高原气象

高原气象 >

2024 , Vol. 43 >Issue 4: 868 - 882

DOI: https://doi.org/10.7522/j.issn.1000-0534.2023.000106

论文

青藏铁路沿线气候特征精细化模拟研究

  • 路富全 ,
  • 杨耀先 ,
  • 胡泽勇
展开
  • 1. 中国科学院西北生态环境资源研究院 寒旱区陆面过程与气候变化重点实验室，甘肃 兰州 730000
    2. 中国科学院西北生态环境资源研究院 那曲高寒气候环境观测研究站，西藏 那曲 852000
    3. 兰州资源环境职业技术大学 气候资源开发及防灾减灾研究室 甘肃 兰州 730021
    4. 中国科学院大学，北京 100049

路富全（1999 -）， 男， 甘肃庆阳人， 博士研究生， 主要从事陆面过程和气候变化研究. E-mail：

收稿日期: 2023-07-03

  修回日期: 2023-12-26

  网络出版日期: 2023-12-26

基金资助

中国国家铁路集团有限公司科技研究开发计划项目(P2021G047)

收起

Fine-scale Simulation Study of Climate Characteristics along the Qinghai-Xizang Railway

  • Fuquan LU ,
  • Yaoxian YANG ,
  • Zeyong HU
Expand
  • 1. Key Laboratory of Land Surface Process and Climate Change in Cold and Arid Regions，Northwest Institute； of Eco-Environment and Resources，Chinese Academy of Sciences，Lanzhou 730000，Gansu，China
    2. Nagqu Station of Plateau Climate and Environment，Northwest Institute of Eco-Environment and Resources，Chinese Academy of Sciences，Nagqu 852000，Xizang，China
    3. The Laboratory of Climatic Rosources Utilization and Disaster Prevention，Lanzhou Resources and Environment Voc-Tech University，Lanzhou 730021，Gansu，China
    4. University of Chinese Academy of Sciences，Beijing 100049，China

Received date: 2023-07-03

  Revised date: 2023-12-26

  Online published: 2023-12-26

Fold

摘要

青藏铁路格拉段（以下简称青藏铁路）， 特别是从西大滩至安多穿越550 km多年冻土区的路段， 沿线有着复杂的地形地貌和冻土环境。近年来随着气候变暖和多年冻土退化， 对于建造在多年冻土之上的青藏铁路的维护需求剧增， 为了能充分捕捉青藏铁路沿线地区复杂的地形地貌对局地气候变化的影响， 以期对青藏铁路的运行维护提供理论支持。本文利用铁路沿线站点观测数据， 并以ERA5数据驱动WRF模式进行网格距离为10 km×10 km的动力降尺度模拟。结果显示， 青藏铁路沿线的六个站点自1998 -2020年普遍呈现增温趋势， 增温率最低的站点为0.27 ℃·（10a）-1， 最高为0.56 ℃·（10a）-1； WRF模式对表面气温的模拟在年平均气温结果与观测数据略有差异， 在夏季和秋季的模拟结果较好， 夏季相关系数达到0.95以上， 秋季在0.80以上， 春季和冬季较差； WRF降水模拟的结果显示， Nudging方法有效改进了青藏高原夏季降水的湿偏差， 青藏铁路北段至铁路南段降水逐渐增加， 且在铁路中部降水出现极大值。WRF模式在青藏高原的温度和降水模拟上仍存在着一定的冷偏差和湿偏差， 寻找新的方法或利用高质量驱动数据来驱动模式将可能对青藏高原地区的降尺度模拟结果有更进一步的改善。

关键词： 青藏铁路; WRF模式; 动力降尺度; 精细化模拟; 气温和降水

本文引用格式

路富全 , 杨耀先 , 胡泽勇 . 青藏铁路沿线气候特征精细化模拟研究[J]. 高原气象, 2024 , 43(4) : 868 -882 . DOI: 10.7522/j.issn.1000-0534.2023.000106

Abstract

The Qinghai-Xizang Railway （QXR）， especially the 550-kilometer segment from Xidatan to Anduo， traverses a region characterized by complex terrain， diverse landforms， and a permafrost environment.In recent years， climate warming and permafrost degradation have significantly increased maintenance demands for the QXR， which is constructed atop permafrost.To understand the impacts of the intricate terrain and landforms along the QXR on local climate changes and to provide theoretical support for its operation and maintenance， this study utilizes station observation data along the railway and employs the Weather Research and Forecasting （WRF） model driven by ERA5 data to conduct high-resolution simulations with a grid resolution of 10 km×10 km.The results indicate that the six stations along the Qinghai-Xizang Railway exhibit a general warming trend from 1998 to 2020， with the lowest temperature increase rate at 0.27 ℃·（10a）-1 and the highest at 0.56 ℃·（10a）-1 years.The WRF model's simulation results show some discrepancies with observed annual mean temperature data.The simulation results are more accurate in summer and autumn， with correlation coefficients above 0.95 in summer and above 0.80 in autumn， but less accurate in spring and winter.Regarding precipitation simulation， the Nudging method effectively reduces the wet bias in summer precipitation on the Qinghai-Xizang Plateau.Precipitation gradually increases from the northern to the southern section of the railway， peaking in the central section.However， the WRF model still exhibits cold and wet biases in temperature and precipitation simulations on the Qinghai-Xizang Plateau.Exploring new methods or utilizing higher-quality driving data may further enhance the downscaled simulation results for this region.

