2017, Vol. 75
中国气象学会主办。
文章信息
- 周莉, 江志红. 2017.
- ZHOU Li, JIANG Zhihong. 2017.
- 基于转移累计概率分布统计降尺度方法的未来降水预估研究:以湖南省为例
- Future changes in precipitation over Hunan Province based on CMIP5 simulations using the statistical downscaling method of transform cumulative distribution function
- 气象学报, 75(2): 223-235.
- Acta Meteorologica Sinica, 75(2): 223-235.
- http://dx.doi.org/10.11676/qxxb2017.012
-
文章历史
- 2016-03-17 收稿
- 2016-11-11 改回
2. 气象灾害教育部重点实验室, 气象灾害预报预警与评估协同创新中心, 南京信息工程大学, 南京, 210044
2. Key Laboratory of Meteorological Disaster of Ministry of Education, Collaborative Innovation Center on Forecast and Evaluation of Meteorological Disasters, Nanjing University of Information Science and Technology, Nanjing 210044, China
IPCC (Intergovernmetal Panel on Climate Change) 第5次评估报告指出，近100年全球平均地表气温显著升高 (IPCC, 2013)。全球变暖一方面会增加大气中的水汽含量 (Meehl, et al, 2005)，另一方面加速了全球水循环 (Allen, et al, 2002; Ziegler, et al, 2003)，这些效应不仅会改变未来降水的时、空分布，并且可能加剧极端降水发生的频率以及强度 (Easterling, et al, 2000; Dore, 2005)。科学家预测，未来地表气温仍将持续升高 (IPCC, 2013)。为应对气候变化，全球和区域尺度气候变化预估工作越来越受到重视，尤其是对气候变化相对敏感和脆弱的区域 (曾小凡等，2011；陶辉等，2012；周秀华等，2014)。
大气环流模式 (GCM) 是预估未来大尺度气候变化最重要也是最可行的方法之一。借助大气环流模式模拟结果揭示中国未来气候变化特征的研究已有很多 (赵天保等，2014；陈红, 2014；Li, et al, 2013；张莉等，2013；张武龙等2015；Jiang, et al, 2015; 胡芩等，2015)，研究成果表明，在不同典型浓度路径下，中国大部分地区降水 (尤其是极端降水) 增多显著，且有较明显的区域差异。湖南是中国的农业大省，特殊的地理位置以及复杂的地形、地貌，使得湖南成为应对气候变化脆弱的省份之一。随着湖南城镇化、工业化以及两型社会进程的不断加快，气候变化带来的影响会更加严重，因此湖南应对气候变化面临更加严峻的挑战。针对湖南气候对全球气候变化的响应，很多研究均指出湖南气候与全球气候呈一致的变暖特征 (陆魁东，2007；王爱珍，2008；廖玉芳，2012；张剑明，2012)；降水变化的趋势虽不显著，但极端降水事件明显增多 (张剑明等, 2008；张瑞等，2011；廖玉芳等，2014)。在全球持续变暖的背景下，未来百年湖南省降水如何变化？是否与当前降水格局有所区别？这些问题都缺乏系统研究。因此，利用大气环流模式研究全球持续变暖背景下湖南省未来降水时、空格局特征显得十分必要。
湖南省降水跟地形关系密切，但由于目前大气环流模式输出的空间分辨率较低，降水的模拟误差在区域尺度上表现更加显著，因此无法细致描述湖南省区域降水变化的细节特征，这给在全球变暖背景下利用气候模式预估湖南未来降水时、空变化特征带来了难度 (熊伟等，2006；高歌等，2008；李博等，2010)。降尺度技术作为一种将大尺度、低分辨率的全球气候模式输出信息转化为小尺度、高分辨率的区域气候变化信息的方法，可以获得更为精细化的湖南降水变化特征，在一定程度上减小区域降水的模拟误差，从而提高预估结果的可靠性。传统的统计降尺度方法一般是将大气环流模式输出中物理意义较好、模拟较准确的气候信息应用于统计模式，以实现减小大气环流模式系统误差的目的 (赵芳芳等，2007；刘吉峰等，2008；刘绿柳等，2012；穆振侠等，2015)。而本研究是通过建立大尺度变量的CDF (Cumulative distribution function) 与区域尺度相同变量的CDF的函数关系，并将此函数关系应用到未来排放情景下的模式预估数据，从而得到降尺度后该变量的预估结果。文中采用的降尺度方法称为转移累计概率分布 (Cumulative distribution function-transform, CDF-t) 降尺度法，Michelangeli等 (2009)用该方法对法国的风速做了降尺度结果预估，并且指出基于CDF-t的统计降尺度方法能够给出比较准确的风速预估结果。之后很多研究基于CDF-t统计降尺度方法来研究不同区域气温或降水的未来变化 (Lavaysse, et al, 2012; Lafon, et al, 2013; Vrac, et al, 2012; Vigaud, et al, 2013; Tramblay, et al, 2013)。CDF-t方法对中国区域的研究很少，且对湖南降水变化的降尺度鲜有研究，此外，几乎所有利用统计降尺度方法的研究都是基于单个模式，多模式降尺度研究更鲜有提及，然而多模式集合的效果由于可以在一定程度上抵消模式偏差，被广泛应用到模式评估和未来气候预估中 (Palmer, et al, 2005; Solomon, et al, 2007；Jiang, et al, 2012；Li, et al, 2013)。
本研究利用最新一代的24个CMIP5(Coupled Model Intercomparison Project Phase 5) 气候模式输出的历史和预估逐日降水数据，对中低端辐射强迫情景 (RCP4.5) 下输出的逐日降水量进行降尺度处理，形成21世纪初期 (2016—2035年)、中期 (2046—2065年) 和末期 (2081—2100年) 的预估逐日降水序列，通过多模式集合方案分析未来湖南省降水的时、空变化特征，以期能够较准确地获取未来湖南省降水的时、空变化信息，提高应对气候变化的决策服务质量，为农业、水资源、社会经济等领域的影响评估提供科学依据。
