中国气象学会主办。
文章信息
- 周莉, 兰明才, 蔡荣辉, 文萍, 姚蓉, 杨云芸. 2018.
- ZHOU Li, LAN Mingcai, CAI Ronghui, WEN Ping, YAO Rong, YANG Yunyun. 2018.
- 21世纪前期长江中下游流域极端降水预估及不确定性分析
- Projection and uncertainties of extreme precipitation over the Yangtze River valley in the early 21st century
- 气象学报, 76(1): 47-61.
- Acta Meteorologica Sinica, 76(1): 47-61.
- http://dx.doi.org/10.11676/qxxb2017.084
-
文章历史
- 2016-09-12 收稿
- 2017-09-10 改回
20世纪以来,在全球气候变暖的大背景下,极端降水事件频发,相对于气候平均态,极端降水气候事件的变化对人类社会、经济、生活和自然生态系统造成更大的影响。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),而极端降水事件对气候变暖的响应极其敏感,地表气温显著升高可以改变海-陆热力差异进而使大尺度环流的结构发生变化,加剧区域以及全球的水循环,进一步影响降水以及强降水的空间分布(Overland, et al, 2010; You, et al, 2011; 高涛等2014)。因此,极端降水事件的变化引起中外广泛关注(翟盘茂等,2007;王小玲等,2008;李红梅等,2008;Jiang, et al, 2011)。
中国地处东亚,受其独特的地理位置和季风气候的影响,是世界上气候变率最大的地区之一(黄安宁等,2004;Zhou, et al, 2006),其中,长江中下游流域地处亚热带和暖温带的气候过渡带,气候条件复杂多变,旱涝灾害频发,是气候变化的高度敏感区(曾小凡等,2009)。由于此区域降水年内和年际变率大,随着气候变暖导致的水循环进一步加快,降水时空分布可能更加不均匀。加之该地区人口集中、经济发达,发生旱涝等气象灾害将对中国国民经济建设产生重大影响(苏布达等,2006)。因此,进行全球变暖背景下长江中下游流域夏季气候变化的高精度未来预估尤为重要。
气候系统模式能够模拟大气环流、海-陆的相互作用,并可通过设定温室气体排放情景探讨未来气候的可能变化,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,已成为全球变化领域主要的研究手段。借助气候系统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(刘晓东等,2009;李秀萍等,2012;Li, et al, 2010; 翟颖佳等,2016;张武龙等,2015;Jiang, et al, 2015; 胡芩等,2015),张天宇等(2010)分析了三峡库区连续5 d最大降水量的情景预估,发现21世纪前期将增加0.5—5.4 mm。陈活泼(2013)预估了整个中国区域的极端降水的未来变化,分析不同地区不同降水量级的不同贡献,认为中国南方年降水量的增大是由于大雨和暴雨显著增多的结果。上述结果表明,在不同典型浓度路径下,中国大部分地区的极端降水量增多显著,降水更趋向于极端化,且有较明显的区域差异(张天宇等,2010;陈活泼,2013)。但是多数研究对于目前至2050年极端降水的预估结果并不一致(曾小凡等,2011;张增信等,2007)。主要的可能原因是由于气候系统模式输出的空间分辨率较低,很难提供精确的区域气候信息(如降水、气温等)。而长江中下游地区降水跟地形关系密切,降水的模拟误差在区域尺度上表现更加显著,这给在全球变暖背景下,利用气候模式预估长江中下游流域未来降水时空变化特征带来了难度(熊伟等,2006;李博等,2010)。对24个第5次耦合模式间比较计划(CMIP5)模式对长江中下游流域降水的模拟能力进行评估,发现模式对于降水的空间结构的模拟能力较差,空间相关系数最大值均未超过0.5(初祁等,2015)。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,可以获得更加精细化的长江中下游流域降水变化特征,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(刘绿柳等,2012;刘向培等,2012;崔妍等,2010)。最近,美国航空航天局开展了全球逐日数据降尺度计划(NASA Earth Exchange Global Daily Downscaled Projections, NEX-GDDP),对21个CMIP5模式历史以及未来低端辐射强迫情景(RCP4.5)的逐日降水数据进行了降尺度处理。这套数据提供了全球尺度、高分辨率(空间分辨率为0.25°×0.25°)资料,并对未来预估进行了偏差订正,可以很好地对气候变化影响进行评估,以及提供更加精细化的未来预估结果。这套数据为研究区域尺度高分辨率未来气候变化提供了便利,尤其是针对地形复杂、气候敏感的长江中下游流域。