Key words： Qinghai-Xizang Railway; WRF model; dynamical downscaling; fine-scale simulation; temperature and precipitation

1 引言

青藏高原作为“地球第三极”， 其上不仅分布着 中低纬度最广阔的冰川、 积雪和冻土， 而且是亚洲 湖泊和湿地的主要聚集地（Yao et al， 2012； 万玮等， 2014）， 同时也是亚洲重要大江大河的发源地， 因此也被称为“亚洲水塔”（Immerzeel et al， 2010； 陈德亮等， 2015； 姚檀栋等， 2019）。青藏高原是全球气候系统中的重要组成部分， 对亚洲和世界的气候模式和变化产生着重要影响。青藏高原地区作为全球最大的高原之一， 其独特的地理位置和地貌特征使其成为全球气候系统中一个极为重要的区域。高原的气候对于该地区的生态系统、 水资源分配、 农业生产和人类社会发展等方面产生着深远的影响。然而， 由于青藏高原地区地势复杂、 气候多样且受到多种因素的影响， 准确理解和模拟其气候变化一直是一个具有挑战性的课题（杨耀先等， 2022）。
在全球变暖背景下， 近几十年青藏高原呈显著变暖变湿趋势， 其气温增长早于同纬度其他地区， 增长速率大于全球平均水平， 是全球气候变化的敏感和脆弱区域（Duan et al， 2006； Yan and Liu， 2014； Pepin et al， 2015； Zhu and Yang， 2020； 周天军等， 2020； Sun et al， 2020）。徐影等（2003）曾按照温室气体排放量在每年增加1%情景下， 对未来一百年青藏铁路沿线的气候变化（平均温度、 降水， 以及最高、 最低温度）进行了分析， 研究结果表明： 高原地区的温度增幅程度相比于全国的增暖幅度更大； 在21世纪中期， 铁路沿线各站点的增温幅度为2.8~3.0 ℃， 而在21 世纪末期， 铁路沿线各站点的增温幅度在 3.8~4.8 ℃之间。还有其他的研究将自然因素与人类活动综合起来， 预计未来50 年铁路沿线年平均地表气温还将持续上升， 但增暖的速度将明显比20世纪90年代减缓， 幅度在 0.44 ℃·（10a）-1左右（李栋梁等， 2005）。另外， 高学杰等（2003）也利用区域气候模式对青藏高原地区进行了模拟， 同时对温室气体（CO2）含量加倍后的高原地区气候变化预估结果进行过分析， 结果表明， 由于CO2含量增加导致的温室效应将使高原及铁路沿线的气温明显升高。杨珂珂等（2023）研究分析了6对（更高、 较低分辨率） CMIP6 HighResMIP 模式对青藏高原当前气候的模拟能力， 并集合预估了近几十年青藏高原气候的变化趋势， 发现在 SSP5-8.5 情景下， 2021 -2040年青藏高原整体呈增温趋势， 但相对来说东南部增温较弱； 降水从北到南呈增加-减少-增加的空间分布； 青藏高原气温将平均增加（0.81±0.91） ℃， 降水将平均增加（0.05±0.25） mm·d-1。在降水的模拟上， 张宏文等（2020）利用了大尺度全球气候模式CCSM4的结果来驱动区域气候模式WRF模式进行动力降尺度， 进一步评估了动力降尺度在对比青藏高原湿季总降水率和对流降水比例方面的模拟能力， 与此同时对比了CCSM4模式和WRF模式在预估青藏高原湿季总降水、 层云降水和对流降水等方面的变化差异。
传统的全球气候模式由于其空间分辨率较粗和参数化方案的限制， 往往不能充分捕捉青藏高原地区复杂的地形、 气候和地表过程。为了更准确地模拟青藏高原地区的气候变化， 近年来， 精细化模拟成为了研究的热点和趋势。精细化模拟利用高分辨率的气候模型， 结合地形、 土壤、 植被和水文等细致的地表参数， 能够更好地模拟地区气候系统的动力和过程。基于以上论述， 本文将重点对近几十年来的气候站点数据进行分析， 并利用WRF模式在青藏高原地区进行动力降尺度模拟， 以期对未来铁路沿线的气候变化预测提供理论支持， 为政府部门以及青藏铁路维护以及安全运行提供一些科学依据。

2 模式及数据介绍

2.1　观测站点数据

本研究观测数据来自中国科学院西北生态环境资源研究院那曲高寒气候环境观测研究站（以下简称那曲站）的可可西里不冻泉/NewD66、 唐古拉/D105和安多/Amdo等三个观测点数据以及国家气象信息中心整编的中国地面气候资料日值数据集（V3.0）中的青藏铁路沿线1998 -2019年观测资料， 包括冻土区域内的五道梁、 沱沱河和曲玛莱等三个气象观测站（图1）。那曲站的观测区域位于昆仑山与念青唐古拉山之间， 青藏公路/铁路沿线（91°E -94°E， 31°N -36°N）， 本文中主要使用了1998 -2020年站点数据的表面气温数据。
图1 基于年平均地温（MAGT）的青藏高原多年冻土空间分布及数据站点分布（引自Ni et al， 2021）

红色框为本研究所选取的站点， 即可可西里不冻泉/NewD66、 唐古拉/D105、 安多/Amdo、 五道梁、 沱沱河、 曲玛莱

Fig.1 Spatial distribution and data site distribution of permafrost on the Tibetan Plateau based on Annual Mean Ground Temperature （MAGT） （cited from Ni et al， 2021）.The red boxes are the sites selected for this study， including Xili Unfrozen Spring /NewD66， Tanggula /D105， Amdo /Amdo， Wudao Liang， Tuotuo River， and Qumalai

2.2　 ERA5驱动数据

本研究采用了欧洲中期天气预报中心（ECMWF）提供的ERA5数据作为驱动数据， 用于驱动WRF模式。ERA5是ECMWF的哥白尼气候变化服务（C3S）所制作的第五代全球大气再分析数据集， 涵盖了自1950年1月至今的全球气候信息。ERA5数据集包含了大气、 陆地和海洋的大量气候变量， 并提供每小时的估计值。该数据集基于30 km网格分辨率， 利用137个高度层次（从地表到80 km高度）对大气进行了解析， 并在降低空间和时间分辨率时考虑了所有变量的不确定性信息。ERA5数据集将模型数据与来自全球各地的观测数据相结合， 形成了一个全球完整且一致的数据集， 取代了以前的ERA-Interim再分析数据集。其中， ERA5每日数据提供了7个气候再分析参数的汇总值， 包括2 m空气温度、 2 m露点温度、 总降水量、 平均海平面气压、 表面气压、 10 m处的u风分量和10 m处的v风分量。此外， 根据每小时的2 m空气温度数据， 还计算得出了每日的最低和最高空气温度。每日总降水量以总和的形式呈现。其他所有参数以日平均值的形式提供。

