近百年以来全球气候变暖毋庸置疑(IPCC, 2013a), 并导致了海平面上升、冰川退缩、极端天气和气候事件频率增加等一系列事件的发生(IPCC, 2014; 秦大河等, 2014; 钱忠华等, 2011; 赵俊虎等, 2011), 对自然系统和人类社会已产生深刻影响。最新IPCC报告表明, 未来全球气候变暖及其对气候系统变化的影响仍将持续(IPCC, 2013b), 到21世纪末, 全球平均地表气温可能会增加1.1~6.4 ℃。极端暖事件进一步增多, 极端冷事件进一步减少(Meehl et al, 2004; 姚遥等, 2012), 这可能对人类社会发展造成不可忽视的影响。因此, 如何尽可能准确地预估未来气温变化, 对于防灾减灾的规划部署具有重要意义。

全球气候模式是进行气候模拟及预估的重要工具, 各国学者不断改进数值模式并对过去和未来气候变化做了大量模拟和预估研究(董文杰等, 2014; Sillmann et al, 2013; Taylor et al, 2012)。已有的研究表明, 气候模式对大尺度气候有较好的模拟能力, 但对区域尺度气候的模拟尚存在较大不确定性(IPCC, 2007; Masson et al, 2011)。

中国受地理位置和复杂地形等因素共同影响, 气候时空变异大, 模式模拟水平受很大限制。已有许多研究检验了CMIP5模式对中国历史气温的模拟能力, 并预估了未来气温变化(Xu et al, 2009; Zhou et al, 2006), 结果发现, CMIP5模式对中国气温的模拟能力较CMIP3模式有所改进(郭彦等, 2013; Yao et al, 2013), 但仍然存在一定的偏差。这些偏差可能与模式分辨率、季风气候或青藏高原大地形等因素有关(姜燕敏等, 2015; 田芝平等, 2013; Xu et al, 2010)。另一些研究发现, 虽然模式能较好地再现中国的历史增温趋势, 但大多数模式低估了地表气温, 且西部气温偏差较大(Xu et al, 2012); 对青藏高原地区气候模拟能力的评估发现, CMIP5模式低估了青藏高原年和季节平均地表气温, 而地形效应校正能够有效订正地表气温偏差(李振朝等, 2013; 胡芩等, 2014; Su et al, 2013)。

对于未来气温变化预估, IPCC AR5采用了以稳定浓度为特征的一套新情景, 即典型浓度路径(Representative Concentration Pathways, RCPs)排放情景, 主要包括RCP8.5、RCP6.0、RCP4.5、RCP2.6等4种情景(Meinshausen et al, 2011; Riahi et al, 2011; Thomson et al, 2011; van Vuuren et al, 2011)。其中, RCP2.6、RCP4.5和RCP8.5情景, 是指到2100年辐射强迫分别达到约2.6, 4.5和8.5 W·m^-2。利用RCPs情景数据预估中国未来气温变化的研究显示, 2011—2100年整个中国将均出现增温现象, 北部比南部增温更明显, 且不同排放情景和季节背景下增温幅度不同(陈姣等, 2016; Liu et al, 2014; Tian et al, 2015; Xu et al, 2012)。此外, 为了减少预估的不确定性, 多模式集合方法结合统计降尺度或区域气候模式的动力降尺度技术也受到越来越多的关注, 例如一些研究使用了算术平均、加权平均、中位数平均等多模式集合方法, 并结合各种降尺度方法以及偏差校正方法来提高模式预估的精度(成爱芳等, 2015; Gao et al, 2013; 王美丽等, 2015; 翟颖佳等, 2016; Zou et al, 2013)。尽管如此, 模式对区域气候预估的可信度仍然较低。因此, 在对未来气候预估之前, 必须对模式集合预估的不确定性进行评估, 了解偏差的分布特征, 以便更有效地进行偏差订正。本文拟对2006—2015年CMIP5模式中国气温的未来情景估计结果进行检验, 并根据历史气温模拟偏差特征对2006—2015年的气温预估偏差进行简单订正。

