2017, Vol. 75
中国气象学会主办。
文章信息
- 高谦, 江志红, 李肇新. 2017.
- GAO Qian, JIANG Zhihong, LI Zhaoxin. 2017.
- 多模式动力降尺度对中国中东部地区极端气温指数的模拟评估
- Simulation and evaluation of multi-model dynamical downscaling of temperature extreme indices over the Middle and East China
- 气象学报, 75(6): 917-933.
- Acta Meteorologica Sinica, 75(6): 917-933.
- http://dx.doi.org/10.11676/qxxb2017.067
-
文章历史
- 2017-02-27 收稿
- 2017-06-15 改回
2. 法国科研中心动力气象实验室, 巴黎, 法国;
3. 嘉祥县气象局, 嘉祥, 272400
2. Laboratoire de Météorologie Dynamique, CNRS/UPMC, Paris, France;
3. Jiaxiang Meteorological Bureau, Jiaxiang 272400, China
全球气候模式(Global Climate Models, GCM)是进行气候模拟和未来气候变化情景预估的重要工具(赵宗慈，2006)，它能够较好地模拟大陆和全球尺度地面气温、降水以及大气环流特征(江志红等，2009)，但由于全球气候模式空间分辨率较低，很难准确描述区域尺度气候特点和区域内部的气候差异(高学杰等，2006)。特别是中国位于东亚季风区，地形复杂，气候特征的区域性明显，全球气候模式对该区域气候的模拟与预估存在较大的不确定性(陈威霖等，2012；姚遥等，2012)，将全球气候模式的输出结果直接应用到中国气候评估研究中会存在较大的偏差。因此，有必要通过动力降尺度方法来获得较为准确的区域气候信息(Chen, et al, 2011a；高学杰等，2012；刘永和等，2011)。
动力降尺度的一种有效途径是采用变网格技术，即采用全球模式在“目标区域”局地加密技术，提高研究区域的水平分辨率，而远离该区域的水平分辨率则相对降低。Zhou等(2002)研究表明，与单纯的全球均匀网格模式相比，这种局地加密方法对区域内气候有较高的模拟能力。全球变网格模式作为区域气候模式使用时，需要将加密区作为模式的有效区，而其他地区则作为缓冲区。在缓冲区内，可用牛顿逼近方案使模式变量向给定的物理量(观测值或模式输出值)逼近，进而可以开展嵌套试验。LMDZ模式正是这样一个可以作为区域模式使用的变网格大气环流模式，由法国国家科研中心(CNRS)动力气象实验室(LMD)研发和提供技术支撑(Le Treut, et al, 1994; Li, 1999)，它的前期版本已被广泛应用于欧洲(Rojas, et al, 2013; L’Hévéder, et al, 2013; Vautard, et al, 2013)、南美(Junquas, et al, 2016; Troin, et al, 2016)以及东亚(Zou, et al, 2010; Chen, et al, 2011b)等区域气候研究。本研究使用模式LMDZ4，即模式的第4版，采用变网格技术对东亚地区进行加密，使得模式在东亚地区类似于一个区域气候模式。杨浩等(2016)对其进行过全面的评估，结果显示模式能为加密区域提供更高精度的模拟信息。还有研究显示，LMDZ4嵌套于再分析资料能够较好地再现东亚地区春、夏季主要大气环流系统、气温和降水的平均统计特征，但存在一定的误差(刘景卫等，2013；辛晓歌等，2011)。上述大部分研究都是利用LMDZ4模式嵌套于再分析资料或单个全球模式对东亚区域春、夏季平均气温或降水进行研究，缺乏对嵌套于多个全球模式对中国中东部地区极端气温模拟的系统评估，且对比分析较少。为此，在对LMDZ4模式进行全面有效的评估基础上，通过多模式动力降尺度，对比分析降尺度前后模式对中国中东部地区极端气温的模拟能力，以便对中国中东部地区极端气温未来预估的不确定性有一个更好和全面的认识。
本研究利用LMDZ4模式分别嵌套于CMIP5中的5个全球模式(BCC-CSM1.1-m、CNRM-CM5、FGOALS-g2、IPSL-CM5A-MR、MPI-ESM-MR)对中国中东部地区1961—2005年气候进行模拟试验，得到一套多模式动力降尺度数据，通过与观测资料对比，分析降尺度前后模式模拟结果的差异，评估模式对中国中东部地区极端气温指数的模拟能力，为利用该模式进行中国中东部地区极端气温未来预估提供参考。
2 资料和方法 2.1 资料为提高对东亚地区复杂地形的刻画能力，将变网格大气环流模式LMDZ4的模拟中心设在(30°N，110°E)，加密区范围为(5°—55°N，85°—135°E)，模拟的水平分辨率为0.6°×0.6°，垂直方向有19层。选取BCC-CSM1.1-m、CNRM-CM5、FGOALS-g2、IPSL-CM5A-MR和MPI-ESM-MR五个全球模式的输出结果作为驱动LMDZ4模式的初始场和边界条件，这5个模式均来自世界气候研究计划(WCRP)的第5次耦合模式比较计划(CMIP5)(Taylor, et al, 2012)，且对东亚地区环流、气温和降水具有较高的模拟能力(Xin, et al, 2013; 黄海玲等，2015)。强迫变量包括纬向风(u)、经向风(v)、温度(t)和比湿(q)，资料更新时间间隔为6 h。下边界也是由对应的全球耦合模式输出的月平均海温和海冰进行强迫，有效积分时间为1961—2005年。降尺度后的模拟结果分别表示为LMDZ/BCC、LMDZ/CNRM、LMDZ/FGOALS、LMDZ/IPSL、LMDZ/MPI。文中多模式集合平均(MME)为各单个模式结果的等权重算术平均。各模式信息如表 1所示。
| 全球模式 | 研究机构 | 分辨率 | 区域模式 | 降尺度结果 | 分辨率 |
| BCC-csm1.1-m | 中国，BCC | 1.125°×1.125° | LMDZ4 | LMDZ/BCC | 0.6°×0.6° |
| CNRM-CM5 | 法国，CNRM | 1.4°×1.4° | LMDZ4 | LMDZ/CNRM | 0.6°×0.6° |
| FGOALS-g2 | 中国，IAP | 2.8°×2.8° | LMDZ4 | LMDZ/FGOALS | 0.6°×0.6° |
| IPSL-CM5A-MR | 法国，IPSL | 2.5°×1.27° | LMDZ4 | LMDZ/IPSL | 0.6°×0.6° |
| MPI-ESM-MR | 德国，MPI | 1.875°×1.875° | LMDZ4 | LMDZ/MPI | 0.6°×0.6° |
为评估降尺度前后模式对中国中东部地区当代极端气温的模拟能力，选用上述10个模拟试验的逐日最高、最低气温，时段选取1961—2005年。检验模式模拟能力使用的观测资料是基于地面气象站观测数据制做的中国0.5°×0.5°分辨率的逐日最高和最低气温的格点资料(Xu, et al, 2009)。为了方便比较，利用双线性插值法将模式输出结果插值到和观测资料一致的格点上。由于中国不同区域地形差异明显，为了对比各区域降尺度前后极端气温的模拟情况，将中国中东部大致划分为7个区域(Dong, et al, 2015; Zou, et al, 2013)：东北(NE)(42°—55°N, 105°—132°E)，华北(NC)(35°—42°N, 105°—122°E)，江淮(YZ)(28°—35°N, 105°—122°E)，华南(SE)(19°—28°N, 105°—122°E)，高原(TP)(27°—36°N, 86°—105°E)，西南(SW)(22°—27°N, 96°—105°E)，西北(NW)(36°—50°N, 86°—105°E)(图 1)。