2 资料和方法 2.1 资料(1) 观测资料：使用的观测资料来源于湖南省气候中心提供的湖南省97个国家基准气象站1961—2005年的逐日降水量数据，剔除资料长度不足的站点和高山站后，剩余88个站 (图 1)。使用双线性方案将88个台站的逐日降水量插值到0.5°×0.5°分辨率经纬网格点上。
|
| 图 1 湖南省88个国家基准气象站分布 Figure 1 Spatial distribution of the 88 meteorological stations in Hunan Province |
(2) CMIP5模式资料：CMIP5使用新一代的典型浓度路径 (RCP) 情景，即用单位面积辐射强迫来表示未来百年稳定浓度的新情景，包括RCP2.6、RCP4.5、RCP6.0和RCP8.5(Moss, et al, 2010)。其中RCP4.5表示中低端辐射强迫情景，是未来最有可能发生，模式试验数据也最多，并且对未来气候变化更具有代表性。文中使用CMIP5提供的未来预估数据完整的24个海-气耦合模式的历史和未来RCP4.5情景下的逐日降水数据 (表 1)。模式资料分为历史时段 (1961—2005年) 和预估时段 (2006—2100年)，前段数据用于降尺度模型的校准和验证，后段数据用于未来降水变化的预估。由于不同模式的分辨率存在差异，将模式的逐日降水数据利用双线性方案，统一插值到0.5°×0.5°分辨率经纬网格点上。
| 模式名称 | 研究机构 (国别) | 网格数 |
| ACCESS1.0 | 联邦科学与工业研究组织-气象局 (澳大利亚) | 192× 145 |
| ACCESS1.3 | 联邦科学与工业研究组织-气象局 (澳大利亚) | 192× 145 |
| BCC-CMS1.1 | 中国国家气候中心 (中国) | 128× 64 |
| BCC-CSM1.1(m) | 中国国家气候中心 (中国) | 320× 160 |
| BNU-ESM | 北京师范大学全球变化与地球系统科学学院 (中国) | 128× 64 |
| CanESM2 | 加拿大气候模拟与分析中心 (加拿大) | 128× 64 |
| CCSM4 | 美国国家大气研究中心 (美国) | 288× 192 |
| CMCC-CM | 意大利地中海气候研究中心 (意大利) | 480× 240 |
| CMCC-CMS | 意大利地中海气候研究中心 (意大利) | 192× 96 |
| CNRM-CM5 | 法国气象局气象研究中心 (法国) | 256× 128 |
| FGOALS-s2 | 中国科学院大气物理研究所 (中国) | 128× 108 |
| GFDL-ESM2G | 美国地球物理流体动力实验室 (美国) | 144× 90 |
| GFDL-ESM2M | 美国地球物理流体动力实验室 (美国) | 144× 90 |
| HadGEM2-CC | 哈德莱气候预测与研究中心 (英国) | 192× 145 |
| HadGEM2-ES | 哈德莱气候预测与研究中心 (英国) | 192× 145 |
| IPSL-CM5A-LR | 皮埃尔-西蒙·拉普拉斯研究所 (法国) | 96× 96 |
| IPSL-CM5A-MR | 皮埃尔-西蒙·拉普拉斯研究所 (法国) | 144× 143 |
| MIROC5 | 日本海洋地球科学技术处·大气海洋研究所前沿气候变化研究中心 (日本) | 256× 128 |
| MIROC-ESM | 日本海洋地球科学技术处·大气海洋研究所和国家环境研究所 (日本) | 128 × 64 |
| MIROC-ESM-CHEM | 日本海洋地球科学技术处·大气海洋研究所和国家环境研究所 (日本) | 128 × 64 |
| MPI-EMS-LR | 马克斯·普朗克气象研究所 (德国) | 192× 96 |
| MPI-EMS-MR | 马克斯·普朗克气象研究所 (德国) | 192× 96 |
| MRI-CGCM3 | 日本气象研究所 (日本) | 320× 160 |
| NorESM1-ME | 挪威气候中心 (挪威) | 144× 96 |
CDF-t统计降尺度的主要思想是：假定存在一个转移函数，能够将大尺度变量的累计概率分布函数与观测变量的累计概率分布函数建立联系。定义FSH为建模时段内固定格点观测逐日降水的CDF，FGH为同时段内大气环流模式输出的模拟逐日降水插值到该格点的CDF。FSF和FGF分别表示验证时段内观测和大气环流模式模拟的CDF。假定在验证时段内，存在一个转移函数T
|
(1) |
使得模式模拟变量的CDF接近于观测变量的CDF。
首先定义u=FGH(X)，则X=FGH-1(u)，u的取值范围为[0，1]，将X代入式 (1)，则可得到关于转移函数简单的一个公式
|
(2) |
T即为建模时期观测的CDF与大气环流模式CDF的函数关系。假定建模时段的转移函数T在验证时段也适用，将转移函数应用到气候模式大尺度变量得到区域降尺度的结果，即
|
(3) |
|
(4) |
可见只要有了相应时段的CDF，就可以得出验证时段大气环流模式降尺度的结果。其中转移函数的具体形式并没有给出，只是为了得到式 (4) 而假想的一个函数。此函数的意义其实就是对于某一个X，建立历史时期观测与模式CDF的函数关系。此函数在未来保持不变，从而得到降尺度之后的CDF。可以看到，式 (4) 中并没有出现T函数的具体形式，它只是为了在理论上得到式 (4) 而假定的一个函数，并且这个函数有明确的意义。CDF-t可以看作是基于分位数函数降尺度方法的一个变体 (Piani, et al, 2010; Lafon, et al, 2013)。传统的基于分位数函数降尺度方法是基于历史时期区域尺度CDF的XS值与对应的大尺度CDF的XG值存在如下关系：
|
(5) |
可以得到
|
(6) |
式中，FS为观测的累计概率分布函数，FS-1为FS的反函数，下标S表示观测的结果，G表示模式。将式 (6) 应用到未来时段的CDF从而获得该时段降尺度的结果。虽然CDF-t与传统基于分位数函数的降尺度方法有着相同的思路，但CDF-t考虑了未来大尺度变量CDF从历史到未来的变化，因此降尺度结果更加合理。
