Plateau Meteorology

Plateau Meteorology >

2024 , Vol. 43 >Issue 6: 1397 - 1415

DOI: https://doi.org/10.7522/j.issn.1000-0534.2024.00029

Simulation and Prediction of Spring Snow Cover in Northern Hemisphere by CMIP6 Model

  • Xulei WANG ,
  • Hui SUN ,
  • Hui GUO ,
  • Chula SA ,
  • Fanhao MENG ,
  • Min LUO
Expand
  • 1. College of Geographical Science，Inner Mongolia Normal University，Hohhot 010022，Inner Mongolia，China
    2. Inner Mongolia Key Laboratory of Remote Sensing and Geographic Information Systems，Inner Mongolia Normal University，Hohhot 010022，Inner Mongolia，China
    3. State Key Laboratory of Hydroscience and Engineering，Department of Hydraulic Engineering，Tsinghua University，Beijing 100084，China
    4. Department of Water Conservancy Engineering，North China University of Water Conservancy and Electric Power，Zhengzhou 450046，Henan，China

Received date: 2023-10-24

  Revised date: 2024-03-04

  Online published: 2024-03-04

Fold

Abstract

As one of the most sensitive natural elements in response to climate change， snow cover has a significant effect on the Earth's surface radiation balance and water cycle.The global snow cover area is approximately 46×106 km2 and 98% of the snow cover distributed in the Northern Hemisphere.Due to its distinctive radiative properties （high surface albedo） and thermal characteristics （low thermal conductivity）， changes in snow cover play a crucial role in the energy balance and water cycle between land and the atmosphere.In the context of global warming， the snow cover in the Northern Hemisphere has been decreasing in recent decades， especially in the spring.Therefore， the capabilities of CMIP6 （Coupled Model Intercomparison Project Phase 6） data to simulate the snow cover area were evaluated based on observational data and the future changes in snow cover were also assessed using a multi-model average in this study.By using the snow cover products from the National Oceanic and Atmospheric Administration/National Climatic Data Center （NOAA/NCDC） as reference data， the Taylor skill scoring， relative deviation， and other methods were applied to evaluate the spring snow cover （SCF） data in the Northern Hemisphere from the International Coupled Model Comparison Project Phase 6 （CMIP6） during 1982 -2014.The ensemble average of the top three models was further selected to predict the spatiotemporal variation characteristics of SCF under different emission scenarios from 2015 to 2099， providing insights into the modeling capabilities of CMIP6 and future changes in SCF.During the historical period （1982 -2014）， SCF was characterized by high coverage at high latitudes and low coverage at low latitudes， with high-altitude regions such as Tibetan Plateau and eastern Asia having higher snow coverage than those at the same latitudes.Overall， 68.37% of the regions in the Northern Hemisphere showed a decreasing trend in SCF， while 31.63% of the regions showed an increasing trend in SCF.Most CMIP6 models overestimated SCF in the Tibetan Plateau region compared to the reference data.In addition， most models simulated larger areas with a decreasing trend in SCF than those evaluated by the reference data and underestimated SCF in March， April， and May.Various models exhibited differing abilities to simulate SCF， with NorESM2-MM， CESM2， BBC-CSM2-MR， NorESM2-LM， and CESM2-WACCM demonstrating superior capabilities.The Multi-Model Ensemble Mean （MME） consistently outperformed individual models， closely aligning with observational data.There were significant differences in the ability of the CMIP6 models to simulate the spatial distribution， inter-annual variation trends， and intra-annual variations of SCF in the Northern Hemisphere.At the end of the 21st-century （2067 -2099）， SCF in the Northern Hemisphere exhibited a decreasing trend in most areas， which intensifies with increasing emission intensity.The changes in SCF were relatively consistent under different emission scenarios before 2040.SCF maintains a steady state under the SSP1-2.6 scenario， showed a slight decreasing trend under the SSP2-4.5 scenario， and showed a significant decreasing trend under the SSP5-8.5 scenario after 2040.

Key words： snow cover fraction; Northern Hemisphere; CMIP6; assessment; prediction

Cite this article

Xulei WANG , Hui SUN , Hui GUO , Chula SA , Fanhao MENG , Min LUO . Simulation and Prediction of Spring Snow Cover in Northern Hemisphere by CMIP6 Model[J]. Plateau Meteorology, 2024 , 43(6) : 1397 -1415 . DOI: 10.7522/j.issn.1000-0534.2024.00029

1 引言

积雪作为冰冻圈的重要组成部分， 是对气候变化响应最敏感的自然要素之一。全球积雪覆盖面积约为46×106 km2， 且98%分布在北半球（Guan et al， 2023）， 由于积雪具有独特的辐射（高表面反照率）和热（低热传导率）特性， 其变化对陆地和大气之间的能量平衡和水循环过程具有重要的影响（Guo et al， 2021； 李延等， 2023； 曹言超和王晓春， 2022）。超过六分之一的全球人口依赖积雪融水生存， 尤其是在一些干旱、 半干旱地区， 春季积雪融水作为主要的淡水来源（Sturm et al， 2017）， 对农牧业生产和社会经济的发展意义重大。在全球变暖背景下， 近几十年来北半球积雪覆盖面积减少趋势明显， 尤其春季最明显（Brown and Robinson， 2011； Meredith et al， 2019）， 而积雪覆盖度的减少对当地气候变化具有一定的反馈效应。研究表明， 春季积雪覆盖度的下降与温度变化有较强的相关性关系， 春季积雪变化诱发的春季积雪-反照率正反馈加速了全球温度变暖（郭辉和杨雨亭， 2022）， 因此， 获取春季积雪变化特征对气候变化预测、 水资源管理等具有重要意义。
目前， 全球耦合模式相互比较项目（Coupled Model Intercomparison Project， CMIP）中各阶段模拟和预估的结果被广泛运用于研究未来不同温室气体排放情景下气候变化驱动机制和气候变量变化。目前， 已有研究对CMIP3和CMIP5在全球和区域尺度的积雪覆盖度的模拟能力进行了评估， 如Li et al （2016）基于MODIS/Terra积雪L3全球数据集对CMIP5模式模拟全球积雪覆盖度的能力进行了评估； Santolaria-Otín and Zolina （2020）采用再分析和卫星观测产品对CMIP5模式模拟北极大陆地区积雪覆盖范围的能力进行了评估。此外， 在积雪变化方面， 相关研究得出比较一致的结论， 即CMIP3和CMIP5模式都倾向于低估春季积雪的减少趋势（Derksen and Brown， 2012； 朱献和董文杰， 2013； 马丽娟等， 2011）， 如朱献和董文杰（2013）发现与NOAA参考数据相比， CMIP5中大多模式低估了北半球3 -4月积雪的减少趋势， 而多模式集合平均的模拟能力相较于单个模式有所改善， 同时， 与CMIP3相比， CMIP5模式模拟积雪的能力缺乏显著的提升（Xia and Wang， 2015）。
随着CMIP的发展， 最新发布的CMIP6的模式具有更高的空间分辨率以及更先进的基于物理过程的参数化方案（Eyring et al， 2016； Zhou et al， 2019； Verma et al， 2023； 杨明鑫等， 2022）， 与CMIP5相比CMIP6 模式在两个方面进行了明显的改善， 其一是在大气模式和海洋模式的分辨率得到显著性的提高， 提供了更为精细的空间分辨率数据， 其二是 CMIP6考虑的大气变化过程更为复杂， 很多模式在一定程度上实现了大气过程和化学过程的双向耦合， CMIP6 中新的共享社会经济路径通过提供更加多样化的排放情景解决了CMIP5缺乏对特定社会发展路径的研究这个问题， 提供了更加合理的模拟情景数据， 特别是在积雪分层以及涉及反照率、 导热率、 雪密度等的参数化方面（周天军等， 2020； Feng et al， 2020）。其未来气候预估情景将共享社会经济路径（shared socioeconomic pathways， SSPs）与典型浓度路径（representative concentration pathways， RCPs）科学组合， 提高了气候变化预估结果的可靠性， 然而鲜有学者对CMIP6模式模拟北半球积雪覆盖度的能力进行评估， 并且缺乏对未来积雪覆盖度的预测研究， 目前研究大多使用偏差和相关性的指标来衡量模式的模拟能力（Mudryk et al， 2020； Zhu et al， 2021）， 包括偏差、 均方根误差（RMSE）、 相关系数、 泰勒图等， 这些评价指标可对单一方面的模拟能力进行评估， 如泰勒图能够直观地反映模式对变量空间分布的模拟能力， 偏差可以反映在年际变化或者年内变化方面模式的模拟能力。
基于以上论述， 本研究以25°N以北的陆地（不包括格陵兰岛和冰岛）作为研究范围， 旨在根据不同评估指标从空间分布、 长期趋势和年内变化方面对CMIP6模式模拟春季（3 -5月）积雪覆盖度（SCF）的能力进行评估， 并利用各评价指标确定各模式模拟春季SCF的整体表现； 再选取整体表现排名前三的CMIP6模式， 采用其多模式集合平均预估不同SSPs情景下未来北半球春季SCF的变化。本研究结果可以帮助理解CMIPs模式的发展和不足， 并为科学评价CMIPs模式数据提供评估体系以及相关模式的选择提供理论参考， 提高预测未来积雪覆盖度的可靠性并为制定气候适应政策提供科学依据。

