CMIP6模式对青藏高原气候的模拟能力评估与预估研究

陈炜; 姜大膀; 王晓欣

doi:10.7522/j.issn.1000-0534.2021.zk003

高原气象 >

2021 , Vol. 40 >Issue 6: 1455 - 1469

DOI: https://doi.org/10.7522/j.issn.1000-0534.2021.zk003

论文

CMIP6模式对青藏高原气候的模拟能力评估与预估研究

陈炜 1^,2 ,
姜大膀 1^,2 ,
王晓欣 1

展开

¹中国科学院大气物理研究所，北京 100029
²中国科学院大学地球与行星科学学院，北京 100049

姜大膀（1974 -），男，吉林人，研究员，主要从事气候变化研究. E-mail： jiangdb@mail.iap.ac.cn

陈炜（1993 -），女，贵州人，博士研究生，主要从事气候变化研究. E-mail： chenwei7@mail.iap.ac.cn

收稿日期: 2021-01-25

网络出版日期: 2021-12-28

基金资助

第二次青藏高原综合科学考察研究项目(2019QZKK0101)

收起

Evaluation and Projection of CMIP6 Models for Climate over the Qinghai-Xizang （Tibetan） Plateau

Wei CHEN 1^,2 ,
Dabang JIANG 1^,2 ,
Xiaoxin WANG 1

Expand

¹Institute of Atmospheric Physics， Chinese Academy of Sciences， Beijing 100029， China
²College of Earth and Planetary Sciences， University of Chinese Academy of Sciences， Beijing 100049， China

Received date: 2021-01-25

Online published: 2021-12-28

Fold

本文亮点

利用国际耦合模式比较计划第六阶段（CMIP6）模拟试验数据，首先评估了45个全球气候模式对1985 -2014年青藏高原地表气温和降水的模拟能力，表明CMIP6模式能合理地模拟地表气温的空间分布，但大部分模式对年和季节平均地表气温的模拟值偏低，年均偏冷2.1 ℃，冷偏差在冬季和春季相对更大。CMIP6模式对青藏高原降水的模拟能力较为有限，尽管它们能模拟出年均降水东多西少的空间分布特征，但普遍存在高估，尤其是在春季和夏季，年均降水较观测偏多397.8 mm·a^-1。基于模拟性能较好的模式，相比于1995 -2014年，在共享社会经济路径（SSPs）中等偏低情景SSP2-4.5下，青藏高原年均地表气温在21世纪90年代上升2.5 ℃， 2015 -2100年的线性趋势平均为0.28 ℃·（10a）^-1，其中秋季和冬季增幅更大，高海拔区增暖幅度高于低海拔区。年均降水在21世纪90年代将增加12.8%， 2015 -2100年的线性趋势平均为1.56%·（10a）^-1，其中春季增幅最大，高原北部边界区为降水增加的大值区。相较SSP2-4.5情景， SSP5-8.5情景下青藏高原地表气温和降水增幅更大， 21世纪90年代年均地表气温升高5.1 ℃，降水增加30.2%，两者在2015 -2100年的线性趋势平均分别为0.64 ℃·（10a）^-1和3.80%·（10a）^-1。整体上，模式对地表气温和降水预估结果的不确定性均随时间增大。

本文引用格式

陈炜 , 姜大膀 , 王晓欣 . CMIP6模式对青藏高原气候的模拟能力评估与预估研究[J]. 高原气象, 2021 , 40(6) : 1455 -1469 . DOI: 10.7522/j.issn.1000-0534.2021.zk003

Highlights

Based on the numerical experiments undertaken by 45 Coupled Model Intercomparison Project Phase 6 （CMIP6） global climate models， we first evaluate the model performance in simulating the temperature and precipitation climatology over the Qinghai-Xizang （Tibetan） Plateau for the period 1985 -2014.Results show that the CMIP6 models can reasonably reproduce the climatological spatial patterns of annual and seasonal temperatures.Most models underestimate annual and seasonal temperatures， with an average of -2.1 ℃ for the annual mean and greater cold biases for winter and spring.The CMIP6 models perform poorly in reproducing annual and seasonal precipitation.They can reasonably reproduce the climatological spatial pattern of annual and seasonal precipitation， but obvious overestimation exists， especially for spring and summer， with a value of 397.8 mm a^-1 for the annual mean.Furthermore， based on the preferred models， annual temperature over the Qinghai-Xizang （Tibetan） Plateau is projected to increase by 2.5 ℃ in the 2090s relative to 1995 -2014， with a trend of 0.28 ℃ per decade during 2015 -2100 under the Shared Society-economic Pathways （SSPs） 2 -4.5 scenario.Larger warming occurs in autumn and winter， and this holds for the high-altitude areas.Annual precipitation increases by 12.8% in the 2090s， with a trend of 1.56% per decade during 2015 -2100 under SSP2-4.5.Generally， larger increase in precipitation occurs in spring and in the northern border area of the Tibetan Plateau throughout the 21st century.Comparatively， annual and seasonal temperatures and precipitation have larger increases under the SSP5-8.5 scenario， and the corresponding magnitudes are 5.1 ℃ and 30.2% in the end of the 21st century， with a trend of 0.64 ℃ and 3.80% per decade， respectively.Overall， the inter-model uncertainty of the projected temperature and precipitation changes increases over time.

1 引言

政府间气候变化专门委员会（IPCC）第五次评估报告指出， 1880 -2012年全球平均地表温度升高了0.85 ℃（0.65~1.06 ℃），并且温室气体的持续排放将导致进一步变暖和气候系统变化（IPCC， 2013）。青藏高原是世界最高的高原，它不仅通过动力强迫和热力作用在东亚和全球大气环流中扮演着重要角色（吴国雄等， 2005； Zhou et al， 2009），其气象因素和水文循环变化对下游地区的天气气候以及生态环境和社会经济亦有重要影响（Hansen et al， 2000；王顺久， 2017）。