将历史时段 (1961—2005年) 分为两段：前20 a (1961—1980年) 为建模时段，利用观测和模式数据建立统计降尺度关系；后25 a (1981—2005年) 为验证时段，检验统计降尺度结果的可靠程度。需要指出的是，由于建模时段越长，观测与模式数据建立的函数关系越稳健，因此，在对未来预估结果进行降尺度时，将建模时段延长为45 a (1961—2005年)，通过输出未来3个不同时段，即21世纪前期 (2016—2035年)、中期 (2046—2065年) 和后期 (2081—2100年) 大气环流模式降尺度后的结果，分析湖南未来降水的时、空变化特征。
2.3 评估指标利用泰勒图检验降尺度前后模式对降水空间结构的模拟能力。由于泰勒图可以从相关系数、标准差的比和均方根误差3个方面综合反映模式的模拟能力，因此得到广泛应用 (Taylor, 2011)。空间场的相关系数可以表示模拟结果与观测场空间分布的相似程度，均方根误差和标准差的比则分别表征模式模拟结果的强度和空间均匀性与观测之间的差异。由于三者之间存在数学三角转换关系，故将其放在同一张图上，从而更加直观地比较出不同模式模拟能力的差异。
3 当前气候下降尺度效果检验利用CDF-t统计降尺度技术对未来湖南省降水进行预估之前，评估该降尺度模型对当前气候的模拟能力至关重要。使用1961—1980年 (建模时段) 湖南省的格点日降水数据与24个气候模式同时段的历史数据分别建立函数关系模型，并将该函数关系 (转移函数T) 应用于各个气候模式1981—2005年 (验证时段) 的逐日数据，获得该时段24个大气环流模式的降尺度序列，通过与同期观测到的降水空间分布进行比较，评估CDF-t统计降尺度方法对湖南省降水的模拟能力。首先给出了降尺度前后中国参与CMIP5比较计划的4个模式模拟逐日降水的累计概率分布曲线 (图 2)，4个模式分别为中国国家气候中心的BCC-CMS1.1、BCC-CSM1.1(m)
|
| (a.BCC-CMS1.1，b.BCC-CSM1.1(m)，c.FGOALS-s2，d.BNU-ESM) 图 2 1981—2005年降尺度前后模式模拟观测的湖南日降水量的累计概率分布 (a. BCC-CMS1.1, b. BCC-CSM1.1(m), c. FGOALS-s2, d. BNU-ESM) Figure 2 Cumulative probability distributions of daily precipitation from observations, model simulations and downscaling results over Hunan in 1986-2005 |
和中国科学院大气物理研究所的FGOALS-s2，以及北京师范大学全球变化与地球系统科学学院的BNU-ESM。将验证时段所有格点的逐日降水数据转化成累计概率分布，可以看出，对这4个模式而言，降尺度之后的累计概率分布曲线与观测的更为接近。由于降水超过30 mm的天数与所有天数相比较少，因此横轴的范围只画至30 mm。同样对其余的模式而言，也均有较为明显的改善。
3.1 区域平均为检验CDF-t对降水空间结构模拟能力，计算各模式在验证时段内每个格点日降水量与观测的绝对误差，并利用盒须图对比降尺度前后观测与模拟值的差异。由于盒须图可以结合数据序列中5个统计量 (分别为5%分位数、第1四分位数 (25%)、中位数、第3四分位数 (75%) 与95%分位数) 来综合描述数据分布区间及离散度等信息，因此，可以从整体上评估模式对降水空间分布的模拟能力。图 3给出了降尺度前后，模式模拟的湖南省日降水量与观测值绝对误差的盒须图。不难看出，降尺度前模式的模拟效果较差，且模拟结果存在较大的差异，一半模式表现为正偏差，且有6个模式偏差较大，偏差幅度都超过1.0 mm，其中澳大利亚气象局的两个模式 (ACCESS1.0和ACCESS1.3) 模拟偏差最大，绝对偏差的中位数分别达到了2.5和3 mm。另一半模式对日降水量模拟偏低，其中BCC-CSM1.1(m) 模拟偏差最低，绝对误差的范围为-2.4—-1 mm，中位数偏差也达到了-1.8 mm。同时模式模拟结果的空间差异也较大，如日本的模式 (MIROC5) 绝对偏差的25%和75%分位数分别为0.8和2 mm。
|
| (盒子表示相对误差在湖南地区的空间差异，盒子中横线表示相对误差的中位数，盒须表示相对误差的范围) 图 3 降尺度前后湖南省各模式模拟日降水量与观测值绝对误差的盒须图 (Boxes indicate the spatial difference (25th and 75th quantiles), the horizontal lines indicate the median values and the whiskers show the ranges of the spatial changes) Figure 3 Changes in annual mean daily precipitation based on simulations of 24 models compared to observations before and after downscaling over Hunan Province |
降尺度之后模式的绝对误差显著降低。所有模式绝对误差的中位数范围为-0.4—0.5 mm。澳大利亚的两个模式模拟效果提高得最为显著，绝对偏差的中位数减少幅度均超过2.5 mm。模式空间差异的离散度也显著降低，对于降尺度之前离散度最大的MIRCO5，绝对偏差的25%和75%分位数分别降低至0和0.7 mm。
3.2 空间场为了综合对比降尺度前后模式对日降水量的模拟能力，使用泰勒图来评估降尺度的模拟效果 (图 4)。每个模式到坐标原点的距离表示模拟的空间标准差与观测的比，以横轴 (1.0，0) 为参照点，至此参照点的距离表示模拟与观测的均方根误差，至坐标原点的连线与横轴的角度表示模拟与观测的相关系数。可以看出，降尺度前有一半模式模拟的相关系数＜0.2，未达到0.01的显著性水平，其中有5个模式模拟的相关系数甚至表现为负值，其余模式虽然能模拟出空间模态，但均方根误差和标准差两项指标反映出模式模拟的日降水量在幅度和空间均匀性上与观测存在相当大的差异。此外，各模式在泰勒图上分布较为分散，表明模式之间的差异较大，CMIP5气候模拟较难准确模拟出湖南省日降水量的空间结构特征。但是，值得一提的是，中国国家气候中心的模式BCC-CSM1.1(m) 和法国的模式IPSL-CM5A-LR表现出较好的模拟效果。经过降尺度处理之后，模拟效果得到很大提高，各模式结果比较集中，除HadESM2-ES模式外，所有模式模拟的相关系数均超过了0.5，表明各模式在降尺度之后基本都能模拟出空间模态。由于大部分模式模拟空间场的标准差与观测的空间场标准差比接近于1，因此能够很好地模拟出日降水量的空间差异。并且由于均方根误差均小于1.0，表明降尺度后降水在变化幅度上与观测更为接近。
