2. 国家气候中心, 北京 100081;
3. 法国原子能和替代能源委员会气候和环境科学实验室, 法国 伊维特河畔吉夫 91191;
4. 法国国家科学研究中心/皮埃尔和玛丽·居里大学动力气象实验室, 法国 巴黎 75005
亚洲季风区降水变化所引发的洪涝、干旱等灾害严重影响着当地人们的生产、生活和社会经济的发展(黄荣辉和周连童,2002; 张庆云等,2008),因此研究亚洲季风区降水的时空特征及气候模式对亚洲季风降水的模拟能力显得尤为重要。由于东亚季风区降水系统的独特性和复杂性,以及目前人们对季风系统内各种物理过程及其相互作用的认识并不完善,使得东亚降水的数值模拟一直是气候模拟研究领域的一个难题(Yu et al,2000; Randall et al,2007)。研究表明,多数气候模式可以模拟出东亚地区降水的大致型态,但模拟的降水量与观测值存在较大偏差,且区域性差别更大(Rajendran et al,2004; 王淑瑜和熊喆,2004; Gao et al,2006; 高学杰等,2006; 许崇海等,2007; 张莉等,2008; 孙颖和丁一汇,2008; Shi et al,2009; 刘敏和江志红,2009; 许崇海等,2010; Xu et al,2010),同时对不同时间尺度降水及其变率的模拟也存在一些困难(Zhou et al,2009; Kang et al,2002)。
第五次的耦合模式比较计划(CMIP5)利用全球多个气候系统模式,进行了大量的气候数值模拟试验,为开展东亚降水的深入分析提供了宝贵的数据(Taylor et al,2012)。已有研究(Xu and Xu, 2012; Huang et al,2013; 李振朝等,2013; 陈晓晨等,2014; 胡芩等,2014)重点分析了模式对东亚地区降水的时空分布特征以及区域降水的模拟能力,结果表明,CMIP5气候模式可以较好地模拟出降水的气候态,但依然存在一些问题,例如Xu and Xu(2012)的研究表明对于中国地区模式存在平均降水量模拟偏多和中国南方降水的标准差偏大等问题; 陈晓晨等(2014)研究表明中国华南地区降水量模拟偏少,而西部偏远地区降水模拟偏多以及中国地区降水量模拟系统性偏多; 针对区域降水,李振朝等(2013)研究指出CMIP5中8个模式能模拟出青藏高原降水量的季节变化和降水中心,但对降水量值和降水趋势模拟相差较大; 胡芩等(2014)研究表明CMIP5模式对青藏高原地区降水模拟能力较差,尽管能够模拟出降水的空间分布型,但模拟的降水量普遍偏大,同时,模拟的年际和季节降水空间变率也普遍大于观测值; Huang et al(2013)研究发现CMIP5大部分模式模拟的中国东部地区夏季微小降水的频率不确定性较小,但对无降水和强降水的频率模拟存在较大的不确定性。
事实上,影响CMIP5模式对东亚地区降水模拟能力的重要原因除了各个模式之间降水物理过程参数化存在较大差异外,还包括各模式模拟的对流降水和层云降水的差异。针对这两种主要的降水类型,众多学者利用热带测雨卫星(TRMM)的探测结果开展了大量工作,研究表明东亚地区降水层云降水的降水频次要高于对流降水,但对流降水的降水强度要高于层云降水,且两种降水有着明显的地域差异和季节差异(傅云飞等,2008; 杜振彩等,2011; 刘鹏等,2012)。此外,胡亮等(2011)利用TRMM 2A25数据评估了IPCC第4次报告中24个模式的模拟效果,发现各模式对东亚季风区对流降水所占总降水的百分比的模拟普遍偏高,而对层云降水的模拟偏少,在热带季风区尤为明显,虽然模式较好地模拟出了副热带季风区中对流降水百分比的季节变化特征,但缺少对热带季风区对流降水所占总降水量的比重及其季节变化特征的分析。Wang et al(2011)利用TRMM3A12和3A25数据对比分析了SAMIL模式不同降水参数化方案模拟的对流和层云降水发现,对于降水分布,两个方案都存在不能很好地模拟降水中心的问题,而对降水强度,两个方案均存在对于对流降水强度模拟偏强等问题。
因此,本文将利用高时空分辨率的融合降水数据和TRMM 3A25卫星降水数据,从降水量和降水发生频率这两个角度评估CMIP5中19个海气耦合模式在东亚地区对对流和层云降水的模拟能力,从而为改进模式参数化方案提供参考。
2 资料与方法本文主要分析了参加CMIP5计划的19个海气耦合模式对20世纪历史气候的模拟输出结果。表 1 是本文所用的模式及其水平分辨率(按纬度分辨率从高到低排列)。其中模式水平分辨率最高和最低的分别是MIROC的MIROC4h模式和MIROC-ESM模式。中国有3个模式,分别是中国气象局的T106中等分辨率的BCC-CSM1.1(m)模式、T42低分辨率BCC-CSM1.1模式和中国科学院大气物理研究所的FGOALS-s2模式。
各个模式试验的详情请参见http://www.earthsystemgrid.org/search.html。各模式都按统一的试验方案进行数值模拟试验: 首先将温室气体等外强迫固定在工业革命前的状态,模式持续运行500年,达到平衡,然后在给定的18502005年实际观测到的温室气体、气溶胶、火山灰、太阳活动等外强迫条件下从1850年大气海洋的模式初始状态开始运行积分到2005年(张芳等,2014)。
为了评估模式对对流和层云降水的模拟效果,将重点分析2000年1月至2005年12月CMIP5模式历史试验所模拟的3 h降水量数据。由于文中选取模式数量较多,数据量大,其中部分模式数据存在不易下载的问题,同时选取的观测资料的时间长度为6年,因此,也选取6年的模式数据。文中大多数的分析均保留了各模式的原始分辨率,仅在计算多模式平均结果时,将各模式数据统一插值到0.5°×0.5°的水平分辨率后再计算平均而得。此外,还使用近年来在国内得到广泛应用的TRMM卫星数据作为观测数据对比分析(傅云飞等,2010; 李典等,2012; 蒋璐君等,2014)。该数据为月平均数据,是在2A25数据的基础上按照一定的统计算法(Meneghini,1998)对降水样本进行时空统计分析而得。该卫星数据将降水分为对流降水,层云降水和其他类型降水,其中,其他类型降水所占总降水量比例很小,约有2%(傅云飞等,2010)。因此众多学者在使用TRMM 2A25或3A25降水资料进行研究时通常只考虑对流降水和层云降水,略去其他类型降水,本文也沿用此方法,研究降水时没有考虑其他类型的降水。此外,尽管模式模拟与卫星观测得到的对流降水和层云降水并不完全一致,但二者存在诸多共性,因此将二者进行对比分析还是存在一定意义(胡亮等,2011)。
