2025, Vol. 55
2. 河海大学海洋学院，江苏 南京 211100;
3. 中国海洋大学物理海洋教育部重点实验室，山东 青岛 266100
近年来，全球变暖持续推动极地气候系统发生深刻变革，极端气候事件在北极地区呈现出愈发频繁和强烈的趋势[1]。极端降水作为极端气候事件的核心要素之一，通常指在特定时间尺度内显著高于气候正常水平的强降水事件，其频发不仅扰动区域水文循环，还可能通过改变能量收支、触发反馈机制等方式，引发多圈层耦合的灾害链[2]，尤其在冰冻圈系统占主导的高纬度地区，其潜在作用机制和后果尚未被充分理解[3]。深入研究极端降水的时空演变及其在冰冻圈中的作用，不仅有助于揭示气候变暖背景下水文和能量过程的响应机制，也为预测极端气候事件和评估未来气候风险提供关键科学支撑[4]。
格陵兰岛作为北极地区最重要的冰冻圈主体之一，其冰盖覆盖面积超过170万km2，储存了全球约10%的淡水资源，是全球气候系统中不可或缺的组成部分[5]。近年来，随着气温持续上升，格陵兰冰盖的消融速率显著增加，而频发的极端降水事件正成为这一变化的重要推手[6]。多项观测与模式研究表明，格陵兰岛夏季极端降水事件在过去几十年中呈现出明显增多趋势，尤其集中在东南沿海和冰盖边缘地区[7]，部分年份的事件强度和频率达到历史极值[8]。频繁的极端降水不仅导致短时间内大量径流注入冰盖表面，形成广泛的融水湖泊，还可能引发局冰崩、滑动和冰下融水汇集，极大加剧冰盖质量流失风险[9]。此外，强降水渗透雪层后再冻结所释放的潜热可能破坏冰盖结构稳定性，为冰川裂隙扩展提供热力条件[10-11]。例如，2012年夏季格陵兰冰盖经历广泛融化，造成约566亿t质量损失，导致全球海平面上升约0.67 mm[12]，凸显极端降水在气候系统风险链中的关键角色。
与此同时，格陵兰冰盖的降水相态也在发生悄然变化。尽管整体仍以降雪为主，但近年来降雨事件的出现频率和比例显著上升，成为冰盖系统中潜在的“隐性危机”[13]。降雨相较于降雪在辐射和热力特性上存在本质差异：新降雪的高反照率(约0.8~0.9)有助于反射太阳辐射，而降雨侵蚀雪面后反照率可降至0.2~0.4，显著增强地表能量吸收[14]。此外，雨水渗透雪层再冻结所释放的潜热将加速融化过程，削弱积雪的隔热能力，进一步扩大裸露冰面的分布范围[15]。这一系列变化将通过增强冰盖能量收支中的正反馈，加速其整体质量流失。实地观测亦表明此趋势已向高海拔区蔓延：2021年，海拔超过3 200 mm的高海拔站首次观测到液态降水[16]，标志着极端天气正在突破冰盖高原的温度阈值。2022年7月，ICESat-2卫星观测到连续3 d每日高达60亿t的质量损失，进一步印证了降水相态变化对冰盖响应的深远影响[17]。
当前对格陵兰冰盖极端降水的研究仍面临重要挑战。观测方面，冰雪表面特性影响遥感反演精度，导致卫星产品对固态降水漏检率高，而稀疏的地面站点难以完整捕捉极端事件[18-20]。模拟方面，第六次国际耦合模式比较计划(coupled model intercomparison project Phase 6，CMIP6)因分辨率不足和物理过程简化，普遍低估冰盖边缘强降水的强度和相态变化[21-24]。为此，本文在前人研究的基础上[7, 25-26]，改进区域耦合模式WRF-ROMS-CICE(WRC)，结合高分辨率地形和再分析数据，旨在提升极端降水模拟精度，系统分析其时空特征及降雪比例变化，为北极气候风险评估提供科学依据。
1 研究方法与数据 1.1 模式介绍本研究采用基于MCT发展出的耦合器组件CPL(coupler)[25]，高效集成中尺度天气预报模式(weather research and forecasting model Version 4.4.1，WRF 4.4.1)、区域海洋模式(regional ocean modeling system Version 4.0，ROMS 4.0)和大尺度海冰模式(community ice CodE Version 6.4.0，CICE 6.4.0)，实现大气、海洋和海冰的协同模拟——WRF-ROMS-CICE(WRC)。耦合器CPL采用四层架构设计：底层函数库层基于信息传递接口(message passing interface，MPI)等高性能计算库，支持并行计算与数据传输；并行计算环境层管理并行I/O、错误处理及任务同步；对象层通过面向对象编程实现模型间数据转换与交换；应用层则负责任务分配、进程同步及系统协调。该架构使耦合系统模块化、可扩展，并支持多程序多数据(MPMD)并行模式，四个可执行程序(WRF、ROMS、CICE和CPL)并行运行，通过接口代码(IC)实时交换数据[26]。与前期工作[26]相比，主要改进之处包括：(1)优化了耦合器并行算法，允许各模式分量并行计算时使用更加灵活的区域剖分方式，方便使用更多的中央处理器(central processing unit，CPU)核心; (2)更新了各模式版本(ROMS由3.4升级至4.0，CICE由4.1升级至6.4.0, WRF由3.2.1升级至4.4.1)，充分吸收了各模式的新进展；(3)发展了海冰多厚度种类的侧边界处理方法，前期工作中只是将模式边界设置在无冰区而规避了边界处理问题。为后续开展海冰嵌套数值模拟工作打下基础。
在模型耦合的过程中，变量的传递与数据交换至关重要。具体来说，WRF模型输出的大气变量如近地面风、气温、比湿和空气密度等，对ROMS模型中的海表面温度、海冰密度、厚度和海面流速等变量的计算产生重要影响。此外，ROMS输出的海表面温度、盐度、流速等变量直接影响CICE模型中的海冰生长、融化过程和海冰厚度。反过来，CICE模型中的海冰密度、厚度及反照率等变量也会返回WRF模型，为大气模拟提供必要的物理参数，如表 1所示。
|
表 1 模块间变量传输 Table 1 Transfer of variables between models |
本研究基于上述的WRC模式进行模拟，包括2005—2014年的历史时期气候模拟及2091—2100年未来气候模拟，其中2091—2100年采用共享社会经济路径(the shared socioeconomic pathway, SSP)中SSP5-8.5情景(高排放路径)。选择SSP5-8.5情景主要在于它代表了最严峻的气候变化情景，能够评估在缺乏有效减排政策、化石燃料持续主导发展路径下的潜在极端气候影响，为风险管理和政策制定提供科学依据。此外，该情景有助于揭示气候系统的敏感性及极端事件的演变特征，对理解未来高排放情景下的气候响应具有重要意义。本研究中WRC模拟所需的初始场和边界条件均来自通用地球系统模式CESM(community earth system model)的模拟输出。具体而言，我们将CESM的输出数据通过动力降尺度方法处理，并分别插值到WRF的大气网格、ROMS的海洋网格以及CICE的海冰网格上，从而驱动各分量模型的运行。WRF模拟区域由东西方向的529个网格点和南北方向的337个网格点(用“T”型网格表示)组成，用于风分量以外的变量。它以90°N和0°为中心，水平分辨率为15 km，垂直空间分辨率设置为35层，参数化方案设置见表 2。表 2中云微物理方案Morrison方案适用于模拟北极地区复杂的云和降水过程，尤其是在低温和湿度较高的环境中，能够准确模拟云的生长、降水形成以及云对辐射的影响，尤其适用于极端降水事件的研究[27]；由于北极地区积云对流较弱，通过关闭积云对流方案简化了模型计算。在高分辨率模拟中，不显式模拟积云对流更适合，因为北极地区的天气过程通常由边界层和中层物理过程主导。而RRTMG长短波辐射方案能够有效模拟大气中的长短波辐射过程，尤其是在低温和极昼夜条件下[28]。近地面层方案选择MYNN方案是因为能够准确模拟北极边界层的气象过程，特别是海冰和雪层对气象变量(如风、温度、湿度)的影响，适用于高分辨率区域气候模拟[29]。Noah陆面过程方案和MYNN 2.5 Level行星边界层TKE方案也同样适用于北极模拟研究[30-31]。海洋海冰模式模型域配置在整个北冰洋，共有1 056×672个网格节点，分辨率为7.5 km，垂向分层为32层，融冰方案选用TOPO方案。