近年来，已有许多学者利用观测资料和数值试验开展了青藏高原气候变化研究工作。地面台站的观测资料显示，过去半个世纪以来，青藏高原主体区域的变暖趋势大于同一时期内同纬度其它地区，不同海拔区域的增温幅度亦不相同（Liu and Chen， 2000；蔡英等， 2003； Wang et al， 2008； Guo and Wang， 2012；郑然等， 2015）。在均一化的1961 -2015年观测资料中，青藏高原增温在加速， 11月至次年3月的寒冷季节比5 -9月温暖季节的变暖更明显（Hua et al， 2018）。与此同时， 1961 -2006年青藏高原年均降水变化不显著，冬、春季降水显著增加（丁一汇和张莉， 2008）；亦有研究指出，青藏高原年均降水在1980 -2013年有所增加，空间上表现为由西北向东南逐渐增加（韩熠哲等， 2017；冯晓莉等， 2020）。在不同典型浓度路径（Representative Concentration Pathways， RCPs）情景下，国际耦合模式比较计划第五阶段（CMIP5）模式的预估试验表明， 21世纪青藏高原地表气温和降水均有增加，并且高海拔区的增暖幅度大于低海拔地区（Xu and Xu， 2012； Su et al， 2013；胡芩等， 2015）；这种随海拔升高而增加的升温速率，是全球变暖的区域性表现之一（Stevens et al， 2016），可能与地表反照率和向下热辐射的变化有关，但其内在机制尚未被完全理解（Wang et al， 2010； Palazzi et al， 2019； You et al， 2020）。

近期， CMIP6试验数据陆续发布（Eyring et al， 2016），相应的新一代气候和地球系统模式在物理过程、生物地球化学过程、参数化方案和分辨率等方面均较早期版本有了不同程度的改进，平衡气候敏感度范围达到1.8~5.6 ℃，高于IPCC第5次评估报告中的1.5~4.5 ℃，这主要与云反馈和云—气溶胶相互作用有关（Meehl et al， 2020）。在未来预估上， CMIP6模式采用了共享社会经济路径（Shared Socioeconomic Pathways， SSPs）和RCPs相结合的新框架，着重描述了未来在不同社会经济发展路径下，能源结构所产生的人为排放和土地利用变化（van Vuuren et al， 2011； Taylor et al， 2012； O’Neill et al， 2014）。青藏高原作为气候变化的敏感和脆弱区，在未来全球变暖背景和高海拔增温放大作用下气候将如何变化？多模式间的一致性如何？为回答这些问题，有必要利用新一代CMIP6气候模式的试验数据，就模式对青藏高原气候的模拟能力进行评估，并进一步预估其在21世纪的变化。

在进行预估分析之前，首先评估了CMIP6模式对青藏高原地表气温和降水气候态的模拟能力，剔除误差较大的模式以期提高预估信度。本文结构安排如下，第二部分介绍所用的资料和方法；第三部分评估模式对青藏高原地表气温和降水气候态的模拟能力；第四部分为SSP2-4.5和SSP5-8.5情景下未来高原地区地表气温和降水变化的预估研究；第五部分给出结论。

2 资料来源与方法介绍

2.1　资料来源

所用模式资料为CMIP6全球气候模式的历史模拟试验和未来气候预估试验数据。相较于前几代全球气候模式， CMIP6模式的改进主要体现为更精细的空间分辨率、改进的云微物理过程参数化方案，以及更复杂的地球系统过程，如生物地球化学循环和冰盖冻土的耦合作用等（Eyring et al， 2019）。在未来情景方面， CMIP6模式采用社会经济情景和气候情景相结合的新框架。其中社会经济情景采用2010年IPCC报告中提出的五种共享社会经济路径，即根据不同气候政策下的人为排放和土地利用变化，将未来社会发展分为可持续路径（SSP1）、中间路径（SSP2）、区域竞争路径（SSP3）、不均衡路径（SSP4）和化石燃料为主的发展路径（SSP5）（O’Neill et al， 2014）。气候情景采用与CMIP5相同的根据辐射强迫而设定的典型浓度路径情景，包括RCP2.6、 RCP4.5、 RCP6、 RCP8.5四大类（Taylor et al， 2012）。考虑模式数据的可利用性和完整性，本文选取了45个CMIP6模式的地表气温和降水月平均资料，它们来自历史气候模拟试验、中低辐射强迫情景SSP2-4.5和最高辐射强迫情景SSP5-8.5下的21世纪气候预估试验（O’Neill et al， 2014； Eyring et al， 2016； Riahi et al， 2016），有关这些气候模式及其数值试验的基本信息请参见表1。需要说明的是，由于只有34个模式地形数据可用，在后文分析中分别对经过地形校正的34个模式和未经地形校正的45个模式做评估。

表1 45个CMIP6模式基本信息和不同试验下模式变量的可用性情况

Table 1

Basic information for the 45 CMIP6 models and availability of data for the different variables

