中国气象学会主办。
文章信息
- 李金洁, 王爱慧, 郭东林, 王丹. 2019.
- LI Jinjie, WANG Aihui, GUO Donglin, WANG Dan. 2019.
- 高分辨率统计降尺度数据集NEX-GDDP对中国极端温度指数模拟能力的评估
- Evaluation of extreme temperature indices over China in the NEX-GDDP simulated by high-resolution statistical downscaling models
- 气象学报, 77(3): 579-593.
- Acta Meteorologica Sinica, 77(3): 579-593.
- http://dx.doi.org/10.11676/qxxb2019.032
文章历史
-
2018-05-08 收稿
2018-12-08改回
2. 中国科学院大学, 北京, 100049
2. University of Chinese Academy of Sciences, Beijing 100049, China
随着全球气候变暖加剧,高温热浪、干旱、洪涝等各种极端天气和气候事件在中国频繁发生,其比例占中国各类自然灾害的70%以上(《气候变化国家评估报告》编写委员会,2007)。百年观测气温序列显示,中国陆地区域1909—2011年平均升温0.9—1.5℃(Cao, et al,2013)。1951—2004年,中国的年平均地表气温升高幅度约为1.3℃,升温速率接近0.25℃/(10 a),远高于全球同期平均升温速率(任国玉等,2005),极端低温的升温幅度明显高于极端高温(张宁等,2008;周雅清等,2010)。在中国发生的极端温度事件,其空间分布特征和类型存在明显的差异(任国玉等, 2010a, 2010b;Wang, et al,2013),影响范围和破坏程度具有群发性特征(赵俊虎等,2012)。近10年来,中国发生了诸多重大气象灾害,例如2009—2010年初西南大旱、2012年北京特大暴雨、2013年南方高温热浪、2017年长江中下游暴雨洪涝灾害等。政府间气候变化专门委员会(IPCC)第五次评估报告(AR5)指出,未来全球温度将会持续升高,极端天气和气候事件的发生将会更加频繁,这必将给未来中国社会和经济带来深远的影响。因此,在全球升温和未来持续升温的大背景下,对中国极端温度和极端温度事件的研究已成为中国气候变化领域的重要问题。
耦合模式比较计划第5阶段(CMIP5)全球气候系统模式是模拟历史和预估未来气候变化的主要工具,相比于CMIP3耦合模式,采用了更加合理的参数化方案、耦合器技术和通量处理方案,有效地改善了模式的模拟能力(Taylor, et al,2012;IPCC,2013)。全球气候系统模式能够模拟出气候变化的大尺度变化特征(IPCC,2007),再现极端气候的变化趋势(Tebaldi, et al,2006)。在基于CMIP5全球气候模式对中国极端温度的研究中发现,不同的模式对中国极端温度指数的模拟性能存在较大的差异(蒋帅等,2017),多模式集合平均的结果能较好地模拟出中国年际和季节温度随时间变化,以及极端温度指数的变化趋势和气候态的空间分布特征(Chen, et al,2015;Jiang, et al,2016)。CMIP5模式数据也被广泛应用于中国区域性低温事件以及未来极端温度的预估研究中(胡浩林等,2016;杨绚等,2014;段青云等,2016)。也有学者利用全球气候模式和区域气候模式的试验数据预估了在全球升温1.5与2.0℃情景下中国的气候变化情况(姜大膀等,2012;王安乾等,2017)。
然而,CMIP5中各个气候模式的空间分辨率较低且差异较大(表 1),在利用CMIP5数据进行研究时,通常利用插值方法将数据统一至相同的分辨率(1°—2°)(Chen, et al,2015;Jiang, et al,2016;蒋帅等,2017),但这一分辨率仍不能满足区域气候变化研究的需要。中国地形复杂,使得中国的气候研究对数据的分辨率要求较高,高分辨率的数据能较好地表现出中国气候变化的细节特征(Gao, et al,2012;Guo, et al,2016;高谦等,2017)。2015年6月,美国国家航空航天局发布了高分辨数据集NASA Earth Exchange/Global Daily Downscaled Projections(NEX-GDDP),它是将表 1中21个CMIP5的逐日降水、最高温度和最低温度数据通过统计降尺度方法转换至0.25°×0.25°分辨率。该数据集中包括了历史时期(1950—2005年)和两种情景下(RCP4.5、RCP8.5)预估时段(2006—2100年)的数据(Thrasher,et al,2013)。在对NEX-GDDP的模拟性能进行研究时发现:NEX-GDDP的逐日降雨数据对长江中下游地区极端降水的空间结构有较高的模拟能力,并且,极端降水的预估结果与已有的CMIP5预估结果存在较高的一致性(Li, et al,2016;周莉等,2018)。Bao等(2017)评估了NEX-GDDP中各模式集合平均对中国区域的模拟结果,表明NEX-GDDP包含了全球气候模式无法提供的区域-局地尺度的附加气候信息,在CMIP5模式已有变暖趋势不变的情况下,极大地缩小了模式模拟结果之间的标准差。