Plateau Meteorology

Plateau Meteorology >

2025 , Vol. 44 >Issue 4: 833 - 848

DOI: https://doi.org/10.7522/j.issn.1000-0534.2024.00105

Evaluation of the Ability of CMIP6 to Simulate the Wind Speed of 10 Meters of the Arctic Region

  • Haoyu WU , 1 ,
  • Shuhan HU 2 ,
  • Ruyi DU 3 ,
  • Ruichang DING 1 ,
  • Chuanhu ZHAO , 1 ,
  • Fei HUANG 1
Expand
  • 1. Key Laboratory of Physical oceanography，POL，Frontiers Science Center for Deep Ocean Multispheres and Earth System，FDOMES，Ocean University of China，Qingdao 266100，Shandong，China
  • 2. Aerospace Tianmu （Chongqing） Satellite Technology Co. ，Ltd. ，100089，Beijing，China
  • 3. PowerChina Jiangxi Electric Power ENgineering Co. ，Ltd. ，Nanchang 330096，Jiangxi，China

Received date: 2024-06-27

  Revised date: 2024-11-08

  Online published: 2024-11-25

Copyright

© Editorial Department of Plateau Meteorology （CC BY-NC-ND）
Fold

Abstract

The improvement of the ability of climate model to simulate the wind speed of 10 meters near the surface in the Arctic region plays an important role in predicting the future climate change in this region.Thirty-two CMIP6 （Coupled Model Intercomparison Project Phase 6） models were selected to provide the simulation results of daily wind speed data near the surface of the Arctic region during the historical test （1979 -2014）， and their abilities to simulate the average wind speed near the surface of the Arctic region at 10 meters and the occurrence probability of strong winds of magnitude 6 were evaluated.Based on this， the models with excellent simulation performance （6 models）， medium simulation performance （12 models） and poor simulation performance （14 models） are selected.The temporal and spatial variation characteristics of average 10 m wind speed near the surface and the probability of 6-level gale in the Arctic region under different emission scenarios in the future are predicted by using the ensemble average of excellent simulation models.The results show that： （1） The observation shows that the Greenland Sea， the Norwegian Sea， the Barents Sea and the Chukchi Sea gain higher 10m average wind speed and probability of 6-level gale in the Arctic region， and they are both smaller in summer and autumn during the year in the above sea areas.（2） In historical experiments， the CMIP6 model can well simulate the spatial distribution characteristics of the average wind speed of 10 m near the surface and the probability of 6-level gale in the Arctic region， and the simulation result of the Atlantic sector of the Arctic Ocean is the best.The 10 m average wind speed near the surface simulated by the models are generally 10%~20% higher than the observation in the Arctic region， and the probability of strong winds of magnitude 6 are generally 2%~4% higher than the observation.The simulation deviation in spring and summer are generally smaller than that in autumn and winter.（3） The variation of 10 m average wind speed near the surface and the probability of 6-level gale in the Arctic region in the 21st century simulated by the excellent group models show significant regional differences.Compared with the historical period， 10 meters average wind speed generally increase in the central area and the Pacific sector of the Arctic Ocean， but generally decrease in the Atlantic sector and the coastal areas of the Arctic Ocean.The probability of strong winds of magnitude 6 increase in the Pacific sector of the Arctic Ocean， but decrease significantly in the Atlantic sector.In terms of temporal variation， the wind speed increase rapidly in the high emission scenario， and the increase speed is fastest in autumn， followed by winter and summer， and slowest in spring.The probability density distribution of wind speed in the Arctic region in the future has not changed significantly compared with the historical period， and there is little difference under different emission scenarios.

Key words： CMIP6; model evaluation; arctic near-surface wind speed; arctic gale probability; future forecast

Cite this article

Haoyu WU , Shuhan HU , Ruyi DU , Ruichang DING , Chuanhu ZHAO , Fei HUANG . Evaluation of the Ability of CMIP6 to Simulate the Wind Speed of 10 Meters of the Arctic Region[J]. Plateau Meteorology, 2025 , 44(4) : 833 -848 . DOI: 10.7522/j.issn.1000-0534.2024.00105