2.3　 Mann-Kendall法

Mann-Kendall法是一种非参数统计检验方法， 该类型方法亦称为五分部检验， 其优点是不需要样本遵从一定的分布， 也不受到少数异常值的干扰， 更适用于类型变量和顺序变量， 计算也比较简便。具体计算方式如下：
对于具有n个样本量的时间序列X， 构造一秩序列［式（1）］：
S k = ∑ i = 1 k r i     r i = 1 x i > x j 0 e l s e    j - 1,2 , … , i
可见， 秩序列 S k是第i时刻数值大于j时刻数值个数的累计数。在时间序列随机独立的假定下， 定义统计量：
U F k = s k - E ( s k ) V a r ( s k )    k = 1,2 … , n
式中： UF 1=0， E（ s k）， V a r ( s k )是累计数 s k的均值和方差， 在x 1， x 2， …， xn 相互独立， 且有相同连续分布时， 它们可由下式算出 其中 E ( s k ) = n ( n - 1 ) 4：
V a r ( s k ) = n ( n - 1 ) ( 2 n + 5 ) 72
UFi 为标准正态分布， 它是按时间序列x顺序x 1， x 2， …， xn 计算出的统计量序列， 给定显著性水平α， 查正态分布表， 若|UFi |>Uα， 则表明序列存在明显的趋势变化。
按时间序列x逆序xn， xn -1， …， x 1， 再重复上述过程， 同时使UBk =-UFk （k=n， n-1， …， 1）， UB 1=0。这一方法的优点在于不仅计算简便， 而且可以明确突变开始的时间， 并指出突变区域。因此， 是一种常用的突变检测方法。

2.4　 WRF模式及Nudging方法介绍

天气研究和预报模型（WRF）是目前最先进的中尺度数值天气预报系统之一， 专为大气研究和业务预报应用而设计。它具有两个动态核心， 一个数据同化系统， 以及一个支持并行计算和系统可扩展性的软件架构。该模型适用于从数十米到数千公里的广泛气象应用。随着WRF模式的高速发展， 其基于分辨率的适用范围与基于模式模块的应用范围都变得更为广泛。作为大气科学领域实际业务与科学研究场景中不可或缺的工具之一， WRF模式在区域气候模拟、 空气质量模拟、 海气耦合及理想实验模拟中都发挥了重要的作用。基于以上特征优势， WRF模式在国内外都得到了广泛的应用， 并成为了最常见的气象数值模拟预报工具之一。
d x d t = M ( x ) + G x w ( η ) ∑ | n | ≤ N ∑ | m | ≤ M K m n ( X 0 , m n - X m n ) e x p ( i k m x ) e x p ( i k n y )
数值逼近（Nudging）方法是一种基于动力学同化的数值近似技术， 广泛应用于气候模拟中（张春雨等， 2023； 石英等， 2021）。其核心思想是在数值模型的预报方程中引入一个修正项， 该修正项表示预测值与模拟值之间的差异。该方法主要用于处理区域气候模拟中的偏差问题， 使得模型的解趋向于观测值［式（4）］。其中， 谱逼近方法（Spectral Nudging）通过设置波数阈值进行空间滤波， 保留了大尺度环流的信息。然后按照一定的权重， 将这部分大尺度的波动信号加入到模型的预报场中， 使得模式模拟状态持续不断地接近大尺度驱动状态， 以减小模拟误差。而模型的自由积分则反映了中小尺度过程的特性。在式（4）中， 变量x的值通过插值得到， 该插值基于相邻时刻的观测分析值； t表示时间； M（x）是模型算子； Gx是松弛因子， 表示同化的强度； w ( η )是垂直方向上的权重系数； x 0是再分析资料中的变量； Kmn表示不同尺度的逼近系数； km代表经向波数， kn代表纬向波数， 二者的值根据格距、 格点数和波长进行计算， 用于调整模式中模型的大尺度环流场， 使其能够与真实驱动场保持一致。在本文中， km设置为8， kn设置为9。该方法已被广泛应用于天气过程和区域气候模拟研究中， 并有效改进了模拟性能。（董美莹等， 2021； 李洪兵等， 2021； Zeng and Zhou， 2012； Mai et al， 2020）。

2.5　青藏高原冻土数据

本文采用了青藏高原冻土图（1∶300万）， 数据来源于国家冰川冻土沙漠科学数据中心 （http： //www.ncdc.ac.cn）。该数据集是中国科学院兰州冰川冻土研究所（今中科院寒区旱区环境与工程研究所）冻土工程国家重点实验室根据多年从事冻土考察研究的第一手资料及前人研究论文、 文献、 并详细研究与参阅了航空像片、 卫星影像及青藏公路沿线多年冻土图、 祁连山地貌图、 青藏高原自然景观图、 青藏高原第四纪冰川遗迹分布图、 南水北调西线工程通天河-雅砻江调水区冻土遥感图、 中国冰雪冻土图等， 在100万航测地形图上进行编绘， 然后缩编成1∶300万青藏高原冻土图， 后经由中科院寒区旱区环境与工程研究所南卓铜等数字化完成， 数据集通过严格的人工审核控制质量（南卓铜， 2018）。

3 结果分析

3.1　站点数据分析

站点的观测数据往往是最直观可靠的。图2描述了铁路沿线五道梁、 沱沱河、 曲玛莱、 唐古拉D105、 安多-那曲野外台站和新D66的1998 -2021年年平均地表气温变化。整体来看， 自1998 -2021年青藏铁路沿线地表气温呈上升趋势。曲玛莱、 沱沱河和安多站年增温率分别为0.56 ℃·（10a）-1、 0.51 ℃·（10a）-1和0.38 ℃·（10a）-1； 新D66、 五道梁和唐古拉D105站年平均增温率分别为0.52 ℃·（10a）-1、 0.31 ℃·（10a）-1和0.27 ℃·（10a）-1， 这一增温幅度相对于徐影等（2003）所预测的“21世纪中期， 在只考虑温室气体的增加和既考虑温室气体的增加又考虑硫化物气溶胶增加时， 青藏铁路沿线各站的增温幅度在2.8~3.0 ℃之间”来说较为温和。
图2 铁路沿线五道梁、 沱沱河、 曲玛莱、 唐古拉D105、 安多-那曲野外台站和新D66的1998 -2021年年平均地表气温变化

