Evaluation and Projection of Climate Change in Southwest China Using CMIP6 Models

Mingxin YANG; Tiangui XIAO; Yong LI; Tao HU

doi:10.7522/j.issn.1000-0534.2021.00119

Plateau Meteorology >

2022 , Vol. 41 >Issue 6: 1557 - 1571

DOI: https://doi.org/10.7522/j.issn.1000-0534.2021.00119

Evaluation and Projection of Climate Change in Southwest China Using CMIP6 Models

Mingxin YANG ,
Tiangui XIAO ,
Yong LI ,
Tao HU

Expand

1. Chengdu University of Information Technology，Chengdu 610225，Sichuan，China
2. National Meteorological Centre，Beijing 100081，China

Received date: 2021-06-15

Revised date: 2021-12-28

Online published: 2022-12-15

Fold

Cite this article

Mingxin YANG , Tiangui XIAO , Yong LI , Tao HU . Evaluation and Projection of Climate Change in Southwest China Using CMIP6 Models[J]. Plateau Meteorology, 2022 , 41(6) : 1557 -1571 . DOI: 10.7522/j.issn.1000-0534.2021.00119

1 引言

气候作为自然环境中重要组成部分之一，它的变化必将引起自然环境和人类社会经济活动的变化。IPCC第五次报告指出， 1880 -2012年全球平均温度升高了0.85 ℃。到21世纪末期， RCP8.5情景下，全球平均气温将升高2.6~4.8 ℃（相较于1985 -2005年）。气温升高将导致极端天气气候事件发生的概率明显增加，给生态系统和社会经济带来巨大的负面影响（沈永平和王国亚， 2013；吴佳等， 2015）。全球耦合气候系统模式（CGCMS）涵盖了气候系统各圈层的重要过程，能够较为真实地反映出各个圈层间的物质和能量交换，是理解气候系统变化规律、再现过去演变过程、预测和预估未来变化的重要工具，为有效适应、减缓和应对气候变化提供了科学依据（周天军等， 2014）。为了进一步提高耦合模式的模拟能力，世界气候研究计划（WCRP）组织和实施了国际耦合模式比较计划（CMIP）。

众多专家学者利用CMIP模式数据对各地气候进行了评估。CMIP5模式能较好地反映20世纪中国降水的空间分布特征，并指出未来降水变化呈现显著增加的趋势，但对于降水量的模拟，其结果明显高于观测值（Xu and Xu， 2012； Chen and Frauenfeld， 2014；张学珍等， 2017）。Guo et al（2013）比较了CMIP3与CIMP5地面气温在中国的模拟情况，指出在空间模拟能力上， CIMP5与观测值更为接近。CIMP5能很好模拟出青藏高原地区气温和降水的空间分布，但对气温存在明显地低估，对降水量则存在明显地高估（Su et al， 2013；李振朝等， 2013；胡芩等， 2014， 2015）。林朝晖等（2018）发现CMIP5模式能够较好地模拟出中国东部小雨、大雨和暴雨占总降水比重的空间分布。于灏等（2020）的研究表明， CMIP5中大部分模式对四川盆地降水的空间分布特征模拟较好。

与前几次比较计划相比，参与第六次耦合模式比较计划（CMIP6）的模式数量最多、设计科学试验最为完善，提供数据最为庞大（周天军等， 2019）。该数据已在中国区域得到了广泛应用，相关的气候变化预估工作也已陆续开展（Qin et al， 2021；赵梦霞等， 2021）。Zhu and Yang（2020）通过比较CMIP6与CMIP5对青藏高原气温和降水的模拟，发现CMIP6大部分模式模拟结果优于CMIP5。同时You et al（2021）也发现， CMIP6可较好再现中国区域的气候特征，冷偏差较CMIP5有所改善。Tian et al（2021）发现， CMIP6模式模拟的中国降水与观测值较吻合，未来情景下中国年均降水呈现波动上升趋势，北方降水增加速度高于南方地区。

与全球气候变化相比，区域气候的变化更为复杂，影响因素更多，且与当地环境、经济生产密切相关。我国西南地区包含云贵川渝三省一市和西藏自治区，地处我国第一、二级阶梯，海拔梯度变化差异巨大。其中既包含青藏高原部分地区，又有横断山脉等山地地形，还有盆地、平原等区域，具有十分复杂的地形地貌。同时西南地区又受东亚季风、南亚季风等不同气候系统的共同影响，形成了复杂多变的天气气候。夏季是西南地区旱涝灾害多发时段（Dai et al， 2015；邓承之等， 2021），频发的灾害给人民群众生产生活造成了极大损失，严重阻碍了当地社会经济的发展。因此，本文将评估CMIP6模式对我国西南地区夏季气候的模拟能力，并预估不同情景下西南地区未来气候变化，以期更好地认识该地区气候变化特征，为该地区提供更加科学的气候变化决策依据。

2 资料来源与方法介绍

2.1　资料

本文所采用观测资料为中国气象数据网（http： //data.cma.cn/）提供的中国地面降水和气温月值格点数据集（V2.0）。该数据集基于中国地面2400多个台站资料空间插值而成（赵煜飞等， 2014），水平分辨率为0.5°×0.5°。文中选取时段为1975 -2014年，西南地区包括云南、贵州、四川、重庆和西藏自治区，夏季时段为6 -8月，文中夏季气温与夏季降水均为三个月的平均值。文中涉及的地图是基于国家测绘地理信息局标准地图服务网站下载的审图号为GS（2019）1822的中国地图制作，底图无修改。

