大气层顶向外反射出去的短波辐射减小,增大了净向下的辐射强迫,这一过程即为反照率反馈[2]。LGM试验中FGOALS-g2模式缺少计算反照率的相关数据,其气候响应无法计算,因此我们只给出了7个模式(CCSM4、CNRM-CM5、GISS-E2-R、IPSL-CM5 A-LR、MIROC-ESM、MPI-ESM-P、MRI-CGCM3)平均的地表反照率反馈(图 5a5b),单位为W/m2/K,地表反照率反馈均为正反馈。LGM时期,由于低纬地表反照率变化和气候响应很小导致该区域地表反照率辐射响应虽然最大(图略),但反馈强度很弱,基本接近于0(图 5b)。陆地上地表反照率反馈强度较海洋上强。尤其是北半球大陆冰盖存在的陆地上,由地表反照率变化引起的气候响应最强,在该区域响应出反馈强度敏感区(图 5a)。4CO2情景中由于冰盖面积退缩,使得反照率反馈最强的区域向极地靠近(图 5c5d)。

图 5 地表反照率反馈年平均的(左)空间分布及(右)纬向平均特征(单位:W/m2/K;LGM试验不包含FGOALS-g2模式) (a,b)LGM;(c,d)4CO2;(e,f)LGM与4CO2情景之差(LGM-4CO2) Fig. 5 (Left)The annual-mean surface albedo feedback and(Right)zonal, annual mean of surface albedo feedback(unit:W/m2/K; FGOALS-g2 model excluded in LGM experiment). (a, b)LGM; (c, d)4CO2; (e, f)Difference between LGM and 4CO2 scenario(LGM-4CO2)

LGM时期,大陆冰盖存在于美洲和欧洲大陆,地表反照率明显增加(图略),这使该区域地表反照率反馈强度明显大于4CO2情景。4CO2情景下冰盖向极地收缩,导致北极地区反照率增强。因此LGM时期极地地区反照率的正反馈效应较4CO2情景弱(图 5e5f)。在50°S与30°N之间,除了少部分大陆架区域外,LGM时期与4CO2情景下地表反照率并没有明显变化,因此这些区域的反照率反馈强度较一致。

对得到的年平均地表反照率反馈(图 5a5c)进行全球平均可以得到两个情景下全球平均的地表反照率反馈。与温度和水汽两个变量不同,4CO2情景中多模式平均的全球平均地表反照率反馈强度为0.31 W/m2/K弱于LGM时期的0.74 W/m2/K(表 3),这主要来自于大陆冰盖上的贡献。

2.4 云反馈

各变量全天空和晴空下辐射反馈的差为校正云辐射强迫[26]CRFco,公式(6))如图 6所示。在图 6中,我们只给出了全天空和晴空下温度、水汽、地表反照率反馈差异的总和。LGM时期,云的存在阻挡了部分太阳短波辐射到达地面,使地表吸收的太阳短波辐射减少,发射的长波辐射也相应减少,所以温度和地表反照率反馈减弱(注意,温度本身为负反馈,地表反照率为正反馈)。并且云对温度和地表反照率的影响特征相似,主要在陆地上,尤其是在美洲和欧洲大陆上(图略)。云对水汽反馈长波分量和短波分量的影响不同,云的存在使水汽反馈短波分量增强,而对长波分量,作用相反。但总体上,云的存在使水汽反馈强度偏弱。云对水汽反馈的影响在海洋和陆地上较为一致,影响较大的区域主要分布在云量较多的赤道中西太平洋以及印度洋上(图略)。因此在图 6a中,南北半球中高纬地区是云对温度和地表反照率反馈影响相互抵消后的结果,而低纬度海洋上反映的则主要是云对水汽反馈的影响。云对4CO2试验中各反馈变量的影响与LGM试验中一致,但是由于在4CO2试验中云使地表反照率反馈减弱幅度更大,所以在图 6b北半球高纬地区均为正值。云对两个试验影响的主要差异在南北半球的极地高纬地区,冰盖覆盖的大陆以及赤道西太平洋上(图 6c)。