|
|
表 2 WRF参数化方案 Table 2 WRF parameterization scheme |
为准确研究格陵兰岛极端降水及雨雪比例的时空变化特征，本研究将格陵兰岛细化为8个部分：格陵兰岛外围沿海无冰区域命名为Ice-free区域，SW(South West)为西南部区域, CW(Central West)为中西部区域, NW(North West)为西北部区域, NO(North)为北部区域, NE(North East)为东北部区域, CE(Central East)为中东部区域, SE(South East)为东南部区域(见图 1)。
1.2 极端降水定义
在本研究中，极端降水事件被定义为降水日中，日降水量超过90百分位的事件[34]。降水日定义为日降水量大于或等于1 mm[35]。筛选出降水日后，对这些天的降水量进行排序, 然后，通过百分位计算公式：
| $ p_k=\frac{k}{100} \times N \text { 。} $ | (1) |
式中：k是目标百分位(如90th百分位)；N是有效数据点的总数。通过这种方法，我们定义4个指标来量化极端降水：天数、持续时间、频率和强度。极端降水天数定义为10年期间极端降水日数的平均值，持续时间表示单次极端降水的平均持续时间，而频率则表示每年极端降水事件的数量，强度定义为极端降水期间日降水量的平均值。
1.3 数据及数据来源本研究使用的2 m气温、降水、10 m风速及近地面长短波辐射数据均来自欧洲中期天气预报中心(European Centre for Medium-Range Weather Forecasts, ECMWF)发布的第五代大气再分析数据集ERA5(ECMWF Reanalysis v5)。该数据通过哥白尼气候数据存储系统(Copernicus climate data store, CDS)获取(https://cds.climate.copernicus.eu/datasets/reanalysis-era5-single-levels?tab=overview)[36], 它是对全球范围内的大气和地表变量进行高分辨率再分析的结果，提供了逐小时的气象和气候数据，时间跨度从1979年至当前。本研究使用了2005—2014年的逐小时数据用以评估模型的性能[37]。此外，CMIP6多模式集合(见表 3)也被纳入本研究中与WRC模式进行对比，为了适配多模式集合中较低分辨率模式的分析，本研究使用的CMIP6数据均插值到统一网格下。
|
|
表 3 用于极端降水分析的CMIP6模式 Table 3 The CMIP6 models used for the analysis of extreme precipitation |
在对格陵兰岛地区气象要素的模拟性能评估中，本文利用ERA5再分析数据作为参考，从多个关键气象变量出发，综合分析了WRC耦合模式在历史时期(2005—2014年)的模拟能力。图 2展示了气温(T2)、降水(PRECT)、风速(WS10)、短波辐射(DSSR)及长波辐射(DLSR)5个气象要素的空间分布情况及其差异。从空间分布来看，WRC较好地再现了ERA5所呈现的气温、降水、风速以及辐射等要素的主要特征。在2 m气温方面，WRC模式准确再现了格陵兰岛由沿海向内陆逐渐变冷的空间分布格局。与ERA5对比，WRC模拟结果的空间结构基本一致，仅存在小幅偏冷的系统性偏差，平均偏差为-1.1 ℃，均方根误差为2.2 ℃，相关系数达到0.96，表明模型在温度模拟方面具有很强的稳定性与一致性，与观测结果相匹配。降水模拟结果也表现出较好的匹配性，WRC能够再现沿海地区降水较高、内陆相对较少的分布特征，尽管略有高估，平均偏差为-3.7 mm/month，均方根误差为19.0 mm/month，但相关系数仍达0.92，显示出较强的空间相关性，与Nicole的模拟结果类似[38]。风速方面，WRC能够还原出风速在沿海和冰盖边缘区域较大的特征。对于向下短波和长波辐射，WRC的模拟与ERA5数据高度吻合，空间结构保持一致，误差控制在较小范围内，相关性良好，进一步验证了模式对辐射变量的刻画能力。综合来看，WRC在格陵兰岛气象场的模拟中具备可靠性和适用性，整体模拟性能达到可接受水平，可作为后续极地气候变化研究的可靠工具。
|
( 图中左列为ERA5数据，右列为WRC模式结果；从上往下依次为2 m气温、降水、10 m风速、向下短波辐射和向下长波辐射。MB为平均偏差，RMSE为均方根误差，R为相关系数。Left column is ERA5 and right column is WRC model results. From top to bottom: 2 m temperature, precipitation, 10 m wind speed, downward shortwave radiation, and downward longwave radiation. MB: mean bias, RMSE: root mean square error, R: correlation coefficient. ) 图 2 WRC模式与ERA5再分析数据气象要素比较 Fig. 2 Comparison of meteorological variables between the WRC model and the ERA5 reanalysis data |
为评估WRC对极端降水的模拟能力，结合CMIP6多模式结果和ERA5进行评估。本研究先计算了ERA5、WRC模式及CMIP6多模式集合的极端降水阈值，WRC模式整体较好再现了ERA5极端降水阈值的空间分布特征，呈现出明显的沿海地区阈值高，而冰盖内陆地区较低的分布特征。WRC模拟格陵兰岛极端降水阈值为9.2 mm/d，仅比ERA5的8.9 mm/d高出0.3 mm/d，区域尺度误差较小，与Herrington等[39]和van Kampenhout等[40]的模拟结果一致。相比之下，CMIP6多模式集合普遍低估了降水阈值，格陵兰岛平均仅为7.6 mm/d，明显低于ERA5(见图 3)。
|
