2 兰州大学资源环境学院, 西部环境教育部重点实验室, 甘肃 兰州 730000)
随着气候变暖的持续,迫切需要预测区域气候对全球气温升高的响应。对未来气候的预测可以通过预设不同的温室气体排放情景,利用气候系统模式的数值模拟来实现。对过去气候变化的研究也能够帮助我们理解未来气候变化。一些古气候代用资料记录了地球历史上曾经的暖期气候,提供了气候变暖导致的可能后果[1~3]。第四纪冰期和间冰期之间的气候变化引起的全球或至少北半球的温度上升超过了全新世乃至当今气候变暖的幅度[4]。距今最近的末次冰间期(Last Interglacial,简称LIG)大约发生在129~116 ka前,海陆分布等地质构造及大气中温室气体含量等与现在相差无几,全球温暖程度也与当今以及未来可能的增暖相当[5~6]。因此,以LIG时期的古气候资料为标尺,利用数值模拟来研究气候系统对辐射强迫引起的地表温度的变化以及由此造成的一系列气候系统内部的反馈,将为我们理解和预测当前气候变暖的后果提供很有价值的参考[1, 5, 7]。模拟LIG时期的气候情景也是第六次国际气候模式比较计划(CMIP6)中古气候模拟比较计划(PMIP4)的5组主要目标试验之一[8]。
LIG时期全球地表气温高于工业革命前(Pre-industrial,简称PI),也略高于现在,北半球尤其在高纬度地区增暖更大[9~10],在LIG增暖高峰期的127~125 ka期间,全球地表气温比PI时期高2.0 ℃左右,全球海表温度高约0.5 ℃[11~12],北半球中高纬度地区的陆表气温高约2~5 ℃[10],这些变暖特征与对未来全球变暖的预测类似[13]。气候数值模拟研究表明,全球平均表面气温每增加1 ℃,全球降水量可能会增加3 % [14]。古气候代用资料显示LIG时期北极地区[15]和北半球中纬度[9, 16]比全新世湿润,亚洲季风[17]和北非季风[18]比当今更强,气候模式数值试验也再现了这些变化特征[19~22]。但是由于LIG时期的古气候代用资料远不如全新世丰富,表征区域气候变化的空间分布特征的证据有矛盾之处,如位于东亚季风区中国华南永兴洞的石笋记录显示LIG时期季风呈现不稳定的变化,在127 ka左右季风相对较弱[23],而位于当今东亚季风区中心长江流域葫芦洞的记录显示当时季风变强[17]。代用资料的缺乏和分布的不均匀,很难获知其结果的准确指示意义和空间代表性,在这种情况下,借助气候系统数值模拟试验来认识LIG时期气候变化的空间分布特征,通过对比模拟结果和古气候代用资料,理解不同地点资料的指示意义以及造成其变化的原因,将对预测未来季风的时空变化提供强有力的科学依据。
本研究利用全球气候系统模式EC-Earth模拟了LIG时期的气候情景,主要关注东亚夏季风的变化,通过设计运行几组数值试验分别估计地球轨道强迫和植被反馈对东亚季风的影响,并探讨了造成这些变化的物理机制。本研究中的末次间冰期数值模拟试验是PMIP4中的第一优先级试验中的lig127k,是针对127 ka的平衡态试验,通过与工业革命前1850年的平衡态试验PI的对比,获取127 ka相对于PI的气候变化。文中将统一使用127 ka和PI作为末次间冰期和工业革命前的简称。
1 气候系统模式和数值试验设计 1.1 地球系统模式EC-EarthEC-Earth模式是一个耦合了气候系统中大气、陆地和海洋中主要的子系统的地球系统模式,由三十多个欧盟联合体的研究所共同开发,被广泛应用于有关气候变化科学问题的研究和对未来不同情景的气候预测[24~26]。早期的EC-Earth模式采用欧洲中期天气预报模式所使用的大气模块IFS和陆面模块H-TESSEL,耦合了海洋模块NEMO和海冰模块LIM,发展了完全耦合的全球大气海洋模式[27~28]。近年来EC-Earth模式耦合了动态植被模块LPJ- GUESS、大气化学模块TM5和海洋生物化学模块PISCES,最新版本为EC-Earth3。EC-Earth3模式参与了15个第六次气候模式比较计划CMIP6,由于各个比较计划的侧重点不同,模式的配置也有所差异。图 1展示了参与CMIP6的EC-Earth3模式系统各个模块及其版本。其中,大气和陆面模块的水平分辨率为TL59(约1.125°×1.125°经纬度,约125 km),大气垂直方向有62层,模式顶为5 hPa。海洋和海冰的水平分辨率为1°×1°,海洋垂直方向有75层。
![]() |
图 1 地球系统模式EC-Earth3模式的模块组成 Fig. 1 The components of the Earth system model EC-Earth3 |
为了研究LIG时期轨道参数变化对气候的影响,我们采用完全耦合的大气-陆面-海洋-海冰模式配置,运行了127 ka和PI时期的数值模拟试验;为了进一步考察植被对气候的反馈作用,我们在原有试验配置基础上耦合了动态植被模式LPJ- GUESS。EC-Earth3与LPJ-GUESS的耦合之后,EC-Earth3中预先给定的土地利用特征和植被参数将由LPJ-GUESS根据相应的气候条件(短波辐射、温度和降水)计算产生。LPJ-GUESS模拟的植被类型通过光合作用途径(C3或C4)、生长形式、物候和生物气候限度以及生活史策略来区分[29]。模拟结果输出中包含了高植被和低植被的植被类型、植被覆盖度和叶面积指数(Leaf Area Index,简称LAI)。LPJ-GUESS的水平分辨率为约1°× 1°,约100 km。
1.2 数值试验设计与工业革命时期的控制试验PI相比,末次间冰期试验127 ka的主要外强迫是地球轨道参数的变化以及大气中温室气体浓度的变化。海陆分布以及地形在末次间冰期的分布与当代差别不大,因此在模式试验设置中无改变。其他的边界条件,如陆地冰川、地表植被、沙尘等气溶胶的分布在127 ka时期与PI时期有所差异。由于EC-Earth没有耦合冰川模式,因此遵循PMIP4协议,127 ka试验中格陵兰冰川的设置等同于PI试验,但是这种设置会低估北大西洋淡水通量。具体各参数设置请参考表 1。
![]() |
表 1 模式试验设置的轨道参数、大气中温室气体浓度和地表植被分布 Table 1 The orbital parameters, the green-house gases concentration in the atmosphere and the surface vegetation map in different experiment setup |
EC-Earth模式的陆面模式H-TESSEL中表征地表植被分布时,定义每个模式格点有两种植被类型,即高植被(TH)和低植被(TL),以及两种植被类型所占格点面积AH和AL。高低植被覆盖率CH和CL用高低植被所占面积和具体植被的实际覆盖率cveg来计算,表示为AHcveg(TH)和ALcveg(TL),如常绿针叶林的cveg为0.9,而常绿灌木的cveg为0.5[30]。模式中对植被覆盖率的计算还会考虑有无积雪的情况。H-TESSEL中具体的地表物理过程的参数化方案可参看ECMWF的技术报告[30]。如表 1所示,PI中给定的的全球植被资料是参照1990年的卫星观测资料。
轨道参数的变化导致的大气层顶入射太阳辐射随纬度和季节的变化非常明显(图 2),127 ka时期北半球5~7月的入射太阳辐射比PI时期平均多出48 W/m2,多出约30 %,在60°N以北的北极地区甚至多出70 W/m2。夏季太阳辐射的增加使得陆地表面增温比海表增温更加明显,进一步加大海陆热力差异,使得北半球季风尤其是非洲季风和亚洲季风显著增强。尽管127 ka时期的温室气体浓度较PI时期稍低,但并未达到明显的冷却效应,因此轨道参数的变化主导了北半球的夏季增暖以及夏季风的增强。
![]() |
图 2 127 ka相对于PI的大气层顶入射太阳辐射分布随纬度-季节的变化(单位:W/m2) Fig. 2 Changes in the latitudinal and seasonal distribution of insolation(W/m2)in 127 ka, with respect to the PI |
地表植被类型和分布的变化可以显著改变地表能量通量、水分循环和碳循环,进而通过陆气相互作用引起气候的改变。一些古气候代用资料表明在气候温暖的末次间冰期,地表植被对轨道强迫引起的气候变化有明显响应,尤其在主要季风区出现了绿色撒哈拉(Green Sahara)等明显的地表特征的变化[31]。由于缺乏全球地表植被的重建资料,PMIP4协议中127 ka试验的植被类型与分布仍然与PI试验相同[6]。然而,因为植被对气候的反馈作用,这种设置有可能使得模拟的127 ka时期气候与代用资料所指示的有差异。在本研究中我们使用了大气-海洋-动态植被的模式配置,以期能获得较为真实的127 ka时期的植被分布,同时通过与没有耦合植被的试验结果进行对比,获知植被反馈对127 ka气候变化的贡献。图 3给出了耦合动态植被模式的全球高低植被类型的分布,从中可以看到,在127 ka时期,低植被类型和高植被类型的分布面积均比PI时期的要大,中高纬度的高植被类型也有所变化,北美和欧亚大陆北部混合型森林替代了针叶林。