图 6 年平均的校正云辐射强迫(单位:W/m2/K;LGM试验不包含FGOALS-g2模式) (a)LGM;(b)4CO2;(c)LGM与4CO2情景之差(LGM-4CO2) Fig. 6 The annual-mean corrections to cloud radiative forcing.(unit:W/m2/K; FGOALS-g2 model excluded in LGM experiment). (a)LGM; (b)4CO2; (c)Difference between LGM and 4CO2 scenario(LGM-4CO2)

根据第1.2节,云反馈的分布特征如图 7。FGOALS-g2模式缺少相关数据,无法计算该模式的云反馈作用,所以图 7a为7个模式(CCSM4、CNRM-CM5、GISS-E2-R、IPSL-CM5 A-LR、MIROC-ESM、MPI-ESM-P、MRI-CGCM3)的平均云反馈。与前面3个变量的反馈特征明显不同,云对气候系统的变化既存在正反馈作用,又存在负反馈作用,具有明显的区域差异性。在LGM时期,南半球极地和高纬地区,云对气候系统的变化主要表现为负反馈作用,这种作用在北半球高纬以及中纬度太平洋上仍然存在。全球平均而言,云对气候异常起放大作用,即正反馈。4CO2情景中云的正反馈作用明显增强,这种变化主要表现在北半球中高纬地区及赤道太平洋上(图 7b)。因为温室气体强迫下温度升高使对流层顶附近云量增加,其下方云量总体减小有助于低纬度地区正的云反馈[28, 48]。研究表明地表温度的升高将使全球低云云量减小,这也是全球增暖情景下云正反馈增强的原因之一。很多研究也指出了云反馈效应的不确定性是气候敏感度不确定性的主要来源。在LGM时期,温度降低使大气中低云云量增加,从而减弱了云的整体正反馈效应。因此,LGM时期全球温度降低背景下,云的反馈强度较4CO2情景偏弱(图 7c)。

图 7 多模式平均的云反馈(单位:W/m2/K;LGM试验不包含FGOALS-g2模式) (a)LGM;(b)4CO2;(c)LGM与4CO2情景之差(LGM-4CO2) Fig. 7 Multimodel ensemble-mean maps of cloud feedback(unit:W/m2/K; Except for FGOALS-g2 in LGM experiment). (a)LGM; (b)4CO2; (c)Difference between LGM and 4CO2 scenario(LGM-4CO2)

对得到的云反馈(图 7a)进行全球平均,得到LGM时期全球平均云反馈强度为0.11 W/m2/K,即云的变化引起大气层顶0.11 W/m2的辐射强迫对应于全球平均地表气温变化1 K;同理,4CO2情景下全球平均云反馈强度为0.36 W/m2/K(表 3)。

3 模式间LGM与4CO2试验反馈强度比较

两个试验下8个模式计算得到的全球平均反馈参数如表 3。与前面相同,正值表示正反馈,对气候变化有放大作用;负值表示负反馈,能够阻尼气候系统的变化。LGM试验中,不同耦合模式的温度反馈均为负反馈,其强度范围从-2.63 W/m2/K到-3.33 W/m2/K,平均为- 2.85 W/m2/K,模式间结果的差异主要来自于温度变化的差异性。总体上,最强的正反馈是水汽反馈,不同模式的水汽反馈强度在1.27 W/m2/K到1.72 W/m2/K之间,平均反馈强度为1.42 W/m2/K。其次是地表反照率反馈,不同模式的强度在0.63 W/m2/K到0.81 W/m2/K之间,多模式平均反馈强度为0.74 W/m2/K。云反馈强度最弱,平均为0.11 W/m2/K。4CO2试验中,除云之外,各反馈过程的强度都与LGM时期有显著差异,通过了95 %的显著性检验。从方差结果来看,两个试验中模式不确定性主要来源于云反馈过程,这与前人的研究结果一致[1, 15, 49]