未来气候变化的预估存在诸多不确定性,而多模式集合被认为能够有效降低上述不确定性(Palmer, et al, 2005; Thomson, et al, 2006; Xu, et al, 2010; Semenov, et al, 2010),其预估结果可靠性也高于单个模式(Barnston, et al, 2003; Raftery, et al, 2005; Georgakakos, et al, 2004)。统计降尺度方法由于具有快速模拟的能力,可以方便地应用于多个全球气候模式中。多模式统计降尺度集合(SDMME)可以被有效地用于预估区域尺度气候变化,从而得到更加可靠的区域气候变化情景预估结果。但这项工作在中国开展得相对较少。因此,本研究使用多模式统计降尺度集合的方法,给出21世纪前期(2016—2035年)长江中下游流域极端降水的预估,以期能够提供未来长江中下游流域极端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:来源于中国国家气象信息中心的长江中下游流域178个气象站1981—2005年的逐日降水量数据(图 1)。使用双线性方案将台站的逐日降水量插值到0.25°×0.25°分辨率的经纬度网格点上。
(2) 模式资料:从NEX-GDDP得到了21个CMIP5模式历史以及未来不同排放情景下的逐日降尺度降水数据。空间分辨率为0.25°×0.25°。RCP4.5表示中低端辐射强迫情景,未来最有可能发生,模式试验数据也最多,并且,对未来气候变化更加具有代表性。利用全球气象强迫数据集(GMFD)作为全球的观测数据,空间分辨率为0.25°×0.25°,是美国普林斯顿大学陆地水文小组通过将全球降水气候计划(GPCP)观测资料以及TRMM(Tropical Rainfall Measuring Mission)卫星资料与NCEP-NCAR(National Centers for Environmental Prediction-National Center for Atmospheric Research)再分析资料进行整合从而得到的一套全球高分辨率的观测数据(Sheffield, et al, 2006)。首先,使用偏差订正的方法通过对同一变量的气候系统模式的输出资料与全球观测资料的累计概率分布函数(CDF)建立函数关系,默认这种函数关系在未来依旧存在,将这种函数关系应用到未来排放情景预估数据的累计概率分布函数中,从而得到未来排放情景下相应降尺度的预估结果。然后使用空间分类的方法, 将不同模式分辨率的订正结果统一插值到空间分辨率为0.25°×0.25°网格点上(Thrasher, et al, 2012)。生成GDDP数据集的CMIP5模式信息见表 1,数据下载链接为:ftp://ftp.nccs.nasa.gov/ 。
模式名称 | |
BCC-CMS1-1 | IPSL-CM5A-MR |
CanESM2 | MIROC5 |
CCSM4 | MIROC-ESM |
CESM1-BGC | MIROC-ESM-CHEM |
CNRM-CM5 | MPI-EMS-LR |
CSIRO-Mk3-6-0 | MPI-EMS-MR |
GFDL-CM3 | MRI-CGCM3 |
GFDL-ESM2G | NorESM1-ME |
GFDL-ESM2M | inmcm4 |
IPSL-CM5A-LR |
为便于定量刻画极端降水的模拟能力,引入最早由Frich等(2002)提出的6个具有较高信噪比且相关相对“较弱”的极端降水指数,其中,R95T、R10、R90N和R5d用来描述极端降水的特征指数,而总降水量和降水强度用来表征降水的平均特征,有效结合两类指数从而更为全面地刻画模式对长江中下游流域降水特征的模拟(表 2)。对模式和观测格点分别计算每年的极端降水指数。
序号 | 指数名称 | 缩写 | 定义 | 单位 |
1 | 总降水量 | PRCPTOT | 年降水量的总和 | mm |
2 | 极端降水贡献率 | R95T | 大于第95%分位数的有雨降水量占总降水量的百分比 | % |
3 | 降水强度 | SDII | 有雨日的降水量与有雨日数的比值 | mm/d |
4 | 大雨日数 | R10 | 日降水量大于10 mm的天数 | d |
5 | 极端降水日数 | R90N | 大于90%分位数的有雨日数 | d |
6 | 连续5天最大降水量 | R5d | 最大的连续5日总降水量 | mm |
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,得到广泛应用(Taylor, 2001)。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。
2.3.2 年际变率指标模式对年际变率的模拟能力是检验其对未来气候预估能力的重要指标,因此,使用广泛应用的年际变率指标(IVS)来定量评估降尺度前后模式对年际变率的模拟能力,IVS用于评价各格点上模拟气候场的年际变率相对于观测场的差异,主要以标准差来衡量
(1) |
式中,STDm和STDo分别表示模式和观测变量的标准差。模拟年际变率与观测年际变率差异越小,即IVS越接近0,表明模拟结果越好;IVS数值越大,模拟变率与观测变率差异则越大,表明模拟效果越差。
2.3.3 不确定性指标虽然降尺度结果能够尽可能准确地传达未来气候变化的精细化信息,但由于模式之间存在差异,有必要通过定量指标来衡量降尺度之后未来预估结果的不确定性。文中使用模式间的标准差(STD)来评估未来预估的不确定性
(2) |
式中,xi为每个模式在RCP4.5情景下未来时段输出结果与历史情景下基准时段输出结果的差值。x为xi 19个模式的多模式集合平均,N为模式数量。该指标利用模式间标准差来反映模式间的差异,进而反映未来预估的不确定性,STD越小,表明模式间的差异越小,未来预估结果较为可信。
3 当前气候下降尺度效果检验利用美国航空航天局提供的全球逐日数据降尺度计划中19个CMIP5模式对未来长江中下游流域极端降水进行预估之前,评估该降尺度模型对当前气候的模拟能力至关重要。文中对1981—2005年长江中下游流域的19个气候模式与同期观测降水的空间分布和年际变率两方面进行比较,评估该降尺度方法对长江中下游流域极端降水的模拟能力。