1 引言

在全球持续变暖背景下， 北极地区极有可能在21世纪中叶之前出现夏季无冰的状态（Stephenson et al， 2013； Barnhart et al， 2016； 胡舒涵等， 2024）。船舶在北极航道的常态化运行成为可能， 中国到欧洲的船舶货运航线将大大缩短（Min et al， 2023）。在开阔水域面积快速增加的条件下， 北极近地面大风会增加船舶航行的风险（王哲， 2017； Dale and Kristoffersen， 2018）。Zhang et al（2018）在波弗特海和楚科奇海发现了由海冰融化带来的气压梯度力增强而导致的极端灾害性大风。在1979 -2016年夏季， 北极超强气旋频数显著增加， 这表明随着未来北极的持续增暖， 极端风速事件可能会增加（丁瑞昌和黄菲， 2021）。因此， 迫切需要对未来北极极端风速的变化进行预估（Zha et al， 2023）。
气候系统模式是研究北极近地面风速演变规律与预估未来北极近地面风速变化的重要工具。由世界气候研究计划（World Climate Research Programme， WCRP）耦合模拟工作组（Working Group on Coupled Models， WGCM）发起和组织的国际耦合模式比较计划（Coupled Model Intercomparison Project， CMIP）提供了大量的地球系统模式试验结果（Eyring et al， 2016； O'Neill， 2016）。目前， 国际耦合模式比较计划进入第六阶段（CMIP6）， 为气候变化研究领域提供了更丰富的全球气候模拟数据（赵宗慈等， 2018； 周天军等， 2019）。
对历史时期模式模拟结果的评估表明， CMIP5模式能够模拟出2006 -2015年北极地区平均风速空间分布特征（Vavrus et al， 2021）。但是， CMIP5模式被认为在模拟风速时间变化特征方面的能力有限， 例如不能较好再现北半球近地面风速的变化趋势（Zhang and Li， 2021）。CMIP6模式则相较于CMIP5模式有了较大的改进， 例如在模拟孟加拉湾海区10 m风速的振幅和变率方面， CMIP6模式的总体表现比CMIP5模式更好（Azorin-Molina et al， 2014）。另外， CMIP6模式在模拟北极地区降水量上的能力总体相较CMIP5模式也更加优异（Dou et al， 2022）。因此， 使用CMIP6模式研究北极地区的气象要素变化是可行的。
在未来北极海冰持续减少的背景下， 北极近地面风速可能增大。CMIP5模式模拟的2006 -2100年北冰洋上的近地面风速呈现出显著增加趋势， 尤其是在秋季和冬季； 预计到21世纪末， 拉普捷夫海和东西伯利亚海的风速显著增加， 最高可达50%（McInnes et al， 2011）。根据CMIP6的预估结果， 北极的近地面风速在所有季节都会增加， 仍以秋季和冬季最为明显； 第95百分位数风速的增幅更大， 高达100%（Mioduszewski et al， 2018）。然而， 基于CMIP6模式模拟北极地区近地面风速能力的评估工作较少， 对未来21世纪北极近地面风如何变化的认识仍然不足。
本文综合评估了32个CMIP6模式模拟北极近地面平均风速和6级大风概率的能力， 并根据性能优秀模式的模拟结果对未来北极地区的近地面平均风速和大风概率进行预估。本文的内容如下： 第2节介绍了使用的CMIP6模式资料、 观测资料及研究方法， 第3节评估了CMIP6模式模拟北极近地面风速的能力， 第4节比较了优秀组模式模拟的北极近地面平均风速和6级大风概率的变化， 第5节为结论和讨论。

2 数据来源与方法介绍

2.1　数据来源

本文研究北极圈（66°34′N）以北区域的近地面10 m风速变化特征， 使用了美国国家环境预报中心（National Center for Environmental Prediction， NCEP）与美国国家大气研究中心（National Center for Atmospheric Research， NCAR）1979 -2014年的近地面10 m风速再分析数据（Kanamitsu et al， 2002）， 空间分辨率为1°×1°（https： //www.esrl.noaa.gov/psd/data/gridded/data.ncep.reanalysis.html）。NCEP再分析数据能够较好地刻画北极近地面风速的特征（Oh et al， 2020）。考虑到北极海冰的季节变化规律， 本文将1 -3月定义为冬季， 4 -6月为春季， 7 -9月为夏季， 10 -12月为秋季。
CMIP6模式中有32个提供了历史情景（1979 - 2014年）和SSP1-2.6、 SSP2-4.5、 SSP3-7.0、 SSP5-8.5四个未来排放情景（2015-2100年）的逐日近地面10 m风速模拟资料。这些模式资料（https： //pcmdi.llnl.gov/CMIP6/）的详细信息如表1所示。由于各个模式的网格大小和投影方式不同， 所以先将每个模式输出结果通过双线性插值方法插值在1°×1°的规则水平网格上。文中描述的21世纪近期、 中期和远期对应的时段分别为2015 -2040年、 2041 - 2070年和2071 -2100年。
表1 32个CMIP6模式的主要信息

Table 1 Main information of 32 CMIP6 models

模式名称 所属国家（机构名称） 水平分辨率（经纬网格数） 模式名称 所属国家（机构名称） 水平分辨率（经纬网格数）
ACCESS-CM2 澳大利亚（联邦科学与工业研究组织） 360×300 GFDL-CM4 美国（美国大气海洋局大气物理实验室） 1440×1080
ACCESS-ESM1-5 澳大利亚（联邦科学与工业研究组织） 360×300 GFDL-ESM4 美国（美国大气海洋局大气物理实验室） 720×576
AWI-ESM-1-1-LR 德国（阿尔弗雷德韦格纳研究所） 387×192 IITM-ESM 印度（印度马德拉斯理工学院） 180×91
CanESM5 加拿大（加拿大气候建模和分析中心） 360×291 INM-CM4-8 俄罗斯（俄罗斯科学院计算数学研究所） 240×91
CESM2 美国（美国国家大气研究中心） 320×384 IPSL-CM5A2-INCA 法国（皮埃尔·西蒙·拉普拉斯研究所） 182×149
CESM2-FV2 美国（美国国家大气研究中心） 320×384 IPSL-CM6A-LR 法国（皮埃尔·西蒙·拉普拉斯研究所） 362×332
CESM2-WACCM 美国（美国国家大气研究中心） 320×384 IPSL-CM6A-LR-INCA 法国（皮埃尔·西蒙·拉普拉斯研究所） 362×332
CESM2-WACCM-FV2 美国（美国国家大气研究中心） 320×384 KIOST-ESM 韩国（韩国海洋科学技术研究所） 360×200
CMCC-CM2-HR4 意大利（欧洲-地中海气候变化中心） 360×291 MIROC6 日本（日本国立海洋研究开发机构等） 360×256
CMCC-CM2-SR5 意大利（欧洲-地中海气候变化中心） 360×291 MPI-ESM-1-2-HAM 德国（德国马克斯·普朗克气象研究所） 256×220
CMCC-ESM2 意大利（欧洲-地中海气候变化中心） 360×291 MPI-ESM1-2-HR 德国（德国马克斯·普朗克气象研究所） 802×404
EC-Earth3 欧洲（欧洲气候中心） 362×292 MPI-ESM1-2-LR 德国（德国马克斯·普朗克气象研究所） 256×220
EC-Earth3-AerChem 欧洲（欧洲气候中心） 362×292 MRI-ESM2-0 日本（日本气象研究所） 360×363
EC-Earth3-CC 欧洲（欧洲气候中心） 362×292 NorESM2-LM 挪威（挪威气象研究所和挪威大学等） 360×384
EC-Earth3-Veg 欧洲（欧洲气候中心） 362×292 NorESM2-MM 挪威（挪威气象研究所和挪威大学等） 360×384
EC-Earth3-Veg-LR 欧洲（欧洲气候中心） 362×292 TaiESM1 中国（台湾环境变迁研究中心） 320×384

