2. 中国科学院大气物理研究所气候变化研究中心, 北京 100029
2. Climate Change Research Center, Institute of Atmospheric Physics, Chinese Academy of Sciences, Beijing 100029, China
全球气候模式(global climate model, GCM)是未来气候变化预估的重要工具,但受计算资源的限制,模式的网格大小多大于100 km.正在进行的第六阶段国际耦合模式比较计划(Coupled Model Intercomparison Project Phase 6, CMIP6)中,虽然有个别模式可能会进行较高分辨率的试验,但大部分模式的分辨率不会有根本性的变化.较低分辨率,使得全球模式结果在应用于区域尺度气候变化分析和极端事件研究时存在较大不足.特别是在东亚地区,由于具有独特的东亚季风系统和复杂的地形、下垫面特征,全球模式对这里气候的模拟能力相对不足,需要使用高分辨率的区域气候模式(regional climate model, RCM)进行降尺度模拟(Gao et al., 2006).
近年来东亚范围内使用区域模式进行气候变化预估的工作越来越多,特别是得益于多个国际比较计划的实施,如区域气候模式比较计划RMIP(Fu et al., 2005)和区域联合降尺度计划CORDEX(Giorgi et al., 2009; Gutowski et al., 2016),较多样本的区域模式集合预估研究成为可能(如,Wu et al., 2015; Huang et al., 2015; Li et al., 2016; Park et al., 2016; Park and Min, 2019; Han et al., 2017; Im et al., 2017; Gao et al., 2018; Hui et al., 2018; Niu et al., 2018; Zhou et al., 2018, 2019; 于恩涛和孙建奇, 2019).这些研究工作多聚焦东亚的某个国家或者区域,集合样本数多不超过10个,部分研究工作仍采用20年前研制的IPCC SRES未来排放情景(IPCC, 2000),部分研究工作的模拟时段仅到21世纪中期.本文旨在采用尽可能多的区域模式集合样本(共15个),在对其模拟效果进行评估的基础上,对典型排放路径(representative concentration pathway, RCP; Van Vuuren et al., 2011)的高排放情景RCP8.5下,未来到21世纪末的东亚陆地区域的平均和极端降水的变化进行预估分析,并定量评估预估的不确定性.
1 数据与方法 1.1 数据本文主要采用东亚区域联合降尺度计划(CORDEX-EA)的15组模拟结果(简称ensR),其中8组的水平分辨率为25 km,7组的水平分辨率为50 km.各组模拟结果的区域设置略有不同,但都覆盖东亚所有的陆地区域(图 1).表 1给出详细的模式设置等信息,下文以ModXX(XX是模式编号)来代表不同模式的模拟结果,如Mod1代表全球模式CSIRO-Mk3-6-0驱动区域模式RegCM4.4进行的模拟.
模拟结果评估采用的降水观测资料,中国范围内来自中国区域格点化观测数据集CN05.1(吴佳和高学杰, 2013),中国以外来自日本制作的数据集APHRODITE(Yatagai et al., 2009),数据的水平分辨率都为0.5°×0.5°(经纬度).CN05.1和其早期版本CN05(Xu et al., 2009)以及APHRODITE在气候模式模拟评估和当代气候变化分析等多方面都有广泛的应用.15组区域模式的模拟结果全部双线性插值到与观测资料相同的0.5°×0.5°的格点上,以方便对比分析和集合预估.
1.2 模拟评估方法选取冬、夏季和年降水量用于平均降水及其变化的分析;选取3个极端降水指数用于极端降水及其变化的分析,分别是最大5日降水量(Rx5day)、大雨日数(R20)和连续无降水日数(CDD)(表 2).
泰勒评分S是泰勒图的量化指标(Taylor, 2001),它和泰勒图一样也被广泛的用于模式性能评估(如,吴昊旻等, 2016; Peng et al., 2020).泰勒评分综合了空间相关系数、均方根误差和标准差三种量值,以数值大小来描述模式性能,其计算公式如下:
其中,R是模拟值与观测值的空间相关系数,
为便于评估模式的模拟性能及预估未来变化,参考Zou和Zhou(2016)和Li等(2018),将东亚陆地区域(EA)分为6个分区(图 1),即中国西部(WC)、蒙古(MG)、中国东北(NE)、中国华北及西北地区东部(NC)、中国江南及华南(SC)和朝鲜半岛及日本(KJ).图 1中所示各分区仅包括方框内的东亚陆地区域.
1.3 未来预估分析方法参照IPCC第5次评估报告的分析方法(IPCC, 2013),选取模拟中的1986-2005年作为当代时段(基准期)、2046-2065年作为21世纪中期、2079-2098年作为21世纪末期开展预估研究;所有的未来变化都是相对于基准期.给出15个模拟结果集合平均的未来各时段相对于当代模拟结果的变化情况,并给出预估结果的模式间差异,分析不确定性.多模式集合采用等权重的算术平均计算.