( (a)，(b)，(c)为ERA5、WRC模式及CMIP6多模式集合历史时期极端降水阈值的空间分布，两条纬线分别代表 60°N和75°N。Panels (a), (b) and (c) show the spatial distribution of extreme precipitation thresholds for ERA5, the WRC model, and the CMIP6 multi-model ensemble, respectively. The two latitude lines represent 60°N and 75°N. ) 图 3 观测和模拟的2005—2014年历史时期格陵兰岛的极端降水阈值情况 Fig. 3 Extreme precipitation thresholds in Greenland during the historical period of 2005—2014 in observations and simulations |
历史时期格陵兰岛极端降水强度的空间分布如图 4所示。图中整体呈现由南向北递减的格局，沿海地区显著高于内陆和北部。ERA5观测数据显示，东南部(SE)极端降水强度最高，达27.4mm/d，北部(NO)最低，仅为7.3 mm/d，这一分布特征与暖湿气流在沿海抬升作用密切相关，亦与已有研究结果一致[41]。WRC模式较好地再现了ERA5的空间分布结构。其格陵兰岛平均极端降水强度为14.3 mm/d，略高于ERA5的13.4 mm/d，偏差为0.9 mm/d，平均归一化偏差为7%。在东南部和西南部等沿海高值区域，WRC的模拟值分别为27.0和16.5 mm/d，与ERA5接近，偏差均控制在±1.5 mm/d以内，表现出较强的区域适应性。尽管在北部和沿海无冰区存在一定高估，尤其是北部区域偏差达29%，但整体空间降水量空间梯度与观测保持一致。相比之下，CMIP6多模式集合极端降水整体偏低，格陵兰岛平均值为11.3 mm/d，较ERA5低2.1 mm/d，平均标准化偏差为-16%。CMIP6在沿海无冰区和东南部区域的偏差尤为显著，分别低估36%和14%，特别是在捕捉沿海高值降水特征方面明显偏弱[42]。
|
( (a)，(b)，(c)为ERA5、WRC模式及CMIP6多模式集合历史时期极端降水强度的空间分布，两条纬线分别代表 60°N和75°N。Panels (a), (b), and (c) show the spatial distribution of extreme precipitation intensity for ERA5, the WRC model, and the CMIP6 multi-model ensemble, respectively. The two latitude lines represent 60°N and 75°N. ) 图 4 观测和模拟的2005—2014年历史时期格陵兰岛的极端降水强度情况 Fig. 4 Extreme precipitation intensity in Greenland during the historical period of 2005—2014 from observations and simulations |
在高排放情景下，本研究采用动态阈值法确定极端降水事件，以未来时期的日降水序列为基础，计算其第90百分位值作为阈值。ERA5和WRC模式的模拟结果表明，历史时期格陵兰岛各区域的极端降水阈值存在显著差异：东南部(SE)最高(18.0 mm/d)，东北部(NE)最低(5.7 mm/d)，其他区域介于6.4~12.5 mm/d之间。未来时期，所有区域的极端降水阈值均呈现增加趋势，其中东南部(SE)增幅最大(+5.1 mm/d，相对增幅28%)，中西部(CW)增幅最小(+1.1 mm/d，相对增幅17%)。值得注意的是，虽然北部(NO)和东北部(NE)的基础阈值最低，但其相对增幅却最为显著(分别达33%和32%)。这一结果表明，未来极端降水事件在整个格陵兰岛都将增强，但不同区域的增强幅度存在明显差异(见图 5)。
|
( 与历史时期相比，极端降水频率(a)、持续时间(b)、天数(c)、强度(d)在2091—2100年的预计变化。两条纬线分别表示在60°N和75°N。Expected changes in extreme precipitation frequency (a), duration (b), days (c), and intensity (d) for the period 2091—2100 compared to the historical period. The two latitude lines represent 60°N and 75°N. ) 图 5 格陵兰岛的极端降水未来变化情况 Fig. 5 Future changes in extreme precipitation over Greenland |
在阈值升高的背景下，进一步分析表明，极端降水的时空分布特征(频率、天数和强度等)同样发生系统性变化。整体而言，极端降水事件在未来将更加频繁且更为剧烈，增加幅度分别达到25%，26%和26%，这与大气环流和水汽输送的变化密切相关[43]。结果表明，在未来，格陵兰岛大部分区域的极端降水事件频率都有不同程度地增加，增幅在0.8~1.8次/a，格陵兰岛东南部(SE)是该岛极端降水频率唯一呈下降趋势的区域，这种异常变化可能与该区域特殊的地形强迫降水机制和气候变化背景下的气旋路径偏移有关。同样的趋势也体现在极端降水天数的变化上，除格陵兰南部区域外，极端降水天数整体呈增加趋势，这种变化可能与北大西洋水汽输送的增强有关，尤其是大气河的作用日益突出。已有研究表明，大气河是极端水汽输入的主要驱动力，并在极端降水事件的形成过程中发挥关键作用[15]。
3.2 极端降水未来季节变化特征图 6展示了格陵兰岛及其各区域极端降水月累积量的季节变化，结果表明，WRC模式(蓝线)基本复刻了ERA5再分析结果(黑线)的极端降水季节趋势。基于WRC模式的历史模拟与未来情景结果对比可见，极端降水在多数区域呈现夏季显著增强趋势。与历史期相比，未来情景下6—9月的极端降水普遍升高，沿海无冰区(a)、西南部(f)和东南部(i)的增幅最为明显，月均增量可达11.0~15.9 mm。沿海无冰区9月的极端降水由约30.6 mm/month增加至近50.7 mm/month，东南部在9月的累积量达到了87.6 mm/month，明显高于历史期的水平。这种增长反映出气候变暖背景下，夏季水汽输送增强、大气不稳定性上升所驱动的极端降水活动持续增加[44]。
|
( (a)为格陵兰岛整体结果，(b)—(i)为各子区域结果；蓝色、绿色、黑色线分别对应WRC、WRC-FUT和ERA5数据结果。(a): Greenland as a whole; (b)—(i): subregional results; blue, green, and black lines represent WRC, WRC-FUT, and ERA5 results, respectively. ) 图 6 极端降水月累积量 Fig. 6 Monthly accumulated extreme precipitation |