3.1 空间结构为了综合对比降尺度后模式对各极端降水指数的模拟能力,使用泰勒图来评估降尺度的模拟效果。图 2中每个模式(不同模式用序号区分)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,到此参照点的距离表示模拟与观测的均方根误差,到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,降尺度后各模式对总降水量(PRCPTOT)和大于10 mm的天数(R10)有很好的模拟能力,所有模式模拟结果与实况的相关系数都超过了0.95,且各模式结果比较集中。表明各模式在降尺度之后基本都能模拟出降水实况的空间模态。模拟与观测的均方根误差分别在0.5 d和0.5 mm以内,表明降尺度后降水在变化幅度上与观测非常接近。此外,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。降尺度后各模式对于降水强度(SDII)、95%的极端降水贡献率(R95T)和连续5 d最大降水量(R5d)的模拟能力也较强,各模式模拟结果与实况的相关系数都超过了0.7,基本能模拟出降水实况的空间模态,除有1/3的模式模拟SDII的均方根误差小于0.5 mm/d外,所有模式模拟R95T和R5d的均方根误差均分别大于0.5%和0.5 mm。降尺度后各模式对于极端降水天数(R90N)的模拟效果则不佳,几乎所有模式模拟的相关系数小于0.7,其中有3个模式模拟的相关系数小于0.2,未达到0.01的显著性水平。均方根误差和标准差两项指标反映出模式模拟结果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。同时,对于多模式集合(MME)而言,由于RN90在泰勒图中分布较为分散,而多模式集合相比于其余模式,均能更好地再现空间结构的特征。
在上述统计结果分析基础上,图 3分别给出了1981—2005年气候态观测及降尺度后多模式集合的长江中下游地区6个极端降水指数的空间分布。总的来说,降尺度后模式模拟的空间结构与观测接近。从总降水量模拟和观测的空间分布(图 3a)可以看出,长江中下游地区总降水量的空间差异较大,主要表现为东多西少的空间分布。其中,降水大值区主要位于江西、湖南南部和安徽南部,总降水量皆超过1500 mm,尤其是江西东北部地区,总降水量超过1800 mm。这些地区由于受地形抬升以及热带天气系统的影响而降水偏多。四川北部、甘肃南部则降水偏少,总降水量均低于600 mm。降尺度以后,模式对于总降水量的模拟效果很好,不仅能够准确地模拟出东多西少的降水格局,也能较好地再现降水的幅度。唯一不足的是江西东北部的大值中心模拟偏弱300 mm左右(图 3b)。
降水强度(图 3e、f)、大于10 mm降水天数(图 3g、h)及连续5 d最大降水量(图 3k、l)的空间分布基本和总降水量一致,表现为东多西少的空间分布。模式对其模拟能力也较高,降水强度指数的模式结果在江西、湖南、安徽及江苏南部分别存在模拟偏低2 mm的不足,对大于10 mm的降水天数模拟也在这些区域与实况有10 d左右的偏差。而对于连续5 d最大降水量的模拟,模式未能再现降水变化的细节特征,在云南北部、四川南部、湖南南部、江西南部及贵州地区模拟偏强50 mm左右,而在湖南中部、江西东部模拟则偏弱50 mm左右。
从极端降水贡献率观测结果的空间分布(图 3c)可以看出,在长江中下游流域中部地区,即湖北、湖南、贵州、重庆及四川东部、陕西南部极端降水贡献率较大,达到30%以上,其他地区贡献率较低,尤其是四川西部,大部分地区都在25%以下。模式对于极端降水贡献率的模拟效果一般,整体呈现模拟偏强的特征,其中,模拟出的贡献率大值区位置也较观测偏南,而极值中心值则较实况偏小,为35%—40%,而观测值则超过40%(图 3d)。
从极端降水天数观测结果的空间分布(图 3i、j)可以看出,长江中下游地区极端降水天数主要呈现南高北低的空间特征。其中,极端降水天数大值区主要位于四川东部和贵州地区,天数超过25 d。模式对于该指数的模拟效果较差,存在全区模拟偏强的特点,大值区主要位于湖南、江西和贵州,与观测也有较大差距,位置较观测更为偏东且范围更广。
综上所述,这套降尺度数据对长江中下游流域极端降水的空间结构有较好的模拟效果,不仅对表征平均态的指数(PRCPTOT和SDII)有再现能力,同时对极端降水(R95T、R10、R90N和R5d)也有很好的模拟能力。除R90N外,所有模式模拟其余指数的空间结构与观测的相关系数均超过了0.6,其中所有模式模拟PRCPTOT和R10的相关系数均超过0.95。尤其是总降水量、降水强度、大雨日数和连续5 d最大降水量,降尺度后的结果可以模拟出长江中下游地区东高西低的空间分布特征,对于极端降水贡献率和极端降水日数的模拟偏差主要集中在长江中下游西部地区。
3.2 年际变率降尺度方法对极端降水年际变率的模拟能力是检验降尺度模型效果的重要方面。利用IVS指标来检验降尺度对极端降水指数1981—2005年年际变率的模拟效果。
