高原气象

高原气象 >

2020 , Vol. 39 >Issue 1: 68 - 79

DOI: https://doi.org/10.7522/j.issn.1000-0534.2019.00007

论文

基于CMIP5模式对四川盆地湿季降水与极端降水的研究

  • 于灏 , 1 ,
  • 周筠珺 , 2 ,
  • 李倩 3 ,
  • 姜琪 2 ,
  • 邱威腾 4 ,
  • 吴笛 5 ,
  • 崔雪锋 , 1
展开
  • 1. 北京师范大学系统科学学院, 北京　 100875
  • 2. 成都信息工程大学大气科学学院高原大气与环境四川省重点实验室, 四川 成都　610225
  • 3. 中国科学院大气物理研究所中层大气与全球环境探测重点实验室, 北京　 100029
  • 4. 北京师范大学地表过程与资源生态国家重点实验室, 北京　 100875
  • 5. 中国科学院西北生态环境资源研究院, 甘肃 兰州;730000
崔雪锋（1976 -）， 男， 山西临汾人， 教授， 主要从事气候变化、 土地利用、粮食安全等方面的研究. E-mail:
周筠珺（1968 -）， 男， 四川成都人， 教授， 主要从事云降水物理学等方面的研究. E-mail:

于灏（1996 -），男， 江苏常州人， 硕士， 主要从事全球气候变化、 极端事件等方面的研究. E-mail:

收稿日期: 2018-08-10

  修回日期: 2019-01-18

  网络出版日期: 2020-02-28

基金资助

国家自然科学基金项目(91637104)

成都市科技惠民技术研发项目(2016-HM01-00038-SF)

成都市科技专项(2018-ZM01-00038-SN)

收起

Study on Precipitation and Extreme Precipitation in the Wet Season in Sichuan Basin based on CMIP5 Models

  • Hao YU , 1 ,
  • Yunjun ZHOU , 2 ,
  • Qian LI 3 ,
  • Qi JIANG 2 ,
  • Weiteng QIU 4 ,
  • Di WU 5 ,
  • Xuefeng CUI , 1
Expand
  • 1. School of Systems Science, Beijing Normal University, Beijing　 100875, China
  • 2. Department of Atmospheric Sciences, Chengdu University of Information Technology, Chengdu　 610225, Sichuan, China
  • 3. Key Laboratory of Middle Atmosphere and Global Environment Observation, Institute of Atmospheric Physics, Chinese Academy of Sciences, Beijing　 100029, China
  • 4. State Key Laboratory of Earth Surface Processes and Resource Ecology, Beijing Normal University, Beijing　 100087, China
  • 5. Northwest Institute of Ecological and Environmental Resources, Chinese Academy of Sciences, Lanzhou　 730000, Gansu, China

Received date: 2018-08-10

  Revised date: 2019-01-18

  Online published: 2020-02-28

Fold

本文亮点

四川盆地是中国重要的农业和经济中心, 湿季降水尤其极端降水情况显得尤为重要。基于“国际耦合模式比较计划第五阶段”（CMIP5）的多个模式结果评估未来湿季降水和极端降水的可能变化。首先, 利用CRU数据检验了模式对1971 -2000年5 -9月四川盆地降水的模拟能力。结果显示, 31个模式中有17个模式的模拟能力较好, 通过99%的空间相关性信度检验, 重现了“东多西少”的空间形态。有21个模式与观测值的标准差之比小于2.5, 所有模式的平均偏差率都小于50%。在此基础上, 选取表现最好的3个模式, 在订正后做模式集合平均（MME）, 展示在RCP2.6、 RCP4.5、 RCP8.5的情形下, 21世纪初期（2010 -2039年）、 中期（2040 -2069年）、 末期（2070 -2099年）四川盆地湿季平均降水和湿季极端降水阈值的空间分布特征。结果显示, 在RCP2.6的情形下, 相对于1971 -2000年的气候平均态, 四川盆地湿季降水自东向西呈现“减-增-减”的形势, 并且随着时间变化并无明显变化。在RCP4.5与RCP8.5的情形下, 特征与RCP2.6不同, 自东向西呈现“增-减-增”的形势。盆地东部湿季平均降水普遍增多, 部分区域的变率达到了20%。对于极端降水阈值空间分布, 特征与平均降水类似, 三种情形下高值区均为在盆地中部偏东的一条南北走向的狭长带状区域。该区域内包括了成都、 雅安、 眉山、 乐山等四川主要城市, 并且随时间变化, 该区域还有扩大的趋势, 而RCP8.5模拟的降水要显著多于另两种情形。此外研究还发现, 在全球变暖的背景下, 四川盆地某一区域湿季平均降水减少的情况下, 其极端降水阈值一定降低, 反之不一定成立。只有当平均降水增幅超过10%时, 该地区极端降水阈值才会增加。

本文引用格式

于灏 , 周筠珺 , 李倩 , 姜琪 , 邱威腾 , 吴笛 , 崔雪锋 . 基于CMIP5模式对四川盆地湿季降水与极端降水的研究[J]. 高原气象, 2020 , 39(1) : 68 -79 . DOI: 10.7522/j.issn.1000-0534.2019.00007