4 结论

平衡态气候敏感度是指CO2浓度两倍于工业革命前状态后,地气系统达到新平衡时地表增温幅度。虽然近几十年观测资料不断丰富,气候模式不断发展,但不论是CMIP模式资料还是观测估计的气候敏感度仍存在较大的不确定性。末次冰盛期作为一个代用资料丰富的历史时期,被认为是最适合用来估算气候系统对辐射强迫响应的古气候区间之一。很多学者试图利用末次冰盛期代用资料缩小气候敏感度的不确定性,然而结论并不一致。气候反馈强度表示对给定的外部强迫地球系统温度的响应程度,对于平衡态气候敏感度的估计至关重要。理解末次冰盛期与未来增温情景下气候反馈过程的差异,有助于进一步限定气候敏感度的不确定性。鉴于此,本研究采用辐射核方法研究了PMIP3计划中8个耦合模式的LGM时期和4CO2情景下温度反馈、水汽反馈、反照率反馈和云反馈等几种主要气候反馈过程。

全球平均而言,两种情景下温度反馈均为负反馈,水汽、地表反照率和云反馈为正反馈。多模式平均结果表明,LGM时期和4CO2情景下全球平均的温度、水汽、地表反照率反馈强度分别为:-2.85 W/m2/K、1.42 W/m2/K、0.74 W/m2/K和-3.74 W/m2/K、1.76 W/m2/K、0.31 W/m2/K。两种不同情景下3种反馈强度存在显著性差异。然而云反馈强度在LGM时期和4CO2情景下差异并不显著,主要是由于不同情景下云反馈的不确定性都很大。云反馈过程的不确定性也大于温度、水汽、地表反照率反馈过程的不确定性。

在不同情景下,不同反馈过程强度存在明显空间差异。虽然LGM时期北半球高纬大陆冰盖的存在使大气温度反馈在高纬度偏强,然而热带地区大气温度反馈偏弱,更重要的是LGM时期温度变化强烈的空间不均一性导致LGM时期地表温度反馈较4CO2情景偏弱。LGM时期热带地区偏弱的大气温度反馈可能与海陆分布变化引起的沃克环流变化相联系,而地表温度变化的不均一性与大陆冰盖强迫紧密相关。LGM时期水汽反馈强度较4CO2情景整体偏弱,尤其是在赤道东太平洋,这可能与海陆分布变化引起的沃克环流变化以及全球降温相联系。不同情景下地表反照率的强反馈区域与海冰/冰盖范围的退缩和扩张吻合。LGM时期大陆冰盖和海冰存在是导致LGM时期地表反照率反馈增加的主要原因。LGM时期云的正反馈作用较4CO2情景下弱,这可能与气温降低引起低云云量增加有关。进一步厘清气候反馈过程变化的具体原因需要进行LGM单一强迫试验进行验证。