编号	模式	所属国家和地区	分辨率	历史试验模拟时段	地表气温	降水
1	ACCESS-CM2	Australia	1.875°×1.25°， L38	1850 -2014		\
2	ACCESS-ESM1-5	Australia	1.875°×1.25°， L85	1850 -2014
3	AWI-CM-1-1-MR	Germany	~0.9°×0.9°， L95	1850 -2014		\
4	CanESM5	Canada	2.8125°×~2.8°， L49	1850 -2014
5	CESM2	USA	1.25°×~0.9°， L32	1850 -2014		\
6	CESM2-FV2	USA	2.5°×~1.9°， L32	1850 -2014		\
7	CESM2-WACCM	USA	1.25°×~0.9°， L70	1850 -2014		\
8	CESM2-WACCM-FV2	USA	2.5°×~1.9°， L70	1850 -2014		\
9	CMCC-CM2-HR4	Italy	1.25°×~0.9°， L26	1850 -2014		\
10	CNRM-CM6-1	France	~1.4°×1.4°， L91	1850 -2014	\
11	CNRM-CM6-1-HR	France	0.5°×~0.5°， L91	1850 -2014	\
12	CNRM-ESM2-1	France	~1.4°×1.4°， L91	1850 -2014
13	E3SM-1-0	USA	1°×1°， L72	1850 -2014
14	E3SM-1-1	USA	1°×1°， L72	1850 -2014
15	FGOALS-f3-L	China	1.25°×1°， L32	1850 -2014
16	FGOALS-g3	China	2°×~2-5°， L26	1850 -2014	\	\
17	GFDL-CM4	USA	1.25°×1°， L33	1850 -2014		\
18	GFDL-ESM4	USA	1.25°×1°， L49	1850 -2014		\
19	GISS-E2-1-G-CC	USA	2.5°×2°， L40	1850 -2014		\
20	GISS-E2-1-G	USA	2.5°×2°， L40	1850 -2014		\
21	GISS-E2-1-H	USA	2.5°×2°， L40	1850 -2014		\
22	HadGEM3-GC31-LL	UK	1.875°×1.25°， L85	1850 -2014
23	INM-CM4-8	Russia	2°×1.5°， L21	1850 -2014
24	INM-CM5-0	Russia	2°×1.5°， L73	1850 -2014
25	MCM-UA-1-0	USA	3.75°×~2.2°， L14	1850 -2014		\
26	MIROC6	Japan	~1.4°×1.4°， L81	1850 -2014		\
27	MPI-ESM1-2-HR	Germany	~0.9°×0.9°， L95	1850 -2014		\
28	MPI-ESM1-2-LR	Germany	1.875°×~2°， L47	1850 -2014		\
29	MRI-ESM2-0	Germany	1.125°×~1.1°， L80	1850 -2014
30	NorCPM1	Norway	2.5°×~1.9°， L26	1850 -2014
31	NorESM2-LM	Norway	2.5°×~1.9°， L32	1850 -2014
32	SAM0-UNICON	Korea	1.25°×~0.9°， L30	1850 -2014		\
33	TaiESM1	China， Taiwan	1.25°×~0.9°， L30	1850 -2014		\
34	UKESM1-0-LL	UK	1.875°×1.25°， L85	1850 -2014		\
35	BCC-CSM2-MR	China	1.125°×~1.1°， L46	1850 -2014
36	BCC-ESM1	China	2.8125°×~2.8°， L26	1850 -2014
37	CAMS-CSM1-0	China	1.125°×~1.1°， L31	1850 -2014
38	CIESM	China	1.25°×~0.9°， L30	1850 -2014		\
39	EC-Earth3	Europe	~0.7°×0.7°， L91	1850 -2014
40	EC-Earth3-Veg	Europe	~0.7°×0.7°， L91	1850 -2014
41	FIO-ESM-2-0	China	1.25°×~0.9°， L26	1850 -2014		\
42	IPSL-CM6A-LR	France	2.5°×~1.3°， L79	1850 -2014	\
43	KACE-1-0-G	Korea	1.875°×1.25°， L85	1850 -2014
44	MIROC-ES2L	Japan	2.8125°×~2.8°， L40	1850 -2014
45	NESM3	China	1.875°×~1.9°， L47	1850-2014		\

模式编号按照首字母排列， 35~45号模式因无地形资料而排在后面。对号表示模式数据可用，斜杠表示模式数据未通过评估标准而被剔除。SSP2-4.5和SSP5-8.5情景下的预估试验时段为2015—2100年

用于模式评估的观测资料是1961 -2017年CN05.1气温和降水逐月资料，该数据集是国家气候中心根据2416个地面气象台站的逐日观测记录，建立的一套覆盖中国区域的水平分辨率为0.5°×0.5°的格点数据，具体信息请参见吴佳等（2013）。

2.2　分析方法

本文选取1985 -2014年作为评估模式对青藏高原当代气候模拟能力的时段，分别比较了全年和各季节（春季： 3 -5月；夏季： 6 -8月；秋季： 9 -11月；冬季： 12月至次年2月）地表气温和降水在气候平均态上的空间分布，并对单个模式的模拟能力进行定量分析。未来预估试验时段选取2015 -2100年，参考时段是1995 -2014年， 21世纪早期定义为2021 -2040年，中期为2041—2060年，末期为2081 -2100年。文中使用21世纪90年代表示2090 -2099年10年的平均值。鉴于在相同或者相似强迫条件下气候模式之间的响应不同，本文利用多模式等权重集合平均（MME）方案获取集合平均值，用模式间标准差来表示模式之间的一致性。

选取25°N -40°N， 75°E -105°E范围内，海拔在2000 m以上的青藏高原主体作为研究区域；考虑到气候模式间水平分辨率的差异，在进行定性比较和定量化计算之前，使用双线性插值法将所有数据统一插值到与观测数据相同的0.5°×0.5°水平分辨率上。由于青藏高原海拔高、地形复杂，模式地形大多比真实地形平滑且偏低，模式地形资料及其水平分辨率亦不相同，直接对模式地表气温数据进行插值会引起误差。为了客观评估模式的模拟能力，在对模拟的地表气温进行插值之后，进一步根据实际地形资料对地表气温进行地形效应校正，即根据大气温度直减率计算订正到实际地形高度的地表气温，期间大气温度直减率取6.5 ℃·km^-1（Zhao et al， 2008）。地形校正后的数据用于评估模式对青藏高原地表气温的模拟能力。

3 模式能力评估

3.1　地表气温

经过地形校正后的34个CMIP6模式集合平均（图1，左列： CN05.1观测；中间列：经过地形校正的34个模式等权重集合平均；右列：经过地形校正的34个模式与观测偏差的集合平均）显示，相比于观测，模式能较好地刻画1985 -2014年青藏高原地表气温的主要分布特征，但模拟值总体偏低，区域平均值较观测偏冷2.1 ℃，误差大值区主要位于高原南部和西北部，模式之间标准差为2.2 ℃。青藏高原年和季节平均地表气温空间分布与地形有关，低值区集中在高原中部和西北部的高海拔区，高值区出现在高原北侧和东南侧。与早期的CMIP3和CMIP5模式相比， CMIP6模式对年均地表气温模拟仍存在系统性的冷偏差，但冷偏差与模式间标准差较CMIP5模式的有所减小（胡芩等， 2014），这应该主要与新一代模式的改进有关（Eyring et al， 2019）。此外，模式对季节气温模拟亦有不同程度的低估，特别是在冬季和春季，分别偏低3.0 ℃和2.5 ℃，模式间标准差分别为2.9 ℃和2.6 ℃，均大于年均冷偏差和标准差，这可能源于模式对冰雪反馈作用模拟的不足（Qu et al， 2019）。模式模拟的夏季和秋季地表气温与观测偏差较小，分别偏低1.3 ℃和1.4 ℃，模式间标准差为1.6 ℃和1.9 ℃。综上， CMIP6模式对青藏高原夏季和秋季地表气温的模拟具有较好的一致性，而冬季和春季模式间分歧较大；整体上，高海拔区偏差大于低海拔区，高原西部比东部的冷偏差更大，这可能与西部地形更加复杂以及观测站点稀疏有关。