|
| 图 1 研究区域及地形分布(单位：m) Figure 1 The studied domain and topography (unit: m) |
用于评估的极端气温指数包括：平均最高气温(Tmax)、平均最低气温(Tmin)直观地描述模式模拟极端气温能力的强弱，霜冻日数(DF)描述了中高纬度地区霜冻日的多少，热浪指数(IHWD)则反映夏季高温持续的时间，具体定义如表 2所示(Frich, et al, 2002; 蒋帅等，2017)。
| 变量 | 单位 | 指数名称 | 指数定义 |
| Tmin | ℃ | 最低气温 | 1961—2005年日最低气温的平均 |
| Tmax | ℃ | 最高气温 | 1961—2005年日最高气温的平均 |
| DF | d | 霜冻日数 | 每年日最低气温低于0℃的天数总和 |
| IHWD | d | 热浪指数 | 连续5 d最高气温高于气候态相同日期(1961—2005年)5℃的总天数 |
(1) 泰勒图分析方法
为全面直观地比较动力降尺度前后各模式对极端气温指数空间结构的模拟能力，引入泰勒图分析方法(Taylor, 2001)，比较降尺度前后模式模拟的极端气温空间结构与观测的一致性。泰勒图是由模拟场与观测场的空间相关系数、相对标准差及其中心化的均方根误差组成的极坐标图。中心化的均方根误差越接近0，空间相关系数和相对标准差越接近1，模式模拟能力越高。
(2) 概率分布函数评分
引入定量评估日最高气温和最低气温概率分布模拟能力的Brier Score(简称BS)指标(Fu, et al, 2013；黄海玲等，2015)，BS指标定义为
|
式中，Tmi和Toi分别是模拟和观测温度在第i个区间的概率。BS指标定量表示模拟和观测概率分布函数不重合的部分，BS越接近0，模拟效果越好。
3 降尺度前后极端气温指数气候场模拟评估对比 3.1 中国中东部地区极端气温指数空间场模拟能力的评估为检验降尺度前后模式对极端气温的模拟能力，依次将模式模拟的1961—2005年极端气温指数与相应观测场进行对比，并计算降尺度前后各模式模拟场与对应观测场的相关系数。所有模式均能模拟出最低气温随地形(图 1)分布的变化，即地形低的地区气温高而地形高的地区气温低，全球模式模拟的最低气温与观测场的空间相关系数均超过0.930，全球模式集合模拟的相关系数为0.968，这与蒋帅等(2017)和Dong等(2015)的结果一致。其中，四川盆地地区最低气温在10℃左右，明显高于周边地区，而全球模式没能模拟出这个高值中心，动力降尺度之后再现了该高值中心。降尺度前后均模拟出了青藏高原地区的低值中心，但全球模式模拟的量值偏低，而降尺度后模拟值与观测值吻合更好，再现了柴达木盆地的高值区(0℃左右)和塔里木盆地的低值区。这是由于LMDZ4模式具有较高的分辨率，较好地刻画了青藏高原、四川盆地等复杂地形的变化，使得降尺度后模式模拟能力提高，与以往的研究(Gao, et al, 2011; Mannig, et al, 2013)一致，但在柴达木盆地以南的高原地区仍存在一定的偏差，表明高分辨率模式对高地形区域气温的模拟仍存在较大的挑战(Yu, et al, 2015)。全球模式集合(GMME)模拟的最低气温中国平均偏差为-1.14℃，降尺度之后减小到0.92℃，且降尺度之后模式集合(RMME)的模拟结果与观测场的相关系数提高到0.970。最高气温和霜冻日数与最低气温的空间分布型相似，降尺度后的总体模拟效果也优于全球模式(图略)。对于热浪指数(IHWD)(图 3)，全球模式模拟出与观测一致的空间分布型，但在东北、内蒙古、西北以及华南地区的热浪大值区，全球模式的模拟量值偏大，尤其是BCC和FGOALS模式模拟的中国南方地区热浪指数达到10 d(观测7 d)。动力降尺度后模拟的热浪指数更接近观测值，如RMME模拟的中国平均偏差由GMME的1.63 d减小到0.4 d，但在新疆北部地区模拟略低于观测。这个结果与以前的研究一致(Ji, et al, 2015)。和最低气温、最高气温及霜冻日数相比，全球模式模拟的热浪指数的空间相关系数(低于0.7)相对较低，但降尺度后模拟效果改进最明显，如RMME模拟的相关系数从0.697提高到0.729。
|
| 图 2 观测及各模式降尺度前后最低气温的分布(单位：℃) (a)为观测，第2行和第4行分别是BCC，CNRM，FGOALS，IPSL，MPI和全球模式集合(GMME)，第3行和第5行分别是LMDZ/BCC，LMDZ/CNRM，LMDZ/FGOALS，LMDZ/IPSL，LMDZ/MPI和降尺度模式集合(RMME) Figure 2 Spatial distribution of Tmin for the observations (a), simulations of GCMs (second and fourth rows are for BCC, CNRM, FGOALS, IPSL, MPI, GMME, respectively) and downscaled results (third and fifth rows are for LMDZ/BCC, LMDZ/CNRM, LMDZ/FGOALS, LMDZ/IPSL, LMDZ/MPI, RMME, respectively) |
对比降尺度前后不同模式的模拟情况，对于大部分指数，模式集合对中国中东部地区极端气温指数空间场的模拟具有较好的表现，但各模式之间有较大差异。如FGOALS模式，由于分辨率较低，因此对极端指数的模拟偏差较大，模拟的最低气温偏差为-2.89℃，相关系数为0.938；降尺度后改善效果很明显，最低气温偏差减小到-2.66℃，空间相关系数均达到了0.970。这表明降尺度之后模式改善程度与全球模式的分辨率有关，全球模式分辨率较低，降尺度后改善效果明显。
综上，降尺度之后模式集合能较好地再现极端气温的空间分布，由于LMDZ4模式较好地刻画了青藏高原、四川盆地等复杂地形的分布，因此，降尺度以后模式对青藏高原、四川盆地、柴达木盆地等地区的高值和低值中心的模拟较全球模式更加精确，降尺度之后模式模拟的极端指数空间相关系数较全球模式都有所提高；且对于全球模式模拟相对较差的热浪指数，降尺度之后空间相关系数改善程度大于全球模式模拟较好的最低气温、最高气温和霜冻日数。此外，降尺度之后模式改善程度与全球模式的分辨率有关，FGOALS模式分辨率最低，降尺度后改善效果明显。
3.2 降尺度前后各区域极端气温模拟对比 3.2.1 区域平均对比中国中东部地区地形复杂，不同区域气候差异很大，将中国中东部划分为7个区域，定量考察各区域降尺度前后极端气温指数的模拟情况。计算每个格点极端指数与观测的绝对误差，并利用盒须图对比降尺度前后观测与模拟的差异。图 4、5给出了7个区域1961—2005年模式模拟的最高气温、热浪指数与观测值绝对误差的盒须图。大部分地区，全球模式模拟最高气温、最低气温(与最高气温偏差盒须图相似，图略)的偏差中位数都表现为冷偏差，和最低气温相对应，霜冻日数(图略)呈现出正偏差。降尺度之后模式模拟的最高气温和最低气温在东北和华北地区较全球模式偏暖，华南和西南地区较全球模式偏冷，这与以前研究的LMDZ4模式东北系统性偏暖、华南偏冷相一致(杨浩等，2016)，这说明降尺度后模式模拟的各区域偏差大小与嵌套的全球模式有一定的关系。