区域响应在时间上亦表现出差异。西南部(f)的极端降水增加主要集中在7—8月，而中东部(d)则在9和10月出现更为明显的升幅，北部(g)和东北部(h)整体降水量较小，但在未来7月和9月也表现出16.6~23.4 mm/month的升高趋势。模式结果表明，尽管不同区域的响应存在差异，格陵兰整体在未来暖季将经历更频繁、强度更大的极端降水事件。这种变化具有显著的空间不均性，受到水汽通量、大气环流结构和地形特征的共同影响[45]，进一步凸显了高分辨率区域模拟在极地水文变化研究中的重要意义。
4 格陵兰岛未来雨雪比例变化因为在北极等寒冷地区，降水可能以雨或雪的形式出现，这主要取决于环境大气温度[46-47]，季节性变化的雨/雪比例也将不可避免地随之发生变化。降雪比例的减少直接影响了北极的水文循环和生态平衡，降雪比例降低不仅会减弱冰雪反照率反馈，加速区域变暖，还会使依赖冰雪环境的物种(如驯鹿)因栖息地退化而面临生存压力[48]。而该地区降水相态变化受两种相反机制的共同作用：降水量增加会导致降雪量增加，大气温度升高则会减少降雪[49]。由于这些相反的机制，其大小随位置和季节而呈现不同的变化，因此对格陵兰岛雨雪比例变化的研究是十分重要的。
当前气候条件(2005—2014年)下，格陵兰岛大部分区域的降水以雪的形式为主，降雪比例普遍维持在70%至100%之间(见图 7(a))。其中，中部高原及冰盖核心区域的降雪比例最高，空间分布与高海拔和低温环境密切相关，反映出气温是决定降水相态的主导因子。在岛屿边缘与沿海地带，尤其是地势较低的区域，降雪比例有所下降，局地可低于60%，说明液态降水在这些区域占比相对较高。整体来看，格陵兰在当前气候条件下降水以雪为主，其空间特征受地形与温度场的双重控制，这与已有研究中对格陵兰降水结构的认识一致[50]。
|
( (a)当前气候条件下的降雪比例(2005—2014年)，(b)未来气候情景下的降雪比例(2091—2100年)，(c)20世纪降雪比例的趋势(未来和当前降雪比例之间的绝对差异)。(a) Snowfall ratio in current climate (2005—2014), (b) Snowfall ratio in future climate (2091—2100), and (c) Trend in snowfall ratio for the 20th Century (Difference between future and present). ) 图 7 RCP8.5强迫情景下，格陵兰岛模拟降雪比例(降雪量与总降水量之比)的地理分布 Fig. 7 Geographic distribution of snowfall ratio over Greenland under RCP8.5 scenario |
未来情景(2091—2100年)模拟结果显示，格陵兰岛多数区域的降雪比例出现明显下降，降水相态呈现由雪向雨的转变趋势，尤以沿海和冰盖边缘地区最为显著(见图 7(b)、7(c))。这些区域对气温上升更为敏感，暖融条件增强后更容易出现雨相降水。而在中部高原与冰盖内陆，降雪比例虽有所下降，但仍维持在80%以上，表现出一定的稳定性。这一稳定性与其高海拔特征和较高的地表反照率有关，二者共同抑制了区域气温快速上升的幅度[51]。图 7(c)进一步量化了未来降雪比例的变化，广泛分布的蓝色区域显示未来降雪比例下降幅度普遍超过0.1，部分区域甚至超过0.3，表明格陵兰的降水结构将发生显著改变。在局地尺度上，降雨增加降低冰面反照率，通过正反馈加速冰盖消融[52]；区域尺度上，淡水输入改变影响北大西洋深层水形成；全球尺度上，加速的冰量损失直接贡献海平面上升。此外，液态降水比例上升会降低冰盖物质积累效率，可能引发更频繁的冰川突发排水事件，同时改变北极生态系统格局。这些变化通过冰-气-海相互作用形成级联效应，对全球气候系统产生深远影响[6]，因此需在未来研究中予以高度关注。
在高排放路径RCP8.5情景下，格陵兰岛降水结构及其地表辐射特性呈现出显著变异。模拟结果表明，未来时期(2091—2100年)全年各月的总降水量均高于历史基准期(2005—2014年)，其中6、7月增幅最为显著，单月增加20 mm左右(见图 8(a))。这一变化主要归因于气温升高带来的大气持水量增加与水汽输送增强，在夏季尤为显著[53]。与此同时，降水相态发生了结构性转变，液态降水比例显著上升，尤以5—9月最为突出，而同期降雪量变化幅度较小，表明气温已系统性越过相变临界点，导致更多降水直接以雨水形式落地[45]。图 8(b)所示，夏季各月降雪比例下降显著，7—8月的最大降幅接近20%，这不仅压缩了雪季的时空范围，也改变了降水主导形态，反映出格陵兰地区对气候变暖的高度敏感性。尽管全年降雪仍具主导地位，但这种相态变化已构成典型的夏季结构性转化特征，对水文过程和冰盖能量收支构成潜在影响[54]。
|
图 8 RCP8.5强迫情景下，格陵兰岛月均降水量(总降水、降雨、降雪)变化(a)、降雪比例(b)及反照率减少量(c) Fig. 8 Monthly changes in precipitation (total precipitation, rainfall, and snowfall)(a), snowfall fraction(b), and surface albedo(c) over Greenland under the RCP8.5 forcing scenario |
降水结构的转变直接影响地表辐射特性，尤其表现在反照率方面。积雪具有强反射性，其减少会显著增强地表对短波辐射的吸收。在未来气候条件下，格陵兰7—8月期间反照率下降幅度最大，达到0.033~0.036(见图 8(c))，这一变化表现出明显的非线性趋势。这种“降雪减少-反照率降低-表面升温-进一步促融”的正反馈循环，被认为是驱动冰盖质量亏损的重要机制之一[11]。伴随液态降水增加和积雪覆盖率下降，冰盖系统在未来将面临更高的能量输入，导致融化增强，反过来进一步削弱积雪覆盖，从而形成持续放大的反馈过程[51]。这一机制表明，尽管降水总量有所上升，但格陵兰冰盖的表层质量补给并未因此改善，反而在降水相态转变和反照率下降的共同作用下，加剧了融化与质量亏损的风险。综合而言，这一连锁过程可能成为格陵兰冰盖未来“加速退缩”模式的重要触发因子，是极地气候系统非线性响应的重要表现。
5 结语本研究基于改进的CPL耦合器将WRF-ROMS-CICE进行集成，开展高分辨率模拟。进而评估了格陵兰岛在历史时期(2005—2014年)与未来RCP8.5情景(2091—2100年)下的气象特征，特别分析了极端降水对气候变化的响应。模式评估结果表明，WRC在格陵兰岛的气温、降水、风速与辐射等重要气象因素模拟中具有较高精度，能够较好再现这些气象因素的的空间分布。研究发现，未来高排放情景下格陵兰岛极端降水将显著增强，平均增幅达25%~33%，主要受水汽输送增强和大气不稳定性加剧驱动，但存在显著区域异质性，东南部因地形-环流耦合作用成为唯一频率下降的异常区。更为重要的是，固态降水比例显著下降导致夏季冰盖反照率降低，触发"降雪减少-反照率下降-升温促融"的正反馈循环，虽然降水总量增加，但液态降水比例上升削弱了冰盖表层补给效率，可能加速冰盖退缩进程。这些发现阐明了极端降水与降水相态变化对格陵兰冰盖稳定性的双重胁迫机制，揭示了极地气候响应中区域异质性的核心成因，为理解冰盖-气候相互作用提供了新的理论视角, 对预测未来极地水文气候变化具有重要意义。