*代表趋势通过95%显著性检验， **代表通过99%显著性检验

Fig.2 Annual mean surface air temperature changes from 1998 to 2021 at Wudaoliang， Tuotuo River， Qumalai， Tanggula D105， Amdo Nagqu Field Station and New D66 along the railway line.* represents the trend passing the 95% significance test and ** represents the 99% significance test

为表征各站点之间年际变化趋势的不一致性， 本研究利用Mann-Kendall突变检验的方法可以将五个站点的温度变化趋势进行分段。五道梁和曲玛莱站可分为五个阶段： 1998 -2000年的下降趋势； 2000 -2006年的上升阶段； 2006 -2008年的剧烈下降阶段； 2008 -2016年的持续上升阶段和2016 -2021年的持续下降阶段。沱沱河站在1999 -2006年期间呈现持续的温度上升趋势， 而在2006 -2021年期间则展现出相对平稳的温度波动。D66站的温度变化趋势可划分为四个阶段， 其中： 1998 -2010年的波动上升阶段； 2010 -2014年的持续下降阶段， 这与李栋梁等（2005）预测的“青藏铁路沿线地表温度的升温可能到 2010 年前后达到最强， 此后可能出现一个明显降温过程”基本一致； 2014 - 2019年的持续上升阶段和2019 -2021年的持续下降阶段。安多站可分为四个阶段： 1998 - 2004年的持续下降阶段； 2004 -2009年的持续上升阶段； 2009 -2011年的剧烈下降阶段和2011 -2021年的波动上升阶段。D105站可分为2001 -2008年的持续下降和2008 -2021年的持续上升两个阶段。五道梁、 D105、 沱沱河和不冻泉新D66站在1998 -2016年的温度变化趋势有着高度的一致性， 然而， 自2016年起， D66站的温度趋势先是上升然后下降， 而其他站点则先是经历了一个下降趋势， 随后上升。
青藏铁路沿线各站点的季节性表面气温变化呈现出显著的差异性。图3显示了五道梁、 沱沱河、 曲玛莱、 唐古拉D105、 安多-那曲野外台站和新D66六个站点的四个季节的变化趋势。总体来看， 在这六个站点中， 秋季气温的增长尤为显著， 特别是在曲玛莱站和新D66站， 气温的增长速率高达1 ℃·（10a）-1。相较之下， 春季和冬季的气温增长速度较慢， 其中除新D66站外， 其他各站的增温率介于0.2~0.5 ℃·（10a）-1。其中五道梁的冬季气温呈现负增长， 增长率为-0.3 ℃·（10a）-1年。采用Mann-Kendall突变检验方法分析后发现， 季节性气温变化的关键转折年份与年平均气温的转折年份大致相符。春季和冬季气温增长缓慢的现象可能与土壤的冻融过程密切相关， 这一过程影响了热量的储存和释放。
图3 铁路沿线五道梁、 沱沱河、 曲玛莱、 唐古拉D105、 安多-那曲野外台站和新D66的1998 -2021年季平均地表气温变化

*代表趋势通过95%显著性检验， **代表通过99%显著性检验

Fig.3 Seasonal mean surface air temperature changes from 1998 to 2021 at Wudaoliang， Tuotuo River， Qumalai， Tanggula D105， Amdo Nagqu Field Station and New D66 along the railway line.* represents the trend passing the 95% significance test and ** represents the 99% significance test

3.2　 WRF模式模拟的表面气温结果分析

鉴于青藏铁路沿线观测站点的稀疏和分散性， 这些站点对于整个区域的气候代表性存在限制。为深入分析青藏铁路沿线地区在不同地表条件下的气候变化细节， 本研究采用了WRF模型进行动力降尺度模拟， 分辨率为10 km×10 km， 覆盖2006 - 2020年， 模拟结果包括地表2 m高度处的气温变化（图4）。总体来看， 自2006年青藏铁路沿线气温变化有着很强的区域性， 模拟结果显示， 降温区域主要分布在巴颜喀拉山及唐古拉山以南地区， 而升温区域则主要位于唐古拉山北部以及柴达木盆地地区。模拟数据指出， 增温最为显著的区域位于藏东南横断山脉的北部地区， 这里的温度增长率超过了2 ℃·（10a）-1； 进一步分析表明， 铁路沿线从北向南， 年平均温度变化率呈现出一种负-正-负-正的空间分布模式。其中降温最剧烈的是在那曲周边和巴颜喀拉山， 降温范围为0.6~1.5 ℃·（10a）-1。而增温区域集中在铁路中段以西的区域和拉萨东侧且升温较为平缓， 在0.3~1 ℃·（10a）-1。
图4 WRF模式模拟的青藏铁路沿线2006 -2020年年平均气温增长率（单位： ℃·a-1）（引自Li et al， 1996）

绿色打点区域为多年冻土区范围

Fig.4 The annual average temperature growth rate of 2006 -2020 along the Qinghai-Tibet Railway simulated by WRF model （unit： ℃·a-1）（cited from Li et al， 1996）.The green dot area is the permafrost region

青藏高原气温的季节性变化尤为显著。为进一步探究不同季节下青藏铁路沿线气温变化规律， 图5展示了2006 -2020年间青藏铁路沿线春季（3 -5月）， 夏季（6 -8月）， 秋季（9-11月）， 冬季（12月至次年2月）4个季节的气温模拟结果， 以便进行详尽的季节性对比分析。整体而言， 春季和冬季青藏铁路沿线主要呈现降温趋势， 而夏季和秋季则以升温趋势为主。这些温度的季节性变化在不同区域表现出明显的差异， 尤其是与冻土分布区的相关性十分显著。春季和冬季， 冻土区域主要表现为降温趋势， 而非冻土区则多为升温趋势。在春季， 除柴达木盆地外， 沿线大部分区域呈现降温趋势， 尤其在唐古拉山以南和巴颜喀拉山周边区域降温尤为明显。夏季铁路沿线除唐古拉山南部地区以外基本都为增温趋势， 在0.3~1 ℃·（10a）-1之间。秋季铁路沿线全面呈现很强的增温趋势， 尤其是铁路终点区域， 最高达到了2 ℃·（10a）-1以上。冬季青藏高原温度变化趋势与春季相似， 但变化更为强烈， 这与赵丹等（2022）的研究结果相似。
图5 WRF模式模拟的青藏铁路沿线2006 -2020年四季平均气温增长率（单位： ℃·a-1）

