高原气象

高原气象 >

2021 , Vol. 40 >Issue 5: 977 - 990

DOI: https://doi.org/10.7522/j.issn.1000-0534.2020.00104

论文

多模式产品对青藏高原极端气候模拟能力评估

  • 陈虹举 , 1, 2, 3 ,
  • 杨建平 , 1 ,
  • 丁永建 1, 2, 4 ,
  • 贺青山 1, 3 ,
  • 冀钦 5
展开
  • 1. 中国科学院西北生态环境资源研究院 冰冻圈科学国家重点实验室，甘肃 兰州 730000
  • 2. 中国科学院西北生态环境资源研究院 内陆河流域生态水文重点实验室，甘肃 兰州 730000
  • 3. 中国科学院大学，北京 100049
  • 4. 中国科学院大学 资源与环境学院，北京 100049
  • 5. 清华大学环境学院，北京 100084
杨建平（1971 -）， 女， 汉族， 山西方山人， 研究员， 主要从事气候变化、 冰冻圈变化的影响、 风险与适应研究E-mail：

陈虹举（1991 -）， 男， 汉族， 甘肃会宁人， 博士研究生， 主要从事遥感与GIS在气候变化风险中的应用研究E-mail：

收稿日期: 2020-09-14

  修回日期: 2020-12-08

  网络出版日期: 2021-10-28

基金资助

国家重点研发计划项目(2016YFA0602404)

美丽中国生态文明建设科技工程专项(XDA23060704)

收起

Evaluation of Extreme Weather Indices over Qinghai-Xizang Plateau in NEX-GDDP

  • Hongju CHEN , 1, 2, 3 ,
  • Jianping YANG , 1 ,
  • Yongjian DING 1, 2, 4 ,
  • Qingshan HE 1, 3 ,
  • Qin JI 5
Expand
  • 1. State Key Laboratory of Cryospheric Science，Northwest Institute of Eco-Environment and Resources，Chinese Academy of Sciences，Lanzhou 730000，Gansu，China
  • 2. Key Laboratory of Ecohydrology of Inland River Basin，Northwest Institute of Eco-Environment and Resources，Chinese Academy of Sciences，Lanzhou 730000，Gansu，China
  • 3. University of Chinese Academy of Sciences，Beijing 100049，China
  • 4. College of Resource and Environment，University of Chinese Academy of Sciences，Beijing 100049，China
  • 5. School of Environment，Tsinghua University，Beijing 100084，China

Received date: 2020-09-14

  Revised date: 2020-12-08

  Online published: 2021-10-28

Fold

本文亮点

NEX-GDDP数据具有分辨率高且其中所有模式分辨率统一的优点， 其对青藏高原地区极端气候的模拟能力如何， 鲜见报道。使用1986 -2005年青藏高原地面气象台站逐日观测资料， 选取了最能体现高原地区自然生态环境与社会经济活动受气候变化影响的10个极端气候指数： 霜冻日数（FD）、 结冰日数（ID）、 最低气温极小值（TNn）、 最高气温极大值（TXx）、 暖日持续日数（WSDI）、 冷日持续日数（CSDI）、 年降水量（PRCPTOT）、 连续无雨日数（CDD）、 连续有雨日数（CWD）和日最大降水量（RX1day）， 从极端降水与极端温度两方面， 全面评估了NEX-GDDP中21个模式对青藏高原极端气候的模拟能力。结果表明： （1）TNn和TXx的模式模拟结果平均值小于观测值， 而其余8个极端气候指数的模式模拟平均值大于观测值。从变化趋势看， FD、 ID、 CSDI和CDD的观测值与模式模拟值变化趋势一致性强， 其余6个极端气候指数的一致性较弱。（2）21个模式对所选极端气候指数的空间模拟能力和时序模拟能力差异较大， 就相关系数而言， 多模式产品的空间模拟能力好于时序模拟能力， 就中心化均方根误差而言， 时序模拟能力又优于空间模拟能力。（3）按照极端气候指数识别所用数据不同将其分为三类： 日最低气温类极端气候指数（FD、 TNn和CSDI）、 日最高气温类极端气候指数（ID、 TXx和WSDI）和日降水量类极端气候指数（PRCPTOT、 CDD、 CWD和RX1day）。基于21个模式对极端气候指数时序与空间模拟能力的评估， 综合评选了三类极端气候指数的5个最优模式， 各自依次分别为： ①日最低气温类GFDL-ESM2G、 GFDL-CM3、 CCSM4、 MIROC5和ACCESS1-0； ②日最高气温类CanESM2、 BNU-ESM、 MIROC-ESM-CHEM、 inmcm4、 和CCSM4； ③日降水量类BNU-ESM、 CanESM2、 CSIRO-Mk3-6-0、 MIROC-ESM和MIROC-ESM-CHEM； 在利用NEX-GDDP研究青藏高原未来极端气候事件变化时， 建议将它们作为优选模式。

本文引用格式

陈虹举 , 杨建平 , 丁永建 , 贺青山 , 冀钦 . 多模式产品对青藏高原极端气候模拟能力评估[J]. 高原气象, 2021 , 40(5) : 977 -990 . DOI: 10.7522/j.issn.1000-0534.2020.00104

Highlights

NEX-GDDP data has the advantages of high resolution and uniform resolution with all the models.However， there are few studies on evaluating the NEX-GDDP’s ability to simulate the extreme climate on the Qinghai-Xizang Plateau.Based on the daily observation dataset of meteorological stations for the period of 1986-2005 over the Qinghai-Xizang Plateau， this study selected ten extreme climate indices， i.e.， Frost days （FD）， Ice days （ID）， Min Tmin （TNn）， Max Tmax （TXx）， Warm spell duration indicator （WSDI）， Cold spell duration indicator （CSDI）， annual Total wet-day precipitation （PRCPTOT）， Consecutive dry days （CDD）， Consecutive wet days （CWD） and Max 1-day precipitation amount （Rx1day）， which can directly reflect the influence of climate change on social and economic activities and geographical landforms in the plateau area， and comprehensively evaluated the abilities of 21 models that participate the NASA Earth Exchange/Global Daily Down-scaled Projection（NEX-GDDP）in simulating extreme climate indices.The main conclusions are drawn as follows： （1） Except for the average values of TNn and TXx calculated by all models are lower than the average values calculated from observation dataset， the average values of other extreme climate indices calculated by all models are higher than the average values calculated by observation dataset.With respect to the variation trend of extreme climate indices， the FD， ID， CSDI and CDD trends calculated by observation shows strong consistency with those calculated by all models while weak consistency was seen for others extreme climate indices.（2） Large differences in spatial simulation ability can be seen among the 21 models， and in terms of correlation coefficient （r）， the spatial simulation ability of all the models is better than that of time sequential simulation ability， while in terms of root mean square error （RMSE）， the ability of sequential simulation ability is better than that of spatial simulation.（3） According to the data used to identify the extreme climate indices， the extreme climate indices is divided into three categories： daily minimum temperature category （FD， TNn and CSDI）， daily maximum temperature category （ID， TXx and WSDI） and daily precipitation category （PRCPTOT， CDD， CWD and RX1day）.Based on the 21 models’ abilities to simulate the spatio-temporal variations of the extreme climate indices， five optimal modes for three extreme climate indices were selected as follows： ① daily minimum temperature category： GFDL-ESM2G， GFDL-CM3， CCSM4， MIROC5 and ACCESS1-0.② daily maximum temperature category： CanESM2， BNU-ESM， MIROC-ESM-CHEM， inmcm4 and CCSM4.③ daily precipitation category： BNU-ESM， CanESM2， CSIRO-Mk3-6-0， MIROC-ESM and MIROC-ESM-CHEM.Based on the above statements， the above optimal models are recommended when the NEX-GDDP is used to investigate the extreme climate change over the Qinghai-Xizang Plateau in the future.