在分析评估对流降水和层云降水之前,有必要对各模式所模拟的降水量的气候态等有一总体了解,为此本文还分析了由中国气象局国家气象信息中心(NMIC)提供的2008年1月到2013年12月东亚、南亚区域的0.1°×0.1°分辨率的逐时融合降水数据(宇婧婧等,2011; 沈艳等,2013)。为了便于与CMIP5模式3 h平均数据进行对比,将逐时融合降水数据处理为3 h平均的0.5°×0.5°分辨率降水数据后再进行分析。根据降水观测资料的特点,本文将3 h平均的降水量>0 mm的时段作为降水发生的判断。降水发生频率定义为以3 h间隔为一个统计时段,发生降水的次数占整个统计时间段的百分比。
3 CMIP5模式对降水量和降水发生频率的模拟评估 3.1 降水量的模拟图 1 给出了各模式所模拟的日平均总降水量在东亚地区(15°N37°N,70°E130°E)的分布。融合降水数据的结果和TRMM卫星数据的结果很接近,从图 1 中可以看出,东亚地区的降水中心位于喜马拉雅山南坡、中国南方以及洋面上,干旱少雨区主要位于中国西北部,呈现出从东亚东南洋面上往西北大陆地区递减的空间分布特征。对于总降水量的模拟,各模式都较好地再现了降水的空间分布,但对于降水中心和降水量模拟,分辨率较高的模式结果要优于低分辨率模式。其中,MIROC4h较准确地模拟出喜马拉雅山南坡的降水带和中国南方的降水区域,但降水量稍大,而对于中国东海、南海以及孟加拉湾的降水量模拟则偏小。BCC-CSM1.1(m)和IPSL-CM5A-MR对几个降水中心模拟较好,但对中国的南方、东海以及孟加拉湾的降水量模拟偏小。EC-EARTH和MRI-CGCM3模拟的洋面降水量偏小。HadGEM2-ES对于各降水中心的降水量模拟偏大。MIROC5对青藏高原南坡降水带、中国南方和孟加拉湾的降水量模拟偏大,但对于中国东海和南海的模拟偏小。INMCM4没有模拟出孟加拉湾的降水中心,对于其他降水中心降水量的模拟也偏小。FGOALS-s2较好地模拟出喜马拉雅山南坡和洋面上的降水中心,但对于缅甸附近地区的降水量模拟偏大。NorESM1-M对于高原南坡降水带的降水量模拟偏大,也没有模拟出孟加拉湾、中国东海和南海的降水中心以及中国南方的降水型。IPSL-CM5A-LR之后的几个模式分辨率都较低,模拟水平相对较差。IPSL-CM5A-LR没有模拟出青藏高原南坡的降水带,对于洋面上降水中心的分布和降水量模拟都较差,虽然模拟出了中国南方的降水中心,可是量值偏小。GFDL-ESM2G、GFDL-ESM2M和GFDL-CM3模拟出了青藏高原南坡的降水带,但对中国南方、东海以及热带地区的模拟的偏差较大,表现在降水量模拟偏小。GISS-E2-R和BCC-CSM1.1模拟的缅甸地区降水过强,也未能正确地模拟出几个降水中心的位置。MIROC-ESM和MIROC-ESM-CHEM模拟的青藏高原降水中心区域过大,整体上对东亚地区降水量模拟偏小。
为了进一步评估CMIP5各模式对于降水的模拟能力,计算了各模式模拟的东亚区域各点降水量与观测值的空间相关系数(图 2,观测和模式结果全部插值成0.5°×0.5°分辨率)和均方根误差(表 2)。
综合分析来看,高、中分辨率模式的模拟效果要优于低分辨率模式,同时各模式对秋季和冬季降水的模拟较好,平均相关系数都在0.7以上,夏季和春季相对较差,平均相关系数只有0.61和0.50。
春季(图 2b),相关性最好的EC-EARTH也只有0.71,相关性最差的是MIROC-ESM-CHEM,相关系数只有0.32。低分辨率模式的相关性明显较差,大都<0.40。夏季(图 2c),各模式的模拟效果参差不齐。相关性最好的是IPSL-CM5A-LR,相关系数有0.73,均方根误差较低。MIROC-ESM的模拟效果最差,相关系数只有0.43,均方根误差也高于平均水平。中等分辨率模式中MRI-CGCM3、NorESM1-M 的模拟的偏差较大,相关系数只有0.54和0.51。秋季(图 2d),是四季中模拟最好的季节。模拟最好的是EC-EARTH,相关系数达到了0.91。在低分辨率中BCC-CSM1.1 的相关性也很好,达到了0.81,是所有低分辨率模式中空间相关性最好的。冬季(图 2a),各模式对东亚降水空间分布的综合模拟效果也较好。其中空间相关性最高的是HadGEM2-ES,相关系数达到了0.83,均方根误差也较小。相关性最低的是NorESM1-M,由于模拟的降水量太小相关系数只有0.54。分辨率较低的BCC-CSM1.1 却表现出了较好的相关性,相关系数达到了0.77,高出其余所有的低分辨率模式,且均方根误差也相对较小。
就年平均(图 2e)来说,高、中分辨率模式模拟效果较好,低分辨率模式对东亚地区降水的模拟效果明显偏弱。模拟效果最好的是EC-EARTH,年均降水的空间相关系数为0.85,其次为FGOALS-s2,相关性也高达0.79。模拟效果较差的是GISS-E2-R和MIROC-ESM,相关系数分别只有0.52和0.48。
总体来看,模拟效果最好的是EC-EARTH,在各个季节的空间相关性都较好,且均方根误差也较低。而模拟效果最差的是GISS-E2-R和MIROC-ESM,在各季节的相关性都很低,其中GISS-E2-R在各季节的均方根误差都最大。BCC-CSM1.1(m)和FGOALS-s2对东亚地区降水型的模拟效果要优于平均水平。低等分辨率中的BCC-CSM1.1各个季节的相关性都较好,甚至优于很多高、中分辨率模式。