未来变化幅度的线性变化速率采用线性回归方法计算;长期变化趋势的显著性检验采用Mann-Kendall方法,信度取α=0.05.变幅空间分布在不同时段的相似性用空间相关系数(spatial correlation coefficient, SCOR)表征.
未来变化预估不确定性由集合成员间同号率和信噪比(signal to noise ratio, SNR)定量表示.为了予以区分,将同号率表征的称为增减不确定性,而将SNR表征的称为变幅不确定性,前者关注未来正负变化是否确定,后者关注未来变化的量值是否确定.当集合成员中超过80%预估的未来正负变化与集合平均的相一致时,认为集合预估的一致性较好(Tebaldi et al., 2011),定义为可通过同号率的检验.信噪比SNR即为气候变化信号与噪声之间的比值;气候变化信号即是未来不同时段相对于基准期的集合平均变化量M,噪声定义为模式间不确定性,这里选取未来预估集合成员间差异的标准差V作为噪音.
(1) |
其中t是未来不同时段,m是不同集合成员,N是集合成员总数,Am(t)是未来不同时段下各集合成员预估的未来变化.当SNR大于1时,认为未来集合预估的量值不确定性较小,未来集合预估结果较为可信,定义为可通过SNR的检验;SNR越大表明可信度越高(李博和周天军, 2010).
2 模拟结果评估整个东亚陆地区域的模拟效果显示,多数模式能够较好模拟6个变量的多年平均值,S评分值大都在1.0以上;其中Mod9和Mod13相对较差,对各个变量的S评分值多在0.6~1.1(图 2g).
不同变量模拟效果的对比显示,R20和CDD在6个变量中相对模拟较差,且误差主要分布在WC、MG和SC三个区域.各模式模拟R20的误差在NE、NC和KJ普遍都较小;各模式模拟CDD的误差在KJ普遍较小,在NE的模拟误差与冬季降水PRdjf误差有一定相关性(Gao et al., 2017),而在NC的模拟误差与夏季降水PRjja误差有一定相关性.
从模拟效果的区域差异来看,WC、MG和SC的总体模拟效果要低于其他区域(图 2a, 2b, 2e).其中,WC和MG的R20和PRdjf模拟较差,两个区域的多年平均R20和PRdjf数值较小,除中国西南地区外多数分别不超过5天和25 mm;并且由于观测站点较少,格点化的观测数据存在较大的不确定性(吴佳等, 2011).PRdjf在SC区域也模拟较差,特别是基于RegCM4系列模式(Mod1-Mod5和Mod14)的模拟,冬季降水在中国南方的高值中心无法较好模拟,反而形成带状的雨带分布(Gao et al., 2017; Shi et al., 2018);Mod8和Mod13也表现出类似的误差分布(图略),说明冬季降水在SC的模拟误差不仅与RCM有关,也与GCM强迫有关.PRjja、PRann和R20在SC普遍模拟较差;提供强迫场的GCM对季风环流,特别是夏季风环流的模拟误差(姜大膀和田芝平, 2013)以及RCM物理过程参数化方案(Gao et al., 2016; Niu et al., 2020)都对这一模拟误差有贡献,这也是目前GCM和RCM普遍存在的问题(Jiang et al., 2016; Niu et al., 2018).
从模拟效果的模式间差异来看,Mod13的模拟误差相对较大,Mod15的模拟误差相对较小,其他模式间没有明显差异.集合平均的模拟效果好于多数模式,这与之前的研究工作相一致(如,Zhou et al., 2014; Li et al., 2016; Park et al., 2016).较高分辨率(25 km;Mod1-Mod8)的模拟结果没有明显优于低分辨率(50 km;Mod9-Mod15)的,仅在KJ区域和整个东亚区域,25 km分辨率模拟结果的S评分总体高于50 km的模拟结果,一定程度上反映了在较小的空间尺度上提高模拟分辨率的优势;但由于不是基于同一模式的不同分辨率间的比较,无法准确评估模式水平分辨率的影响(Shi et al., 2018).
3 未来气候变化及不确定性 3.1 平均降水的变化 3.1.1 冬季降水量区域平均冬季降水量未来变化的集合平均显示(图 3),除SC外,东亚及各分区的冬季降水量在未来多数时段增加;SC的冬季降水量仅在未来近期有10%左右的增加,随后增幅减少,变幅在0附近波动,部分时段降水减少.冬季降水量未来变幅有明显的年代际变化特征,SC的变幅有微弱的线性减少趋势,其他分区变幅都有线性增加趋势,线性趋势都可以通过5%信度的统计检验.对于区域平均的变幅,东亚平均的线性趋势为1.1%/10 a,MG的线性增加趋势最大(6.5%/10 a),KJ的增加趋势最小(0.7%/10 a),SC的趋势为-1.5%/10 a.MG、NE和NC的变幅值相对较大,到21世纪末期,MG的增幅接近60%,NE和NC的增幅接近40%,WC和EA的增幅在10%~20%,SC和KJ的变幅较小,低于±5%.