Highlights

Sichuan Basin is an important agricultural and economic center in China.Precipitation in wet season, especially extreme precipitation, is particularly important.This paper evaluates possible future changes in wet season precipitation and extreme precipitation based on multiple model results of the Coupled Model Inter-comparison Project Phase 5(CMIP5).First, the CRU data was used to test the models' ability to simulate the May-September precipitation in Sichuan Basin from 1971 to 2000.The results show that 17 of the 31 models had better simulation capabilities, and pass the 99% of the spatial correlation reliability test.The results successfully reproduce the spatial pattern of “east more and west less”.The ratio of the standard deviation of 21 patterns to observations is less than 2.5.The average precipitation bias of all models is less than 50%.On this basis, we select three best-performing models, and after the correction we will perform the MME to display the spatial distribution characteristics of average precipitation and wet season extreme precipitation thresholds in the Sichuan Basin in early 21st century (2010 -2039)、 middle period (2040 -2069) and late period (2070 -2099), in the case of RCP2.6, RCP4.5, and RCP8.5.The results show that in the case of RCP2.6, compared to the climatology of 1971 -2000, precipitation in wet season of Sichuan Basin shows a "decreasing-increasing-decreasing" trend from east to west, and there is no obvious change over time.In the case of RCP4.5 and RCP8.5, the characteristics are different from those of RCP2.6, showing a "increasing-decreasing-increasing" situation from east to west.The average precipitation in wet season in the east of basin generally increases, and the variability in some regions even reached 20%.For the spatial distribution of extreme precipitation thresholds, the characteristics are similar to the average precipitation.In the three cases, the large-value areas are in a north-south trending strip-like zone in the east of the basin.This area includes major cities in Sichuan, such as Chengdu, Ya'an, Meishan, Leshan, and it has an increasing trend over time.The precipitation simulated by RCP8.5 is significantly more than the other two cases.In addition, the study finds that under the background of global warming, if the average precipitation in wet season in a certain area of the Sichuan Basin decreases, and the extreme precipitation threshold must be reduced, but the opposite is not necessarily true.Only when the average precipitation increases by more than 10% will the threshold of extreme precipitation in that area increase.

1 引言

对极端天气事件的研究是气候变化研究领域非常重要的方面（Alexander et al, 2006; Beniston et al, 2007; Brown et al, 2010）。在气候变暖的背景下, 极端气温和降水事件变得更加复杂多变。IPCC AR5报告表明, 在气候变化背景下, 人类活动可能会导致极端降水事件的增加（Hartmann et al, 2013）。中国是极端气温和降水事件多发的国家, 不断增加的极端气温和降水事件给国家社会经济和人民生命财产带来严重的影响（吴绍洪等, 2012）。研究未来极端气温和降水事件的可能变化, 不仅具有重要的科学意义, 同时具有重大的应用价值。随着耦合了陆面过程、 海洋模式、 大气污染等各种过程的新一代地球系统模式的发展, 未来气候情景的模拟结果为研究未来可能变化趋势提供了重要的科学支持。国际耦合模式比较计划（CMIP）于2008年5月开展了第五阶段计划（CMIP5）, 集合了全球40多个模式, 而且模型的模拟能力较之前大大提高（Jiang et al, 2013; 常燕等, 2016； 任清等， 2017； 张蓓等， 2017）。
针对极端降水的研究取得了很多进展, 首先是极端降水的阈值的确定。国内外通常采用非参数法的相对阈值, 即由降水事件序列的百分位数来界定极端降水的阈值, 例如将超过降水序列 95%或99%分位数的降水事件定义为极端降水（翟盘茂等, 2003）。这种定义的优势在于筛选出的极端降水事件具有代表性, 更能突出“极端”的特征。在我国还有一种定义, 即把日降水量大于50 mm的称做暴雨, 把日降水量大于25 mm的称做大雨(翟盘茂等, 2003; Liu et al, 2014), 这种定义较为方便, 但不利于研究极端降水事件的主要成因。并且由于我国降雨存在很大的地区性差异, 所以这样的定义方法并不准确。同时, 不同的极端降水阈值界定方式直接影响了对其特征及演变规律的研究（孔锋等, 2017）。其次, 对于极端降水的趋势变化, 翟盘茂等（2007）指出近50年来, 我国降水强度普遍趋于增加。对于西南地区而言, 近50年极端降水事件总体呈上升趋势, 但各极端降水指数中具有显著性趋势站点较少（袁文德等, 2014）。但是, 研究还存在许多不足。首先是大部分国内研究都采用中国区域各个站点日降水量数据作为观测数据（江志红等, 2009; 杨金虎等, 2008）。但是中国地区测站数据总体较少, 1951年以前的数据存在很大的误差, 最后对于极端降水的预测也没有有效的方法。
四川盆地是中国四大盆地之一, 地形复杂多变, 是我国重要的农业与经济中心之一。四川盆地存在一个全国的年平均极端降水的高值区, 其中峨眉山的年平均极端降水次数为全国最多（杨金虎等, 2008）。并且, 四川盆地降水分布极不均匀, 年降水量在800~1729 mm, 其中雅安的年平均降水量达到1729 mm, 又有“天漏”之称（邵远坤等, 2005）。四川由于其特殊的盆地地形, 极端降水易造成泥石流、 洪涝等自然灾害, 带来更大的生命财产损失。因此针对四川盆地, 研究其极端降水的阈值分布特征并预估其在21世纪的变化趋势具有重要的意义。
同时由于各个模式模拟性能有差异, 可能在我国中西部存在一个虚假的降水中心（江志红等, 2009; 李振朝等, 2013）。目前, 大部分利用CMIP5数据预估未来气候变化的研究只是对各个模式进行简单评估, 筛选出模拟能力相对较好的几个模式进行集合平均（MME）, 并没有对模式数据进行进一步订正。另一方面, 对模式进行评估时, 通常只利用泰勒图检验空间相关性, 而并不研究模式对年代际降水的模拟能力, 因此筛选出的模式可能在位相上与观测数据不一致。这在研究未来降水的气候平均态时会导致较大误差。因此有必要对每个模式在每个格点上的值进行订正。
四川盆地的降水主要集中在5 -9月, 因此可以把5 -9月定义为四川盆地的“湿季”。因为有研究表明日最大降水量与月平均降水的相关性较高(Miroslara et al, 2011), 所以本文从日降水量站点数据出发, 研究了1971 -2016年四川盆地各等级降水的年均次数, 一方面初步探索了日极值与月平均值、 月极值的关系, 同时验证了CRU降水数据的准确性。接着利用CRU研究月平均降水与月极端降水阈值的空间分布特征, 评估并订正了31个模式数据, 从中选出模拟性能最好的模式。最后利用订正并筛选出的模式, 预估在21世纪各时期四川盆地平均降水和极端降水阈值及变率的空间分布特征。