图 4给出了各模式IVS值的区域平均结果(左)和多模式集合模拟IVS值的空间分布(右)。可以看出,降尺度之后,大部分模式模拟PRCPTOT的IVS值的范围为0—5,其中,MRI-CGCM3模拟效果最为显著,IVS值不足0.1。需要指出的是,并不是所有模式在降尺度后的模拟效果都较好,例如,BCC-CSM1-1模式降尺度后的IVS则超过20。从多模式集合平均的IVS分布来看,在长江中下游流域东部、北部和西北部,模式对总降水量指数年际变率的模拟能力较强,IVS值均小于0.2,其他地区模拟能力则较弱,尤其是贵州北部和重庆南部,IVS值超过3。对于R95T,无论是区域平均还是空间分布,其结果和总降水量结果有着较强的一致性。对降水强度指数年际变率的模拟,MRI-CGCM3模式的表现则不够理想,IVS值接近15,GFDL-CM3的模拟效果最佳,IVS值不足0.5。模拟能力较差的区域主要位于长江中下游流域中部,尤其是在贵州北部,IVS值超过3。模式对R10和R95N的模拟能力有较高的一致性,各模式IVS值均为0—15,表明降尺度后模式间依旧存在着较大的差异。GFDL-ESM2M模式对两者的模拟效果最佳,IVS值在0.5以下。两者IVS分布也较为接近,在长江中下游流域中部偏西偏南的地区,模拟效果都比较差,其余地区IVS值则在0.5以内。对R5d时间变率的模拟,各模式的表现参差不齐,接近一半的模式IVS值在2.5以下,模拟效果最差的模式为MIROC5,IVS值超过20。而多模式集合的IVS结果则呈现明显的由东北向西南递增的空间分布特征,东北部部分地区IVS不足0.5,模拟效果较好,而在西南部地区,模式对其时间变率的模拟效果则不尽人意,局地IVS值超过6。值得一提的是,对于6个降水指数而言,多模式集合虽然不是所有模式中模拟最好的,但考虑到不同模式间的差别,多模式集合较单个模式具有更稳定的再现时间变率的模拟能力。
通过综合评估降尺度后模式对6项极端降水指数的模拟能力,可以看到,无论是对极端降水的空间结构还是年际变率,模式对长江中下游流域极端降水指数空间结构有一定的模拟能力,能够再现受地形以及大气环流影响的降水区域特征。可见,多模式统计降尺度集合方法对未来气候空间结构进行预估是可行的。
4 21世纪前期(2016—2035年)降水预估第3节综合评估了降尺度后模式模拟6项指数的空间结构的能力,发现模式对长江中下游流域极端降水指数空间结构具有较强的模拟能力,本节将该降尺度方法应用到未来预估中,给出21世纪前期(2016—2035年)长江中下游流域极端降水的未来预估,以期能够提供未来长江中下游流域极端降水的时空变化信息。
图 5给出了相对于基准期(1986—2005年)气候平均态,21世纪前期(2016—2035年)长江中下游地区6项极端降水指数变化的箱须图。模式对大部分极端降水指数的模拟结果存在一定的差异。
全球变暖背景下,长江中下游地区未来年总降水量相对于基准期总体上表现弱的增长趋势,大部分模式表现为降水增加,且有5个模式增加幅度都超过50 mm,其中CESM1-BGC和GFDL-ESM2G两个模式模拟结果较基准期增加最大,差值中位数超过80 mm。有4个模式表现为降水减少,但大部分结果降水变化均在5 mm以内,只有IPSL-CM5A-LR模式模拟降水减幅最大,中位数达到了-80 mm,同时模式模拟结果的空间差异也较大,变化范围为-120—10 mm。对于多模式集合的结果而言,总降水量中位数相对于基准期表现20 mm左右的弱增长趋势。
降水强度的变化与总降水量的变化较为一致,降水强度只有GFDL-ESM2M的结果表现为微弱减小,其余模式皆表现为降水强度增加。多模式集合的降水强度增加为0.2 mm/d。连续5 d最大降水量所有模式皆表现为增多,且模式间的差异很小,中位数均在10 mm以内。分析日降水量大于10 mm的天数在21世纪前期的变化,发现与年总降水量的变化基本一致,较基准期平均增多2—3 d,多模式集合增多了1.5 d,长江中下游地区未来极端降水贡献率相对于基准期同样表现弱的增大趋势,除了2个模式的中位数呈减小趋势外,其余模式结果都增大,但增大不超过2%,多模式集合增大了1.6%。这些结果表明,未来降水量有显著的升高,并且极端降水量增加的幅度大于总降水量。但对于极端降水日数而言,大部分模式的结果是降低,其中IPSL-CM5A-MR减小最为显著,中位数超过1 d。虽然极端降水量增加,但极端降水日数减少,表明未来降水的量级会增加。
图 6给出了RCP4.5情景下,多模式集合预估21世纪前期,长江中下游地区极端降水指数相对于基准气候态变化的空间分布。总的来说,除极端降水日数外,其他5项指数总体来说在长江中下游地区都是增加的,这和图 4中各模式模拟该地区极端降水指数未来预估的区域平均结果吻合。从21世纪前期总降水量相对于基准期变化的空间分布可以看出,长江中下游地区总降水量变化的空间差异较大。其中,降水增加的大值区主要位于四川中西部、云南西北部和江苏南部,增加幅度超过了40 mm,尤其是四川西部,总降水量增加超过55 mm。而陕西南部、湖北北部及重庆北部增多不明显,增多幅度小于10 mm。降水强度、大于10 mm降水天数变化的空间分布基本和总降水量一致,增加的大值区位于长江中下游流域西部,降水强度和大于10 mm降水天数在这个地区的增加幅度分别超过了0.3 mm/d和2 d。从极端降水贡献率和连续5 d最大降水量变化的空间分布可以看出,21世纪前期,两者的空间分布具有较强的一致性且较为局地,在长江中下游流域西南部、中南部及东北部存在3个变化的大值中心,增幅分别达到10%和10 mm以上,其他地区两者增幅不明显,尤其是甘肃、陕西南部、安徽南部和湖北地区,R95T的增幅在3%以下,而R5d不足10 mm。极端降水日数指数的变化和其他指数略有不同,除了在四川西北部极端降水日数呈略微增多的趋势外,其他地区较基准期都是减少的,尤其是云南北部及贵州大部分地区,降幅较大,达0.4 d以上。并且R90N减少的区域与R95T增加的区域相吻合,进一步证实了未来极端降水量增加更为显著。此外,各极端降水指数未来变化显著的区域和超过75%的模式预估的同号区域重合度较高,尤其是流域西部地区,除降水强度外,其他指数结果在该地区皆较好地体现了模式的一致性。