显示原图|下载原图ZIP|生成PPT

图1 1985 -2014年青藏高原年和季节平均地表气温分布（单位： ℃）

左列： CN05.1观测；中间列：经过地形校正的34个模式等权重集合平均；右列：经过地形校正的34个模式与观测偏差的集合平均

进一步，分别针对地形校正前的45个模式与地形校正后的34个模式，定量计算了1985 -2014年模拟与观测年和季节地表气温的空间相关系数、模拟与观测场之间的标准差之比和中心化均方根误差，并绘制在Taylor图（图2）中。未进行地形校正之前， 45个CMIP6模式已能较好地模拟青藏高原年均地表气温的空间分布特征，空间相关系数位于0.64~0.90，多模式集合平均值为0.86，所有模式均通过了99%信度水平检验。模拟与观测场标准差之比的范围是0.97~1.61，除CNRM-CM6-1-HR和IPSL-CM6A-LR外的43个模式均在1.50以内；所有模式集合平均的值为1.10，表明各个模式对青藏高原年均地表气温的空间变率有较好的模拟能力。标准化后的中心化均方根误差在0.49~1.00之内，多模式集合平均为0.56。在多模式集合平均中，模拟与观测场春、夏、秋和冬季地表气温的空间相关系数依次是0.95， 0.94， 0.92和0.85，标准差之比分别为1.28， 1.17， 1.19和1.21，标准化后的中心均方根误差分别是0.46， 0.43， 0.48和0.63，表明模式对春、夏、秋季的模拟能力优于冬季。

显示原图|下载原图ZIP|生成PPT

图2 1985 -2014年青藏高原年和季节平均地表气温场的CMIP6模式模拟与观测的Taylor图

图中数字对应表1中的模式，灰色和黑色数字分别表示地形校正前和后的模式结果；灰色和黑色圆点分别代表地形校正前后多模式的等权重集合平均结果

相比于地形校正前，地形校正后模式与观测之间的空间相关系数明显提高，位于0.86~0.94，集合平均值为0.93；与此同时，地形校正后模式模拟的年均地表气温更接近观测，标准化后的中心化均方根误差范围是0.41~0.84。但地形校正并没有提高模式模拟的年均地表气温的空间变率，模拟与观测场的标准差之比位于1.02~1.65，集合平均的结果为1.25。与上一代的CMIP5模式相比， CMIP6模式对青藏高原年均地表气温的空间分布和变率并无明显提高（胡芩等， 2014）。季节尺度上的定量评估显示，地形效应校正后除冬季外，春、夏、秋季气候模式的能力均有系统性提高，大多数模式对青藏高原季节平均地表气温的模拟能力较好。

根据以上定量化计算结果，基于以下三个标准挑选模拟性能较好的模式：（1）模拟与观测的青藏高原地表气温的空间相关系数为正且通过99%信度水平检验；（2）模拟与观测场的标准差位于0.50~1.50之间；（3）标准化后的中心均方根误差小于1。除CNRM-CM6-1、 CNRM-CM6-1-HR、 FGOALS-g3和IPSL-CM6A-LR外，其余41个模式均通过了挑选标准；更进一步，考虑到有多个模式的预估试验数据缺失或者变量不完整，最终分别有25和24个模式用于SSP2-4.5和SSP5-8.5情景下地表气温的预估分析，有关模式的具体信息请见表1。

3.2　降水

降水作为最基本的气象要素之一，是衡量气候变化的主要指标，对青藏高原生态环境和水文循环均有重要意义。CMIP6模式能模拟出1985 -2014年青藏高原年均降水量由西向东逐渐增加的空间分布特征（图3，左列： CN05.1观测；中间列： 45个模式等权重集合平均；右列： 45个模式与观测偏差的集合平均），但模拟值偏大， 45个模式集合平均值较观测偏高397.8 mm·a^-1，模式间标准差为197.1 mm·a^-1，误差大值区主要集中在喜马拉雅山脉南麓和高原东南部。同时，模式能合理模拟青藏高原降水的季节性，如降水主要集中在夏季，分布面积最广且量值大，春季和秋季降水小于夏季并且主要集中在高原东南部，冬季降水最少。与CMIP5模式类似， CMIP6模式亦在高原东南部存在一个虚假的降水大值中心；由于青藏高原海拔较高且地形复杂，年和季节降水的空间变率大， CMIP6模式对高原降水的模拟能力仍有不足，但与前一代CMIP5的（胡芩等， 2014）相比有一定改进，年和季节平均降水量的偏差幅度要更小。总体上，模式对季节降水有不同程度的高估，在多模式集合平均中，春、夏、秋和冬季降水比观测分别偏多496.4 mm·a^-1、 587.6 mm·a^-1、 354.0 mm·a^-1和197.1 mm·a^-1，模式间标准差分别为215.3 mm·a^-1、 394.2 mm·a^-1、 182.5 mm·a^-1和91.2 mm·a^-1，其中夏季降水模拟偏差幅度最大，春季次之，冬季最小。值得注意的是，青藏高原各季节的降水气候态值不同，例如观测的春季降水约为215.3 mm·a^-1，而夏季降水约为879.6 mm·a^-1，因此模拟与观测值偏差的幅度并不能直接代表模拟的好坏程度，模式对年和季节降水的模拟能力还需通过定量计算来衡量。

显示原图|下载原图ZIP|生成PPT

图3 1985 -2014年青藏高原年和季节平均降水分布（单位： mm·a^-1）

左列： CN05.1观测；中间列： 45个模式等权重集合平均；右列： 45个模式与观测偏差的集合平均

1985 -2014年青藏高原年和季节平均降水场的CMIP6模式模拟与观测的Taylor图（图4）显示， CMIP6模式能较好地模拟青藏高原年均降水气候态的空间分布。45个模式模拟的年均降水与观测的空间相关系数位于0.45~0.86，均通过了99%信度水平检验；其次，除CIESM、 MCM-UA-1-0、 TaiESM1和FIO-ESM-2-0以外，其余模式的模拟与观测场标准差之比均在0.50~3.50，其中22个模式的标准差之比大于2.50，这表明模式高估了青藏高原年均降水的空间变率；标准化后的中心化均方根误差从MCM-UA-1-0的0.86变化至FIO-ESM-2-0的4.27，其中除BCC-ESM1、 CIESM和MCM-UA-1-0的值小于1.00以外，其余模式均大于1.00，其中20个模式标准化的中心均方根误差大于2.00，表明模式对年和季节降水气候态的模拟性能存在不足。45个模式集合平均的空间相关系数为0.77、模拟与观测场的标准差之比为2.33、标准化后的中心化均方根误差为1.70，表明CMIP6模式对青藏高原年均降水的模拟能力彼此间差异较大。