2 数据来源与方法介绍

2.1　研究区概况

研究区主要为不包括格陵兰岛和冰岛的北半球的陆地部分（25°N -90°N）， 并依据IPCC第五次评估报告将研究区划分为13个子区域（图1）， 子区域的具体划分信息如表1所示。
图1 研究区范围

Fig.1 Geographical boundaries of the study area

表1 研究区及子区域范围信息

Table 1 Details on the study area and subregion boundaries

序号 区域简称（全称） 中文名称 纬度范围 经度范围
1 ALA （Alaska/North West Canada） 阿拉斯加/加拿大西北部 60°N -72.6°N 168°W -105°W
2 WNA （West North America） 北美西部 28.6°N -60°N 130°W -105°W
3 CGI （Canada/not include Greenland/iceland） 加拿大/不包括格陵兰和冰岛 50°N -85°N 105°W -10°W
4 CAN （Central North America） 北美中部 28.6°N -50°N 105°W -85°W
5 ENA （East North America） 北美东部 25°N -50°N 85°W -60°W
6 NEU （North Europe） 欧洲北部 48°N -75°N 10°W -40°E
7 CEU （Central Europe） 欧洲中部 45°N -61.3°N 10°W -40°E
8 MED （South Europe/Mediterranean） 欧洲南部/地中海 30°N -45°N 10°W -40°E
9 NAS （North Asia） 亚洲北部 50°N -70°N 40°E -180°E
10 WAS （West Asia） 亚洲西部 15°N -50°N 40°E -60°E
11 CAS （Central Asia） 亚洲中部 30°N -50°N 60°E -75°E
12 TIB （Tibetan Plateau） 青藏高原 30°N -50°N 75°E -100°E
13 EAS （East Asia） 亚洲东部 20°N -50°N 100°E -145°E
14 NH （Northern Hemisphere） 北半球 25°N -90°N -
文中涉及的地图是基于中华人民共和国自然资源部地图技术审查中心标准地图服务系统下载的审图号为GS（2016）2945号的世界地图制作， 底图无修改。

2.2　观测数据

积雪覆盖度即积雪面积占该区域总面积的百分比， 是衡量区域积雪分布状况的重要指标之一。本文采用美国国家海洋和大气管理局/美国国家气候数据中心（NOAA/NCDC）制作的NH EASE-Grid 2.0周积雪和海冰范围数据集（Armstrong， 2005； Robinson et al， 1993）作为SCF的观测数据（以下简称NOAA数据）， 该数据时间跨度为1966年至今， 空间分辨率为25 km， NOAA IMS （ Interactive Multisensor Snow and Ice Mapping System）冰雪产品是多源数据的融合产品， 提供逐日无云的北半球积雪覆盖产品， 随着更多卫星遥感数据的融合， 产品精度和空间分辨率得到了提高， 在全球冰雪检测领域应用越来越广泛（除多等， 2021）， Brown and Robinson （2011）对NOAA数据的研究结果表明北半球春季积雪覆盖范围（SCE）的95%置信区间的误差为±3%~5%。本研究选用1982 -2014年NOAA数据作为参考数据以评估北半球CMIP6各模式模拟积雪覆盖度（SCF）的能力。

2.3　模式数据

本文使用CMIP6模式输出数据（Eyring et al， 2016）， 分析历史时期（1982 -2014年）和未来时期（2015 -2099年）模式模拟的积雪覆盖度（表2）。CMIP6提供了更丰富的地理系统模式数据， 其共享社会经济路径（SSPs）与典型浓度路径（RCPs）的科学组合情景融入了社会经济发展对气候系统的影响， 提供了更为可靠的气候变化预估结果（Yalcin， 2023）。本文选取了3种不同强度的排放情景， 分别为SSP1-2.6（可持续发展路径）、 SSP2-4.5（中间路径）和SSP5-8.5（传统化石燃料为主的路径）（Kothiyal et al， 2023）。此外， 由于每个模式在不同的情景下都有多个模拟的实现方式， 考虑到采用大量实现的集合平均值将会增加模式内部变率的不确定性， 因此， 仅对每个模式的第一个模拟实现（r1i1p1f1）进行分析， 其中， r1表示实验重复次数， i1表示初始条件， p1表示物理方案， f1表示强迫数据， 因此， r1i1p1f1表示某个模型的第一次运行， 使用第一种初始条件、 第一种物理方案和第一种强迫数据， 与其他强迫数据相比r1i1p1f1的使用更加广泛便于模式数据的精度验证（Bao et al， 2020）。与其他数据相比由于每个模式的空间分辨率不一致（表2）， 为了计算多模式集合平均（MME）以及与参考数据进行对比分析， 这里采用一阶守恒重映射方法将所有模式数据重采样为0.25°×0.25°的空间分辨率（Jones， 1999）。
表2 CMIP6中20个全球气候模式的基本信息

Table 2 Essential information on the 20 global climate models used in CMIP6

研究机构 模式 分辨率（经向×纬向） 历史时期 未来时期
国家（北京）气候中心（BCC） BCC-CSM2-MR 1.125°×1.12° √ √
BCC-ESM1 2.81°×2.81° √ -
加拿大环境署（CCCma） CanESM5 2.81°×2.81° √ √
CanESM5-CanOE 2.81°×2.81° √ √
美国国家大气科学研究中心（NCAR） CESM2 1.25°×0.9° √ √
CESM2-FV2 2.5°×1.9° √ -
CESM2-WACCM 1.25°×0.9° √ √
CESM2-WACCM-FV2 2.5°×1.9° √ -
中国科学院大气物理研究所 CasESM 研发团队（CAS） FGOALS-f3-L 1.25°×1° √ √
FGOALS-g3 2°×2.5° √ √
美国宇航局戈德空间研究所（NASA-GISS） GISS-E2-1-G 2.5°×2° √ √
GISS-E2-1-H 2.5°×2° √ -
日本海洋地球科学与技术处（MIROC） MIROC6 1.4°×1.4° √ √
MIROC-ES2L 2.81°×2.81° √ √
马普气象研究所（MPI-M） MPI-ESM-1-2-HAM 1.875°×1.9° √ -
MPI-ESM1-2-HR 0.9°×0.9° √ √
MPI-ESM1-2-LR 1.875°×1.9° √ √
日本气象局气象研究所（MRI） MRI-ESM2-0 1.125°×1.125° √ √
挪威气候中心（NCC） NorESM2-LM 2.5°×1.9° √ √
NorESM2-MM 1.25°×0.9° √ √