2 资料概况与研究方法

2.1　资料概况

采用的观测数据有两套, 第一套是中国地面气候资料日值数据集(V3.0), 该数据包含了中国824个基准、 基本气象站本站气压、 气温、 降水量、 蒸发量、 相对湿度、 风向风速、 日照时数和0 cm地温要素的日值数据, 时间范围为1951 -2016年。该数据由中国气象局提供, 经过了严格的质量控制。第二套数据为CRU TS v4.01, 它是由英国East Anglia大学的Climatic Research Unit(下称CRU)通过整合已有的若干个知名数据库, 重建了一套覆盖完整、 高分辨率、 且无缺测的月平均地表气候要素数据集。通过对比分析, CRU数据在降水上具有很高的可信度（闻新宇等, 2006）。文中涉及的地图是基于四川省标准地图服务网站下载的审图号为图川审（2017）097号的标准地图制作, 底图无修改, 只是略去县界。本文选用的31个模式的基本资料可见表1。
表1 31个模式简介

Table 1 Information of 31 CMIP5 models

模式名 所属机构名称, 国家 分辨率
ACCESS1-0 英联邦科学与工业研究组织(CSIRO)与气象局 (BOM), 澳大利亚 1.875°×1.25°
ACCESS1-3 英联邦科学与工业研究组织(CSIRO)与气象局 (BOM), 澳大利亚 1.875°×1.25°
BNU-ESM 北京师范大学全球变化与地球系统科学研究院, (BNU), 中国 2.8°×2.8°
CCSM4 美国国家大气研究中心(NCAR), 美国 1.25°×0.9°
CESM1-BGC 美国国家大气研究中心(NCAR), 美国 1.25°×0.9°
CESM1-CAM5 美国国家大气研究中心(NCAR), 美国 1.25°×0.9°
CMCC-CESM 欧洲-地中海气候变化中心(CMCC), 意大利 1.875°×1.875°
CMCC-CMS 欧洲-地中海气候变化中心(CMCC), 意大利 1.875°×1.875°
CMCC-CM 欧洲-地中海气候变化中心(CMCC), 意大利 0.75°×0.75°
CNRM-CM5 国家气象研究中心/欧洲科学计算高级研究和培训中心(CNRM), 法国 1.4°×1.4°
CSIRO-Mk3-6-0 英联邦科学与工业研究组织(CSIRO), 澳大利亚 1.875°×1.875°
CanESM2 加拿大气候模拟与分析中心(CanESM), 加拿大 2.8°×2.8°
FGOALS-g2 中国科学院大气物理研究所, 清华大学(IAP, THU), 中国 2.8125°×3°
GFDL-CM3 美国国家海洋和大气管理局地球物理流体动力学实验室, (GFDL), 美国 2.5°×2°
GFDL-ESM2G 美国国家海洋和大气管理局地球物理流体动力学实验室, (GFDL), 美国 2.5°×2°
GFDL-ESM2M 美国国家海洋和大气管理局地球物理流体动力学实验室, (GFDL), 美国 2.5°×2°
GISS-E2-H 美国宇航局戈达德空间研究所(GISS), 美国 2.5°× 2°
GISS-E2-R 美国宇航局戈达德空间研究所(GISS), 美国 2.5°× 2°
HadGEM2-ES 英国气象局哈德莱中心(Met Office), 英国 1.875°×1.25°
IPSL-CM5A-LR 皮埃尔 - 西蒙拉普拉斯研究所(IPSL), 法国 3.75°×1.875°
IPSL-CM5A-MR 皮埃尔 - 西蒙拉普拉斯研究所(IPSL), 法国 2.5°×1.25°
IPSL-CM5B-LR 皮埃尔 - 西蒙拉普拉斯研究所(IPSL), 法国 3.75°×1.875°
MIROC-ESM-CHEM 日本海洋地球科学与技术, 大气与海洋研究所（东京大学）和国家环境研究所(MIROC), 日本 2.8°×2.8°
MIROC-ESM 日本海洋地球科学与技术, 大气与海洋研究所（东京大学）和国家环境研究所(MIROC), 日本 2.8°×2.8°
MIROC5 日本海洋地球科学与技术, 大气与海洋研究所（东京大学）和国家环境研究所(MIROC), 日本 1.4°×1.4°
MPI-ESM-LR 马普气象研究所(MPI), 德国 1.875°×1.875°
MPI-ESM-MR 马普气象研究所(MPI), 德国 1.875°×1.875°
MRI-CGCM3 日本气象研究所(MRI), 日本 1.125°×1.125°
NorESM1-ME 挪威气候中心(NorCC), 挪威 2.5°×1.875°
NorESM1-M 挪威气候中心(NorCC), 挪威 2.5°×1.875°
bcc-csm1-1-m 中国气象局国家气候中心(CMA), 中国 1.8°×2.8°