1 引言

随着全球气候的持续变化， 近年来极端气候事件频发引起了广泛关注（杨志刚等， 2014； Orlowsky and Seneviratne， 2012）， IPCC第五次评估报告指出， 全球气候的变化加剧了极端气候事件发生的频率和强度（Allen et al， 2013）。青藏高原被称为地球 “第三极”， 具有特殊地理位置和复杂的地貌特征（姚檀栋等， 2017）， 是气候变化的敏感区和脆弱区（秦大河和丁永建， 2009； 丁永建和秦大河， 2009）。气候变化将对该区域的积雪、 多年冻土以及高原生物群落带来重大影响（秦大河和丁永建， 2009； 丁永建和秦大河， 2009； 程志刚等， 2007； 崔鹏等， 2017； 李韧等， 2012； 于海英和许建初， 2009）， 同时使得自然灾害爆发频次增加， 例如， 干旱、 洪涝、 雪灾和低温霜冻等（郭晓宁， 2010； 马伟东， 2019； 赵志龙等， 2013）， 这些变化和灾害对高原社会经济发展产生重要影响。因此， 青藏高原极端气候研究已成为当下气候变化研究领域的热点。
然而， 青藏高原地面气象观测站点少， 且主要集中在东部地区， 广袤的西部地区气象站点稀少， 观测数据匮乏， 制约了对青藏高原整体与区域气候变化的全面与准确了解和认识， 因此气候模式数据就成为青藏高原气候变化研究的重要工具之一（肖林鸿等， 2016）。CMIP5（耦合模式比较计划第5阶段）模式是模拟全球历史时期和预估未来气候变化的主要工具， 与CMIP3模式相比， CMIP5模式的模拟能力更强（Taylor et al， 2012）， 能够模拟出全球气候变化的大尺度变化特征。CMIP5模式模拟数据也被广泛的应用于区域极端气候的研究和预估中（Chen and Sun， 2015； 胡浩林， 2013； 沈雨辰等， 2014； 姚遥等， 2012； 于灏等， 2020； 王玉琦等， 2019）， 但是不同模式对不同区域极端气候指数的模拟性能差异较大（蒋帅等， 2017）， 即使用多模式集合平均值为区域气候变化做出相应解释（Chen et al， 2015， 2017）， 然而CMIP5模式中各个模式对区域极端气候的模拟能力并不明确， 对极端气候的刻画准确性各异。其次CMIP5模式数据空间分辨率差异较大， 且分辨率都比较低， 不能够满足区域气候变化研究的需要。2015年美国航空航天局发布了首套基于CMIP5的多模式高分辨率数据集NASA Earth Exchange/Global Daily Downscaled Projections（NEX-GDDP）， 它利用统计降尺度方法， 将表1中21个CMIP5模式模拟得到的历史时期（1950 -2005年）和两种情景下（RCP4.5和RCP8.5）预估时段（2006 -2100年）的逐日降水、 最高气温和最低气温数据转换成0.25°×0.25°空间分辨率（Thrasher et al， 2013）。在整个中国区域内， 相比于CMIP5模式数据， NEX-GDDP数据在中国最冷月、 最暖月和极端降水空间分布方面的刻画更加接近于历史统计数据（Bao and Wen， 2017； Chen et al， 2017； 周莉等， 2018）。也有学者 （李金洁等， 2019）从极端温度的视角， 评估了NEX-GDDP数据对中国极端温度指数的模拟能力， 并给出了相应的优选模式。在青藏高原区， 已有的研究也表明NEX-GDPP数据比CMIP5模式对季节气温和降水量的时空分布模拟结果更接近于历史观测资料（Mishra et al， 2019）， 同时也有学者对NEX-GDDP和CMIP5模式对青藏高原模拟的偏差进行了矫正（陈说等， 2019）。整体来说， 相比于CIMP5模式的结果， NEX-GDDP在区域尺度上能够给出更多的气候变化信息， 具有更佳的模拟表现（Chen et al， 2017； Li et al， 2016； Bao and Wen， 2017； 李金洁等， 2019）。目前CMIP6数据处于发布和初步应用阶段， 各模式分辨率差异较大（周天军等， 2019）， 相比较， NEX-GDDP分辨率较高且统一， 目前仍具有较强的应用价值。
表1 NEX-GDDP数据集21个CMIP5全球气候模式基本信息

Table 1 Information of 21 CMIP5 global climate models in NEX-GDDP dataset

编号 模式名称 所属国家 单位
1 ACCESS1-0 澳大利亚 CSIRO-BOM
2 bcc-csm1-1 中国 BCC
3 BNU-ESM 中国 GCESS
4 CanESM2 加拿大 CCCMA
5 CCSM4 美国 NCAR
6 CESM1-BGC 美国 NSF-DOE-NCAR
7 CNRM-CM5 法国 CERFACS
8 CSIRO-Mk3-6-0 澳大利亚 CSIRO-QCCCE
9 GFDL-CM3 美国 NOAA-GFDL
10 GFDL-ESM2G 美国 NOAA-GFDL
11 GFDL-ESM2M 美国 NOAA-GFDL
12 inmcm4 俄罗斯 UNM
13 IPSL-CM5A-LR 法国 IPSL
14 IPSL-CM5A-MR 法国 IPSL
15 MIROC5 日本 MIROC
16 MIROC-ESM 日本 MIROC
17 MIROC-ESM-CHEM 日本 MIROC
18 MPI-ESM-LR 德国 MPI-M
19 MPI-ESM-MR 德国 MPI-M
20 MRI-CGCM3 日本 MRI
21 NorESM1-M 挪威 NCC
纵观当前对NEX-GDDP数据模拟能力的评估， 学者已近开展了相应的研究。然而该数据对青藏高原极端气候变化的模拟能力如何？目前尚未见诸报道。为此， 文中从极端降水与极端温度两个方面， 全面评估NEX-GDDP数据中21个模式对青藏高原极端气候的模拟能力， 并选出不同极端气候指标的优选模式， 为青藏高原未来气候变化预估及相关灾害风险评估提供依据。

2 数据来源与方法介绍

2.1　数据及其来源

气象数据： 文中使用了青藏高原91个地面气象台站的气温与降水量逐日观测数据（图1）， 来源于国家气象科学数据中心（http： //www.cma.gov.cn/）， 时间序列为1986 -2005年。
图1 青藏高原气象站点分布

Fig.1 Distribution map of meteorological stations over the Qinghai-Xizang Plateau