符号“√”表示该模型在本文中被使用， 而符号“-”表示该模型在本文中未被使用； 未来时期包括SSP1-2.6、 SSP2-4.5和SSP5-8.5情景。（The symbol “√” indicates that the model was used in this paper， while the symbol “-” indicates that the model was not used in this paper.Future periods include the SSP1-2.6， SSP2-4.5 and SSP5-8.5 scenarios）

2.4　气候数据

本文采用英国东英吉利大学气候研究中心（Climatic Research Unit， CRU）发布的降水（PRE）和温度（TMP）栅格数据（ Harris et al， 2020）， 该数据目前在气候研究领域使用较为广泛， 其时间范围为1901年至今， 该数据集通过4000多个气象站点数据以1961 -1990年作为气候态， 用角度距离权重插值， 空间分辨率为0.5°×0.5°， 本文选取1982 - 2014年的降水和温度数据， 并重采样为空间分辨率0.25°×0.25°。

2.5　方法介绍

2.5.1　泰勒图和泰勒技巧评分

采用泰勒图对每个模式模拟的多年平均积雪覆盖度空间分布能力进行评估（Yalcin， 2023）。泰勒图能够将相关系数（r）、 均方根误差（RMSE）和归一化标准差（SD）这三个统计量展示在一张图上， 可以直观地看出模式的评估结果以及模式间的差异， 较为全面地反映各模式的模拟能力。
为了定量描述各模式的模拟能力， 本文根据Taylor的研究（Taylor， 2001）， 利用泰勒技巧评分（Talor Skill Score， TSS）来定量评估CMIP6各模式以及CMIP6 MME对北半球春季积雪覆盖度空间分布的模拟能力。TSS的计算公式（1）所示：
T S S = 4 1 + r 2 σ o σ m + σ m σ o 2 1 + r 0 2
式中： r为各模式与观测数据多年平均值的空间相关系数； σ o和 σ m分别为观测数据和各模式数据的标准差； r 0为最大空间相关系数。TSS的取值范围为0~1， 其越接近0表示模式对积雪覆盖度空间分布的模拟能力越差， 反之， 其越接近1说明该模式模拟能力越好。

2.5.2　趋势分析和相对偏差

本文采用一元线性回归方法计算积雪覆盖度的变化趋势， 并通过t检验检测趋势的显著性。为了定量评估模式模拟积雪覆盖度变化趋势的能力， 本文采用相对偏差（Relative Bias， RB）进行评估， 其公式如式（2）所示：
R B = S m - S o S o
式中： S m和S o分别表示模式数据的趋势和观测数据的趋势。RB的值越接近0， 说明模式模拟积雪覆盖度的趋势与观测数据的趋势越接近。

3 结果分析

3.1　北半球历史积雪时空变化

3.1.1　北半球积雪覆盖度的空间变化特征

图2为NOAA观测数据1982 -2014年（历史时期）的北半球春季（3 -5月）平均积雪覆盖度的空间分布示意图（左侧）和北半球及子区域多年平均积雪覆盖度的统计图（右侧）。从整体上看， 积雪覆盖度呈现出高纬高， 低纬低， 青藏高原和亚洲东部等高海拔地区较同纬地区高的特点， 其中， NH整体平均积雪覆盖度为39.94%， ALA的积雪覆盖度为85.60%、 CGI的积雪覆盖度为75.11%、 NAS的积雪覆盖度为72.48%、 NEU的积雪覆盖度为53.71%， WNA和ENA的积雪覆盖度分别为34.90%和25.53%， CAS、 CEU、 CAN、 WAS和MED的积雪覆盖度均低于20%， TIB和EAS的积雪覆盖度为22.33%和10.23%， 明显高于同纬地区。
图2 观测数据1982 -2014年北半球春季（3 -5月）多年平均积雪覆盖度空间分布（单位： %）

（a）观测数据多年平均积雪覆盖度空间分布示意图， （b）北半球及子区域多年平均积雪覆盖度的统计图

Fig.2 Visual representation of multi-year average snow cover extent during spring in the Northern Hemisphere based on observations from 1982 to 2014.Unit： %.（a） Spatial distribution diagram of annual mean snow cover of observed data， （b） Statistical map of annual mean snow cover in the Northern Hemisphere and subregions

图3为采用一元线性回归法逐个像元计算1982 -2014年（历史时期）的北半球春季（3 -5月）积雪覆盖度变化趋势空间分布（左侧）和观测数据1982 -2014年北半球及子区域的积雪覆盖度变化趋势（右侧）。北半球有超过2/3的地区积雪覆盖度呈现减少趋势； 其中， TIB部分地区积雪覆盖度增加趋势大于5%·（10a）-1， 积雪覆盖度呈现增加趋势的地区主要有EAS、 CEU和CNA； 积雪覆盖度呈现减少趋势主要有CAS、 WAS、 NAS和WNA； 北美洲南部及EAS的积雪覆盖度变化趋势接近于0。
图3 观测数据1982 -2014年北半球春季（3 -5月）积雪覆盖度变化趋势空间分布［单位： %·（10a）-1］

（a）北半球积雪覆盖度变化趋势空间分布示意图， （b）北半球及子区域积雪覆盖度变化趋势； 图中黑色阴影表示该地区的趋势通过0.05显著性水平检验

Fig.3 Depiction of trends in snow cover extent changes during spring in the Northern Hemisphere from 1982 to 2014.Unit： %·（10a）-1.（a） Spatial distribution diagram of snow cover change trend in Northern hemisphere， （b） Variation trend of snow cover in Northern hemisphere and sub-regions.The black shadow in the figure indicates that the trend in this region passes the 0.05 significance level test

表3为NOAA观测数据1982 -2014年（历史时期）的北半球春季（3 -5月）积雪覆盖度变化趋势分类， 通过t检验法计算得出。北半球积雪覆盖度呈现增加的区域为31.63%， 其中3.92%的区域显著增加， 主要分布于TIB， 27.71%的地区呈现不显著增加， 主要集中于EAS、 CEU和CAN。其余68.37%的地区呈现减少趋势， 其中23.85%的地区呈现显著减少， 主要分布于CAS、 NAS和WNA； 44.52%的区域呈不显著减少， 主要有北美洲南部、 EAS和亚洲东北部。
表3 观测数据1982 -2014年北半球春季（3 -5月）积雪覆盖度变化趋势分类表

Table 3 Classification table detailing trends in spring snow cover changes in the Northern Hemisphere from 1982 to 2014 based on observations

变化趋势 检验标准（双尾， α=0.05） 面积百分比/%
显著增加 SLOPE > 0， t > t α 3.92
不显著增加 SLOPE > 0， t ≤ t α 27.71
显著减少 SLOPE < 0， t > t α 23.85
不显著减少 SLOPE < 0， t ≤ t α 44.52