| [1] |
Walsh J E, Ballinger T J, Euskirchen E S, et al. Extreme weather and climate events in northern areas: A review[J]. Earth-Science Reviews, 2020, 209: 103324. DOI:10.1016/j.earscirev.2020.103324 (  0) |
| [2] |
Xu C, Yuan C, Li X, et al. Projection of disaster-causing risk of extreme precipitation in the Yangtze River Basin based on CMIP6[J]. Hydrology Research, 2023, 54(3): 401-417. DOI:10.2166/nh.2023.141 ( 0) |
| [3] |
Gilbert E, Pishniak D, Torres J A, et al. Extreme precipitation associated with atmospheric rivers over West Antarctic ice shelves: Insights from kilometre-scale regional climate modelling[J]. The Cryosphere, 2025, 19(2): 597-618. DOI:10.5194/tc-19-597-2025 ( 0) |
| [4] |
Pithan F, Jung T. Arctic amplification of precipitation changes: The energy hypothesis[J]. Geophysical Research Letters, 2021, 48(21): e2021GL094977. DOI:10.1029/2021GL094977 ( 0) |
| [5] |
Shepherd A, Ivins E, Rignot E, et al. Mass balance of the Greenland ice sheet from 1992 to 2018[J]. Nature, 2020, 579(7798): 233-239. DOI:10.1038/s41586-019-1855-2 ( 0) |
| [6] |
Trusel L D, Das S B, Osman M B, et al. Nonlinear rise in Greenland runoff in response to post-industrial Arctic warming[J]. Nature, 2018, 564(7734): 104-108. DOI:10.1038/s41586-018-0752-4 ( 0) |
| [7] |
Noël B, van de Berg W J, van Wessem J M, et al. Modelling the climate and surface mass balance of polar ice sheets using RACMO2-Part 1:Greenland (1958-2016)[J]. The Cryosphere, 2018, 12(3): 811-831. DOI:10.5194/tc-12-811-2018 ( 0) |
| [8] |
Mc Crystall M R, Stroeve J, Serreze M, et al. New climate models reveal faster and larger increases in Arctic precipitation than previously projected[J]. Nature Communications, 2021, 12(1): 6765. DOI:10.1038/s41467-021-27031-y ( 0) |
| [9] |
Leeson A A, Shepherd A, Briggs K, et al. Supraglacial lakes on the Greenland ice sheet advance inland under warming climate[J]. Nature Climate Change, 2015, 5(1): 51-55. DOI:10.1038/nclimate2463 ( 0) |
| [10] |
Tedesco M, Fettweis X. Unprecedented atmospheric conditions (1948-2019) drive the 2019 exceptional melting season over the Greenland ice sheet[J]. The Cryosphere, 2020, 14(4): 1209-1223. DOI:10.5194/tc-14-1209-2020 ( 0) |
| [11] |
Box J E, Wehrlé A, van As D, et al. Greenland ice sheet rainfall, heat and albedo feedback impacts from the mid-August 2021 atmospheric river[J]. Geophysical Research Letters, 2022, 49(11): e2021GL097356. DOI:10.1029/2021GL097356 ( 0) |
| [12] |
Tedesco M, Fettweis X, Mote T, et al. Evidence and analysis of 2012 Greenland records from spaceborne observations, a regional climate model and reanalysis data[J]. The Cryosphere Discussions, 2013, 7(2): 615-630. DOI:10.5194/tc-7-615-2013 ( 0) |
| [13] |
Box J E, Nielsen K P, Yang X, et al. Greenland ice sheet rainfall climatology, extremes and atmospheric river rapids[J]. Meteorological Applications, 2023, 30(4): e2134. DOI:10.1002/met.2134 ( 0) |
| [14] |
Xie Y, Pettersen C, Flanner M, et al. Ground-observed snow albedo changes during rain-on-snow events in Northern Alaska[J]. Journal of Geophysical Research: Atmospheres, 2024, 129(16): e2024JD040975. DOI:10.1029/2024JD040975 ( 0) |