2.2　方法介绍

计算各CMIP6模式模拟1979 -2014年北极地区近地面10 m平均风速和6级大风概率的空间分布模态， 其中大风概率为大风发生日数占总日数的百分比。采用Taylor（2001）提出的模式评分公式， 对各模式模拟平均风速和6级大风概率的能力进行评分：
S = 4 ( 1 + R ) 4 ( σ f + 1 / σ f ) 2 ( 1 + R 0 ) 4
式中： S为模式得分； R为模式模拟结果与再分析数据的空间相关系数； σ f为模拟结果与再分析数据的标准差之比； R 0为所有模式R值的均值。
采用K均值聚类算法（K-Means Algorithm， KMA）， 根据计算得到的S值将模式进行分组。使用合成分析方法研究模式对北极平均风速和大风概率的时空分布特征， 使用差值分析方法揭示模式模拟的偏差。

3 历史时期北极近地面10 m风速的再分析与模式模拟情况

3.1　历史时期北极近地面10 m风速和模式分组结果分析

历史时期（1979 -2014年）北极地区年平均近地面10 m风速的结果显示［图1（a）］， 格陵兰海、 挪威海、 巴伦支海以及楚科奇海南部的风速较大， 在6 m·s-1以上； 其他海域上空的风速较小， 在4~6 m·s-1之间； 欧亚大陆和北美大陆上的风速多在3 m·s-1以下， 且从沿海向内陆递减。北极地区秋冬季平均近地面10 m风速较大， 格陵兰海、 挪威海和巴伦支海在8 m·s-1以上， 格陵兰岛东西两侧沿岸也有8~9 m·s-1的较高风速区［图1（b）， （e）］； 春夏季风速较小， 只有秋冬季的约60%［图1（c）， （d）］。
图1 NCEP资料所反映的1979 -2014年北极近地面10 m平均风速（a~e， 彩色区， 单位： m·s-1）和6级大风发生概率（f~j， 彩色区， 单位： %）

（a、 f）为年（1 -12月， ANN）平均； （b、 g）为冬季（1 -3月， JFM）平均； （c、 h）为春季（4 -6月， AMJ）平均； （d、 i）为夏季（7 -9月， JAS）平均； （e、 j）为秋季（10 -12月， OND）平均

Fig.1 Spatial distribution of 10 m average wind speed near the surface in Arctic region （a~e， color area， unit： m·s-1） and 6-level gale probability （f~j， color area， unit： %） from 1979 to 2014 in reanalyze data.（a， f） is the annual （January-December， ANN） average， （b， g） is the winter （January-March， JFM） average， （c， h） is the spring （April-June， AMJ） average， （d， i） is the summer （July-September， JAS） average and （e， j） is the autumn （October-December， OND） average

北极地区多年平均的6级大风出现概率存在区域差异［图1（f）］， 格陵兰海、 挪威海和巴伦支海出现6级大风的概率多在20%以上， 在楚科奇海和格陵兰岛东西两侧沿岸4%~10%， 其他区域在2%以下。从季节变化来看， 秋冬季格陵兰海、 挪威海和巴伦支海出现大风的概率较大， 在20%以上， 最大能达到30%［图1（g）， （j）］， 在春夏季， 降至12%以下； 楚科奇海秋季时出现大风的概率也较大， 其他区域很小［图1（h）， （i）］。由于历史时期强气旋在格陵兰海、 挪威海以及巴伦支海的路径密度分布要明显大于北极其他区域（史楠等， 2022）， 所以其平均风速和大风概率较北极其他地区也更大。
图2为32个CMIP6模式模拟北极地区近地面10 m平均风速和6级大风概率能力的评分分布。依据K均值聚类将所有模式分为模拟性能优秀、 中等和较差三组。模拟性能优秀的模式共有6个， 分别是AWI-ESM-1-1-LR、 CanESM5、 IPSL-CM6A-LR、 IPSL-CM6A-LR-INCA、 MPI-ESM-1-2-HAM和MPI-ESM1-2-LR； 模拟性能中等的模式共有12个， 模拟性能较差的模式共有14个， 详见表2。
图2 CMIP6模式模拟1979 -2014年平均近地面10 m风速和6级大风概率的评分

绿色、 橙色、 蓝色分别为优秀组、 中等组、 较差组模式； MME为所有模式的集合平均

Fig.2 Scoring chart of 1979 -2014 average near-surface wind speed of 10-meters and 6-level gale probability simulation ability of CMIP6 models.The green models are excellent group， the orange models are medium group， the blue models are poor group， and MME is the ensemble of all models

表2 32个模式分组情况

Table 2 Grouping situation of 32 models

模式组别 模式名称
优秀组模式（Excellent） AWI-ESM-1-1-LR、 CanESM5、 IPSL-CM6A-LR、 IPSL-CM6A-LR-INCA、 MPI-ESM-1-2-HAM、 MPI-ESM1-2-LR
中等组模式（Middle） ACCESS-ESM1-5、 IITM-ESM、 IPSL-CM5A2-INCA、 MPI-ESM1-2-HR、 TaiESM1、 CMCC-CM2-HR4、 MIROC6、 CESM2、 CESM2-WACCM、 EC-Earth3-Veg-LR、 NorESM2-LM、 NorESM2-MM
较差组模式（Poor） GFDL-CM4、 CESM2-FV2、 CESM2-WACCM-FV2、 ACCESS-CM2、 GFDL-ESM4、 INM-CM4-8、 CMCC-CM2-SR5、 CMCC-ESM2、 EC-Earth3、 EC-Earth3-Veg、 KIOST-ESM、 MRI-ESM2-0、 EC-Earth3-AerChem、 EC-Earth3-CC

