1 引言
青藏高原气候从20世纪50年代中期开始显著变暖， 趋势比同一时期北半球同纬度其他地区更强， 是全球气候变化最敏感的区域之一（Liu and Chen， 2000）， 也是研究的热点区域之一。一方面， 青藏高原上的热力过程不仅能对亚洲季风和降水产生强烈影响， 而且能通过促进遥相关来调节北美和欧洲的气候， 并且影响南印度洋的大气环流（Zhou et al， 2009）。另一方面， 气候变化已对青藏高原地区的土壤、 水文、 冰川、 植被以及农作物等产生显著影响（Ma et al， 2008； Yang et al， 2010； Yang et al， 2011， 2014； Yao et al， 2012； Wang et al， 2016）； 在把握这些变化和影响的同时， 分析和预估未来气候变化可能造成的影响和风险， 对于青藏高原区的生态环境可持续性具有重要的意义（史培军等， 2016）。
气候模式是模拟和研究气候变化的主要工具（Taylor et al， 2012）。受气候系统复杂性和模拟计算的限制， 气候模式模拟结果存在较大的不确定性， 因此， 在气候变化研究中， 必须先对模式的模拟能力进行评估（Knutti et al， 2010）。青藏高原海拔较高且地形多变， 常规的全球气候模式（GCM）由于分辨率粗， 对复杂地形描述不准确， 无法很好地再现这一地区的气候。一直以来， 青藏高原的气候模拟都存在很大的不确定性（Jiang et al， 2005； 许崇海等， 2007； 张莉等， 2008）。因此在青藏高原地区开展模式数据的评估和校正工作， 对未来气候变化影响与风险分析具有重要的意义。
当前， 可供使用的较为成熟的模式数据仍然为国际耦合模式比较计划第五阶段（Coupled Model Inter-comparison Project， CMIP5）的数据。这些模式数据在青藏高原地区的模拟能力是大家关注的问题。例如， Su et al（2013）发现CMIP5的大多数模式在1961 -2005年青藏高原地区都存在冷偏差， 并高估降水量； 胡芩等（2014）发现在CMIP5的44个模式中， 青藏高原地区1986 -2005年年平均气温被低估2.3 ℃左右， 日均降水量被高估1.3 mm。除上述针对全球模式结果的直接评估外， 部分学者也对CMIP5及一些再分析数据进行了动力或统计降尺度， 试图提高数据的空间分辨率和准确性（高谦等， 2017； 刘文丰等， 2014）。目前全球广泛使用的高分辨率数据集是美国国家航空航天局发布的CMIP5的统计降尺度数据集， NASA Earth Exchange/Global Downscaled Projections（NEX-GDDP）（Thrasher et al， 2012）。已有学者对该数据的模拟精度进行了初步评价， 如在中国区域， NEX-GDDP总体减少了中国最冷和最暖月的气温和降水与气候历史统计数据间的偏差（Bao and Wen， 2017）， 且比CMIP5能更好地描述中国极端降水的空间分布、 减少不确定性（Chen et al， 2017）。在青藏高原区， NEX-GDDP数据集比CMIP5对于所有季节的气温和降水在量值和分布方面都有巨大改进， NEX-GDDP的多模式集合比CMIP5的多模式集合更接近观测值（Mishra et al， 2019）。然而， 上述研究与满足青藏高原区域的气候变化影响和风险研究还有一定距离。对主要气候模式在青藏高原区的气温、 降水和风等要素条件下和日、 季、 年等不同时间尺度上的模拟能力进行评估， 并对模式数据进行校正， 是当前仍有待完成的一项工作。
为此， 本文利用基于中国地面台站的插值格点数据集（CN05.1）， 对15个NEX-GDDP模式的逐日气温、 降水和CMIP5模式的风速在青藏高原区域1966 -2005年间的模拟精度进行评估。对上述数据集， 使用ISI-MIP的偏差校正方法（Hempel et al， 2013）进行了训练和验证。在此基础上， 对未来时期（2006 -2095年）模式数据进行了偏差校正， 并比较了校正前后气候特征的变化。本文的研究结果为青藏高原地区未来气候变化的预估以及气候变化影响的分析和评价提供重要参考。
2 数据来源与研究方法
2.1 数据来源
2.1.1 模式数据