3.1.2　北半球积雪覆盖度的时间变化特征

图4为NOAA观测数据1982 -2014年（历史时期）采用一元线性回归法计算北半球及其13个子区域春季（3 -5月）积雪覆盖度年际变化趋势示意图。北半球积雪覆盖度的均值为40.07%， 最大值为1985年的46.21%， 最小值为1990年的36.76%， 整体呈现0.97%·（10a）-1的趋势减少； 其中ALA的积雪覆盖度在13个子区域中最大， 其积雪覆盖度的多年均值为85.61%， 最大值为98.99%， 最小值为73.42%， 整体呈现1.53%·（10a）-1的趋势减少； NAS的积雪覆盖度的多年均值为72.82%， 最大值为79.17%， 最小值为66.13%， 呈1.95%·（10a）-1的趋势减少； NEU、 WNA和TIB的积雪覆盖度的多年均值介于20%~60%， 呈现0.56%·（10a）-1、 1.28%·（10a）-1和0.85%·（10a）-1的趋势减少； CAS、 WAS和MED的积雪覆盖度均小于20%， 呈现3.53%·（10a）-1、 1.98%·（10a）-1和0.78%·（10a）-1的趋势减少； 其余5个子区域的积雪覆盖度呈增加趋势， 其中CGI的积雪覆盖度均值为76.53%， 最大值为89.14%， 最小值为61.68%， 以0.91%·（10a）-1的速度增加； ENA、 CEU、 EAS和CNA四个子区域的积雪覆盖度均小于30%， 分别以0.31%·（10a）-1、 0.06%·（10a）-1、 0.66%·（10a）-1和0.74%·（10a）-1的速度呈增加趋势。
图4 观测数据1982 -2014年北半球及其13个子区域春季（3 -5月）积雪覆盖度年际变化

Fig.4 Representation of interannual variation in spring snow cover extent in the Northern Hemisphere and its 13 subregions based on observations from 1982 to 2014

图5为NOAA观测数据1982 -2014年（历史时期）的北半球及其13个子区域多年平均春季（3月、 4月、 5月）积雪覆盖度统计图。北半球及其13个子区域的春季积雪覆盖度均为减少趋势； 从时间来看， 北半球的SCF从3 -5月减少了36.21%， 其中， 3月ALA、 CGI和NAS地区的SCF均在98%以上， EAS、 CNA、 WAS和MED地区的积雪覆盖度均低于30%， 其中MED地区的积雪覆盖度仅为5.91%， 是13个子区域中的最低值； 4月的SCF同样是在ALA、 CGI和NAS三个区域取得了最大值， 此外， NEU地区的SCF在4月达到了60.56%， CEU、 CNA、 EAS和MED地区的SCF值低于10%， 其中最低值是MED地区的1.46%； 5月的SCF最大值为ALA地区的59.99%， CGI地区和NAS地区的SCF值均大于40%， WNA、 TIB、 CAS、 ENA、 CEU、 WAS、 EAS、 MED和CAN地区的SCF均小于15%， 其中WAS、 EAS、 MED和CAN地区的SCF趋近于0%。从区域来看， ALA、 CGI和NAS地区的SCF春季均处于较高的水平， WAS、 EAS、 MED和CAN地区在春季均处于较低的水平。
图5 观测数据北半球及其13个子区域1982 -2014年多年平均春季的积雪覆盖度

Fig.5 Visualization of multi-year average spring snow cover extent in the Northern Hemisphere and its 13 subregions based on observations from 1982 to 2014

3.2　 CMIP6模式模拟积雪覆盖度的能力评估

3.2.1　积雪覆盖度空间分布的评估

NOAA观测结果表明， 1982 -2014年北半球春季多年平均SCF随纬度的增加而增加（除青藏高原和亚洲东部等高海拔地区外）， 且CMIP6各模式以及CMIP6 MME模拟的SCF均呈现出同样的空间分布特征。
分析模式模拟多年平均春季（3 -5月）SCF相对偏差的空间格局（图6）可以发现， CMIP6中多数模式模拟的SCF在北半球主要表现为负偏差， 其中MPI-ESM-1-2-HAM、 MPI-ESM-1-2-HR、 MPI-ESM-1-2-LR低估SCF的面积占比最大， 其中CanESM5、 CanESM5-CanOE、 GISS-E2-1-G、 GISS-E2-1-H低估SCF的地区最小（分别占北半球的36.15%， 32.73%， 28.93%和34.98%）， 主要分布在亚洲中西部以及亚洲北部边缘地区； CMIP6 MME与其余单个模式相比优于除CESM2和GISS-E2-1-G模型以外的其余模式， CMIP6 MME模拟的北半球春季SCF更接近观测数据（CMIP6各模式的偏差值为-14.27%~5.96%， CMIP6 MME的偏差值为-2.3%）， 同时， CMIP6 MME与多数模式相同大部分地区（51.94%）表现为低估春季SCF， 高估青藏高原春季SCF。
图6 1982 -2014年北半球春季（3 -5月）CMIP6各模式和CMIP6 MME相对于NOAA观测数据的积雪覆盖度偏差（单位： %）的空间格局

Fig.6 Illustrates spatial patterns of snow cover extent deviations （unit： %） during spring （1982 -2014） for CMIP6 models and the ensemble relative to NOAA observations in the Northern Hemisphere

根据泰勒图（图7）， CMIP6各模式模拟北半球春季SCF空间分布的能力较好， 与观测结果较一致， 但各模式差异显著， 其中， 就相关系数而言， CESM2-WACCM、 NorESM2-MM的值最大（0.94）， BCC-CSM2-MR、 CESM2和NorESM2-LM的值较高为0.92， FGOALS-f3-L的值为0.80最低； 就归一化标准差而言， BCC-CSM2-MR、 CanESM5、 CESM2-WACCM、 NorESM2-LM和NorESM2-MM的值距1的差值均在0.02~0.04的范围之内， MPI-ESM1-2-HR的值为0.79距离1最远。根据各模式的泰勒得分（0.949~0.984）可以发现， CESM2-WACCM、 NorESM2-MM、 CESM2-WACCM-FV2模拟北半球春季SCF空间分布的能力最优， 其泰勒得分分别为0.984、 0.984和0.983， BCC-CSM2-MR、 CESM2和NorESM2-LM的泰勒得分均为0.980， 而FGOALS-f3-L、 MIROC6、 FGOALS-g3和MPI-ESM1-2-HR模拟能力最差， 其泰勒得分分别为0.949、 0.961、 0.964和0.965。与多数单个模式（除CESM2-WACCM、 NorESM2-MM）相比， CMIP6 MME模拟北半球春季SCF空间分布的能力更强， 其相关系数为0.94， 归一化标准差为0.93， 泰勒得分为0.984。
图7 CMIP6气候模式数据1982 -2014年春季北半球和13个子区域的空间泰勒图

距原点的距离（即半径）表示归一化的标准差； 辐射线（即角度）表示相关系数； 距参考点的距离表示均方根误差

Fig.7 resents spatial Taylor diagrams depicting the performance of CMIP6 climate models for spring （1982 -2014） in the Northern Hemisphere and its 13 subregions.The distance from the origin （i.e.radius） represents the normalized standard deviation； The radiation （i.e.， the Angle） represents the correlation coefficient； The distance from the reference point represents the root-mean-square error

图8使用泰勒图方法反映各气候模式模拟数据与NOAA观测数据之间的空间相关系数、 归一化标准差以及均方根误差的差异， 并对每个气候模式模拟多年平均SCF空间分布能力进行评价。CMIP6各模式对于北半球积雪覆盖度的模拟能力的泰勒得分均大于0.949， 模拟效果比较好， 但是在13个子区域的模拟能力差别较大。就区域而言， ALA地区20个模式的相关系数的平均值为0.342是最低值， 归一化标准差的范围是0.88~2.36， 表明ALA地区各模式的数据较为离散的， 其中FGOALS-f3-L 模型的泰勒得分最低为0.664， 相关系数为0.226， 模拟效果较差， 归一化标准差为2.36， 数据离散； NEU地区20个模型在该地区的泰勒得分平均分为0.943， 最高为MRI-ESM2-0模型的0.975， 最低为MPI-ESM-1-2-HAM模式的0.877； CAS地区的各模型泰勒得分总和为15.985， 最小值为MIROC6模式的0.740， 其相关系数为0.731， 归一化标准差为0.36， 表明该地区的MIROC6模式数据较为离散； EAS地区的泰勒得分最大值为NorESM2-MM模式的0.956， 最小值为FGOALS-f3-L模式的0.884， 各模式的相关系数平均值为0.771， 归一化标准差的范围的0.7~1.58。相比单模式而言， CMIP6 MME在北半球的泰勒得分为0.984， 相比其他模式在北半球的得分最高， 相关系数为0.941， 归一化标准差为0.93； 在13个子区域中， CMIP6 MME在NAS和EAS地区的泰勒得分最高， 并且其余的12个区域的泰勒得分大于大多数其他模式。
图8 CMIP6气候模式数据1982 -2014年北半球及13个子区域春季（3 -5月）泰勒评分热图