![]() |
图 3 动态植被模型LPJ-GUESS模拟的PI时期(a,c)和127 ka时期(b,d)的植被类型 (a)和(b)为低植被类型;(c)和(d)为高植被类型 Fig. 3 Dynamical vegetation model LPJ-GUESS simulated global vegetation distribution in PI(a, c) and 127 ka(b, d). (a)and (b) are low vegetation, (c)and (d) are high vegetation |
在PI和127 ka试验中,由于植被类型是给定的并且不随时间变化,无论气候如何变化(气候系统内部变率),植被无响应无变化,植被对大气的反馈也是固定不变的。耦合了动态植被之后的PI-veg和127 ka-veg试验的模拟积分过程中,植被和大气之间存在相互作用,植被会随大气变量的变化而变化,同时这些变化又会通过改变地表通量、水分循环、碳循环等反馈影响到大气。
我们的PI试验在CMIP6的相同配置的试验基础上运行了400 a,取最后200 a做对比分析。PI- veg试验的初始条件取自已经达到平衡态的PI试验,耦合LPJ-GUESS之后运行了400 a,取最后200 a做对比分析。127 ka试验由于外强迫的改变,从已经稳定的PI初始条件开始运行,经过200 a后达到平衡态(全球平均海表温度趋势小于0.05 ℃/百年),模式试验继续运行200 a做数据分析。127 ka-veg的初始条件取自已稳定的127 ka,运行400 a后取后200 a的模式资料做对比分析。具体细节可参看EC-Earth关于PMIP4暖期试验的模式设置说明和结果评估[32]。本文分析使用的4组试验的200 a模式输出资料将发表在CMIP6的模式资料库ESGF节点上。
表 1中所示的4组试验均为平衡态试验,即外强迫和边界条件是固定的,不随时间变化。一个平衡态试验的多年平均反映了气候平均态。两组气候平均态的差异反映的是由于外强迫导致的气候变化,也是本文主要讨论的主题。每组试验的200 a资料中亦会有从季节,年际到年代际的变率,反映的是气候系统的内部变率,在不同气候背景下,这些不同时间尺度变率也会有所变化,比如年际信号ENSO的强度在末次间冰期比当代弱[33],关于气候变率的变化我们将另行讨论。在对比分析中我们取200年平均的模式数据来表征一个气候背景下的气候平均态。
设计的4组试验中,127 ka与PI的模拟结果对比反映气候对轨道强迫和温室气体的响应,其中轨道强迫的作用占主导。127 ka-veg与127 ka的模拟结果对比进一步体现在末次间冰期轨道强迫的气候背景下,植被对气候变化的响应及其反馈作用。127 ka-veg与PI的模拟结果对比则反映了轨道强迫和植被反馈共同的作用。几组试验结果的对比均进行了平均值显著性差异的统计检验。
1.3 对模式模拟的东亚夏季风降水的评估为了评估模式对东亚地区气候的模拟能力,我们使用了同时段的模拟结果与全球降水气候中心(Global Precipitation Climatology Centre, 简称GPCC)的现代观测资料进行对比,结果表明模式对东亚夏季风降水具有很好的模拟能力。从图 4可以看到,EC-Earth模式模拟的历史时期东亚地区夏季降水的气候平均态以及标准差分布与观测结果基本一致。模式很好地捕捉到了中国东部和南方降水大值区以及大变率区,以及西北地区干旱少雨的特征。东亚夏季风降水的主要特征比如江淮多雨、青藏高原南麓地区强降水等在模式资料中亦有体现。模式模拟的东亚干旱、半干旱区东北至西南走向的降水梯度也与观测基本一致。无论是气候平均态还是降水标准差,模拟和观测的空间相关系数均分别高达0.93和0.95,超过了99 %的置信水平。
![]() |
图 4 (a,c)GPCC观测的夏季降水(6~8月平均)与(b,d)EC-Earth3-LR(低分辨率)模拟的历史时期的夏季降水(单位:mm/月) (a)和(b)为1981~2010年的30年气候平均值;(c)和(d)为同期夏季降水标准差 Fig. 4 Observed summer precipitation (JJA mean) from GPCC (a, c) and EC-Earth3-LR (low resolution) historical simulation (b, d). (a)and (b) are climatology averaged for 1981~2010, (c)and (d) are standard deviation. Unit: mm/month |
部分已发表的科学文献中基于孢粉、黄土、沙尘和石笋重建的气候和环境资料(表 2和表 3)表明,除了陕西蒲城的黄土记录显示了与现在大体一致的降水量以外,127 ka时期东亚的大多数代用指标都表征比现在更加湿润的气候。其中,石笋氧同位素记录整体偏负,指示更强的东亚夏季风。位于中国华南的永兴洞石笋显示东亚夏季风在末次间冰期125 ka至127 ka之间的2000年间振荡特征,对应127 ka时期较弱的季风[23]。尽管石笋氧同位素是否能代表东亚夏季风降水还存在争议,但是它在一定程度上代表了东亚夏季风环流的强度[47]。总体而言,古气候重建资料指示了127 ka时期比现在更强的东亚夏季风,尤其是位于115°E以西的我国内陆地区。127 ka时期东亚的重建植被资料稀少,我们收集到的5个孢粉和黄土重建资料结果显示127 ka时期的植被类型与现代相似:西北地区以草地为主,而中国北方和西伯利亚以北方针叶林为主,日本琵琶湖的孢粉记录显示为温带落叶林(表 3),黄土高原以草地为主[48~50]。
![]() |
表 2 末次间冰期时期表征东亚夏季风的古气候证据 Table 2 The paleoclimate proxy evidence for EASM during the last interglacial |
![]() |
表 3 末次间冰期时候表征东亚地区植被特征的古气候证据 Table 3 The paleo-proxy data evidence in East Asia for the vegetation type in the last interglacial |
我们利用“大气-陆面-海洋-海冰耦合”和“大气-陆面-海洋-海冰-动态植被耦合”两种不同的模式配置运行了127 ka的模拟试验,通过比较127 ka试验以及耦合了动态植被的127 ka-veg试验与控制试验PI之间的差异,我们不仅可以获知127 ka时期东亚夏季风气候平均态的空间变化特征,而且还可以定量比较变化的幅度,以及轨道强迫和植被反馈的贡献。
由于地球轨道参数的变化,与PI时期相比,127 ka时期夏季北半球接收更多的太阳辐射,高纬地区接收的太阳辐射比中低纬度地区更多(图 2),由于陆地热容量比海洋小,在夏季加热更快,使得海陆温度差异加大(图 5a),导致西太平洋副热带高压显著增强并且有明显的西伸北抬(图 6b),对应对流层低层850 hPa的西南风也增强北进,能向北输送更多的水汽并到达50°N (图 6b)。模拟结果反映出了127 ka时期更强的东亚夏季风,与代用记录的指示基本一致(表 2)。PI时期的西太平洋副热带高压西部边缘通常位于中国东部江淮流域一带(图 6a),给这些地区带来丰沛的季风降水。在127 ka时期,由于西太平洋副热带高压的西伸北抬以及强度的增强,日本岛、朝鲜半岛以及中国东部沿海地区处于高压控制下(图 6b),使得这些区域降水减少(图 5d)。而中国内陆地区降水从四川盆地到东北地区显著增加,甚至中国西北一向干旱少雨的戈壁沙漠地区降水也比PI时期多(图 5d)。整个区域降水异常分布呈45度角的“三明治”型,即东南沿海地区和中国西北界的新疆部分地区降水减少,中间的内陆大部分地区夏季降水增多。这与表 2中大多数内陆古气候代用资料反映的结果一致。但东部沿海区域的葫芦洞石笋记录的氧同位素指示季风较强[40]显然与我们的模拟结果不同。在模式模拟结果中,葫芦洞所在的江淮流域大部分地区降水是减少的。我们还注意到蒙古高原中东部地区的降水在127 ka时期也显著增多,与华北的变化一致。这与Chen等[51]认为蒙古高原与华北具有相同的降水变化特征的结论一致。127 ka时期,显著增强的季风可以将大量的水汽输送到蒙古高原,导致那里夏季降水增多(图 6c)。Chen等[51]认为东亚夏季风水汽可以通过蒙古高原上空的异常气旋输送到蒙古高原,形成降水。从图 6b中可以看到,127 ka时期季风水汽可以直接输送到蒙古高原地区。