本文包含两组模式数据。高分辨率统计降尺度数据集NEX-GDDP下载自美国国家航空航天局（网址： https： //nex.nasa.gov/nex/projects/1356/）（Thrasher et al， 2012）。NEX-GDDP是将21个CMIP5模式的逐日最高气温、 最低气温和降水量数据通过统计降尺度方法（bias-correction spatial disaggregation， BCSD方法）转换至0.25°×0.25°分辨率后的数据集。该数据集中包括了历史时期（1950 -2005年）和两种情景下（RCP4.5、 RCP8.5）预估时期（2006 -2100年）的数据。本文选用了15个气候模式（表1）的逐日最高气温、 最低气温和降水量在r1i1p1初始条件下的历史数据（1966 -2005年）和未来数据（2006 -2095年）。
表1 15个CMIP5气候模式的基本信息Table 1 Information of 15 CMIP5 climate models |
| 编号 | 模式 | 模式机构 | 国家 | 网格数 |
|---|---|---|---|---|
| 1 | ACCESS1-0 | CSIRO-BOM | 澳大利亚 | 192×145 |
| 2 | CanESM2 | CCCma | 加拿大 | 128×64 |
| 3 | CNRM-CM5 | CNRM-CERFACS | 法国 | 256×128 |
| 4 | CSIRO-Mk3-6-0 | CSIRO-QCCCE | 澳大利亚 | 192×96 |
| 5 | GFDL-CM3 | NOAA-GFDL | 美国 | 144×90 |
| 6 | GFDL-ESM2G | NOAA-GFDL | 美国 | 144×90 |
| 7 | GFDL-ESM2M | NOAA-GFDL | 美国 | 144×90 |
| 8 | INM-CM4 | INM | 俄罗斯 | 180×120 |
| 9 | IPSL-CM5A-LR | IPSL | 法国 | 96×96 |
| 10 | IPSL-CM5A-MR | IPSL | 法国 | 144×143 |
| 11 | MIROC5 | MIROC | 日本 | 256×128 |
| 12 | MIROC-ESM | MIROC | 日本 | 128×64 |
| 13 | MPI-ESM-LR | MPI-M | 德国 | 192×96 |
| 14 | MPI-ESM-MR | MPI-M | 德国 | 192×96 |
| 15 | MRI-CGCM3 | MRI | 日本 | 320×160 |
NEX-GDDP各模式网格数均为1440×720 |
日平均风速的数据来源于CMIP5（网站： http： //cmip-pcmdi.llnl.gov/cmip5）在r1i1p1初始条件下的15个气候模式（表1）。依据CMIP5的实验设计（Taylor et al， 2012）， r1i1p1是模式每个实验的第一个集合成员， 即只进行了一次模拟， 只使用了一种初始化方法或观测数据集， 且只有一个物理版本（如强迫组合）。各模式具体的初始条件有所不同； 对于某个模式具体的模拟方法、 初始化方法、 观测数据集和物理版本， 需要参考该模式的对应的说明文档。15个模式中， 模式IPSL-CM5A-LR与IPSL-CM5A-MR的日平均风速与最大风速数据完全相同， 可能存在异常。为此， 本文在分析日平均风速时， 未将上述两个模式纳入计算。
2.1.2 观测资料
考虑到本文选取了模式数据的多个变量， 并且模式数据的分辨率为0.25°×0.25°， 在考虑现有数据可用性最高的前提下， 选择了基于中国地面气象台站的格点观测资料CN05.1作为参考观测资料， 包括与模式数据对应的日最高气温、 日最低气温、 日降水量和日平均风速， 空间分辨率为0.25°×0.25°。该数据集以中国2416个气象站为基础， 由薄板样条方法插值后的气候平均场和角距权重法插值后的距平场叠加而成， 保证了气候数据在时间和空间上的连续性， 满足目前高分辨率气候模式检验的迫切需求（吴佳等， 2013）。相比其他数据集， 如分辨率为0.5°×0.5°的东亚逐日降水数据集EA05（Xie et al， 2007）、 0.25°×0.25°的亚洲降水高分辨率观测数据集（Asian Precipitation-Highly Resolved Observational Data Integration Towards Evaluation of Water Resources， APHRODITE）（Yatagai et al， 2012）； 0.5°×0.5°的中国逐日气温数据集CN05等（Xu et al， 2009）， CN05.1数据集依据的地面观测站更加密集， 在准确性和空间分辨率上均更有优势。此前， CN05.1数据集已被广泛地应用于中国区气温（Yang et al， 2017）、 降水（Yu et al， 2018）的时空分布、 变化特征以及全球和区域气候模式的模拟精度验证（Wang et al， 2018）等研究。因此， 本研究优先选择了CN05.1数据集作为评估和偏差校正的地面观测资料。