模式资料为CMIP6气候模式中的历史气候模拟试验数据与未来情景试验数据。未来情景试验数据是不同共享社会经济路径（SSPs）和典型浓度路径（RCPs）的组合。CMIP6参与模式众多，本文选取历史及未来情景数据发布较完整的24个模式进行研究，模式概况如表1所示（详细信息可参阅https： //esgf-node.llnl.gov/projects/cmip6/）。由于各模式输出数据的空间分辨率不尽相同，为了便于各模式间分析比较，统一采用双线性插值将数据插值到0.5°×0.5°格点上。在历史气候模拟评估阶段，为与观测资料时间统一，选取1975 -2014年逐月气温和降水历史气候模拟试验数据；在未来预估阶段，选取2015 -2100年逐月气温和降水未来情景试验数据。所选取未来数据共包括SSP1-2.6、 SSP2-4.5、 SSP3-7.0、 SSP5-8.5四种不同情景，分别代表了可持续发展、中度发展、局部发展和常规发展4种路径（张丽霞等， 2019），到2100年人为辐射强迫分别达到2.6， 4.5， 7.0和8.5 W·m^-2，其中SSP3-7.0为新辐射强迫情景，代表了高社会脆弱性与相对高的人为辐射强迫的组合。

表1 CMIP6各模式介绍

Table 1 Introduction to each mode of CMIP6

模式序号	模式名称	国家（地区）	水平分辨率
1	ACCESS-CM2	澳大利亚	192×144
2	ACCESS-ESM1-5	澳大利亚	192×145
3	AWI-CM-1-1-MR	德国	384×192
4	BCC-CSM2-MR	中国	320×160
5	CAS-ESM2-0	中国	256×128
6	CESM2-WACCM	美国	288×192
7	CMCC-CM2-SR5	意大利	288×192
8	CMCC-ESM2	意大利	288×192
9	CanESM5	加拿大	128×64
10	EC-Earth3	欧盟	512×256
11	FGOALS-f3-L	中国	288×180
12	FGOALS-g3	中国	180×80
13	GFDL-ESM4	美国	288×180
14	INM-CM4-8	俄罗斯	180×120
15	INM-CM5-0	俄罗斯	180×120
16	IPSL-CM6A-LR	法国	144×143
17	KACE-1-0-G	韩国	192×144
18	MIROC6	日本	256×128
19	MPI-ESM1-2-HR	德国	384×192
20	MPI-ESM1-2-LR	德国	192×96
21	MRI-ESM2-0	日本	320×160
22	NorESM2-LM	挪威	144×96
23	NorESM2-MM	挪威	288×192
24	TaiESM1	中国台湾	288×192

2.2　方法介绍

（1）泰勒图

泰勒图（Taylor， 2001）可以将模式结果与观测数据间的空间相关系数、标准差之比和中心化均方根误差，通过一张图显示出来。能较为直观地对各模式模拟性能进行判断。根据泰勒图可引入

S 1

、

S 2

两个技巧评分，对模式的模拟能力进行定量描述。

S 1 = 4 (1 + R) σ^f + 1 / σ^f 2 1 + R 0

（1）

S 2 = 4 (1 + R) 4 σ^f + 1 / σ^f 2 1 + R 0 4

（2）

式中：

R

为相关系数；

R 0

为能达到的最大相关系数；

σ^f

为模拟值与观测值的标准差之比。当相关系数变得越来越负或模型方差趋于零或无穷大时，技能评分越趋近于0，当模式模拟效果越好时，技能评分越趋近于1。与式（1）相比，式（2）更加侧重对相关系数的考虑。

（2）年际变率的评分技巧

除了空间特征外，年际变率也是评估模式模拟性能的重要因素。通过计算年际标准差，引入“对称”变率指数

T s

（Chen et al， 2011），对年际变率进行定量评估。

T s = S T D m S T D o - S T D o S T D m 2

（3）

式中：

S T D m

表示模拟场中每个格点的年际标准差；

S T D o

表示观测场中每个格点的年际标准差。首先对区域中每个格点进行计算，然后进行区域平均，平均后所得到的值代表评估区域的Ts。Ts越接近0，代表模拟年际变化的能力越强。Ts为无量纲数。

（3） $R S$ 方法

采用改进的秩打分方法（Fu et al， 2013；刘兆飞等， 2016）对各模式进行综合评价，能更加直观地比较不同模式的模拟性能。改进

R S

方法可以根据不同评价标准，综合评估气候模式在区域尺度上的表现。对于每个评价指标分别给予秩评分，计算如下：

R S i = 1 - T i - T m i n T m a x - T m i n, T 为相 对误 差评 价指 标 T i - T m i n T m a x - T m i n, T 为非 相对 误差 评价 指标

（4）

式中：

R S i

为第

i

个模式的评分值；

T i

为第

i

个模式根据具体评价指标的计算值；

T m a x

和

T m i n

分别为相应评价指标的最大值与最小值；本文中相对误差评价指标为年际变率指数Ts，非相对误差评价指标为

S 1

、

S 2

技巧评分。

R S

取值范围为0~1，值越大越好。总评分由所有评价指标得分加权平均而来，总分越高，模拟性能越好。

S 1

、

S 2

技巧评分为表示同一特征的不同指标，则分别赋予0.5权重，其他单一指标赋予1.0权重。

模式结果受多种因素影响，模拟结果与实际存在一定差异，对未来变化的预估也存在一定的不确定性（Tian et al， 2015；于晓晶等， 2017）。本文在模式评估阶段对单个模式以及24个模式的等权重集合平均（MME）模拟性能进行评估，并在此基础上筛选出最优模式进行等权重集合平均（BMME），对西南地区夏季未来气候变化进行预估。

3 模式性能评估

在模式评估阶段，分别评估了模式对空间分布与年际变率的模拟能力，并根据评价指标对各模式进行了综合排序，使其直观地了解各模式对西南地区气候模拟性能的强弱。

3.1　气温模拟性能评估

模式数据相对于观测值的偏差是评估模式模拟效果的基本指标之一，图1给出了24个模式及多模式集合平均相对于观测值的偏差情况。24个模式中多数模式低估了西南地区夏季气温，模拟结果的偏差范围在-4.3~2.4 ℃。其中GFDL-ESM4、 IPSL-CM6A-LR、 NorESM2-LM的偏差大于2 ℃，冷偏差最大的模式是IPSL-CM6A-LR；暖偏差最大的模式是NorESM2-LM。ACCESS-ESM1-5、 KACE-1-0-G、 MPI-ESM1-2-HR、 MRI-ESM2-0和TaiESM1模式相对于观测值的偏差较小，在±0.5 ℃之间。MME呈较小的冷偏差，偏差值为-0.3 ℃。