![]() |
图 5 夏季平均地表气温(a,b,c,单位:K)和降水(d,e,f,单位:mm/month)的变化 (a,d)轨道强迫的作用(127 ka-PI);(b,e)植被反馈的作用(127 ka-veg-127 ka);(c,f)轨道强迫和植被反馈的共同作用(127 ka-veg-PI)点阵分布区域指示差异统计显著性达到95 %置信水平;注意为了清晰显示空间分布特征,(b)的色标与(a)和(c)不同,(e)的色标与(d)和(f)不同 Changes in summer mean near surface temperature (a, b, c, unit:K) and precipitation (d, e, f, unit: mm/month). (a, d)Due to orbital forcing(127 ka-PI); (b, e)Due to vegetation feedback(127 ka-veg-127 ka); (c, f)Due to both orbital forcing and vegetation feedback(127 ka-veg-PI). The dots denote areas in which the changes are significant at the 95 % confidence level using a two-tailed Student's test. Note that in order to show the spatial structure clearly, the color bar used for (b) is different from those for (a) and (c), for (e) is different from those for (d) and (f) |
![]() |
图 6 夏季平均500 hPa高度场分布(等值线,单位:gpm)和850 hPa风场(矢量,单位m/s) (a)PI;(b)127 ka;(c)127 ka-PI,蓝色箭头代表结果通过了95 %的显著性检验 Fig. 6 Summer mean 500 hPa geopotential height pattern(contours, unit: gpm)and 850 hPa wind field(vector, unit: m/s). (a)PI; (b)127 ka; (c)127 ka-PI. The blue vectors in (c) indicate the wind changes are significant at 95 % level |
耦合了动态植被模式以后,中国中东部由于轨道强迫降水增加的地区,在植被反馈作用下降水进一步增强(图 5e),地表气温降低(图 5b),华南地区降水进一步减少(图 5d),地表气温略有升高。虽然由于植被的反馈导致的降水变化幅度没有轨道强迫作用大(注意图 5中的色标尺度有所不同),但大部分地区的变化也通过了95 %的显著性检验,如中国内陆的四川盆地到华北一带。这些地区的降水在轨道强迫下降水增加了30 %,在植被反馈作用下降水进一步增加了约10 %,在轨道强迫和植被反馈的共同作用下降水增加了40 %,同时华南地区的降水在轨道强迫下减少了11 %,在植被反馈作用下进一步减少了约1 %,在轨道强迫和植被反馈的共同作用下降水减少了约10 %,注意在气候模式中轨道强迫和植被反馈两种作用的贡献并不总是线性叠加的,在某些区域太阳辐射和植被之间的相互作用也会导致其他影响降水的物理过程的变化。可见,植被的变化对127 ka时期东亚气候的影响有着不可忽视的作用,尤其在植被分布相对较少的北方干旱地区,而对气候湿润并且植被本来就繁盛的华南地区影响较小。
在考虑轨道强迫和动态植被反馈的共同作用下,地表气温和降水变化的空间分布型(图 5c和5f)与只有轨道强迫时类似(图 5a和5b),表明轨道强迫还是影响东亚地区气候变化的主要因子。
4 127 ka时期植被反馈影响东亚夏季风气候的物理机制以上模拟结果表明127 ka时期的轨道强迫使得东亚夏季风显著增强,东亚地区尤其是东亚北部地区夏季地表气温升高,降水增加。温度的升高和降水的增加均有利于植被的生长,耦合了动态植被模型LPJ-GUESS的模拟结果显示,植被分布在127 ka时期与PI时期显著不同。欧亚大陆中高纬度地区的森林从针叶林变成了阔叶林与针叶林混合的森林,而低矮型的草地面积增加并向北向东扩展(图 2)。植被模拟结果与我们收集到的东亚古植被重建记录基本吻合(表 3)。我们之前用LPJ-GUESS的模拟研究表明,植被类型的变化主要是由于温度的改变,而植被覆盖面积的变化取决于植物生长期的降水量[52]。植被类型和覆盖面积的变化主要表现在叶面指数的变化上(图 7),127 ka时期的叶面积指数变化的空间分布型与降水变化很类似,反映了植被对降水的直接响应。叶面积指数的变化会通过改变地表反照率而改变地表的能量收支,还会通过蒸腾作用改变地表蒸发等水循环过程以及云的分布,这又反过来进一步影响地表气温和局地降水。
![]() |
图 7 夏季平均总叶面积指数变化(LPJ-GUESS模拟的127 ka时期叶面积指数减去预设的PI时期植被的叶面积指数) 总叶面积指数根据van den Hurk等[53]定义为LAIT=CH×LAIH+CL×LAIL,H代表高植被,L代表低植被 Fig. 7 Changes in summer leaf area index(LAI, simulated 127 ka LAI by LPJ-GUESS minus Prescribed PI vegetation). The total LAIT is defined following van den Hurk et al. [53], as LAIT=CH×LAIH+CL×LAIL, H indicates high vegetation and L indicates low vegetation |
叶面积指数增加有利于增强叶面蒸腾作用[54],还会增大地表粗糙度。粗糙度的增大会导致空气阻力系数的变大,使得感热潜热通量增大[55]。EC-Earth模拟结果显示东亚夏季风增强的区域地表感热和潜热通量均显著增加,在中国华北地区最为明显,并且感热通量(图 8a)增加大于潜热通量的增加(图 8b)。地表湍流和粗糙度的增大导致地表蒸腾和蒸发增强,大气中水汽增加,同时地表湍流即感热和潜热通量的增加会增强陆地表面的对流,导致云量增多(图 8c),有利于降水增加(图 5d)。最近的观测数据和数值模拟研究发现,东亚地区叶面积指数增加会使地表的反照率略微增加[56],我们的模式结果也显示叶面积指数增加的东亚大部分地区地表反照率增加(图 8d),但增加的幅度很小,大部分地区小于1 %,高纬东北地区为2 % ~5 %,因此东亚地区由于植被变化而导致的反照率的变化不足以影响地表能量平衡,但是植被增加造成地表潜热通量的增大及云量的增加会降低地表气温。
![]() |
图 8 由于植被反馈造成夏季平均的物理量变化(127 ka-veg-127 ka) (a)地表感热,单位:W/m2;(b)地表潜热,单位:W/m2;(c)总云量,单位:%;(d)地表反照率,单位:%点阵分布区域指示差异统计显著性达到95 %置信水平 Fig. 8 Changes in summer mean physical parameters due to vegetation feedback(127 ka-veg-127 ka). (a)Sensible heating, unit:W/m2; (b)Latent heating, unit:W/m2; (c)Total cloud cover, unit: %; (d)Albedo, unit: %. The dots denote areas in which the changes are significant at the 95 % confidence level using a two-tailed Student's test |
在积分了200年的平衡态模拟中,植被的反馈作用也会在海洋中有体现。图 9显示夏季全球海表温度对植被变化的响应在北大西洋高纬度地区最显著,这与海冰对气候变暖的高度敏感有关[57]。在亚洲地区的邻近海域西太平洋和印度洋海温略微升高,而北太平洋大部分地区海温降低。由于东亚夏季风水汽主要输送自西太平洋和印度洋,所以这些地区海温的升高意味着更强的海洋蒸发和更多的水汽供给,从而进一步增强东亚夏季风降水。