对于预估不确定性(图 3),东亚平均冬季降水变化在未来65%的时段,特别是在21世纪中期之后的多数时段,可通过同号率的检验,说明未来冬季降水增加是较为确定的;东亚平均SNR在未来到21世纪末的多数时段内在1附近波动,其中21世纪中期和末期的平均SNR分别为1.2和1.1(表 3),说明预估值也是较为确定的.在WC、MG、NE和NC,未来冬季降水增加及其增幅都是较为确定的,21世纪中期和末期的大于60%的时段可通过同号率检验,平均SNR也都超过1;特别是在MG和NE两个分区,未来90%以上的时段都可以通过同号率检验,平均SNR在21世纪中期之后接近或者超过2.而在SC和KJ,无论是SNR还是同号率都反映出,这两个分区未来冬季降水变化的正负方向和变幅值都存在很大的不确定性,可通过同号率检验的时段不足10%,SNR平均值甚至低于0.5.
图 4a和4c为21世纪末期冬季降水量变幅和SNR的空间分布.在东亚大陆约30°N以北的区域以及日本岛35°N以北的区域,冬季降水普遍增加,且大陆的增幅多超过40%,日本岛的增幅多超过20%,最大增幅在新疆塔里木盆地附近,可超过200%;且这些区域的同号率和SNR都较高.在SC的多数区域,冬季降水增加,但增幅多小于10%,且不确定性较大.在WC区域的南端,即中国的西南地区,冬季降水减少,减幅多在10%以内,部分地区的模式间一致性较好,但是SNR未超过1.
无论是东亚全部陆地区域平均,还是各分区的平均,夏季降水量都在未来的绝大多数时段增加;但在除KJ外的各分区,增幅都较小(图 3).夏季降水量未来增幅有明显的年代际变化特征,同时也有微弱的线性增加趋势,线性趋势都可以通过5%信度的统计检验.对于区域平均的变幅,东亚平均的线性趋势为0.6%/10 a,KJ的线性增加趋势最大(1.5%/10 a),WC的增加趋势最小(0.2%/10 a).到21世纪末,东亚平均及多数分区的夏季降水量的增幅都不超过10%;仅有KJ夏季降水量的增幅接近15%.
对于预估不确定性(图 3),从SNR来看,除KJ外,各分区和整个东亚平均的夏季降水量未来增加值的不确定性普遍较大;仅在KJ区域,夏季降水量未来预估值的SNR在部分时段可大于1,其中21世纪中期和末期的平均SNR分别为1.1和1.2.从同号率来看,东亚陆地区域平均的夏季降水增加在多数时段,特别是2060 s之前,都是较为确定的;各集合成员同号率大于80%的时段占59%(表 3).除KJ外,各分区夏季降水量增加的同号率在多数时段低于80%,不确定性较高.
图 4b和4d为21世纪末期夏季降水量变幅和SNR的空间分布.仅在WC北部区域以及NE和KJ的多数区域存在大范围的夏季降水增加,且WC和KJ增幅相对较大,WC北部和KJ的增幅大都超过10%;同号率和SNR都显示,夏季降水预估变化在WC北部和KJ较为确定.其余地区正负变化相间分布,且变幅较小,不确定性高.
3.1.3 年降水量在东亚多数的陆地区域,夏季降水量在全年占主导,因此年降水量的未来变化特征与夏季降水量的类似.无论是东亚全部陆地区域平均,还是各分区的平均,年降水量都在未来的绝大多数时段增加(图 5).在SC和KJ两个分区,年降水量的增幅在多数时段都未超过夏季降水量的增幅;而在其余分区,年降水量的增幅相对较大.年降水量未来增幅都有明显的年代际变化特征,SC的变幅有微弱的线性减少趋势,其他分区变幅都有线性增加趋势,线性趋势都可以通过5%信度的统计检验.对于区域平均的变幅,东亚平均的线性趋势为0.7%/10 a,MG的线性增加趋势最大(1.5%/10 a),KJ的增加趋势最小(0.6%/10 a),SC的趋势为-0.2%/10 a.到21世纪末,东亚平均及各分区的年降水量的增幅大都不超过10%.
对于预估不确定性(图 5),从SNR来看,除KJ外,各分区和整个东亚平均的年降水量未来增加值的不确定性多低于夏季降水量.东亚所有陆地平均的SNR在多数时段大于1;但各分区的SNR值仍普遍小于1,仅在WC和MG的多数时段以及NE的21世纪末期,SNR可以超过1.从同号率来看,东亚陆地区域平均的年降水增加在多数时段,特别是2060 s之前,都是较为确定的,但21世纪末期多数时段的变化无法通过同号率检验;总的来看,通过同号率检验的时段占到77%(表 3).对于各分区平均,年降水量在NE的21世纪中期之前时段、NC的21世纪中期、SC的多数时段以及KJ的21世纪末期,其未来变化无法通过同号率检验,其他分区和时段的未来年降水量增加都较为确定.