显示原图|下载原图ZIP|生成PPT

图 1 24个CMIP6模式及多模式集合平均（MME）模拟气温与西南地区观测资料的偏差

Fig.1 Temperature simulation bias of 24 CMIP6 models and multi-model ensemble （MME） mean from observations in Southwest China

泰勒图所示评估结果（图2）表明，绝大多数模式的空间模拟效果较好，空间相关系数分布范围在0.82~0.93。EC-Earth3与观测场的空间相关性最好，相关系数为0.93； CanESM5相关性最差，但相关系数依然达到了0.82。模拟温度场与观测场标准差之比在0.82~1.46；中心化均方根误差在0.36~0.78，表明各模式虽然在内部误差上存在着一定的区别，但是模拟效果整体较好。就MME而言，空间相关系数为0.92，标准差之比及中心化均方根误差分别为1.00和0.41，其空间模拟能力优于大部分模式。

显示原图|下载原图ZIP|生成PPT

图2 1975 -2014 年西南地区 CMIP6模式模拟相对于观测资料夏季气温的泰勒图

图中数字对应于表 1 中的模式，蓝点代表单个模式，红点为多模式集合平均（MME），红色斜虚线代表空间相关系数 99%信度水平

Fig.2 Taylor diagram for climatological summer temperature in the southwestern between the CMIP6 models and observations for the period 1975 -2014.Each number represents a model ID listed in Table 1， the blue dot represents a single model， the red dot is the MME， and the red dotted line represents the 99% reliability level of the spatial correlation coefficient

此外，根据公式1、公式2计算出各模式对西南地区夏季气温模拟能力的空间技巧评分（表2）。技巧评分

S 1

分布范围在0.85~1.00，技巧评分

S 2

分布范围在0.72~1.00。由技巧评分

S 1

、

S 2

可知， EC-Earth3在空间上的模拟效果最好，

S 1

、

S 2

评分均为1.00。此外，其余各模式评分差异不大， MME的

S 1

评分为1.00，

S 2

评分为0.97，优于大部分单一模式。以上结果表明，各模式均能较好模拟出西南地区夏季气温的空间分布情况。

表 2 夏季气温模拟结果的各评价指标及模式综合排名

Table 2 Indexes and comprehensive rankings of summer temperature

模式名称	相关系数R	标准差之比 $σ ̂ f$	中心化均方根误差 $E'$	技巧评分 $S 1$	技巧评分 $S 2$	技巧评分Ts	模式得分	综合排名
CESM2-WACCM	0.925	0.919	0.380	0.989	0.978	0.219	1.916	1
EC-Earth3	0.932	0.992	0.367	1.000	1.000	0.731	1.915	2
CMCC-CM2-SR5	0.924	0.914	0.383	0.988	0.974	0.166	1.911	3
GFDL-ESM4	0.920	1.019	0.405	0.993	0.974	0.320	1.907	4
TaiESM1	0.924	0.914	0.383	0.988	0.975	0.196	1.907	5
MPI-ESM1-2-HR	0.925	0.930	0.380	0.991	0.980	0.420	1.895	6
MRI-ESM2-0	0.923	1.037	0.402	0.994	0.979	0.493	1.891	7
NorESM2-MM	0.925	0.937	0.381	0.992	0.980	0.523	1.884	8
CMCC-ESM2	0.923	0.925	0.386	0.989	0.974	0.394	1.881	9
AWI-CM-1-1-MR	0.924	0.898	0.382	0.985	0.973	0.411	1.861	10
FGOALS-f3-L	0.918	1.116	0.442	0.981	0.960	0.472	1.817	11
ACCESS-CM2	0.900	0.984	0.444	0.983	0.935	0.250	1.812	12
CAS-ESM2-0	0.918	1.120	0.444	0.980	0.959	0.637	1.787	13
ACCESS-ESM1-5	0.902	0.949	0.435	0.982	0.936	0.645	1.749	14
BCC-CSM2-MR	0.894	1.081	0.485	0.974	0.918	0.685	1.685	15
MPI-ESM1-2-LR	0.893	0.864	0.450	0.959	0.903	0.411	1.647	16
KACE-1-0-G	0.876	1.006	0.499	0.971	0.889	0.662	1.626	17
MIROC6	0.881	0.998	0.488	0.973	0.897	0.857	1.620	18
INM-CM5-0	0.890	0.888	0.456	0.965	0.903	0.776	1.612	19
INM-CM4-8	0.893	0.869	0.452	0.960	0.902	1.324	1.514	20
NorESM2-LM	0.884	0.827	0.471	0.940	0.872	0.497	1.513	21
FGOALS-g3	0.895	1.340	0.629	0.901	0.851	0.716	1.307	22
IPSL-CM6A-LR	0.901	1.456	0.704	0.857	0.816	0.448	1.130	23
CanESM5	0.819	1.346	0.779	0.863	0.720	6.861	0.021	24
MME	0.917	0.998	0.407	0.992	0.969	0.264	1.903
BMME	0.929	0.944	0.371	0.995	0.989	0.171	1.962

在年际变率的模拟性能方面，图3给出了各模式的年际变率技巧评分。图中Ts主要分布范围在0~1.0，表明大部分模式对气温年际变率有着较好的模拟能力，其中CMCC-CM2-SR5、 TaiESM1与CESM2-WACCM模拟性能最好的。CanESM5的模拟性能最弱， Ts为6.86，远高于其他模式。MME的Ts值为0.26，模拟能力仅弱于CMCC-CM2-SR5、 TaiESM1、 CESM2-WACCM和ACCESS-CM2 4个模式，表明MME在模拟年际变率方面比绝大多数单一模式具有更好的模拟效果。

显示原图|下载原图ZIP|生成PPT

图 3 各模式与MME夏季气温年际变率模拟技能得分（Ts）

Fig.3 The skill scores of models and MME in interannual variability of summer temperature