2.2　研究方法

（1） 根据对日雨量等级的传统定义: 日降水量50 mm以上定义为暴雨, 25～50 mm 定义为大雨, 10～25 mm定义为中雨。利用站点数据统计1971 -2016年各等级降雨的年均天数, 并将湿季月平均降水与CRU数据对比, 验证CRU的可靠性。
（2） 对模式数据进行预处理, 因为CMIP5各个模式的分辨率不一样, 所以需要进行插值, 运用双线性插值法, 将数据插值到与CRU相同的0.5°×0.5°的格点上。
（3） 因为模式及CRU数据中存在着气候系统的自然变率以及人为强迫例如气溶胶、 土地利用变化, 在研究年代际变化时, 气候系统内部的变化是不需要的, 因此需要对模式和数据进行11点滑动平均处理（Nath et al, 2017）。
（4） 对于气候基准期的选择, 有很多研究选用了不同的时间段, 本文的目的是对21世纪的降水与极端降水进行预估, 2010 -2099年国际上以每30年为一个时间段, 分别称为2020s, 2050s, 2080s（Scibek et al, 2006; Hugo et al, 2018）。1971 -2000年这30年时间尺度足够长, 又包含了全球变暖比较显著的时期, 并且与未来的每30年为一段的时间区间长度一致, 便于比较。因此, 参考同类模式评估以1971 -2000年作为一个气候基准期（Rodrigo et al, 2011）, 将滑动平均后基准期的CRU与CMIP5数据作空间相关性分析, 画出泰勒图检验各模式的模拟能力。
（5） 按式（1）和式（2）计算每个格点5 -9月的平均降水误差率, 并按公式（3）进行订正。 利用式（4）和式（5）分别计算湿季平均降水变率和极端降水变率。其中， n代表年数; p model和 p o b s分别代表模式与观测值降水量; p f和 p r分别指未来各时间段的湿季平均降水和1971 -2000年气候基准期的湿季平均降水; e f和 e r分别指未来各时间段的湿季极端降水阈值和1971 -2000年气候基准期的湿季极端降水阈值。
B   =   ∑ i n p m o d e l ( i ) - p o b s ( i ) n,
P B = B p m o d e l × 100 %,
C = p m o d e l × ( 1 - P B ),
P V = p f - p r p r × 100 %,
E V = e f - e r e r × 100 %.
（6） 计算订正完以后的各模式的四川盆地湿季平均降水与CRU数据作相关性分析, 找出其中的正位相并通过相关性检验的模式, 结合泰勒图, 确定最优的几个模式。
（7） 参照研究日极端降水的相对阈值法, 研究月极端降水(陈姣等, 2016)。对每个格点, 将其降水量序列从小到大排列, 取第95%的降水量作为该格点的月极端降水阈值。研究1971 -2016年, 以及21世纪每30年的极端降水阈值分布。
（8） 对最优模式做等权重集合平均(MME), 订正值的物理意义代表例如土地利用、 地形等较小尺度上对降水产生影响的影响因子, 可以假设这些偏差在每一个特定模式中对于时间的变化是恒定的来纠正（Nath et al, 2017）。RCP2.6、 RCP4.5和RCP8.5是指三种排放路径。在RCP8.5的情形下, 到2100年时, 空气中的二氧化碳浓度要比工业革命前的浓度高3~4倍。而RCP4.5是指自2080年以后, 人类的碳排放就降低, 但依然要超过允许数值。RCP2.6则是三种情形中最理想的, 它假设人类在应对气候变化之后, 采用更多积极的方式使得未来10年, 温室气体排放开始下降, 到21世纪末, 温室气体排放就成为负值, 这是一种积极乐观的假设。以上三种情形假设的场景, 唯有RCP2.6是气温不会上升2 ℃（Stocker et al, 2013）。本文的目的是利用这个已经订正过的集合模式分别在RCP2.6、 RCP4.5以及RCP8.5的情形下预估与分析21世纪四川盆地湿季平均降水、 极端降水阈值分布, 最后结合式（4）和式（5）分析变化趋势。具体研究流程见图1。
图1 研究方法简图