图 6a和6c为21世纪末期年降水量变幅和SNR的空间分布.在除SC以外的多数区域,年降水量都将增加.在MG大部分区域以及WC和NE的北部区域,增幅相对较大,多超过15%,最大增幅可超过40%,且同号率和SNR都可通过检验.在NC和KJ,增幅大都在5%~15%,部分区域的年降水增加及其增幅的不确定性较小.而在SC分区,多数地区变幅较小,且部分地区年降水减少,变幅多在±10%以内;同号率和SNR都较小,表现出较大的不确定性.
东亚及各分区的Rx5day在未来各时段增加,且增幅的线性增加趋势明显,都可通过5%信度的统计检验(图 5).对于区域平均的变幅,东亚平均的线性趋势为2.2%/10 a,各分区增幅线性增加趋势差异不大,在2.0%/10 a~2.4%/10 a之间.各分区的增幅大小差异也不大,到21世纪末期,增幅大都在20%左右.在各个分区的多数时段,Rx5day的相对变化幅度都高于PRann和PRjja,说明在未来降水普遍增加的背景下,极端值变化幅度更大.
各分区的SNR在未来近期都较小,其中MG的SNR小于1,且这一时段的同号率在MG也较低,表现出较大的不确定性.对于其他分区及整个东亚平均,无论是SNR还是同号率都反映出,未来Rx5day增加及其增幅都是较为确定的,SNR均值大都超过1.5,在90%以上的时段集合同号率大于80%(表 3和图 5).
图 6b和6d为21世纪末期Rx5day变幅和SNR的空间分布.在东亚几乎所有的陆地区域,Rx5day都在增加,增幅大都在10%~25%,分布较为均匀,增幅最大值位于塔里木盆地和青藏高原东南缘附近,可超过40%.多数区域的模式间同号率可通过检验,但仅在MG大部分区域以及WC和NE的北部区域,SNR大于1,与年降水量未来变化SNR值的总体分布类似(图 6c).可以看出,相比较大范围的区域平均值(图 5),各网格点上的未来变化值表现出更大的不确定性.
3.2.2 强降水日数R20东亚及各分区的R20在未来各时段增加,且增幅的线性增加趋势明显,都可通过5%信度的统计检验(图 7).对于区域平均的变幅,东亚平均的线性趋势为0.1 d/10 a,各分区增幅线性增加趋势都不大,最大趋势不超过0.2 d/10 a.各分区的增幅都较小,到21世纪末期,增幅大都不超过2天.
相比Rx5day,各分区和整个东亚平均R20变化的SNR都较小.对于东亚所有陆地平均,未来全时段、21世纪中期和21世纪末期的平均SNR分别是1.5、1.6和1.4(表 3),说明R20东亚平均的未来增幅是较为确定的.但对于各分区,仅在WC、MG和NE的多数时段,SNR的值可超过1;在NC,21世纪末期的SNR可超过1;在SC和KJ,SNR在全部时段都小于1或者在1附近.从同号率来看,SC和KJ的多数时段,R20未来增加的不确定性较大;其余分区在多数时段内的同号率都可通过检验.因此,无论是SNR还是同号率都反映出,对于WC、MG和NE以及东亚整个区域平均,R20未来增加及其增幅在多数时段都是较为确定的;在NC,21世纪末期的变化较为确定;而在SC和KJ,多数时段的不确定性都较大(图 7).
图 8a和8c为21世纪末期R20变幅和SNR的空间分布.除去中国东南沿海,在东亚几乎所有的陆地区域,R20都在增加,但增幅较小,大都在2天以内;青藏高原东南缘和日本岛的增幅较大,青藏高原处的最大增幅可超过5天.约30°N以北的多数区域,模式间增减不确定性较小;但仅在青藏高原东侧、内蒙古中部、蒙古东侧一直到东北北部的部分区域,SNR数值可超过1.相比Rx5day,R20的未来增幅表现出较大的不确定性.
相比强降水的两个指数,CDD未来变化有较大的空间差异,总体表现为南增北减(图 7).东亚平均、WC、MG和NE的CDD在未来各时段减少,且减幅随时间增加;NC的未来变化不大;SC和KJ的CDD在未来多数时段增加,且增幅随时间增加.对于区域平均的变幅,东亚平均的线性趋势接近0,MG的线性减少趋势最大(-0.7 d/10 a),SC的增加趋势最大(0.6 d/10 a).到21世纪末,MG的CDD将减少接近8 d,SC将增加接近6 d;其余各分区和东亚平均的变幅都较小,不超过3 d.
CDD未来变化的SNR,仅在MG的多数时段可超过1,说明其余各分区CDD未来变幅的量值有较大的不确定性.从同号率来看,仅在CDD减少的三个分区,其多数时段的同号率可以超过80%.因此,无论是SNR还是同号率都反映出,在MG的多数时段,CDD未来减少及其减幅都是较为确定的;在NE和SC的末期以及WC的中期时段,CDD变化也是较为确定(表 3和图 7).
