2. 中国气象局国家气候中心, 北京 100081;
3. 南京信息工程大学气象灾害预报预警与评估协同创新中心, 南京 210044
2. National Climate Center, Beijing 100081, China;
3. Collaborative Innovation Center on Forecast and Evaluation of Meteorological Disasters, Nanjing University of Information Science & Technology, Nanjing 210044, China
近年来,中国地区的雾霾等空气质量问题越来越得到关注,这与空气污染物的排放有关,也和空气的流通情况有关.臭氧、PM2.5(fine particulate matter) 的高值通常与空气静稳事件伴随出现 (Fiore et al., 2012; Horton et al., 2014).因此,研究空气静稳日数的变化在一定程度上可以帮助我们了解空气质量的变化情况.静稳的环流会导致空气污染物的积聚,有利于高臭氧浓度和高PM2.5浓度事件的发生 (Vautard et al., 2007). Tai等 (2010)通过研究美国PM2.5浓度和气象变量之间的关系发现,空气静稳日时PM2.5的浓度比非空气静稳日时大约高2.6 μg·m-3. PM2.5高值日常伴随的气象条件是反气旋后部的空气静稳和干热 (Tai et al., 2012).Wang等 (2012)在研究乌鲁木齐冬季采暖期空气质量时,也发现空气污染严重事件往往伴随着反气旋的到来.一些研究者指出温带气旋频率与空气质量有关 (Leibensperger et al., 2008; Turner et al., 2013).Oswald等 (2015)指出空气静稳事件对臭氧浓度的影响比锋的过境频率对臭氧浓度的影响更大.Wang等 (2015)发现中国东部冬季的雾霾日数增加与空气稳定度增加有关,并利用28个CMIP5(Coupled Model Intercomparison Project phase 5) 全球模式的RCP4.5情景 (Representative Concentration Pathways scenario 4.5) 下的模拟结果预估了未来中国的大气环流情况.Leung和Gustafson (2005)基于美国未来空气静稳日数等的变化预估了2050年左右的美国西部和西南部的空气质量变化情况.
气候模式是研究历史时期气候变化特征以及预估未来气候变化的有力工具.目前参加耦合模式比较计划第五阶段 (CMIP5) 的全球模式可以较好的模拟出气候平均态及其变化特征 (Xu and Xu, 2012; Yao et al., 2013; Zhang et al., 2013),如温度、降水 (Chen and Frauenfeld, 2014; 陈晓晨等, 2014) 和风速 (Chen et al., 2012; Lee et al., 2013) 等,但之前很少有学者对CMIP5在中国地区空气静稳日数的模拟能力进行了检验和评估.对CMIP5多个模式模拟的空气静稳日数进行评估有利于下一代全球模式的改进,也可为预估未来中国空气静稳日数的变化提供基础.同时,评估气候模式对通风条件的模拟能力,分析中国上空的通风条件,将有利于研究空气污染物的浓度变化.因此,本文对观测的1961—2005年中国上空空气静稳日数的分布特征和变化情况进行分析,并对CMIP5中15个全球模式对中国地区空气静稳日数时空变化特征的模拟能力进行评估.
2 数据和方法为了方便研究中国上空的空气静稳情况,本文采用Wang和Angell (1999)的定义,即当某一天的10 m风速小于3.2 m·s-1,500 hPa风速小于13 m·s-1,降水小于1 mm时,记当天为一个空气静稳日.
观测数据采用国家气候中心提供的1961—2005年CN05.1逐日降水格点数据 (吴佳和高学杰, 2013),该套资料是在Xu等 (2009)对中国700多个观测站进行插值的基础上,进一步利用中国2400站的观测资料制作而成,分辨率为0.5°×0.5°.10 m风速和500 hPa风速资料均采用NCEP 1(National Center for Environmental Prediction 1) 的逐日资料 (1961—2005)(http://www.cdc.noaa.gov/cdc/data.ncep.reanalysis.html)(Kalnay et al., 1996; Kistler et al., 2001).
模式数据是来自CMIP5的15个全球气候模式的历史模拟数据,包括人类和自然强迫的共同影响 (Taylor et al., 2012).文中分析数据的时间段为:1961—2005年,具体信息见表 1,更多信息可访问http://cmip-pcmdi.llnl.gov/.为便于分析,本文中将模式数据统一插值到0.5°×0.5°,与观测的格点数据相匹配.