显示原图|下载原图ZIP|生成PPT

图4 1985 -2014年青藏高原年和季节平均降水场的CMIP6模式模拟与观测的Taylor图

图中数字对应表1中的模式，黑色圆点表示等权重集合平均的结果

季节尺度上，模拟的春、夏、秋和冬季降水与观测的空间相关系数范围是0.47~0.87， 0.40~0.85， 0.45~0.86和0.13~0.65， 45个模式集合平均的模拟与观测场的标准差之比分别为2.46， 2.04， 2.28和4.66，标准化后的中心化均方根误差分别是1.73， 1.45， 1.62和4.10。由此可见，模式对青藏高原夏季降水的模拟最优且多模式之间较为集中，其次是秋季，春季较差，冬季最差。夏季，所有模式的相关系数都通过了99%信度水平检验，其中31个模式模拟与观测场的标准差之比低于2.50、标准化的中心化均方根误差低于2.00。秋季，约有一半模式模拟的降水空间变率与观测的之比大于2.50，其中CIESM、 GISS-E2-1-H和MCM-UA-1-0的甚至大于4.00，半数以上模式的标准化中心化均方根误差低于2.00。春季，有7个模式模拟与观测场的标准差之比高于4.00，超过半数模式的比值大于2.50。冬季，模式对降水的模拟能力有限，大部分模式不能合理再现高原冬季降水气候态的分布特征和空间变率。

鉴于相当一部分CMIP6模式对青藏高原年均降水气候态的模拟能力不足，模式对高原降水的模拟能力总体不如地表气温，因此适当放宽了以下三个择优标准：（1）模拟与观测场的空间相关系数为正且通过99%信度水平检验；（2）模拟与观测场的标准差位于0.5~2.5之间；（3）标准化后的中心化均方根误差小于2.0。依据此标准，共有22个模式通过了择优筛查，具体信息详见表1。更进一步，考虑到预估试验数据的可用性和气象要素的完整性，最终共有15个模式用于SSP2-4.5和SSP5-8.5情景下降水的预估分析，有关模式的具体信息请见表1。

4 预估结果分析

4.1　地表气温

相对于历史模拟的参考时段，图5给出了所有模式在历史气候模拟以及SSP2-4.5和SSP5-8.5情景下2015 -2100年青藏高原年和季节平均的地表气温序列。在中高排放情景SSP2-4.5下， 25个模式集合平均的年均地表气温线性趋势为0.28 ℃·（10a）^-1，在21世纪90年代升高2.5 ℃。在高排放情景SSP5-8.5下， 24个模式集合平均的青藏高原年均地表气温增幅更大，年均地表气温线性趋势为0.64 ℃·（10a）^-1，在21世纪90年代增温5.1 ℃。以上均大于CMIP5模式在RCP4.5和RCP8.5情景下的升温水平（Xu and Xu， 2012； Su et al， 2013；胡芩等， 2015； Jia et al， 2019），这可能与CMIP6模式平衡气候敏感度大于前几代模式有关（Meehl et al， 2020）。另外，模式对青藏高原年均地表气温预估的标准差的区域平均值随时间增大，即模式预估的不一致性在21世纪后期更大。

显示原图|下载原图ZIP|生成PPT

图5 相对于参考时段1995 -2014年， CMIP6模式预估在SSP2-4.5（25个模式）和SSP5-8.5（24个模式）情景下，未来青藏高原区域平均的年均地表气温变化（a）， SSP2-4.5情景下25个模式（b）及SSP5-8.5情景下24个模式（c）集合平均的青藏高原区域季节地表气温变化

阴影区为模式结果间正负一个标准差的范围

在季节尺度上，青藏高原未来地表气温均上升。在SSP2-4.5情景下，春、夏、秋和冬季地表气温在2015 -2100年线性趋势依次为0.26 ℃·（10a）^-1、 0.26 ℃·（10a）^-1、 0.28 ℃·（10a）^-1和0.31 ℃·（10a）^-1，冬季增温最快，秋季次之。这与CMIP5模式在RCP4.5情景下预估2006 -2100年各季节地表气温变化趋势较为一致，但增暖速率更快（胡芩等， 2015），相对于参考时段， 21世纪90年代春、夏、秋和冬季的地表气温分别升高2.3 ℃、 2.4 ℃、 2.6 ℃和2.6 ℃。在SSP5-8.5情景下，青藏高原季节平均的地表气温增温更大，春、夏、秋和冬季的升温速率依次是0.63 ℃·（10a）^-1、 0.58 ℃·（10a）^-1、 0.67 ℃·（10a）^-1和0.69 ℃·（10a）^-1，在21世纪90年代分别变暖4.8 ℃、 4.7 ℃、 5.4 ℃和5.5 ℃，高于CMIP5模式在RCP8.5情景下的增幅（Su et al， 2013）。两个情景下，模式预估的季节平均地表气温的一致性均要低于年平均，其中夏季最大，冬季最小，且模式预估不一致性随时间增大。