5 未来预估的不确定性利用模式间的标准差评估未来极端降水指数的不确定性(图 7),不难发现,尽管这套降尺度数据对长江中下游流域极端降水的空间结构有很好的模拟效果,但是降尺度方法并不能解决模式间依然存在的差异问题。从各模式对21世纪前期(2016—2035年)各极端降水指数模拟的标准差空间分布可以看出,各指数都在云南北部、四川南部存在模式间标准差的大值中心,表明该区域未来极端降水指数预估结果的不确定性较高。总降水量、极端降水贡献率、降水强度和连续5 d最大降水量在江西、福建、浙江交界处也存在模式间标准差的大值中心。此外,极端降水贡献率、极端降水日数和连续5 d最大降水量在贵州大部分地区模式间的差异也较大。未来极端降水指数可信程度较高的区域主要集中在长江中下游流域的西北部,而这个地区未来极端指数增加的幅度也均较大。值得一提的是,对于极端降水贡献率指数,除长江中下游流域的西南部,整个长江中下游大部分地区模式标准差都较小,表示预估结果不确定性较低。不确定性大小的区域大致与地形相关,即地形复杂的区域,未来预估的不确定性较大。这或许与模式本身的地形条件以及与极端降水相关的物理参数化有关。
综上所述,RCP4.5情景下,总的来说除极端降水日数外长江中下游地区极端降水指数都在增大,表明在全球变暖背景下,长江中下游地区降水区域极端化。但极端降水日数的未来变化总体却是减少,表明对于极端降水的贡献主要来自于极端降水日的较大日降水量,而非极端降水日数。此外,尽管这套降尺度数据对长江中下游流域极端降水的空间结构有较好的模拟效果,但各模式之间依然存在差异,差异的大值区主要位于流域的西南部。模式结果存在一定的不确定性。
6 结论利用中国国家气象中心提供的长江中下游流域178个气象站1981—2005年的逐日降水量数据以及NEX-GDDP中19个CMIP5模式历史和未来RCP4.5情景的逐日降尺度降水数据,研究了全球持续变暖背景下长江中下游地区,21世纪前期(2016—2035年)极端降水指数的时空变化特征,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,无法细致反映受长江中下游流域地形变化和大气环流影响导致的区域降水变化特征。多模式统计降尺度数据对该地区极端降水的空间结构有较高的模拟能力。除R90N外,其余指数的空间相关系数都超过了0.6。PRCPTOT和R10的相关系数能够超过0.95。尤其是总降水量、降水强度、大雨日数和连续5 d最大降水量,降尺度后的结果可以模拟出长江中下游地区东高西低的空间分布特征。对于极端降水贡献率和极端降水日数的模拟偏差主要集中在长江中下游西部地区。降尺度对极端降水指数年际变率也有一定的模拟能力,但总体效果不如空间结构。
(2) RCP4.5情景下,极端降水指数相对于基准气候态,有弱的增长趋势,但极端降水日数的未来变化总体却是减少的。这些结果表明对于极端降水的贡献,主要来自于极端降水日的较大日降水量,而非极端降水日数。极端降水增加最显著的区域位于长江中下游流域的西部地区,R10和R95T增加分别超过了2 d和0.6%。
(3) 用未来预估模式间的标准差来表示模式间的不确定性,发现对于大部分指数来说,流域的南部地区是不确定性的大值区域。而不确定性较低的区域位于流域的西部地区,表明未来流域西部地区极端降水频发且不确定性较低。
本研究的预估结果与已有的CMIP5预估结果存在较高的一致性,例如,Li等(2016)使用25个CMIP5得到中国21世纪前期极端降水的预估结果表现为在21世纪前期,PRCPTOT和SDII增加均未超过10%,这与本研究的结论是一致的。此外,Li等(2013)使用统计降尺度方法,给出全国21世纪初期的极端降水预估,发现整个长江中下游流域呈现一致的变化特征,但并没有体现细节的预估结果。而本研究发现R95T在21世纪前期增加,其他时段在整个长江中下游流域均减小,表明了极端降水对分辨率的敏感性。当然,本研究虽然能够给出更加细节的21世纪前期极端降水的特征,但由于基于动力降尺度结果的前期预估降水较少,因此需要进一步对比本研究与动力降尺度未来预估的结果(Feng, et al, 2011; Zou, et al, 2016)。对于降尺度预估结果不确定性的来源,在不同的预估时期,哪种不确定性所占的比重最大,如何定量不同来源不确定性的相对贡献也是未来的研究重点(Maraun, et al, 2010)。
陈活泼. 2013. CMIP5模式对21世纪末中国极端降水事件变化的预估. 科学通报, 58(12): 1462–1472. Chen H P. 2013. Projected change in extreme rainfall events in China by the end of the 21st century using CMIP5 models. Chin Sci Bull, 58(12): 1462–1472. (in Chinese) |
初祁, 徐宗学, 刘文丰, 等. 2015. 24个CMIP5模式对长江流域模拟能力评估. 长江流域资源与环境, 24(1): 81–89. Chu Q, Xu Z X, Liu W F, et al. 2015. Assessment on 24 global climate models in the CMIP5 over the Yangtze River. Resour Environ Yangtze Basin, 24(1): 81–89. (in Chinese) |
崔妍, 江志红, 陈威霖. 2010. 典型相关分析方法对21世纪江淮流域极端降水的预估试验. 气候变化研究进展, 6(6): 405–410. Cui Y, Jiang Z H, Chen W L. 2010. Projection of extreme precipitation events in the 21st century in the Changjiang-Huaihe River valley based on canonical correlation analysis. Adv Climate Change Res, 6(6): 405–410. (in Chinese) |