Fig.8 Displays a heatmap of Taylor scores assessing the performance of CMIP6 climate models for spring （1982 -2014） in the Northern Hemisphere and its 13 subregions

3.2.2　积雪覆盖度年际变化趋势的评估

图9展示了1982 -2014年北半球春季SCF变化趋势的空间格局。NOAA数据显示北半球68.38%的地区SCF呈减少趋势， 其中23.85%的地区呈显著减少趋势， 主要分布在北美洲西部以及亚洲50°N以北的地区。而31.62%的地区SCF呈增加趋势， 其中青藏高原东部地区表现为显著增加， 增加趋势大于10%·（10a）-1。
图9 CMIP6各模式及CMIP6 MME和NOAA观测的1982 -2014年春季积雪覆盖度变化趋势空间分布

图中黑色阴影表示该地区的趋势通过0.05显著性水平检验

Fig.9 Depicts the spatial distribution of trends in spring snow cover changes （1982 -2014） for individual CMIP6 models， the ensemble， and NOAA observations.The black shaded areas indicate statistically significant trends at the 0.05 confidence level

CMIP6中大多数模式可以捕捉到北美洲西部以及亚洲50°N以北的地区SCF呈减少趋势。除MRI-ESM2-0外， 其余模式均未捕捉到北美洲东部地区SCF呈增加趋势。从变化趋势的面积占比来看， 仅FGOALS-f3-L模拟的SCF呈减少趋势的面积小于观测结果（北半球50.97%的地区呈减少趋势， 其中4.1%的地区呈显著减）， 其余19个模式模拟的SCF呈减少趋势的地区均大于观测结果。其中CESM2-WACCM模拟的结果与观测结果差异最大， 其模拟的SCF呈减少趋势的地区占北半球的90.93%。而FGOALS-g3和MRI-ESM2-0模拟的结果最接近观测结果， 其模拟的SCF呈减少趋势的地区分别占北半球的66.85%和70.63%。
CMIP6 MME未能捕捉到青藏高原东部、 北美洲东部、 欧洲中西部以及亚洲东部地区积雪覆盖度呈增加的趋势。与观测结果相比， CMIP6 MME模拟的积雪覆盖度呈减少趋势的面积更大（96.91%）， 且68.75%的地区表现为显著减少趋势， 其主要分布在北美洲大部分地区、 欧洲、 亚洲北部以及青藏高原部分地区。
相对偏差被用来进一步定量评估模式模拟北半球春季SCF长期变化趋势的能力（图10）。对于单个模式而言， CMIP6中所有模式均表现为高估了北半球春季SCF的减少趋势， 偏差值的范围为0.74~2.95。其中， 模拟北半球春季SCF变化趋势能力最强的模式是NorESM2-MM， 偏差值为0.86； 模拟能力最差的模式是MPI-ESM-1-2-HAM， 其偏差值为2.95。与单个模式相同， CMIP6 MME也表现出高估了北半球春季SCF的减少趋势， 其偏差值为0.83。然而CMIP6 MME的偏差值仅大于GISS-E2-1-G和CESM2， 说明CMIP6 MME模拟北半球春季积雪覆盖度变化趋势的能力仅次于GISS-E2-1-G和CESM2而优于其余18个模式。
图10 CMIP6各模式和CMIP6 MME基于NOAA观测数据的1982 -2014年北半球春季积雪覆盖度变化趋势的相对偏差（RB）

Fig.10 Illustrates the relative bias （RB） in spring snow cover change trends （1982 -2014） for CMIP6 models and the multi-model ensemble relative to NOAA observations in the Northern Hemisphere

3.3　不同情景下未来北半球春季积雪覆盖度的预估

通过对20个CMIP6模式以及CMIP6 MME模拟北半球春季SCF的能力进行排名， 我们发现各模式的模拟能力存在较大的差异， 未来提高预估未来SCF的准确性， 这里选择了排名前三的NorESM2-MM、 BBC-CSM2-MR、 CESM2、 NorESM2-LM和CESM2-WACCM， 利用这五个模式的集合平均预估不同情景下未来SCF的时空变化特征。

3.3.1　 21 世纪末期较历史时期北半球春季积雪覆盖度的空间变化特征

以1982 -2014年为基准期， 对比分析不同情景下， 21世纪末期（2067 -2099年）北半球春季SCF相对变化的空间格局（图11）。不同情景下CMIP6 MME模拟的大部分地区SCF表现为减少特征， 其中在青藏高原地区和北美洲西部边缘地区SCF减少尤为显著。随着排放强度的提高， SCF的减少程度愈加显著， SCF呈减少的地区也愈加扩大。
图11 与历史时期（1982 -2014年）相比， 不同排放情景下CMIP6 MME模拟的未来2067 -2099年北半球春季积雪覆盖度（单位： %）变化的空间格局

Fig.11 Highlights spatial patterns of projected spring snow cover （unit： %） changes （2067 -2099） in the Northern Hemisphere under different emission scenarios， comparing to the historical period （1982 -2014）

图12是不同排放情景下北半球及13个子区域未来（2067 -2099年）多年平均春季的积雪覆盖度统计图。总的来说， 未来时期北半球的SCF同历史时期相比呈现出各排放情景下不同程度的降低趋势， 从区域来看， 北半球CMIP6 MME预估的SCF在各排放情景下与历史时期的春季平均SCF相比都降低了， 其中低排放情景降低的最少， 高排放情景降低的最多； ALA、 CGI和NAS地区在高、 中和低排放情景下3月的SCF均在65%~80%之间， 4月SCF在55%~70%范围内， 5月的SCF在25%~45%之内波动， 相比较其他子区域而言ALA、 CGI和NAS地区未来的积雪覆盖处于较高水平； SSP1-2.6低排放情境下和SSP2-4.5中排放情境下的MED和WAS地区， 以及SSP5-8.5高排放情境下的CEU、 MED、 WAS、 CAS和CAN地区的3月、 4月和5月的SCF值均小于10%； 其中CNA、 CEU、 MED、 WAS和EAS地区在各排放情境下5月的SCF值较低， 均小于2%。
图12 不同排放情境下CMIP6 MME模拟北半球及13个子区域2067 -2099年多年平均春季（3 -5月）的积雪覆盖度

Fig.12 Displays the multi-year average spring snow cover extent in the Northern Hemisphere and its 13 subregions simulated by the CMIP6 multi-model ensemble under different emission scenarios （2067 -2099）