青藏高原年和季节地表气温变化在21世纪早、中和末期的空间分布相似，但幅度不同。由于SSP2-4.5和SSP5-8.5情景下地表气温变化的分布情况类似，但后者幅度更大，这里仅给出SSP5-8.5情景下的分布图（图6）。春季强增温位于高原西南部和中部局部，北部为低值区；夏季升温大值区位于高原西部和喜马拉雅山北段，高原东部和南部为低值；秋季强增温主要位于高原中部和柴达木盆地北部；冬季，升温大值区呈带状分布于高原南部，从喜马拉雅山脉一直延伸到川西高原。集合平均的结果显示， SSP2-4.5情景下，青藏高原区域平均的年、春、夏、秋和冬季均地表气温在21世纪早、中和末期分别升高0.9 ℃、 0.8 ℃、 0.9 ℃、 1.0 ℃和0.9 ℃、 1.6 ℃、 1.4 ℃、 1.5 ℃、 1.7 ℃和1.6 ℃以及2.5 ℃、 2.3 ℃、 2.4 ℃、 2.6 ℃和2.6 ℃。SSP5-8.5情景下升幅更高，区域平均上，年、春、夏、秋和冬季地表气温在21世纪早期分别升高1.0 ℃、 0.9 ℃、 1.1 ℃、 1.2 ℃和1.2 ℃，在中期是2.1 ℃、 2.0 ℃、 2.1 ℃、 2.4 ℃和2.3 ℃，在末期是5.1 ℃、 4.8 ℃、 4.7 ℃、 5.4 ℃和5.5 ℃。整体上，两个情景下年和季节增温幅度在早期和中期差异较小，末期加大，秋季和冬季升幅要高于春季和夏季。

显示原图|下载原图ZIP|生成PPT

图6 相对于参考时段1995 -2014年， SSP5-8.5情景下， 21世纪早期（2021 -2040年）、中期（2041 -2060年）和末期（2081 -2100年）青藏高原年和季节地表气温变化（单位： ℃）

Fig.6

Geographical distribution of annual and seasonal temperature changes over the Qinghai-Xizang （Tibetan） Plateau for 2021 -2040 （left column）， 2041 -2060 （middle column）， and 2081 -2100 （right column） relative to 1995 -2014 under the SSP5-8.5 scenario.Unit： °C

4.2　降水

相对于1995 -2014年参考时段，在SSP2-4.5和SSP5-8.5情景下2015 -2100年青藏高原年和季节平均降水均呈增加趋势（图7）。在SSP2-4.5情景下， 15个模式集合平均的线性趋势为1.56%·（10a）^-1，在21世纪90年代降水增加12.8%。在更高的SSP5-8.5情景下，青藏高原年均降水增幅更大， 21世纪90年代较参考时段增加30.2%， 15个模式平均的年均降水线性趋势为3.80%·（10a）^-1。与先前研究中CMIP5模式在RCP4.5和RCP8.5情景下21世纪90年代青藏高原年均降水分别增加10.4%和13.0%相比， CMIP6模式在新一代排放情景下预估的增幅更大（Su et al， 2013；胡芩等， 2015）。此外，多个模式预估之间的不确定性随时间增大，特别是在SSP5-8.5情景下。

显示原图|下载原图ZIP|生成PPT

图7 相对于参考时段1995 -2014年， CMIP6模式预估在SSP2-4.5和SSP5-8.5情景下，未来青藏高原区域平均的年降水变化（a）， SSP2-4.5情景下（b）及SSP5-8.5情景下（c）15个模式集合平均的青藏高原区域季节平均降水变化

阴影区为模式结果间正负一个标准差的范围

季节尺度上，青藏高原降水在2015 -2100年相比于参考时段均增加［图7（b）］。SSP2-4.5情景下，春、夏、秋、冬季的线性趋势分别为1.86%·（10a）^-1、 1.52%·（10a）^-1、 1.62%·（10a）^-1、 1.11%·（10a）^-1，在21世纪90年代分别增加15.9%、 13.0%、 11.7%、 8.0%。这与CMIP5模式预估RCP4.5情景下的夏季增幅最高不同，而且降水增幅和线性趋势也更大（胡芩等， 2015），这可能与排放情景不同以及模式水平分辨率和云物理降水方案等有关（Riahi et al， 2016； Eyring et al， 2019）。与之比较， SSP5-8.5情景下青藏高原降水增幅更大［图7（c）］，春、夏、秋和冬季在21世纪90年代分别增加34.0%、 29.8%、 31.8%和24.1%，线性趋势依次为4.07%·（10a）^-1、 3.76%·（10a）^-1、 4.29%·（10a）^-1、 2.88%·（10a）^-1，其中秋季增幅最大，冬季最小。整体上，模式间一致性在夏季最大，冬季最小；除冬季以外，模式间不确定性随时间增大。

相对于参考时段， SSP2-4.5和SSP5-8.5情景下青藏高原年和季节降水变化在21世纪早、中和末期的空间分布类似，但幅度不同，下文仅给出SSP5-8.5情景下的降水变化（图8）来加以说明。在早期，高原西部至中部以及北部边界增幅最大，高原东南部为减幅大值区； 21世纪中期和末期，高原全域降水均增加，大值出现在高原西部和北部。在季节尺度上，降水变化空间分布亦有明显不同，春季的大值区位于高原西南部、北部和东部，小值区位于柴达木盆地；夏季大值区主要集中在高原西部；秋季大值区主要呈西南至东北向带状分布；而冬季高原北部尤其是边界地区增幅最大，南部边缘区域则减少。SSP2-4.5情景下，高原年均降水在三个时期分别增加3.7%、 8.5%和15.0%， SSP5-8.5情景下的增幅则较之更大，分别为5.6%、 12.2%和33.1%。值得注意的是，在整个21世纪，高原北部边缘在SSP2-4.5和SSP5-8.5情景下均为年和季节降水增加中心，尤其是在冬季；在高原南部区，冬季表现为降水减小的大值区。

显示原图|下载原图ZIP|生成PPT

图8 相对于参考时段1995 -2014年， SSP5-8.5情景下， 21世纪早期（2021 -2040年）、中期（2041 -2060年）和末期（2081 -2100年），青藏高原年和季节降水变化（单位： %）

Fig.8

Geographical distribution of annual and seasonal precipitation changes over the Qinghai-Xizang （Tibetan） Plateau for 2021 -2040 （left column）， 2041 -2060 （middle column）， and 2081 -2100 （right column） relative to 1995 -2014 under the SSP5-8.5 scenario.Unit： %

5 结论

利用CMIP6模式试验数据和CN05.1观测资料，首先评估了45个全球气候模式对青藏高原地表气温和降水的模拟能力，而后使用择优后的模式预估了SSP2-4.5和SSP5-8.5情景下青藏高原地表气温和降水在21世纪的变化，所得主要结论有：

（1） CMIP6模式对青藏高原年和季节地表气温的空间分布有合理的模拟能力，模式间的一致性较好，但与观测相比存在一个冷偏差，所有模式集合平均的年均值较观测偏低2.1 ℃，偏差的大值区主要集中在青藏高原中部和西北部；季节上，冬季和春季偏差较大，夏季和秋季较小。