|
| 图 4 降尺度前后24个气候模式模拟湖南省平均降水的泰勒图 Figure 4 Taylor diagram of the mean daily precipitation simulated by 24 climate models after downscaling compared to those before downscaling |
在上述统计结果分析基础上，图 5分别给出了1981—2005年气候态观测及降尺度前后多模式集合的湖南省日降水量的空间分布。从观测结果的空间分布 (图 5a) 可以看出，湖南省日降水量的空间差异较大，主要表现为山区大于盆地。其中，降水大值区主要位于湖南中部雪峰山区、东和南部地区，日降水量皆超过4.0 mm，这些地区由于受地形抬升以及热带天气系统的影响降水偏多。湖南北部洞庭湖平原区、西部沅水上游盆地以及中部衡邵盆地则降水偏少，日降水量均低于3.8 mm。从降尺度前模式结果的空间分布 (图 5b) 可以看出，由于气候模式分辨率太低无法反映出湖南省的地形特征，因此模式对日降水量的空间模拟效果较差，未能再现降水变化的细节特征。模拟的降水量大体呈现出东部和中北部高，西部低的特征。由图 5d的差值图可以看出，多模式未能模拟出湖南省降水在中部雪峰山区、东和南部地区的大值区域，其中在雪峰山区，降水模拟偏差可超过0.4 mm。对其余地区的模拟偏高，偏高的大值区域位于邵衡盆地，偏差超过了0.3 mm。使用CDF-t统计降尺度后，日降水量的空间差异被较准确地模拟出来 (图 5c)，尤其是能够较好地刻画出受地形和环流系统共同影响下降水的高、低值中心分布。但降尺度后，模式模拟日降水量稍微偏高，其中西北部的偏差幅度最大，超过0.4 mm，其余地区的模拟偏差在0.3 mm以下。
|
| (a.观测，b.24个模式集合，c.降尺度之后24个模式集合，d.24个模式集合与观测的差值，e.降尺度之后24个模式集合与观测的差值) 图 5 湖南省1981—2005年日降水量的空间分布 (单位：mm) (a. observation, b. the ensemble result of 24climate models, c. the ensemble result of 24climate models with downscaling, d. difference between the ensemble result of the 24 models and observations, e. difference between the downscaled ensemble result and observations) Figure 5 Spatial pattern of daily mean precipitation during 1981-2005 (unit: mm) |
通过综合评估降尺度前、后模式模拟日降水量空间结构的能力，可以明显看出气候模式经过CDF-t方法的统计降尺度处理后，能够显著改善气候模式对湖南降水空间结构的模拟能力，使得气候模式能够再现受地形以及大气环流影响的降水区域特征。该统计降尺度方法对绝大部分模式的模拟效果都有一定程度的改善作用，可见利用CDF-t统计降尺度方法对未来气候空间结构进行预估是可靠的。
4 未来预估本节将降尺度方法应用到未来预估中，获取相对于基准期 (1986—2005年) 气候平均态，21世纪 (2016—2100年) 湖南省日降水量变化的精细化结果。
图 6给出了相对于1986—2005年气候平均态，2006—2100年日降水量的变化率，图 6a中黑色曲线表示降尺度后多模式集合平均，阴影表示降尺度模式结果的25%和75%分位数，虚线表示线性趋势。可以看出在全球变暖背景下，未来湖南省日降水量存在明显的年际变率，但总体上表现弱的增长趋势，增加趋势为0.95%/(10 a)。虽然经过降尺度处理后，模式模拟结果较为一致，但由于模式本身存在差异，因此模拟结果会有一定的差别，文中将这种差异定义为未来预估的不确定性，用24个模式结果序列的25%和75%分位数表示 (阴影)。可以发现，模式之间存在较大差异，预估结果仍具有一定的不确定性。进一步对比了21世纪3个时段，前期 (2016—2035年)、中期 (2046—2065年) 和末期 (2081—2100年) 气候态相对于基准时段 (1986—2005年) 气候态的变化，根据盒须图中的中位数可看出，21世纪前、中和末期相对于基准期分别增加了4.6%、5%和5.2%，3个预估时段的降水增幅逐步增大。盒须图盒须末端之间的间距能够表明模式之间的离散度, 但模式之间的离散度随辐射强迫的增加而增大，从初期的19%(-8%—11%)，至中期的21%(-4%—17%)，再增加至末期的24%(-1%—23%)。
|
| (盒子中黑色短横线表示24个模式预估结果的中位数，盒子上下分别表示24个模式预估结果的25%和75%分位数，盒须末端表示模式预估结果5%和95%的分位数) 图 6 (a) 降尺度后RCP4.5情境下，湖南省日降水量24个模式未来预估结果的集合平均 (黑色实线)、线性趋势 (黑色虚线) 以及25%和75%分位数 (阴影) 相对于基准期 (1986—2005年) 气候平均态 (黑色长横线) 的变化率 (单位：%) 及 (b) 盒须图 Figure 6 The projection (black curve) and the linear trend (black dotted line) of mean daily precipitation fter downscaling over the 21 century relative to the reference period 1986-2005 under RCP 4.5 (unit:%) with the 25% and 75% quantile (shaded) of the relative change (a). The horizontal line in boxes indicating the ensemble median of 24 models, the boxes indicating interquartile model spread (25th and 75th), the end of whiskers showing the 5th and 95th interquartile (b) |