3.3.2　 2015 -2099年北半球春季积雪覆盖度的时间变化特征

图13为3种SSP情景下， CMIP6 MME模拟的未来时期（2015 -2099年）北半球春季SCF变化趋势。结果表明， 在不同情景下， 北半球春季SCF均呈现波动下降的趋势， 不同情景下的北半球春季SCF在2040年之前呈现相对一致的变化， 而2040年之后的变化尤其显著， 这与朱献和董文杰（2013）利用CMIP5中的23个模式数据对北半球积雪的研究结果相似， 与杨笑宇等（2017）对欧亚大陆冬季雪水当量的研究结果接近。具体而言， 2040年以后， 在SSP1-2.6情景下SCF呈现出相对稳定的状态； 在SSP2-4.5情景下SCF呈现出微弱的减少趋势； 在SSP5-8.5情景下SCF显著减少； 此外， 随着排放强度的增加， 未来SCF减少趋势越显著； 具体表现为， 北半球整体在SSP1-2.6低排放情景、 SSP2-4.5中等排放情景和SSP5-8.5高排情景下， SCF的线性趋势分别为-0.26%·（10a）-1、 -0.61%·（10a）-1和-1.51%·（10a）-1。在SSP1-2.6低排放情景下， ALA、 WNA、 CGI、 ENA和NAS地区的下降趋势在0.4%·（10a）-1~0.65%·（10a）-1之间， 呈现出较强的下降趋势。在SSP2--4.5中等排放情境下ALA、 WNA和CGI地区的下降趋势均超过1%·（10a）-1； 在SSP5-8.5高排放情景下， ALA、 WNA、 CGI、 CNA、 ENA、 NEU、 CEU、 NAS、 CAS、 TIB和EAS地区的SCF均呈现出非常明显的下降趋势。
图13 与历史时期（1982 -2014年）相比， 不同情景下CMIP6 MME模拟的未来时期（2015 -2099年）北半球春季积雪覆盖度变化时间序列

Fig.13 Presents time series data illustrating future changes in spring snow cover extent （2015 -2099） in the Northern Hemisphere simulated by the CMIP6 multi-model ensemble under different scenarios， compared to the historical period （1982 -2014）

4 讨论

积雪是冰冻圈的重要组成部分， 对地球气候系统的能量平衡具有重要影响。它被广泛认为是造成气候变暖的重要机制之一（即北极放大效应）（Cohen et al， 2023）， 也是全球/区域水资源总量变化的重要因素（Lutz et al， 2022； Milly and Dunne， 2020）， 积雪通过改变能量平衡和水循环从而影响植被物候和碳循环， 影响冰雪灾害发生的程度和范围， 带来水资源安全隐患， 以及积雪减少导致植被物候提前、 生长季延长等也是目前的研究热点， 未来本文会针对北半球积雪覆盖度变化的影响因素及其对生态、 水文水资源的影响开展进一步的研究（谭湘蛟和杨燕， 2023）。地球系统模式（ESMs）是理解和预测北半球春季SCF变化的有力工具。与先前阶段的耦合比较计划相比， 最新的CMIP6模式在空间分辨率、 参数化以及过程的表示方面有所改进（Pascoe et al， 2019）。然而， 本文通过与NOAA数据分析的SCF多年平均的空间分布、 年际变化的长期趋势以及年内（3 -5月）变化进行对比发现， CMIP6模式基本整体上能模拟出北半球积雪覆盖度的变化， 未来时期SCF整体呈现下降趋势是可以确定的， 虽然下降幅度存在疑问， 这是由于模拟数据之间以及模拟数据与观测数据都有着较大的偏差， 存在一定的局限性， 但是对于未来时期积雪覆盖度的变化情况有一定的参考意义， 此外， NOAA数据北半球历史时期积雪覆盖度变化趋势与张玉庆（2023）对北半球的研究结果一致。
CMIP6模式存在高估或低估春季SCF的现象， 除了受到模式本身的结构和参数化以及空间分辨率的影响， 还受气候强迫数据的影响（Jin et al， 2021； Lafferty and Sriver， 2023； Li et al， 2021； van Kempen et al， 2021）， 特别是降水和温度， 通过陆面过程模型可以直接控制积雪量的多寡（Müller and Lovino， 2023； Tang et al， 2017）。例如， CMIP6中多数模式对欧洲和亚洲北部和青藏高原等地区的春季SCF高估（图6）与该地区的温度被低估（图14）和降水被高估（图15）密切相关； 多数模式对亚洲南部以及北美洲地区的春季SCF低估主要与温度被高估密切相关， 虽然该地区的降水被高估， 但是由于温度被高估导致降水主要以降雨为主， 并非固态雪， 另外Kouki et al （2021）对降水、 温度以及其他因素造成模式模拟北半球雪水当量差异的贡献进行了分析， 研究发现温度是造成春季积雪存在偏差的主要原因。在CMIP6模式中观察到春季温度和SCF之间的关系（Brutel-Vuilmet et al， 2013）， 表明ESMs不仅需改进其自身的结构和参数化以及空间分辨率， 还应该进一步改善对温度强迫数据的模拟， 此外， 由于气候系统模式是对历史和未来气候模拟使用最广泛的工具， 但是气候模式本身存在系统误差， 因此对于积雪覆盖度的模拟存在差异， 结论存在不确定性（朱献和董文杰， 2013）。
图14 1982-2014年北半球春季（3 -5月）CMIP6各模式和CMIP6 MME相对于CRU观测数据的温度偏差（单位： ℃）的空间分布

Fig.14 Depicts spatial distribution of temperature deviations （unit： ℃） during spring （1982 -2014） in the Northern Hemisphere for individual CMIP6 models and the multi-model ensemble relative to CRU observations

图15 1982 -2014年北半球春季（3 -5月）CMIP6各模式和CMIP6 MME相对于CRU观测数据的降水偏差（单位： kg·m-2·mon-1）的空间分布

Fig.15 Presents spatial distribution of precipitation deviations （unit： kg·m-2·mon-1） during spring （1982 -2014） in the Northern Hemisphere for individual CMIP6 models and the multi-model ensemble relative to CRU observations

另外， 多模式集合平均的模拟能力虽然优于大多单个模式（Ahmed et al， 2019； Guo et al， 2021； Infanti et al， 2020； Santolaria-Otin and Zolina， 2020）， 但由于模式数据在物理参数化方案以及对外强迫的响应能力存在差异， 如何采用更有效的多模式集合方法， 如贝叶斯平均或加权平均， 来提高模拟能力也是值得研究的问题。

5 结论

本文以NOAA数据作为参考数据， 通过建立考虑SCF空间分布、 年际变化趋势、 年内变化三个方面的评价体系， 对20个CMIP6模式以及CMIP6 MME模拟1982 -2014年北半球春季SCF的能力进行了评估； 并进一步利用模拟能力最好的五个模式的集合平均对不同排放情景下（SSP1-2.6、 SSP2-4.5、 SSP5-8.5）北半球春季SCF的时空变化进行预估， 得到以下主要结论：
（1） 与NOAA数据相比， 17个CMIP6模式（除MPI-ESM-1-2-HAM、 MPI-ESM-1-2-HR、 MPI-ESM-1-2-LR外）模拟的SCF在青藏高原地区被高估。并且19个模式（除MRI-ESM2-0外）的SCF模拟结果呈减少趋势的地区大于观测数据， 以及17个模式（除CanESM5、 CanESM5-CanOE、 GISS-E2-1-G外）低估了3月、 4月和5月的SCF。在空间分布、 年际变化趋势、 年内变化三个方面， CMIP6各模式模拟北半球春季SCF的能力差异显著， CMIP6 MME模拟能力优于大多单个模式。
（2） 综合考虑积雪覆盖度空间分布、 年际变化趋势、 年内变化三个方面， 模拟能力最好的模式是NorESM2-MM、 CESM2、 BBC-CSM2-MR、 NorESM2-LM和CESM2-WACCM； 模拟能力最差的是MIROC-ES2L、 MPI-ESM1-2-LR和MPI-ESM-1-2-HAM； CMIP6 MME的综合模拟能力优于大多单个模式。
（3） 相较于历史时期（1982 -2014年）， 不同排放情景下， 21世纪末期（2067 -2099年）北半球春季SCF在大部分地区表现为减少特征， 在青藏高原地区和北美洲西部边缘地区SCF减少尤为显著。并且随着排放强度的提高， SCF减少的程度及地区面积均增加。另外， 在时间变化方面， 不同排放情景下SCF的变化在2040年之前较一致； 2040年之后， SSP1-2.6情景下SCF维持稳定状态， 在SSP2-4.5情景下呈微弱减少趋势， 在SSP5-8.5情景下则呈显著减少趋势。