Chen等(2017)评估了NEX-GDDP中21个模式对中国极端降水的模拟性能,结果表明,与CMIP5全球气候模式直接输出的结果相比,NEX-GDDP能够更好地刻画中国极端降水的空间分布,还利用NEX-GDDP对中国未来极端降水的分布进行了预估,发现中国未来极端降水事件的频次增多、强度增强。此外,NEX-GDDP在区域尺度上能够给出更多的气候变化信息。整体来说,相比于CMIP5全球气候系统模式的结果,NEX-GDDP对中国气候变化的模拟具有更好的表现(Bao, et al,2017;Chen, et al,2017;周莉等,2018)。因此,可以使用该数据集对中国极端温度事件进行研究。然而,由于气候模式的不确定性,不同模式的模拟性能存在差异(Hawkins, et al,2009;段青云等,2016)。尽管前人对NEX-GDDP中21个模式集合平均的模拟性能做了很好的评估,但NEX-GDDP中各个模式对极端温度指数的模拟能力尚不明确。基于以上认识,本研究利用1986—2005年中国地面气象台站的格点观测资料,评估了NEX-GDDP中21个模式对中国极端温度指数的模拟能力并优选模式,旨在为中国未来气候变化的预估以及相关评估提供依据。
模式名称 | 编号 | 所属国家 | 单位 | 分辨率格点数(经度×纬度) |
ACCESS1-0 | 1 | 澳大利亚 | CSIRO-BOM | 192×145 |
bcc-csm1-1 | 2 | 中国 | BCC | 192×145 |
BNU-ESM | 3 | 中国 | GCESS | 128×64 |
CanESM2 | 4 | 加拿大 | CCCMA | 128×64 |
CCSM4 | 5 | 美国 | NCAR | 288×192 |
CESM1-BGC | 6 | 美国 | NSF-DOE-NCAR | 288×192 |
CNRM-CM5 | 7 | 法国 | CERFACS | 256×128 |
CSIRO-Mk3-6-0 | 8 | 澳大利亚 | CSIRO-QCCCE | 192×96 |
GFDL-CM3 | 9 | 美国 | NOAA GFDL | 144×90 |
GFDL-ESM2G | 10 | 美国 | NOAA GFDL | 144×90 |
GFDL-ESM2M | 11 | 美国 | NOAA GFDL | 144×90 |
inmcm4 | 12 | 俄罗斯 | UNM | 144×90 |
IPSL-CM5A-LR | 13 | 法国 | IPSL | 144×90 |
IPSL-CM5A-MR | 14 | 法国 | IPSL | 144×90 |
MIROC5 | 15 | 日本 | MIROC | 256×128 |
MIROC-ESM | 16 | 日本 | MIROC | 128×64 |
MIROC-ESM-CHEM | 17 | 日本 | MIROC | 128×64 |
MPI-ESM-LR | 18 | 德国 | MPI-M | 192×96 |
MPI-ESM-MR | 19 | 德国 | MPI-M | 192×96 |
MRI-CGCM3 | 20 | 日本 | MRI | 320×160 |
NorESM1-M | 21 | 挪威 | NCC | 144×96 |
采用高分辨率统计降尺度数据集NEX-GDDP和中国地面气象台站的格点观测资料(CN05.1)的极端温度数据作为研究资料。CN05.1是基于1961年以来中国区域内2400多个地面气象台站的逐日观测数据,类似于Xu等(2009),使用距平逼近法,将各个气候变量的气候场和距平场分别插值后叠加得到格点化资料(吴佳等,2013),数据包括了3种空间分辨率:1°×1°、0.5°×0.5°和0.25°×0.25°。CN05.1现已被广泛用于研究气候变化、数据和模式评估中(孔祥慧等,2016;王丹等,2017)。NEX-GDDP数据长度包括历史时段(1950—2005年)、RCP4.5和RCP 8.5两种情景的未来预估数据(2006—2100年),空间分辨率为0.25°×0.25°,数据下载地址:https://nex.nasa.gov/nex/projects/1356/。在IPCC第5次报告中,将历史参考时段定义为1986—2005年,为了和IPCC报告中保持一致,文中将该时段作为评估时段,采用CN05.1数据集中的日最高和最低温度数据(分辨率:0.25°×0.25°)作为参考,评估NEX-GDDP中21个模式对中国极端温度指数的模拟能力。