本文计算了模式模拟和观测资料之间的均方根误差 (root-mean-square error,简称RMSE) 用以评估各模式对中国空气静稳日数空间分布的模拟效果.具体计算方法参考Gleckler等 (2008)的定义,公式如下:
其中,RMSEmedian表示CMIP5所有模式的RMSE的中值.如果某个模式的RMSE′<0,说明该模式的模拟结果优于所有模式的中等水平;如果某个模式的RMSE′>0,则说明该模式的模拟结果劣于所有模式的中等水平 (Zhou et al., 2014; 陈晓晨等, 2014).
为进一步考察空气静稳日数的时间变化是否呈现正态分布,文中检验空气静稳日数的趋势时采用了Mann-Kedall趋势检验 (Xu et al., 2002).15个模式进行集合平均 (Multi-model ensemble,简称MME) 时,采用了等权重的简单平均.
3 结果分析 3.1 1961—2005年空气静稳日数空间分布特征模拟能力评估由中国上空1961—2005年平均空气静稳日数的观测结果 (图 1a) 可以看出,空气静稳日数的高值区主要出现在中国西北和华中,其中塔里木盆地的空气静稳日数最高,可超过200天.空气流动较活跃的地区主要集中在东部沿海、内蒙古东部—辽宁和青藏高原的东南部.总体而言,空气静稳日数从沿海到内陆逐渐增加,这一结果和中国西部的少雨 (Chen and Frauenfeld, 2014; Xu and Xu, 2012) 以及东部的通风条件较好 (Guo et al., 2011) 的特征相符合.模式集合平均的结果 (图 1b) 可以模拟出空气静稳日数的空间分布特征,但在各个区域空气静稳日数的数值大小上仍存在一定的偏差 (图 1c).CMIP5模式模拟结果的低估现象主要出现在塔里木盆地、雅鲁藏布江以南和华中,而高估现象主要出现在东北北部、东部沿海、广西南部、青藏高原北部和中部、西北北部.CMIP5模式对地面风速的高估 (Chen et al., 2012) 可能会导致CMIP5对空气静稳日数模拟的偏差.通过各模式间空气静稳日数的标准差可以看出 (图 1d),各模式对空气静稳日数模拟的一致性在中国东北北部和西部高原较差,尤其是模式间标准差在塔里木盆地南部可达80天.各模式结果在长江流域、东北中部和南部、华北北部、山东和江苏的沿海区域一致性较好.
从各个模式对空气静稳日数的模拟结果与观测结果之差 (图 2) 来看,各个模式之间的模拟效果差异较大.ACCESS1-0、CNRM-CM5、GFDL-ESM2G和GFDL-ESM2M模拟的空气静稳日数在中国大部分地区存在高估,高估较严重的地区主要在中国西部.BNU-ESM的模拟结果在中国大部分地区存在低估.MIROC-ESM、MIROC-ESM-CHEM和MRI-CGCM3的模拟结果对中国西北的空气静稳日数存在低估,而对中国东部的空气静稳日数存在高估. CanESM2、IPSL-CM5A-MR、IPSL-CM5B-LR和MIROC5的模拟结果与观测值较接近.
从中国地区各季节空气静稳日数的观测结果 (图 3) 可以看出,在四季中,中国空气静稳日数均呈现出从东南向西北增加的分布特征.春季的空气静稳日数高值区出现在中国西北和华中,而东北、东南沿海以及青藏高原南部的空气静稳日数较少.夏季和秋季的空气静稳日数的分布型相似,高值中心均出现在新疆南部和中国东部,而在中国东北和青藏高原东部较少.这可能是由于夏、秋两季中国上空的槽、脊强度较弱,且西北太平洋副热带高压控制中国东部地区,造成空气流通性较差.冬季的空气静稳日数在中国东部沿海较少,这可能是由于冬季冷空气势力在沿海较强,导致中国东部通风条件较好.
由图 4可以看出,与观测相比,多模式集合平均 (MME) 结果对夏季和冬季的空气静稳日数模拟效果较好.对于春季,MME结果在新疆南部、青海、四川和华中存在低估,而在东北北部和京津冀地区存在高估.对于秋季,MME在西北中南部、青藏高原东南部、四川和华中存在低估,而在东北北部和东南沿海存在高估.