图 8b和8d为21世纪末期CDD变幅的空间分布.CDD变化表现出“南增北减”的空间分布,变幅多在±8天以内;最大减幅位于内蒙古西部、新疆南部、青海北部和蒙古、中国东北的部分地区,最大增幅位于四川东部.除中国西藏大部、东北东部和日本北部外,无论南北,在变幅较大的区域,模式间增减不确定性较小;但仅在变幅较大(超过8天)的附近区域,SNR可超过1,说明这些区域的CDD未来正负变化及其变幅都是较为确定的.
4 讨论和结论 4.1 讨论以往研究发现,全球气候模式模拟的未来气候变化,特别是气温变化的空间分布,在气候变化过程中比较稳定(Tebaldi and Arblaster, 2014).可以用全球平均气温对某个时段/某个排放情景下变幅的空间分布进行标准化,进而用全球平均气温随时间/排放情景的变化,推算其他时段/排放情景下的气候变化空间分布.这种方法被称为Pattern scaling,在IPCC AR5报告中曾有详细的介绍(IPCC, 2013).
对于区域气候模式模拟的未来气候变化的空间分布,很多研究也报道过,变幅的空间分布在不同时段/排放情景间有着一定程度的相似性(如, Hui et al., 2018; Li et al., 2018).本文对所关注的6个降水相关量,定量分析了21世纪中期和末期两个时段的变幅之间的空间相似度(图 9).仅看单个模式模拟结果,对于3个极端指数,无论是在东亚整体,还是在各个分区,各个模式的模拟结果大都表现出较高的空间相似度,SCOR多大于0.5.对于季节和年降水量,冬季和年降水量得到的空间相关系数相对较高;从25th百分位来看,对于东亚整体空间分布,SCOR在冬季最高、年平均次之,而对于各个分区,SCOR在年均值最高、冬季次之;反映出未来气候变化中自然变率的影响可能在夏季较大.还可以看出,相对于极端指数,平均降水得到空间相关系数有较大的模式间差异,说明极端气候的未来变化可能受到温室气体等外强迫的影响更大.多模式集合平均可以一定程度上削弱自然变率的影响,基于集合平均值得到的SCOR普遍高于模式间的最高值或者75th分位数.不同区域之间没有明显的差异,从集合平均结果以及集合中位数来看,WC区域内的相关系数比其他分区略低,反映出未来气候变化中自然变率可能在中国西部的影响较大.
总体来说,在RCP8.5情景下,东亚陆地区域平均降水和极端降水未来变幅的空间分布随外强迫变化有较高的稳定性.在东亚区域尺度上,不同排放情景下变幅的空间相似度如何,变幅随时间/情景的变化与外强迫变化的关系是否是线性的,还有待研究.
4.2 结论利用CORDEX-EA计划的15个区域气候模式的模拟结果,以6个变量代表平均和极端降水,对东亚陆地各个区域未来降水的时空变化进行集合预估,并分析未来变化的不确定性,得出的主要结论如下:
(1) 区域气候模式基本上能够再现多年平均的东亚陆地区域及各分区的平均和极端降水分布,但Mod9和Mod13相对较差.各个模式的模拟误差主要集中在WC、MG和SC三个区域,WC和MG区域的R20和CDD、以及SC区域的PRjja、PRann和R20普遍模拟较差.25km和50km分辨率的模拟结果对比显示,仅在KJ区域和整个东亚区域,水平分辨率对模拟能力有一定影响;但受模式依赖性的影响,这一结论不一定有普遍性.
(2) RCP8.5情景下,未来到21世纪末期,ensR集合预估的平均和极端强降水在东亚各区域多表现为增加,干旱日数表现为南增北减,且变幅多随时间增大.平均降水PRdjf、PRjja和PRann的增幅大值分别位于WC、KJ和WC,极端强降水Rx5day和R20变化的空间分布较为均匀,CDD的增幅和减幅大值分别位于SC和MG.模式间预估同号率(标准差),没有明显的随时间增加(减少),但受变幅随时间增大的影响,部分变量区域平均值对应的SNR有显著增加的趋势.
(3) 图 10总结了各区域平均的未来变化及不确定性,具体如下.需注意,具体到各网格点上的未来变化,还有一定的空间差异,且不确定性更高.对于东亚陆地区域平均,到21世纪末期,平均降水PRdjf、PRjja和PRann分别增加12.5%、4.8%和6.6%,极端降水Rx5day、R20和CDD分别增加18.1%、0.9 d和减少1.5 d.其中PRdjf、Rx5day和R20的变化确定性较高.
中国西部WC区域,到21世纪末期,平均降水PRdjf、PRjja和PRann分别增加14.0%、3.1%和6.9%,极端降水Rx5day、R20和CDD分别增加16.8%、1.0 d和减少2.4 d.其中PRdjf、Rx5day和R20的变化确定性较高,PRann和CDD可通过同号率检验,但SNR较低.
蒙古MG区域,到21世纪末期,平均降水PRdjf、PRjja和PRann分别增加48.7%、3.0%和12.1%,极端降水Rx5day、R20和CDD分别增加14.8%、0.4 d和减少6.6 d.除PRjja外,其余变量变化的确定性都较高.