图 7给出了RCP4.5情境下，多模式集合预估21世纪初、中和末期气候态湖南省日均降水量相对于基准气候态变化的空间分布。21世纪3个时期的空间变化具有较好的一致性，湘西北、湘东北和湘东南为增加的3个大值区，且随着辐射强迫的增大日平均降水增幅也更加显著。具体表现为：在21世纪前期 (图 7a) 除湖南西部沅水上游盆地降水存在微弱减少外，其他地区日降水量都增加0.1 mm以上，3个大值区增加幅度超过了0.2 mm，其中湖南西北部增加幅度超过了0.5 mm；21世纪中期 (图 7b)，随着温室气体排放浓度的升高，日降水量增幅显著提升，所有地区增加幅度都超过了0.3 mm，尤其是3个大值区增幅尤其显著，超过了0.4 mm，其中湖南西北部增幅超过0.7 mm；到21世纪末期 (图 7c)，除邵衡盆地、洞庭湖和沅水上游盆地外，其余地区增大的幅度都超过了0.4 mm，其中，3个大值区增加幅度进一步增大，变幅均超过0.5 mm。
|
| 图 7 相对于1986—2005年气候平均态，21世纪初期 (a)、中期 (b) 和末期 (c) 在RCP4.5情境下湖南日平均降水变化的空间分布 (单位：mm) Figure 7 Spatial patterns of the change for mean daily precipitation during the early (a), middle (b) and end (c) of the 21 century relative to the reference period 1986-2005 under RCP4.5 scenario (unit: mm) |
综上所述，湖南地区日平均降水变化的空间分布在3个预估时段内具有较好的一致性，湖南省西北、东北和东南部为增加的大值区。整个21世纪，湖南地区日平均降水呈弱增大趋势，至21世纪末期，除湖南西部外，整个湖南地区日降水量增加幅度均超过0.3 mm，3个大值区日降水量增加的幅度都超过了0.5 mm。模式之间预估结果存在差异，且这种差异随着辐射强迫的增强而增大。
5 结论与讨论利用转移累计概率分布 (CDF-t) 统计降尺度方法及最新一代24个CMIP5耦合模式的历史和未来RCP4.5排放情景数据，研究了全球持续变暖背景下湖南省21世纪日降水量的变化格局，并进行了未来预估的不确定性分析。结论如下：
(1) CMIP5气候模式由于分辨率较低，无法细致反映受地形变化和大气环流影响导致的湖南省降水变化特征。大部分模式不能再现湖南省日降水量的时空变化，且模式之间存在较大差异。模式集合对日降水量的空间分布模拟效果也较差。
(2) 基于CDF-t统计降尺度方法预估湖南省未来降水的变化特征是可行的。降尺度之后，CMIP5模式模拟湖南省降水的时空分布与实况更为接近，且绝大部分模式对降水空间结构和年际变率的模拟能力有显著提高。
(3) 基于CDF-t统计降尺度的多模式集合结果表明，21世纪湖南省日降水量表现为弱的增加趋势，增加趋势为0.95%/(10 a)。21世纪初、中和末期相对于基准时期的气候平均态，区域日降水量分别增加了4.6%、5%和5.2%。湖南省日平均降水变化的空间分布存在较强的一致性, 皆表现为西北、东北和东南部3个区域降水增加最为显著。随着辐射强迫增强，增幅也随之增大。在3个时期，大部分地区增加幅度分别超过了0.1、0.3和0.4 mm，其中3个大值区增加幅度分别超过了0.2、0.4和0.5 mm。
基于CDF-t统计降尺度方法尽管极大改善了CMIP5气候模式对区域特征的模拟能力，但是由于CDF-t仅仅建立了观测和模式变量的CDF的函数关系，并未涉及到与变量相关的大尺度环流因子，使得模拟结果依旧存在偏差。降水变化的影响因子较为复杂，建立湖南日降水量与大尺度环流因子的关系，将是下一步的主要工作。此外，CDF-t对极端降水模拟效果并不理想，极端降水的分析仍需进行更多降尺度方法在湖南省的适用性研究。
| 陈红. 2014. CMIP5气候模式对中国东部夏季降水年代际变化的模拟性能评估. 气候与环境研究, 19(6): 773–786. Chen H. 2014. Validation of the CMIP5 climate models in simulating decadal variations of summer rainfall in eastern China. Climatic Environ Res, 19(6): 773–786. DOI:10.3878/j.issn.1006-9585.2014.13174 (in Chinese) |
| 高歌, 陈德亮, 徐影. 2008. 未来气候变化对淮河流域径流的可能影响. 应用气象学报, 19(6): 741–748. Gao G, Chen D L, Xu Y. 2008. Impact of climate change on runoff in the Huaihe River basins. J Appl Meteor Sci, 19(6): 741–748. DOI:10.11898/1001-7313.20080614 (in Chinese) |
| 胡芩, 姜大膀, 范广洲. 2015. 青藏高原未来气候变化预估: CMIP5模式结果. 大气科学, 39(2): 260–270. Hu Q, Jiang D B, Fan G Z. 2015. Climate change projection on the Tibetan Plateau: Results of CMIP5 models. Chin J Atmos Sci, 39(2): 260–270. (in Chinese) |
| 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. Li B, Zhou T J. 2010. Projected climate change over China under SRES A1B scenario: Multi-model ensemble and uncertainties. Adv Climate Change Res, 6(4): 270–276. (in Chinese) |