2.2 方法介绍
2.2.1 数据预处理
选取26°N -39.75°N， 73.25°E -104.75°E青藏高原主体为研究区域， 对模式和观测数据进行切割， 切割后行列共计3994个栅格。考虑到CMIP5的15个模式的分辨率不同且与观测数据CN05.1的分辨率不匹配， 因此， 采用最近映射插值法（Accadia et al， 2003）， 选取与目标点（模式数据栅格的中心经纬度）距离最小的观测数据的值作为该点对应的观测值， 将CMIP5和CN05.1的数据匹配起来。
2.2.2 模拟能力评价方法
（1） 模式对逐日值的模拟能力
针对模式输出的逐日数据进行了比较和评价。参照文献常用的指标（Guo et al， 2018）， 使用皮尔逊相关系数（R）、 均方根误差（RMSE）和平均偏差（MB）来评估模式结果与观测结果的一致性程度 。其中， R用以反映模式值与观测值在某一时间序列上的相关性：
式中： ； ； fn代表模式值； rn代表观测值； 代表模式平均值； 代表观测平均值； N代表样本总数。
RMSE和MB用来反映模式值与观测值之间的平均偏离程度和方向：
（2） 模式对年/季平均值/总量和极端值的模拟能力
平均值（Gu et al， 2018）、 趋势（Xing et al， 2017）和极端值（Chen et al， 2017； Hui et al， 2018）等是气候模式评估中重要的指标。本文将验证时期（1966 -1985年）和未来时期（2006 -2095年）的模式逐日资料处理成了全年（ANN）、 夏季（6 -8月， JJA）和冬季（12月至次年2月， DJF）的平均值/总量。其中， 气温与风速指标为年/季平均值， 降水为年/季总量。对于平均值/总量的比较， 分别将校正前后模式的多年平均值与CN05.1作差， 以评估校正前后模式的模拟精度。对于极端值的比较， 本文主要使用极端阈值来评估模式对极端值的模拟能力， 参考国际上常采用的百分位法来确定极端事件的阈值（马佳宁和高艳红， 2019）。依据Reichler and Kim（2008）、 Zhai and Pan（2003）和Zhang et al（2011）的研究， 选取年/季内日最高气温序列的95%分位数值、 日最低气温序列的5%分位数值、 日降水量序列的95%分位数值和日平均风速序列的95%分位数值分别作为极端高温、 极端低温、 极端降水和极端风速的阈值， 将校正前后模式与CN05.1对应阈值的多年平均值作差， 以评估模式数据对极端值的模拟能力。对于未来时期， 本研究还对校正前后平均值/总量和极端阈值的全区域平均和趋势的空间分布进行了比较， 其中， 趋势以各变量关于年份的一元线性回归斜率表示。
2.2.3 偏差校正方法
本研究使用了多领域间影响模型比较计划（ISI-MIP）的偏差校正方法（Hempel et al， 2013）对模式数据进行校正。该算法是一种基于网格尺度分月份对逐日数据进行统计校正的方法。目前， ISI-MIP已利用该方法对5个模式进行了偏差校正。
该算法主要可以分为月值校正和日值校正两步。在月值校正中， 算法通过比较历史时期观测数据与模式输出结果逐月平均值的差异， 计算二者之间的校正因子。对于气温指标， 依据历史时期模式值和观测值逐月平均值的绝对离差进行加法（additive）校正。由于降水和风速不能为负值， 则依据历史时期的月平均值之间的倍数关系进行乘法（multiplicative）校正。由于加法校正使用的绝对离差和乘法校正使用的倍数关系适用于各月份的整个时间序列， 此方法在调整平均值的同时能够较好地保留模式数据的趋势， 因此也被称为“趋势保留”算法。
在完成月值校正的基础上， 对逐日值进行校正。首先， 计算逐日值与月平均值之间的离差； 其中， 气温使用逐日值与月平均值的差值（绝对离差）； 降水和风速则相应使用逐日值与月平均值的比值（相对离差）。在此基础上， 构建观测数据集离差与模式数据集离差之间的排序回归关系（ranking-order regression）， 并进行校正。对于气温的日值校正， 该方法建议使用线性回归关系。对于降水的校正， 该方法要求首先对0值的频率进行调整， 在物理意义上， 可有效减少观测日无降水但模拟日有降水的情况， 实现对降水频率的调整。在进行回归时， 考虑到降水值和风速必须为非负值， 算法建议优先使用基于伽马分布的非线性回归； 在不能收敛的情况下则使用线性回归。最后， 由于校正是分月份进行的， 因此还需要根据日期对气温的校正因子进行加权分配， 以避免自然月之间出现数值跳跃。