高涛, 谢立安. 2014. 近50年来中国极端降水趋势与物理成因研究综述. 地球科学进展, 29(5): 577–589. Gao T, Xie L A. 2014. Study on progress of the trends and physical causes of extreme precipitation in China during the last 50 years. Adv Earth Sci, 29(5): 577–589. DOI:10.11867/j.issn.1001-8166.2014.05.0577 (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. Chinese J Atmos Sci, 39(2): 260–270. (in Chinese) |
黄安宁, 张耀存. 2004. 海温季节和年际变化对东亚区域气候变率模拟的影响. 南京大学学报(自然科学), 40(3): 319–329. Huang A N, Zhao Y C. 2004. Impacts of seasonal and interannual variability of sea surface temperature on the climate variability over East Asia. J Nanjing Univ (Nat Sci), 40(3): 319–329. (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) |
李红梅, 周天军, 宇如聪. 2008. 近四十年我国东部盛夏日降水特性变化分析. 大气科学, 32(2): 358–370. Li H M, Zhou T J, Yu R C. 2008. Analysis of July-August daily precipitation characteristics variation in eastern China during 1958-2000. Chinese J Atmos Sci, 32(2): 358–370. (in Chinese) |
李秀萍, 徐宗学, 程华琼. 2012. 多模式集合预估21世纪淮河流域气候变化情景. 高原气象, 31(6): 1622–1635. Li X P, Xu Z X, Cheng H Q. 2012. Projection of climate change with various emission scenarios over Huaihe River Basin in the 21st Century. Plateau Meteor, 31(6): 1622–1635. (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) |
刘向培, 王汉杰, 何明元. 2012. 应用统计降尺度方法预估江淮流域未来降水. 水科学进展, 23(1): 29–37. Liu X P, Wang H J, He M Y. 2012. Estimation of precipitation under future climate scenarios in the Yangtze-Huaihe region using statistical downscaling. Adv Water Sci, 23(1): 29–37. (in Chinese) |
刘晓东, 程志刚, 张冉. 2009. 青藏高原未来30~50年A1B情景下气候变化预估. 高原气象, 28(3): 475–484. Liu X D, Cheng Z G, Zhang R. 2009. The A1B scenario projection for climate change over the Tibetan plateau in the Next 30~50 years. Plateau Meteor, 28(3): 475–484. (in Chinese) |
苏布达, 姜彤, 任国玉, 等. 2006. 长江流域1960-2004年极端强降水时空变化趋势. 气候变化研究进展, 2(1): 9–14. Su B D, Jiang T, Ren G Y, et al. 2006. Observed trends of precipitation extremes in the Yangtze River Basin during 1960 to 2004. Adv Climate Change Res, 2(1): 9–14. (in Chinese) |
王小玲, 翟盘茂. 2008. 1957-2004年中国不同强度级别降水的变化趋势特征. 热带气象学报, 24(5): 459–466. Wang X L, Zhai P M. 2008. Changes in China's precipitation in various categories during 1957-2004. J Trop Meteor, 24(5): 459–466. (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, 陈华, 张增信. 2009. 长江流域气候变化敏感区域的年降水量变化研究. 科技创新导报(8): 237. Zeng X F, Chen H, Zhang Z X. 2009. Research on precipitation change sensitive to climate change over Yangtze River Basin. Sci Technol Innov Herald(8): 237. (in Chinese) |