|
| 图 4 降尺度前后不同区域模式模拟的最高气温与观测值之间绝对误差的盒须图 (盒体表示绝对误差在各区域的空间差异，盒体横线表示绝对误差的中位数，盒须表示相对误差的范围，白色表示全球模式模拟结果，灰色表示降尺度模拟结果) Figure 4 Box plot of differences in Tmax between simulations before downscaling and after downscaling and observations in each region (The box indicates the spatial difference (25th and 75th quantiles), the horizontal line indicates the median value and the whisker shows the range of the spatial change. GCMs: white; downscaled: gray) |
对比不同区域，对于最低气温、最高气温和霜冻日数，不同全球模式的模拟值与观测值的绝对误差中位数离散度相对较大，降尺度后在西北、东北、和华北地区不同模式间的离散度降低，如东北地区最高气温误差中位数范围由全球模式在-7—-1℃降低到-4—0℃，这表明用同一区域模式嵌套到不同全球模式离散程度有所降低，但也受到嵌套模式的影响。由于动力降尺度之后模式分辨率的提高，在西北、东北和华北地区降尺度后模拟结果改善明显，主要表现为降尺度之后模式模拟的绝对误差中位数较全球模式更接近0℃，而在青藏高原和西南地区偏差增大，这可能是由于地形起伏的作用引起的。此外，和东部地区相比，全球模式在西北、青藏高原和西南地区模拟的最低气温、最高气温和霜冻日数绝对误差存在较大的空间差异，如FGOALS模式模拟西北最高气温绝对偏差的25%和75%分位数分别为-9和-3.5℃(图 4)，降尺度之后模式模拟的绝对偏差空间差异性显著减少，FGOALS模式降尺度后绝对偏差的25%和75%分位数分别为-7和-4.5℃，说明中国中东部地区极端气温的模拟存在明显的区域性特征。对于热浪指数，降尺度之后模式间离散程度明显减小，大部分模式在各个区域绝对误差中位数都更接近0℃，如东北地区LMDZ/CNRM的偏差中位数由3.8 d减小到0.9 d。对于热浪指数，在东北、江淮、华南和西南地区的大值区，全球模式模拟的绝对误差空间差异较西北和青藏高原地区大，降尺度后模式模拟的绝对偏差空间差异减小明显(图 5)。
上述分析表明，对于最高气温、最低气温和霜冻日数，降尺度之后模式模拟的绝对偏差主要在东北、华北以及西北地区比全球模式小，而在高原和西南地区偏差增大，这可能由于地形起伏的作用引起的；且降尺度之后模式模拟的绝对偏差空间差异性较全球模式显著减少。对于热浪指数，降尺度后各区域绝对偏差显著减小，尤其在东北、华南以及西南热浪分布大值区域绝对偏差空间差异性改善明显。
3.2.2 空间特征模拟能力对比进一步分析降尺度前后模式对各区域极端指数的模拟能力，使用泰勒图评估降尺度的模拟效果(图 6和7)。图 6和7中数字1—5分别表示BCC、CNRM、FGOALS、IPSL和MPI模式。
|
| 图 6 降尺度前后模式模拟的不同区域年平均(1961—2005年)最高气温、最低气温泰勒图 (蓝色表示降尺度前模式模拟结果，红色表示降尺度后模拟结果，(a)、(b)是最低气温，(c)、(d)是最高气温，(a)、(c)表示西北、青藏高原、西南地区，(b)、(d)表示东北、华北、江淮和华南地区) Figure 6 Taylor diagrams for annual mean (from 1961 to 2005) Tmin (a, b), Tmax (c, d) in China between simulations (both downscaled and GCMs) and observations in different regions (a, c for Northwest China, Tibetan Plateau and Southwest China; b, d for Northeast China, North China, Yangtze River valley and Southeast China) (GCMs: blue, downscaled: red) |
对比不同指数的模拟情况(图 6和7)，可以看出，模式对最高气温和最低气温(图 6)的区域气候平均场模拟能力最高，在大部分区域中全球模式的模拟结果与观测的空间相关系数在0.8—0.9，相对标准差在0.75—1.0，动力降尺度之后，大部分区域空间相关系数提高到0.9以上，相对标准差在1.0—1.5，这表明降尺度之后模式对最高气温和最低气温的空间差异模拟增强；降尺度后不同模式对这两个极端气温指数模拟能力具有较高的一致性，表现在泰勒图中分布比较集中。且大部分区域中RMME模拟的最低气温和最高气温与对应观测场的空间相关系数分别达到0.95和0.92左右，均方根误差均低于0.50℃。对于霜冻日数(图 7a、b)，大部分区域降尺度之后模拟场与观测场的空间相关系数改进较为明显，超过0.9，相对标准差更接近1，均方根误差低于0.5 d(华南和西南除外)。全球模式对热浪指数区域气候平均场的模拟较差，大部分地区全球模式模拟的空间相关系数相对较低，有些模式的标准差之比超过1.5，均方根误差大于1.0 d。各模式在泰勒图中分布比较分散，表明各模式的模拟能力差异较大。降尺度后各模式相对于降尺度前相关系数略有提高，但各模式在泰勒图中的分布与降尺度前相似，表明降尺度后各模式间的模拟能力仍存在较大差异。
对比不同区域的模拟情况可以看出，和全球模式相比，多模式动力降尺度对极端指数(热浪指数除外)的模拟效果主要在海拔相对较高的西部(西北、高原和西南)地区改善明显，在东部地区略有改善。如RMME模拟的西部地区最低气温空间相关系数由GMME的0.9左右提高到0.95左右，相对标准差由0.8增大到1.2，均方根误差减小至低于0.5℃，更接近参考点(图 6a、b)；在东部地区地形平坦(江淮地区除外)，全球模式模拟能力较高，空间相关系数为0.87—0.95，因此降尺度后模式模拟能力略有改进或没有改进，相关系数为0.96—0.98，相比标准差增大到1.02—1.1。这表明降尺度后改进效果可能与地形有关。对于热浪指数(图 7c、d)，降尺度以后模式模拟的相关系数主要在青藏高原、西南地区地形相对复杂的区域以及东北、华北和华南热浪大值区有所提高，如青藏高原地区相关系数由GMME的0.34提高到0.44以上，华北地区由0.44提高到0.74以上。
为验证动力降尺度之后模式对最低、最高气温空间场改进效果是否与地形高度有关，分别计算了不同地形高度上，降尺度前后各模式模拟的最低气温和最高气温与相应观测场的空间相关系数，用ΔR表示降尺度之后与降尺度前模式模拟的空间相关系数的差值，ΔR越大表示降尺度改善越明显。图 8给出了ΔR随地形高度的变化，可以看出大部分模式模拟最低气温、最高气温的ΔR随地形高度的升高而增大，这表明降尺度的改善效果与地形高度有一定的关系。而部分模式降尺度后在地形高度超过4000 m(即在青藏高原部分区域)，ΔR略有减小，这可能是由地形的起伏作用引起的，也可能由其他原因造成，比如青藏高原地区站点稀疏，而观测资料是由站点插值得到，本身就存在一定的误差；LMDZ4模式较全球模式提高了分辨率，较好地描述了地形特征，但仍存在一定的误差。从图 8可以看出模式的改善程度随地形升高而增大的趋势，这对动力降尺度研究具有重要的参考价值。