| [15] |
Mattingly K S, Mote T L, Fettweis X. Atmospheric river impacts on Greenland ice sheet surface mass balance[J]. Journal of Geophysical Research-Atmospheres, 2018, 123(16): 8538-8560. DOI:10.1029/2018JD028714 ( 0) |
| [16] |
Xu M, Yang Q, Hu X, et al. Record-breaking rain falls at Greenland summit controlled by warm moist-air intrusion[J]. Environmental Research Letters, 2022, 17(4): 044061. DOI:10.1088/1748-9326/ac60d8 ( 0) |
| [17] |
Ravinder N, Shepherd A, Otosaka I, et al. Greenland ice sheet elevation change from CryoSat-2 and ICESat-2[J]. Geophysical Research Letters, 2024, 51(24): e2024GL110822. DOI:10.1029/2024GL110822 ( 0) |
| [18] |
Behrangi A, Tian Y, Lambrigtsen B H, et al. What does cloudsat reveal about global land precipitation detection by other spaceborne sensors?[J]. Water Resources Research, 2014, 50(6): 4893-4905. DOI:10.1002/2013WR014566 ( 0) |
| [19] |
Skofronick-Jackson G, Kirschbaum D, Petersen W, et al. The global precipitation measurement (GPM) mission's scientific achievements and societal contributions: Reviewing four years of advanced rain and snow observations[J]. Quarterly Journal of the Royal Meteorological Society, 2018, 144: 27-48. DOI:10.1002/qj.3313 ( 0) |
| [20] |
Vavrus S, Harrison S P. The impact of sea-ice dynamics on the Arctic climate system[J]. Climate Dynamics, 2003, 20(7-8): 741-757. DOI:10.1007/s00382-003-0309-5 ( 0) |
| [21] |
Cai Z, You Q, Chen H W, et al. Assessing Arctic wetting: Performances of CMIP6 models and projections of precipitation changes[J]. Atmospheric Research, 2024, 297: 107124. DOI:10.1016/j.atmosres.2023.107124 ( 0) |
| [22] |
Noel B, van de Berg W J, Lhermitte S, et al. Rapid ablation zone expansion amplifies north Greenland mass loss[J]. Science Advances, 2019, 5(9): eaaw0123. DOI:10.1126/sciadv.aaw0123 ( 0) |
| [23] |
Haarsma R J, Roberts M J, Vidale P L, et al. High resolution model intercomparison project (HighResMIP v1.0) for CMIP6[J]. Geoscientific Model Development, 2016, 9(11): 4185-4208. DOI:10.5194/gmd-9-4185-2016 ( 0) |
| [24] |
Forbes R M, Ahlgrimm M. On the representation of high-latitude boundary layer mixed-phase cloud in the ECMWF global model[J]. Monthly Weather Review, 2014, 142(9): 3425-3445. DOI:10.1175/MWR-D-13-00325.1 ( 0) |
| [25] |
刘喜迎. 采用耦合器组件的区域冰-洋耦合模式的实现[J]. 计算机工程与应用, 2010, 46(1): 24-27. Liu X Y. Implementation of sea ice-ocean coupled model in form of coupler component[J]. Computer Engineering and Applications, 2010, 46(1): 24-27. ( 0) |
| [26] |
Liu X. Biases of the Arctic climate in a regional ocean-sea ice-atmosphere coupled model: An annual validation[J]. Acta Oceanologica Sinica, 2014, 33(9): 56-67. DOI:10.1007/s13131-014-0518-2 ( 0) |
| [27] |
Yang L, Smith J, Liu M, et al. Extreme rainfall from Hurricane Harvey (2017): Empirical intercomparisons of WRF simulations and polarimetric radar fields[J]. Atmospheric Research, 2019, 223: 114-131. DOI:10.1016/j.atmosres.2019.03.004 ( 0) |
| [28] |