中国东北NE区域,到21世纪末期,平均降水PRdjf、PRjja和PRann分别增加31.7%、6.2%和9.7%,极端降水Rx5day、R20和CDD分别增加18.4%、1.2 d和减少3.1 d.除PRjja外,其余变量变化的确定性都较高.
中国华北及西北地区东部NC区域,到21世纪末期,平均降水PRdjf、PRjja和PRann分别增加27.1%、3.2%和7.8%,极端降水Rx5day、R20和CDD分别增加18.2%、1.1 d和0.5 d.其中PRdjf、Rx5day和R20的变化确定性较高,PRann可通过同号率检验,但SNR较低.
中国江南及华南SC区域,到21世纪末期,平均降水PRdjf、PRjja和PRann分别减少1.5%和增加5.4%、1.3%,极端降水Rx5day、R20和CDD分别增加19.5%、0.7 d和5.3 d.仅有Rx5day和CDD的未来变化确定性较高.
朝鲜半岛和日本KJ区域,到21世纪末期,平均降水PRdjf、PRjja和PRann分别增加4.3%、12.4%和5.5%,极端降水Rx5day、R20和CDD分别增加19.3%、1.4 d和1.8 d.其中PRjja和Rx5day的变化确定性较高,CDD可通过同号率检验,但SNR较低.
本文ensR的预估结果与以往GCM和RCM预估结果对比显示,PRdjf、Rx5day、R20和CDD的预估结论较为一致,而PRjja和PRann的差异较大,这与本文对预估不确定性的分析结果相同.具体来说,ensR预估与以往GCM和RCM预估结果一致显示,PRdjf在中国南方部分地区及日本南部减少而其余区域增加(IPCC, 2013; Wu et al., 2015; Zou and Zhou, 2017; Shi et al., 2018).ensR预估PRjja在WC北部和KJ有较大幅度的降水增加,而在其余区域降水增幅较小且部分地区降水减少,但CMIP5全球模式预估未来东亚多数陆地区域PRjja都在增加;PRann未来变化也有类似的差异(IPCC, 2013; Zhou et al., 2014).将ensR的PRjja和PRann预估结果与其他单个RCM或者RCM集合结果对比,既有较为一致的(Zou and Zhou, 2016; Hui et al., 2018; Shi et al., 2018; Kim et al., 2021),也有不一致的(Li et al., 2016; Zou and Zhou, 2016);充分说明PRjja和PRann预估的模式间差异较大(图 4、图 6和IPCC(2013)的图AI.SM8.5.113、图AI.SM8.5.115).对于3个极端降水指数的未来变化,ensR预估结果与CMIP5全球模式(Zhou et al., 2014)和其他RCM(Zou and Zhou, 2016; Hui et al., 2018; Niu et al, 2018; Shi et al., 2018)都有较好的一致性,特别是CDD未来变化的南北差异分布.需要注意,各预估结果都存在一定的不确定性,且预估的变化幅度和具体空间范围不完全一致.
CORDEX进一步加强与CMIP6的协作,目前是CMIP6的23个科学子计划之一.CORDEX区域评估的协调输出(CORDEX-CORE; http://www.cordex.org/experiment-guidelines/cordex-core/; Gutowski et al., 2016),正在推进全球各区域10~20 km分辨率的高分辨率模拟,包括至少两组情景(RCP8.5和RCP2.6)、3个全球模式(覆盖高、中、低不同的气候敏感度)用以驱动区域模式.本文用到的25 km分辨率的模拟输出,都将贡献到CORDEX-CORE.覆盖全球主要陆地区域的、多GCM-多RCM的“完整矩阵”输出,将有助于在全球尺度上进行降尺度增值分析/分辨率的影响、极端气候及风险未来变化预估、不确定性来源分析、未来变化的成因分析等.
致谢 感谢文中表 1所示的各区域模式组提供模拟试验数据.
Christensen O B, Drews M, Christensen J H, et al. 2006. The HIRHAM regional climate model version 5 (beta). Tech Rep 06-17, Copenhagen: Danish Meteorological Institute.