3.2 对流和层云降水量的模拟虽然各模式模拟的总降水空间分布型与观测结果较为接近,但各模式模拟的对流和层云降水分布与TRMM卫星数据相差较大。从图 3 中可以看出,根据TRMM卫星数据分析的东亚地区日均对流降水中心主要分布在菲律宾群岛、孟加拉湾和青藏高原南部,在30°N以南,热带洋面上对流旺盛,对流降水量较大,30°N以北,尤其在大陆上,对流降水量较小,整体呈现从南往北逐步递减的形势。多模式平均结果和绝大多数CMIP5模式都模拟再现了类似TRMM对流降水的整体空间分布特征,但对降水中心的模拟相差较大。多模式平均(由于GISS-E2-R模式模拟的降水量与观测值空间序列的均方根误差在各季节都较大(表 2),以及FGOALS-s2模式模拟的层云降水量明显较低(图 4),所以在计算多模式平均时剔除了这两个模式的结果)模拟的整体降水量偏大,但对于降水中心的位置模拟较准确。MIROC4h、BCC-CSM1.1(m)和MRI-CGCM3对于对流降水整体分布和降水中心模拟较好,但模拟的降水中心降水量偏小。EC-EARTH和HadGEM2-ES对于降水中心位置模拟较好,但二者模拟的降水量都偏大。IPSL-CM5A-MR和IPSL-CM5A-LR未能模拟出青藏高原南部的降水中心,而对于洋面上的降水量模拟偏大。CNRM-CM5和INMCM4未能模拟出孟加拉湾的降水中心,对于洋面的降水量模拟也偏大。FGOALS-s2模拟的东亚绝大部分的对流降水量都较大。NorESM1-M仅模拟出青藏高原南部的降水中心且整体降水量偏大。GFDL-ESM2G、GFDL-ESM2M和GFDL-CM3模拟的降水中心位置较好,但热带地区降水量偏大。GISS-E2-R模拟的偏差较大,没有模拟出降水从南往北明显递减的整体分布,而对于缅甸地区的降水量模拟过大。BCC-CSM1.1对于青藏高原南部和菲律宾群岛的降水中心模拟较好,而对孟加拉湾的降水中心模拟偏东,落在了中南半岛上,且降水量过大,同时模拟的青藏高原对流降水量也偏大。MIROC-ESM和MIROC-ESM-CHEM未能模拟出青藏高原南部的降水中心,对于洋面上的降水中心的模拟也偏西。
与对流降水不同的是,TRMM卫星数据表明层云降水中心主要分布在青藏高原南部、长江下游地区、中国东海以及孟加拉湾,而除过降水中心,其余地区层云降水量较为接近,没有明显的分布特征(图 4)。总体来说,高分辨率和中等分辨率模式比低分辨率模式能够更好地模拟再现东亚地区的层云降水分布。多模式平均结果较好地再现了高原南部、长江下游地区以及东海的降水中心,但对热带地区的层云降水量模拟偏小。MIROC4h模拟出青藏高原南部、长江下游以及东海的降水中心,但整体降水量值偏大。BCC-CSM1.1(m)较好的模拟出了层云降水的空间分布,模拟的降水中心位置与TRMM卫星数据比较相近,但在中国东海以及孟加拉湾模拟的降水量偏小,而在高原和四川盆地地区模拟的量值偏大。EC-EARTH 模拟出在高原南坡有一个降水带,但未能模拟出其余的降水中心,并且对于中南半岛的降水量模拟偏小。MRI-CGCM3未能模拟出孟加拉湾东北部的降水中心,但对于其余几个降水中心模拟较好,在降水量上,对于印度半岛模拟偏小,而对长江中上游地区模拟偏大。HadGEM2-ES和INMCM4模拟出了长江下游以及东海的降水中心,但是没有模拟出高原南坡和孟加拉湾的降水中心,在热带地区模拟的降水量也偏小。IPSL-CM5A-MR和IPSL-CM5A-LR模拟的高原南坡的降水量偏大,而在热带洋面上的量值偏小。CNRM-CM5仅模拟出高原南坡以南、中国长江流域到东海的降水区域,而对于其余层云降水区的降水量模拟偏低。MIROC5未能模拟出孟加拉湾北部的降水中心,但对其余降水中心的模拟较好,同时对中国南方降水量的模拟偏大。FGOALS-s2模拟的结果与TRMM卫星数据偏差较大,几乎没有模拟出存在大范围的层云降水区域。随着模式分辨率的降低,模拟结果与TRMM卫星数据的差异也越来越大,表现在未能模拟出降水中心的位置,同时降水量的模拟也偏差较大。NorESM1-M模拟的高原南坡的降水中心量值偏大。GFDL-ESM2G、GFDL-ESM2M和GFDL-CM3虽然模拟出了高原南部的降水中心,但在长江中上游地区模拟的降水量偏大,热带地区量值偏小。GISS-E2-R没能模拟出高原南坡的层云降水雨带,并且模拟的缅甸地区和中国南方的层云降水量偏大。BCC-CSM1.1没能较好地模拟出高原南坡的降水雨带,对于热带洋面上降水量模拟偏小。MIROC-ESM和MIROC-ESM-CHEM模拟的高原南坡降水带的位置偏北,同时对热带地区降水分布模拟的偏差较大。对比对流和层云降水多模式平均的结果和TRMM卫星数据,各模式对于对流降水的模拟更好,对层云降水的模拟存在热带地区降水量模拟明显不足的问题,尤其是孟加拉湾地区,大部分模式模拟的降水量均<1 mm·d-1,远小于TRMM卫星数据的结果。
对比中国气象局的两个模式BCC-CSM1.1(m)和BCC-CSM1.1的结果发现,BCC-CSM1.1模拟的降水在青藏高原南部的缅甸地区和洋面上的结果较差,而BCC-CSM1.1(m)模拟结果与观测结果则较为接近,两个模式的物理参数化方案是相同的,区别在于BCC-CSM1.1(m)中大气环流模式的水平分辨率更高,因而对于东亚地形的刻画更为精细,使得地形降水的模拟效果更好; 其次,由于模式水平分辨率的提高,使得一些参数化方案中的某些参数对模式结果也产生了一定影响,将会在接下来的工作中进一步讨论。
3.3 对流和层云降水发生频率的模拟将降水强度分为6个不同的等级,对各模式不同等级降水的发生频率进行分析(图 5)。从图 5 中可以看出,对于所有模式,超过1.0 mm·h-1的降水事件相当少。绝大多数模式模拟的降水强度在0.001~1 mm·h-1之间。但CNRM-CM5,GFDL-CM3、EC-EARTH和MRI-CGCM3等一些模式模拟的<0.0001 mm·h-1的降水发生频率相对于各模式来说明显过多。过于频繁的微小降水,会掩盖模式所表现的主要降水事件的发生信息。例如,CNRM-CM5模式模拟的东亚地区的总降水频率高达81%,而其中有33%的降水是超过0.001 mm·h-1的降水(表 3),在实际天气分析中,真正需要关注的是强降水而几乎忽略了过小的降水。因此,在确定降水发生时,以0.001 mm·h-1为阈值,认定大于此阈值的降水为降水事件,而不考虑小于此阈值的降水。去掉过小的降水,有利于还原微小降水模拟过多的模式所模拟的真实降水特征(如CNRM-CM3、GFDL-CM3和EC-EARTH等),而对于微小降水比例本来就少的模式(如MIROC4h、INMCM4和FGOALS-s2等),也不会影响其本来的结果,因而是合理的。