|
| 图 8 不同地形高度上，降尺度前后模式模拟的(a)最低气温、(b)最高气温与相应观测场的空间相关系数变化量，ΔR表示降尺度前后空间相关系数的变化量 Figure 8 Scatter plots of variations of spatial correlation coefficient between simulations before and after downscaling and observations at different terrain heights for (a) Tmin and (b) Tmax ΔR indicates the difference in spatial correlation coefficient between simulations before and after downscaling and observations |
综上，多模式动力降尺度对最高气温、最低气温和霜冻日数空间模拟能力的改善对地形高度有很强的依赖性，与全球模式相比，降尺度之后在海拔相对较高的西部地区比地形较为平坦的东部地区改善效果明显，与观测场的空间相关系数在西部地区超过0.95，均方根误差低于0.5℃(霜冻日数在西北和高原地区均方根误差低于0.5 d)，且模式间具有较高的一致性；降尺度之后模拟的热浪指数与观测场的相关系数主要在青藏高原、西南地形相对复杂的区域以及东北、华北和华南热浪大值区有所提高，但模式间的一致性不高。
3.2.3 概率密度分布特征模拟能力对比为考察降尺度前后模式在各个区域对最高气温和最低气温的模拟能力，统计了观测与各模式所有格点值的概率密度分布曲线(简称PDF曲线)。为定量比较降尺度前后对PDFs特征的模拟能力，计算了BS指标。图 9给出了各区域表征各模式对最高气温和最低气温模拟能力的BS指标。
|
| 图 9 不同区域各模式降尺度前后(a)最低气温、(b)最高气温的BS指标 (GCMs:白色, 降尺度:灰色) Figure 9 Bar plot of BS for Tmin (a) and Tmax (b) in different regions (GCMs: white, downscaled: gray) |
对比不同区域的模拟情况，和全球模式相比，大部分模式降尺度后主要在东北、华北、西北和高原地区最高气温和最低气温的BS指标减小，如LMDZ/FGOALS模式模拟的西北地区最低气温与观测概率分布函数不重合度为0.02%，比降尺度前减小0.25%，RMME模拟的BS减小到0.01%。这表明在东北、华北、西北和高原地区，降尺度后模式模拟的最低气温和最高气温的PDF都更加接近观测，且多模式动力降尺度能够较好地反映观测的PDF分布；而在江淮、华南和西南地区，降尺度后效果改善不明显，大部分模式模拟的BS指数略有增大，这是由于降尺度之后模式模拟的PDF与观测PDF的峰值相差较大(图略)，因此模拟与观测的PDF偏离程度较大。
上述结果表明，与全球模式相比，动力降尺度之后改善了模式对东北、华北、西北和高原地区最高气温和最低气温的模拟，提高了模式对最高气温和最低气温的概率分布的模拟能力。
4 降尺度前后极端气温指数线性趋势对比图 10给出了1961—2005年观测和模式模拟的年平均最低气温线性趋势的空间分布。从观测场可以看出，中国均呈现变暖的趋势，且北方变暖速率大于南方，北方地区的升温速率高于0.04℃/a。其中东北、内蒙古和青海地区的升温速率大于0.05℃/a。观测与各模式模拟的最高气温的空间分布型(图略)与最低气温相似，但最高气温的升温速率略低于最低气温，北方升温速率高于0.02℃/a，东北、内蒙古和青海地区的升温速率在0.3℃/a左右。BCC、CNRM和FGOALS模式在一定程度上能模拟出最高气温、最低气温线性趋势南低北高的空间分布型，但数值上偏小，而IPSL和MPI模式模拟的最高气温、最低气温空间升温速率分布特征为西部大于东部，南北分布特征不明显。动力降尺度后，除了LMDZ/MPI外，其他4个模式以及RMME模拟的最高气温和最低气温北高南低的空间分布型优于全球模式，最高气温升高幅度表现出一致偏强，尤其在东北地区；最低气温南方升高幅度偏大，北方偏小。降尺度前后模式均没有模拟出西北地区的升温大值区。降尺度后模拟的最高气温和最低气温线性趋势的改进与Yang等(2016)对平均温度线性趋势的模拟结果基本一致。
|
| 图 10 观测及各模式降尺度前后最低气温的线性趋势空间分布分布(单位：℃/a)，(a)为观测，第2行和第4行分别是BCC，CNRM，FGOALS，IPSL，MPI和全球模式集合(GMME)，第3行和第5行分别是LMDZ/BCC，LMDZ/CNRM，LMDZ/FGOALS，LMDZ/IPSL，LMDZ/MPI和降尺度模式集合(RMME) Figure 10 Spatial distributions of the trend of Tmin for observations (a), GCMs (second and fourth rows are for BCC, CNRM, FGOALS, IPSL, MPI, GMME, respectively) and downscaled (third and fifth rows are for LMDZ/BCC, LMDZ/CNRM, LMDZ/FGOALS, LMDZ/IPSL, LMDZ/MPI, RMME, respectively) |
表 3给出了观测与降尺度前后模式模拟的各区域年极端气温指数的线性变化趋势，表中灰色阴影表示降尺度之后模式模拟的趋势误差比全球模式小，即降尺度后模拟效果改善。可以看出，所有模式均能模拟出与观测一致的极端气温指数的变化趋势，但全球模式对中国区域最低气温和霜冻日数趋势强度的模拟偏弱，降尺度之后各模式以及模式集合模拟的趋势强度比全球模式略有提高，如RMME模拟的中国中东部地区最低气温的趋势误差由GMME的0.15℃/(10 a)减小到0.10℃/(10 a)，霜冻日数的趋势误差由1.49 d/(10 a)减小到1.18 d/(10 a)；而对于最高气温和热浪指数，大部分模式模拟的中国中东部地区的线性趋势高于观测，降尺度之后趋势误差反而增大。不同区域降尺度模拟的线性趋势有所不同，在东北、华北、青藏高原以及西南地区大部分模式降尺度后模拟的最低气温、最高气温和热浪指数的线性趋势更接近观测。另外，不同全球模式降尺度效果也不同，CNRM和FGOALS模式降尺度以后在大部分区域对4个极端气温指数线性趋势的模拟改善最明显，这个可能是由于CNRM模式对极端气温指数线性趋势的模拟比其他4个模式偏低，与观测的趋势偏差较大，而降尺度后线性趋势强度增加，更接近观测。
| 区域 | 模式 | 最低气温 (℃/(10 a)) |
最高气温 (℃/(10 a)) |
霜冻日数 (d/(10 a)) |
热浪指数 (d/(10 a)) |
区域 | 最低气温 (℃/(10 a)) |
最高气温 (℃/(10 a)) |
霜冻日数 (d/(10 a)) |
热浪指数 (d/(10 a)) |