致谢: 感谢审稿老师和编辑部老师建设性的相关意见,使文章得以完善。

参考文献(References)
[1]
Thorsen T J, Kato S, Loeb N G, et al. Observation-based decomposition of radiative perturbations and radiative kernels[J]. Journal of Climate, 2018, 31(24): 10039-10058. DOI:10.1175/JCLI-D-18-0045.1
[2]
Shell K M, Kiehl J T, Shields C A. Using the radiative kernel technique to calculate climate feedbacks in NCAR's Community Atmospheric Model[J]. Journal of Climate, 2008, 21(10): 2269-2282. DOI:10.1175/2007JCLI2044.1
[3]
周天军, 陈晓龙. 气候敏感度、气候反馈过程与2℃升温阈值的不确定性问题[J]. 气象学报, 2015, 73(4): 624-634.
Zhou Tianjun, Chen Xiaolong. The uncertainty in the 2℃ warming threshold issue as related to climate sensitivity and climate feedback[J]. Acta Meteorologica Sinica, 2015, 73(4): 624-634.
[4]
巢纪平, 李耀锟. 二维能量平衡模式中大气温度对二氧化碳增温效应的响应[J]. 气象学报, 2010, 68(2): 147-152.
Chao Jiping, Li Yaokun. Response of atmospheric temperature to CO2 warming effect in a 2-dimensional energy balance model[J]. Acta Meteorologica Sinica, 2010, 68(2): 147-152. DOI:10.3969/j.issn.1004-4965.2010.02.003
[5]
Cox P M, Huntingford C, Williamson M S. Emergent constraint on equilibrium climate sensitivity from global temperature variability[J]. Nature, Nature Publishing Group, 2018, 553(7688): 319-322.
[6]
李娟, 杨军.气候敏感性与极地增温放大效应[C]//第34届中国气象学会年会S9大气成分与天气、气候变化及环境影响论文集. 2017: 2.
Li Juan, Yang Jun. Climate sensitivity and polarization-warming amplification effect[C]//The 34th Annual Meeting of the Chinese Meteorological Society S9 Proceedings of Atmospheric Composition and Weather, Climate Change and Environmental Impact. 2017: 2.
[7]
Capistrano V B, Nobre P, Tedeschi R G, et al. Overview of climate change in the BESM-OA2.5 climate model[J]. Geoscientific Model Development Discussions, 2018, 1-29. DOI:10.5194/gmd-2018-209
[8]
Hegerl G C, Zwiers F W, Braconnot P, et al. Understanding and attributing climate change[M]//IPCC. Climate Change 2007: The Physical Science Basis: Contribution of Working Group Ⅰ to the Fourth Assessment Report of the Intergovernmental Panel on Climate Change. Cambridge: Cambridge University Press, 2007: 663-745.
[9]
Meehl G A, Stocker T F, Collins W D, et al. Global climate projections[M]//IPCC. Climate Change 2007: The Physical Science Basis: Contribution of Working Group Ⅰ to the Fourth Assessment Report of the Intergovernmental Panel on Climate Change. Cambridge: Cambridge University Press, 2007: 747-845.
[10]
王绍武, 罗勇, 赵宗慈, 等. 平衡气候敏感度[J]. 气候变化研究进展, 2012, 8(3): 232-234.
Wang Shaowu, Luo Yong, Zhao Zongci, et al. Equilibrium climate sensitivity[J]. Advances in Climate Change Research, 2012, 8(3): 232-234. DOI:10.3969/j.issn.1673-1719.2012.03.012
[11]
Deimling T S V, Held H, Ganopolski A, et al. Climate sensitivity estimated from ensemble simulations of glacial climate[J]. Climate Dynamics, 2006, 27(2-3): 149-163. DOI:10.1007/s00382-006-0126-8
[12]
周天军, 吴波, 郭准, 等. 东亚夏季风变化机理的模拟和未来变化的预估:成绩和问题、机遇和挑战[J]. 大气科学, 2018, 42(4): 902-934.
Zhou Tianjun, Wu Bo, Guo Zhun, et al. A review of East Asian summer monsoon simulation and projection:Achievements and problems, opportunities and challenges[J]. Chinese Journal of Atmospheric Sciences, 2018, 42(4): 902-934.
[13]
Mitchell J F B, Manabe S, Meleshko V, et al. Equilibrium climate change and its implications for the future[M]//IPCC. Climate Change: The Scientific Assessment: Contribution of Working Group Ⅰ to First Assessment Report of the Intergovernmental Panel on Climate Change. Cambridge: Cambridge University Press, 1990: 137-164.
[14]
Knutti R, Rugenstein M A A, Hegerl G C. Beyond equilibrium climate sensitivity[J]. Nature Geoscience, 2017, 10(10): 727-736. DOI:10.1038/ngeo3017
[15]
Hargreaves J C, Annan J D, Yoshimori M, et al. Can the Last Glacial Maximum constrain climate sensitivity?[J]. Geophysical Research Letters, 2013, 39(24): L24702.
[16]
Hopcroft P O, Valdes P J. How well do simulated Last Glacial Maximum tropical temperatures constrain equilibrium climate sensitivity?[J]. Geophysical Research Letters, 2015, 42(13): 5533-5539. DOI:10.1002/2015GL064903
[17]