青藏高原基础地理数据： 青藏高原1∶100万行政边界数据（2017）来源于国家青藏高原科学数据中心（https： //data.tpdc.ac.cn）， DOI： 10. 11888/Geogra.tpdc.270001.
NEX-GDDP数据集： 该数据包括基准时段（1986 -2005年）和RCP4.5、 RCP8.5两种情景的未来预估数据（2006 -2100年）， 空间分辨率为0.25°×0.25°， 数据地址为https： //nex.nasa.gov/nex/projects/1356/。该数据集21个CMIP5全球气候模式信息如表1。

2.2　极端气候指数的选取

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监测和指数专家组（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， 11个表征极端降水事件。青藏高原是世界屋脊， 地球第三极， 平均海拔超过4000 m， 高亢的地势使其气候寒冷， 热量成为青藏高原地区独特自然环境（高寒生态、 冰冻圈环境）过程与社会经济活动的决定性因素， 加诸地形、 地貌、 活跃的对流等使降水局地性强。因此， 根据青藏高原气候特征， 主要从热量和降水量两个方面， 选取了最能直接体现高原地区自然环境与社会经济活动受气候变化影响的10个气候指数： 霜冻日数（FD）、 结冰日数（ID）、 最低气温极小值（TNn）、 最高气温极大值（TXx）、 暖日持续日数（WSDI）、 冷日持续日数（CSDI）、 年降水量（PRCPTOT）、 连续无雨日数（CDD）、 连续有雨日数（CWD）和日最大降水量（RX1day）来研究青藏高原极端气候事件的变化， 这些气候指数的详细信息见表2。
表2 选取的极端气候指数

Table 2 Selected extreme climate indices

编码 代码 名称 定义 单位
1 FD 霜冻日数 日最低气温低于0 ℃的天数 d
2 ID 结冰日数 日最高气温低于0 ℃的天数 d
3 TNn 最低气温极小值 年、 月的最低气温极小值 ℃
4 TXx 最高气温极大值 年、 月的最高气温最大值 ℃
5 WSDI 暖日持续日数 每年至少连续6天最高气温>90分位数的日数 d
6 CSDI 冷日持续日数 每年至少连续6天最高气温<90分位数的日数 d
7 PRCPTOT 年降水量 年降水的累计量 mm
8 CDD 连续无雨日数 最长连续无雨日数 d
9 CWD 连续有雨日数 最长连续降雨日数 d
10 RX1day 日最大降水量 一日的最大降水量 mm

基准时间段为1986 -2005年

2.3　模式评估方法

前人常用距平逼近法， 将地面气象台站观测资料的各个气候变量的气候场和距平场分别插值后叠加得到模式格点数据进行比较（李金洁等， 2019； 吴佳和高学杰， 2013； Xu et al， 2009）。然而， 青藏高原站点分布不均匀， 东部多西部稀少， 且地形、 地貌、 海拔差异大， 这种差异对气象的影响机理变得更加复杂， 特别是对降水的影响机理（钟水新， 2020）， 插值将进一步扩大研究误差， 因此也有学者在评估格网气象数在青藏高原地区刻画能力时， 提取站点点位所对应格网点的气象数据与站点观测值进行比较研究， 从而得出格网气象数据在青藏高原区域的时空刻画能力（Zhang et al， 2018； Liu et al， 2019）。为此文中也基于站点点位， 从时序和空间两个层面， 就多模式产品对青藏高原极端气候的模拟能力进行评估。由于同一模式对不同极端气候指数的模拟能力差异性较大， 例如， 一个模式对某一极端气候指数模拟能力较好， 但对其他极端气候指数的模拟能力可能最差， 当所选的极端气候指数越多， 这种差异性将越大。由于文中选取了10个极端气候指数， 如果针对所有极端气候指数整体评选出最优模式， 其评选结果并不能保证评选质量。为此， 文中按照极端气候指数识别所用的日最低气温、 日最高气温和日降水量数据不同， 将极端气候指数分为三类， 分别为日最低气温类极端气候指数（FD、 TNn和CSDI）、 日最高气温类极端气候指数（ID、 TXx和WSDI）和日降水类极端气候指数（PRCPTOT、 CDD、 CWD和RX1day）， 再按照所分的三个类型， 评选各自的最优模式。
（1） 时序模拟能力评估方法： 首先利用气象站点观测数据， 对选取的极端气候指标进行识别， 并以年为时间尺度， 计算每个极端气候指数所有站点的平均值， 将其作为观测值， 再依次利用21个模式数据， 计算观测气象站点所在格点位置的每个极端气候指数， 并同样以年为时间尺度， 计算每个极端气候指数所有气象站点所在格点的平均值， 将其作为不同模式的模拟结果。最后以气象站点观测值为准， 分析不同模式对极端气候指数的模拟能力。在模式评选时， 采用观测值和模拟值的中心化均方根误差和相关系数作为统计指标， 依据这两个指标的统计结果， 采用等级（ranking）排序方法， 将21个模式对10个极端气候指数的模拟能力排序， 在此基础上， 对21个模式以日最低气温、 日最高气温和日降水三类指数各自排名累加， 得出相应的最优模式。
（2） 空间模拟能力评估方法： 首先利用气象站点观测数据， 对选取的极端气候指标进行识别， 并计算各个站点每个极端指数1986 -2005年的多年平均值， 将其作为观测值； 再依次利用21个模式数据， 计算观测气象站点所在格点位置的每个极端气候指数， 同样并计算各个站点每个极端指数1986 -2005年多年平均值， 作为模拟结果； 最后以气象站点观测值为准， 分析不同模式对极端气候指数的空间模拟能力。模式优选方法同上， 此处不再赘述。中心化均方根误差（RMSE）和相关系数（r）表示如下：
R M S E = 1 n ∑ i = 1 n x i - x ¯ - y i - y ¯ 2
δ x = 1 n ∑ i = 1 n x i - x ¯ 1 2
δ y = 1 n ∑ i = 1 n y i - y ¯ 1 2
r = 1 δ x δ y [ 1 n ∑ i = 1 n x i - x ¯ - y i - y ¯ ]
式中： x表示模式模拟结果； x ¯为模拟结果平均值； y表示观测值； y ¯为观测值的平均值； n 表示站点数（年）。RMSE值越小， 表明模式的模拟能力越好， 反之亦然； r值越大， 表明模式模拟能力越好， 反之亦然。