References

null
Ahmed K， Sachindra D A， Shahid S， et al， 2019.Selection of multi-model ensemble of general circulation models for the simulation of precipitation and maximum and minimum temperature based on spatial assessment metrics［J］.Hydrology and Earth System Sciences， 23（11）： 4803-4824.DOI： 10.5194/hess-23-4803-2019 .
null
Armstrong R L， Brodzik M J， 2005.Northern Hemisphere EASE-Grid weekly snow cover and sea ice［M/CD］.National Snow and Ice Data Center， Boulder， CO， USA.
null
Bao Q， Liu Y， Wu G X， et al， 2020.CAS FGOALS-f3-H and CAS FGOALS-f3-L outputs for the high-resolution model intercomparison project simulation of CMIP6［J］.Atmospheric and Oceanic Science Letters， 13（6）： 576-581.DOI： 10.1080/16742834. 2020.1814675 .
null
Brown R D， Robinson D A， 2011.Northern Hemisphere spring snow cover variability and change over 1922-2010 including an assessment of uncertainty［J］.The Cryosphere， 5（1）： 219-229.DOI： 10.5194/tc-5-219-2011 .
null
Brutel-Vuilmet C， Menegoz M， Krinner G， 2013.An analysis of present and future seasonal Northern Hemisphere land snow cover simulated by CMIP5 coupled climate models［J］.The Cryosphere， 7（1）： 67-80.DOI： 10.5194/tc-7-67-2013 .
null
Cohen J， Agel L， Barlow M， et al， 2023.No detectable trend in mid-latitude cold extremes during the recent period of Arctic amplification［J］.Communications Earth & Environment， 4（1）： 341.DOI： 10.1038/S43247-023-01008-9 .
null
Derksen C， Brown R， 2012.Spring snow cover extent reductions in the 2008-2012 period exceeding climate model projections［J］.Geophysical Research Letters， 39， L19504.DOI： 10.1029/2012GL053387 .
null
Eyring V， Bony S， Meehl G A， et 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 .
null
Feng M， Xing Y， Yang J， et al， 2020.Unprecedented Europe heat in June-July 2019： risk in the historical and future context［J］.Geophysical Research Letters， 47（11）： e2020GL087809.DOI： 10. 1029/2020gl087809 .
null
Guan X， Zeng X， Shi R， et al， 2023.Changes in snow parameterization over typical vegetation in the Northern Hemisphere［J］.Atmospheric and Oceanic Science Letters， 16（2）： 100325.DOI： 10.1016/J.AOSL.2022.100325 .
null
Guo H， Yang Y， Zhang W， et al， 2021.Attributing snow cover extent changes over the Northern Hemisphere for the past 65 years［J］.Environmental Research Communications， 3（6）： 061001.DOI： 10.1088/2515-7620/AC03C8 .
null
Harris I， Osborn T J， Jones P， et al， 2020.Version 4 of the CRU TS monthly high-resolution gridded multivariate climate dataset［J］.Scientific Data， 7（1）： 109.DOI： 10.1038/s41597-020-0453-3 .
null
Infanti J M， Kirtman B P， Aumen N G， et al， 2020.Assessment of uncertainty in multi‐model means of downscaled South Florida precipitation for projected （2019-2099） climate［J］.International Journal of Climatology， 40（5）： 2764-277.DOI： 10.1002/joc.6365 .
null
Jin Q， Wei J， Lau W K M， et al， 2021.Interactions of Asian mineral dust with Indian summer monsoon： Recent advances and challenges［J］.Earth-Science Reviews， 215： 103562.DOI： 10.1016/J.EARSCIREV.2021.103618 .
null
Jones P W， 1999.First-and second-order conservative remapping schemes for grids in spherical coordinates［J］.Monthly Weather Review， 127（9）： 2204-2210.DOI： 10.1175/1520-0493（1999）127 .
null
Kothiyal S， Sandhu S S， Kaur J， 2023.Modelling the climate change impact of mitigation （RCP 2.6） and high emission （RCP 8.5） scenario on maize yield and possible adaptation measures in different agroclimatic zones of Punjab， India［J］.Journal of the Science of Food and Agriculture， 103（14）.DOI： 10.1002/JSFA.12779 .
null
Kouki K， R?is?nen P， Luojus K， et al， 2021.Evaluation of Northern Hemisphere snow water equivalent in CMIP6 models with satellite-based SnowCCI data during 1982-2014［J］.The Cryosphere， 2022： 1-32.DOI： 10.5194/tc-2021-195 .
null
Lafferty D C， Sriver R L， 2023.Downscaling and bias-correction contribute considerable uncertainty to local climate projections in CMIP6［J］.Authorea Preprints， 2023 （6）： 158.DOI： 10.1038/S41612-023-00486-0 .
null
Li J， Huo R， Chen H， et al， 2021.Comparative assessment and future prediction using CMIP6 and CMIP5 for annual precipitation and extreme precipitation simulation［J］.Frontiers in Earth Science， 9： 687976.DOI： 10.3389/feart.2021.687976 .
null
Li Y， Wang T， Zeng Z， et al， 2016.Evaluating biases in simulated land surface albedo from CMIP5 global climate models［J］.Journal of Geophysical Research： Atmospheres， 121（11）： 6178-6190.DOI： 10.1002/2016JD024774 .
null
Lutz A F， Immerzeel W W， Siderius C， et al， 2022.South Asian agriculture increasingly dependent on meltwater and groundwater［J］.Nature Climate Change， 12（6）： 566-573.DOI： 10.1038/S41558-022-01355-Z .
null
Meredith M， Sommerkorn M， Cassotta S， et al， 2019.chapter 3， IPCC special report on the ocean and cryosphere in a changing climate［R］.Polar Regions， Chapter 3， 203-320.DOI： 10.1017/9781009157964.005 .
null
Milly P C D， Dunne K A， 2020.Colorado River flow dwindles as warming-driven loss of reflective snow energizes evaporation［J］.Science， 367（6483）： 1252-1255.DOI： 10.1126/science.aay9187 .
null
Mudryk L， Santolaria-Otín M， Krinner G， et al， 2020.Historical Northern Hemisphere snow cover trends and projected changes in the CMIP6 multi-model ensemble［J］.The Cryosphere， 14（7）： 2495-2514.DOI： 10.5194/tc-14-2495-2020 .
null
Müller G V， Lovino M A， 2023.Variability and changes in temperature， precipitation and snow in the Desaguadero-Salado-Chadileuvú-Curacó Basin， Argentina［J］.Climate， 11（7）： 135.DOI： 10.3390/CLI11070135 .
null
Pascoe C， Lawrence B N， Guilyardi E， et al， 2019.Designing and documenting experiments in CMIP6［J］.Geoscientific Model Development Discussions， 2019： 1-27.DOI： 10.5194/gmd-2019-98 .
null
Robinson D A， Dewey K F， Heim R R， 1993.Global snow cover monitoring： An update［J］.Bulletin of the American Meteorological Society， 74（9）： 1689-1696.DOI： 10.1175/1520-0477（1993）074 .