Crucifix M. Does the Last Glacial Maximum constrain climate sensitivity?[J]. Geophysical Research Letters, 2006, 33(18): L18701.
[18]
姜大膀, 田芝平. 末次冰盛期和全新世中期东亚地区水汽输送的模拟研究[J]. 第四纪研究, 2017, 37(5): 999-1008.
Jiang Dabang, Tian Zhiping. Last Glacial Maximum and mid-Holocene water vapor transport over East Asia:A modeling study[J]. Quaternary Sciences, 2017, 37(5): 999-1008.
[19]
姜大膀, 王会军, 郎咸梅. 末次盛冰期气候模拟及青藏高原冰盖的可能影响[J]. 第四纪研究, 2002, 22(4): 323-331.
Jiang Dabang, Wang Huijun, Lang Xianmei. Palaeoclimate modeling for the Last Glacial Maximum and the possible influence of the continental ice sheet over the Qinghai-Xizang Plateau[J]. Quaternary Sciences, 2002, 22(4): 323-331. DOI:10.3321/j.issn:1001-7410.2002.04.004
[20]
姜大膀, 梁潇云. 末次盛冰期东亚气候的成因检测[J]. 第四纪研究, 2008, 28(3): 491-501.
Jiang Dabang, Liang Xiaoyun. Attribution of East Asian climate at the Last Glacial Maximum[J]. Quaternary Sciences, 2008, 28(3): 491-501. DOI:10.3321/j.issn:1001-7410.2008.03.014
[21]
Kutzbach J, Gallimore R, Harrison S, et al. Climate and biome simulations for the past 21000 years[J]. Quaternary Science Reviews, 1998, 17(6-7): 473-506. DOI:10.1016/S0277-3791(98)00009-2
[22]
袁熹, 石正国, 周卫健. 中全新世和末次盛冰期北大西洋涛动变化及其与亚洲降水的联系:基于MPI-ESM模拟试验[J]. 第四纪研究, 2014, 34(6): 1156-1165.
Yuan Xi, Shi Zhengguo, Zhou Weijian. North Atlantic Oscillation changes and its relationship with Asian precipitation in mid-Holocene and Last Glacial Maximum:Results from MPI-ESM simulations[J]. Quaternary Sciences, 2014, 34(6): 1156-1165.
[23]
张恩楼, 孙伟伟, 刘恩峰, 等. 末次冰盛期以来洱海沉积物元素碳同位素特征与区域植被组成变化[J]. 第四纪研究, 2017, 37(5): 1027-1036.
Zhang Enlou, Sun Weiwei, Liu Enfeng, et al. Vegetation change reconstructed by a stable isotope record of elemental carbon from Lake Erhai, Southwest China since the Last Glacial Maximum[J]. Quaternary Sciences, 2017, 37(5): 1027-1036.
[24]
马雪云, 魏志福, 王永莉, 等. 末次冰盛期以来东北地区霍拉盆地湖泊沉积物记录的C3/C4植被演化[J]. 第四纪研究, 2018, 38(5): 1193-1202.
Ma Xueyun, Wei Zhifu, Wang Yongli, et al. C3/C4 vegetation evolution recorded by lake sediments in the Huola basin, Northeast China since the Last Glacial Maximun[J]. Quaternary Sciences, 2018, 38(5): 1193-1202.
[25]
Schmittner A, Urban N M, Shakun J D, et al. Climate sensitivity estimated from temperature reconstructions of the Last Glacial Maximum[J]. Science, 2011, 334(6061): 1385-1388. DOI:10.1126/science.1203513
[26]
Soden B J, Held I M, Shell K M, et al. Quantifying climate feedbacks using radiative kernels[J]. Journal of Climate, 2008, 21(14): 3504-3520. DOI:10.1175/2007JCLI2110.1
[27]
Sanderson B M, Shell K M. Model-specific radiative kernels for calculating cloud and noncloud climate feedbacks[J]. Journal of Climate, 2012, 25(21): 7607-7624. DOI:10.1175/JCLI-D-11-00726.1
[28]
Wetherald R T, Manabe S. Cloud feedback processes in a general circulation model[J]. Journal of the Atmospheric Sciences, 1988, 45(8): 1397-1416. DOI:10.1175/1520-0469(1988)045<1397:CFPIAG>2.0.CO;2
[29]
Colman R. A comparison of climate feedbacks in general circulation models[J]. Climate Dynamics, 2003, 20(7-8): 865-873. DOI:10.1007/s00382-003-0310-z
[30]
Soden B J, Broccoli A J, Hemler R S, et al. On the use of cloud forcing to estimate cloud feedback[J]. Journal of Climate, 2004, 17(19): 3661-3665. DOI:10.1175/1520-0442(2004)017<3661:OTUOCF>2.0.CO;2
[31]
Cess R D, Potter G L. A methodology for understanding and intercomparing atmospheric climate feedback processes in general circulation models[J]. Journal of Geophysical Research:Atmospheres, 1988, 93(8): 8305-8314.
[32]
Cess R D, Potter G L, Blanchet J P, et al. Intercomparison and interpretation of climate feedback processes in 19 atmospheric general circulation models[J]. Journal of Geophysical Research:Atmospheres, 1990, 95(D10): 16601-16615. DOI:10.1029/JD095iD10p16601
[33]
Cess R D, Zhang M H, Ingram W J, et al. Cloud feedback in atmospheric general circulation models:An update[J]. Journal of Geophysical Research:Atmospheres, 1996, 101(D8): 12791-12794. DOI:10.1029/96JD00822
[34]