3 结果分析

3.1　极端气候指数的时序变化

图2给出了1986 -2005年模式模拟和观测的青藏高原极端气候指数区域平均的时间序列变化。10个极端气候指数FD、 ID、 TNn、 TXx、 WSDI、 CSDI、 PRCPTOT、 CDD、 CWD和RX1day的多年观测平均值依次为192.53天、 36.42天、 -20.92 ℃、 26.28 ℃、 11.93天、 12.71天、 485.07 mm、 90.46天、 7.54天和29.12 mm。除TNn和TXx的观测值大于多模式集合结果的多年平均值外， 其余8个极端气候指数的观测值都小于多模式集合结果的多年平均值， 其中FD、 TXx和CDD的观测值与多模式集合结果的差异值较大， 而其余极端气候指数的观测值与多模式集合结果的差异值相对较小。趋势变化来看， TNn、 TXx、 WSDI、 PRCPTOT和CDD的观测值呈增长趋势， 其值依次为0.83 ℃·（10a）-1、 0.27 ℃·（10a）-1、 1.72 d·（10a）-1、 12.07 mm·（10a）-1和3.77 d·（10a）-1， 而FD、 ID、 CSDI、 CWD和RX1day的观测值有着降低趋势， 其值分别为 -7.26 d·（10a）-1、 -3.13 d ·（10a）-1、 -3.60 d·（10a）-1、 -0.08 d·（10a）-1和-0.23 mm·（10a）-1。在这10个指数中， 除FD之外， 不管是增加趋势， 还是降低趋势均不显著（表3）。相比较而言， 对于FD、 ID、 CSDI和CDD这四个极端气候指数， 多模式的模拟值与观测值的变化趋势基本一致， TXx与WSDI指数只有 IPSL-CM5A-MR、 MIROC-ESM、 MPI-ESM-LR 和NorESM1-M 4个模式的模拟值和观测值呈相反的变化趋势， 其余17个模式的模拟值与观测值的变化趋势亦一致（表3）。除FD、 ID、 CSDI、 CDD、 TXx和WSDI之外， 其余4个指数的多模式的模拟值与观测值的变化趋势差异很大。
图2 21个模式模拟和观测的1986 -2005年青藏高原区域平均极端气候指数变化

Fig.2 Temporal changes in extreme climate indices over Qinghai-Xizang Plateau during 1986 to 2005 from observation and simulation of 21 models

表3 1986 -2005年模拟和观测的青藏高原极端气候指数变化趋势

Table 3 Simulated and observed regional-averaged trends of extreme climate indices over Qinghai-Xizang Plateau from 1986 to 2005

极端指标 FD /［d·（10a）-1］ ID /［d·（10a）-1］ TNn /［℃·（10a）-1］ TXx /［℃·（10a）-1］ WSDI /［d·（10a）-1］ CSDI /［d·（10a）-1］ PRCPTOT /［mm·（10a）-1］ CDD /［d·（10a）-1］ CWD /［d·（10a）-1］ RX1day /［mm·（10a）-1］
ACCESS1-0 -4.90* -7.50* 1.13* 0.82* 5.57* -7.04* -8.80 8.57 -0.64 1.19
bcc-csm1-1 -1.77 -1.79 -0.18 0.42* 4.43* -2.85 11.49 6.31 0.46 1.32
BNU-ESM -3.20 -1.92 0.10 0.84* 6.49* -2.49 -12.98 9.80 -0.27 0.29
CanESM2 -1.04 -1.27 -0.06 0.32 3.10 0.49 6.92 10.33 -0.34 1.23
CCSM4 -3.49 -2.16 0.28 0.14 2.89 -1.84 50.17* 9.37 0.58 3.68*
CESM1-BGC -3.13* -2.66 0.38 0.30 0.47 -6.53* 19.16 8.62 0.47 0.45
CNRM-CM5 -4.94* -3.76 -0.01 0.63 4.90* -0.70 8.70 8.07 0.84 0.77
CSIRO-Mk3-6-0 -5.81* -4.96* 0.85* 0.55 7.21* -5.56 -22.76 6.65 -0.14 -2.45
GFDL-CM3 -4.21* -2.15 0.22 0.06 2.36 -4.45 2.56 5.34 0.48 1.31
GFDL-ESM2G -2.39 -4.90* 0.78* 0.25 2.82 -10.33* 14.15 8.18 -0.28 2.45*
GFDL-ESM2M -5.87* -5.16* 0.88* 0.18 3.32 -9.57* -16.03 10.53 0.16 -0.54
inmcm4 -3.88* -3.80 0.24 0.17 3.20 -1.17 16.63 6.05 0.76 -0.12
IPSL-CM5A-LR -4.21* -1.67 -0.10 0.15 0.79 1.89 41.39* 9.43 2.82* 3.34
IPSL-CM5A-MR -2.81 -0.46 0.22 -0.09 0.01 -3.11 5.86 7.93 0.92 -1.02
MIROC5 -3.12 0.79 0.26 0.39 2.91* -3.98 6.25 8.14 0.05 3.78*
MIROC-ESM -3.21* -5.89* 0.39 -0.23 -1.32 -2.88 20.64 11.82* 0.38 1.95
MIROC-ESM-CHEM -5.69* -3.57 0.76 0.42 5.47* -5.19 -8.45 9.81 -0.52 0.02
MPI-ESM-LR -3.47* -3.16 0.45 -0.20 -2.15 -4.60 -9.09 9.14 0.10 -1.01
MPI-ESM-MR -1.34 -1.62 -0.19 0.26 3.19* -1.24 0.29 7.89 -0.79 1.75
MRI-CGCM3 -1.32 0.18 -0.12 0.09 -0.59 -0.64 22.85 7.76 -0.19 4.43*
NorESM1-M -2.90* 0.33 0.40 -0.30 -3.47* -2.24 31.15 10.33 1.82* 1.46
站点值 -7.26* -3.13 0.83 0.27 1.72 -3.60 12.07 3.77 -0.08 -0.23

*表示p值通过置信度为0.05的显著水平检验

3.2　极端气候指数模拟能力评估

3.2.1　时序模拟能力评估

表4、 5分别为1986 -2005年在时序上21个模式模拟的极端气候指数和观测的极端气候指数之间中心化均方根误差和相关系数。可见， 表征强度的极端气候指数TXx与TNn的中心化均方根误差为0.62~1.55 ℃， PRCPTOT为37.24~70.50 mm， RX1day为2.72~6.44 mm； 表征频次的极端气候指数FD、 ID、 WSDI、 CSDI、 CDD和CWD的中心化均方根误差为0.67~12.86天。就相关系数而言， 10个极端气候指数的21个模式模拟值与观测值之间的相关系数最大值为0.74。其中， CDD和FD的多模式模拟值与观测值之间的相关系数较高， 均值分别为0.63与0.34。RX1day的模拟值与观测值之间的相关系数最低。根据表4和表5的结果， 利用21个模式对每种极端气候指数时序模拟能力强弱进行排序， 在此基础上， 综合多模式对每种极端气候模拟能力排序结果， 对21个模式以日最低气温、 日最高气温和日降水三类指数各自排名累加， 得出相应的三类极端气候指数时序模拟能力最优模式（图3）， 结果显示： 对日最低气温类极端气候指数模拟最好的5个模式依次是CESM1-BGC、 GFDL-ESM2G、 GFDL-ESM2M、 BNU-ESM和GFDL-CM3； 对日最高气温类极端气候指数模拟最好的5个模式依次是CanESM2、 BNU-ESM、 GFDL-CM3、 GFDL-ESM2G和CSIRO-Mk3-6-0； 对日降水量类极端气候指数模拟最好的5个模式依次是BNU-ESM、 CanESM2、 CSIRO-Mk3-6-0、 MPI-ESM-MR和MIROC-ESM-CHEM。
表4 1986 -2005年青藏高原极端气候指数21个模式的模拟值与观测值之间时序变化的中心均方根误差

Table 4 RMSE between simulated and observed values of temporal variation of extreme climate indices on the Qinghai-Xizang Plateau from 1986 to 2005