由于中国地域跨度大,不同区域的气候特点存在显著差异.根据第二次气候变化评估报告 (2007),本文将中国地区划分为东北 (Northeast China,简称NEC)、华北 (North China,简称NC)、华东 (East China,简称EC)、华中 (Central China,简称CC)、华南 (South China,简称SC)、青藏高原 (Southwest China region 1,简称SWC1)、西南 (Southwest China region 2,简称SWC2)、西北 (Northwest China,简称NWC)8个分区.从各模式和多模式集合平均 (MME) 模拟结果的相对均方根误差 (图 5) 可以看出,各模式在不同区域对空气静稳日数模拟的效果差异较大,其中GFDL-ESM2G、GFDL-ESM2M、MIROC-ESM、MIROC-ESM-CHEM和MRI-CGCM3在大多数地区的相对均方根误差RMSE′均大于0,这些模式对空气静稳日数的模拟效果较差.而CanESM2和IPSL-CM5B-LR对大部分区域的相对均方根误差RMSE′小于0,说明这两个模式对于大部分地区的模拟能力优于所有模式的中等水平.这些结果与降水的CMIP5评估结果 (陈晓晨等, 2014) 类似.MME的RMSE′在中国及其8个分区中国均小于0,优于所有模式的中等水平.Chen等 (2012)研究表明,CMIP5对中国地区的地面风速模拟能力较差,这可能会影响到CMIP5模式结果对空气静稳日数的模拟效果.
本文对中国各分区分别计算逐年观测和模拟的区域平均空气静稳日数 (图 6),结果表明,在中国及其8个分区中,观测值的区域平均结果和多模式集合平均 (MME) 的区域平均结果均处于多模式的最大值、最小值范围内.MME相比于观测值年际波动较小,MME对观测到的年际变化模拟效果较差.在东北地区,MME结果存在较严重的高估现象,几乎是观测结果的一倍.在中国的华北、华东、华南、青藏高原和西南,MME相对于观测结果也几乎一致偏大.而在西北和华中,MME在约1978年之前相对于观测值几乎都是偏大,在1978年之后,MME相对于观测值在一些年份出现了偏小.
由中国及其8个分区的空气静稳日数标准差 (表 2) 可以看出,各区域空气静稳日数观测值的年际变化幅度均大于对应区域的MME值,中国及其8个分区观测的空气静稳日数标准差均大于6天.华中、青藏高原和西北的空气静稳日数观测值波动较大,而东北、华东和华南的波动较小.MME的中国、华北和青藏高原的波动较小.
目前中国冬季雾霾频发,而冬季的气候条件影响雾霾的发生,因此有必要对中国冬季的空气静稳日数年际变化特征进行分析.由中国及其8个分区的冬季空气静稳日数的逐年变化 (图 7) 可以看出,各区域的MME年际变化曲线的波动均比观测值的年际变化曲线波动小.观测的冬季空气静稳日数在华东和华南较少.在中国和中国东北,MME的区域平均结果存在严重的高估现象.在西北、青藏高原、西南、华北、华东和华南,MME区域平均结果也在大多数年份中大于对应年份的观测值.在华中,1978年之后多数年份的观测的冬季空气静稳日数大于对应年份的MME结果,而1978年之前的多数年份中,MME存在高估现象.
由观测的1961—2005年空气静稳日数的变化趋势分布图 (图 8a) 可以看出,这45年间中国大部分地区的空气静稳日数呈现显著增加的趋势,即空气流通情况在中国大部分地区变差.增加的大值区主要出现在华北南部—华中以及新疆东部,这些区域的空气静稳日数增加趋势可达14 d/10a.东北北部、云南、贵州、塔里木盆地东部、华南东南部的空气静稳日数在1961—2005年间呈现下降的趋势,这些区域的空气流通情况在45年间呈现变优的趋势.多模式集合平均 (MME) 的空气静稳日数 (图 8b) 可以较好的模拟出1961—2005年空气静稳日数变化趋势的分布型,即可以再现中国东部和新疆大部分地区空气静稳日数的显著增加,但MME的空气静稳日数幅度相比于观测偏小,比如,观测的空气静稳日数的增幅在陕西省南部可达14 d/10a,但MME的空气静稳日数趋势在该地区的增幅不超过2 d/10a.另外,广西、青藏高原大部MME的空气静稳日数趋势与观测结果趋势符号相反.