| 廖玉芳, 彭嘉栋, 崔巍. 2012. 湖南农业气候资源对全球气候变化的响应分析. 中国农学通报, 28(8): 287–293. Liao Y F, Peng J D, Cui W. 2012. Response analysis of Hunan agricultural climate resources to global climate change. Chin Agric Sci Bull, 28(8): 287–293. (in Chinese) |
| 廖玉芳, 彭嘉栋, 郭庆. 2014. 湖南气候对全球气候变化的响应. 大气科学学报, 37(1): 75–81. Liao Y F, Peng J D, Guo Q. 2014. Response of Hunan climate to global climate change. Trans Atmos Sci, 37(1): 75–81. (in Chinese) |
| 刘吉峰, 李世杰, 丁裕国. 2008. 基于气候模式统计降尺度技术的未来青海湖水位变化预估. 水科学进展, 19(2): 184–191. Liu J F, Li S J, Ding Y G. 2008. Forecasting of water level of Qinghai lake based on statistics downscaling from climatic model. Adv Water Sci, 19(2): 184–191. (in Chinese) |
| 刘绿柳, 任国玉. 2012. 百分位统计降尺度方法及在GCMs日降水订正中的应用. 高原气象, 31(3): 715–722. Liu L L, Ren G Y. 2012. Percentile statistical downscaling method and its application in the correction of GCMs daily precipitation in China. Plateau Meteor, 31(3): 715–722. (in Chinese) |
| 陆魁东, 屈右铭, 张超, 等. 2007. 湖南气候变化对农作物生产潜力的响应. 湖南农业大学学报 (自然科学版), 33(1): 9–13. Lu K D, Qu Y M, Zhang C, et al. 2007. Responses of crops productive potential to climatic change in Hunan Province. J Hunan Agric Univ (Nat Sci), 33(1): 9–13. (in Chinese) |
| 穆振侠, 姜卉芳. 2015. 基于统计降尺度方法的高寒山区未来气候变化预估. 干旱区研究, 32(2): 290–296. Mu Z X, Jiang H F. 2015. Estimate of the climate change in alpine mountains areas based on statistical downscaling method. Arid Zone Res, 32(2): 290–296. (in Chinese) |
| 陶辉, 白云岗, 毛炜峄. 2012. CMIP3气候模式对北疆气候变化模拟评估及未来情景预估. 地理研究, 31(4): 589–596. Tao H, Bai Y G, Mao W Y. 2012. Assessment of CMIP3 climate models and projected climate changes in northern Xinjiang. Geogr Res, 31(4): 589–596. (in Chinese) |
| 王爱珍, 陈江民, 李艳, 等. 2008. 湖南冬季气温年代际变化与热岛效应和纬度的关系. 安徽农业科学, 36(7): 2874–2876. Wang A Z, Chen J M, Li Y, et al. 2008. Study on the correlation among the decadal changes of winter temperature and heat island effect and latitude in Hunan Province. J Anhui Agric Sci, 36(7): 2874–2876. (in Chinese) |
| 熊伟, 居辉, 许吟隆, 等. 2006. 气候变化对中国农业温度阈值影响研究及其不确定性分析. 地球科学进展, 21(1): 70–76. Xiong W, Ju H, Xu Y L, et al. 2006. The threshold of temperature increase due to climate change for Chinese agriculture and its uncertainties. Adv Earth Sci, 21(1): 70–76. (in Chinese) |
| 曾小凡, 周建中, 翟建青, 等. 2011. 2011—2050年长江流域气候变化预估问题的探讨. 气候变化研究进展, 7(2): 116–122. Zeng X F, Zhou J Z, Zhai J Q, et al. 2011. Research on climate projection for the period 2011-2050 in the Yangtze River Basin. Adv Climate Change Res, 7(2): 116–122. (in Chinese) |
| 张剑明, 黎祖贤, 章新平. 2008. 1960—2005年湖南省降水的变化. 气候变化研究进展, 4(2): 101–105. Zhang J M, Li Z X, Zhang X P. 2008. Precipitation change in Hunan Province. Adv Climate Change Res, 4(2): 101–105. (in Chinese) |
| 张剑明, 廖玉芳, 段丽洁, 等. 2012. 湖南近50年极端连续降水的气候变化趋势. 地理研究, 31(6): 1004–1015. Zhang J M, Liao Y F, Duan L J, et al. 2012. Climate variations of extreme continuous rainstorms in Hunan during 1960-2009. Geogr Res, 31(6): 1004–1015. (in Chinese) |