（2）相较于地表气温，模式对青藏高原年均降水的模拟能力不足，模式间的一致性较差。虽然模式能模拟出青藏高原年均降水的空间分布特征，但普遍存在高估，平均偏多397.8 mm a^-1，在季节上亦是如此，其中春季和夏季最为显著。

（3）相比于参考时段， SSP2-4.5和SSP5-8.5情景下2015 -2100年青藏高原年均地表气温增加。前一情景下的升温趋势为0.28 ℃·（10a）^-1， 21世纪90年代升高2.5 ℃；后一情景下的增暖趋势与幅度更大，变化趋势为0.64 ℃·（10a）^-1， 21世纪90年代升温5.1 ℃。在季节上，冬季和秋季的增暖明显大于春季和夏季。总体上，高海拔区增幅大于低海拔区，末期高于中期和早期。

（4）两个情景下， 21世纪青藏高原年均降水均有小幅增加。SSP2-4.5情景下的变化趋势为1.56%·（10a）^-1， 21世纪90年代增加12.8%；春季降水增幅较大，冬季最小；降水增幅在末期要大于早期和中期。SSP5-8.5情景下年和季节平均的降水增幅更大。除冬季外，模式预估之间的不确定性随时间增大。

最后需要说明的是，尽管CMIP6模式对青藏高原年和季节地表气温的模拟能力较上一代模式有一定的改进，但仍存在系统性的冷偏差；与此同时， CMIP6模式对青藏高原降水的模拟能力总体上与以往相当，并且模式之间差异较大；加之，在研究诸如青藏高原这样的复杂地形区域时，全球气候模式的水平分辨率仍较为粗糙，未来有必要采用统计和动力降尺度方法开展进一步的预估研究。

陈炜，姜大膀，王晓欣， 2021. CMIP6模式对青藏高原气候的模拟能力评估与预估研究［J］.高原气象， 40（6）： 1455-1469.

CHEN Wei， JIANG Dabang， WANG Xiaoxin， 2021. Evaluation and Projection of CMIP6 Models for Climate over the Qinghai-Xizang （Tibetan） Plateau［J］.Plateau Meteorology， 40（6）： 1455-1469.

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序

Eyring

， Bony

， Meehl

G A

， al

， 2016.Overview of the Coupled Model Intercomparison Project Phase 6 （CMIP6） experimental design and organization［J］.Geoscientific Model Development， 9（5）： 1937-1958.DOI： 10.5194/gmd-9-1937-2016.

Eyring

， Cox

P M

， Flato

G M

， 2019.Taking climate model evaluation to the next level［J］.Nature Climate Change， 9（2）： 102-110.DOI： 10.1038/s41558-018-0355-y.

Guo

D L

， Wang

H J

， 2012.The significant climate warming in the northern Tibetan Plateau and its possible causes［J］.International Journal of Climatology， 32（12）： 1775-1781.DOI： 10.1002/joc.2388.

Hansen

， Sato

， Ruedy

， al

， 2000.Global warming in the twenty-first century： an alternative scenario［J］.Proceedings of the National Academy of Sciences of the United States of America， 97（18）： 9875-9880.DOI： 10.1073/pnas.170278997.

Hua

， Liu

Y Z

， Jia

， al

， 2018.Role of clouds in accelerating cold-season warming during 2000-2015 over the Tibetan Plateau［J］.International Journal of Climatology， 38（13）： 4950-4966.DOI： 10.1002/joc.5709.

IPCC.Climate Change 2013.The Physical Science Basis［R］.Cambridge： Cambridge University Press， 2013.DOI： 10.1007/BF00524943.

Jia

， Ruan

Y F

， Yang

Y Z

， al

， 2019.Assessment of CMIP5 GCM simulation performance for temperature projection in the Tibetan Plateau［J］.Earth and Space Science， 6（12）.DOI： 10.1029/2019EA000962.

Liu

X D

， Chen

B D

， 2000.Climatic warming in the Tibetan Plateau during recent decades［J］.International Journal of Climatology， 20（14）： 1729-1742.DOI： 10.1002/1097-0088 （20001130）20： 14<1729： AID-JOC556>3.0.CO； 2-Y.

Meehl

G A

， Senior

A C

， Eyring

， al

， 2020.Context for interpreting equilibrium climate sensitivity and transient climate response from the CMIP6 Earth system models［J］.Science Advances， 6（26）： 1-10.DOI： 10.1126/sciadv.aba1981.

O’Neill

B C

， Kriegler

， Riahi

， al

， 2014.A new scenario framework for climate change research： the concept of shared socioeconomic pathways［J］.Climatic Change， 122（3）： 387-400.DOI： 10.1007/s10584-013-0905-2.

Palazzi

， Mortarini

， Terzago

， al

， 2019.Elevation-dependent warming in global climate model simulations at high spatial resolution［J］.Climate Dynamics， 52： 2685-2702.DOI： 10.1007/s00382-018-4287-z.

， Huang

， Zhu

L H

， 2019.The CO₂-induced sensible heat changes over the Tibetan Plateau from November to April［J］.Climate Dynamics， 53： 5623-5635.DOI： 10.1007/s00382-019-04887-x.

Riahi

， van Vuuren

D P

， Kriegler

， al

， 2016.The shared socioeconomic pathways and their energy， land use， and greenhouse gas emissions implications： an overview global［J］.Global Environment Change， 42： 153-168.DOI： 10.1016/j.gloenvcha. 2016.05.009.

Stevens

， Sherwood

S C

， Bony

， al

， 2016.Prospects for narrowing bounds on earth’s equilibrium climate sensitivity［J］.Earth’s Future， 4（11）： 512-522.DOI： 10.1002/2016EF.

F G

， Duan

X L

， Chen

D L

， al

， 2013.Evaluation of the global climate models in the CMIP5 over the Tibetan Plateau［J］.Journal of Climate， 26（10）： 3187-3208.DOI： 10.1175/JCLI-D-12-00321.1000376.

Taylor

K E

， Stouffer

R J

， Meehl

G A

， 2012.An overview of CMIP5 and the experiment design［J］.Bulletin of the American Meteorological Society， 93（4）： 485-498.DOI： 10.1175/BAMS-D-11-00094.1.

van Vuuren

D P

， Edmonds

， Kainuma

， al

， 2011.The representative concentration pathways： an overview［J］.Climatic Change， 109： 5-31.DOI： 10.1007/s10584-011-0148-z.