由于TRMM卫星数据是月平均数据,无法计算降水的发生频率,因此使用多模式平均结果作为参考评估模式模拟降水发生频率的不确定性。就东亚地区日均对流降水频率的空间分布(图 6)来看,多模式的平均结果表明对流降水频率的高频中心主要位于青藏高原东部、中国东海和南海洋面上,整体分布上,除印度半岛地区,30°N以南的对流降水频率要高于30°N以北地区,洋面上的降水频率大都>60%,普遍高于陆地(10%~60%)。MIROC4h模拟出了高原东部的高频中心,但整体的降水频率模拟过低。BCC-CSM1.1(m)较好的再现了降水频率的整体分布,对于高原以及洋面上的高频中心模拟也较好。EC-EARTH模拟的结果与BCC-CSM1.1(m)较为相似,只是在中国南海对流降水频率模拟偏高。MRI-CGCM3、HadGEM2-ES和INMCM4模拟的对流降水频率高值中心都位于青藏高原东部、中国西南横断山脉地区和洋面上,低频率中心主要位于中国西北干旱区,在东亚大陆上的对流降水频率普遍处在5%~60%的范围内,较多模式平均结果偏低。IPSL-CM5A-MR和IPSL-CM5A-LR未能很好的模拟出降水频率的整体分布,整体降水频率较多模式平均偏低约30%。CNRM-CM5模拟的降水频率分布和多模式平均较为接近,高频中心的位置模拟也较好,但降水频率在南海和印度半岛南部模拟偏低。MIROC5对于东亚大陆降水频率的模拟整体偏低,尤其是在青藏高原,其降水频率不到10%,远低于多模式平均的40%~50%。FGOALS-s2模拟的偏差较大,未能模拟出基本的分布,同时整体频率也远低于多模式平均的结果。NorESM1-M模拟的整体分布较好,但青藏高原上的降水频率偏高,在东海和南海部分区域的降水频率甚至超过90%,明显高于多模式平均结果。GFDL-ESM2G、GFDL-ESM2M和GFDL-CM3模拟出青藏高原东部存在一个对流降水高频中心,但在中国东部和南部洋面上的对流降水频率高于90%,明显偏高。GISS-E2-R模拟的对流降水频率与其它模式的模拟差异较大,主要表现为缅甸地区的对流降水频率偏高,其它区域偏低。BCC-CSM1.1在低分辨率模式中模拟水平相对较好,能够模拟出整体分布和高频中心,降水频率的大小也与多模式平均较为接近。MIROC-ESM和MIROC-ESM-CHEM模拟的对流降水频率高值区主要位于青藏高原主体和海洋上,但降水频率整体偏低。
从图 7 东亚地区日平均层云降水频率的空间分布可以看出各模式模拟的层云降水频率与对流降水频率存在较大差异。多模式平均结果表明高频中心位于青藏高原和中国东海,降水频率都>50%,高原东部一些地区更是>70%,而整体分布上与对流降水不同的是,在40°N以北,降水频率随纬度升高而增加。各模式对于高原地区降水频率模拟较好,但对于其余地区模拟结果参差不齐。MIROC4h和BCC-CSM1.1(m)的模拟结果与多模式平均较为接近,不同的是MIROC4h模拟的高原上的层云降水频率偏低,而BCC-CSM1.1(m)模拟的偏高。EC-EARTH模拟的青藏高原东部和南海降水频率超过了80%,明显偏高,而在中国西北干旱地区却低于10%。MRI-CGCM3模拟的整个东亚地区降水频率偏低,尤其在中国北方地区和印度半岛。HadGEM2-ES模拟的高频中心主要位于青藏高原,但模拟的高原上中心地区层云降水频率偏低,只有30%~40%,而在高原其余地区、四川盆地和西北干旱区的层云降水频率普遍超过了80%,明显高于多模式平均结果。IPSL-CM5A-MR、INMCM4和IPSL-CM5A-LR模拟的降水高频中心位于青藏高原主体,与其它模式结果比较,这三个模式在整个东亚大陆上的层云降水频率模拟偏低,而INMCM4在洋面上模拟的更低,大都<20%。CNRM-CM5模拟出青藏高原南部有一条高频降雨带,但在整个东亚地区降水频率都模拟的过低。MIROC5模拟的青藏高原上的层云降水频率较多模式平均偏低,而在中国南方和洋面上的频率偏高。FGOALS-s2模拟的层云降水频率明显偏小,只有在青藏高原上表现出一个高频中心,最大量级也只有30%,然而大陆上其它地区的层云降水频率都<5%,明显低于多模式平均结果。NorESM1-M模拟的青藏高原和中国南方频率偏高。GFDL-ESM2G和GFDL-ESM2M模拟的青藏高原东部存在一个层云降水频率高值中心,但对中国北部、印度半岛、和中南半岛模拟的降水频率偏低,大都>20%。GFDL-CM3模拟降水频率的分布与多模式平均较为接近,但在青藏高原和中国南海上的降水频率偏高,峰值区域>80%。GISS-E2-R模拟的层云降水在整个东亚地区都过于频繁,基本都>80%,在西北地区、中国南方和海洋上甚至都>90%,与多模式平均结果偏差较大。BCC-CSM1.1、MIROC-ESM和MIROC-ESM-CHEM模拟结果相似,层云降水频率高值区都位于青藏高原主体,但BCC-CSM1.1模拟的中南半岛层云降水频率偏高,MIROC-ESM和MIROC-ESM-CHEM对于中国南方层云降水频率模拟偏低。
对CMIP5中19个海气耦合模式输出结果,高分辨率融合降水数据和TRMM卫星数据进行对比分析,评估了CMIP5气候模式模拟东亚地区的对流和层云降水量和降水发生频率的模拟能力,得到以下主要结论:
(1)各模式都能够较好地再现东亚地区从东南洋面上往西北大陆地区降水呈现递减的空间分布特征。高分辨率模式和中等分辨率模式能较好地模拟出喜马拉雅山南坡、中国南方以及洋面上这几个强降水中心,但低分辨率模式模拟效果较差; 各模式对东亚地区秋季和冬季降水的模拟水平较高,平均空间相关系数都在0.7以上,而对春季和夏季的模拟水平较低,平均相关系数只有0.50和0.61。就年平均来看,高、中分辨率模式模拟水平要明显高于低分辨率模式。各模式中模拟水平最高的是EC-EARTH,在各个季节都表现出了较好的模拟水平,且均方根误差也较低。而模拟水平最低的是GISS-E2-R和MIROC-ESM,在各季节的相关性都很低,其中GISS-E2-R在各季节的均方根误差都最大。