| 研究区域 | OBS | 0.41 | 0.21 | -3.64 | 1.01 | 西北 | 0.49 | 0.26 | -3.70 | 0.84 |
| BCC | 0.24* | 0.21 | -2.27* | 1.42 | 0.30 | 0.29 | -3.28 | 1.61 | ||
| L/B | 0.40* | 0.35 | -3.36* | 1.76 | 0.21 | 0.34 | -2.20 | 1.95 | ||
| CNRM | 0.18 | 0.07* | -1.23* | 0.40* | 0.22 | 0.10* | -2.63 | 1.43* | ||
| L/C | 0.15 | 0.17* | -1.38* | 0.68* | -0.03 | 0.21* | 0.30 | 0.99* | ||
| FGOALS | 0.30* | 0.26 | -2.40 | 1.42* | 0.33 | 0.26 | -2.28 | 1.50* | ||
| L/F | 0.31* | 0.32 | -2.24 | 1.16* | 0.24 | 0.28 | -1.42 | 0.75* | ||
| IPSL | 0.28* | 0.27 | -2.26* | 0.91 | 0.34 | 0.33 | -2.77 | 1.57 | ||
| L/I | 0.37* | 0.39 | -2.81* | 1.53 | 0.24 | 0.37 | -1.59 | 1.89 | ||
| MPI | 0.30* | 0.29 | -2.78 | 0.82 | 0.33 | 0.29 | -3.21 | 0.88 | ||
| L/M | 0.33* | 0.36 | -2.60 | 1.27 | 0.20 | 0.31 | -1.30 | 1.19 | ||
| GMME | 0.26* | 0.22 | -2.15* | 0.98 | 0.30 | 0.26 | -2.83 | 1.40* | ||
| LMME | 0.31* | 0.32 | -2.46* | 1.26 | 0.17 | 0.30 | -1.24 | 1.35* | ||
| 高原 | OBS | 0.38 | 0.18 | -4.10 | 0.32 | 西南 | 0.27 | 0.08 | -2.40 | -0.04 |
| BCC | 0.20* | 0.19 | -2.82 | 1.23 | 0.21* | 0.06 | -1.77* | 1.04 | ||
| L/B | 0.34* | 0.28 | -6.05 | 1.15 | 0.31* | 0.22 | -2.67* | 1.16 | ||
| CNRM | 0.12* | -0.01* | -0.69* | -0.14 | 0.10* | 0.03* | -0.61* | -0.40* | ||
| L/C | 0.24* | 0.22* | -2.70* | 0.94 | 0.18* | 0.11* | -1.34* | 0.17* | ||
| FGOALS | 0.33 | 0.24* | -2.74* | 0.66* | 0.23 | 0.19 | -3.42* | 1.62* | ||
| L/F | 0.26 | 0.23* | -3.53* | 0.27* | 0.16 | 0.28 | -1.67* | 0.61* | ||
| IPSL | 0.36* | 0.33 | -3.56 | 0.76 | 0.20* | 0.30 | -2.16 | 0.31 | ||
| L/I | 0.40* | 0.37 | -5.23 | 0.79 | 0.26* | 0.50 | -2.99 | 2.05 | ||
| MPI | 0.35* | 0.33 | -4.16 | 0.89 | 0.28* | 0.27 | -2.08 | 1.00* | ||
| L/M | 0.40* | 0.38 | -5.39 | 1.25 | 0.29* | 0.32 | -2.82 | 0.91* | ||
| GMME | 0.27* | 0.21 | -2.79* | 0.68 | 0.20* | 0.17 | -1.92* | 0.70 | ||
| LMME | 0.33* | 0.30 | -4.58* | 0.87 | 0.24* | 0.29 | -2.26* | 0.96 | ||
| 东北 | OBS | 0.57 | 0.28 | -3.88 | 2.24 | 华北 | 0.44 | 0.27 | -3.48 | 1.79 |
| BCC | 0.32* | 0.24 | -1.91* | 1.67* | 0.19* | 0.19* | -2.20* | 1.39 | ||
| L/B | 0.66* | 0.50 | -3.72* | 2.05* | 0.42* | 0.28* | -3.14* | 1.04 | ||
| CNRM | 0.31 | 0.17 | -1.27* | 0.68 | 0.16* | 0.06* | -1.97 | 0.08* | ||
| L/C | 0.16 | 0.11 | -1.78* | 0.52 | 0.22* | 0.17* | -1.86 | 0.59* | ||
| FGOALS | 0.34* | 0.36 | -2.43 | 2.23 | 0.34* | 0.27 | -1.60* | 1.75 | ||
| L/F | 0.48* | 0.46 | -2.37 | 2.21 | 0.39* | 0.30 | -2.16* | 1.14 | ||
| IPSL | 0.26* | 0.21 | -1.32* | 0.98* | 0.27* | 0.24 | -1.36 | 0.92* | ||
| L/I | 0.52* | 0.42 | -2.67* | 1.80* | 0.40* | 0.38 | -1.77 | 1.03* | ||
| MPI | 0.21* | 0.17* | -1.39* | 0.25* | 0.31* | 0.27 | -3.32 | 0.64* | ||
| L/M | 0.37* | 0.32* | -1.96* | 0.96* | 0.34* | 0.35 | -2.21 | 0.80* | ||
| GMME | 0.29* | 0.23 | -1.66* | 1.16 | 0.25* | 0.21* | -2.09* | 0.94 | ||
| LMME | 0.44* | 0.36 | -2.50* | 1.51 | 0.36* | 0.30* | -2.23* | 0.90 | ||
| 江淮 | OBS | 0.22 | 0.14 | -4.26 | 0.70 | 华南 | 0.19 | 0.09 | -2.07 | -0.21 |
| BCC | 0.17 | 0.18 | -1.51* | 1.31 | 0.17 | 0.17 | -1.26 | 1.32* | ||
| L/B | 0.42 | 0.36 | -2.83* | 2.88 | 0.28 | 0.28 | -1.25 | 1.70* | ||
| CNRM | 0.06* | -0.05 | -0.06* | -0.37* | 0.11* | 0.08 | -0.01* | 0.34* | ||
| L/C | 0.20* | 0.21 | -1.43* | 1.06* | 0.13* | 0.11 | -0.68* | -0.16* | ||