世界气象组织(WMO)气候委员会和气候变率与可预测性研究计划(Climate Variability and Predictability Program,CLIVAR)联合设立的气候变化检测和指数专家组(Expert Team on Climate Change Detection and Indices,ETCCDI)提出了27个气候指数,其中,有16个表征极端温度事件。极端温度指数具有对气候变化敏感、稳定性高等特点,可以定量客观地描述极端温度事件的变化(Easterling,et al,2003)。在利用极端温度指数进行研究时,主要从趋势和气候突变等角度进行变化检测分析(《第三次气候变化国家评估报告》编写委员会,2015)。本研究选用日最低温度最大值(TNx)、日最高温度最大值(TXx)、暖夜指数(TN90p)和暖昼指数(TX90p)来研究中国极端温度事件的变化。其中,日最低温度最大值和日最高温度最大值分别指逐日极端高温和极端低温的最大值,暖夜指数和暖昼指数分别指极端最低温度和极端高温大于基准时段1961—1990年90%分位数的天数百分率。这4个指数能够反映出某个时段内极端温度事件的发生幅度和频次。首先,根据NEX-GDDP中21个模式和CN05.1的极端温度数据(日最高和最低温度),计算出1986—2005年中国区域的4个极端温度指数,详细分析各个指数及其线性趋势的变化特征;其次,以CN05.1的结果作为参考,评估NEX-GDDP中的21个模式对中国4个极端温度指数变化趋势和气候态平均值的模拟能力,并基于评估结果来优选模式;最后,分析优选模式集合平均模拟和观测的各个指数变化趋势和气候态平均值的空间分布特征。
在评估模式时,选用模拟结果和观测值的标准差之比(σx/σy)、相关系数(r)和中心化均方根误差(RMSE)作为统计量。Ranking排序法可以求出某个数值在特定序列中的排名。在研究中,利用这3个统计量的结果,使用Ranking排序方法分别将21个模式对每一个指数的模拟能力进行排序,最终得出21个模式分别对4个指数模拟能力的排名。然后,将每一个模式对4个指数的排名进行累和,使用Ranking排序方法再次对累和结果进行排序,作为模式对4个指数综合模拟能力的结果。3个统计量的计算式为
(1) |
(2) |
(3) |
(4) |
式中,xi表示模式模拟结果,x为模拟结果平均值,yi表示观测值,y为观测结果的平均值,n表示格点总数。
3 结果分析 3.1 极端温度指数的时序变化图 1给出了1986—2005年模式模拟和观测的中国极端温度指数区域平均的时间序列变化。对于日最低温度最大值、日最高温度最大值和暖夜指数,观测数据的20年平均值依次为17.99℃、30.43℃、18.50%,均大于模式模拟结果的平均值,而且大多数模式逐年的模拟结果比观测值低。暖昼指数的模拟结果在实测值附近上下波动,21个模式模拟结果的20年平均值在12.82%—17.71%,而观测值为15.36%。结合1986—2005年日最低温度最大值、日最高温度最大值、暖夜指数和暖昼指数的线性变化趋势(表 2),各个指数的观测值均呈现上升趋势,其值依次为0.58℃/(10 a)、0.50℃/(10 a)、7.51%/(10 a)和5.26%/(10 a)。与观测结果相比,除MRI-CGCM3模拟的日最高温度最大值体现出相反的趋势外,其余各个模式对4个指数的模拟也均为上升趋势,但上升幅度与观测存在差异。模拟结果的上升速率相对观测平均偏低了0.26℃/(10 a)(日最低温度最大值)、0.19℃/(10 a)(日最高温度最大值)、2.21%/(10 a)(暖夜指数)和1.04%/(10 a)(暖昼指数)。此外,在实际观测结果中,日最低温度最大值和暖夜指数的上升趋势均大于其余两个指数(日最高温度最大值和暖昼指数),模式能模拟出这一变化特征。图 1和表 2的结果均表明,模式的模拟结果之间、模拟结果与观测值之间均存在着较大的差异。同时,各个极端指数及其变化趋势的模拟结果整体上比观测值偏低。
模式 | TNx | TXx | TN90p | TX90p |
(℃/(10 a)) | (%/(10 a)) | |||
ACCESS1-0 | 0.35 | 0.36 | 7.94 | 7.04 |
bcc-csm1-1 | 0.30 | 0.23 | 3.90 | 3.26 |
BNU-ESM | 0.24 | 0.31 | 5.34 | 3.83 |
CanESM2 | 0.49 | 0.79 | 6.71 | 5.90 |
CCSM4 | 0.65 | 1.01 | 5.90 | 5.22 |
CESM1-BGC | 0.38 | 0.61 | 4.95 | 4.29 |
CNRM-CM5 | 0.39 | 0.16 | 5.81 | 3.44 |
CSIRO-Mk3-6-0 | 0.38 | 0.10 | 5.86 | 3.42 |
GFDL-CM3 | 0.26 | 0.33 | 5.69 | 5.70 |
GFDL-ESM2G | 0.28 | 0.11 | 5.21 | 3.44 |
GFDL-ESM2M | 0.19 | 0.29 | 5.40 | 5.44 |
inmcm4 | 0.07 | 0.01 | 2.91 | 2.40 |
IPSL-CM5A-LR | 0.36 | 0.39 | 6.54 | 5.57 |
IPSL-CM5A-MR | 0.57 | 0.50 | 6.51 | 5.91 |
MIROC5 | 0.44 | 0.21 | 4.85 | 2.75 |
MIROC-ESM | 0.14 | 0.30 | 4.97 | 3.86 |
MIROC-ESM-CHEM | 0.13 | 0.08 | 3.38 | 2.01 |
MPI-ESM-LR | 0.20 | 0.11 | 4.70 | 4.19 |
MPI-ESM-MR | 0.45 | 0.56 | 6.77 | 6.05 |
MRI-CGCM3 | 0.18 | -0.09 | 3.66 | 2.31 |
NorESM1-M | 0.24 | 0.08 | 4.31 | 2.82 |