3.2　各组模式模拟历史时期北极近地面10 m风速的结果分析

CMIP6模式模拟的历史时期北极地区平均近地面10 m风速普遍偏大。优秀组模式集合平均结果模拟的年平均风速以偏大10%~20%为主， 模拟效果最好的区域为格陵兰海、 挪威海和巴伦支海， 在俄罗斯北部和格陵兰岛西北部沿岸偏大可达30%以上， 模拟偏小的地方主要分布在格陵兰岛和欧洲北部沿岸， 以偏小10%~20%为主［图3（a）］； 优秀组模式对不同季节10 m风速的模拟偏差存在差异， 在夏季， 波佛特海至喀拉海一带模拟较好， 偏大幅度多为20%以下， 在秋季则多为20%以上， 以格陵兰岛上的四季差异最为显著［图3（b）~（e）］。中等组模式模拟的年平均10 m风速主要也呈偏大的特点， 偏大20%以上的范围相较于优秀组模式更广， 只在格陵兰岛东、 西沿岸表现为模拟偏小［图3（f）］； 其季节变化表明， 夏季风速的模拟偏差最小， 多为20%以下， 其他季节的模拟偏差较大， 春季在波佛特海至喀拉海一带和格陵兰岛北部海域偏大达20%以上， 在俄罗斯北部沿岸达50%［图3（g）~（i）］。较差组模式的模拟偏差相对于中等组模式更大， 以偏大20%~30%为主［图3（k）］， 其季节变化与前面两组模式相似， 但模拟偏差更大［图3（l）~（o）］。
图3 优秀（a~e）、 中等（f~j）和较差组（k~o）模式模拟的1979 -2014年平均近地面10 m风速的相对偏差（单位： %）

（a、 f、 k）为年（ANN）平均， （b、 g、 l）为冬季（JFM）平均， （c、 h、 m）为春季（AMJ）平均， （d、 i、 n）为夏季（JAS）平均， （e、 j、 o）为秋季（OND）平均； EMME、 MMME和PMME为优秀、 中等和较差组模式集合平均结果

Fig.3 Excellent （a~e）， medium （f~j） and poor group （k~o） models’ simulation of the relative deviation of the average near-surface wind speed of 10 m from 1979 to 2014.Unit： %.（a， f， k） is the annual （ANN） average， （b， g， l） is the winter （JFM） average， （c， h， m） is the spring （AMJ） average， （d， i， n） is the summer （JAS） average and （e， j， o） is the autumn （OND） average.EMME， MMME and PMME are the average results of excellent， medium and poor group models

CMIP6模式对历史时期北极地区6级大风概率的模拟也偏大， 海洋上的模拟偏差要显著大于陆地上， 模拟结果最好的区域为格陵兰海、 巴伦支海以及北冰洋中央区， 在四个季节中对夏季的大风概率模拟最好。优秀组模式集合平均模拟的多年平均的6级大风概率以偏大0%~2%为主， 在巴伦支海北部和楚科奇海偏大较多， 达4%以上； 模拟偏小的地方主要分布在格陵兰岛南部和挪威海， 以偏小0%~2%为主［图4（a）］。从季节变化来看， 优秀组模式对6级大风概率的模拟在春夏季较好， 模拟偏大的幅度多在2%以下［图4（c）， （d）］； 在秋冬季较差， 偏大的幅度多在2%以上， 尤其是在巴伦支海北部、 格陵兰海以及楚科奇海可达6%以上［图4（b）， （e）］。中等组和较差组模式的模拟结果主要也呈偏大的特点， 且在春夏季的模拟效果明显优于秋冬季［图4（f）~（o）］。
图4 优秀（a~e）、 中等（f~j）和较差组（k~o）模式模拟的1979 -2014年6级大风发生概率的相对偏差（单位： %）

（a、 f、 k）为年（ANN）平均， （b、 g、 l）为冬季（JFM）平均， （c、 h、 m）为春季（AMJ）平均， （d、 i、 n）为夏季（JAS）平均， （e、 j、 o）为秋季（OND）平均； EMME、 MMME和PMME为优秀、 中等和较差组模式集合平均结果

Fig.4 Excellent （a~e）， medium （f~j） and poor group （k~o） models’ simulation of the relative deviation of the occurrence probability of gale of magnitude 6 from 1979 to 2014.Unit： %.（a， f， k） is the annual （ANN） average， （b， g， l） is the winter （JFM） average， （c， h， m） is the spring （AMJ） average， （d， i， n） is the summer （JAS） average and （e， j， o） is the autumn （OND） average.EMME， MMME and PMME are the average results of excellent， medium and poor group models

再分析资料揭示的历史时期北极地区年平均近地面10 m风速上升趋势显著， 每10年增大0.0259 m·s-1［图5（a）］； 从季节变化看， 秋季的上升趋势显著， 达0.0434 m·s-1·（10a）-1 ［图5（e）］， 其他季节没有显著变化趋势。三组模式各自的集合平均结果均能模拟出年平均风速上升的趋势， 但对风速值的模拟普遍偏大0.6~0.7 m·s-1， 其中优秀组模式模拟的风速值偏差最小［图5（a）］。从季节变化上看， 在冬季， 三组模式对风速数值的模拟普遍偏大0.6~0.8 m·s-1， 在秋季， 三组模式能够模拟风速的显著上升趋势， 但模拟的年际变化振幅较小［图5（b）~（e）］。
图5 1979 -2014年北极地区年平均（a）、 冬季（b）、 春季（c）、 夏季（d）、 秋季（e）平均的近地面10 m风速年变化和长期趋势［单位： m·s-1·（10a）-1］