null
Santolaria-Otín M， Zolina O， 2020.Evaluation of snow cover and snow water equivalent in the continental Arctic in CMIP5 models［J］.Climate Dynamics， 55（11/12）： 2993-3016.DOI： 10.1007/s00382-020-05434-9 .
null
Sturm M， Goldstein M A， Parr C， 2017.Water and life from snow： a trillion dollar science question［J］.Water Resources Research， 53（5）： 3534-3544.DOI： 10.1002/2017WR020840 .
null
Tang Z， Wang X， Wang J， et al， 2017.Spatiotemporal variation of snow cover in Tianshan Mountains， Central Asia， based on cloud-free MODIS fractional snow cover product， 2001-2015［J］.Remote Sensing， 9（10）： 1045.DOI： 10.3390/rs9101045 .
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
Zhou T J， Zou L W， Chen X L， 2019.Commentary on the coupled model intercomparison project phase 6 （CMIP6）［J］.Advances in Climate Change Research， 15（5）： 445.DOI： 10.12006/j.issn.1673-1719.2019.193 .
null
van Kempen G， van der Wiel K， Melsen L A， 2021.The impact of hydrological model structure on the simulation of extreme runoff events［J］.Natural Hazards and Earth System Sciences Discussions， 21（3）： 961-976.DOI： 10.5194/NHESS-21-961-2021 .
null
Verma S， Kumar K， Verma M K， et al， 2023.Comparative analysis of CMIP5 and CMIP6 in conjunction with the hydrological processes of reservoir catchment， Chhattisgarh， India［J］.Journal of Hydrology： Regional Studies， 50： 101533.DOI： 10.1016/J.EJRH.2023.101533 .
null
Xia K， Wang B， 2015， Evaluation and projection of snow cover fraction over Eurasia［J］.Climatic and Environmental Research， 20（1）： 41-52.DOI： 10.3878/j.issn.1006-9585.2014.13126 .
null
Yalcin E， 2023.Quantifying climate change impacts on hydropower production under CMIP6 multi-model ensemble projections using SWAT model［J］.Hydrological Sciences Journal， 68（13）： 1915-1936.DOI： 10.1080/02626667.2023.2245815 .
null
Zhu X， Lee S Y， Wen X， et al， 2021.Historical evolution and future trend of Northern Hemisphere snow cover in CMIP5 and CMIP6 models［J］.Environmental Research Letters， 16（6）： 065013.DOI： 10.1088/1748-9326/AC0662 .
null
除多， 扎西顿珠， 次丹玉珍， 2021.NOAA IMS雪冰产品在青藏高原积雪监测中的适用性分析［J］.冰川冻土， 43（6）： 1659-1672.DOI： 10.7522/j.issn.1000-0240.2021.0051.Chu D ，
null
ZhaXi D Z， CiDan Y Z.Analysis on applicability of NOAA IMS snow and ice products in snow cover monitoring over the Tibetan Plateau［J］.Journal of Glaciology and Geocryology， 43（6）： 1659-1672.DOI： 10.7522/j.issn.1000-0240.2021.0051 .
null
曹言超， 王晓春， 2022.青藏高原春季积雪对北半球夏季季节内振荡的影响［J］.高原气象， 41（6）： 1384-1398.DOI： 10.7522/j.issn.1000-0534.2021.00087.Cao Y C ，
null
Wang X C， 2022.Influence of the Qinghai-Xizang Plateau Spring Snow Cover Variation on the Boreal Summer Intraseasonal Oscillation［J］.Plateau Meteorology， 41（6）： 1384-1398.DOI： 10.7522/j.issn.1000-0534.2021.00087 .
null
郭辉， 杨雨亭， 2022.基于卫星遥感、 大气再分析及气候模式数据的北半球春季积雪反照率反馈评估研究［J］.中国科学（地球科学）， 52（8）： 1627-1640.DOI： 10.1360/N072021-0193.Guo H ，
null
Yang Y T， 2022.Spring snow-albedo feedback from satellite observation， reanalysis and model simulations over the Northern Hemisphere［J］.Science China Earth Sciences， 65（8）： 1463-1476，
null
李延， 赵瑞瑜， 陈斌， 2023.青藏高原冬春多源积雪资料年际变化尺度上的适用性分析［J/OL］.高原气象， 1-14.［2024-02-28］.DOI： 10.7522/j.issn.1000-0534.2023.00057.Li Y ，
null
Zhao R Y， Chen B， 2023. Applicability of multi-source winter-spring snow cover data over the Qinghai-Xizang （Tibetan） Plateau on the scale of interannual variation［J］.Plateau Meteorology， 1-14［2024-02-28］.DOI： 10.7522/j.issn.1000-0534.2023.00057 .
null
马丽娟， 罗勇， 秦大河， 2011.CMIP3模式对未来50a欧亚大陆雪水当量的预估［J］.冰川冻土， 33（4）： 707-720.DOI： 10.3969/j.issn.1005-362X.2015.10.021.Ma L J ，
null
Luo Y， Qin D H， 2011.Snow water equivalent over Eurasia in next 50 years projected by CMIP3 models［J］.Journal of Glaciology and Geocryology， 33： 707-720.DOI： 10.3969/j.issn.1005-362X.2015.10.021 .
null
谭湘蛟， 杨燕， 2023.积雪变化对地下生态系统影响的研究进展［J］.冰川冻土， 45（2）： 724-737.DOI： 10.7522/j.issn.1000-0240.2023.0055.Tan X J ，
null
Yang Y， 2023.Research progress on effects of snow cover change on belowground ecosystem［J］.Journal of Glaciology and Geocryology， 45（2）： 724-737.
null
杨明鑫， 肖天贵， 李勇， 等， 2022.CMIP6 模式对我国西南地区夏季气候变化的模拟和预估［J］.高原气象， 41（6）： 1557-1571.DOI： 10.7522/j.issn.1000-0534.2021.00119.Yang M X ，
null
Xiao T G， LI Y， et al， 2022.Evaluation and projection of climate change in Southwest China using CMIP6 Models［J］.Plateau Meteorology， 41（6）： 1557-1571.DOI： 10.7522/j.issn.1000-0534.2021.00119 .
null
杨笑宇， 林朝晖， 王雨曦， 等， 2017.CMIP5耦合模式对欧亚大陆冬季雪水当量的模拟及预估［J］.气候与环境研究， 22（3）： 253-270.
null
Yang X Y， Lin Z H， Wang Y X， et al， 2017.Simulation and projection of snow water equivalent over the Eurasian continent by CMIP5 coupled models［J］.Climatic and Environmental Research， 22 （3）： 253-270， doi： 10.3878/j.issn.1006-9585.2016.16104 .
null
朱献， 董文杰， 2013.CMIP5耦合模式对北半球 3-4月积雪面积的历史模拟和未来预估［J］.气候变化研究进展， 9（3）： 173-180.DOI： 10.3969/j.issn.1673-1719.2013.03.003.Zhu X ，
null
Dong W J， 2013.Evaluation and projection of northern hemisphere March-April snow covered Area simulated by CMIP5 coupled climate models［J］.Climate Change Research， 9（3）： 173-180.DOI： 10.3969/j.issn.1673-1719.2013.03.003 .］
null
周天军， 陈梓明， 邹立维， 等， 2020.中国地球气候系统模式的发展及其模拟和预估［J］.气象学报， 78（3）： 332-350.DOI： 10.11676/qxxb2020.029.Zhou T J ，
null
Chen Z M， Zou L W， et al， 2020.Development of climate and earth system models in China： past achievements and new CMIP6 results［J］.Acta Meteorologica Sinica， 78（3）： 332-350.DOI： 10.11676/qxxb2020.029 .
null
张玉庆， 2023.北半球中高纬地表反照率对积雪变化的响应研究［D］.长春： 东北师范大学.DOI： 10.27011/d.cnki.gdbsu. 2022.001121.Zhang Y Q， 2023.Response of Surface Albedo to Changes of Snow Parameters in the Middle and High Latitudes of Northern Hemisphere［D］.Changchun： Northeast Normal University.DOI： 10.27011/d.cnki.gdbsu.2022.001121 .
Options
Outlines

/

〈 〉

The system is designed and developed by Beijing magtec Technology Development Co., Ltd. with technical support: support@magtech.com.cn