对中国地区1961—2005年间年平均空气静稳日数进行EOF分析,可知这段时间内空气静稳日数的主要空间模态 (图 9) 及其对应的时间系数序列 (图 10) 的变化特征.从观测的1961—2005年间空气静稳日数的主要空间模态 (图 9a—c) 可以看出,第一特征向量的方差贡献率为46.2%,分布图 (图 9a) 反映出空气静稳日数在全国信号符号几乎一致的特征,正信号的大值出现在了华北南部—华中和新疆东北部,负信号主要出现在黑龙江北部和广东沿海.观测的第二特征向量 (图 9b) 呈现出南北相反的特点,正信号主要出现在约40°N以北的地区,强正信号区出现在新疆中部.中国东部和中部的大部分地区为负信号区,四川东部和雅鲁藏布江以南负信号较强.观测的第三特征向量 (图 9c) 由东到西基本呈现出正-负-正的分布型,长江中下游流域出现正信号的大值区,新疆北部和西部以及西藏大部也有正信号区;而内蒙古西部—青海北部则出现了强烈的负信号区.多模式集合平均 (MME) 结果的EOF1(图 9d) 可以再现观测结果的特征向量全国符号一致的分布型,但在华中的正信号比观测结果的正信号弱,新疆的正信号区也比观测结果的相应正信号区偏东南,东北北部的负信号区在MME的模拟中比观测结果更强.MME的EOF2(图 9e) 也能够模拟出观测结果EOF2的分布型,但MME在东北的正信号比观测结果更强,而在新疆北部MME的正信号却弱于观测结果,在东南沿海MME出现了虚假的正信号区.MME的第三特征向量 (图 9f) 与观测结果相差较大,MME的正信号区主要集中在华中和青藏高原,负信号区主要出现在约40°N—46°N之间和华东.
从观测值EOF1的时间系数序列 (图 10a) 可以看出,空气静稳日数的EOF时间系数序列有年代际变化特征,即在1976年之前时间系数基本为负值,而在1977年之后时间系数基本都为正值,结合EOF1的特征向量可以得知在1976年之后中国的空气静稳日数基本都较多.观测结果的EOF2时间系数序列 (图 10b) 则主要表现出年际变化特征,时间系数较大的年份为1975年和1983年,而在约1992年之后多数年份的时间系数为负,即在约1992年之后中国的空气静稳日数在华中和华东偏多,而在新疆偏少.观测值的EOF3时间系数在1961—1966年、1989—2001年这两个时间段中基本都为负值,而在1967—1981年、1984—1988年以及2002—2004年这三个时间段中时间系数基本都为正值.MME的EOF1的时间系数序列 (图 10d) 主要呈现出年际变化特征,可以模拟出观测值在1967—1975年间观测结果时间序列的负值,但是在1976年之后MME的时间序列正值和负值交替出现;并且MME的时间系数范围要小于观测结果的范围,这说明MME的信号强度要弱于观测结果的信号强度.MME的EOF2时间系数序列 (图 10e) 和观测结果均呈现出年际变化特征,但是具体的强弱年份和观测结果不太一致.MME的EOF3时间系数序列 (图 10f) 表现出年际变化特征,在1961—1974年间时间系数基本为正值,未能模拟出1961—1966年间的负时间系数;对于观测结果在1989—2001年间的负时间序列,MME模拟较好.
4 结论与讨论本文利用1961—2005年的降水、地面10 m风速和500 hPa风速观测数据和15个CMIP5全球模式模拟数据,分别计算了中国上空逐年的空气静稳日数,评估了15个CMIP5全球模式对中国上空空气静稳日数的模拟能力,主要结论如下:
(1) 1961—2005年平均中国上空空气静稳日数呈现由沿海向内陆增加的分布特征,多模式集合平均 (MME) 可以模拟出这一分布特征,但具体数值在一些地区与观测值存在一定的偏差.不同模式对空气静稳日数的模拟能力相差较大.对不同季节,MME可以较好地再现夏季和冬季的空气静稳日数的分布特征.
(2) 中国及其八个分区的分析结果表明,GFDL-ESM2G、GFDL-ESM2M、MIROC-ESM、MIROC-ESM-CHEM和MRI-CGCM3模式对中国大部分区域空气静稳日数的模拟效果较差,而CanESM2和IPSL-CM5B-LR对绝大部分区域的模拟能力较好.MME的模拟能力优于单个模式.