|
Christensen O B, Yang S, Boberg F, et al. 2015. Scalability of regional climate change in Europe for high-end scenarios. Climate Research, 64(1): 25-38. DOI:10.3354/cr01286 |
Fu C, Wang S, Xiong Z, et al. 2005. Regional climate model intercomparison project for Asia. Bulletin of the American Meteorological Society, 86(2): 257-266. DOI:10.1175/BAMS-86-2-257 |
Gao X J, Xu Y, Zhao Z C, et al. 2006. On the role of resolution and topography in the simulation of East Asia precipitation. Theoretical and Applied Climatology, 86(1-4): 173-185. DOI:10.1007/s00704-005-0214-4 |
Gao X J, Wang M L, Giorgi F. 2013. Climate change over China in the 21st century as simulated by BCC_CSM1.1-RegCM4.0. Atmospheric and Oceanic Science Letters, 6(5): 381-386. DOI:10.1080/16742834.2013.11447112 |
Gao X J, Shi Y, Giorgi F. 2016. Comparison of convective parameterizations in RegCM4 experiments over China with CLM as the land surface model. Atmospheric and Oceanic Science Letters, 9(4): 246-254. DOI:10.1080/16742834.2016.1172938 |
Gao X J, Shi Y, Han Z Y, et al. 2017. Performance of RegCM4 over major river basins in China. Advances in Atmospheric Sciences, 34(4): 441-455. DOI:10.1007/s00376-016-6179-7 |
Gao X J, Wu J, Shi Y, et al. 2018. Future changes in thermal comfort conditions over China based on multi-RegCM4 simulations. Atmospheric and Oceanic Science Letters, 11(4): 291-299. DOI:10.1080/16742834.2018.1471578 |
Giorgi F, Jones C, Asrar G. 2009. Addressing climate information needs at the regional level: the CORDEX framework. WMO Bulletin, 58(3): 175-183. |
Gutowski W J Jr, Giorgi F, Timbal B, et al. 2016. WCRP coordinated regional downscaling experiment (CORDEX): a diagnostic MIP for CMIP6. Geoscientific Model Development, 9(11): 4087-4095. DOI:10.5194/gmd-9-4087-2016 |
Han Z Y, Shi Y, Wu J, et al. 2019. Combined dynamical and statistical downscaling for high-resolution projections of multiple climate variables in the Beijing-Tianjin-Hebei region of China. Journal of Applied Meteorology and Climatology, 58(11): 2387-2403. DOI:10.1175/JAMC-D-19-0050.1 |
Han Z Y, Zhou B T, Xu Y, et al. 2017. Projected changes in haze pollution potential in China: an ensemble of regional climate model simulations. Atmospheric Chemistry and Physics, 17(16): 10109-10123. DOI:10.5194/acp-17-10109-2017 |
Huang B, Polanski S, Cubasch U. 2015. Assessment of precipitation climatology in an ensemble of CORDEX-East Asia regional climate simulations. Climate Research, 64(2): 141-158. DOI:10.3354/cr01302 |
Hui P H, Tang J P, Wang S Y, et al. 2018. Climate change projections over China using regional climate models forced by two CMIP5 global models. Part Ⅱ: projections of future climate. International Journal of Climatology, 38(S1): e78-e94. |
Im E S, Choi Y W, Ahn J B. 2017. Robust intensification of hydroclimatic intensity over East Asia from multi-model ensemble regional projections. Theoretical and Applied Climatology, 129(3): 1241-1254. DOI:10.1007/s00704-016-1846-2 |
IPCC. 2000. Special Report on Emissions Scenarios. Cambridge, United Kingdom and New York, NY, USA: Cambridge University Press, 570.
|
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. Cambridge: Cambridge University Press: 1535.
|
Jiang D B, Tian Z P. 2013. East Asian monsoon change for the 21st century: Results of CMIP3 and CMIP5 models. Chinese Science Bulletin, 58(12): 1427-1435. DOI:10.1007/s11434-012-5533-0 |
Jiang D B, Tian Z P, Lang X M. 2016. Reliability of climate models for China through the IPCC Third to fifth assessment reports. International Journal of Climatology, 36(3): 1114-1133. DOI:10.1002/joc.4406 |
Kim G, Cha D H, Park C, et al. 2021. Evaluation and projection of regional climate over East Asia in CORDEX-East Asia Phase Ⅰ experiment. Asia-Pacific Journal of Atmospheric Sciences, 57(1): 119-134. DOI:10.1007/s13143-020-00180-8 |
Li B, Zhou T J. 2010. Projected climate change over China under SRES A1B scenario: Multi-model ensemble and uncertainties. Advances in Climate Change Research (in Chinese), 6(4): 270-276. |
Li H X, Chen H P, Wang H J, et al. 2018. Future precipitation changes over China under 1.5 ℃ and 2.0 ℃ global warming targets by using CORDEX regional climate models. Science of the Total Environment, 640-641: 543-554. DOI:10.1016/j.scitotenv.2018.05.324 |
Li Q, Wang S Y, Lee D K, et al. 2016. Building Asian climate change scenario by multi-regional climate models ensemble. Part Ⅱ: mean precipitation. International Journal of Climatology, 36(13): 4253-4264. DOI:10.1002/joc.4633 |
Niu X R, Wang S Y, Tang J P, et al. 2018. Ensemble evaluation and projection of climate extremes in China using RMIP models. International Journal of Climatology, 38(4): 2039-2055. DOI:10.1002/joc.5315 |