2.2.4 模式数据偏差校正
将数据分为历史时期（1966 -2005年）和未来时期（2006 -2095年）两个时段； 并将历史时期分为校正训练样本（1986 -2005年）和验证样本（1966 -1985年）两个部分。首先以1986 -2005年逐日数据集作为训练样本， 以栅格为校正的基本单元， 对前述方法的校正参数进行训练。在3994个栅格上， 先分别计算各模式和CN05.1数据集在1986 -2005年的多年月平均值， 实现对月值的校正。在确定降水的干/湿月和干/湿日时， 分别取临界降水频率0.01 mm·d-1和1 mm·d-1。在确定有/无风日时取临界风速0 m·s-1。然后， 对日值进行校正， 依据算法构建线性或非线性回归关系， 且R 2介于0.50~0.99。训练完成后， 将训练所得的校正参数应用于验证样本（1966 -1985年）进行检验， 以评估其在青藏高原区的校正能力， 并判断后续是否能够将该方法应用于未来时期模式数据的校正。
在完成上述训练和验证的基础上， 对未来时期（2006 -2095年）的模式数据进行了校正， 包括RCP4.5和RCP8.5两个情景。在结果的展示中， 因两组模式的结果除变化幅度有所差异外， 时间趋势与空间格局上的变化均比较接近， 且受篇幅限制， 只选取了RCP8.5情景进行展示和讨论。而且RCP8.5情景是不考虑任何缓解气候变化压力的措施前提下的高排放情景（田展等， 2008）， 对RCP8.5的讨论更易体现校正过程对未来时期预估结果的改变。
3 结果分析
3.1 历史时期校正前后逐日值模拟能力
图1（a）为训练样本（1986 -2005年）的模式和CN05.1逐日数据的皮尔逊相关系数和均方根误差。从相关系数来看， 校正前日最高气温和日最低气温的模拟能力较好， 日最高气温的相关系数均在0.86以上， 日最低气温都在0.90以上， 略高于CMIP5的44个模式在青藏高原区域年平均气温的相关系数（0.53~0.85）（胡芩等， 2014）。由于动力机制的复杂性（Wang et al， 2018； Giorgi and Marinucci， 1996）， 降水与风的模拟能力相对较差， 日降水量的相关系数为0.16~0.21， 日平均风速为0.12~0.20。从不同模式的能力来看， 日最高气温和日最低气温各模式相关系数相近， 日降水量相关系数最高的模式为CanESM2， 日平均风速为CNRM-CM5。各模式的95%显著性检验的通过率在90%以上。
图1 在青藏高原地区, 历史训练（a）和验证（b）模式数据和CN05.1逐日值的皮尔逊相关系数和均方根误差数字表示相关系数; 渐变色表示均方根误差; IPSL-CM5A-LR和IPSL-CM5A-MR的日平均风速未参与评估 Fig.1 Pearson’s correlation coefficients and root mean square errors of daily values of models and CN05.1 in Qinghai-Xizang Plateau during the historical training (a) and validation (b) set.The numbers represent the Pearson’s correlation coefficients.The shading colors represent the root mean square errors.Daily mean near-surface wind speed of IPSL-CM5A-LR and IPSL-CM5A-MR are excluded |
校正总体上对气温的相关系数提升不明显， 但日降水量的相关系数提高了约0.04， 日平均风速提高了约0.15。气温和降水模式间相关系数区分度不高， 日平均风速相关系数最高的模式为MPI-ESM-MR。各模式的所有栅格的95%显著性检验的通过率在92%以上。校正后， 日降水量的相关系数增加了0.02~0.05， 但是日最高气温下降了0.02~0.03。对于降水而言， 相关系数上升的主要贡献来自于对有/无雨日频率的调整。特别对于夏、 秋两季而言， 与观测数据相比， 模式的有雨日频次高、 但日降水量少， 此时校正效果较为明显； 但对于冬季而言， 模式数据的无雨日远多于观测数据， 因此校正效果有限。总体而言， 相关系数有微弱提升。气温的情况与降水有所不同。气温具有连续性； 在完成分月校正之后， 需要在邻近月份之间进行平滑， 以防止校正后的数据出现明显的月与月之间的“断层”式变化。在校正算法中， 此种平滑是根据日期计算每日的权重因子实现的。通过控制实验证实， 如不进行上述平滑， 相关系数则不会下降。