(3) MME的1961—2005年空气静稳日数相比于观测值年际变化较小,在中国、华北、华东、华南、青藏高原、西南和东北,MME的空气静稳日数高于观测值.尤其对于冬季空气静稳日数,MME结果在大多数区域中均存在高估.
(4) MME可以较好的模拟出空气静稳日数在中国东部和新疆大部增加的趋势分布特征,但数值比观测的要小.在东北北部、广西、青藏高原大部,MME的空气静稳日数趋势与观测结果趋势符号相反.
(5) MME能够较好的再现空气静稳日数的EOF1和EOF2特征向量分布,却对前三个EOF的时间系数序列的模拟较差.
综合结果表明,CMIP5的15个模式结果对中国上空空气静稳日数有一定的模拟能力,但还存在较大的提升空间.全球模式的低分辨率以及观测资料的不确定性也可能会对分析结果产生影响.此外,空气静稳日数变化的动力学机制也值得进一步研究,适合中国地区的空气静稳日数的定义也值得进一步改进.
Chen L, Pryor S C, Li D L. 2012. Assessing the performance of Intergovernmental Panel on Climate Change AR5 climate models in simulating and projecting wind speeds over China. Journal of Geophysical Research, 117(D24). DOI:10.1029/2012JD017533 | |
Chen L, Frauenfeld O W. 2014. A comprehensive evaluation of precipitation simulations over China based on CMIP5 multimodel ensemble projections. Journal of Geophysical Research, 119(10): 5767-5786. | |
Chen X C, Xu Y, Xu C H, et al. 2014. Assessment of precipitation simulations in China by CMIP5 multi-models. Progressus Inquisitiones DE Mutatione Climatis, 10(3): 217-225. | |
Fiore A M, Naik V, Spracklen D V, et al. 2012. Global air quality and climate. Chem. Soc. Rev., 41(19): 6663-6683. DOI:10.1039/c2cs35095e | |
Gleckler P J, Taylor K E, Doutriaux C. 2008. Performance metrics for climate models. Journal of Geophysical Research, 113(D6). DOI:10.1029/2007JD008972 | |
Guo H, Xu M, Hu Q. 2011. Changes in near-surface wind speed in China:1969-2005. International Journal of Climatology, 31(3): 349-358. DOI:10.1002/joc.v31.3 | |
Horton D E, Skinner C B, Singh D, et al. 2014. Occurrence and persistence of future atmospheric stagnation events. Nature Climate Change, 4(8): 698-703. DOI:10.1038/nclimate2272 | |
Kalnay E, Kanamitsu M, Kistler R, et al. 1996. The NCEP/NCAR 40-year reanalysis project. Bulletin of the American Meteorological Society, 77(3): 437-471. DOI:10.1175/1520-0477(1996)077<0437:TNYRP>2.0.CO;2 | |
Kistler R, Collins W, Saha S, et al. 2001. The NCEP-NCAR 50-year reanalysis:Monthly means CD-ROM and documentation. Bulletin of the American Meteorological Society, 82(2): 247-267. DOI:10.1175/1520-0477(2001)082<0247:TNNYRM>2.3.CO;2 | |
Lee T, Waliser D E, Li J L F, et al. 2013. Evaluation of CMIP3 and CMIP5 wind stress climatology using satellite measurements and atmospheric reanalysis products. Journal of Climate, 26(16): 5810-5826. DOI:10.1175/JCLI-D-12-00591.1 | |
Leibensperger E M, Mickley L J, Jacob D J. 2008. Sensitivity of US air quality to mid-latitude cyclone frequency and implications of 1980-2006 climate change. Atomspheric Chemstry and Physics, 8(23): 7075-7086. DOI:10.5194/acp-8-7075-2008 | |
Leung L R, Gustafson Jr W I. 2005. Potential regional climate change and implications to U.S. air quality. . Geophysical Research Letters, 32(16): 10.1029/2005GL022911. DOI:10.1029/2005GL022911 | |
National Report Committee. China's National Assessment Report on Climate Change. Beijing: Science Press, 2011. | |
Oswald E M, Dupigny-Giroux L A, Leibensperger E M, et al. 2015. Climate controls on air quality in the Northeastern U.S.:An examination of summertime ozone statistics during 1993-2012. . Atmospheric Environment, 112: 278-288. DOI:10.1016/j.atmosenv.2015.04.019 | |