| 张莉, 丁一汇, 吴统文, 等. 2013. CMIP5模式对21世纪全球和中国年平均地表气温变化和2℃升温阈值的预估. 气象学报, 71(6): 1047–1060. Zhang L, Ding Y H, Wu T W, et al. 2013. The 21st century annual mean surface air temperature change and the 2℃ warming threshold over the globe and China as projected by the CMIP5 models. Acta Meteor Sinica, 71(6): 1047–1060. DOI:10.11676/qxxb2013.087 (in Chinese) |
| 张瑞, 彭月. 2011. 1951—2010年湖南省降水气候特征分析. 现代农业科技, 27(19): 22–27. Zhang R, Peng Y. 2011. Analysis on precipitation characteristics in Hunan Province from 1951 to 2010. Mod Agric Sci Technol,, 27(19): 22–27. DOI:10.3969/j.issn.1007-5739.2011.19.006 (in Chinese) |
| 张武龙, 张井勇, 范广洲. 2015. CMIP5模式对我国西南地区干湿季降水的模拟和预估. 大气科学, 39(3): 559–570. Zhang W L, Zhang J Y, Fan G Z. 2015. Evaluation and projection of dry-and wet-season precipitation in southwestern China using CMIP5 models. Chin J Atmos Sci, 39(3): 559–570. DOI:10.3878/j.issn.1006-9895.1408.14136 (in Chinese) |
| 赵芳芳, 徐宗学. 2007. 统计降尺度方法和Delta方法建立黄河源区气候情景的比较分析. 气象学报, 65(4): 653–662. Zhao F F, Xu Z X. 2007. Comparative analysis on downscaled climate scenarios for headwater catchment of Yellow River using SDS and Delta methods. Acta Meteor Sinica, 65(4): 653–662. DOI:10.11676/qxxb2007.060 (in Chinese) |
| 赵天保, 陈亮, 马柱国. 2014. CMIP5多模式对全球典型干旱半干旱区气候变化的模拟与预估. 科学通报, 59(4): 412–429. Zhao T B, Chen L, Ma Z G. 2014. Simulation of historical and projected climate change in arid and semiarid areas by CMIP5 models. Chin Sci Bull, 59(4): 412–429. (in Chinese) |
| 周秀华, 肖子牛. 2014. 基于CMIP5资料的云南及周边地区未来50年气候预估. 气候与环境研究, 19(5): 601–613. Zhou X H, Xiao Z N. 2014. Climate projection over Yunnan Province and the surrounding regions based on CMIP5 data. Climatic Environ Res, 19(5): 601–613. DOI:10.3878/j.issn.1006-9585.2013.13080 (in Chinese) |
| Allen M R, Ingram W J. 2002. Constraints on future changes in climate and the hydrologic cycle. Nature, 419(6903): 224–232. DOI:10.1038/nature01092 |
| Dore M H I. 2005. Climate change and changes in global precipitation patterns: What do we know?. Environ Int, 31(8): 1167–1181. DOI:10.1016/j.envint.2005.03.004 |
| Easterling D R, Evans J L, Groisman P Y, et al. 2000. Observed variability and trends in extreme climate events: A brief review. Bull Amer Meteor Soc, 81(3): 417–425. DOI:10.1175/1520-0477(2000)081<0417:OVATIE>2.3.CO;2 |
| IP CC. 2013. Climate Change 2013: The Physical Science Basis: Working Group Ⅰ Contribution to the Fifth Assessment Report of the Intergovernmental Panel on Climate Change. Cambridge: Cambridge University Press: 1552pp. |
| Jiang Z H, Song J, Li L, et al. 2012. Extreme climate events in China: IPCC-AR4 model evaluation and projection. Climatic Change, 110(1-2): 385–401. DOI:10.1007/s10584-011-0090-0 |
| Jiang Z H, Li W, Xu J J, et al. 2015. Extreme precipitation indices over China in CMIP5 models. Part Ⅰ: Model evaluation. J Climate, 28(21): 8603–8619. |