(2)对于东亚地区对流和层云降水量的模拟,TRMM卫星数据表明对流降水中心主要分布在菲律宾岛、孟加拉湾和青藏高原南部,整体呈现从南往北递减的形势,而层云降水中心主要分布在青藏高原南部、长江下游地区、中国东海以及孟加拉湾,而除过降水中心,其余地区层云降水量较为接近,没有明显的分布特征。高、中分辨率模式的模拟能力也要高于低分辨模式,表现在高、中分辨率模式能够较好地模拟降水中心,更合理地模拟降水分布,对于降水量大小的模拟也与卫星数据更接近。从多模式平均的结果来看,模式对于对流降水的模拟更好,对层云降水的模拟存在热带地区降水量模拟偏小的问题,尤其是孟加拉湾地区。
(3)对于东亚地区总降水发生频率的模拟,有13个模式模拟的降水频率高于60%,最高的是GISS-E2-R,达到了89%,最低的是FGOALS-s2,只有28%; 对于不同降水量发生频率的模拟,绝大多数模式模拟的降水量在0.001~1 mm·h-1之间,超过1.0 mm·h-1的降水事件都相当少,但CNRM-CM5、HadGEM2-ES和GFDL-ESM2M模拟<0.001 mm·h-1的微小降水事件偏多。
(4)对于对流和层云降水发生频率的模拟,多模式平均结果表明对流高频中心主要位于青藏高原东部、中国东海和南海洋面,整体分布上,除印度半岛地区,30°N以南的对流降水频率要高于30°N以北地区,洋面上的降水频率大都>60%,普遍高于陆地(10%~60%); 而层云降水高频中心主要位于青藏高原和中国东海,整体分布上与对流降水不同的是在40°N以北,降水频率随着纬度升高而增加。对于层云降水发生频率的模拟,高、中分辨率模式的结果与多模式平均结果更为接近,但对于对流降水,高分辨率模式和中等分辨率模式模拟能力并没有明显高于低分辨模式,有些低分辨率模式的结果反而更接近多模式平均的结果。
由上可知,高、中分辨率模式的模拟结果整体要优于低分辨率模式,这主要是因为高分辨率模式对于地形刻画得更为精细,可以模拟出一些特殊地形所造成的降水,因此要提高气候模式模拟东亚地区降水的能力,高、中分辨率模式是必要的选择,同时更要针对特殊地形展开更深入的研究工作,探讨东亚不同地形对于模式参数化方案模拟降水能力的影响,因此在今后的研究工作中,提高模式分辨率和调整模式参数化方案成为模拟东亚地区降水的重要途径。
Gao X, Xu Y, Zhao Z, et al. 2006. On the role of resolution and topography in the simulation of East Asia precipitation[J]. Theor Appl Climatol, 86 (1-4): 173–185. DOI:10.1007/s00704-005-0214-4 | |
Huang D, Zhu J, Zhang Y, et al. 2013. Uncertainties on the simulated summer precipitation over Eastern China from the CMIP5 models[J]. J Geophys Res:Atmospheres, 118 (16): 9035–9047. DOI:10.1002/jgrd.50695 | |
Kang I, Jin K, Wang B, et al. 2002. Intercomparison of the climatological variations of Asian summer monsoon precipitation simulated by 10 GCMs[J]. Climate Dyn, 19 (5-6): 383–395. DOI:10.1007/s00382-002-0245-9 | |
Meneghini R. 1998. Application of a threshold method to airborne-spaceborne attenuating-wavelength radars for the estimation of space-time rain-rate statistics[J]. J Appl Meteor, 37 (9): 924–938. DOI:10.1175/1520-0450(1998)037<0924:AOATMT>2.0.CO;2 | |
Rajendran K, Kitoh A, Yukimoto S. 2004. South and East Asian summer monsoon climate and variation in the MRI coupled model (MRI-CGCM2)[J]. J Climate, 17 (4): 763–782. DOI:10.1175/1520-0442(2004)017<0763:SAEASM>2.0.CO;2 | |
Randall D A, Wood R A, Bony S, et al. 2007. Climate models and their evaluation. Climate change 2007:The physical science basis. Contribution of working group I to the fourth assessment report of the intergovernmental panel on climate change. Solomon S, Qin D[J]. Cambridge University Press, Cambridge, United Kingdom and New York, NY, USA. | |