![]() |
图 9 夏季平均海表温度对植被反馈的响应(127 ka-veg-127 ka,单位:K) Fig. 9 Reponses in summer mean global sea surface temperature(127 ka-veg-127 ka, unit:K) |
由于古气候代用资料的缺乏,细致全面地重建东亚地区温度和降水在127 ka时期的空间变化比较困难。利用全球气候模式的数值模拟可以克服这一不足,不同样点反映的气候变化存在差异时,借助气候模拟结果可以帮助我们理解造成差异的原因。我们的数值试验结果表明,影响127 ka时期的东亚夏季风变化的主因是轨道强迫。北半球夏季加强的太阳辐射使得东亚地区海陆热力差异加大,导致夏季西太平洋副热带高压明显北抬西伸,造成通常降水较多的中国华南地区降水减少,而相对干旱的中纬度的华北地区降水增多。这种变化特征与已有的大部分代用资料的指示一致。为得到更明晰的空间分布特征,今后可以考虑在代用资料较少的区域采取更多的样本进行分析,进一步结合气候数值模式了解东亚夏季风的时空变化的特征和机制。
127 ka时期气候变暖主要是由于地球轨道参数的变化以及由此产生的气候系统内部的反馈造成的。后者造成的温度变化甚至会超过直接的辐射强迫作用。例如Dufresne和Bony[58]通过对12个CMIP3的海气耦合模式试验结果的估算发现,在二氧化碳加倍的数值试验中,辐射直接强迫导致的增温是1.2 ℃,而各种反馈过程造成的间接增温为1.9 ℃。对127 ka时期气候变暖影响较大的因素主要有两点:北极地区海冰-反照率之间的正反馈造成的北极放大效应,以及大气中的水汽和云的反馈[3, 59~61]。另外陆地表面的一些反馈过程也不容忽视,比如温度的升高和降水的增多会导致地表植被的蓬勃生长,甚至沙漠变成绿洲[62~63]。有证据表明127 ka时期的北非撒哈拉地区沙漠变绿地的范围比全新世中期更大[64],中亚的戈壁地区也有变绿的迹象[34]。植被变化会通过影响能量平衡和水分循环进一步影响局地温度和降水变化[63]。我们的数值试验结果也显示,地球轨道强迫会使东亚季风增强并向北推进,使得我国内陆及华北地区的降水增加约30 %,温暖湿润的气候导致植被增多,植被的反馈进一步使得这些地区的降水增加约10 %。这些反馈主要来自于局地地表的直接响应和反馈,但也不排除有其它遥强迫。例如仅改变局地植被的数值试验显示全新世时期撒哈拉的变绿不仅会导致非洲季风变强并向北推进[62],还会导致东亚季风变强并整体向北推进[65],以及全球陆面季风降水的显著增加[66]。
在大多数的海陆气耦合的模式中,陆面的植被是作为边界条件给定的,由于缺乏历史时期全球植被分布资料,在PMIP4中各个历史时期古气候模拟试验设置中的植被均使用1990年卫星观测的植被数据,这样在研究气候变化时,植被对气候的响应及其反馈作用完全被忽略[62]。这也是模式结果和古气候重建资料在某些区域有较大差异的主要原因之一[1]。我们的数值试验也表明,如果在气候模式中不考虑植被的反馈作用,对127 ka时期东亚夏季风降水会至少低估10 %。用相同的模式做未来气候预测,同样也有可能低估对未来持续变暖气候下的东亚季风降水。由于气候系统模式中很多物理参数是基于现代观测资料,通过对比古气候和古环境的重建资料,将有助于我们调整模式物理参数而得到更合理的模拟结果,增加我们对未来气候预测结果的信心。
致谢: EC-Earth3的数值模拟试验以及相关的模式资料处理分析均在瑞典国家计算机基础设施(SNIC)瑞典国家超算中心(NSC)提供的超算平台Tetralith上完成,资助号2016-07213;感谢审稿人提出的建设性修改意见,使得论文更加完善;感谢复旦大学杨海军教授在本工作完成过程中给予的讨论和建议。
[1] |
Harrison S P, Bartlein P, Izumi K, et al. Evaluation of CMIP5 palaeo-simulations to improve climate projections[J]. Nature Climate Change, 2015, 5(8): 735-743. DOI:10.1038/nclimate2649 |
[2] |
Hirabayashi Y, Mahendran R, Koirala S, et al. Global flood risk under climate change[J]. Nature Climate Change, 2013, 3(9): 816-821. DOI:10.1038/nclimate1911 |
[3] |
Lunt D, Abe-Ouchi A, Bakker P, et al. A multi-model assessment of last interglacial temperatures[J]. Climate of the Past, 2013, 9: 699-717. DOI:10.5194/cp-9-699-2013 |
[4] |
Past Interglacials Working Group of PAGES. Interglacials of the last 800, 000 years[J]. Reviews of Geophysics, 2016, 54(1): 162-219. |
[5] |
Yin Q, Berger A. Interglacial analogues of the Holocene and its natural near future[J]. Quaternary Science Reviews, 2015, 120: 28-46. DOI:10.1016/j.quascirev.2015.04.008 |
[6] |
Otto-Bliesner B L, Braconnot P, Harrison S P, et al. The PMIP4 contribution to CMIP6-Part 2:Two interglacials, scientific objective and experimental design for Holocene and Last Interglacial simulations[J]. Geoscientific Model Development, 2017, 10(11): 3979-4003. DOI:10.5194/gmd-10-3979-2017 |
[7] |
Lunt D J, Elderfield H, Pancost R, et al. Warm climates of the past——A lesson for the future?[J]. Philosophical Transactions of the Royal Society A:Mathematical, Physical and Engineering Sciences, 2013, 371(2001): 20130146. DOI:10.1098/rsta.2013.0146 |
[8] |
Kageyama M, Braconnot P, Harrison S P, et al. The PMIP4 contribution to CMIP6-Part 1:Overview and over-arching analysis plan[J]. Geoscientific Model Development, 2018, 11(3): 1033-1057. DOI:10.5194/gmd-11-1033-2018 |
[9] |
CAPE-Last Interglacial Project Members. Last Interglacial Arctic warmth confirms polar amplification of climate change[J]. Quaternary Science Reviews, 2006, 25(13-14): 1383-1400. DOI:10.1016/j.quascirev.2006.01.033 |
[10] |
Turney C S, Jones R T. Does the Agulhas Current amplify global temperatures during super-interglacials?[J]. Journal of Quaternary Science, 2010, 25(6): 839-843. DOI:10.1002/jqs.1423 |
[11] |