曾小凡, 周建中, 翟建青, 等. 2011. 2011-2050年长江中下游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) |
翟盘茂, 王萃萃, 李威. 2007. 极端降水事件变化的观测研究. 气候变化研究进展, 3(3): 144–148. Zhai P M, Wang C C, Li W. 2007. A review on study of change in precipitation extremes. Adv Climate Change Res, 3(3): 144–148. (in Chinese) |
翟颖佳, 李耀辉, 徐影. 2016. RCPs情景下中国北方地区干旱气候变化特征. 高原气象, 35(1): 94–106. Zhai Y J, Li Y H, Xu Y. 2016. Aridity change characteristics over northern region of China under RCPs scenario. Plateau Meteor, 35(1): 94–106. (in Chinese) |
张天宇, 范莉, 程炳岩, 等. 2010. 1961-2007年三峡库区极端降水指数R5d的变化规律及其未来情景预估. 中国农业气象, 31(2): 176–182. Zhang T Y, Fan L, Cheng B Y, et al. 2010. Variation of extreme precipitation index (maximum consecutive 5-day precipitation totals) in the three gorges during 1961-2007 and scenario projections. Chin J Agrometeor, 31(2): 176–182. (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. Chinese J Atmos Sci, 39(3): 559–570. DOI:10.3878/j.issn.1006-9895.1408.14136 (in Chinese) |
张增信, FraedrichK, 姜彤, 等. 2007. 2050年前长江流域极端降水预估. 气候变化研究进展, 3(6): 340–344. Zhang Z X, Fraedrich K, Jiang T, et al. 2007. Projection of future precipitation extremes change in the Yangtze River Basin for 2001-2050. Adv Climate Change Res, 3(6): 340–344. (in Chinese) |
Barnston A G, Mason S J, Goddard L, et al. 2003. Multimodel ensembling in seasonal climate forecasting at IRI. Bull Amer Meteor Soc, 84(12): 1783–1796. DOI:10.1175/BAMS-84-12-1783 |
Feng L, Zhou T J, Wu B, et al. 2011. Projection of future precipitation change over China with a high-resolution global atmospheric model. Adv Atmos Sci, 28(2): 464–476. DOI:10.1007/s00376-010-0016-1 |
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. |
Georgakakos K P, Seo D J, Gupta H, et al. 2004. Towards the characterization of streamflow simulation uncertainty through multimodel ensembles. J Hydrol, 298(1-4): 222–241. DOI:10.1016/j.jhydrol.2004.03.037 |
IPCC. 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. 2011. Extreme climate events in China: IPCC-AR4 model evaluation and projection. Climatic Change, 2012, 110(1-2): 385-401 |
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. |
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. |
Li W, Jiang Z H, Xu J J, et al. 2016. Extreme precipitation indices over China in CMIP5 models. Part Ⅱ:Probabilistic projection. J Climate, 29(24): 8989–9004. |