（a）春季， （b）夏季， （c）秋季， （d）冬季， 绿色打点区域为多年冻土区范围

Fig.5 The growth rate of the seasonal mean temperature （unit： ℃·a-1） along the Qinghai-Xizang Railway from 2006 to 2020， as simulated by the WRF model， indicates significant trends.（a） spring， （b） summer， （c） autumn， （d） winter， The green dotted areas represent the extent of the permafrost regions

为准确评估WRF模式的气温模拟能力， 本研究对比了来自选定站点的实际观测数据与WRF模型的模拟输出结果。图6中， 新D66、 D105、 沱沱河、 安多站和五道梁等六个站点的观测数据与WRF模式的模拟输出进行了直观对比。模式模拟显示， 这些站点在2007 -2012年的地表气温呈现持续下降趋势， 随后在2012 -2016年转为持续上升， 而在2016 -2019年又再次呈现持续下降趋势。特别是在沱沱河和五道梁地区， WRF模式模拟的气温结果与观测数据之间展现了较高的相关性， 分别达到了0.57和0.47。然而， 在其他观测站点， 模式与实际观测间的一致性较低。这可能归因于模拟的时间跨度较短， 以及模式在不同季节的模拟能力之间存在的差异， 这些因素可能导致了年平均温度的显著差异。
图6 WRF模式模拟的2007 -2019年年平均气温与站点观测数据对比（单位： ℃）

*、**分别表示通过95%和99%显著性检验

Fig.6 Comparison of the annual average temperature simulated by WRF model from 2007 to 2019 with the observed data at the station.Unit： ° C.* and ** means pass 95% and 99% significance test， respectively

上述结果显示了站点数据与模式模拟数据的不一致性， 为了探究不一致性的来源， 本节选取了五道梁、 沱沱河、 曲玛莱和安多-那曲野外观测站等四个站点的数据， 将各季节的模拟结果与观测结果分别对比（表1， 图7）。总体来看， WRF模式在青藏高原的夏季模拟情况最好， 无论是趋势还是温度都较为吻合， 在冬季的模拟结果最差。春季WRF模式的结果与观测值的相关系数在春季平均为0.53， 夏季为0.92， 秋季为0.77， 而冬季只有0.41， 尤其是冬季的安多站和曲玛莱站在冬季的相关系数只有0.38和-0.07。说明WRF模式的结果对于夏季和秋季的模拟效果最好， 而在春季和冬季可能因为冻土和积雪融化等因素导致模拟效果欠佳。WRF模式对于积雪融化过程的参数化方案在青藏高原地区仍存在很大的不确定性， 且由于青藏高原复杂的下垫面和区域气候， 积雪的量以及积雪的物理状态在模式中都无法具体地体现（Yang et al， 2023）， 因此WRF模式在高原地区春季和夏季气温的模拟效果较差， 冷偏差也更高。
表1 观测和WRF模拟的五道梁、 沱沱河、 曲玛莱和安多-那曲站四季温度变率及二者相关性（WRF/观测/相关系数）

Table 1 Observed and WRF simulated four seasons temperature variability at Wudaoliang， Tuotuohe， Qumalai and Ando-Naqu stations and their correlation

站点 春季 夏季 秋季 冬季
WRF/［℃·（10a）-1］，观测 /［℃·（10a）-1］，相关系数 WRF/［℃·（10a）-1］，观测 /［℃·（10a）-1］，相关系数 WRF/［℃·（10a）-1］，观测 /［℃·（10a）-1］，相关系数 WRF/［℃·（10a）-1］，观测 /［℃·（10a）-1］，相关系数
五道梁 0.01，-0.05，0.76** 0.60，0.23，0.92** 0.74，0.27，0.77** 0.66，0.23，0.67*
沱沱河 -0.06，-0.3，0.26 0.31，0.30，0.83** 0.64，0.50，0.74** 0.97，-0.18，0.38
曲玛莱 0.15，-1.4，0.89** -0.08，0.07，0.97** 1.43，1.00，0.86** -0.17，-1.45，0.63*
安多-那曲 0.20，-1.8，0.19 0.54，0.30，0.95** 0.61，0.32，0.70** 1.04，-2.51，-0.07

*表示通过95%显著性检验， **表示通过99%显著性检验（* means pass 95% significance test， ** means pass 99% significance test）

图7 WRF模式模拟的2006 -2019年五道梁、 安多、 沱沱河和曲玛莱4个站点不同季节的温度变化趋势与观测值对比

（a）春季， （b）夏季， （c）秋季， （d）冬季

Fig.7 Comparison of temperature variation trends and observed values at Wudaoliang， Ando， Tuotuohe and Qumalai stations in different seasons from 2006 to 2019 simulated by WRF model.（a） spring， （b） summer， （c） autumn， （d） winter

WRF模式的模拟结果相较于观测值在夏季和秋季平均约有最高1 ℃的冷偏差， 在春季和冬季的冷偏差更为明显： 春季的冷偏差在1~2.5 ℃， 夏季和秋季在1 ℃左右， 冬季在2~3 ℃。从四个站点温度趋势的集合平均来看， 站点观测结果在四个季节均显示出了明显的升温趋势， 而WRF模式模拟的结果在春季和冬季是降温趋势， 夏季和秋季为升温趋势。夏季WRF模式模拟的结果同观测结果趋势最为接近， 春季和冬季的冷偏差显示了WRF模式在年平均温度上的模拟结果不准确的原因是春季和冬季模拟的不确定。