*表示通过了0.05显著水平的显著性检验； 黑色实线为NCEP再分析数据， 绿色、 橙色、 蓝色线条分别为优秀、 中等、 较差组模式模拟集合均值

Fig.5 The annual variation and long-term trend of wind speed near the surface of 10-meters in the Arctic region of the annual （a）， winter （b）， spring （c）， summer （d） and autumn （e） average from 1979 to 2014， and the trend unit is m·s-1·（10a）-1.* indicating that the trend has passed the significance test of 0.05 significance level.The solid black line is NCEP reanalysis data， and the green， orange and blue lines are the ensemble values of excellent， medium and poor model simulation sets respectively

历史时期北极地区年平均6级大风概率存在显著上升趋势， 每10年上升0.11%［图6（a）］； 从季节平均看， 秋冬季出现大风的概率大于春夏季， 但各季节大风概率没有显著变化趋势［图6（b）~（e）］。优秀和较差组模式各自的集合平均结果能模拟出年平均大风概率增加的趋势， 其中优秀组模式模拟结果偏大幅度最小， 约1%［图6（a）］。从季节变化上看， 模式模拟的各个季节的大风概率依然偏大， 优秀组模式模拟的大风概率值最接近再分析数据［图6（b）~（e）］。
图6 1979 -2014年北极地区年平均（a）、 冬季（b）、 春季（c）、 夏季（d）、 秋季（e）平均的6级大风发生概率年变化和长期趋势［单位： %·（10a）-1］

*表示通过了0.05显著水平的显著性检验； 黑色实线为NCEP再分析数据， 绿色、 橙色、 蓝色线条分别为优秀、 中等、 较差组模式模拟集合均值

Fig.6 The annual variation and long-term trend ［unit： %·（10a）-1］ of 6-level gale probability in the Arctic region of the annual （a）， winter （b）， spring （c）， summer （d） and autumn （e） average from 1979 to 2014.* indicating that the trend has passed the significance test of 0.05 significance level.The solid black line is NCEP reanalysis data， and the green， orange and blue lines are the ensemble values of excellent， medium and poor model simulation sets respectively

4 未来不同共享社会经济路径情景下北极近地面风速变化预估

优秀组模式的集合均值表明， 未来各排放情景下， 北冰洋中央区和太平洋扇区平均近地面10 m风速相较于历史时期普遍增大， 北极其他区域风速相较于历史时期普遍减小。在21世纪近期， SSP1-2.6情景下， 楚科奇海和喀拉海的风速增幅在3%以上， 北冰洋中央区的风速增幅为1%~2%， 风速减小的区域主要位于北冰洋大西洋扇区和北冰洋沿岸地区， 格陵兰海的风速降幅在3%以上［图7（a）］， SSP2-4.5和SSP3-7.0情景的风速增长区域和SSP1-2.6情景差别不大， 增幅弱于SSP1-2.6情景［图7（b）， （c）］， SSP5-8.5情景则与SSP1-2.6情景差别不大［图7（d）］； 在21世纪中期， 各排放情景下的北极风速较近期明显增大， SSP1-2.6情景下北冰洋中央区的风速增加普遍达2%以上［图7（e）］； 在21世纪远期， 各排放情景的风速较中期变化不大。
图7 优秀组模式模拟的21世纪不同未来共享社会经济路径情景相较于历史时期（1979 -2014年）近地面10 m平均风速增长率（单位： %）

（a~d）为21世纪近期； （e~h）为中期； （i~l）为远期； 打点区域通过了95%的显著性检验； SSP1-2.6、 SSP2-4.5、 SSP3-7.0和SSP5-8.5为4个不同的排放情景

Fig.7 The average wind speed growth rate of 10-meters near the ground in different future sharing socio-economic paths in 21st century compared with the historical period （1979 -2014） under the simulation results of the excellent group model set.Unit： %.（a~d） is the near period of the 21st century， （e~h） is the middle period， （i~l） is the far period， dot area passed 95% significance test.SSP1-2.6， SSP2-4.5， SSP3-7.0 and SSP5-8.5 are four different emission scenarios

相较于历史时期， 未来北冰洋太平洋扇区年平均的6级大风概率普遍增大， 大西洋扇区普遍减小。在21世纪近期， SSP1-2.6情景下， 北冰洋中央区和太平洋扇区的大风概率减小0%~1%， 但并不显著， 格陵兰海、 挪威海和巴伦支海的大风概率显著减小， 最大降幅超8%［图8（a）］， SSP3-7.0情景与SSP1-2.6情景差别不大［图8（b）］， 在SSP2-4.5和SSP5-8.5情景下， 北冰洋中央区和太平洋扇区的大风概率增加0%~1%， 但并不显著； 在21世纪中期， 各排放情景与近期差异不大［图8（e）~（h）］； 在21世纪远期， SSP1-2.6情景下， 北冰洋中央区和太平洋扇区的大风概率较中期明显增大［图8（i）］。
图8 优秀组模式模拟的21世纪不同未来共享社会经济路径情景相较于历史时期（1979 -2014年）的6级大风概率增量（单位： %）

（a~d）为21世纪近期； （e~h）为中期； （i~l）为远期； 打点区域通过了95%的显著性检验； SSP1-2.6、 SSP2-4.5、 SSP3-7.0和SSP5-8.5为4个不同的排放情景

Fig.8 The probability increments of 6-level gale in different future sharing socio-economic paths in 21st century compared with the historical period （1979 -2014） under the simulation results of the excellent group model set.Unit： %.（a~d） is the near period of the 21st century， （e~h） is the middle period， （i~l） is the far period， dot area passed 95% significance test.SSP1-2.6， SSP2-4.5， SSP3-7.0 and SSP5-8.5 are four different emission scenarios