极端指标 FD /d ID /d TNn /℃ TXx /℃ WSDI /d CSDI /d PRCPTOT /mm CDD /d CWD /d RX1day /mm
ACCESS1-0 5.84 6.82 1.13 0.90 8.00 8.67 52.08 10.46 1.68 2.72
bcc-csm1-1 6.07 5.66 1.32 0.73 6.21 7.46 61.19 11.54 2.45 6.44
BNU-ESM 5.17 5.25 1.13 0.78 5.98 7.46 38.33 9.51 0.67 3.28
CanESM2 7.10 6.06 1.04 0.70 5.42 7.25 37.84 11.50 0.78 3.23
CCSM4 8.08 7.17 0.98 0.76 5.73 6.55 40.22 11.39 1.57 4.50
CESM1-BGC 5.64 6.51 0.90 0.84 8.28 6.50 60.86 12.65 0.95 3.51
CNRM-CM5 7.08 7.60 1.30 0.84 5.40 8.16 47.77 10.70 2.64 3.55
CSIRO-Mk3-6-0 7.29 7.21 0.93 0.71 7.37 8.46 53.47 8.88 1.33 3.91
GFDL-CM3 5.87 6.06 1.09 0.65 5.27 8.68 59.47 11.21 1.81 4.71
GFDL-ESM2G 6.21 6.33 0.95 0.63 6.08 7.20 44.17 12.11 1.81 3.51
GFDL-ESM2M 5.15 7.15 1.12 0.75 7.73 8.78 58.67 11.80 1.96 3.34
inmcm4 7.20 5.52 1.23 0.79 6.68 7.25 51.82 10.30 1.66 3.68
IPSL-CM5A-LR 6.71 7.91 1.46 0.76 7.47 12.59 58.16 10.41 2.52 4.33
IPSL-CM5A-MR 6.90 6.52 1.26 0.86 6.80 8.18 57.06 10.24 2.67 4.12
MIROC5 6.89 7.92 1.32 0.74 4.64 8.39 64.65 10.47 0.95 4.63
MIROC-ESM 6.47 6.43 1.41 0.90 7.73 8.55 52.01 10.18 1.00 5.31
MIROC-ESM-CHEM 5.42 5.95 1.55 0.77 6.56 9.24 46.77 10.61 1.32 3.94
MPI-ESM-LR 6.21 6.63 1.12 0.80 6.32 8.64 70.50 10.68 1.04 3.76
MPI-ESM-MR 7.43 8.30 1.46 0.63 6.08 10.18 37.25 11.68 1.50 3.87
MRI-CGCM3 6.34 7.23 1.40 0.75 7.01 7.39 44.36 9.45 1.57 5.23
NorESM1-M 6.69 9.69 1.27 0.73 6.33 9.39 51.25 12.86 2.41 4.59
表5 1986 -2005年青藏高原极端气候指数21个模式模拟值与观测值之间时序变化的相关系数

Table 5 r between simulated and observed values of temporal change of extreme climate indices on the Qinghai-Xizang Plateau during the period 1986 -2005

极端指标 FD ID TNn TXx WSDI CSDI PRCPTOT CDD CWD RX1day
ACCESS1-0 0.46* 0.36 0.31 0.20 -0.20 0.06 -0.29 0.68* 0.03 0.23
bcc-csm1-1 0.40 0.36 0.11 0.14 0.07 0.26 0.14 0.55* -0.07 -0.35
BNU-ESM 0.61 0.55* 0.16 0.32 0.30 0.40 0.15 0.74* 0.33 -0.06
CanESM2 0.01 0.36 0.25 0.30 0.24 0.20 0.07 0.65* -0.05 0.25
CCSM4 0.18 -0.12 0.42 0.28 0.21 0.16 0.34 0.59* -0.01 -0.09
CESM1-BGC 0.50* 0.14 0.35 0.09 -0.13 0.38 -0.38 0.58* 0.28 0.09
CNRM-CM5 0.27 0.30 0.14 0.09 0.30 0.31 0.01 0.64* -0.22 -0.21
CSIRO-Mk3-6-0 0.38 0.21 0.55* 0.34 0.39 0.17 -0.14 0.72* 0.12 0.01
GFDL-CM3 0.47* 0.17 0.15 0.22 0.20 0.27 -0.05 0.66* 0.12 -0.12
GFDL-ESM2G 0.43 0.41 0.40 0.18 0.02 0.41 0.33 0.61* 0.21 -0.09
GFDL-ESM2M 0.64* 0.06 0.24 0.19 0.10 0.42 -0.13 0.55* 0.28 0.04
inmcm4 0.19 0.55* 0.17 0.18 0.08 0.34 -0.18 0.68* 0.00 -0.26
IPSL-CM5A-LR 0.25 -0.03 -0.05 -0.03 -0.22 -0.52 0.05 0.68* -0.05 0.32
IPSL-CM5A-MR 0.23 0.13 0.02 -0.31 -0.30 0.18 -0.17 0.68* -0.27 0.10
MIROC5 0.39 0.20 0.31 0.13 0.19 0.37 -0.37 0.65* 0.08 -0.11
MIROC-ESM 0.31 0.40 0.17 -0.15 -0.09 0.18 0.06 0.70* -0.19 -0.19
MIROC-ESM-CHEM 0.58* 0.42 0.21 0.07 -0.03 0.23 0.05 0.65* 0.04 0.21
18MPI-ESM-LR 0.39 0.16 0.26 0.17 0.03 0.19 -0.18 0.63* -0.07 -0.12
19MPI-ESM-MR -0.10 -0.13 -0.25 0.33 -0.05 -0.23 0.38 0.56* 0.06 0.07
20MRI-CGCM3 0.26 0.09 -0.11 0.08 -0.10 0.30 0.20 0.66* -0.04 -0.03
NorESM1-M 0.23 -0.25 0.10 0.18 -0.08 -0.41 0.16 0.49* -0.60* -0.02

*表示p值通过置信度为0.05的显著水平检验

图3 21个模式对1986 -2005年青藏高原极端气候指数时序变化模拟能力排序

格点颜色对应的数字为该模式模拟能力的排名

Fig.3 Ranking of 21 models for their performance based on the relationship of simulated and observed temporal trends of extreme climate indices on the Qinghai-Xizang Plateau from 1986 to 2005.The number corresponding to the grid color is the ranking of the simulation ability of the specific model

3.2.2　空间模拟能力评估

通过计算得1986 -2005年在空间上21个模式模拟的极端气候指数和观测的极端气候指数之间中心化均方根误差和相关系数（表6， 表7）。对于所有10个极端气候指数， 模拟值与观测值的平均相关系数高达0.59， 最大值为0.88。TNn和ID的多模式模拟结果与观测值的相关系数较高， 均值分别为0.86与0.81， 而CDD的模式模拟结果与观测值的相关系数最低。就模式模拟结果与观测值之间的中心化均方根误差而言， TXx与TNn为3.29~4.59 ℃， PRCPTOT为254.6~283.9 mm， RX1day为13.37~22.24 mm， 在表征频次的6个极端气候指数中， WSDI、 CSDI和CWD的中心化均方根误差较小， 介于2.67~9.86天， FD、 ID、 CDD的中心化均方根误差为29.04~57.72天， 远高于前3个指数。根据表6和表7的结果， 利用21个模式对每种极端气候指数空间模拟能力强弱进行排序， 在此基础上， 综合多模式对每种极端气候模拟能力排序结果， 对21个模式以日最低气温、 日最高气温和日降水三类指数各自排名累加， 得出相应的三类极端气候指数空间模拟能力最优模式（图4）， 结果显示： 对日最低气温类极端气候指数模拟最好的五个模拟式依次是MIROC-ESM、 CCSM4、 MIROC-ESM-CHEM、 IPSL-CM5A-LR和MIROC5； 对日最高气温类极端气候指数模拟最好的5个模式依次是CanESM2、 BNU-ESM、 MRI-CGCM3、 MIROC-ESM-CHEM和MIROC-ESM； 对日降水量类极端气候指数模拟最好的5个模式依次是MIROC-ESM、 CanESM2、 BNU-ESM、 MIROC5和CSIRO-Mk3-6-0。
表6 1986 -2005年青藏高原极端气候指数模式模拟值与观测值之间空间中心均方根误差