观测 | 0.58 | 0.50 | 7.51 | 5.26 |
注:黑体代表趋势的显著性水平为0.05。 |
中国发生的极端天气、气候事件具有区域差异性大、季节性强的特征。在评估模式时,需要注意模拟结果在区域尺度上的变化特征,所以,将依据各个极端指数的气候态平均值和变化趋势在空间场上的分布结果来评估模式。
3.2.1 极端温度指数变化趋势图 2给出了1986—2005年模式模拟的极端温度指数变化趋势与观测结果的标准差比值、相关系数和中心化均方根误差。对于日最低温度最大值、日最高温度最大值、暖夜指数和暖昼指数,模式结果和观测场标准差的比值在0.45—2.52,各个模拟结果与观测值的相关系数均小于0.59,日最低温度最大值和日最高温度最大值的中心化均方根误差为0.05—0.12℃,暖夜指数和暖昼指数的中心化均方根误差为0.16%—0.39%。根据图 2的结果对21个模式的模拟能力进行排序(图 3),结果表明,模式对不同指数的模拟能力有明显差异,在21个模式中,BNU-ESM对暖昼指数的模拟仅次于模拟能力最优的bcc-csm1-1,但对其余3个指数模拟能力均较差。而ACCESS1-0和CNRM-CM5对4个指数的模拟能力均较差。对于不同的指数存在不同的最优模式,对日最低温度最大值、日最高温度最大值、暖夜指数和暖昼指数模拟能力最好的模式分别为CCSM4、CESM1-BGC、MIROC-ESM-CHEM和bcc-csm1-1。对4个指数综合模拟能力较强的前5个模式依次为MPI-ESM-MR、MIROC-ESM-CHEM、IPSL-CM5A-LR、bcc-csm1-1和CanESM2。
3.2.2 极端温度指数的气候态通过计算得出1986—2005年模式模拟的极端温度指数气候态平均场和观测场的标准差比值、相关系数、中心化均方根误差(图 4)以及21个模式模拟能力的排名(图 5)。可以看出,对于日最低温度最大值和日最高温度最大值,模式模拟结果和观测值的标准差相近,其比值在1.00—1.12,相关系数高达0.97以上,中心化均方根误差在1.51—1.91℃,模拟和观测值的相似度高,数据的空间变率较为一致,模拟能力最优的模式分别为MIROC5和inmcm4。暖夜指数和暖昼指数模拟结果和观测结果的中心化均方根误差集中在1.6%—3.47%,相关系数均小于0.50,标准差的比值为0.34—1.58。将21个模式对暖夜指数和暖昼指数的模拟能力进行对比发现,MIROC-ESM-CHEM对暖夜指数模拟能力最优,但它对暖昼指数的模拟能力较弱(第18位)。除了MIROC-ESM-CHEM外,其余20个模式对两个指数的模拟能力相对一致,对暖昼指数模拟能力较优的模式,对暖夜指数的模拟能力也相对较优。其中,CESM1-BGC是对暖夜指数模拟能力最好的模式,对4个指数综合模拟能力较强的5个模式依次为CanESM2、CNRM-CM5、NorESM1-M、CESM1-BGC和ACCESS1-0。
3.3 优选模式的结果分析在CMIP5气候模式中,各个模式对极端指数气候态平均值和变化趋势的模拟能力不相同并且存在较大差异,对变化趋势模拟较优的模式,往往对气候态的模拟能力较差(蒋帅等,2017)。不同模式的模拟性能存在差异,这些差异主要来自于模式的结构框架、模式对物理过程的描述和模式中物理参数的选取的不同,因此,模式的不确定性客观存在。NEX-GDDP中各个模式对极端温度指数模拟能力体现出了很大的不确定性(图 3、5)。对于同一指数,不同模式模拟结果之间存在较大差异,而同一模式对不同极端指数的模拟能力也存在差异。所以,需比较模式对各个指数的综合模拟能力的评估结果去优选模式。比较NEX-GDDP中21个模式的综合模拟能力(图 6)后发现,CNRM-CM5和MPI-ESM-MR4对极端指数气候态平均值和变化趋势空间场的综合模拟能力差别较大。但不是所有模式均如此,CanESM2、CESM1-BGC和MIROC-ESM-CHEM对极端温度指数的变化趋势和气候态平均值的综合模拟能力均较强。因此,将这3个模式作为本研究的优选模式。
3.3.1 优选模式集合平均结果图 7给出了观测和优选模式集合平均模拟的极端温度指数变化趋势的空间分布。观测结果显示,在1986—2005年各个极端温度指数在中国范围内主要体现出增大的趋势并且存在明显的区域差异。与观测结果相比,优选模式集合平均的模拟结果整体低估了各个指数的上升速率,观测的日最低温度最大值和日最高温度最大值在青海、东北、新疆局部地区的上升趋势显著偏高,而模拟结果没有表现出这一特征,暖夜指数观测结果的高值区集中在青藏高原、新疆和青海地区,其范围大致在(11%—14%)/(10 a),而模拟结果在8%/(10 a)以下。在全国大部分地区,观测的暖昼指数在(4%—7%)/(10 a),模拟结果普遍小于5%/(10 a)。模式模拟和观测的暖夜指数和暖昼指数均体现出以100°E为分界线东高西低的分布特征。图 8给出了1986—2005年观测和模拟的极端温度指数气候态空间分布。对于日最低温度最大值和日最高温度最大值指数,优选模式集合平均和观测的高值区域集中分布在新疆以及长江以南地区,除了优选模式集合平均模拟结果的日最低温度最大值在青藏高原地区出现局部偏低外,观测和模拟的指数变化和分布特征都较为一致。对于其余两个指数(暖夜指数和暖昼指数),模式和观测均反映出长江以南地区明显偏大的特征,但是整体上模拟结果低于观测。观测结果中,暖夜指数和暖昼指数的高值区分别位于青藏高原和内蒙古的局部区域,其结果集中在21%(暖夜指数)和18%(暖昼指数),而对应的优选模式集合平均结果大约在17%(暖夜指数)和15%(暖昼指数)且也没有体现这两个指数在青藏高原和内蒙古地区明显偏高的区域变化特征。