Fig.1 The flow chart of research methods

3 模式评估与订正

3.1　 1971 -2016年四川盆地湿季分析

利用站点数据所得1971 -2016年四川盆地各站各雨量等级的年平均天数（图2）, 不难发现, 暴雨与大雨的分布状况比较类似。其中除雅安眉山两个站的年均暴雨次数达到了2~4次, 其余各站的频次都在2次以下。对于发生大雨的频次的空间分布, 雅安、 眉山两站仍是极大值中心, 年均大雨次数为6~8次, 其余盆地东部各站的年均次数为4~6次, 而盆地西部各站仍旧为2次以下。对于中雨, 盆地中、 西部各站频次均达到16次以上, 盆地东部各站却只有10~12次, 空间分布特征与暴雨、 大雨完全相反。因此, 以固定阈值来衡量四川盆地极端降水特征是不准确的, 所以希望借助更高分辨率的CRU数据, 以及相对阈值法来研究四川盆地极端降水特征。
图2 1971 -2016年四川盆地暴雨（a）、 大雨（b）、 中雨（c）年均发生次数的空间分布（单位: 次）

Fig.2 Spatial distribution of annual occurrences of rainstorm (a), hard rain (b) and moderate rain (c)in the Sichuan Basin from 1971 to 2016.Unit: time

通过对比由站点数据、 CRU数据所作的四川盆地1971 -2016年的湿季（5 -9月）平均降水分布（图3）可以明显看出, 四川盆地湿季降水呈现一种“东多西少”的形势, 即盆地东部的达州、 广安、 南充等市月平均降水为150~160 mm, 明显多于盆地中部的甘孜、 阿坝等少数民族自治州。而与甘肃省接壤的盆地西部地区月平均降水最少, 甚至低于100 mm。此外图3中还存在两个高值区, 分别位于盆地东南方和南方, 月平均降水都达到了160~180 mm。东南方的高值区经纬度位置为103°E -105°E, 28°N -30°N, 恰为成都平原, 包括周边城市, 例如雅安、 绵阳等地。另一个高值区位于盆地南部的攀枝花、 凉山州部分地区。对比两套数据所作的图, 利用CRU所作的月平均降水图除雅安、 眉山等地降水偏少, 攀枝花降水偏多以外, 整体与图3比较吻合, 结果与大部分论文比较符合（周长艳等, 2011; 邵远坤等, 2005; 李永华等, 2010）, 因此利用CRU数据研究四川盆地的降水是比较可靠的。
图 3 1971 -2016年四川盆地基于站点数据（a）与CRU格点数据（b）湿季平均降水分布（单位: mm）

Fig.3 Average precipitation in the wet season in Sichuan Basin based on station data (a) andCRU grid data (b) from 1971 to 2016.Unit: mm

图4为CRU数据绘制的极端降水阈值的空间分布, 与图1对比可以发现, 阈值分布的特征与月平均降水量较为一致, 同样也是“东高西低 ”的形势, 两个极值中心的降水量都达到了280 mm以上。而根据1985 -2009年气象灾情数据库的统计, 雅安、 眉山等地受暴雨洪涝灾害造成的农业损失最为严重（卿清涛等, 2013）。而攀枝花、 凉山州地区虽受洪涝造成的农业损失不大, 但却因其地形原因, 山体滑坡、 泥石流等山地灾害频发（郁淑华, 2003; 杨红娟等, 2017）。更重要的是, 月极端降水可能会引发大范围份洪水, 带来更为严重的后果（Kunkel et al, 1994; Gutowski et al, 2010）。
图 4 1971 -2016年四川盆地湿季月平均极端降水阈值分布（单位: mm）

Fig.4 Monthly extreme precipitation threshold distribution of the wet season in Sichuan Basin during1971 -2016.Unit: mm

3.2　模式评估与订正

图5是各模式与观测值之间的泰勒图, 其中弧线上刻度表示空间相关系数, 横轴与纵轴表示模式与观测值的标准差之比, 到REF的距离代表均方根误差。序号代表模式编号, 是按表一中的顺序排列的, 虚线代表99%信度的空间相关水平。从图5中可以看出, 31个模式中有17个模式通过检验。而31个模式中与观测值误差小于2.5的则有21个。经过泰勒图分析, 可以初步过滤掉一批误差较大的模式。经过订正之后（图6）, 所有模式的降水都与观测比较接近, 但是各个模式之间还存在差异, 所以还需要进一步筛选。
图5 气候基准期（1971 -2000年）内四川盆地湿季各模式降水相对于观测数据的泰勒图

Fig.5 Taylor diagram for a wet season precipitation between various models and observations in Sichuan Basin duringthe climate reference period (1971 -2000)

图6 模式误差订正后(实线)与观测数据CRU(星标)湿季月平均降水对比

Fig.6 Comparison of monthly precipitation between bias-corrected model results （solid line）and CRU （star standard） in the wet season