Holland M M, Bailey D A, Briegleb B P, et al. Improved sea ice shortwave radiation physics in CCSM4:The impact of melt ponds and aerosols on Arctic sea ice[J]. Journal of Climate, 2012, 25(5): 1413-1430. DOI:10.1175/JCLI-D-11-00078.1 ( 0) |
| [29] |
Srinivas C, Yesubabu V, Prasad D H, et al. Simulation of an extreme heavy rainfall event over Chennai, India using WRF: Sensitivity to grid resolution and boundary layer physics[J]. Atmospheric Research, 2018, 210: 66-82. DOI:10.1016/j.atmosres.2018.04.014 ( 0) |
| [30] |
Chen F, Dudhia J. Coupling an advanced land surface-hydrology model with the Penn State-NCAR MM5 modeling system. Part I: Model implementation and sensitivity[J]. Monthly Weather Review, 2001, 129(4): 569-585. DOI:10.1175/1520-0493(2001)129<0569:CAALSH>2.0.CO;2 ( 0) |
| [31] |
Karmakar S, Srinivas C, Rakesh P T, et al. A WRF-FLEXPART simulation study of oil-fire plume dispersion-sensitivity to turbulent diffusion schemes[J]. Meteorology and Atmospheric Physics, 2022, 134(2): 32. DOI:10.1007/s00703-022-00866-w ( 0) |
| [32] |
Mankoff K D, Colgan W, Solgaard A, et al. Greenland ice sheet solid ice discharge from 1986 through 2017[J]. Earth System Science Data, 2019, 11(2): 769-786. DOI:10.5194/essd-11-769-2019 ( 0) |
| [33] |
Vincent A, Violette S, Aoalgeirsdottir G. Groundwater in catchments headed by temperate glaciers: A review[J]. Earth-Science Reviews, 2019, 188: 59-76. DOI:10.1016/j.earscirev.2018.10.017 ( 0) |
| [34] |
Pendergrass A G. What precipitation is extreme?[J]. Science, 2018, 360(6393): 1072-1073. DOI:10.1126/science.aat1871 ( 0) |
| [35] |
Barrett A P, Stroeve J C, Serreze M C. Arctic Ocean precipitation from atmospheric reanalyses and comparisons with north pole drifting station records[J]. Journal of Geophysical Research-Oceans, 2020, 125(1): e2019JC015415. DOI:10.1029/2019JC015415 ( 0) |
| [36] |
Hersbach H, Bell B, Berrisford P, et al. The ERA5 global reanalysis[J]. Quarterly Journal of the Royal Meteorological Society, 2020, 146(730): 1999-2049. DOI:10.1002/qj.3803 ( 0) |
| [37] |
Ning W, Wang Y, Zhang W, et al. What recent global atmospheric reanalyses and regional climate models can represent observed snow accumulation on Antarctica?[J]. Atmospheric Research, 2024, 300: 107260. DOI:10.1016/j.atmosres.2024.107260 ( 0) |
| [38] |
Loeb N A, Crawford A, Herrington A, et al. Projections and physical drivers of extreme precipitation in Greenland & Baffin Bay[J]. Journal of Geophysical Research-Atmospheres, 2024, 129(22): e2024JD041375. DOI:10.1029/2024JD041375 ( 0) |
| [39] |
Herrington A R, Lauritzen P H, Lofverstrom M, et al. Impact of grids and dynamical cores in CESM2.2 on the surface mass balance of the Greenland ice sheet[J]. Journal of Advances in Modeling Earth Systems, 2022, 14(11): e2022MS003192. DOI:10.1029/2022MS003192 ( 0) |
| [40] |
van Kampenhout L, Rhoades A M, Herrington A R, et al. Regional grid refinement in an Earth system model: Impacts on the simulated Greenland surface mass balance[J]. Cryosphere, 2019, 13(6): 1547-1564. DOI:10.5194/tc-13-1547-2019 ( 0) |
| [41] |