3.3.2 优选模式和所有模式集合结果的比较将优选模式集合平均和21个模式集合平均的模拟结果进行了对比。对于日最低温度最大值、日最高温度最大值气候态平均值和暖昼指数变化趋势的空间分布,观测和模拟结果之间无明显差别。优选模式集合平均对日最低温度最大值变化趋势的模拟略差于所有模式集合平均的结果,它们与观测值的相关系数分别为0.39、0.47。从暖夜指数和暖昼指数的气候态平均值以及日最高温度最大值和暖夜指数的变化趋势来看,优选模式集合平均结果与观测值的相关系数依次为0.58、0.37、0.43和0.48,而所有模式集合平均结果与观测值的相关系数为0.39、0.29、0.19和0.11。由前文可知,优选模式集合平均结果在全国范围内普遍低估了极端温度指数及其上升趋势,尽管如此,其结果整体上明显优于所有模式的集合平均结果。所以,在对中国未来极端温度预估以及与极端温度相关的科学研究中,选择优选模式集合结果更加合理。
4 结论利用1986—2005年中国地面气象台站观测的格点化逐日气温资料(CN05.1),选用日最低温度最大值、日最高温度最大值、暖夜指数和暖昼指数表征极端温度事件的变化,评估了NEX-GDDP中21个模式对中国极端温度指数的模拟能力。所得结果归纳如下:
(1) 除了MRI-CGCM3模拟的日最高温度最大值之外,各模式模拟的1986—2005年中国极端温度指数的变化均体现出与观测相同的上升趋势,但模拟结果的变化趋势相对于观测平均偏低0.26℃/(10 a)(日最低温度最大值)、0.19℃/(10 a)(日最高温度最大值)、2.21%/(10 a)(暖夜指数)和1.04%/(10 a)(暖昼指数)。日最低温度最大值和暖夜指数的模拟结果和观测值的上升趋势均高于其余两个指数(日最高温度最大值和暖昼指数)。
(2) 关于日最低温度最大值、日最高温度最大值、暖夜指数和暖昼指数的变化趋势在空间上的分布,模式模拟结果与观测值的中心化均方根误差的范围是0.05—0.12℃(日最低温度最大值和日最高温度最大值)和0.16%—0.39%(暖夜指数和暖昼指数),对这4个指数模拟能力最好的模式分别为CCSM4、CESM1-BGC、MIROC-ESM-CHEM和bcc-csm1-1。日最低温度最大值和日最高温度最大值气候平均场的模拟值与观测值的相关系数在0.97以上,MIROC5、inmcm4分别对它们的模拟能力最优。其余两个指数(暖夜指数和暖昼指数)气候态模拟值与观测结果的中心化均方根误差集中在1.6%—3.47%,标准差比值范围为0.34—1.58,模拟能力最好的模式为MIROC-ESM-CHEM(暖夜指数)和CESM1-BGC(暖昼指数)。
(3) 在21个模式中,存在对极端温度指数在气候态平均值及变化趋势综合模拟能力差别较大的模式,例如:CNRM-CM5和MPI-ESM-MR4。但不是所有模式都是如此,CanESM2、CESM1-BGC、MIROC-ESM-CHEM对它们的综合模拟能力均较强,因此,将这3个模式作为本研究的优选模式。
(4) 与观测结果相比,优选模式集合平均结果在全国范围内普遍低估了各极端指数及其上升趋势,没有模拟出它们在局部地区显著偏高的变化特征。例如:在青藏高原、新疆和青海局部地区,暖夜指数变化趋势的高值分布在(11%—14%)/(10 a),模式结果在8%/(10 a)以下。暖夜指数、暖昼指数气候平均场的实测结果高值区分别位于青藏高原和内蒙古,其观测值分别集中在21%(暖夜指数)和18%(暖昼指数),优选模式集合平均结果为17%(暖夜指数)和15%(暖昼指数)。尽管如此,优选模式集合平均结果整体上仍明显优于所有模式集合平均结果。
本研究给出了各个模式对4个指数在变化趋势和气候态平均值模拟能力的评估结果,并得出对4个指数综合模拟能力较好的3个优选模式,这些结论可为中国未来气候变化的预估以及极端温度事件的研究提供依据。本研究选择综合模拟能力相对较好的模式作为优选模式,也可以采用给性能较优的模式更大权重系数的方法来优选模式(Santer, et al,2009),评估模式时,在ETCCDI的27个监测气候指数中,包括了16个可以表征极端温度事件的指数,在利用极端温度指数进行模式评估时,选用不同的指数会有不同的评估结果(蒋帅等,2017;Chen, et al,2015)。选出的4个极端温度指数来反映极端温度的变化,其结果具有一定的局限性。在今后的研究中,可以将根据不同指数所得的研究结论进行汇总,也可以在研究中选用更多不同意义的指数,来丰富和夯实评估结果。
致谢: 感谢高学杰老师提供的极端温度观测数据。
《第三次气候变化国家评估报告》编写委员会. 2015. 第三次气候变化国家评估报告. 2版. 北京: 科学出版社. Third National Committee on Climate Change Assessment Report. 2015. National Assessment Report on Climate Change. 2nd ed. Beijing: Science Press. (in Chinese) |