Table 6 RMSE between simulated and observed spatial trends of extreme climate indiceson the Qinghai-Xizang Plateau from 1986 to 2005

极端指标 FD /d ID/ d TNn /℃ TXx /℃ WSDI /d CSDI /d PRCPTOT /mm CDD /d CWD /d RX1day /mm
ACCESS1-0 39.69 30.01 4.43 3.52 2.77 3.12 266.03 54.95 3.93 18.77
bcc-csm1-1 39.78 31.00 4.33 3.47 3.27 3.50 266.81 56.64 7.82 14.74
BNU-ESM 39.76 29.10 4.38 3.42 3.02 3.60 262.90 53.57 2.67 19.97
CanESM2 40.04 29.37 4.43 3.48 3.18 3.38 262.69 52.67 2.95 20.11
CCSM4 38.87 30.38 4.50 3.54 3.17 3.01 278.06 55.31 3.88 22.23
CESM1-BGC 40.80 30.65 4.53 3.50 4.05 3.74 264.41 55.40 5.19 17.12
CNRM-CM5 40.16 30.49 4.58 3.30 5.05 3.50 267.07 57.72 9.86 13.37
CSIRO-Mk3-6-0 39.35 30.61 4.50 3.54 3.50 3.67 254.61 55.31 5.13 15.18
GFDL-CM3 39.42 30.95 4.49 3.48 3.36 3.01 274.26 54.84 4.69 17.59
GFDL-ESM2G 39.68 30.34 4.49 3.45 3.54 3.11 281.57 54.24 4.78 17.89
GFDL-ESM2M 39.90 29.74 4.24 3.44 3.57 3.76 271.35 55.30 9.76 13.91
inmcm4 39.42 29.23 4.07 3.63 3.50 3.54 283.92 53.32 6.91 15.75
IPSL-CM5A-LR 38.68 30.04 4.08 3.41 3.74 4.38 274.81 56.49 5.72 14.62
IPSL-CM5A-MR 38.98 30.20 4.18 3.38 3.94 3.98 279.49 55.88 6.08 15.15
MIROC5 39.04 31.31 4.43 3.50 3.33 3.31 276.02 53.87 2.72 18.22
MIROC-ESM 39.13 29.04 4.17 3.50 3.22 3.92 257.02 56.72 2.88 17.24
MIROC-ESM-CHEM 39.51 29.19 4.32 3.44 3.35 3.37 283.25 53.65 3.61 21.11
MPI-ESM-LR 40.70 30.56 4.28 3.58 4.16 3.63 259.24 55.34 3.59 17.43
MPI-ESM-MR 39.72 29.94 4.35 3.48 3.67 3.97 261.38 57.20 5.48 15.77
MRI-CGCM3 40.28 30.18 4.41 3.45 2.74 3.53 266.43 57.67 8.59 15.77
NorESM1-M 39.17 30.32 4.59 3.34 3.40 3.48 269.79 54.48 5.40 18.42
表7 1986 -2005年青藏高原极端气候指数模式模拟值与观测值的空间相关系数

Table 7 r between simulated and observed spatial trends of extreme climate indices on the Qinghai-Xizang Plateau from 1986 to2005

极端指标 FD ID TNn TXx WSDI CSDI PRCPTOT CDD CWD RX1day
ACCESS1-0 0.79* 0.81* 0.85* 0.65* 0.53* 0.32* 0.53* 0.32* 0.59* 0.50*
bcc-csm1-1 0.79* 0.80* 0.86* 0.66* 0.50* 0.25* 0.56* 0.33* 0.54* 0.55*
BNU-ESM 0.80* 0.81* 0.85* 0.67* 0.55* 0.04 0.57* 0.38* 0.62* 0.52*
CanESM2 0.79* 0.81* 0.85* 0.67* 0.57* 0.23* 0.57* 0.38* 0.60* 0.54*
CCSM4 0.80* 0.81* 0.85* 0.66* 0.61* 0.46* 0.54* 0.35* 0.62* 0.54*
CESM1-BGC 0.79* 0.81* 0.85* 0.66* 0.56* 0.16 0.56* 0.34* 0.45* 0.53*
CNRM-CM5 0.79* 0.80* 0.84* 0.69* 0.42* 0.17 0.56* 0.31* 0.50* 0.57*
CSIRO-Mk3-6-0 0.80* 0.80* 0.85* 0.66* 0.61* 0.25* 0.57* 0.32* 0.54* 0.57*
GFDL-CM3 0.80* 0.81* 0.85* 0.66* 0.46* 0.44* 0.53* 0.33* 0.61* 0.52*
GFDL-ESM2G 0.79* 0.80* 0.85* 0.66* 0.48* 0.36* 0.52* 0.35* 0.60* 0.57*
GFDL-ESM2M 0.79* 0.81* 0.87* 0.67* 0.60* 0.27* 0.55* 0.34* 0.46* 0.54*
inmcm4 0.80* 0.81* 0.88* 0.65* 0.62* 0.15 0.52* 0.36* 0.46* 0.54*
IPSL-CM5A-LR 0.81* 0.82* 0.88* 0.67* 0.26* -0.01 0.54* 0.30* 0.63* 0.57*
IPSL-CM5A-MR 0.80* 0.81* 0.87* 0.68* 0.29* 0.05 0.54* 0.31* 0.63* 0.55*
MIROC5 0.80* 0.80* 0.85* 0.66* 0.57* 0.31* 0.53* 0.36* 0.68* 0.55*
MIROC-ESM 0.80* 0.81* 0.87* 0.67* 0.51* 0.34* 0.59* 0.32* 0.72* 0.61*
MIROC-ESM-CHEM 0.80* 0.81* 0.86* 0.67* 0.52* 0.37* 0.52* 0.35* 0.63* 0.56*
MPI-ESM-LR 0.79* 0.80* 0.86* 0.66* 0.48* 0.38* 0.55* 0.34* 0.52* 0.58*
MPI-ESM-MR 0.80* 0.81* 0.86* 0.66* 0.41* -0.07 0.58* 0.34* 0.58* 0.52*
MRI-CGCM3 0.79* 0.81* 0.86* 0.66* 0.63* 0.24* 0.57* 0.30* 0.48* 0.58*
NorESM1-M 0.80* 0.80* 0.84* 0.67* 0.34* 0.05 0.58* 0.35* 0.63* 0.54*