未来不同排放情景下， 北极地区平均近地面10 m风速呈显著上升趋势， 高排放情景下风速增长更快。从季节上看， 秋季风速增长速率最快， 春季最慢。年平均风速增长趋势显著， 且不同排放情景下的增长速率差异明显， SSP5-8.5情景下的增长速率为0.055 m·s-1·（10a）-1， SSP3-7.0情景略小， 为0.041 m·s-1·（10a）-1， SSP2-4.5情景约为SSP5-8.5情景的一半， 为0.024 m·s-1·（10a）-1， SSP1-2.6情景仅有0.009 m·s-1·（10a）-1 ［图9（a）］； 在冬季， SSP5-8.5情景下的增长速率最快， 达0.071 m·s-1·（10a）-1， 在春季风速的增长速率较冬季明显放缓［图9（b）， （c）］； 在夏季， 风速的增长速率较春季略有增大， 其中在SSP5-8.5情景下达0.031 m·s-1·（10a）-1， 秋季风速的增长速率较夏季进一步增大， 在SSP5-8.5情景下达0.097 m·s-1·（10a）-1 ［图9（d）， （e）］。
图9 2015 -2100年不同未来共享社会经济路径下北极区域平均的近地面10 m风速的年变化和长期趋势［单位： m·s-1·（10a）-1］

*表示通过了0.05显著水平的显著性检验； （a）为年平均， （b）~（e）分别为冬、 春、 夏、 秋季的平均； 绿色、 蓝色、 橙色、 红色线条分别为SSP1-2.6、 SSP2-4.5、 SSP3-7.0和SSP5-8.5情景

Fig.9 The annual variation and long-term trend ［unit： m·s-1·（10a）-1］ of the average near-surface wind speed of 10 meters in the Arctic region under different future shared socio-economic paths in 2015 -2100.* indicating that the trend has passed the significance test of 0.05 significance level.In Fig.9， （a） is the annual average， and （b）~（e） are the average of winter， spring， summer and autumn respectively.The green， blue， orange and red lines are SSP1-2.6， SSP2-4.5， SSP3-7.0 and SSP5-8.5 respectively

北极地区平均的6级大风概率在未来排放情景下也呈显著上升趋势， 同样表现为高排放情景下的大风概率增长更快。从季节上看， 秋季大风概率增长速率最快， 春季最慢。年平均的大风概率在SSP5-8.5情景下的增长速率达0.24%·（10a）-1， SSP3-7.0情景为0.21%·（10a）-1， SSP2-4.5情景约为SSP5-8.5情景的一半， 达0.14%·（10a）-1， SSP1-2.6情景仅有0.05%·（10a）-1 ［图10（a）］； 在冬季， SSP5-8.5情景下的增长速率达0.34%·（10a）-1， SSP2-4.5情景降至0.15%·（10a）-1， 春季大风概率的增长速率较冬季明显减缓［图10（b）， （c）］； 在夏季， 大风概率增长速率总体上比春季略有增大， 其中SSP5-8.5情景可达0.11%·（10a）-1， 秋季大风概率增长速率较夏季进一步增大［图10（d）， （e）］。
图10 2015 -2100年不同未来共享社会经济路径下北极区域平均的6级大风发生概率的年变化和长期趋势［单位： %·（10a）-1］

*表示通过了0.05显著水平的显著性检验； （a）为年平均， （b）~（e）分别为冬、 春、 夏、 秋季的平均； 绿色、 蓝色、 橙色、 红色线条分别为SSP1-2.6、 SSP2-4.5、 SSP3-7.0和SSP5-8.5情景

Fig.10 The annual variation and long-term trend ［unit： %·（10a）-1］ of the average occurrence probability of 6-level gale in the Arctic region under different shared socio-economic paths in the future from 2015 to 2100.* Indicating that the trend has passed the significance test of 0.05 significance level.In Fig.9， （a） is the annual average， and （b）~（e） are the average of winter， spring， summer and autumn respectively.The green， blue， orange and red lines are SSP1-2.6， SSP2-4.5， SSP3-7.0 and SSP5-8.5， respectively

在历史时期， 再分析数据显示北极地区平均近地面10 m风速有明显季节变化， 秋冬季较大， 春夏季较小。在1月北极地区平均近地面10 m风速最大， 为5.2 m·s-1。从1 -6月风速逐渐减小， 在6月仅为3.9 m·s-1左右； 从6月到次年1月风速逐渐增大， 在12月达5.1 m·s-1。三组模式各自的集合结果也具有季节变化特征， 但最小风速出现在7月， 与观测不一致， 且模拟的风速值明显偏大； 其中， 以优秀组模式的总体模拟效果最好， 风速值偏大约0.4~0.6 m·s-1 ［图11（a）］。因此， 以优秀组模式的模拟结果对未来北极平均近地面10 m风速进行预估。结果表明， 北极地区平均近地面10 m风速变化和历史时期有相似的季节变化规律， 且从近期到远期， 风速逐渐增大； 排放情景越高， 风速值也越大。在近期， 各个排放情景之间的风速值差异不大［图11（b）］； 在中期， 不同排放情景下的风速值差异主要体现在秋冬季［图11（c）］； 在远期， 各排放情景之间的风速值差异进一步增大， 尤其是在秋冬季， 风速值较近期增加了0.3~0.5 m·s-1［图11（d）］。
图11 北极区域平均的近地面10 m风速（a~d）和6级大风发生概率（e~h）季节变化

（a、 e）为历史时期， 黑色实线为NCEP再分析数据， 绿色、 橙色、 蓝色线条分别为优秀、 中等、 较差组模式模拟集合均值； （b、 f）为21世纪近期； （c、 g）为中期； （d、 h）为远期。绿色、 蓝色、 橙色、 红色线条分别为SSP1-2.6、 SSP2-4.5、 SSP3-7.0和SSP5-8.5情景