为了更加直观地辨别各模式的模拟效果，采用RS评分方法对各模式进行排序。综合考虑各模式在空间分布与年际变率上的模拟情况，选取

S 1

、

S 2

与Ts评分作为评价指标。如表2所示，排名前六的模式分别是CESM2-WACCM、 EC-Earth3、 CMCC-CM2-SR5、 GFDL-ESM4、 TaiESM1与MPI-ESM1-2-HR。CanESM5的

S 2

与Ts指标在所有模式中均最差，

S 1

也仅优于IPSL-CM6A-LR模式，因此综合排名最低。可见CanESM5模式对于西南地区气温的模拟能力较弱。此外，选取排名在前6位的模式进行等权重集合平均（BMME）并对其进行评估，结果表明BMME优于MME，优于所有单一模式。

根据以上分析，分别给出观测资料、 MME与BMME的夏季气温及其年际变率的空间分布情况（图4，图5）。从图4中可以看出，我国西南地区夏季气温分布差异较大，从西往东气温逐渐升高；除藏东南地区，高原区域温度整体偏低。MME与BMME均能模拟出西南地区气温“东高-西低”的分布情况，以及西南地区东部和西藏东南部的两个高值中心。西藏西北部地区模拟结果低于观测值， BMME较MME的模拟结果更接近观测值。四川盆地至川西高原一线，观测资料气温差异较大，而模式模拟结果差异较小，模拟结果出现了明显相反的正负温度偏差，四川盆地呈较强的负温度偏差，与之相邻的川西高原地区则为较强的正温度偏差。其差异的产生，可能是由于该地区地形复杂、海拔差异较大，而模式空间分辨率相对较粗，对细节信息模拟能力不足导致的。

显示原图|下载原图ZIP|生成PPT

图4 1975 -2014年夏季气温空间分布情况（单位： ℃）

Fig.4 Spatial distribution of summer temperature from 1975 to 2014.Unit： ℃

显示原图|下载原图ZIP|生成PPT

图 5 1975 -2014年夏季气温年际变率空间分布及与同期观测数据的差异（单位： ℃·a^-1）

Fig.5 Spatial distribution of interannual variability of summer temperature from 1975 to 2014 and differences from observations.Unit： ℃·a^-1

对于年际变率，观测表明［图5（a）］，西南地区夏季气温标准差由南向北逐渐增大，西南地区夏季北部气温年际变率高于南部。MME与BMME均能模拟出西南地区夏季气温“北强-南弱”的年际变率分布特征。但与观测数据不同， MME与BMME中，西藏西北部地区均出现了年际变率大值中心［图5（b），（c）］。其次，云南地区的年际变率模拟结果也大于观测值，但川西高原和西藏东部地区的模拟结果与观测值接近［图5（d），（e）］。总体上， BMME对于夏季气温年际变率的模拟性能优于MME，尤其是在西藏西北部地区。

以上评估结果表明，所选24个模式之间虽然存在差异，但是都能较好地模拟出气温的空间分布情况。在年际变率模拟上，除CanESM5以外，其余各模式年际变率评分Ts差异较小且数值较小，模拟能力较好。MME与BMME除西藏西北部地区外，均表现出较好的气温年际变率模拟能力。MME方案的模拟效果优于多数单一模式， BMME优于所有单一模式。

3.2　降水模拟性能评估

图6给出了1975 -2014年各模式和MME模拟西南地区夏季降水量与观测值的偏差。由图6可知，所有模式都高估了西南地区夏季降水，并且各模式之间模拟结果差异较大，偏差范围在9.7~131.9 mm。其中， FGOALS-f3-L偏差最小，为9.7 mm； ACCESS-ESM1-5偏差最大，偏多131.9 mm，与观测值相差一倍以上。CESM2-WACCM、 CMCC-CM2-SR5、 CMCC-ESM2、 INM-CM5-0、 TaiESM1 5个模式的偏差也均超过了100 mm。MME偏差同样较大，与观测数据相差约72 mm。

显示原图|下载原图ZIP|生成PPT

图 6 CMIP6各模式及多模式集合平均（MME）模拟降水结果与西南地区观测资料的偏差

Fig.6 Precipitation simulation bias of 24 CMIP6 models and multi-model ensemble （MME） mean from observations in Southwest China

与气温相比，各模式模拟夏季降水空间分布情况差异较大（图7），中心化均方根误差分布在 0.98~2.93，空间相关系数分布在0.18~0.76。只有CanESM5、 INM-CM4-8、 INM-CM5-0、 KACE-1-0-G与ACCESS-CM2 5个模式的相关系数达到0.7以上。其中， CanESM5相关性最好，为0.76； TaiESM1相关性最差，仅为0.18。模拟结果与观测资料标准差之比分布在1.24~2.94之间， BCC-CSM2-MR与观测值的标准差之比最小，为1.24； TaiESM1与观测值的标准差之比最大，为2.94。标准差之比大于2.0的模式有4个，分别是CMCC-CM2-SR5、 CMCC-ESM2、 CanESM5、 TaiESM1。MME的空间相关系数为0.55，标准差之比为1.49，中心化均方根误差1.26。对西南地区夏季降水的空间特征模拟性能， MME优于大部分模式。

显示原图|下载原图ZIP|生成PPT

图7 1975 -2014 年西南地区 CMIP6模式模拟夏季降水相对于观测资料的泰勒图

图中数字对应于表 1 中的模式，蓝点代表单个模式，红点为多模式集合平均（MME），红色斜虚线代表空间相关系数 99%信度水平

Fig.7 Taylor diagram for climatological summer precipitation in the southwestern between the CMIP6 models and observations for the period 1975-2014.Each number represents a model ID listed in Table 1， the blue dot represents a single model， the red dot is the MME， and the red dotted line represents the 99% reliability level of the spatial correlation coefficient