Niu X R, Tang J P, Wang S Y, et al. 2020. On the sensitivity of seasonal and diurnal precipitation to cumulus parameterization over CORDEX-EA-II. Climate Dynamics, 54(1): 373-393. DOI:10.1007/s00382-019-05010-w |
Park C, Min S K, Lee D, et al. 2016. Evaluation of multiple regional climate models for summer climate extremes over East Asia. Climate Dynamics, 46(7): 2469-2486. DOI:10.1007/s00382-015-2713-z |
Park C, Min S K. 2019. Multi-RCM near-term projections of summer climate extremes over East Asia. Climate Dynamics, 52(7): 4937-4952. DOI:10.1007/s00382-018-4425-7 |
Peng D D, Zhou T J, Zhang L X, et al. 2020. Observationally constrained projection of the reduced intensification of extreme climate events in Central Asia from 0.5 C less global warming. Climate Dynamics, 54(1): 543-560. DOI:10.1007%2Fs00382-019-05014-6 |
Remedio A R, Teichmann C, Buntemeyer L, et al. 2019. Evaluation of New CORDEX simulations using an Updated Köppen-Trewartha climate classification. Atmosphere, 10(11): 726. DOI:10.3390/atmos10110726 |
Shi Y, Wang G L, Gao X J. 2018. Role of resolution in regional climate change projections over China. Climate Dynamics, 51(5): 2375-2396. |
Taylor K E. 2001. Summarizing multiple aspects of model performance in a single diagram. Journal of Geophysical Research: Atmospheres, 106(D7): 7183-7192. DOI:10.1029/2000JD900719 |
Tebaldi C, Arblaster J M, Knutti R. 2011. Mapping model agreement on future climate projections. Geophysical Research Letters, 38(23): L23701. DOI:10.1029/2011GL049863 |
Tebaldi C, Arblaster J M. 2014. Pattern scaling: its strengths and limitations, and an update on the latest model simulations. Climatic Change, 122(3): 459-471. DOI:10.1007/s10584-013-1032-9 |
Van Vuuren D P, Edmonds J, Kainuma M, et al. 2011. The representative concentration pathways: an overview. Climatic Change, 109(1): 5-31. |
Wu H M, Huang A N, Jiang Y M, et al. 2016. Evaluation of the performance of BCC_CSM climate model with different horizontal resolution in simulating the summer precipitation over Central Asia. Arid Land Geography (in Chinese), 39(6): 1305-1318. |
Wu J, Gao XJ, Shi Y, et al. 2011. Climate change over Xinjiang region in the 21st Century simulated by a high resolution regional climate model. Journal of Glaciology and Geocryology (in Chinese), 33(3): 479-487. |
Wu J, Gao X J. 2013. A gridded daily observation dataset over China region and comparison with the other datasets. Chinese Journal of Geophysics (in Chinese), 56(4): 1102-1111. |
Wu J, Gao X J, Xu Y L, et al. 2015. Regional climate change and uncertainty analysis based on four regional climate model simulations over China. Atmospheric and Oceanic Science Letters, 8(3): 147-152. DOI:10.1080/16742834.2015.11447252 |
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 |
Yatagai A, Arakawa O, Kamiguchi K, et al. 2009. A 44-Year daily gridded precipitation dataset for Asia based on a dense network of rain gauges. SOLA, 5: 137-140. DOI:10.2151/sola.2009-035 |
Yu E T, Sun J Q. 2019. Extreme temperature projection over northwestern China based on multiple regional climate models. Transactions of Atmospheric Sciences (in Chinese), 42(1): 46-57. |
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 |
Zhou B T, Wang Z Y, Shi Y, et al. 2018. Historical and future changes of snowfall events in China under a warming background. Journal of Climate, 31(15): 5873-5889. DOI:10.1175/JCLI-D-17-0428.1 |
Zhou B T, Wu J, Xu Y, et al. 2019. Projected changes in autumn rainfall over West China: results from an ensemble of dynamical downscaling simulations. International Journal of Climatology, 39(12): 4869-4882. DOI:10.1002/joc.6115 |
Zou L W, Zhou T J. 2016. Future summer precipitation changes over CORDEX-East Asia domain downscaled by a regional ocean-atmosphere coupled model: A comparison to the stand-alone RCM. Journal of Geophysical Research: Atmospheres, 121(6): 2691-2704. DOI:10.1002/2015JD024519 |
Zou L W, Zhou T J. 2017. Dynamical downscaling of East Asian winter monsoon changes with a regional ocean-atmosphere coupled model. Quarterly Journal of the Royal Meteorological Society, 143(706): 2245-2259. DOI:10.1002/qj.3082 |
姜大膀, 田芝平. 2013. 21世纪东亚季风变化: CMIP3和CMIP5模式预估结果. 科学通报, 58(8): 707-716. |
李博, 周天军. 2010. 基于IPCC A1B情景的中国未来气候变化预估: 多模式集合结果及其不确定性. 气候变化研究进展, 6(4): 270-276. DOI:10.3969/j.issn.1673-1719.2010.04.007 |
吴昊旻, 黄安宁, 姜燕敏, 等. 2016. 不同水平分辨率BCC_CSM模式对中亚夏季降水模拟能力评估. 干旱区地理, 39(6): 1305-1318. |
吴佳, 高学杰, 石英, 等. 2011. 新疆21世纪气候变化的高分辨率模拟. 冰川冻土, 33(3): 479-487. |
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. |
于恩涛, 孙建奇. 2019. 基于多区域模式集合的中国西部干旱区极端温度未来预估. 大气科学学报, 42(1): 46-57. |