Shi H, Yu R, Li J, et al. 2009. Development of a regional climate model (CREM) and evaluation on its simulation of summer climate over eastern China[J]. 気象集誌. 第2輯, 87 (3): 381–401. | |
Taylor K E, Stouffer R J, Meehl G A. 2012. An overview of CMIP5 and the experiment design[J]. Bull Amer Meteor Soc, 93 (4): 485–498. DOI:10.1175/BAMS-D-11-00094.1 | |
Wang X, Bao Q, Liu K, et al. 2011. Features of rainfall and latent heating structure simulated by two convective parameterization schemes[J]. Sci China Earth Sci, 54 (11): 1779–1788. DOI:10.1007/s11430-011-4282-2 | |
Xu Y, Gao X, Giorgi F. 2010. Upgrades to the reliability ensemble averaging method for producing probabilistic climate-change projections[J]. Climate Res, 41 (1): 61–81. | |
Xu Y, Xu C. 2012. Preliminary assessment of simulations of climate changes over China by CMIP5 multi-models[J]. Atmos Ocean Sci Lett, 5 (6): 489–494. | |
Yu R, Li W, Zhang X, et al. 2000. Climatic features related to eastern China summer rainfalls in the NCAR CCM3[J]. Adv Atmos Sci, 17 (4): 503–518. DOI:10.1007/s00376-000-0014-9 | |
Zhou T, Wu B, Wang B. 2009. How well do atmospheric general circulation models capture the leading modes of the interannual variability of the Asian-Australian monsoon?[J]. J Climate, 22 (5): 1159–1173. DOI:10.1175/2008JCLI2245.1 | |
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. Chen Xiaochen, Xu Ying, Xu Chonghai, et al. 2014. Assessment of precipitation simulations in China by CMIP5 multi-models[J]. Adv Climate Change Res, 10 (3): 217–225. | |
杜振彩, 黄荣辉, 黄刚, 等. 2011. 亚洲季风区积云降水和层云降水时空分布特征及其可能成因分析[J]. 大气科学 , 35 (6): 993–1008. Du Zhencai, Huang Ronghui, Huang Gang, et al. 2011. The characteristics of spatial and temporal distributions of convective rainfall and stratiform rainfall in the Asian monsoon region and their possible mechanisms[J]. Chinese J Atmos Sci, 35 (6): 993–1008. | |
傅云飞, 冯沙, 刘鹏, 等. 2010. 热带测雨卫星测雨雷达探测的亚洲夏季积雨云云砧[J]. 气象学报 , 68 (2): 195–206. Fu Yunfei, Feng Sha, Liu Peng, et al. 2010. The cumulonimbus incus in summer Asia as detected by the TRMM PR[J]. Acta Meteor Sinca, 68 (2): 195–206. | |
傅云飞, 张爱民, 刘勇, 等. 2008. 基于星载测雨雷达探测的亚洲对流和层云降水季尺度特征分析[J]. 气象学报 , 66 (5): 730–746. Fu Yunfei, Zhang Aimin, Liu Yong, et al. 2008. Characteristics of seasonal scale convective and stratiform precipitation in Asia based on measurements by TRMM Precipitation Radar[J]. Acta Meteor Sinica, 66 (5): 730–746. | |
高学杰, 徐影, 赵宗慈, 等. 2006. 数值模式不同分辨率和地形对东亚降水模拟影响的试验[J]. 大气科学 , 30 (2): 185–192. Gao Xuejie, Xu Ying, Zhao Zongci, et al. 2006. Impacts of horizontal resolution and topography on the numerical simulation of East Asian Precipitation[J]. Chinese J Atmos Sci, 30 (2): 185–192. | |