CMIP6各个模式模拟西南地区夏季降水年际变率的差异较大（图8）， Ts分布在0.68~6.01之间。EC-Earth3、 ACCESS-CM2和MPI-ESM1-2-HR对降水年际变率的模拟性能较好。CanESM5与TaiESM1对降水年际变率的模拟性能远弱于其他模式， Ts分别为5.29和6.01。MME的Ts值为1.27，在模拟年际变率方面比多数单一模式有更好的模拟效果。

显示原图|下载原图ZIP|生成PPT

图8 各模式与MME夏季降水年际变率模拟技能得分（Ts）

Fig.8 The skill scores of models and MME in interannual variability of summer precipitation

与气温相同，计算西南地区夏季降水技巧评分

S 1

、

S 2

，并对各模式及MME进行排序（表3）。技巧评分

S 1

分布在0.25~0.85之间，大多数模式的

S 1

评分在0.6以上。ACCESS-CM2、 BCC-CSM2-MR、 INM-CM4-8、 IPSL-CM6A-LR、 KACE-1-0-G和NorESM2-LM 6个模式评分在0.8以上， TaiESM1评分最低，为0.25。技巧评分

S 2

相较于

S 1

更加分散，分布在0.08~0.85之间。在

S 2

中， INM-CM4-8评分仍然最高，为0.85， TaiESM1依然评分最低，仅为0.08。综合排名靠前的6个模式分别为INM-CM4-8、 KACE-1-0-G、 ACCESS-CM2、 NorESM2-LM、 EC-Earth3和ACCESS-ESM1-5。

表 3 夏季降水模拟结果的各评价指标及模式综合排名

Table 3 Indexes and comprehensive rankings of summer precipitation

模式名称	空间相关系数R	准差之比 $σ ̂ f$	中心化均方根误差 $E'$	技巧评分 $S 1$	技巧评分 $S 2$	技巧评分Ts	模式得分	综合排名
INM-CM4-8	0.759	1.491	0.980	0.853	0.846	0.827	1.973	1
KACE-1-0-G	0.716	1.477	1.032	0.839	0.772	0.908	1.898	2
ACCESS-CM2	0.708	1.556	1.103	0.801	0.727	0.807	1.857	3
NorESM2-LM	0.657	1.488	1.122	0.805	0.667	1.326	1.724	4
EC-Earth3	0.589	1.606	1.299	0.725	0.530	0.682	1.689	5
ACCESS-ESM1-5	0.496	1.373	1.235	0.768	0.468	1.014	1.622	6
MRI-ESM2-0	0.580	1.437	1.183	0.787	0.565	1.451	1.619	7
INM-CM5-0	0.730	1.711	1.195	0.745	0.702	1.870	1.594	8
BCC-CSM2-MR	0.517	1.239	1.120	0.821	0.521	1.738	1.565	9
IPSL-CM6A-LR	0.569	1.369	1.146	0.807	0.568	2.192	1.499	10
MPI-ESM1-2-HR	0.309	1.432	1.472	0.654	0.267	0.815	1.435	11
NorESM2-MM	0.537	1.604	1.360	0.703	0.464	2.017	1.378	12
MPI-ESM1-2-LR	0.250	1.392	1.497	0.637	0.227	0.973	1.365	13
AWI-CM-1-1-MR	0.259	1.465	1.546	0.619	0.225	1.296	1.288	14
GFDL-ESM4	0.473	1.766	1.565	0.614	0.357	1.911	1.254	15
MIROC6	0.513	1.763	1.517	0.632	0.398	2.161	1.249	16
CAS-ESM2-0	0.314	1.499	1.519	0.635	0.262	1.731	1.244	17
CESM2-WACCM	0.482	1.997	1.750	0.539	0.319	2.926	0.977	18
FGOALS-g3	0.195	1.943	2.004	0.449	0.139	2.132	0.935	19
FGOALS-f3-L	0.434	1.883	1.707	0.558	0.299	3.191	0.930	20
CanESM5	0.764	2.296	1.663	0.536	0.535	5.285	0.672	21
CMCC-CM2-SR5	0.268	2.481	2.413	0.346	0.128	3.723	0.544	22
CMCC-ESM2	0.307	2.528	2.417	0.347	0.141	4.783	0.354	23
TaiESM1	0.182	2.938	2.926	0.249	0.075	6.013	0.000	24
MME	0.546	1.490	1.263	0.751	0.505	1.268	1.584
BMME	0.708	1.388	0.981	0.871	0.792	0.650	1.986

通过上述分析，发现各模式之间对于降水的模拟性能差异较大。MME虽然优于大部分单一模式，但是对西南地区夏季降水的模拟能力仍存在不足。因此，在对西南地区夏季降水的模拟性能进行评估时，进行模式筛选是非常必要的。选取排名靠前的6个模式作为最优模式，进行最优模式集合平均（BMME）。结果表明BMME综合模拟性能优于所有单一模式，

S 1

技巧评分为0.87，高于所有模式；

S 2

技巧评分为0.79，仅次于INM-CM4-8模式； Ts评分为0.65，低于所有模式。

根据西南地区夏季降水评估，分别给出了观测资料、 MME与BMME的夏季降水量及其年际变率分布（图9，图10）。从图9中可以看出，西南地区夏季降水整体呈“东南多-西北少”分布，西藏西部夏季降水偏少，云南南部降水偏多。MME与BMME均能模拟出夏季降水的空间分布特征，但是对西藏东南部的降水量有着明显的高估，这种高估现象在CMIP5中同样存在（Su et al， 2013；胡芩等， 2014， 2015）。对川东及重庆北部地区的降水量则存在较明显的低估。这种偏差可能是西南地区地形复杂，降水分布较大差异，而全球气候模式分辨率较粗，对复杂地形的降水模拟能力较差，以及模式本身相关降水物理过程参数化描述不完善造成的（吴佳等， 2015；张蓓等， 2019）。相较于MME， BMME的模拟能力明显增强，对于西藏东南部地区的高估现象明显减弱，高估降水量由440 mm左右减小到320 mm左右，同时对川东及重庆北部地区的低估现象也有明显改善。