Wang

， Bao

， Hoskins

， al

， 2008.Tibetan plateau warming and precipitation changes in East Asia［J］.Geophysical Research Letters， 35（14）： L1470214.DOI： 10.1029/2008GL034330.

Wang

S P

， Wang

Z H

， Piao

S L

， al

， 2010.Regional differences in the timing of recent air warming during the past four decades in China［J］.Chinese Science Bulletin， 55（19）： 1968-1973.DOI： 10.1007/11434-010-3236-y>.

， Xu

C H

， 2012.Preliminary assessment of simulations of climate changes over China by CMIP5 multi-models［J］.Atmospheric and Oceanic Science Letters， 5（6）： 489-494.DOI： 10.1080/16742834.2012.11447041.

You

Q L

， Min

J Z

， Kang

S C

， 2016.Rapid warming in the Tibetan Plateau from observations and CMIP5 models in recent decades［J］.International Journal of Climatology， 36（6）： 2660-2670.DOI： 10.1002/joc.4520.

Zhao

T B

， Guo

W D

， Fu

C B

， 2008.Calibrating and evaluating reanalysis surface temperature error by topographic correction［J］.Journal of Climate， 21（6）： 1440-1446.DOI： 10.1175/2007JCLI1463.1.

Zhou

X J

， Zhao

， Chen

J M

， al

， 2009.Impacts of thermodynamic processes over the Tibetan Plateau on the Northern Hemispheric climate［J］.Science in China Series D： Earth Sciences， 52（11）： 1679-1693.DOI： 10.1007/s11430-009-0194-9.

蔡英，李栋梁，汤懋苍，等， 2003.青藏高原近50年来气温的年代际变化［J］.高原气象， 22（5）： 464-470.

丁一汇，张莉， 2008.青藏高原与中国其他地区气候突变时间的比较［J］.大气科学， 32（4）： 794-805.DOI： 10.3878/j.issn.1006-9895.2008.04.08.

冯晓莉，申艳红，李万志，等， 2020.1961 -2017年青藏高原暖湿季节极端降水时空变化特征［J］.高原气象， 39（4）： 694-705， DOI： 10.7522/j.issn.1000-0534.2020.00029.

韩熠哲，马伟强，王炳赟，等， 2017.青藏高原近30年降水变化特征分［J］.高原气象， 36（6）： 1477-1486.DOI： 10.7522/j.issn.1000-0534.2016.00125.

胡芩，姜大膀，范广洲， 2014.CMIP5全球气候模式对青藏高原地区气候模拟能力评估［J］.大气科学， 38（5）， 924-938.DOI： 10.3878/j.issn.1006-9895.2013.13197.

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［J］.大气科学， 39（2）， 260-270.DOI： 10.3878/j.issn.1006-9895.1406.13325.

王顺久， 2017.青藏高原积雪变化及其对中国水资源系统影响研究进展［J］.高原气象， 36（5）， 1153-1164.DOI： 10.7522/j.issn. 1000-0534.2016.00117.

吴国雄，刘屹岷，刘新，等， 2005.青藏高原加热如何影响亚洲夏季的气候格局［J］.大气科学， 29（1）， 47-56.

吴佳，高学杰， 2013.一套格点化的中国区域逐日观测资料及其与其它资料的对比［J］.地球物理学报， 56（4）， 1102-1111.

郑然，李栋梁，蒋元春， 2015.全球变暖背景下青藏高原气温变化的新特征［J］.高原气象， 34（6）， DOI： 10.7522/j.issn.1000-0534.2014.00123.

Options

文章导航

模态框（Modal）标题

本文亮点

本文引用格式

Highlights

1 引言

2 资料来源与方法介绍

2.1 资料来源

表1 45个CMIP6模式基本信息和不同试验下模式变量的可用性情况

2.2 分析方法

3 模式能力评估

3.1 地表气温

图1 1985 -2014年青藏高原年和季节平均地表气温分布（单位： ℃）

图2 1985 -2014年青藏高原年和季节平均地表气温场的CMIP6模式模拟与观测的Taylor图

3.2 降水

图3 1985 -2014年青藏高原年和季节平均降水分布（单位： mm·a-1）

图4 1985 -2014年青藏高原年和季节平均降水场的CMIP6模式模拟与观测的Taylor图

4 预估结果分析

4.1 地表气温

图6 相对于参考时段1995 -2014年， SSP5-8.5情景下， 21世纪早期（2021 -2040年）、 中期（2041 -2060年）和末期（2081 -2100年）青藏高原年和季节地表气温变化（单位： ℃）

4.2 降水

图7 相对于参考时段1995 -2014年， CMIP6模式预估在SSP2-4.5和SSP5-8.5情景下， 未来青藏高原区域平均的年降水变化（a）， SSP2-4.5情景下（b）及SSP5-8.5情景下（c）15个模式集合平均的青藏高原区域季节平均降水变化

图8 相对于参考时段1995 -2014年， SSP5-8.5情景下， 21世纪早期（2021 -2040年）、 中期（2041 -2060年）和末期（2081 -2100年）， 青藏高原年和季节降水变化（单位： %）

5 结论

参考文献

2.1　资料来源

2.2　分析方法

3.1　地表气温

3.2　降水

图3 1985 -2014年青藏高原年和季节平均降水分布（单位： mm·a^-1）

4.1　地表气温

图6 相对于参考时段1995 -2014年， SSP5-8.5情景下， 21世纪早期（2021 -2040年）、中期（2041 -2060年）和末期（2081 -2100年）青藏高原年和季节地表气温变化（单位： ℃）

4.2　降水

图7 相对于参考时段1995 -2014年， CMIP6模式预估在SSP2-4.5和SSP5-8.5情景下，未来青藏高原区域平均的年降水变化（a）， SSP2-4.5情景下（b）及SSP5-8.5情景下（c）15个模式集合平均的青藏高原区域季节平均降水变化

图8 相对于参考时段1995 -2014年， SSP5-8.5情景下， 21世纪早期（2021 -2040年）、中期（2041 -2060年）和末期（2081 -2100年），青藏高原年和季节降水变化（单位： %）