| Lafon T, Dadson S, Buys G, et al. 2013. Bias correction of daily precipitation simulated by a regional climate model: A comparison of methods. Int J Climatol, 33(6): 1367–1381. DOI:10.1002/joc.v33.6 |
| Lavaysse C, Vrac M, Drobinski P, et al. 2012. Statistical downscaling of the French Mediterranean climate: Assessment for present and projection in an anthropogenic scenario. Nat Hazards Earth Syst Sci, 12(3): 651–670. DOI:10.5194/nhess-12-651-2012 |
| Li J F, Zhang Q, Chen Y D, et al. 2013. GCMs-based spatiotemporal evolution of climate extremes during the 21st century in China. J Geophys Res, 118(19): 11017–11035. |
| Meehl G A, Arblaster J M, Tebaldi C. 2005. Understanding future patterns of increased precipitation intensity in climate model simulations. Geophys Res Lett, 32(18): L18719. |
| Michelangeli P A, Vrac M, Loukos H. 2009. Probabilistic downscaling approaches: Application to wind cumulative distribution functions. Geophys Res Lett, 36(11): L11708. DOI:10.1029/2009GL038401 |
| Palmer T N, Doblas-Reyes F J, Hagedorn R, et al. 2005. Probabilistic prediction of climate using multi-model ensembles: From basics to applications. Philos Trans Roy Soc London B Biol Sci, 360(1463): 1991–1998. DOI:10.1098/rstb.2005.1750 |
| Piani C, Weedon G P, Best M, et al. 2010. Statistical bias correction of global simulated daily precipitation and temperature for the application of hydrological models. J Hydrol, 395(3-4): 199–215. DOI:10.1016/j.jhydrol.2010.10.024 |
| Solomon S, Qin D, Manning M, et al. 2007. Climate Change 2007: The Physical Science Basis: Contribution of Working Group I to the Fourth Assessment Report of the Intergovernmental Panel on Climate Change: 996pp. |
| Taylor K E. 2011. Summarizing multiple aspects of model performance in a single diagram. J Geophys Res, 106(D7): 7183–7192. |
| Tramblay Y, Ruelland D, Somot S, et al. 2013. High-resolution Med-CORDEX regional climate model simulations for hydrological impact studies: A first evaluation of the ALADIN-Climate model in Morocco. Hydrol Earth Syst Sci, 17(10): 3721–3739. DOI:10.5194/hess-17-3721-2013 |
| Vigaud N, Vrac M, Caballero Y. 2013. Probabilistic downscaling of GCM scenarios over southern India. Int J Climatol, 33(5): 1248–1263. DOI:10.1002/joc.v33.5 |
| Vrac M, Drobinski P, Merlo A, et al. 2012. Dynamical and statistical downscaling of the French Mediterranean climate: Uncertainty assessment. Nat Hazards Earth Syst Sci, 12(9): 2769–2784. DOI:10.5194/nhess-12-2769-2012 |
| Ziegler A D, Sheffield J, Maurer E P, et al. 2003. Detection of intensification in global-and continental-scale hydrological cycles: Temporal scale of evaluation. J Climate, 16(3): 535–547. DOI:10.1175/1520-0442(2003)016<0535:DOIIGA>2.0.CO;2 |