显示原图|下载原图ZIP|生成PPT

图9 1975 -2014年夏季降水空间分布情况（单位： mm）

Fig.9 Spatial distribution of average summer precipitation from 1975 to 2014.Unit： mm

显示原图|下载原图ZIP|生成PPT

图10 1975 -2014年夏季降水年际变率空间分布情况及与同期观测数据的差异（单位： mm·a^-1）

Fig.10 Spatial distribution of interannual variability of summer precipitation from 1975 to 2014 and differences from observations.Unit： mm·a^-1

西南地区夏季降水的年际变率呈“东高-西低”分布，西南地区东部年际变率大，西藏地区年际变率小［图10（a）］。与观测值相比， MME与BMME对川东及重庆地区夏季降水年际变率的模拟结果均偏小。MME对藏东南地区年际变率的模拟明显偏大， BMME则与观测值接近［图10（b），（c）］。总体而言， BMME能较好地模拟出西南地区夏季降水年际变率的分布特征， MME的模拟效果较差。与MME 相比， BMME模拟结果在藏东南地区与川东及重庆地区有了明显改善［图10（d），（e）］。

根据以上评估结果，虽然各模式能模拟出西南地区夏季降水的空间分布与年际变率分布特征，但对降水的模拟能力弱于气温。在空间上， MME与BMME均对青藏高原东南部夏季降水存在高估。在年际变率上，各模式之间模拟能力差异较大。BMME能较好地重现西南地区夏季降水年际变率的分布特征， MME则存在较大差异。相较于气温，在评估降水的模拟性能时更应该采用BMME方法。

4 未来气候变化预估

模式评估阶段不仅评估了单一模式的模拟能力，同时比较了MME和BMME的模拟性能。对比发现，在气温和降水的评估中， BMME模拟性能均优于MME，因此选用BMME方案对未来不同情景下西南地区夏季气候变化进行预估。

4.1　气温变化的预估

图11给出了SSP1-2.6、 SSP2-4.5、 SSP3-7.0、 SSP5-8.5四种情景下西南地区未来夏季气温的变化曲线。四种情景下， 21世纪西南地区夏季气温均呈现出变暖趋势，线性趋势达到0.01显著性水平，且变暖趋势随着人为辐射强迫增加而增大。2015 -2100年， SSP5-8.5情景下气温的变暖趋势最为显著，为0.6 ℃·（10a）^-1； SSP1-2.6情景下变暖趋势最小，为0.1 ℃·（10a）^-1； SSP2-4.5与SSP3-7.0情景下变暖趋势分别为0.3 ℃·（10a）^-1和0.5 ℃·（10a）^-1。

显示原图|下载原图ZIP|生成PPT

图11 不同情景下未来气温时间序列

Fig.11 Time series of future temperature under different scenarios

进一步将21世纪分为近期（2021 -2040年）、中期（2041 -2060年）和末期（2081 -2100年）三个时段，从三个时段预估气温分布特征（图12）。从图12中可以看出，不同情景下西南地区的气温均升高。其中SSP1-2.6情景下，三个时段的空间分布差异最小。四种情景下，西南地区北部气温增幅均大于南部。在不同情景下，同一时段的空间特征也有所不同。近期，气温的空间分布较为一致，且增长幅度无明显差异；中期， SSP5-8.5情景下出现了较为明显的南北气温增幅差异；末期，随着人为强迫的增强，气温增长幅度差异更为明显， SSP5-8.5情景下，气温增幅可达6 ℃左右。

显示原图|下载原图ZIP|生成PPT

图12 相对于参考时段1975 -2014年，未来不同情景下我国西南地区夏季气温变化分布（单位： ℃）

Fig.12 Geographical distribution of summer temperature changes in Southwest China relative to 1975 -2014 under different scenarios.Unit： ℃

4.2　降水变化的预估

与1975 -2014年参考时段相比，在四种情景下2015 -2100年西南地区夏季降水均呈增加趋势（图13），且达到0.01显著性水平；与气温（图12）相比，降水的变化则有着明显波动。SSP5-8.5情景下降水的增长趋势最大，为5.3 mm·（10a）^-1； SSP1-2.6情景下的增长趋势最小，为2.1 mm·（10a）^-1； SSP2-4.5与SSP3-7.0增长趋势分别为2.2 mm·（10a）^-1和3.0 mm·（10a）^-1。近期、中期和末期三个时段不同情景下，西藏西部地区降水随时间均有明显增加（图14），这与陈晓晨等（2014）研究结果较为一致。SSP1-2.6情景中，西藏西部地区降水出现了先增加后减少的变化，川东及重庆地区末期降水明显增多。SSP2-4.5， SSP3-7.0和SSP5-8.5情景下，川东及重庆地区降水增长幅度均小于SSP1-2.6情景；西藏西部地区在近、中期降水量增幅较为一致，末期则出现明显差异， SSP5-8.5增长幅度明显增大，可达66%以上。

显示原图|下载原图ZIP|生成PPT

图 13 不同情景下未来降水时间序列

Fig.13 Time series of future precipitation under different scenarios

显示原图|下载原图ZIP|生成PPT

图14 相对于参考时段1975 -2014年，未来不同情景下我国西南地区夏季降水变化分布

Fig.14 Geographical spatial distribution of summer precipitation changes in Southwest China relative to 1975 -2014 under different scenarios

5 结论

本文基于国家气象中心提供的格点数据集，评估了24个CMIP6气候模式对西南地区夏季气候的模拟能力，并筛选出模拟性能最优的模式；采用最优模式集合平均对2015 -2100 年SSP1-2.6、 SSP2-4.5、 SSP3-7.0、 SSP5-8.5 情景下西南地区夏季未来气候变化进行了预估，主要结论如下：

（1）对气温模拟能力最好的6个模式依次为CESM2-WACCM、 EC-Earth3、 CMCC-CM2-SR5、 GFDL-ESM4、 TaiESM1、 MPI-ESM1-2-HR；对降水模拟能力最好的6个模式依次为INM-CM4-8、 KACE-1-0-G、 ACCESS-CM2、 NorESM2-LM、 EC-Earth3、 ACCESS-ESM1-5。MME对西南地区夏季气温和降水的模拟性均优于大部分模式。BMME模拟性能则优于MME，优于所有单一模式。利用模式评估西南地区夏季降水时，应先进行模式筛选。