段青云, 夏军, 缪驰远, 等. 2016. 全球气候模式中气候变化预测预估的不确定性. 自然杂志, 38(3): 182–188. Duan Q Y, Xia J, Miao C Y, et al. 2016. The uncertainty in climate change projections by global climate models. Chinese J Nat, 38(3): 182–188. (in Chinese) |
高谦, 江志红, 李肇新. 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. 气象学报, 75(6): 917–933. Gao Q, Jiang Z H, Li Z X. 2017. Simulation and evaluation of multi-model dynamical downscaling of temperature extreme indices over the middle and east China. Acta Meteor Sinica, 75(6): 917–933. (in Chinese) |
胡浩林, 任福民. 2016. CMIP5模式集合对中国区域性低温事件的模拟与预估. 气候变化研究进展, 12(5): 396–406. Hu H L, Ren F M. 2016. Simulation and projection for China's regional low temperature events with CMIP5 multi-model ensembles. Climate Change Res, 12(5): 396–406. (in Chinese) |
姜大膀, 富元海. 2012. 2℃全球变暖背景下中国未来气候变化预估. 大气科学, 36(2): 234–246. Jiang D B, Fu Y H. 2012. Climate change over China with a 2℃ global warming. Chinese J Atmos Sci, 36(2): 234–246. (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. (in Chinese) |
孔祥慧, 毕训强. 2016. 利用区域气候模式对我国南方百年气温和降水的动力降尺度模拟. 气候与环境研究, 21(6): 711–724. Kong X H, Bi X Q. 2016. Simulation of temperature and precipitation during the last 100 years over southern China by a regional climate model. Clim Environ Res, 21(6): 711–724. (in Chinese) |
《气候变化国家评估报告》编写委员会. 2007.气候变化国家评估报告.北京: 科学出版社. National Committee on Climate Change Assessment Report. 2007. National Assessment Report on Climate Change. Beijing: Science Press (in Chinese) |
任国玉, 徐铭志, 初子莹, 等. 2005. 近54年中国地面气温变化. 气候与环境研究, 10(4): 717–727. Ren G Y, Xu M Z, Chu Z Y, et al. 2005. Changes of surface air temperature in China during 1951-2004. Clim Environ Res, 10(4): 717–727. (in Chinese) |
任国玉, 陈峪, 邹旭恺, 等. 2010a. 综合极端气候指数的定义和趋势分析. 气候与环境研究, 15(4): 354–364. Ren G Y, Chen Y, Zou X K, et al. 2010a. Definition and trend analysis of an integrated extreme climatic index. Clim Environ Res, 15(4): 354–364. (in Chinese) |
任国玉, 封国林, 严中伟. 2010b. 中国极端气候变化观测研究回顾与展望. 气候与环境研究, 15(4): 337–353. Ren G Y, Feng G L, Yan Z W. 2010b. Progresses in observation studies of climate extremes and changes in mainland China. Clim Environ Res, 15(4): 337–353. (in Chinese) |