Hoffman J S, Clark P U, Parnell A C, et al. Regional and global sea-surface temperatures during the last interglaciation[J]. Science, 2017, 355(6322): 276-279. DOI:10.1126/science.aai8464 |
[12] |
Turney C S, Jones R, McKay N P, et al. A global mean sea-surface temperature dataset for the Last Interglacial(129-116 kyr)and contribution of thermal expansion to sea-level change[J]. Earth System Science Data Discussions, 2020, 1-21. DOI:10.5194/essd-2019-249 |
[13] |
Stocker T, Qin D, Plattner G, 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[M]. Cambridge: Cambridge University Press, 2013: 162-1070. DOI:10.1017/CBO9781107415324
|
[14] |
Richardson T, Forster P, Andrews T, et al. Drivers of precipitation change:An energetic understanding[J]. Journal of Climate, 2018, 31(23): 9641-9657. DOI:10.1175/JCLI-D-17-0240.1 |
[15] |
Kim S-J, Lü J M, Yi S, et al. Climate response over Asia/Arctic to change in orbital parameters for the last interglacial maximum[J]. Geosciences Journal, 2010, 14(2): 173-190. DOI:10.1007/s12303-010-0017-1 |
[16] |
Velichko A A, Borisova O K, Zelikson E M. Paradoxes of the last interglacial climate:Reconstruction of the Northern Eurasia climate based on palaeofloristic data[J]. Boreas, 2008, 37(1): 1-19. DOI:10.1111/j.1502-3885.2007.00001.x |
[17] |
Wang Y, Cheng H, Edwards R L, et al. Millennial-and orbital-scale changes in the East Asian monsoon over the past 224, 000 years[J]. Nature, 2008, 451(7182): 1090-1093. DOI:10.1038/nature06692 |
[18] |
Ehrmann W, Schmiedl G, Beuscher S, et al. Intensity of African humid periods estimated from Saharan dust fluxes[J]. PloS One, 2017, 12(1): e0170989. DOI:10.1371/journal.pone.0170989 |
[19] |
Pedersen R A, Langen P L, Vinther B M. The last interglacial climate:Comparing direct and indirect impacts of insolation changes[J]. Climate Dynamics, 2017, 48(9): 3391-3407. |
[20] |
Nikolova I, Yin Q, Berger A, et al. The last interglacial(Eemian)climate simulated by LOVECLIM and CCSM3[J]. Climate of the Past, 2013, 9(4): 1789-1806. DOI:10.5194/cp-9-1789-2013 |
[21] |
Scussolini P, Bakker P, Guo C, et al. Agreement between reconstructed and modeled boreal precipitation of the last interglacial[J]. Science Advances, 2019, 5(11): eaax7047. DOI:10.1126/sciadv.aax7047 |
[22] |
冷姗, 张仲石, 戴高文. 两个气候模式对我国MIS5e气候的模拟研究[J]. 第四纪研究, 2019, 39(6): 1357-1371. Leng Shan, Zhang Zhongshi, Dai Gaowen. Two climate model simulation of MIS5e climate in China[J]. Quaternary Sciences, 2019, 39(6): 1357-1371. |
[23] |
姜修洋, 汪永进, 孔兴功, 等. 末次间冰期东亚季风气候不稳定的神农架洞穴石笋记录[J]. 沉积学报, 2008, 26(1): 139-143. Jiang Xiuyang, Wang Yongjin, Kong Xinggong, et al. Climate variability in Shenongjia during the Last Interglacial infered from a high-resolution stalagmite record[J]. Acta Sedimentologica Sinica, 2008, 26(1): 139-143. |
[24] |
Koenigk T, Brodeau L. Ocean heat transport into the Arctic in the twentieth and twenty-first century in EC-Earth[J]. Climate Dynamics, 2014, 42(11-12): 3101-3120. DOI:10.1007/s00382-013-1821-x |
[25] |
Koenigk T, Brodeau L, Graversen R G, et al. Arctic climate change in 21st century CMIP5 simulations with EC-Earth[J]. Climate Dynamics, 2013, 40(11-12): 2719-2743. DOI:10.1007/s00382-012-1505-y |
[26] |
Koenigk T, Beatty C K, Caian M, et al. Potential decadal predictability and its sensitivity to sea ice albedo parameterization in a global coupled model[J]. Climate Dynamics, 2012, 38(11-12): 2389-2408. DOI:10.1007/s00382-011-1132-z |
[27] |
Hazeleger W, Severijns C, Semmler T, et al. EC-Earth:A seamless Earth-system prediction approach in action[J]. Bulletin of the American Meteorological Society, 2010, 91(10): 1357-1363. DOI:10.1175/2010BAMS2877.1 |
[28] |