（2）气温评估中，与观测值相比，模拟结果以冷偏差为主。24个模式中15个模式为冷偏差，其中IPSL-CM6A-LR模式与观测值的偏差最大。模式与观测值的空间相关系数大多在0.8以上，标准差之比在0.82~1.46之间，多数模式具有较好的空间模拟能力。MME与BMME均能较好地模拟出气温“东高西低”的空间分布特征与“北强-南弱”的年际变率分布特征。

（3）降水评估中，与观测值相比，模拟降水量均大于观测值。其中ACCESS-ESM1-5偏差最大，模拟降水量与观测值相差约131.9 mm。MME与BMME，均能模拟出西南地区夏季降水的空间分布特征，但以往全球耦合模式中对高原东南部地区降水量明显高估的现象， CMIP6中依然存在。相较MME， BMME对于降水的高估与低估有明显改善，并且BMME能较好地模拟出夏季降水年际变率的空间分布特征。

（4）对于未来气候预估，在SSP1-2.6、 SSP2-4.5、 SSP3-7.0和SSP5-8.5四种情景下，西南地区夏季气温和降水均存在着显著增加的趋势。SSP1-2.6、 SSP2-4.5、 SSP3-7.0和SSP5-8.5情景下，气温的变暖趋势分别为0.1 ℃·（10a）^-1、 0.3 ℃·（10a）^-1、 0.5 ℃·（10a）^-1和0.6 ℃·（10a）^-1；降水量的增加趋势分别为2.1 mm·（10a）^-1、 2.2 mm·（10a）^-1、 3.0 mm·（10a）^-1和5.3 mm·（10a）^-1。

（5）未来情景下，西南地区夏季气温、降水量的增长变化均表现出区域差异。气温呈现出南北不同的增幅特征，西南地区北部气温增长幅度大于南部。降水量在西藏西部地区出现明显增幅，且幅度随着时间的增长而增大。

从分析结果可以看出，虽然部分模式能较好模拟出西南地区夏季气候特征，但由于各模式分辨率与相关物理过程描述及其参数化方案设计的不同，造成各模式间模拟结果差异较大。本文利用多模式集合平均和最优模式平均方法，减小了模式与观测之间的差异，但结果仍存在一定的不确定性。此外，由于我国西南地区地形复杂、多变，全球模式对于该地区地形的捕捉能力不足，未来可以结合高分辨率的区域气候模式模拟结果，进一步提升模式对西南地区气候变化特征的模拟性能。