对每个格点求平均以后算出的每个模式相对于观测值的平均偏差率（图7）可以看出， 所有模式的偏差率都在50%以下, 其中IPSL-CM5A-LR的平均偏差率接近于0, MPI-ESM-MR、 NorESM1-M这两个模式的偏差率分别为-2.4%和-2.9%, 甚至小于0。经过订正之后, 还是有一半左右的模式与具有与观测数据不同的固有变化趋势, 而与观测数据变化趋势相同的模式中只有5个左右的模式能通过95%（0.35）的信度检验（图8）。但是结合图5与图6, CMCC-CMS、 GISS-E2-R这两个模式的误差、 平均偏差率较大, 故不将它们作为最优模式来集合。
图7 各模式偏差率（单位: %）

Fig.7 Bias from each model.Unit: %

图8 订正后各模式与观测数据之间的相关系数

Fig.8 Correlation coefficient between each modeland observed data after bias correct

综上所述, 经过评估与订正, 一共选取3个模式(图8中分别用1,2和3标出), 模式名称以及其平均偏差率, 相关系数分别为CMCC-CM（15%, 0.43）、 HadGEM2-ES（16%, 0.52）、 MPI-ESM-MR（-3%, 0.70）, 此外, 由于CMCC-CM并没有进行RCP2.6的实验, 因此选用第四优的模式bcc-csm-1-m替代。

4 对21世纪的预估

4.1　平均降水的空间分布

如图9所示, 在RCP2.6的情形下, 四川盆地降水自东向西呈现减增减的趋势, 而且随着时间的变化这种趋势除盆地西北部以外没有明显变化。西北部的降水减少区域有减小的趋势。盆地东部和西北部的降水变少, 变率在-10%左右, 中心区域甚至达到了-20%, 而盆地中部的高原等地降水增多, 变率达到了20%（图10）。整个四川的降水高值区大约在成都平原, 湿季月平均降水量在160~180 mm之间。其降水中心（103°E, 30°N）恰为雅安市的位置, 湿季月平均降水量达到了180~200 mm。在RCP4.5和RCP8.5的情形下, 东部降水相对于1971 -2000年要明显增多, 并且这种增多的趋势随着时间的变化还在增大。在21世纪初期和中期, RCP4.5与RCP8.5的情形下, 四川盆地降水自东向西呈现“增-减-增”的形势。两种情形下21世纪的初期变化率都达到了-20%。21世纪末期, RCP4.5的情形下, 所有地区的降水都增多, 而RCP8.5的情形下盆地中部偏南地区降水仍然减少5%~10%左右。从不同情形之间的变率（图10）可以看出, RCP2.6的降水是明显少于RCP4.5与RCP8.5的, 而在绝大部分地区, RCP8.5模拟的降水都大于RCP4.5, 这也与事实比较相符。
图9 RCP2.6（左）、 RCP4.5（中）和RCP8.5（右）情形下21世纪初期（a）、 中期（b）、 末期（c）四川盆地湿季月均降水空间分布 （单位: mm）

Fig.9 Spatial distribution of precipitation in the wet season in Sichuan Basin in the early 21st century (a), mid-term (b), and end term (c) at the case of RCP2.6 （left）, RCP4.5 (middle), and RCP8.5 (right).Unit: mm

图 10 相对于1971 -2000年的气候平均态, RCP2.6（左）、 RCP4.5（中）、 RCP8.5（右）情形下21世纪初期（a）、 中期（b）、 末期（c）四川盆地湿季降水变率的空间分布 （单位: %）

Fig.10 Spatial distribution of precipitation variability in the wet season in Sichuan Basin in the early 21st century (a), mid-term (b) and end term (c) at the case of RCP2.6 （left）, RCP4.5 (middle) and RCP8.5 (right) compared with the climate average of 1971 -2000.Unit: %

4.2　极端降水阈值的空间分布

总体来看, 各种情形下阈值的空间分布特征与平均降水相似。在RCP2.6的情形下除了盆地中心的区域, 其他均减少, 盆地中心区域的极端降水阈值极值中心区域恰好也为雅安, 其月极端降水阈值增加为280~300 mm（图11）。而RCP4.5与RCP8.5的情形下, 盆地中部极端降水阈值有显著减少, 但也满足随时间变化有增加的趋势。而两种情形下盆地东部整体增多, 但也有地区增加趋势不显著, 甚至减少。结合该区域湿季平均降水的变率（图12）, 发现上述地区虽然平均降水增多, 但其变率一般都小于10%, 即增多趋势不显著。因此可以得出, 变旱的区域发生极端降水的阈值一定减少, 而变涝的区域, 虽然月平均降水增多, 但只有当增幅超过10%, 该区域的极端降水阈值才会升高。
图 11 RCP2.6（左）、 RCP4.5（中）、 RCP8.5（右）情形下21世纪初期（a）、 中期（b）、 末期（c）四川盆地湿季月均极端降水阈值的空间分布（单位: mm）

Fig.11 Spatial distribution of monthly average extreme precipitation thresholds in the wet season in Sichuan Basin in the early 21st century (a), mid-term (b) and end term (c) at the case of RCP2.6（left）, RCP4.5 (middle) and RCP8.5 (right).Unit: mm

图 12 相对于1971-2000年的气候平均态, RCP2.6（左）、 RCP4.5（中）、 RCP8.5（右）情形下21世纪初期（a）、中期（b）、 末期（c）四川盆地湿季月均极端降水阈值变率的空间分布（单位: %）