Fig.11 Seasonal variation of the average 10-meters wind speed （a~d） and the average 6-level gale probability （e~h） in the Arctic region.（a， e） is historical period， the solid black line is NCEP reanalysis data， and the green， orange and blue lines are the ensemble values of the simulation sets of excellent， medium and poor groups respectively.（b， f） is the near period of 21st century， （c， g） is the middle period， and （d， h） is the far period， the green， blue， orange and red lines are SPS1-2.6， SSP2-4.5， SPS3-7.0 and SPS5-8.5 respectively

历史时期的6级大风概率同样有明显季节变化， 在秋冬季较大， 春夏季较小。1月北极地区6级大风概率最大， 为5%； 从1 -7月大风概率逐渐减小， 在7月仅为0.5%左右； 从7月到次年1月大风概率逐渐增大， 在12月达4.5%。三组模式各自的集合平均结果也具有季节变化特征， 其中以优秀组模式集合平均结果与再分析资料最接近， 模拟的大风概率偏大0.5%~2.5% ［图11（e）］。在预估试验下， 从21世纪近期到远期， 大风概率逐渐增大； 排放情景越高， 大风概率也越大。在近期， 大风概率在7月最小、 1月最大， 不同排放情景之间的大风概率值差异不大［图11（f）］； 在中期， 不同排放情景之间的大风概率值差异增大［图11（g）］； 在远期， 不同排放情景之间的大风概率值差异进一步增长， 在秋冬季大风概率值较近期增加了1.5%~2.5%［图11（h）］。
根据北极各站点资料在时间序列上的完整性， 选取代表站点位置（69.3°N， 16.1°E）进行日风速概率密度分布对比。在历史时期， 各组模式模拟的风速值大小分布较再分析资料更加集中， 最大概率分布风速值也更大， 但对同一风速值出现的概率， 模式模拟结果普遍偏小［图12（a）］。在预估试验下， 21世纪近期， SSP5-8.5情景的概率密度曲线最低， 其他三个情景差别不大［图12（b）］； 21世纪中期， 各排放情景的概率密度曲线和21世纪近期差异不大， 没有明显的变化［图12（c）］； 在21世纪远期， 最大概率分布风速值相较于近期依旧无明显变化， 但概率密度分布曲线更加瘦高， 风速值概率分布更为集中， 不同排放情境下的差异也较中期更为明显［图12（d）］。
图12 代表点位（69.3°N， 16.1°E）的近地面10 m日风速的概率密度分布对比

（a）为历史时期， 黑色实线为NCEP再分析数据， 绿色、 橙色、 蓝色线条分别为优秀、 中等、 较差组模式模拟集合均值； （b）为21世纪近期； （c）为中期； （d）为远期。绿色、 蓝色、 橙色、 红色线条分别为SSP1-2.6、 SSP2-4.5、 SSP3-7.0和SSP5-8.5情景

Fig.12 Comparison of probability density distribution of daily wind speed at 10m near the surface of representative point （69.3°N， 16.1°E）.（a） is historical period， the solid black line is NCEP reanalysis data， and the green， orange and blue lines are the average values of the simulation sets of excellent， medium and poor groups respectively.（b） is the near period of 21st century， （c） is the middle period， and （d） is the far period， the green， blue， orange and red lines are SPS1-2.6， SSP2-4.5， SPS3-7.0 and SPS5-8.5 respectively

在全球变暖背景下， 历史时期北极区域的气旋发生概率随时间不断增长（Chen and Lynch， 2022）， 在这样的变化趋势下未来不断增多的北极气旋可能导致了未来北极地区风速的增长。模式对历史时期的模拟偏大情况可能导致模式对未来北极地区风速的模拟偏大， 后续可通过利用观测值限制模拟值的方法来消除模拟偏差， 从时间和空间上校正模式的未来模拟结果。

5 结论

本文评估了32个CMIP6模式对北极地区近地面风的模拟能力， 对21世纪近期、 中期和远期北极地区的近地面10 m风速变化进行了预估。主要结论如下：
（1） 再分析数据结果显示， 1979 -2014年北极地区年平均近地面10 m风速和6级大风发生概率较大的区域位于格陵兰海、 挪威海、 巴伦支海以及楚科奇海等海域。从季节变化上看， 上述海域的平均风速和6级大风发生概率在秋冬季较大， 春夏季较小。北极区域平均的近地面10 m风速和6级大风发生概率均在秋冬季较大， 春夏季较小， 且二者呈增长趋势， 秋冬季增长速率较快， 春夏季较慢。
（2） CMIP6模式的模拟结果基本能够再现观测的北极近地面10 m风速和6级大风发生概率的时空变化特征， 其中二者空间分布的模拟结果在北冰洋大西洋扇区最好。CMIP6模式对北极地区平均近地面10 m风速的模拟普遍偏大10%~20%， 对6级大风发生概率的模拟普遍偏高2%~4%。不同模式的模拟性能有差异， AWI-ESM-1-1-LR、 CanESM5、 IPSL-CM6A-LR、 IPSL-CM6A-LR-INCA、 MPI-ESM-1-2-HAM和MPI-ESM1-2-LR等6个模式的模拟性能为优秀。
（3） 模拟性能优秀模式集合平均的结果表明， 在21世纪近期， 北冰洋大部分地区的近地面10 m平均风速相较于历史时期普遍增加1%~3%， 中期风速进一步增大， 远期和中期没有明显差异； 6级大风发生概率增加的区域主要为北冰洋太平洋扇区， 在大西洋扇区则有较为显著的减小， 普遍减小2%~6%。另外， 高排放情景下的北极区域平均的近地面10 m风速和6级大风发生概率总体上较大。从季节变化上看， 北极区域平均的近地面10 m风速和6级大风发生概率均呈显著增长趋势， 其中秋、 冬季增长速率较快， 春、 夏季较慢。
综上， CMIP6模式对北极地区平均风速和6级大风概率的模拟结果与再分析数据结果仍然存在较大差异， 大部分模式的模拟结果偏大。本文从平均风速和大风概率两个角度综合评估了模式模拟北极近地面10 m风速的能力， 并详细分析了历史时期和未来的北极地区近地面10 m风速的时空变化特征。北极地区特殊的地理环境、 气候变化的复杂性、 台站观测数据少以及模式的不完善性等因素共同导致了气候系统模式在北极地区模拟表现欠佳的结果， 这也是目前气候系统模式性能提升的难点。未来的预估可考虑通过观测资料校正模式的未来预估结果的方法来提高预估精度。

References

Publishing order | Descend order by publishing year | Descend order by cited within
Azorin-Molina C， 2014.Homogenization and assessment of observed near-surface wind speed trends over Spain and Portugal［J］.Journal of Climate， 27： 3692-3712.