Zhang M H, Hack J J, Kiehl J T, et al. Diagnostic study of climate feedback processes in atmospheric general circulation models[J]. Journal of Geophysical Research, 1994, 99(D3): 5525-5537. DOI:10.1029/93JD03523
[35]
Soden B J, Held I M. An assessment of climate feedbacks in coupled ocean-Atmosphere models[J]. Journal of Climate, 2006, 19(14): 3354-3360. DOI:10.1175/JCLI3799.1
[36]
Collins W D, Rasch P J, Boville B A, et al. The formulation and atmospheric simulation of the Community Atmosphere Model Version 3(CAM3)[J]. Journal of Climate, 2006, 19(11): 2144-2161. DOI:10.1175/JCLI3760.1
[37]
Clark P U, Dyke A S, Shakun J D, et al. The Last Glacial Maximum[J]. Science, 2009, 325(5941): 710-714. DOI:10.1126/science.1172873
[38]
Waelbroeck C, Paul A, Kucera M, et al. Constraints on the magnitude and patterns of ocean cooling at the Last Glacial Maximum[J]. Nature Geoscience, 2009, 2(2): 127-132.
[39]
刘煜, 何金海, 李维亮, 等. MM5对末次盛冰期中国气候的模拟研究Ⅰ:CO2和地球轨道参数的影响[J]. 气象学报, 2007, 65(2): 139-150.
Liu Yu, He Jinhai, Li Weiliang, et al. MM5 simulations of the China regional climate of the LGMⅠ:Influences of CO2 and Earth orbit changes[J]. Acta Meteorologica Sinica, 2007, 65(2): 139-150. DOI:10.3321/j.issn:0577-6619.2007.02.001
[40]
刘煜, 何金海, 李维亮, 等. MM5对末次盛冰期中国气候的模拟研究Ⅱ:海陆分布、植被和大尺度环流背景变化的影响[J]. 气象学报, 2007, 65(2): 151-159.
Liu Yu, He Jinhai, Li Weiliang, et al. MM5 simulations of the China regional climate of the LGMⅡ:Influences of changes of land area, vegetation, and large-scale circulation background[J]. Acta Meteorologica Sinica, 2007, 65(2): 151-159. DOI:10.3321/j.issn:0577-6619.2007.02.002
[41]
吴乃琴, 刘秀平, 顾兆炎, 等. 末次盛冰期黄土高原蜗牛化石记录的气候快速变化及其影响机制[J]. 第四纪研究, 2002, 22(3): 283-291.
Wu Naiqin, Liu Xiuping, Gu Zhaoyan, et al. Rapid climate change and its influence mechanism recorded by snail fossils in the Loess Plateau during the Last Glacial Maximum[J]. Quaternary Sciences, 2002, 22(3): 283-291. DOI:10.3321/j.issn:1001-7410.2002.03.012
[42]
何薇, 汪亘, 王永莉, 等. 四川邛海湖泊沉积物记录的过去30 cal.ka B. P.以来的古气候环境特征[J]. 第四纪研究, 2018, 38(5): 1179-1192.
He Wei, Wang Gen, Wang Yongli, et al. Characteristics of climate and environment over the past 30 cal.ka B. P. recorded in lacustrine deposits of the Qionghai Lake, Sichuan Province[J]. Quaternary Sciences, 2018, 38(5): 1179-1192.
[43]
曹剑. NUIST地球系统模式研发及对末次盛冰期全球季风活动的模拟[D].南京: 南京信息工程大学博士论文, 2015: 1-131.
Cao Jian. The Development of NUIST Earth System Model and Simulation of Global Monsoon Activities during Last Glacial Maximum[D]. Nanjing: The Doctoral Dissertation of Nanjing University of Information Science & Technology, 2015: 1-131. http://cdmd.cnki.com.cn/Article/CDMD-10300-1016063925.htm
[44]
Caldwell P M, Zelinka M D, Taylor K E, et al. Quantifying the sources of inter-model spread in equilibrium climate sensitivity[J]. Journal of Climate, 2016, 29(2): 513-524. DOI:10.1175/JCLI-D-15-0352.1
[45]
Cao J, Wang B, Liu J. Attribution of the Last Glacial Maximum climate formation[J]. Climate Dynamics, 2019, 1-19. DOI:10.1007/s00382-019-04711-6
[46]
Solomon S, Qin D, Manning M, et al. Global climate projections[M]//IPCC. Climate Change 2007: The Physical Science Basis: Contribution of Working Group Ⅰ to the Fourth Assessment Report of the Intergovernmental Panel on Climate Change. Cambridge: Cambridge University Press, 2007: 589-662.
[47]
Held I M, Soden B J. Water vapor feedback and global warming[J]. Annual Review of Energy and the Environment, 2000, 25(1): 441-475. DOI:10.1146/annurev.energy.25.1.441
[48]
Mitchell J F B, Ingram W J. Carbon dioxide and climate:Mechanisms of changes in cloud[J]. Journal of Climate, 1992, 5(1): 5-21. DOI:10.1175/1520-0442(1992)005<0005:CDACMO>2.0.CO;2
[49]
姜大膀, 刘叶一. 温室效应会使地球温度上升多高?——关于平衡气候敏感度[J]. 科学通报, 2016, 61(7): 691-694.
Jiang Dabang, Liu Yeyi. How hot will the greenhouse world be?-A brief review of equilibrium climate sensitivity[J]. Chinese Science Bulletin, 2016, 61(7): 691-694.
Climate feedbacks at the Last Glacial Maximum
Wang Bo1, Cao Jian1, Wu Liguang2     
(1 Nanjing University of Information Science & Technology, Nanjing 210044, Jiangsu;
2 Fudan University, Shanghai 200433)