Hazeleger W, Wang X, Severijns C, et al. EC-Earth V2.2:Description and validation of a new seamless earth system prediction model[J]. Climate Dynamics, 2012, 39(11): 2611-2629. DOI:10.1007/s00382-011-1228-5 |
[29] |
Smith B, Wårlind D, Arneth A, et al. Implications of incorporating N cycling and N limitations on primary production in an individual-based dynamic vegetation model[J]. Biogeosciences, 2014, 11(7): 2027-2054. DOI:10.5194/bg-11-2027-2014 |
[30] |
Boussetta S, Balsamo G, Beljaars A, et al. Impact of a satellite-derived leaf area index monthly climatology in a global numerical weather prediction model[J]. International Journal of Remote Sensing, 2013, 34(9-10): 3520-3542. DOI:10.1080/01431161.2012.716543 |
[31] |
Hoelzmann P, Jolly D, Harrison S, et al. Mid-Holocene land-surface conditions in Northern Africa and the Arabian Peninsula:A data set for the analysis of biogeophysical feedbacks in the climate system[J]. Global Biogeochemical Cycles, 1998, 12(1): 35-51. DOI:10.1029/97GB02733 |
[32] |
Zhang Q, Li Q, Zhang Q, et al. Simulating the mid-Holocene, Last Interglacial and mid-Pliocene climate with EC-Earth3-LR[J]. Geoscientific Model Development Discussions, 2020. DOI:10.5194/gmd-2020-208 |
[33] |
Tudhope A W, Chilcott C P, McCulloch M T, et al. Variability in the El Niño -Southern Oscillation through a glacial-interglacial cycle[J]. Science, 2001, 291(5508): 1511-1517. DOI:10.1126/science.1057969 |
[34] |
Tarasov P, Granoszewski W, Bezrukova E, et al. Quantitative reconstruction of the last interglacial vegetation and climate based on the pollen record from Lake Baikal, Russia[J]. Climate Dynamics, 2005, 25(6): 625-637. DOI:10.1007/s00382-005-0045-0 |
[35] |
Granoszewski W, Demske D, Nita M, et al. Vegetation and climate variability during the last interglacial evidenced in the pollen record from Lake Baikal[J]. Global and Planetary Change, 2005, 46(1-4): 187-198. DOI:10.1016/j.gloplacha.2004.09.017 |
[36] |
Ge Y, Wei M. Comparison of climate and environment change of the last interglacial period and Holocene in Beijing area, China[J]. International Journal of Geosciences, 2014, 5: 852-862. DOI:10.4236/ijg.2014.58075 |
[37] |
Evans M, Rokosh C. The last interglacial in the Chinese Loess Plateau:A petromagnetic investigation of samples from a north-south transect[J]. Quaternary International, 2000, 68: 77-82. DOI:10.1016/S1040-6182(00)00034-3 |
[38] |
An Zhisheng, Clemens S C, Shen J, et al. Glacial-interglacial Indian summer monsoon dynamics[J]. Science, 2011, 333(6043): 719-723. DOI:10.1126/science.1203752 |
[39] |
Cai Y, Cheng H, An Z, et al. Large variations of oxygen isotopes in precipitation over south-central Tibet during Marine Isotope Stage 5[J]. Geology, 2010, 38(3): 243-246. DOI:10.1130/G30306.1 |
[40] |
Wang Y J, Cheng H, Edwards R L, et al. A high-resolution absolute-dated Late Pleistocene monsoon record from Hulu Cave, China[J]. Science, 2001, 294(5550): 2345-2348. DOI:10.1126/science.1064618 |
[41] |
Cai Y, Fung I Y, Edwards R L, et al. Variability of stalagmite-inferred Indian monsoon precipitation over the past 252, 000 y[J]. Proceedings of the National Academy of Sciences of the United States of America, 2015, 112(10): 2954-2959. DOI:10.1073/pnas.1424035112 |
[42] |
Kelly M J, Edwards R L, Cheng H, et al. High resolution characterization of the Asian monsoon between 146, 000 and 99, 000 years BP from Dongge Cave, China and global correlation of events surrounding Termination Ⅱ[J]. Palaeogeography, Palaeoclimatology, Palaeoecology, 2006, 236(1-2): 20-38. DOI:10.1016/j.palaeo.2005.11.042 |
[43] |
Cai M, Ye P, Yang X, et al. Vegetation and climate change in the Hetao Basin(Northern China)during the last interglacial-glacial cycle[J]. Journal of Asian Earth Sciences, 2019, 171: 1-8. DOI:10.1016/j.jseaes.2018.11.024 |