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. |
Maraun D, Wetterhall F, Ireson A M, et al. 2010. Precipitation downscaling under climate change:Recent developments to bridge the gap between dynamical models and the end user. Rev Geophys, 48(3): RG3003. |
Overland J E, Wang M Y. 2010. Large-scale atmospheric circulation changes are associated with the recent loss of Arctic sea ice. Tellus A, 62(1): 1–9. DOI:10.1111/j.1600-0870.2009.00421.x |
Palmer T N, Doblas-Reyes F J, Hagedorn R, et al. 2005. Probabilistic prediction of climate using multi-model ensembles:From basics to applications. Phil Trans Roy Soc B:Biol Sci, 360(1463): 1991–1998. DOI:10.1098/rstb.2005.1750 |
Raftery A E, Gneiting T, Balabdaoui F, et al. 2005. Using Bayesian model averaging to calibrate forecast ensembles. Mon Wea Rev, 133(5): 1155–1174. DOI:10.1175/MWR2906.1 |
Semenov M A, Stratonovitch P. 2010. Use of multi-model ensembles from global climate models for assessment of climate change impacts. Climate Res, 41(1): 1–14. |
Sheffield J, Goteti G, Wood E F. 2006. Development of a 50-year high-resolution global dataset of meteorological forcings for land surface modeling. J Climate, 19(13): 3088–3111. DOI:10.1175/JCLI3790.1 |
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 |
Thomson M C, Doblas-Reyes F J, Mason S J, et al. 2006. Malaria early warnings based on seasonal climate forecasts from multi-model ensembles. Nature, 439(7076): 576–579. DOI:10.1038/nature04503 |
Thrasher B, Maurer E P, McKellar C, et al. 2012. Technical Note:Bias correcting climate model simulated daily temperature extremes with quantile mapping. Hydrol Earth Syst Sci, 16(9): 3309–3314. DOI:10.5194/hess-16-3309-2012 |
Xu Y, Gao X J, Giorgi F. 2010. Upgrades to the reliability ensemble averaging method for producing probabilistic climate-change projections. Climate Res, 41(1): 61–81. |
You Q L, Kang S C, Aguilar E, et al. 2011. Changes in daily climate extremes in China and their connection to the large scale atmospheric circulation during 1961-2003. Climate Dyn, 36(11-12): 2399–2417. DOI:10.1007/s00382-009-0735-0 |
Zhou T J, Yu R C. 2006. Twentieth-century surface air temperature over China and the globe simulated by coupled climate models. J Climate, 19(22): 5843–5858. DOI:10.1175/JCLI3952.1 |
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. J Geophys Res, 121(6): 2691–2704. DOI:10.1002/2015JD024519 |