| FGOALS | 0.25 | 0.21 | -2.55 | 1.00 | 0.21* | 0.20 | -2.42* | 0.95 | ||
| L/F | 0.26 | 0.31 | -2.03 | 1.37 | 0.19* | 0.28 | -1.97* | 1.08 | ||
| IPSL | 0.23 | 0.26 | -2.40* | 0.50 | 0.21 | 0.24 | -2.01* | 0.45 | ||
| L/I | 0.35 | 0.35 | -3.08* | 1.53 | 0.30 | 0.40 | -2.13* | 2.03 | ||
| MPI | 0.33 | 0.35* | -3.36 | 1.65 | 0.32 | 0.37 | -1.22* | 0.92 | ||
| L/M | 0.38 | 0.48* | -2.71 | 2.23 | 0.32 | 0.42 | -1.79* | 1.86 | ||
| GMME | 0.21 | 0.19 | -1.97* | 0.81 | 0.20 | 0.21 | -1.27* | 0.75 | ||
| LMME | 0.32 | 0.34 | -2.42* | 1.80 | 0.24 | 0.30 | -1.51* | 1.25 | ||
| 注：黑体表示通过90%的显著性检验，带*表示降尺度后趋势误差减小。 | ||||||||||
利用LMDZ4变网格大气环流模式分别单向嵌套于BCC-csm1.1-m、CNRM-CM5、FGOALS-g2、IPSL-CM5A-MR和MPI-ESM-MR 5个全球模式，得到多模式动力降尺度结果，通过计算日平均最高气温、日平均最低气温、霜冻日数和热浪指数，对比检验了降尺度模式和全球模式对中国中东部地区极端气温的模拟性能。具体结论如下：
(1) 相比全球模式，动力降尺度之后模式较好地刻画了青藏高原、四川盆地等复杂地形的变化，能更好地模拟出中国中东部地区极端气温的空间分布，再现与观测一致的日最高、最低气温概率分布特征，中国中东部地区各极端气温指数与相应观测场的相关系数都有所提高，对热浪指数相关系数改进程度大于最低气温、最高气温和霜冻日数。
(2) 降尺度改善效果表现出明显的区域性差异，对于最高气温、最低气温和霜冻日数，降尺度之后主要在东北、西北、高原以及西南地区改善明显，与观测的空间相关系数提高至0.95以上，均方根误差低于0.5℃(0.5 d)，模式间具有较好的一致性，且降尺度之后模式对最低气温和最高气温空间相关系数的改善程度随地形升高而增大；对于热浪指数，降尺度后在东北、华南以及西南地区热浪分布大值区改善效果明显，但模式间的一致性不高。
(3) 动力降尺度前后各模式模拟的中国中东部地区最高气温、最低气温的线性趋势变化与观测一致；降尺度之后在东北、华北、青藏高原以及西南地区对最低气温、霜冻日数和热浪指数的线性趋势的模拟略有改善，更接近观测。另外，不同全球模式降尺度效果也不同，大部分区域CNRM和FGOALS模式在降尺度之后模拟的极端气温趋势误差略有减小。
综上所述，LMDZ4模式由于分辨率较高，能够细致地描述四川盆地、柴达木盆地等地形特征，因此相比全球模式，多模式动力降尺度能更好地再现中国中东部地区极端气温的空间分布型，一定程度上改善极端气温的模拟能力。虽然多模式动力降尺度在一定程度上减小模拟偏差，但由于模式本身的系统误差造成的偏差仍然存在。因此在未来使用该模式进行气候预估时，可以探索适当的统计方法对模式的系统误差进行订正，以便得到更准确的预估结果，这也是下一步的研究内容。
致谢: 感谢世界气候研究计划耦合模式工作组和各模式机构提供CMIP5模式资料。| 陈威霖, 江志红, 黄强. 2012. 基于统计降尺度模型的江淮流域极端气候的模拟与预估. 大气科学学报, 35(5): 578–590. Chen W L, Jiang Z H, Huang Q. 2012. Projection and simulation of climate extremes over the Yangtze and Huaihe River Basins based on a statistical downscaling model. Trans Atmos Sci, 35(5): 578–590. (in Chinese) |
| 高学杰, 徐影, 赵宗慈, 等. 2006. 数值模式不同分辨率和地形对东亚降水模拟影响的试验. 大气科学, 30(2): 185–192. Gao X J, Xu Y, Zhao Z C, et al. 2006. Impacts of horizontal resolution and topography on the numerical simulation of East Asian precipitation. Chinese J Atmos Sci, 30(2): 185–192. (in Chinese) |
| 高学杰, 石英, 张冬峰, 等. 2012. RegCM3对21世纪中国区域气候变化的高分辨率模拟. 科学通报, 57(10): 1188–1195. Gao X J, Shi Y, Zhang D F, et al. 2012. Climate change in China in the 21st century as simulated by a high resolution regional climate model. Chinese Sci Bull, 57(10): 1188–1195. (in Chinese) |
| 黄海玲, 江志红, 王志福, 等. 2015. CMIP5模式对东亚500 hPa高度场主要模态时空结构模拟能力的评估. 气象学报, 73(1): 110–127. Huang H L, Jiang Z H, Wang Z F, et al. 2015. The evaluation of the 500 hPa geopotential height's main modes in East Asia as done by the CMIP5 models. Acta Meteor Sinica, 73(1): 110–127. (in Chinese) |
| 蒋帅, 江志红, 李伟, 等. 2017. CMIP5模式对中国极端气温及其变化趋势的模拟评估. 气候变化研究进展, 13(1): 11–24. Jiang S, Jiang Z H, Li W, et al. 2017. Evaluation of the extreme temperature and its trend in China simulated by CMIP5 models. Climate Change Res, 13(1): 11–24. DOI:10.12006/j.issn.1673-1719.2016.053 (in Chinese) |
| 江志红, 陈威霖, 宋洁, 等. 2009. 7个IPCC AR4模式对中国地区极端降水指数模拟能力的评估及其未来情景预估. 大气科学, 33(1): 109–120. Jiang Z H, Chen W L, Song J, et al. 2009. Projection and evaluation of the precipitation extremes indices over China based on seven IPCC AR4 coupled climate models. Chinese J Atmos Sci, 33(1): 109–120. (in Chinese) |