Fig.12 Spatial distribution of monthly average extreme precipitation threshold variability in the wet season in Sic huanBasin in the early 21st century (a), mid-term (b) and end term (c) at the case of RCP2.6 （left）, RCP4.5 (middle) and RCP8.5 (right) compared with the climate average of 1971-2000.Unit: %

5 结论与讨论

基于CRU和日降水量站点数据, 首先研究了1971 -2000年的四川盆地5 -9月平均降水特征及极端降水阈值分布特征, 用上述数据对31个CMIP5模式的对应时间降水进行评估及订正, 并且对RCP2.6、 RCP4.5、 RCP8.5这三种情形下的21世纪四川盆地5 -9月平均降水、 极端降水特征变化进行研究。主要结论如下:
（1） 评估的31个模式中有17个模式的空间相关性能够通过99%的信度检验, 有21个模式相对于观测值的标准差小于2.5。滑动平均很好地过滤了气候系统中的高频变化, 但是在订正之前, 大部分模式模拟的平均降水都是偏多的, 但是所有模式的偏差率都在50%以下。
（2） 由CRU数据对1971 -2016年四川盆地湿季的平均降水研究表明, 四川盆地的降水特征大致为“东多西少”, 盆地及平原多, 高原少。对于极端降水的阈值分布, 与月平均降水的特征相似, 极大值中心也集中在成都平原、 攀枝花等地, 这与用站点数据所得结果大致相符。
（3） 对21世纪四川盆地湿季平均降水的预估表明, 在RCP2.6的情形下盆地降水自东向西呈现“减-增-减”的特征, 相比于1971 -2000年的气候平均态, 增幅达5%~10%。盆地东部和西北部降水显著降少, 变率达到了-10%, 部分区域甚至达到了 -20%。而RCP4.5与RCP8.5的情形下比较类似, 湿季平均降水自东向西呈现“增-减-增”的特征, 但随着时间的推移, 盆地所有区域的降水都有增多的趋势。
（4） 对于21世纪月极端降水阈值空间分布的预估表明, 各种情形下阈值分布的变化与平均降水的变化具有较好的一致性。特别地, 本文研究发现在21世纪各个时期, 湿季平均降水减少的区域极端降水阈值一定降低, 但是湿季平均降水增加的区域, 极端降水的阈值却不一定增加。只有当某一区域平均降水增幅超过10%时, 极端降水的阈值才会增加。
本文虽然对模式数据进行了订正, 但是对未来气候的预估的研究还存在着一些不确定性。首先, 由于气候模式本身具有系统性偏差, 本文虽进行订正, 但并不清楚这一部分误差在未来是否稳定。其次, 四川盆地由于紧邻青藏高原, 又属于盆地, 地形多变复杂, 所以导致模式模拟的结果误差较大, 而本文虽然评估筛选了3个表现最好的模式进行订正, 但我们无法保证这3个模式在未来是否仍然表现的很好。
此外插值方法的精确性可能会对结果又一定影响, 本文运用双线性插值将模式数据统一插值到0.5°×0.5°的格点上, 会给研究结果带来一定的不确定性。在参加CMIP5的共有46个模式, 本文只选取了31个, 未来可以评估剩下的模式, 并与CMIP3结果进行对比。将来为减少预估的不确定性在, 我们将使用区域降尺度的方法（Wang et al, 2014）, 以及使用贝叶斯模式平均（BMA）的方法对模式进行集合（智协飞等, 2015）。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
Alexander L V, Zhang X, Peterson T C, al et, 2006.Global observed changes in daily climate extremes of temperature and precipitation[J].Journal of Geophysical Research Atmospheres, 111(D5): 1042-1063.

Beniston M, Stephenson D B, Christensen O B, al et, 2007.Future extreme events in European climate: An exploration of regional climate model projections[J].Climatic Change, 81(1): 71-95.

Brown P, Bradley R, Keimig F, 2010.Changes in extreme climate indices for the Northeastern United States,1870-2005[J].Journal of Climate, 23(24): 6555 - 6572.

Gutowski W J, Arritt R W, Kawazoe S, al et, 2010.Regional Extreme monthly precipitation simulated by NARCCAP RCMs[J].Journal of Hydrometeorology, 11(6): 1373-1379.

Hartmann D L, Tank A M G K, Rusticucci M, al et, 2013.Observations: atmosphere and surface[M]//Climate change 2013 the physical science basis: Working group I contribution to the fifth assessment report of the intergovernmental panel on climate change.London: Cambridge University Press, 159-254.

Hugo C, Naumann G, Barbosa P, 2018.Global projections of drought hazard in a warming climate: A prime for disaster risk management[J].Climate Dynamics, 50:1-19.

Kunkel K E, Changnon S A, Angel J R, 1994.Climatic aspects of the 1993 upper Mississippi River basin flood[J].Bulletin of the American Meteorological Society, 75(5): 811-822.

Liu J, Zhai P, 2014.Changes in climate regionalization indices in China during 1961 -2010[J].Advances in Atmospheric Sciences, 31(2): 374-384.

Miroslava U, Tošić Ivana, 2011.A statistical analysis of the daily precipitation over Serbia: Trends and indices[J].Theoretical & Applied Climatology, 106(1/2): 69-78.