Barnhart K R， Miller C R， Overeem I， et al， 2016.Mapping the future expansion of Arctic open water［J］.Nature Climate Change， 6： 280-285.

Chen Z， Lynch A H， 2022.Arctic maritime cyclone distribution and trends in the ERA5 reanalysis［J］.Journal of Applied Meteorology and Climatology， 61： 429–440.

Dale B， Kristoffersen B， 2018.Post-petroleum security in a changing Arctic： narratives and trajectories towards viable futures［J］.Arctic Review on Law and Politics， 9： 244-261.

Dou T F， Pan S F， Bintanja R， et al， 2022.More frequent， intense， and extensive rainfall events in a strongly warming Arctic［J］.Earth's Future， 10： 23-78.

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： 1937-1958.

Kanamitsu M， Ebisuzaki W， Woollen J， et al， 2002.NCEP-DOE AMIP-II reanalysis （R-2）［J］.Bulletin of the American Meteorological Society， 83： 1631-1644.

Min C， Zhou X Y， Luo H， et al， 2023.Toward quantifying the increasing accessibility of the Arctic Northeast Passage in the past four decades［J］.Advances in Atmospheric Sciences， 40： 2378-2390.

McInnes K L， Erwin T A， Bathols J M， 2011.Global climate model projected changes in 10 m wind speed and direction due to anthropogenic climate change［J］.Atmospheric Science Letters， 12： 325-333.

Mioduszewski J， Vavrus S， Wang M， 2018.Diminishing Arctic Sea ice promotes stronger surface winds［J］.Journal of Climate， 31： 8101-8119.

O'Neill B C， 2016.The Scenario Model Intercomparison Project （ScenarioMIP） for CMIP6［J］.Geoscientific Model Development， 9： 3461-3482.

Oh S G， Sushama L， Teufel B， 2020.Arctic precipitation and surface wind speed associated with cyclones in a changing climate［J］.Climate Dynamics， 55： 3067-3085.

Stephenson S R， Smith L C， Brigham L W， 2013.Projected 21st-century changes to Arctic marine access［J］.Climatic Change， 118： 885-899.

Taylor K E， 2001.Summarizing multiple aspects of model performance in a single diagram［J］.Journal of Geophysical Research， 106： 7183-7192.

Vavrus S J， Alkama R， 2021.Future trends of arctic surface wind speeds and their relationship with sea ice in CMIP5 climate model simulations［J］.Climate Dynamics， 59： 1833-1848.

Zha J， Shen C， Wu J， et al， 2023.Evaluation and projection of changes in daily maximum wind speed over China based on CMIP6［J］.Journal of Climate， 36： 1503–1520.

Zhang J， Stegall S T， Zhang X， 2018.Wind-sea surface temperature-sea ice relationship in the Chukchi–Beaufort Seas during autumn［J］.Environmental Research Letters， 13： 008-034.

Zhang S Y， Li X C， 2021.Future projections of offshore wind energy resources in China using CMIP6 simulations and a deep learning-based downscaling method［J］.Energy， 217： 0360-5442.

丁瑞昌， 黄菲， 2021.北极超强气旋活动及其大气环流特征［J］.海洋学报， 43（7）： 114-124.

Ding R C， Huang F， 2021.Arctic super cyclone activity and its atmospheric circulation characteristics［J］.Journal of Oceanography， 43（7）： 114-124.

胡舒涵， 丁瑞昌， 吴昊煜， 等， 2024.CMIP6模拟北极海冰面积变化能力评估［J］.极地研究， 15（9）： 1-13.

Hu S H， Ding R C， Wu H Y， et al， 2024.Evaluation of CMIP6' s ability to simulate the change of Arctic Sea ice area［J］.Journal of Polar Research， 15（9）： 1-13.

史楠， 王召民， 何海伦， 2022.夏季进入北极温带气旋的活动特征及其影响因素［J］.气象科学， 42 （2）： 171-181.

Shi N， Wang Z M， He H L， 2022.Activity characteristics and influencing factors of extratropical cyclones entering the Arctic in summer［J］.Meteorological Science， 42 （2）： 171-181.

王哲， 2020.北极东北航道自然风险评估与海上风能资源区划研究［D］.长沙： 国防科技大学.DOI： 10.27052/d.cnki.gzjgu. 2017.000518.Wang Z， 2020.Study on natural risk assessment and offshore wind energy resource zoning of Arctic northeast waterway［D］.Changsha：National University of Defense Technology.DOI： 10.27052/d.cnki.gzjgu.2017.000518 .

赵宗慈， 罗勇， 黄建斌， 2018.从检验CMIP5气候模式看CMIP6地球系统模式的发展［J］.气候变化研究进展， 14（6）： 643-660.

Zhao Z C， Luo Y， Huang J B， 2018.On the development of CMIP6 earth system model from the test of CMIP5 climate model［J］.Progress in Climate Change Research， 14（6）： 643-660.

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.

Zhou T J， Zhou L W， Chen X L， 2019.Review of the 6th International Coupling Model Comparison Plan （CMIP6）.Progress in Climate Change Research， 15（5）： 445-456.

Options
Outlines

/

〈 〉

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