Abstract

Assessing the impact of future global warming is impeded by the large range of Equilibrium Climate Sensitivity (ECS) to atmospheric CO2 doubling. Previous studies suggested the Last Glacial Maximum (LGM) is an ideal paleoclimate period to constrain the ECS since the abundant proxy data and coupled model simulations. However, the ECS inferred from LGM proxy data is still elusive since the climate feedback processes have not been well understood. In this study, the similarities and differences in the climate feedbacks, include temperature, water vapor, albedo and cloud feedback, for LGM and abrupt4xCO2 scenarios are investigated using the radiative kernel method and the Paleoclimate Modelling Intercomparison Project Phase Ⅲ (PMIP3) coupled model simulations. The results suggest that, in the global mean sense, the temperature, water vaper and albedo feedbacks have significant difference between LGM and abrupt4xCO2 scenarios, while the cloud feedback process is undistinguishable due to its uncertainties between scenarios and/or coupled models. The spatial distributions of feedback strengths are different in all feedback processes between scenarios. The discrepancy of temperature feedback between LGM and abrupt4xCO2 scenarios are due to highly inhomogeneous of surface temperature response due to the presence of continental ice sheets and tropical convection change because of the exposure of continental shelf. The difference in water vapor feedbacks over the equatorial eastern Pacific could be induced by the exposure of continental shelf and its induced Walker circulation change. The change of albedo feedback is consistent with the change of continental ice sheets/sea ice cover. The model uncertainty in cloud feedback strength and the change of low cloud between LGM and abrupt4xCO2 scenario could affect the total cloud feedback strength. Individual LGM forcing sensitive experiments are necessary for isolating the effect of each boundary forcing on the climate feedbacks.
Key words: Last Glacial Maximum    abrupt4xCO2    radiative kernel    climate feedbacks