3.3　 WRF模式模拟的降水结果分析

降水对于青藏铁路沿线的气候同样至关重要。前人的研究表明， 青藏高原的降水模拟一直存在着湿偏差（张歆然等， 2021）， 而此工作利用WRF-nudging的方法改进了模式模拟对青藏高原降水的估计。图8和图9给出了WRF的控制试验， Nudging 试验和GPM降水资料春季总降水量的空间分布特征， 高原降水大值区主要集中在高原东南部和西部， Nudging试验的结果［图8（a）］与GPM降水资料［图8（c）］在空间分布和降水量上展现了更高的一致性， 这相较于控制试验［图8（b）］显著改进了高原东部降水模拟的湿偏差。在夏季， 相较于控制试验［图9（b）］， Nudging 试验［图9（a）］减弱了高原夏季风降水向高原内陆推进的强度， 从而减小了高原内陆， 特别是羌塘高原上降水模拟的湿偏差。图8（d）显示了两种方法减去GPM观测资料的偏差值。在藏东南地区， Nudging方法模拟的湿偏差明显弱于控制试验。另一方面， 通过 Nudging 方法有效降低了高原南坡的降水模拟湿偏差。在高原以东的四川盆地， 控制试验［图9（b）］产生的虚假降水大值中心， 亦在 Nudging 试验［图9（a）］中改进。
图8 WRF 模式的 Nudging 试验（a）、 控制试验（b）和 GPM 降水资料的 2010 年春季总降水量 （单位： mm）

Fig.8 Total precipitation in spring 2010 from Nudging test （a） of WRF model， control test （b） and GPM precipitation data.Unit： mm

图9 WRF 模式的 Nudging 试验（a）、 控制试验（b）和 GPM 降水资料（c）的 2010 年夏季总降水量以及Nudging 试验与GPM观测的差值（d）， 控制试验与GPM观测的差值（e）（单位： mm）

Fig.9 Nudging test （a）， control test （b） and GPM precipitation data （c） of WRF model in the summer of 2010 and the difference between Nudging test and GPM observation （d）， the difference between control test and GPM observation （e）.Unit： mm

为了进一步观察铁路沿线降水的变化规律， 图10给出了模式模拟的2006 -2020年铁路沿线年平均降水量［图10（a）］与年平均降水量变率［图10（c）］并与GPM卫星观测的2006 -2020年铁路沿线年平均降水量［图10（b）］和年平均降水变率［图8（d）］对比。总体来看， WRF模式模拟的铁路沿线降水相较于观测值依然存在着湿偏差， 但整体上铁路沿线降水变化规律相同。即自铁路北段至铁路南段降水逐渐增加， 且在铁路中部降水出现极大值。从年均降水量的变率来看， WRF模式模拟的铁路沿线降水自北向南有着正-负-正的变化规律， 而GPM的观测数据显示了从北到南正-负的变化规律， 在铁路中段二者在铁路沿线均显示了负的降水变率且WRF模式的结果要小于GPM的观测结果， 分别为-4 mm·a-1和-8 mm·a-1左右。而在铁路南段二者在铁路东部均显示了正的降水变率， 但WRF模式模拟的结果正变率要远远大于GPM 的观测结果， WRF模式的结果达到了20 mm·a-1以上而GPM观测值为10 mm·a-1左右， 这也与WRF模式模拟的年平均降水量高于GPM观测值一致。
图10 WRF模式模拟的2006 -2020年铁路沿线年平均降水量（a， 单位： mm）和年平均降水变率（c， 单位： mm·a-1）同GPM卫星观测的2006 -2020年铁路沿线年平均降水量（b， 单位： mm）和年平均降水变率（d， 单位： mm·a-1）

黑色曲线为青藏铁路格-拉线

Fig.10 The average annual precipitation （a， unit： mm） and the average annual precipitation variability （c， unit： mm·a-1） simulated by WRF model are the same as the average annual precipitation （b， unit： mm） and the average annual precipitation variability （d， unit： mm·a-1） observed by GPM satellite during 2006 -2020.The black curve is the Gei-La line of Qinghai-Tibet Railway

高原的季节降水变化是影响高原降水的一大因素。为此， 图11和图12对比了GPM卫星观测的2006-2020年铁路沿线四季的季平均降水量和平均降水变率。总体来看， WRF模式模拟的结果与GPM观测的结果相似， 二者皆显示了铁路沿线夏季的降水量要远远大于其他季节， 夏季是铁路沿线主要的降水季节， 自北向南降水量从100 mm增加到600 mm， 而冬季铁路沿线几乎没有降水。铁路沿线降水量自北向南逐渐增加， 夏季降水自北向南增长的速率远远大于其他季节。春季和秋季降水量和降水分布相似， 降水量在80~200 mm， 降水最大的区域分布在铁路终点东侧。从铁路沿线降水变率来看， GPM观测结果显示了春季、 夏季和秋季降水变率自北向南正-负-正的变化规律， 而WRF模式在春季和夏季的规律与观测结果较为吻合， 但WRF模式模拟的夏季铁路沿线降水的变率要小于GPM的观测结果， 这与图10中年平均降水变率相呼应。
图11 GPM卫星观测（a， c）和WRF模式模拟（b， d）的2006 -2020年铁路沿春季（a， b）和夏季（c， d）的平均降水量（上， 单位： mm）和平均降水变率（下， 单位： mm·a-1）

黑色线为青藏铁路格-拉线

Fig.11 Average precipitation （top， unit： mm） and average precipitation variability （bottom， unit： mm·a-1） along the railway in spring （a， b） and summer （c， d） during 2006 -2020， simulated by GPM satellite observation （a， c） and WRF model （b， d） The black line is the Gee-La line of Qinghai-Xizang Railway

图12 GPM卫星观测（a， c）和WRF模式模拟（b， d）的2006 -2020年铁路沿秋季（a， b）和冬季（c， d）的平均降水量（上， 单位： mm）和平均降水变率（下， 单位： mm·a-1）

黑色线为青藏铁路格-拉线

Fig.12 Average precipitation （upper， unit： mm） and average precipitation variability （lower， unit： mm·a-1） along the railway in autumn （a， b） and winter （c， d） during 2006 -2020， simulated by GPM satellite observation （a， c） and WRF model （b， d）.The black line is the Gee-La line of Qinghai-Xizang Railway