*表示p值通过置信度为0.05的显著水平检验

图4 21个模式对1986 -2005年青藏高原极端气候指数空间变化模拟能力排序

格点颜色对应的数字为该模式模拟能力的排名

Fig.4 Ranking of 21 models for their performance based on the relationship of simulated and observed spatial trends of extreme climate indices from 1986 to 2005.The number corresponding to the grid color is the ranking of the simulation ability of the specific model

3.3　优选模式结果分析

3.3.1　综合优选模式

由于不同模式大到框架设定、 细到模式中物理参数的选取和设定， 都是不同的， 因此模式模拟的不确定性是客观存在的（蒋帅等， 2017）。青藏高原地区地势复杂， 观测资料少、 且空间分布不均匀， 加大了模式的模拟难度和验证难度。其次， 同一模式对同一极端气候指数在空间模拟和时序模拟结果之间可能存在较大差异， 致使有的模式空间模拟能力强， 时序模拟能力较弱， 而有的模式时序模拟能力好， 空间模拟能力差， 例如， 模式MIROC-ESM对日最低气温类极端气候指数空间模拟能力较好， 但时序模拟能力很弱。鉴于此， 文中在分别评价时序模拟能力和空间模拟能力的基础上， 利用多模式的空间模拟能力排序和时序模拟能力排序进行累加， 进一步综合优选了时序与空间模拟能力都较强的模式（图5）。其中， 对日最低气温类极端气候指数模拟最好的5个模式依次是GFDL-ESM2G、 GFDL-CM3、 CCSM4、 MIROC5和ACCESS1-0； 对日最高气温类极端气候指数模拟最好的5个模式依次是CanESM2、 BNU-ESM、 MIROC-ESM-CHEM、 inmcm4、 和CCSM4； 对日降水量类极端气候指数模拟最好的5个模式依次是BNU-ESM、 CanESM2、 CSIRO-Mk3-6-0、 MIROC-ESM和MIROC-ESM-CHEM。
图5 21个模式对1986 -2005年青藏高原极端气候指数综合模拟能力排序

格点颜色对应的数字为该模式模拟能力的排名

Fig.5 Ranking of 21 models for their performance based on simulations of temporal and spatial trends extreme climate indices from 1986 to 2005.The number corresponding to the grid color is the ranking of the simulation ability of the specific model

3.3.2　综合优选模式和多模式模拟结果比较

就空间模拟能力而言， 对于极端气候指数FD、 ID、 TNn和TXx， 优选模式模拟结果和观测值的平均相关系数与多模式集合结果和观测值的平均相关系数无明显差别， WSDI、 CSDI、 PROCPTOT、 CDD、 CWD、 RX1day的优选模式中每种模式模拟结果和观测值的平均相关系数依次为0.57， 0.38， 0.56， 0.35， 0.62和0.56， 而多模式中每种模式模拟结果与观测值的平均相关系数依次为0.5， 0.23， 0.55， 0.34， 0.58和0.55， 显然优选模式中每种模式模拟结果和观测值的平均相关系数高于多模式模拟结果和观测值的平均相关系数。在时序模拟能力方面， 对于所有极端气候指数FD、 ID、 TNn、 TXx、 WSDI、 CSDI、 PROCPTOT、 CDD、 CWD和RX1day， 优选模式模拟结果和观测值的平均相关系数分别为0.38， 0.35， 0.31， 0.23， 0.16， 0.25， 0.04， 0.69， 0.05和0.04， 多模式模拟结果和观测值的平均相关系数分别为0.34， 0.21， 0.19， 0.14， 0.04， 0.17， 0.003， 0.64， -0.001和 -0.02， 多模式模拟结果与观测值的平均相关系数明显小于优选模式模拟结果和观测值的平均相关系数。由此可知， 优选模式集合平均结果在青藏高原地区整体上明显优于多模式的集合平均值。为此， 在青藏高原未来极端气候预估与极端气候变化相关科学研究中， 选择优选模式将更加合理。

4 结论与讨论

基于1986 -2005年青藏高原气象台站逐日观测资料， 选用最能体现高原地区自然环境与社会经济活动受气候变化影响的10个极端气候指数： 霜冻日数、 结冰日数、 最低气温极小值、 最高气温极大值、 暖日持续日数、 冷日持续日数、 年降水量、 连续无雨日数、 连续有雨日数和日最强降水量， 评估了NEX-GDDP中21个模式对青藏高原极端气候的模拟能力， 主要得到如下结论：
（1） 在21个模式的模拟结果中， 只有TNn和TXx的模拟平均值小于站点观测值， 其余8个极端气候指数的模拟平均值均大于观测值。从变化趋势看， TNx、 TXx、 WSDI、 PRCPTOT、 CDD的观测值呈现增长趋势， 而FD、 ID、 CSDI、 CWD和RX1day的观测值呈现降低趋势。从模拟值和观测值一致性上看， FD、 ID、 CSDI和CDD的观测值与模式模拟值变化趋势一致性强， 其余6个极端气候指数的观测值与模拟值一致性较弱
（2） 21个模式对所选极端气候指数的空间模拟能力和时序模拟能力差异较大， 就相关系数而言， 多模式集合的空间模拟能力好于时序模拟能力， 就中心化均方根误差而言， 时序模拟能力又优于空间模拟能力。具体地， 21个模式模拟值与观测值的空间相关系数均值为0.59， 而时序相关系数均值为0.17； 针对空间模拟能力， TXx和TNn的模拟值与观测值之间的中心均方根误差为3.29~4.59 ℃， PRCPTOT和RX1day的均方根误差分别为254.6~283.9 mm和13.37~22.24 mm， FD、 ID、 WSDI、 CSDI、 CDD和CWD的均方根误差为2.67~57.72天。针对时序模拟能力， TXx和TNn的模拟值与观测值之间的中心均方根误差为0.62~1.55 ℃， PRCPTOT和RX1day的均方根误差分别为37.24~70.50 mm和2.72~6.44 mm， FD、 ID、 WSDI、 CSDI、 CDD和CWD的均方根误差为0.67~12.86天。
（3）基于21个模式对极端气候指数空间模拟能力与时序模拟能力的评估， 综合选取了可用于青藏高原极端气候变化研究的最优模式， 其中， 日最低气温类极端气候指数综合模拟最好的5个模式依次是GFDL-ESM2G、 GFDL-CM3、 CCSM4、 MIROC5和ACCESS1-0； 日最高气温类极端气候指数模拟最好的5个模式依次是CanESM2、 BNU-ESM、 MIROC-ESM-CHEM、 inmcm4、 和CCSM4； 日降水量类极端气候指数模拟最好的5个模式依次是BNU-ESM、 CanESM2、 CSIRO-Mk3-6-0、 MIROC-ESM和MIROC-ESM-CHEM。
CanESM2、 BNU-ESM和MIROC-ESM-CHEM 3个模式对青藏高原日最高气温类极端气候指数和日降水量类极端气候指数的模拟结果都比较突出， 而日最低气温类极端气候指数优选模式与其他两类（日最高类和日降水量类）的优选模式的一致性比较差， 只有CCSM4对日最低气温类极端气候指数和日最高气温类极端气候指数的模拟能力较好。李金洁等（2019）选取了TNx、 TXx、 TN90p和TX90p四个暖极端气候指数， 对NEX-GDDP数据在整个中国的模拟能力进行了评估， 结果显示CanESM2、 CESM1-BGC和MIROC-ESM-CHEM 3个模式模拟性能最优， 这与本文中日最高气温类最优模式选取结果有一定相似性， 表明日最高气温类极端气候指数综合优选模式无论是在全国范围还是青藏高原地区都有较强的模拟能力。
文中选取了10个极端气候指标， 从时序和空间两方面， 全面评估了NEX-GDDP数据对青藏高原极端气候的模拟能力， 并优选了综合模拟能力较好的前5个模式， 这些结论可为青藏高原极端气候事件研究提供数据支撑。然而， 值得说明的是， 在模式模拟能力评价时， 所选的极端气候指标将会直接影响评选结果。尽管文中为了尽可能全面反映与体现青藏高原实际情况， 选取了10个极端气候指数， 涵盖了极端高温、 极端低温与极端降水3个方面， 但仍具有一定的局限性， 在后期研究中， 将选用更多不同指数丰富和充实评估结果。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
Allen S K， Plattner G K， Nauels A， al et， change Climate 2013 ： The physical science basis.An overview of the working group 1 contribution to the fifth assessment report of the Intergovernmental Panel on Climate Change （IPCC） ［M］.AGU Fall Meeting Abstracts.2013： GC51A-0949.