从均方根误差来看， 校正前， 日最高气温的均方根误差约为4.35 ℃， 日最低气温为4.09 ℃， 日降水量为3.36 mm， 模式间差异较小。日平均风速的均方根误差为2.43 m·s-1， 模式间差异明显。日最高气温和日降水量均方根误差最小的模式为CanESM2， 日最低气温为GFDL-ESM2M， 日平均风速为ACCESS1-0。偏差校正有效地减少了所有变量的均方根误差。校正后， 日最高气温的均方根误差比校正前减少约8.79%， 日最低气温减少约12.63%， 日降水量减少约7.52%， 日平均风速减少约30.36%。校正后， 四个变量均方根误差最小的模式均没有发生改变。
对于验证样本（1966 -1985年）而言， 模式数据的模拟能力与训练样本基本一致。应用训练样本获得的校正参数进行校正后， 各指标相关系数提升（除气温外）， 均方根误差减小， 说明训练获得的校正参数应用于训练样本以外的时段也能取得较好的效果［图1（b）］。
分别统计校正前后各变量各模式的平均偏差， 制成盒须图（图2， mo_t代表校正前训练时期的变量， bc_t代表校正后训练时期的变量， mo_v代表校正前验证时期的变量， bc_v代表校正后验证时期的变量）， 最上端和最下端的短横线“-”分别表示该变量所有模式平均偏差的最大值和最小值（不考虑离群值）， 矩形的三条长横线从下到上分别表示样本的25%分位数， 50%分位数和75%分位数。从训练时期来看（图2左半部分）， 校正前NEX-GDDP高估了日最高气温和日最低气温， 低估了日降水量， 与CMIP5在青藏高原有很大的冷偏差和降水高估（Jiang et al， 2016）的结果相反。日最高气温偏高约1.04 ℃， 日最低气温偏高约0.23 ℃， 日降水量的平均偏差约为-0.11 mm， 日平均风速的平均偏差约为-0.11 m·s-1。据统计， 日最高气温平均偏差最小的模式为MRI-CGCM3， 日最低气温为MIROC5， 日降水量为CNRM-CM5， 日平均风速为GFDL-CM3。从模式间差异来看， NEX-GDDP的气温和降水模式间差异性不明显， 但CMIP5的日平均风速模式间的差异较大。这是因为气温和降水数据取自NEX-GDDP数据集， 该数据集在对CMIP5进行统计降尺度过程中， 利用普林斯顿地表驱动数据完成了初步的偏差校正（Thrasher et al， 2012）， 有效减少了模式间的差异。
校正有效地减少了平均偏差， 校正后， 日最高气温、 日最低气温、 日降水量和日平均风速的平均偏差约为0.01 ℃、 0.02 ℃、 -0.07 mm和-0.005 m·s-1。日最高气温平均偏差最小的模式为INMCM4， 日最低气温为ACCESS1-0， 日降水量为MIROC-ESM， 日平均风速为MPI-ESM-MR。
验证样本中（图2右半部分）， 模式数据各指标平均偏差的改善水平与训练样本基本一致。在校正后， 尽管校正效果不如训练样本自身， 但也能有效地降低平均偏差； 说明该校正参数不仅能减小训练样本本身的偏差， 也能减小训练样本以外时段的平均偏差。
3.2 历史时期校正前后年/季特征值空间分布的模拟能力
本节主要针对历史时期校正前后年/季特征值空间分布的模拟能力和改善情况进行分析。由于训练样本（1986 -2005年）在校正之后， 各变量的平均偏差很小； 因此本节中重点展示验证样本（1966 -1985年）对应的结果， 以更好地说明该校正方法在训练样本外的效果。
3.2.1 平均值/总量
图3展示了1966 -1985年在青藏高原地区， 校正前后模式与CN05.1年/季平均值/总量的差值。校正前， 模式与CN05.1存在显著偏差。从空间上看， 偏差的空间格局均与地形有一定的相关性， 从帕米尔高原开始， 沿阿尔金山至祁连山形成了带状的分界线。偏差分布受地形影响较大， 在地形相对平坦的地区偏差较小， 在陡峭的西北部地区偏差较大。对于年/季平均最高气温和最低气温而言， 模式总体存在高估， 仅在柴达木盆地东部和雅鲁藏布江河谷等区域存在低估； 严重高估的区域（≥10 ℃）主要为青藏高原北侧和东侧。对年/季总降水量而言， 在西南部地区（主要在日喀则境内）存在高估， 其余地区基本为低估。前人发现CMIP大部分模式高估了青藏高原的东部和最南端的年/季总降水量（Jiang et al， 2016； Chen and Frauenfeld， 2014）， 本文的结果显示NEX-GDDP有所改善。对于年/季平均风速而言， 低估区域主要为藏北高原， 与观测数据相比， 模式数据的低估幅度最高可达4.73 m·s-1； 藏东、 南以及昆仑山以西北区域主要为高估， 高估幅度可达4.63 m·s-1。