| 刘景卫, 周天军, 满文敏. 2013. 变网格大气模式对1998年东亚夏季风异常的模拟研究. 地球物理学报, 56(1): 12–26. Liu J W, Zhou T J, Man W M. 2013. Simulation study on the anomalous East Asian summer monsoon in 1998 using a variable-grid atmospheric general circulation model. Chinese J Geophys, 56(1): 12–26. DOI:10.6038/cjg20130102 (in Chinese) |
| 刘永和, 郭维栋, 冯锦明, 等. 2011. 气象资料的统计降尺度方法综述. 地球科学进展, 26(8): 837–847. Liu Y H, Guo W D, Feng J M, et al. 2011. A summary of methods for statistical downscaling of meteorological data. Adv Earth Sci, 26(8): 837–847. (in Chinese) |
| 辛晓歌, 周天军, 李肇新. 2011. 一个变网格大气环流模式对中国东部春季的区域气候模拟. 气象学报, 69(4): 682–692. Xin X G, Zhou T J, Li Z X. 2011. Regional climate simulation over eastern China in spring by a variable resolution AGCM. Acta Meteor Sinica, 69(4): 682–692. DOI:10.11676/qxxb2011.060 (in Chinese) |
| 杨浩, 江志红, 李肇新. 2016. 变网格模式LMDZ4对东亚夏季气候的模拟检验. 大气科学学报, 39(4): 433–444. Yang H, Jiang Z H, Li Z X. 2016. Simulation of the East Asian summer climate with LMDZ4-a variable resolution model. Trans Atmos Sci, 39(4): 433–444. (in Chinese) |
| 姚遥, 罗勇, 黄建斌. 2012. 8个CMIP5模式对中国极端气温的模拟和预估. 气候变化研究进展, 8(4): 250–256. Yao Y, Luo Y, Huang J B. 2012. Evaluation and projection of temperature extremes over China based on 8 modeling data from CMIP5. Prog Inquisit Mutat Climat, 8(4): 250–256. (in Chinese) |
| 赵宗慈. 2006. 全球气候变化预估最新研究进展. 气候变化研究进展, 2(2): 68–70. Zhao Z C. 2006. Latest advances in global climate projections. Adv Climate Change Res, 2(2): 68–70. (in Chinese) |
| Chen W L, Jiang Z H, Li L. 2011a. Probabilistic projections of climate change over China under the SRES A1B scenario using 28 AOGCMs. J Climate, 24(17): 4741–4756. DOI:10.1175/2011JCLI4102.1 |
| Chen W L, Jiang Z H, Li L, et al. 2011b. Simulation of regional climate change under the IPCC A2 scenario in southeast China. Climate Dyn, 36(3-4): 491–507. DOI:10.1007/s00382-010-0910-3 |
| Dong S Y, Xu Y, Zhou B T, et al. 2015. Assessment of indices of temperature extremes simulated by multiple CMIP5 models over China. Adv Atmos Sci, 32(8): 1077–1091. DOI:10.1007/s00376-015-4152-5 |
| Frich P, Alexander L V, Della-Marta P, et al. 2002. Observed coherent changes in climatic extremes during the second half of the twentieth century. Climate Res, 19(3): 193–212. |
| Fu G B, Liu Z F, Charles S P, et al. 2013. A score-based method for assessing the performance of GCMs:A case study of southeastern Australia. J Geophys Res, 118(10): 4154–4167. |
| Gao X J, Shi Y, Giorgi F. 2011. A high resolution simulation of climate change over China. Sci China Earth Sci, 54(3): 462–472. DOI:10.1007/s11430-010-4035-7 |
| Ji Z M, Kang S C. 2015. Evaluation of extreme climate events using a regional climate model for China. Int J Climatol, 35(6): 888–902. DOI:10.1002/joc.2015.35.issue-6 |
| Junquas C, Li L, Vera C S, et al. 2016. Influence of South America orography on summertime precipitation in Southeastern South America. Climate Dyn, 46(11-12): 3941–3963. DOI:10.1007/s00382-015-2814-8 |
| L'Hévéder B, Li L, Sevault F, et al. 2013. Interannual variability of deep convection in the Northwestern Mediterranean simulated with a coupled AORCM. Climate Dyn, 41(3-4): 937–960. DOI:10.1007/s00382-012-1527-5 |