王安乾, 苏布达, 王艳君, 等. 2017. 全球升温1.5℃与2.0℃情景下中国极端低温事件变化与耕地暴露度研究. 气象学报, 75(3): 415–428. Wang A Q, Su B D, Wang Y J, et al. 2017. Variation of the extreme low-temperature events and farmland exposure under global warming of 1.5℃ and 2.0℃. Acta Meteor Sinica, 75(3): 415–428. (in Chinese) |
王丹, 王爱慧. 2017. 1901~2013年GPCC和CRU降水资料在中国大陆的适用性评估. 气候与环境研究, 22(4): 446–462. Wang D, Wang A H. 2017. Applicability assessment of GPCC and CRU precipitation products in China during 1901 to 2013. Clim Environ Res, 22(4): 446–462. (in Chinese) |
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. 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. (in Chinese) |
杨绚, 李栋梁, 汤绪. 2014. 基于CMIP5多模式集合资料的中国气温和降水预估及概率分析. 中国沙漠, 34(3): 795–804. Yang X, Li D L, Tang X. 2014. Probability assessment of temperature and precipitation over China by CMIP5 multi-model ensemble. J Desert Res, 34(3): 795–804. (in Chinese) |
张宁, 孙照渤, 曾刚. 2008. 1955-2005年中国极端气温的变化. 南京气象学院学报, 31(1): 123–128. Zhang N, Sun Z B, Zeng G. 2008. Change of extreme temperatures in China during 1955-2005. J Nanjing Inst Meteor, 31(1): 123–128. DOI:10.3969/j.issn.1674-7097.2008.01.017 (in Chinese) |
赵俊虎, 王启光, 支蓉, 等. 2012. 中国极端温度的群发性研究. 气象学报, 70(2): 302–310. Zhao J H, Wang Q G, Zhi R, et al. 2012. A study of the extreme temperature group-occurring events in China. Acta Meteor Sinica, 70(2): 302–310. (in Chinese) |
周莉, 兰明才, 蔡荣辉, 等. 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. 气象学报, 76(1): 47–61. Zhou L, Lan M C, Cai R H, et al. 2018. Projection and uncertainties of extreme precipitation over the Yangtze River valley in the early 21st century. Acta Meteor Sinica, 76(1): 47–61. (in Chinese) |
周雅清, 任国玉. 2010. 中国大陆1956-2008年极端气温事件变化特征分析. 气候与环境研究, 15(4): 405–417. Zhou Y Q, Ren G Y. 2010. Variation characteristics of extreme temperature indices in mainland China during 1956-2008. Clim Environ Res, 15(4): 405–417. (in Chinese) |
Bao Y, Wen X Y. 2017. Projection of China's near-and long-term climate in a new high-resolution daily downscaled dataset NEX-GDDP. J Meteor Res, 31(1): 236–249. DOI:10.1007/s13351-017-6106-6 |
Cao L J, Zhao P, Yan Z W, et al. 2013. Instrumental temperature series in eastern and central China back to the nineteenth century. J Geophys Res Atmos, 118(15): 8197–8207. DOI:10.1002/jgrd.50615 |
Chen H P, Sun J Q. 2015. Assessing model performance of climate extremes in China:An intercomparison between CMIP5 and CMIP3. Clim Change, 129(1-2): 197–211. DOI:10.1007/s10584-014-1319-5 |