胡亮, 李耀东, 杨松, 等. 2011. 东亚热带与副热带季风区对流降水和层云降水季节变化特征对比分析研究[J]. 中国科学:地球科学 (中文版) , 41 (8): 1182–1191. Hu Liang, Li Yaodong, Yang Song, et al. 2011. Seasonal variability in tropical and subtropical convective and stratiform precipitation of the East Asian monsoon[J]. Sci China Earth Sci, 41 (8): 1182–1191. | |
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. Hu Qin, Jiang Dabang, Fan Guangzhou. 2014. Evaluation of CMIP5 models over the Qinghai-Tibetan Plateau[J]. Chinese J Atmos Sci, 38 (5): 924–938. | |
黄荣辉, 周连童. 2002. 我国重大气候灾害特征形成机理和预测研究[J]. 自然灾害学报 , 11 (1): 1–9. Huang Ronghui, Zhou Liantong. 2002. Research on the characteristics, formation mechanism and prediction of severe climatic disasters in China[J]. Journal of Natural Disasters, 11 (1): 1–9. | |
蒋璐君, 李国平, 母灵, 等. 2014. 基于TRMM资料的西南涡强降水结构分析[J]. 高原气象 , 33 (3): 607–614. DOI:10.7522/j.issn.1000-0534.2013.00094 Jiang Lujun, Li Guoping, Mu Ling, et al. 2014. Structural analysis of heavy precipitation caused by southwest vortex based on TRMM Data[J]. Plateau Meteor, 33 (3): 607–614. DOI:10.7522/j.issn.1000-0534.2013.00094 | |
李典, 白爱娟, 黄盛军. 2012. 利用TRMM卫星资料对青藏高原地区强对流天气特征分析[J]. 高原气象 , 31 (2): 304–311. Li Dian, Bai Aijuan, Huang Shengjun. 2012. Characteristic analysis of a severe convective weather over Tibetan Plateau Based on TRMM data[J]. Plateau Meteor, 31 (2): 304–311. | |
刘敏, 江志红. 2009. 13个IPCC AR4模式对中国区域近40a气候模拟能力的评估[J]. 南京气象学院学报 , 32 (2): 256–268. Liu Min, Jiang Zhihong. 2009. Simulation ability evaluation of surface temperature and precipitation by thirteen IPCC AR4 coupled climate models in China during 19612000[J]. J Nanjing Insti Meteor, 32 (2): 256–268. | |
刘鹏, 李崇银, 王雨, 等. 2012. 基于TRMM PR探测的热带及副热带对流和层云降水气候特征分析[J]. 中国科学:地球科学(中文版) , 42 (9): 1358–1369. Liu Peng, Li Chongyin, Wang Yu, et al. 2012. Climatic characteristics of convective and stratiform precipitation over the Tropical and Subtropical areas as derived from TRMM PR[J]. Sci China Earth Sci, 42 (9): 1358–1369. | |
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 Li Zhenchao, Wei Zhigang, Lu Shihua, et al. 2013. Verifications of surface air temperature and precipitation from CMIP5 model in Northern Hemisphere and Qinghai-Xizang Plateau[J]. Plateau Meteor, 32 (4): 921–928. DOI:10.7522/j.issn.1000-0534.2012.00088 | |
孙颖, 丁一汇. 2008. IPCC AR4气候模式对东亚夏季风年代际变化的模拟性能评估[J]. 气象学报 , 66 (5): 765–780. Sun Ying, Ding Yihui. 2008. Validation of IPCC AR4 climate models in simulating interdecadal change of East Asian summer monsoon[J]. Acta Meteor Sinica, 66 (5): 765–780. | |