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］.Journal of Meteorological Research， 31（1）： 236-249.

Chen H P， Sun J Q， 2015.Assessing model performance of climate extremes in China： an intercomparison between CMIP5 and CMIP3［J］.Climatic Change， 129（1）： 197-211.

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［J］.Atmospheric and Oceanic Science Letters， 10（6）： 403-410.

Li W， Jiang Z H， Xu J J， al et， 2016.Extreme precipitation indices over China in CMIP5 Models.Part II： Probabilistic projection［J］.Journal of Climate， 29（24）： 8989-9004.

Liu J， Shangguan D H， Liu S Y， al et， 2019.Evaluation and comparison of CHIRPS and MSWEP daily-precipitation products in the Qinghai-Tibet Plateau during the period of 1981-2015［J］.Atmospheric Research， 230： 104634.

Mishra S K， Jain S， Salunke P， al et， 2019.Past and future climate change over the Himalaya-Tibetan Highland： Inferences from APHRODITE and NEX-GDDP data［J］.Climatic Change， 156（3）： 315-322.

Orlowsky B， Seneviratne S， 2012.Global changes in extreme events： regional and seasonal dimension［J］.Climatic Change， 110（3）： 669-696.

Thrasher B， Xiong J， Wang W L， al et， 2013.Downscaled climate projections suitable for resource management［J］.Eos， Transactions American Geophysical Union， 94（37）： 321-323.

Taylor K E， Stouffer R J， Meehl G A， al et， 2012.An overview of CMIP5 and the experiment design ［J］.Bulletin of the American Meteorological Society， 93（4）： 485-498.

Xu Y， Gao X J， Shen Y， al et， 2009.A daily temperature dataset over China and its application in validating a RCM simulation［J］.Advances in Atmospheric Sciences， 26（4）： 763-772.

Zhang S J， Wang D H， Qin Z K， al et， 2018.Assessment of the GPM and TRMM precipitation products using the rain gauge network over the Tibetan Plateau［J］.Journal of Meteorological Research， 32（2）： 324-336.

陈说， 叶涛， 刘苇航， 等， 2020.NEX-GDDP和CMIP5对青藏高原地区近地面气象场历史和未来模拟的评估与偏差校正［J/OL］.高原气象， 1-15.DOI： 10.7522/j.issn.1000-0534.2020.00019. ［2020-11-05］.

程志刚， 刘晓东， 赵林， 2007.青藏高原未来气候变化及其对高原多年冻土分布的影响［C］//青藏高原资源·环境·生态建设学术研讨会暨中国青藏高原研究会2007学术年会论文摘要汇编.16-17.

崔鹏， 贾洋， 苏凤环， 等， 2017.青藏高原自然灾害发育现状与未来关注的科学问题［J］.中国科学院院刊， 32（9）： 985-992.

丁永建， 秦大河， 2009.冰冻圈变化与全球变暖： 我国面临的影响与挑战［J］.中国基础科学， 11（3）： 4-10.

郭晓宁， 2010.青海高原近50a来雪灾特征研究 ［D］.兰州： 兰州大学.

胡浩林， 2013.CMIP5模式集合对中国区域性低温事件的模拟及预估 ［D］.兰州： 兰州大学.

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［J］.气候变化研究进展， 13（1）： 11-24.

李金洁， 王爱慧， 郭东林， 等， 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［J］.气象学报， 77（3）： 579-593.

李韧， 赵林， 丁永建， 等， 2012.青藏公路沿线多年冻土区活动层动态变化及区域差异特征［J］.科学通报， 57（30）： 2864-2871.

马伟东， 2019.青藏高原极端降水特征及洪涝灾害临界雨量估算 ［D］.西宁： 青海师范大学.

秦大河， 丁永建， 2009.冰冻圈变化及其影响研究——现状、 趋势及关键问题［J］.气候变化研究进展， 5（4）： 187-195.

沈雨辰， 2014.CMIP5模式对中国极端气温指数模拟的评估及其未来预估 ［D］.南京： 南京信息工程大学.

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他资料的对比［J］.地球物理学报， 56（4）： 1102-1111.

王玉琦， 鲍艳， 南素兰， 2019.青藏高原未来气候变化的热动力成因分析［J］.高原气象， 38（1）： 29-41.DOI： 10.7522/j.issn. 1000-0534.2018.00066.

肖林鸿， 高艳红， FEI C， 等， 2016.青藏高原极端气温的动力降尺度模拟［J］.高原气象， 35（3）： 574-89.DOI： 10.7522/j.issn. 1000-0534.2016.00039.

杨志刚， 建军， 洪建昌， 2014.1961-2010年西藏极端降水事件时空分布特征［J］.高原气象， 33（1）： 37-42.DOI： 10.7522/j.issn. 1000-0534.2013.00147.

姚檀栋， 陈发虎， 崔鹏， 等， 2017.从青藏高原到第三极和泛第三极［J］.中国科学院院刊， 32（9）： 924-31.

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［J］.气候变化研究进展， 8（4）： 250-256.

于海英， 许建初， 2009.气候变化对青藏高原植被影响研究综述［J］.生态学杂志， 28（4）： 747-54.

于灏， 周筠珺， 李倩， 等， 2020.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， 39（1）： 68-79.DOI： 10.7522/j.issn.1000-0534.2019.00007.

赵志龙， 张镱锂， 刘峰贵， 等， 2013.青藏高原农牧区干旱灾害风险分析［J］.山地学报， 31（6）： 672-84.

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［J］.气象学报， 76（1）： 47-61.

周天军， 邹立维， 陈晓龙， 2019.第六次国际耦合模式比较计划（CMIP6）评述［J］.气候变化研究进展， 15（5）： 445-456.

钟水新， 2020.地形对降水的影响机理及预报方法研究进展［J］.高原气象， 39（5）： 1122-1132.DOI： 10.7522/j.issn.1000-0534. 2019.00083.

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