Tai A P K, Mickley L J, Jacob D J. 2010. Correlations between fine particulate matter (PM2.5) and meteorological variables in the United States:Implications for the sensitivity of PM2.5 to climate change. Atmospheric Environment, 44(32): 3976-3984. DOI:10.1016/j.atmosenv.2010.06.060 | |
Tai A P K, Mickley L J, Jacob D J, et al. 2012. Meteorological modes of variability for fine particulate matter (PM2.5) air quality in the United States:implications for PM2.5 sensitivity to climate change. Atmospheric Chemistry and Physics, 12(6): 3131-3145. DOI:10.5194/acp-12-3131-2012 | |
Taylor K E, Stouffer R J, Meehl G A. 2012. An overview of CMIP5 and the experiment design. Bulletin of the American Meteorological Society, 93(4): 485-498. DOI:10.1175/BAMS-D-11-00094.1 | |
Turner A J, Fiore A M, Horowitz L W, et al. 2013. Summertime cyclones over the Great Lakes Storm Track from 1860-2100:Variability, trends, and association with ozone pollution. Atmospheric Chemistry and Physics, 13(2): 565-578. DOI:10.5194/acp-13-565-2013 | |
Vautard R, Beekmann M, Desplat J, et al. 2007. Air quality in Europe during the summer of 2003 as a prototype of air quality in a warmer climate. Comptes Rendus Geoscience, 339(11-12): 747-763. DOI:10.1016/j.crte.2007.08.003 | |
Wang H J, Chen H P, Liu J P. 2015. Arctic sea ice decline intensified haze pollution in eastern China. Atmospheric and Oceanic Science Letters, 8(1): 1-9. | |
Wang J X L, Angell J K. 1999. Air Stagnation Climatology for the United States (1948-1998). NOAA/Air Resources Laboratory ATLAS No.1. | |
Wang LL, Wang Y S, Sun Y, et al. 2012. Using synoptic classification and trajectory analysis to assess air quality during the winter heating period in ürümqi, China. Advances in Atmospheric Sciences, 29(2): 307-319. DOI:10.1007/s00376-011-9234-4 | |
Wu J, Gao X J. 2013. A gridded daily observation dataset over China region and comparison with the other datasets. Chinese J. Geophys, 56(4): 1102-1111. DOI:10.6038/cjg20130406 | |
Xu Y, Gao X J, Shen Y, et al. 2009. A daily temperature dataset over china and its application in validating a RCM simulation. Advances in Atmospheric Sciences, 26(4): 763-772. DOI:10.1007/s00376-009-9029-z | |
Xu Y, Xu C H. 2012. Preliminary assessment of simulations of climate changes over china by CMIP5 multi-models. Atmospheric and Oceanic Science Letters, 5(6): 489-494. | |
Xu Z X, Takeuchi K, Ishidaira H. 2002. Long-term trends of annual temperature and precipitation time series in Japan. Journal of Hydroscience and Hydraulic Engineering, 20(2): 11-26. | |
Yao Y, Luo Y, Huang J B, et al. 2013. Comparison of monthly temperature extremes simulated by CMIP3 and CMIP5 Models. Journal of Climate, 26(19): 7692-7707. DOI:10.1175/JCLI-D-12-00560.1 | |
Zhang J, Li L, Zhou T J, et al. 2013. Evaluation of spring persistent rainfall over East Asia in CMIP3/CMIP5 AGCM simulations. Advances in Atmospheric Sciences, 30(6): 1587-1600. DOI:10.1007/s00376-013-2139-7 | |
Zhou B T, Wen Q H, Xu Y, et al. 2014. Projected changes in temperature and precipitation extremes in China by the CMIP5 multimodel ensembles. Journal of Climate, 27(17): 6591-6611. DOI:10.1175/JCLI-D-13-00761.1 | |
陈晓晨, 徐影, 许崇海, 等. 2014. CMIP5全球气候模式对中国地区降水模拟能力的评估. 气候变化研究进展, 10(3): 217–225. | |
《第二次气候变化国家评估报告》编写委员会. 第二次气候变化国家评估报告. 北京: 科学出版社, 2011. | |
吴佳, 高学杰. 2013. 一套格点化的中国区域逐日观测资料及与其它资料的对比. 地球物理学报, 56(4): 1102–1111. DOI:10.6038/cjg20130406 | |