图3 1966 -1985年青藏高原地区模式和CN05.1年/季平均值/总量的差值分布第1~4行分别为最高气温（单位: ℃）、 最低气温（单位: ℃）、 降水量（单位: mm）和平均风速（单位: m·s-1） Fig.3 Differences between the annual/seasonal mean/total values of models and CN05.1 in Qinghai-Xizang Plateau from 1966 to 1985.Line 1~4 denote maximum (minimum) air temperature (unit: ℃), precipitation (unit: mm) and mean wind speed (unit: m·s-1), respectively |
校正过程有效地消除了偏差。校正后， 各变量的平均偏差大幅减小， 但是总体而言， 年/季平均最高气温和最低气温仍存在轻微高估， 年/季总降水量和年/季平均风速存在轻微低估。例如， 校正后， 夏季平均最高气温被高估0.09 ℃（比校正前减少93.18%）， 冬季平均最低气温被高估0.44 ℃（比校正前减少37.36%）， 夏季总降水量被低估16.24 mm（比校正前减少36.21%）， 夏季平均风速被低估0.42 m·s-1（比校正前减少57.58%）。
3.2.2 极端值
从1966 -1985年校正前后模式数据与CN05.1年/季极端高温、 极端低温、 极端降水和极端风速阈值的差值（图4）可以看出， 校正前， 与CN05.1数据相比［图4（a）］， 1966 -1985年模式对年/季极端高温阈值总体存在高估， 全区域年极端高温阈值平均被高估约0.71 ℃， 最高可达9.93 ℃； 高估地区主要集中在高原西北部和东部。年/季极端低温阈值总体存在高估， 与CN05.1相比， 校正前年极端低温阈值被高估约0.85 ℃； 夏季的高估最为明显， 最高可达9.53 ℃。从全区域平均来看， 校正前极端降水阈值被高估了， 被高估的大值区主要在高原的南部； 夏季极端降水阈值偏差最为明显， 高原中、 北部地区低估幅度可达-7.22 mm， 南部地区的高估幅度可达47.22 mm。年际和冬季极端风速阈值总体被高估， 夏季被低估； 低估区域为高原中部， 高估区域为藏东、 南以及昆仑山、 帕米尔高原等区域。
图4 1966 -1985年青藏高原地区模式和CN05.1年/季极端阈值的差值分布第1~4行分别为极端高温（单位: ℃）、 极端低温（单位: ℃）、 极端降水（单位: mm）和极端风速（单位: m·s-1） Fig.4 Differences between annual/seasonal extreme values of models and CN05.1 in Qinghai-Xizang Plateau from 1966 to 1985.Line 1~4 denote extreme maximum, minimum air temperature (unit: ℃), extreme precipitation (unit: mm) and extreme wind speed (unit: m·s-1), respectively |
校正后［图4（b）］， 1966 -1985年各变量的模拟精度都得到了比较好的提升， 偏差幅度和偏差的区域间差异均明显减小。从全区域总体来看， 校正后年/季极端高温、 极端低温和极端降水阈值的偏差幅度比校正前明显减小， 但总体仍存在高估； 年/季极端风速阈值总体都存在低估， 但是优于校正前的结果。
3.3 校正对未来时期预估结果的影响
3.3.1 平均值/总量
在RCP8.5情景下， 未来时期（2006 -2095年）模式年/季平均值/总量的全区域平均的时间序列［图5（a）］显示， 2006 -2095年年/季平均最高气温、 最低气温和年/季总降水量呈上升趋势， 年/季平均风速呈下降趋势。ISI-MIP的偏差校正算法是一种趋势保留的算法， 因此校正前后模式的趋势几乎没有发生变化， 但有效地校正了模式的基准值： 与校正前相比， 校正后的年/季平均最高气温和最低气温序列分别下移了1.01~1.23 ℃和0.24~0.33 ℃； 年总降水量序列上移约5.72 mm； 年平均风速序列上移约0.12 m·s-1， 夏季平均风速上移约0.56 m·s-1。校正前后年/季平均最高气温、 最低气温和年/季总降水量的模式间差异变化不明显， 校正后年/季平均风速的模式间差异明显减小。