| Le Treut H, Li Z X, Forichon M. 1994. Sensitivity of the LMD general circulation model to greenhouse forcing associated with two different cloud water parameterizations. J Climate, 7(12): 1827–1841. DOI:10.1175/1520-0442(1994)007<1827:SOTLGC>2.0.CO;2 |
| Li Z X. 1999. Ensemble atmospheric GCM simulation of climate interannual variability from 1979 to 1994. J Climate, 12(4): 986–1001. DOI:10.1175/1520-0442(1999)012<0986:EAGSOC>2.0.CO;2 |
| Mannig B, Müller M, Starke E, et al. 2013. Dynamical downscaling of climate change in Central Asia. Glob Planet Chang, 110: 26–39. DOI:10.1016/j.gloplacha.2013.05.008 |
| Rojas M, Li L Z, Kanakidou M, et al. 2013. Winter weather regimes over the Mediterranean region:Their role for the regional climate and projected changes in the twenty-first century. Climate Dyn, 41(3-4): 551–571. DOI:10.1007/s00382-013-1823-8 |
| Taylor K E. 2001. Summarizing multiple aspects of model performance in a single diagram. J Geophys Res, 106(D7): 7183–7192. DOI:10.1029/2000JD900719 |
| Taylor K E, Stouffer R J, Meehl G A. 2012. An overview of CMIP5 and the experiment design. Bull Amer Meteor Soc, 93(4): 485–498. DOI:10.1175/BAMS-D-11-00094.1 |
| Troin M, Vrac M, Khodri M, et al. 2016. A complete hydro-climate model chain to investigate the influence of sea surface temperature on recent hydroclimatic variability in subtropical South America (Laguna Mar Chiquita, Argentina). Climate Dyn, 46(5-6): 1783–1798. DOI:10.1007/s00382-015-2676-0 |
| Vautard R, Noël T, Li L, et al. 2013. Climate variability and trends in downscaled high-resolution simulations and projections over Metropolitan France. Climate Dyn, 41(5-6): 1419–1437. DOI:10.1007/s00382-012-1621-8 |
| Xin X G, Wu T W, Zhang J. 2013. Introduction of CMIP5 experiments carried out with the climate system models of Beijing Climate Center. Adv Climate Change Res, 4(1): 41–49. |
| Xu Y, Gao X J, Shen Y, et al. 2009. A daily temperature dataset over China and its application in validating a RCM simulation. Adv Atmos Sci, 26(4): 763–772. DOI:10.1007/s00376-009-9029-z |
| Yang H, Jiang Z H, Li L. 2016. Biases and improvements in three dynamical downscaling climate simulations over China. Climate Dyn, 47(9-10): 3235–3251. DOI:10.1007/s00382-016-3023-9 |
| Yu E T, Sun J Q, Chen H P, et al. 2015. Evaluation of a high-resolution historical simulation over China:Climatology and extremes. Climate Dyn, 45(7-8): 2013–2031. DOI:10.1007/s00382-014-2452-6 |
| Zhou T J, Li Z X. 2002. Simulation of the East Asian summer monsoon using a variable resolution atmospheric GCM. Climate Dyn, 19(2): 167–180. DOI:10.1007/s00382-001-0214-8 |
| Zou L W, Zhou T J, Li L, et al. 2010. East China summer rainfall variability of 1958-2000:Dynamical downscaling with a variable-resolution AGCM. J Climate, 23(23): 6394–6408. DOI:10.1175/2010JCLI3689.1 |
| Zou L W, Zhou T J. 2013. Near future (2016-40) summer precipitation changes over China as projected by a regional climate model (RCM) under the RCP8.5 emissions scenario:Comparison between RCM downscaling and the driving GCM. Adv Atmos Sci, 30(3): 806–818. DOI:10.1007/s00376-013-2209-x |