沈艳, 潘旸, 宇婧婧, 等. 2013. 中国区域小时降水量融合产品的质量评估[J]. 大气科学学报 , 36 (1): 37–46. Shen Yan, Pan Yang, Yu Jingjing, et al. 2013. Quality assessment of hourly merged precipitation product over China[J]. Trans Atmos Sci, 36 (1): 37–46. | |
王淑瑜, 熊喆. 2004. 5个海气耦合模式模拟东亚区域气候能力的初步分析[J]. 气候与环境研究 , 9 (2): 240–250. Wang Shuyu, Xiong Zhe. 2004. The preliminary analysis of 5 coupled ocean-atmosphere global climate models simulation of regional climate in Asia[J]. Climatic Environ Res, 9 (2): 240–250. | |
许崇海, 罗勇, 徐影. 2010. 全球气候模式对中国降水分布时空特征的评估和预估[J]. 气候变化研究进展 , 6 (6): 398–404. Xu Chonghai, Luo Yong, Xu Ying. 2010. Assessment and projection for spatial-temporal distribution of precipitation in China based on global climate models[J]. Adv Climate Change Res, 6 (6): 398–404. | |
许崇海, 沈新勇, 徐影. 2007. IPCC AR4 模式对东亚地区气候模拟能力的分析[J]. 气候变化研究进展 , 3 (5): 287–292. Xu Chonghai, Shen Xinyong, Xu Ying. 2007. An analysis of climate change in East Asia by using the IPCC AR4 simulations[J]. Adv Climate Change Res, 3 (5): 287–292. | |
宇婧婧, 沈艳, 潘旸, 等. 2011. 基于地面观测降水订正卫星反演降水系统误差(PDF)方法在中国地区的应用[C]//2011年中国气象学会气象通信与信息技术委员会暨国家气象信息中心科技年会论文摘要, 465-475. Yu Jingjing, Shen Yan, Pan Yang, et al. 2011. Bias adjustment of high spatial/temporal resolution satellite precipitation estimation relying on Gauge-Based precipitation over China[C]//2011 China meteorological society meteorological communication and information technology commission and national meteorological information center of science and technology conference papers, 465-475. | |
张芳, 董敏, 吴统文. 2014. CMIP5模式对ENSO现象的模拟能力评估[J]. 气象学报 , 72 (1): 30–48. Zhang Fang, Dong Min, Wu Tongwen. 2014. Evaluation of the ENSO features simulations as done by the CMIP5 models[J]. Acta Meteor Sinca, 72 (1): 30–48. | |
张莉, 丁一汇, 孙颖. 2008. 全球海气耦合模式对东亚季风降水模拟的检验[J]. 大气科学 , 32 (2): 261–276. Zhang Li, Ding Yihui, Sun Ying. 2008. Evaluation of precipitation simulation in East Asian monsoon areas by coupled ocean-atmosphere general circulation models[J]. Chinese J Atmos Sci, 32 (2): 261–276. | |
张庆云, 陶诗言, 彭京备. 2008. 我国灾害性天气气候事件成因机理的研究进展[J]. 大气科学 , 32 (4): 815–825. Zhang Qingyun, Tao Shiyan, Peng Jingbei. 2008. The studies of meteorological disasters over China[J]. Chinese J Atmos Sci, 32 (4): 815–825. |
2. National Climate Centre, Beijing 100081, China;
3. Laboratoire des sciences du climat et de l'environnement, Commissariat à l'énergie atomique et aux énergies alternatives, Gif-sur-Yvette, 91191, France;
4. Laboratoire de Météorologie Dynamique, Centre National de la Recherche Scientifique, Sorbonne Université, UPMC Univ Paris 06, Paris, 75005, France