图5 在RCP8.5情景下, 青藏高原地区2006 -2095年校正前后模式平均值/总量的全区域平均（a）, 校正后模式的趋势空间分布（b）和校正前后模式的差异场（c）Fig.5 The regional average (a), the trend distribution (b) and the differences (c) between annual/seasonal mean/total values of models before and after correction in Qinghai-Xizang Plateau from 2006 to 2095 under the RCP8.5 scenario |
青藏高原未来气候变化趋势主要受动力因子的影响， 如未来平均环流调整（王玉琦等， 2019）。由校正后未来时期（2006 -2095年）年/季平均值/总量的90年变化趋势的空间分布［图5（b）］可知， 2006 -2095年间， 校正后的年/季平均最高气温和最低气温在青藏高原全区域都表现为上升趋势， 增暖中心主要在西南部， 夏季平均最高气温的增长速度最高可达到0.085 ℃·a-1， 冬季平均最低气温最高可达到0.092 ℃·a-1； 除了西南部外， 冬季平均最高气温在中部地区和冬季平均最低气温在南部的增温趋势也比较明显。从降水来看， 高原南部的增湿趋势比北部明显， 年际总降水量的增速最高可达5.32 mm·a-1。冬季由于本身降水较少， 故增湿趋势不明显， 在图上显示为深蓝色区域。青藏高原大部分区域的年/季平均风速都呈现下降的趋势， 尤其是青藏高原西北部海拔较高的区域， 冬季平均风速的下降趋势（约-0.0025 m·s-1·a-1）要比夏季的下降趋势（约-0.0015 m·s-1·a-1）更为明显。
从未来时期（2006 -2095年）校正前后各变量年/季平均值/总量90年平均值的差异场［图5（c）］可以看出， 校正的方向符合对训练时期的评估的结果。与校正前相比， 校正后的模式的年/季平均最高气温和最低气温总体下降； 其中， 校正后的夏季平均最高气温降幅可达10.88 ℃， 冬季平均最低气温降幅可达11.32 ℃。校正后， 西南部地区（主要在日喀则境内）的年/季总降水量比校正前减少， 其中， 年总降水量降幅可达2302.41 mm； 除西南部地区外其余地区年/季总降水量增加， 其中， 夏季总降水量增幅可达615.84 mm。校正后， 藏北高原年/季平均风速与校正前相比， 主要表现为增大， 年平均风速增幅可达3.50 m·s-1； 藏东、 南以及昆仑山以西北区域年/季平均风速减小， 其中， 冬季平均风速降幅可达2.93 m·s-1。总体而言， 校正后的模式能够比较好地修正校正前模式与CN05.1在训练时期（1986 -2005年）所反映出的偏差。
3.3.2 极端值
在RCP8.5情景下， 未来时期（2006 -2095年）极端阈值全区域平均的时间序列［图6（a）］显示， 极端高温、 极端低温和极端降水的阈值呈上升趋势， 而且气温上升的趋势比降水明显， 极端风速阈值总体呈下降趋势。校正后， 年/季极端高温阈值时间序列平均下移0.19~0.71 ℃， 极端低温阈值下移0.35~0.81 ℃， 极端降水阈值下移0.33~3.78 mm， 极端风速阈值下移0.77~1.32 m·s-1。
图6 在RCP8.5情景下, 青藏高原地区2006 -2095年校正前后模式极端阈值的全区域平均（a）, 校正后模式的趋势空间分布（b）和校正前后模式的差异场（c）Fig.6 The regional average (a), the trend distribution (b) and the differences (c) between annual/seasonal extreme values of models before and after correction in Qinghai-Xizang Plateau from 2006 to 2095 under the RCP8.5 scenario |
校正后未来时期（2006 -2095年）年/季极端阈值90年变化趋势的空间分布［图6（b）］显示， 极端高温阈值变化趋势的空间分布在年/季尺度上较为相似， 斜率的大值区（约0.1 ℃·a-1）主要出现在高原的西部。年/季极端低温和极端降水阈值斜率的大值区主要出现在高原南部， 分别大于0.1 ℃·a-1和0.1 mm·a-1。年/季极端风速阈值在青藏高原西南部和西部小范围区域表现为平缓上升趋势， 如夏季斜率最高仅达0.0089 m·s-1·a-1， 对于高原总体而言， 年/季极端风速主要表现为下降趋势（-0.0027~ -0.0015 m·s-1·a-1）。