[44] |
Xie S, Wang Z, Wang H, et al. The occurrence of a grassy vegetation over the Chinese Loess Plateau since the last interglacier:The molecular fossil record[J]. Science in China(Series D), 2002, 45(1): 53-61. DOI:10.1007/BF02879696 |
[45] |
Li J, Yang S, Li R, et al. Vegetation history and environment changes since MIS5 recorded by pollen assemblages in sediments from the western Bohai Sea, Northern China[J]. Journal of Asian Earth Sciences, 2020, 187: 104085. DOI:10.1016/j.jseaes.2019.104085 |
[46] |
Tarasov P E, Nakagawa T, Demske D, et al. Progress in the reconstruction of Quaternary climate dynamics in the Northwest Pacific:A new modern analogue reference dataset and its application to the 430-kyr pollen record from Lake Biwa[J]. Earth-Science Reviews, 2011, 108(1-2): 64-79. DOI:10.1016/j.earscirev.2011.06.002 |
[47] |
Liu X, Liu J, Chen S, et al. New insights on Chinese cave δ18O records and their paleoclimatic significance[J]. Earth-Science Reviews, 2020, 207: 103216. DOI:10.1016/j.earscirev.2020.103216 |
[48] |
张红艳, 鹿化煜, 顾兆炎, 等. 中国半干旱-湿润区末次间冰期以来黄土有机碳同位素特征与植被变化[J]. 第四纪研究, 2015, 35(4): 809-818. Zhang Hongyan, Lu Huayu, Gu Zhaoyan, et al. Organic matters stable isotopic composition of loess deposits in semiarid to humid climate regions of China and the vegetation on variations since the last interglaciation[J]. Quaternary Sciences, 2015, 35(4): 809-818. |
[49] |
饶志国, 陈发虎, 曹洁, 等. 黄土高原西部地区末次冰期和全新世有机碳同位素变化与C3/C4植被类型转换研究[J]. 第四纪研究, 2005, 25(1): 107-114. Rao Zhiguo, Chen Fahu, Cao Jie, et al. Variation of soil organic carbon isotope and C3/C4 vegetation type transition in the western Loess Plateau during the last glacial and Holocene periods[J]. Quaternary Sciences, 2005, 25(1): 107-114. |
[50] |
刘恋, 周鑫, 于严严, 等. 黄土高原自然植被的土壤有机碳同位素证据[J]. 第四纪研究, 2011, 31(3): 506-513. Liu Lian, Zhou Xing, Yu Yanyan, et al. The natual vegetations of the Chinese Loess Plateau:The evidence of the soil organic carbon isotope[J]. Quaternary Sciences, 2011, 31(3): 506-513. |
[51] |
Chen J, Huang W, Zhang Q, et al. Origin of the spatial consistency of summer precipitation variability between the Mongolian Plateau and the mid-latitude East Asian summer monsoon region[J]. Science China:Earth Sciences, 2020, 63(8): 1199-1208. DOI:10.1007/s11430-019-9593-2 |
[52] |
Lu Z, Miller P A, Zhang Q, et al. Vegetation pattern and terrestrial carbon variation in past warm and cold climates[J]. Geophysical Research Letters, 2019, 46(14): 8133-8143. DOI:10.1029/2019GL083729 |
[53] |
van den Hurk B J, Viterbo P, Los S O. Impact of leaf area index seasonality on the annual land surface evaporation in a global circulation model[J]. Journal of Geophysical Research:Atmospheres, 2003, 108(D6). DOI:10.1029/2002JD002846 |
[54] |
Hales K, Neelin J D, Zeng N. Sensitivity of tropical land climate to leaf area index:Role of surface conductance versus albedo[J]. Journal of Climate, 2004, 17(7): 1459-1473. DOI:10.1175/1520-0442(2004)017<1459:SOTLCT>2.0.CO;2 |
[55] |
Kirk-Davidoff D B, Keith D W. On the climate impact of surface roughness anomalies[J]. Journal of the Atmospheric Sciences, 2008, 65(7): 2215-2234. DOI:10.1175/2007JAS2509.1 |
[56] |
Lee S, Lee M I. Effects of surface vegetation on the intensity of East Asian summer monsoon as revealed by observation and model experiments[J]. International Journal of Climatology, 2020, 40(7): 3634-3648. DOI:10.1002/joc.6420 |
[57] |
de Nooijer W, Zhang Q, Li Q, et al. Evaluation of Arctic warming in mid-Pliocene climate simulations[J]. Climate of the Past Discuss, 2020. DOI:10.5194/cp-2020-64 |
[58] |
Dufresne J-L, Bony S. An assessment of the primary sources of spread of global warming estimates from Coupled Atmosphere-Ocean Models[J]. Journal of Climate, 2008, 21(19): 5135-5144. DOI:10.1175/2008JCLI2239.1 |