4 结论

本文在分析观测数据的基础上， 利用WRF模式对青藏铁路沿线进行了降尺度模拟， 并将模式模拟结果与观测结果进行对比， 得出如下主要结论：
（1） 铁路沿线的站点观测数据表明铁路沿线自1998 -2021年均呈现增温趋势。曲玛莱、 沱沱河和安多站年增温率分别为0.56 ℃·（10a）-1、 0.51 ℃·（10a）-1和0.38 ℃·（10a）-1； 新D66、 五道梁和唐古拉D105站年平均增温率分别为0.52 ℃·（10a）-1、 0.31 ℃·（10a）-1和0.27 ℃·（10a）-1， 铁路沿线的升温时段主要是在秋季。
（2） 模式模拟的结果显示出铁路沿线2006 - 2020年年平均气温自北向南年平均温度变率存在着负-正-负-正的变化规律， 其中降温最剧烈的是在那曲周边和巴颜喀拉山， 降温范围从0.6~1.5 ℃·（10a）-1之间。而增温区域集中在铁路中段以西的区域和拉萨东侧且升温较为平缓， 在0.3~1 ℃·（10a）-1之间。模拟结果中， 铁路沿线的降温主要是在春季和冬季， 升温主要是在夏季和秋季。温度季节变化区域性与冻土区关联性很高， 在春季和冬季， 铁路沿线冻土区均为降温趋势， 非冻土区主要为升温趋势， 但在夏季和秋季该特征并不明显。春季除柴达木盆地地区外， 其他地方均为降温趋势， 降温的主要区域在唐古拉山以南和巴颜喀拉山附近。
（3） Nudging方法有效改进了青藏高原夏季降水的湿偏差。铁路北段至铁路南段降水逐渐增加， 且在铁路中部降水出现极大值。从年均降水量的变率来看， WRF模式模拟的铁路沿线降水自北向南有着正-负-正的变化规律， 而GPM的观测数据显示了从北到南正-负的变化规律， 在铁路中段， 两者均显示了负的降水变率且WRF模式的结果要小于GPM的观测结果， 分别为-40 mm·（10a）-1和-80 mm·（10a）-1左右。
（4） 夏季是铁路沿线主要的降水时段， 自北向南降水量从100 mm增加到600 mm， 而冬季铁路沿线几乎没有降水。铁路沿线降水量自北向南逐渐增加， 夏季降水自北向南增长的速率远远大于其他季节。春季和秋季降水量和降水分布相似， 降水最大的区域分布在拉萨地区东侧。
WRF模式在青藏高原的温度和降水模拟上仍存在一定的冷偏差和湿偏差， 尽管本研究利用Nudging方法在一定程度上改善了湿偏差， 但湿偏差依然明显。寻找新的方法或利用高质量的驱动数据来驱动模式可能对青藏高原地区的降尺度模拟结果有更进一步的改善。