References

null	Chen L， Frauenfeld O W， 2014.A comprehensive evaluation of precipitation simulations over China based on CMIP5 multimodel ensemble projections［J］.Journal of Geophysical Research： Atmospheres， 119（10）： 5767-5786.DOI： 10.1002/2013JD021190 .
null	Chen W L， Jiang Z H， Li L， 2011.Probabilistic projections of climate change over China under the SRES A1B Scenario Using 28 AOGCMs［J］.Journal of Climate， 24（17）， 4741-4756.DOI： http： //dx.doi.org/10.1175/2011JCLI4102.1 .
null	Dai X G， Ye L， Ping W， 2015.Warm-dry collocation of recent drought in southwestern China tied to moisture transport and climate warming［J］.Chinese Physics B， 24（4）： 550-558.DOI： 10.1088/1674-1056/24/4/049201 .
null	Fu G B， Liu Z F， Charles S P， et al， 2013.A score‐based method for assessing the performance of GCMs： a case study of southeastern Australia［J］.Journal of Geophysical Research： Atmospheres， 118（10）： 4154-4167.DOI： 10.1002/jgrd.50269 .
null	Guo Y， Dong W J， Ren F M， et al， 2013.Surface air temperature simulations over China with CMIP5 and CMIP3［J］.Advances in Climate Change Research， 4（3）： 145-152.DOI： 10.3724/SP.J.1248.2013.145 .
null	Qin J C， Su B， Tao H， et al， 2021.Projection of temperature and precipitation under SSPs-RCPs Scenarios over northwest China［J］.Frontiers of Earth Science， 15（1）： 23-37.DOI： 10.1007/s11707-020-0847-8 .
null	Su F G， Duan X L， Chen D L， et 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-12-00321.1 .
null	Taylor K E， 2001.Summarizing multiple aspects of model performance in a single diagram［J］.Journal of Geophysical Research： Atmospheres， 106（D7）： 7183-7192.DOI： 10.1029/2000JD900719 .
null	Tian D， Guo Y， Dong W J， 2015.Future changes and uncertainties in temperature and precipitation over China based on CMIP5 models［J］.Advances in Atmospheric Sciences， 32（4）： 487-496.DOI： 10.1007/s00376-014-4102-7 .
null	Tian J X， Zhang Z X， Ahmed Z， et al， 2021.Projections of precipitation over China based on CMIP6 models［J］.Stochastic Environmental Research and Risk Assessment， 35（4）： 831-848.DOI： 10.1007/s00477-020-01948-0 .
null	Xu C H， Xu Y， 2012.The projection of temperature and precipitation over China under RCP Scenarios using a CMIP5 multi-model ensemble［J］.Atmospheric and Oceanic Science Letters， 5（6）： 527-533.
null	You Q L， Cai Z Y， Wu F Y， et al， 2021.Temperature dataset of CMIP6 models over China： evaluation， trend and uncertainty［J］.Climate Dynamics， 57（1）： 17-35.DOI： 10.1007/s00382-021-05691-2 .
null	Zhu Y Y， Yang S N， 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.DOI： 10.1016/j.accre.2020.08.001 .
null	陈晓晨，徐影，许崇海，等， 2014.CMIP5全球气候模式对中国地区降水模拟能力的评估［J］.气候变化研究进展， 10（3）： 217-225.DOI： 10.3969/j.issn.1673-1719.2014.03.011 .
null	邓承之，赵宇，孔凡铀，等， 2021.“6·30”川渝特大暴雨过程中西南低涡发展机制模拟分析［J］.高原气象， 40（1）： 85-97.DOI： 10.7522/j.issn.1000-0534.2019.00106 .
null	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 .
null	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 .
null	李振朝，韦志刚，吕世华，等， 2013．CMIP5部分模式气温和降水模拟结果在北半球及青藏高原的检验［J］．高原气象， 32（4）： 921-928.DOI： 10.7522/j.issn.1000-0534.2012.00088 .
null	林朝晖，杨笑宇，吴成来，等， 2018.CMIP5 模式对中国东部夏季不同强度降水气候态和年代际变化的模拟能力评估［J］.气候与环境研究， 23（1）： 1-25.DOI： 10.3878/j.issn.1006-9585. 2017.16207 .
null	刘兆飞，王蕊，姚治君， 2016.蒙古高原气温与降水变化特征及 CMIP5 气候模式评估［J］.资源科学， 38（5）： 956-969.DOI： 10.18402/resci.2016.05.15 .
null	沈永平，王国亚， 2013.IPCC第一工作组第五次评估报告对全球气候变化认知的最新科学要点［J］.冰川冻土， 35（5）： 1068-1076.DOI： 10.7522/j.issn.1000-0240.2013.0120 .
null	吴佳，周波涛，徐影， 2015.中国平均降水和极端降水对气候变暖的响应： CMIP5模式模拟评估和预估［J］.地球物理学报， 58（9）： 3048-3060.DOI： 10.6038/cjg20150903 .
null	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 .
null	于晓晶，李淑娟，赵勇，等， 2017.CMIP5 模式对未来 30a新疆夏季降水的预估［J］.沙漠与绿洲气象， 11（5）： 53-62.DOI： 10. 12057/j.issn.1002-0799.2017.05.008 .
null	张蓓，戴新刚，杨阳， 2019.21世纪前期中国降水预估及其订正［J］.大气科学， 43（6）： 1385-1398.DOI： 10.3878/j.issn.1006-9895.1902.18221 .
null	张丽霞，陈晓龙，辛晓歌， 2019.CMIP6 情景模式比较计划（ScenarioMIP）概况与评述［J］.气候变化研究进展， 15（5）： 519-525．DOI： 10.12006/j.issn.1673-1719.2019.082 .
null	张学珍，李侠祥，徐新创，等， 2017.基于模式优选的21世纪中国气候变化情景集合预估［J］.地理学报， 72（9）： 1555-1568.DOI： 10.11821/dlxb201709002 .
null	赵梦霞，苏布达，姜彤，等， 2021.CMIP6模式对黄河上游降水的模拟及预估［J］.高原气象， 40（3）： 547-558.DOI： 10.7522/j.issn.1000-0534.2020.00066 .
null	赵煜飞，朱江，许艳， 2014.近50a中国降水格点数据集的建立及质量评估［J］.气象科学， 34（4）： 414-420.DOI： 10.3969/2013jms.0008 .
null	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．DOI： 10.12006/j.issn.1673-1719.2019.193 .
null	周天军，邹立维，吴波，等， 2014.中国地球气候系统模式研究进展： CMIP计划实施近20年回顾［J］.气象学报， 72（5）： 892-907.DOI： 10.11676/qxxb2014.083 .

Options

Outlines

模态框（Modal）标题

Cite this article

1 引言

2 资料来源与方法介绍

2.1 资料

表1 CMIP6各模式介绍

2.2 方法介绍

（1） 泰勒图

（2） 年际变率的评分技巧

（3） R S方法

3 模式性能评估

3.1 气温模拟性能评估

图 1 24个CMIP6模式及多模式集合平均（MME）模拟气温与西南地区观测资料的偏差

图2 1975 -2014 年西南地区 CMIP6模式模拟相对于观测资料夏季气温的泰勒图

表 2 夏季气温模拟结果的各评价指标及模式综合排名

图 3 各模式与MME夏季气温年际变率模拟技能得分（Ts）

图4 1975 -2014年夏季气温空间分布情况（单位： ℃）

图 5 1975 -2014年夏季气温年际变率空间分布及与同期观测数据的差异（单位： ℃·a-1）

3.2 降水模拟性能评估

图 6 CMIP6各模式及多模式集合平均（MME）模拟降水结果与西南地区观测资料的偏差

图7 1975 -2014 年西南地区 CMIP6模式模拟夏季降水相对于观测资料的泰勒图

图8 各模式与MME夏季降水年际变率模拟技能得分（Ts）

表 3 夏季降水模拟结果的各评价指标及模式综合排名

图9 1975 -2014年夏季降水空间分布情况（单位： mm）

图10 1975 -2014年夏季降水年际变率空间分布情况及与同期观测数据的差异（单位： mm·a-1）

4 未来气候变化预估

4.1 气温变化的预估

图11 不同情景下未来气温时间序列

图12 相对于参考时段1975 -2014年， 未来不同情景下我国西南地区夏季气温变化分布（单位： ℃）

4.2 降水变化的预估

图 13 不同情景下未来降水时间序列

图14 相对于参考时段1975 -2014年， 未来不同情景下我国西南地区夏季降水变化分布

5 结论

References

2.1　资料

2.2　方法介绍

（1）泰勒图

（2）年际变率的评分技巧

（3） $R S$ 方法

3.1　气温模拟性能评估

图 5 1975 -2014年夏季气温年际变率空间分布及与同期观测数据的差异（单位： ℃·a^-1）

3.2　降水模拟性能评估

图10 1975 -2014年夏季降水年际变率空间分布情况及与同期观测数据的差异（单位： mm·a^-1）

4.1　气温变化的预估

图12 相对于参考时段1975 -2014年，未来不同情景下我国西南地区夏季气温变化分布（单位： ℃）

4.2　降水变化的预估

图14 相对于参考时段1975 -2014年，未来不同情景下我国西南地区夏季降水变化分布