[59] |
Braconnot P, Harrison S P, Kageyama M, et al. Evaluation of climate models using palaeoclimatic data[J]. Nature Climate Change, 2012, 2(6): 417-424. DOI:10.1038/nclimate1456 |
[60] |
Otto-Bliesner B L, Brady E C, Zhao A, et al. Large-scale features of last interglacial climate:Results from evaluating the lig127k simulations for CMIP 6-PMIP4[J]. Climate of the Past Discuss, 2020. DOI:10.5194/cp-2019-174 |
[61] |
Kageyama M, Sime L C, Sicard M, et al. A multi-model CMIP6 study of Arctic sea ice at 127 ka:Sea ice data compilation and model differences[J]. Climate of the Past Discuss, 2020. DOI:10.5194/cp-2019-165 |
[62] |
Pausata F S, Messori G, Zhang Q. Impacts of dust reduction on the northward expansion of the African monsoon during the Green Sahara period[J]. Earth and Planetary Science Letters, 2016, 434: 298-307. DOI:10.1016/j.epsl.2015.11.049 |
[63] |
Tierney J E, Pausata F S. Rainfall regimes of the Green Sahara[J]. Science Advances, 2017, 3(1): e1601503. DOI:10.1126/sciadv.1601503 |
[64] |
Ehrmann W, Schmiedl G, Beuscher S, et al. Intensity of African humid periods estimated from Saharan dust fluxes[J]. PloS One, 2017, 12(1): e0170989-e0170989. DOI:10.1371/journal.pone.0170989 |
[65] |
Piao J, Chen W, Wang L, et al. Northward extension of the East Asian summer monsoon during the mid-Holocene[J]. Global and Planetary Change, 2020, 184: 103046. DOI:10.1016/j.gloplacha.2019.103046 |
[66] |
Sun W, Wang B, Zhang Q, et al. Northern hemisphere land monsoon precipitation increased by the Green Sahara during Middle Holocene[J]. Geophysical Research Letters, 2019, 46(16): 9870-9879. DOI:10.1029/2019GL082116 |
2 Key Laboratory of Western China's Environmental Systems, Ministry of Education, College of Earth and Environmental Sciences, Lanzhou University, Lanzhou 730000, Gansu)
Abstract
The paleo-proxy records, such as loess and speleothem, indicate that the east Asian summer monsoon(EASM) was stronger during the last interglacial period(LIG) 127 ka than that in today. In this study we simulate the climate during the 127 ka using an earth climate system model EC-Earth. We use two different EC-Earth model configurations, Atmosphere-Land-Ocean-Sea-ice and Atmosphere-Land-Ocean-Sea-ice-dynamic-vegetation, to examine the contribution of orbital forcing and vegetation feedback to climate change during 127 ka by comparing with the control simulation for the pre-industrial(PI) climate.The simulation results show that the orbital forcing induced stronger land-sea contrast significantly enhances the intensity of EASM, leads to the westward and northward moving of the monsoon system, results in an increased precipitation in central and north China but a decreased precipitation in the east costal area. The simulation with coupled dynamic vegetation module produces the development of vegetation under warm and wet 127 ka climate. Increased vegetation coverage enhances the local surface sensible and latent heating through increased evapotranspiration, which leads to decrease in surface air temperature and increase in regional precipitation. Such vegetation feedback is more efficient in the dry climate region in north China, but less efficient in south China with dominant tropical climate. The estimated changes in EASM precipitation increase is about 40%, with contribution from both orbital forcing and vegetation feedback, in which the orbital forcing alone contributes nearly 30% and vegetation feedback contributes about 10%. This study also reminds us that it is necessary to use the coupled dynamic vegetation model to obtain the reasonable results in simulating the climate change in the past or future.