Chen H P, Sun J Q, Li H X. 2017. Future changes in precipitation extremes over China using the NEX-GDDP high-resolution daily downscaled data-set. Atmos Ocean Sci Lett, 10(6): 403–410. DOI:10.1080/16742834.2017.1367625 |
Easterling D R, Alexander L V, Mokssit A, et al. 2003. CCI/CLIVAR workshop to develop priority climate indices. Bull Amer Meteor Soc, 84(10): 1403–1407. DOI:10.1175/BAMS-84-10-1409 |
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. DOI:10.1007/s11434-011-4935-8 |
Guo D L, Wang H J. 2016. Comparison of a very-fine-resolution GCM with RCM dynamical downscaling in simulating climate in China. Adv Atmos Sci, 33(5): 559–570. DOI:10.1007/s00376-015-5147-y |
Hawkins E, Sutton R. 2009. The potential to narrow uncertainty in regional climate predictions. Bull Amer Meteor Soc, 90(8): 1095–1108. DOI:10.1175/2009BAMS2607.1 |
IPCC. 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. Cambridge: Cambridge University Press: 996pp. |
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: 1535pp. |
Jiang D B, Tian Z P, Lang X M. 2016. Reliability of climate models for China through the IPCC third to fifth assessment reports. Int J Climatol, 36(3): 1114–1133. DOI:10.1002/joc.2016.36.issue-3 |
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. DOI:10.1175/JCLI-D-16-0377.1 |
Santer B D, Taylor K E, Gleckler P J, et al. 2009. Incorporating model quality information in climate change detection and attribution studies. Proc Natl Acad Sci USA, 106(35): 14778–14783. DOI:10.1073/pnas.0901736106 |
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 |
Tebaldi C, Hayhoe K, Arblaster J, et al. 2006. Going to the extremes:An intercomparison of model-simulated historical and future changes in extreme events. Clim Change, 79(3-4): 185–211. DOI:10.1007/s10584-006-9051-4 |
Thrasher B, Xiong J, Wang W L, et al. 2013. Downscaled climate projections suitable for resource management. Eos, Trans Amer Geophys Union, 94(37): 321–323. |
Wang A H, Fu J J. 2013. Changes in daily climate extremes of observed temperature and precipitation in China. Atmos Oceanic Sci Lett, 6(5): 312–319. DOI:10.1080/16742834.2013.11447100 |
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. |