Nath R, Cui X, Nath D, al et, 2017.CMIP5 multimodel projections of extreme weather events in the humid subtropical Gangetic Plain region of India[J].Earth's Future, 2017, 5(2): 224-239.

Nath R, Nath D, Li Q, al et, 2017.Impact of drought on agriculture in the Indo-Gangetic Plain, India[J].Advances in Atmospheric Sciences, 34(3): 335-346.

Rodrigo B, Leila C, 2011.The South Atlantic dipole and variations in the characteristics of the South American Monsoon in the WCRP-CMIP3 multi-model simulations[J].Climate Dynamics, 36(11):2091-2102.

Scibek J, Allen D M, 2006.Modeled impacts of predicted climate change on recharge and groundwater levels[J].Water Resources Research, 42(11).

Stocker, T F, Qin D, Plattner G K, al et, 2013.PCC, 2013: Climate Change 2013: The Physical Science Basis[M].London: Cambridge University Press.

Taylor K E, 2001.Summarizing multiple aspects of model performance in a single diagram[J].Journal of Geophysical Research Atmospheres, 106(D7): 7183-7192.

Wan S, Hu Y, You Z, al et, 2013, Extreme monthly precipitation pattern in China and its dependence on Southern Oscillation[J].International Journal of Climatology, 33(4): 806-814.

Wang L, Chen W, 2014.CMIP5 multimodel projection of future temperature, precipitation, and climatological drought in China[J].International Journal of Climatology, 34(6): 2059-2078.

常燕, 吕世华, 罗斯琼, 等, 2016.CMIP5耦合模式对青藏高原冻土变化的模拟和预估［J］.高原气象, 35（5）: 1157-1168.DOI: 10.7522/j.issn.1000-0534.2015.00090.

陈姣, 张耀存, 2016.气候变化背景下陆地极端降水和温度变化区域差异[J].高原气象, 35(4): 955-968.DOI: 10.7522/j.issn. 1000-0534.2015.00075.

江志红, 陈威霖, 宋洁, 等, 2009.7个IPCCAR4模式对中国地区极端降永指数模拟能力的评估及其未来情景预估[J].大气科学, 33(1): 109-120.

孔锋, 史培军, 方建, 等, 2017.全球变化背景下极端降水时空格局变化及其影响因素研究进展和展望[J].灾害学, 32(2): 165-174.

李永华, 徐海明, 白莹莹, 等, 2010.我国西南地区东部夏季降水的时空特征[J].高原气象, 29(2): 523-530.

李振朝, 韦志刚, 吕世华, 等, 2013.CMIP5部分模式气温和降水模拟结果在北半球及青藏高原的检验[J].高原气象, 32(4): 921-928.DOI: 10.7522/j.issn.1000-0534.2012.00088.

邵远坤, 沈桐立, 游泳, 等, 2005.四川盆地近40年来的降水特征分析[J].西南大学学报(自然科学版), 27(6): 749-752.

卿清涛, 陈文秀, 詹兆渝, 2013.四川省暴雨洪涝灾害损失时空演变特征分析[J].高原山地气象研究, 33(1): 47-51.

吴绍洪, 尹云鹤, 2012.极端事件对人类系统的影响[J].气候变化研究进展, 8(2): 99-102.

闻新宇, 王绍武, 朱锦红, 等, 2006.英国CRU高分辨率格点资料揭示的20世纪中国气候变化[J].大气科学, 30(5): 894-904.

伍清, 蒋兴文, 谢洁, 2017.CMIP5模式对西南地区气温的模拟能力评估[J].高原气象, 36( 2): 358-370.DOI: 10.7522/j.issn. 1000-0534.2016.00046.

袁文德, 郑江坤, 董奎, 2014.1962-2012年西南地区极端降水事件的时空变化特征[J].资源科学, 36(4): 766-772.

杨红娟, 韦方强, 马振峰, 等, 2017.四川省泥石流灾害的时空分布规律和降水特征[J]．灾害学, 32(4): 102-107.

杨金虎, 江志红, 王鹏祥, 等, 2008.中国年极端降水事件的时空分布特征气候与环境研究[J], 13(1): 75-83.

郁淑华, 2003.四川盆地泥石流、 滑坡的时空分布特征及其气象成因分析[J].高原气象, 22(10): 83-89.

翟盘茂, 潘晓华, 2003.中国北方近50年温度和降水极端事件变化[J].地理学报, 58(suppl1): 1-10.

翟盘茂, 王萃萃, 李威, 2007.极端降水事件变化的观测研究[J].气候变化研究进展, 3(3): 144-148.

张蓓, 戴新刚, 2017.基于CMIP5的2006－2015年中国气温预估偏差分析及订正[J].高原气象, 36( 6): 1619-1629.DOI: 10. 7522/j.issn.1000-0534.2016.00136.

周长艳, 岑思弦, 李跃清, 等, 2011.四川省近50年降水的变化特征及影响[J].地理学报, 66(5): 619-630.

智协飞, 王晶, 林春泽, 等, 2015.CMIP5多模式资料中气温的BMA预测方法研究[J].气象科学, 35(4): 405-412.

Options
文章导航

/

〈 〉

本系统由北京玛格泰克科技发展有限公司设计开发 技术支持：support@magtech.com.cn