参考文献

null
Duan A M， Wu G X， Zhang Q， et al， 2006.New proofs of the recent climate warming over the Tibetan Plateau as a result of the in‐ creasing green-house gases emissions［J］.Chinese Science Bulletin， 51（11）： 1396-1400．
null
Immerzeel W W， Beek L P H V， BierkensI M F P， 2010.Climate change will affect the Asian water towers［J］.Science， 328（5984）： 1382-1385.
null
Mai X， Qiu X， Yang Y， et al， 2020.Impacts of Spectral Nudging Parameters on Dynamical Downscaling in Summer over Mainland China［J］.Front.Earth Sci.， 18 November 2020Sec.Atmospheric Science.Volume 8-2020|
null
Ni J， Wu T H， Zhu X F， et al， （2021）.Simulation of the present and future projection of permafrost on the Qinghai-Tibet Plateau with statistical and machine learning models.Journal of Geophysical Research： Atmospheres， 126， e2020JD033402.
null
Pepin N， Bradley R S， Diaz H F， et al， 2015.Elevation-dependent warming in mountain regions of the world［J］.Nature Climate Change， 5（5）： 424-430．
null
Sun J， Yang K， Wang Y， et al， 2020.Why has the Inner Tibetan Plateau become wetter since the mid-1990s？［J］.Journal of Climate， 33（19）： 8507-8522.
null
Yan L， Liu X， 2014.Has climatic warming over the Tibetan Plateau paused or continued in recent years［J］.Journal of Earth， Ocean Atmospheric Sciences， 1（1）： 13-28．
null
Yao T D， Thompson L， Yang W， 2012.Different glacier status with atmospheric circulations in Tibetan Plateau and surroundings［J］.Nature Climate Change， 2： 663-667.
null
Yang K， Qi Q， Wang C H， 2023.Possible impacts of vegetation cover increment on the relationship between winter snow cover anomalies over the Third Pole and summer precipitation in East Asia.npj Clim Atmos Sci 6， 140 （2023）.
null
Zeng X F， Zhou T J， 2012.Impact of spectral nudging on the simulation of a regional climate model： Different weight function.Acta Meteorogica Sinica， 70（5）： 1084-1097.
null
Zhu Y Y， Yang S S， 2020.Evaluation of CMIP6 for historical temperature and precipitation over the Tibetan Plateau and its comparison with CMIP5［J］.Advances in Climate Change Research， 11（3）： 239-251.
null
陈德亮， 徐柏青， 姚檀栋， 等， 2015.青藏高原环境变化科学评估： 过去、 现在与未来［J］.科学通报， 60（32）： 3025-3035.
null
Chen D L， XuB Q， YaoT D， et al， 2015.Assessment of past， present and future environmental changes on the Tibetan Plateau［J］. Chinese Science Bulletin， 60 （32）： 3025-3035.
null
董美莹， 陈锋， 邱金晶， 等， 2021.ECMWF驱动场谱逼近对浙江超强台风“利奇马”（2019）精细化数值预报的影响［J］.大气科学， 45（5）： 1071-1086.
null
Dong M Y， Chen F， Qiu J J， et al， 2021.Impact of spectral nudging technique driven with ECMWF data on the fine numerical prediction of super typhoon Lekima （2019） in Zhejiang Province［J］.Chinese Journal of Atmospheric Sciences， 45（5）： 1071-1086.DOI： 10.3878/j.issn.1006-9895.2101. 20193
null
高学杰， 李栋梁， 赵宗慈， 等， 2003.温室效应对青藏高原及青藏铁路沿线气候影响的数值模拟［J］.高原气象， 22（5）： 458-463.
null
Gao X J， Li D L， Zhao Z C， et al， 2003.Numerical simulation for influence of greenhouse effects on climatic change of Qinghai Xizang Plateau along Qinghai-Xizang Railway［J］.Plateau Meteorology， 22（5）： 458 - 463.
null
李栋梁， 郭慧， 李跃清， 等， 2005.青藏高原及铁路沿线地表温度变化趋势预测［J］.高原气象， 24（5）： 685-693.
null
Li D L， Guo H， Li Y Q， et al， 2005.Prediction of 0 cm average ground surf ace temperature changes along Qinghai-Xizang Rail way［J］.Plateau Meteorology， 24（5）： 685-693.
null
李洪兵， 邵爱梅， 李兰倩， 2021.基于谱逼近和地面资料同化的降尺度模拟研究［J］.高原气象， 40（4）： 919-931.DOI： 10.7522/j.issn.1000-0534.2020.00068.Li H B ，
null
Shao A M， LI L Q， 2021.Dynamic downscaling simulation using spectral nudging and three-dimensional assimi-lation of surface observation［J］.Plateau Meteorology， 40（4）： 919-931.DOI： 10.7522/j.issn.1000-0534.2020.00068 .
null
南卓铜， 2018.青藏高原1： 300万冻土图.国家冰川冻土沙漠科学数据中心.https： //cstr.cn/CSTR： 11738.11.ncdc.Westdc. 2020.303.Nan Z T， 2018.Permafrost map of the Tibetan Plateau at 1： 300， 000.National Cryosphere Desert Data Center.
null
石英， 吴婕， 徐影， 2021.区域气候模式水平分辨率对黄淮海流域当代气候模拟的影响［J］.水科学进展， 32（6）： 843-854.DOI： 10.14042/j.cnki.32.1309.2021.06.004.Shi Y ，
null
Wu J， Xu Y， 2021.Role of horizontal resolution in regional climate simulations over the Huang-Huai-Hai River basin［J］.Advances in Water Science， 32（6）： 843-854.DOI： 10.14042/j.cnki.32.1309.2021.06.004 .
null
万玮， 肖鹏峰， 冯学智， 等， 2014.卫星遥感监测近30年来青藏高原湖泊变化［J］.科学通报， 59（8）： 701-714.
null
Wan W， Xiao P F， Feng X Z， et al， 2014.Monitoring lake changes of Qinghai-Tibetan Plateau over the past 30 years using satellite remote sensing data［J］.Chinese Science Bulletin， 59（8）： 701-714.
null
徐影， 丁一汇， 李栋梁， 2003.青藏地区未来百年气候变化［J］.高原气象， 22（5）： 451-457.
null
Xu Y， Ding Y H， Li D L， 2003.Climatic change over Qinghai and Xizang in 21st century［J］.Plateau Meteorology， 22（5）： 451-457
null
杨珂珂， 郭东林， 华维， 等， 2023．CMIP6 HighＲesMIP 对青藏高原气候模拟的评估和预估［J］．大气科学学报， 46（ 2）： 193-204．
null
Yang K K， Guo D L， Hua W， et al， 2023．Evaluation and projection of CMIP6 HighＲesMIP in simulating surface air temperature and precipitation over the Tibetan Plateau［J］．Transactions of Atmospheric Sciences， 46（2）： 193-204．
null
杨耀先， 胡泽勇， 路富全， 等， 2022.青藏高原近60年来气候变化及其环境影响研究进展［J］.高原气象， 41（1）： 1-10.DOI： 10.7522/j.issn.1000-0534.2021.00117.Yang Y X ，
null
Hu Z Y， Lu F Q， et al， 2022.Progress of recent 60 years’climate change and its environmental impacts on the Qinghai-Xizang Plateau［J］.Plateau Meteorology， 41（1）： 1-10.DOI： 10.7522/j.issn.1000-0534.2021.00117 .
null
姚檀栋， 邬光剑， 徐柏青， 等， 2019.“亚洲水塔”变化与影响［J］.中国科学院院刊， 34（11）： 1203-1209.
null
Yao C D， Wu G J， Xu B Q， et al， 2019.Asian Water Tower change and its impacts［J］.Bulletin of Chinese Academy of Sciences， 34（11）： 1203-1209.
null
张春雨， 刘爱利， 吕嫣冉， 等， 2023.基于 CMIP6青藏高原腹地气候模拟评估及时空分析［J］.高原气象， 42（5）： 1144-1159.DOI： 10.7522/j.issn.1000-0534.2022.00104.Zhang C Y ，
null
Liu A L， Lü Y R， et al， 2023.Spatial-temporal analysis and assessment of CMIP6 based climate simulation over the Qinghai-Xizang （Tibet） Plateau's Hinterland［J］.Plateau Meteorology， 42（5）： 1144-1159.DOI： 10.7522/j.issn.1000-0534.2022.00104 .
null
张宏文， 高艳红， 2020.基于动力降尺度方法预估的青藏高原降水变化［J］.高原气象， 39（3）： 477-485.DOI： 10.7522/j.issn.1000-0534.2019.00125.Zhang H W ，
null
Gao Y H， 2020.Projected changes of precipitation over the Qinghai-Tibetan Plateau based on dynamical downscaling［J］.Plateau Meteorology， 39（3）： 477-485.DOI： 10.7522/j.issn.1000-0534.2019.00125 .
null
张歆然， 2021.青藏高原东坡地区暖季降水模拟偏差分析［D］.北京： 中国气象科学研究院.Zhang X R， 2021.Analysis of simulation bias of the warm season precipitation on the eastern periphery of the Tibetan Plateau［D］.Beijing： Chinese Academy of Meteorological Sciences.
null
赵丹， 2022.青藏高原冬季气温年代际变化对周边气溶胶聚集的影响［D］.兰州： 兰州大学.Zhao D， 2022.The influence of interdecadal variation of temperature over the Tibetan plateau on aerosols of its surroundings in winter［D］.Lanzhou： Lanzhou University.
null
周天军， 张文霞， 陈晓龙， 等， 2020.青藏高原气温和降水近期、 中期与长期变化的预估及其不确定性来源［J］.气象科学， 40（5）： 697-710.
null
Zhou T J， Zhang W X， Chen X L， et al， 2020.The near-term， mid-term and long-term projections of temperature and precipitation changes over the Tibetan Plateau and the sources of uncertainties［J］.Journal of the Meteorological Sciences， 40（5）： 697-710．
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