从未来时期（2006 -2095年）校正前后各变量极端阈值的90年平均值的差异场［图6（c）］可以看出， 校正结果与训练时期评估的结果能较好地对应： 总体而言， 训练时期极端阈值偏低的区域， 校正后增大， 极端阈值偏高的区域， 校正后减小。校正后， 年/季极端高温阈值在西北部和东部地区比校正前有所下降， 其中， 年际极端高温阈值的降幅可达10.29 ℃； 但是夏季极端高温阈值在念青唐古拉山周边地区有明显上升， 幅度可达9.31 ℃。极端低温阈值在东部地区也有所下降， 在念青唐古拉山周边地区有明显上升。校正后， 年/季极端降水阈值在南部地区比校正前有所下降， 藏南谷地以南地区最为明显， 在北部地区则主要表现为增加。年际和冬季极端风速阈值主要表现为减小， 其中， 年际极端风速阈值下降约0.77 m·s-1， 冬季极端风速阈值下降约1.32 m·s-1， 夏季极端风速阈值主要表现为上升， 约0.09 m·s-1。
4 结论与讨论
本文对NEX-GDDP数据集的逐日气温、 降水和CMIP5数据集的风速在青藏高原区域的模拟精度进行了评估， 利用ISI-MIP的偏差校正方法进行了偏差校正， 并对未来变化进行了讨论， 得到了以下主要结论：
（1） 校正前， 气候模式有一定的模拟青藏高原气温、 降水和风速的能力。其中， 日最高气温和日最低气温的模拟效果最好， 相关系数都在0.86以上， 日降水量和日平均风速相关系数较低。日最高气温存在1.04 ℃的暖偏差， 日最低气温存在0.23 ℃的暖偏差， 日降水量被低估约0.11 mm， 日平均风速被低估0.11 m·s-1。从年/季平均值/总量来看， 模式主要高估了年/季平均最高气温和最低气温和高原南部的总降水量， 低估了年/季平均风速。从年/季极端值来看， 气温和降水主要被高估， 高海拔地区的年/季极端风速被低估， 低海拔地区被高估。偏差的空间分布与地形有一定的相关性， 地形复杂的区域偏差较大。
（2） ISI-MIP的校正方法改善了模式数据的模拟精度。校正后， 日降水量和日平均风速的相关系数略有提升； 各变量的均方根误差降低； 平均偏差明显减小。校正后的数据在保持趋势不变的基础上， 减小了平均值/总量和极端值的偏差。
（3） 经过校正后的未来时期模式预估数据与校正前相比， 变化趋势得以保留， 但平均值/总量和极端值的基准值发生了较大的变化。从平均值/总量来看， 校正过程调低了年/季平均最高气温和最低气温以校正训练时期中表现出的暖偏差； 减少了高原南部的降水量并增加了东部和北部的降水量； 增大了高原西部而减小了东部的年/季平均风速。此外， 极端值也得到了相应的校正。校正过程调低了高原西北部和东部的年/季极端高温阈值以及东部地区的极端低温阈值， 调高了念青唐古拉山周边地区的极端高温和极端低温阈值。调低了藏南谷地以南地区的极端降水阈值， 调高了北部地区的极端降水阈值。调高了高原中部的极端风速阈值， 调低了藏东、 南以及昆仑山、 帕米尔高原等区域的极端风速阈值。
本研究所使用的趋势保留校正算法在青藏高原区展现了较好的校正能力， 但有两处问题尚不能很好地解决。一是关于降水频率的调整。原校正算法中关于降水频率的基本假设是模式数据的降水日多于观测数据， 然而， 青藏高原区模式数据在冬季的降水日明显少于观测数据。而乘法校正算法对于0值是无效的--0值乘以任何倍数之后仍然为0， 这使得该方法对于研究区冬、 春两季的降水的校正能力十分有限。二是关于气温的校正。在气温校正中使用的月际平滑算法， 使得校正后模式数据与观测数据的相关性略低于校正前。以上两点问题， 值得在后续的校正算法中做进一步的研究。
受到篇幅限制， 没有分析春季和秋季模式数据的季节性平均与观测数据的吻合程度。在比较极端值时， 主要对比了百分位数（极端阈值）的差异， 而其他的一些极端气候指数在文中暂未被讨论。在评估气候模式模拟精度时使用不同的评价指标、 观测资料和时间尺度对评估的结果会存在一定的影响， 因此有必要进行更全面的评估； 将模式数据应用于未来预估时， 应对气候变化预测的不确定性进行评价。此外， 算法自身难以对0值占比很大的冬季降水进行有效校正， 后续还须有针对性地对校正方法进行进一步研究， 以提高校正精度。
本文的上述结果可为在青藏高原地区开展未来气候变化影响模拟和情景风险研究提供重要依据， 校正数据具有较高的精度可供使用。