Wei T, Zhao S, Noel B, et al. Deciphering the trend and interannual variability of temperature and precipitation extremes over Greenland during 1958-2019[J]. Journal of Climate, 2023, 36(14): 4777-4791. DOI:10.1175/JCLI-D-22-0488.1 ( 0) |
| [42] |
Danabasoglu G. NCAR CESM2 model output prepared for CMIP6 scenario MIP ssp585[DS/OL]. Earth System Grid Federation, 2019. https://doi.org/10.22033/ESGF/CMIP6. 7768.
( 0) |
| [43] |
Nellikkattil A B, Lee J Y, Guan B, et al. Increased amplitude of atmospheric rivers and associated extreme precipitation in ultra-high-resolution greenhouse warming simulations[J]. Communications Earth & Environment, 2023, 4(1): 313. ( 0) |
| [44] |
Pfahl S, O'Gorman P A, Fischer E M. Understanding the regional pattern of projected future changes in extreme precipitation[J]. Nature Climate Change, 2017, 7(6): 423-427. DOI:10.1038/nclimate3287 ( 0) |
| [45] |
Bintanja R, Andry O. Towards a rain-dominated Arctic[J]. Nature Climate Change, 2017, 7(4): 263-267. DOI:10.1038/nclimate3240 ( 0) |
| [46] |
Berghuijs W R, Woods R A, Hrachowitz M. A precipitation shift from snow towards rain leads to a decrease in streamflow[J]. Nature Climate Change, 2014, 4(7): 583-586. DOI:10.1038/nclimate2246 ( 0) |
| [47] |
Screen J A, Simmonds I. Declining summer snowfall in the Arctic: Causes, impacts and feedbacks[J]. Climate Dynamics, 2012, 38(11-12): 2243-2256. DOI:10.1007/s00382-011-1105-2 ( 0) |
| [48] |
Hansen B B, Gamelon M, Albon S D, et al. More frequent extreme climate events stabilize reindeer population dynamics[J]. Nature Communications, 2019, 10: 1616. DOI:10.1038/s41467-019-09332-5 ( 0) |
| [49] |
Bengtsson L, Hodges K I, Koumoutsaris S, et al. The changing atmospheric water cycle in Polar Regions in a warmer climate[J]. Tellus Series A: Dynamic Meteorology and Oceanography, 2011, 63(5): 907-920. DOI:10.1111/j.1600-0870.2011.00534.x ( 0) |
| [50] |
Vandecrux B, Fausto R S, Langen P L, et al. Drivers of firn density on the greenland ice sheet revealed by weather station observations and modeling[J]. Journal of Geophysical Research: Earth Surface, 2018, 123(10): 2563-2576. DOI:10.1029/2017JF004597 ( 0) |
| [51] |
Noël B, van de Berg W J, van Meijgaard E, et al. Evaluation of the updated regional climate model RACMO 2.3:Summer snowfall impact on the Greenland ice sheet[J]. The Cryosphere, 2015, 9(5): 1831-1844. DOI:10.5194/tc-9-1831-2015 ( 0) |
| [52] |
van den Broeke M, Enderlin E, Howat I, et al. On the recent contribution of the Greenland ice sheet to sea level change[J]. Cryosphere, 2016, 10(5): 1933-1946. DOI:10.5194/tc-10-1933-2016 ( 0) |
| [53] |
Bintanja R, Selten F M. Future increases in Arctic precipitation linked to local evaporation and sea-ice retreat[J]. Nature, 2014, 509(7501): 479-482. DOI:10.1038/nature13259 ( 0) |
| [54] |
Fettweis X, Box J E, Agosta C, et al. Reconstructions of the 1900-2015 Greenland ice sheet surface mass balance using the regional climate MAR model[J]. The Cryosphere, 2017, 11(2): 1015-1033. DOI:10.5194/tc-11-1015-2017 ( 0) |
2. College of Oceanography, Hohai University, Nanjing 211100, China;
3. Key Laboratory of Physical Oceanography, Ministry of Education, Ocean University of China, Qingdao 266100, China