选用24个CMIP5模式(表 1)两类试验输出的逐月气温资料, 包括1956—2005年历史气候模拟结果以及RCP8.5、RCP4.5和RCP2.6情景下2006—2015年未来情景预估结果; 观测资料为相应时段的分辨率为0.5°×0.5°的NCEP/NCAR陆地气温格点分析数据集(NOAA GHCN_CAMS Land Temperature Analysis), 以此作为模式气温偏差评估的参考态(Fan et al, 2008)。为了便于比较, 采用双线性插值方法将不同分辨率的气温资料插值到1.0°×1.0°的格点上进行分析(姜大膀等, 2004)。在插值中未对地形影响做直接校正, 相当于对模式地形也做了双线性插值。如果加入实际地形校正, 将会歪曲模式地形引起的偏差特征, 对地形的校正将在下文中单独进行分析。由于多模式集合平均的结果总体上要比大多数单个模式效果好(Semenov et al, 2010), 本文采用等权重算术平均法对同一模式的不同初值试验结果平均后, 再以同样方法进行多模式集合平均。下文中“模式气温”均指“模式集合平均气温”, “偏差”是指“模式值减去观测值”。

表 1(Table 1)

表 1 所用24个CMIP5模式的参数信息 Table 1 Information of 24 models in CMIP5 模式名称 单位及所属国家 分辨率(经向×纬向格点数) RCP试验 ACCESS1-0 CSIRO-BOM, 澳大利亚 192×145 RCP4.5, RCP8.5 ACCESS1-3 CSIRO-BOM, 澳大利亚 192×145 RCP4.5, RCP8.5 BCC-CSM1-1 BCC, 中国 128×64 RCP2.6, RCP4.5, RCP8.5 BCC-CSM1-1-m BCC, 中国 320×160 RCP2.6, RCP4.5, RCP8.5 CanESM2 CCCMA, 加拿大 128×64 RCP2.6, RCP4.5, RCP8.5 CCSM4 NCAR, 美国 288× 192 RCP2.6, RCP4.5, RCP8.5 CNRM-CM5 CNRM-CERFACS, 法国 256×128 RCP2.6, RCP4.5, RCP8.5 CSIRO-Mk3-6-0 CSIRO-QCCCE, 澳大利亚 192×96 RCP2.6, RCP4.5, RCP8.5 GISS-E2-H NASA GISS, 美国 144×90 RCP4.5, RCP8.5 GISS-E2-H-CC NASA GISS, 美国 144×90 RCP4.5 GISS-E2-R NASA GISS, 美国 144×90 RCP4.5, RCP8.5 GISS-E2-R-CC NASA GISS, 美国 144×90 RCP4.5 INMCM4 INM, 俄罗斯 180×120 RCP4.5, RCP8.5 IPSL-CM5A-LR IPSL, 法国 96×96 RCP2.6, RCP4.5, RCP8.5 IPSL-CM5A-MR IPSL, 法国 144×143 RCP2.6, RCP4.5, RCP8.5 IPSL-CM5B-LR IPSL, 法国 96×96 RCP4.5, RCP8.5 MIROC5 MIROC, 日本 256×128 RCP2.6, RCP4.5, RCP8.5 MIROC-ESM MIROC, 日本 128×64 RCP2.6, RCP4.5, RCP8.5 MIROC-ESM-CHEM MIROC, 日本 128×64 RCP2.6, RCP4.5, RCP8.5 MPI-ESM-LR MPI-M, 德国 192×96 RCP2.6, RCP4.5, RCP8.5 MPI-ESM-MR MPI-M, 德国 192×96 RCP2.6, RCP4.5, RCP8.5 MRI-CGCM3 MRI, 日本 320×160 RCP2.6, RCP4.5, RCP8.5 NorESM1-M NCC, 挪威 144×96 RCP2.6, RCP4.5, RCP8.5 NorESM1-ME NCC, 挪威 144×96 RCP2.6, RCP4.5, RCP8.5

表 1 所用24个CMIP5模式的参数信息 Table 1 Information of 24 models in CMIP5

三种RCPs情景(RCP8.5、RCP4.5、RCP2.6)下24个CMIP5模式集合平均的预估值基本能再现2006—2015年中国气温的主要空间分布和季节变化特征(图略)。例如, 年气温在东部地区出现明显南暖北冷, 在西部地区出现南冷北暖的现象。由于三种情景下模式气温预估偏差分布比较相似, 这里仅对RCP4.5排放情景下的偏差进行分析。

模式气温与观测气温的差异显示, 在中国大部分地区, 模式气温预估均偏低, 且西部偏差较东部大, 东部偏差为-3~3 ℃, 较大的冷偏差出现在四川盆地、北疆和青藏高原南部等地, 偏低6 ℃以上; 较大的暖偏差出现在北疆西部部分地区和青藏高原北部等地, 其中青藏高原北部气温预估偏高6 ℃以上[图 1(a)]。此外, 24个模式间年平均气温的标准差显示, 东部地区模式预估的一致性较高; 对于西部地区, 特别是青藏高原西北部, 气温预估的离散度较大[图 1(b)]。

图 1(Figure 1)

图 1 RCP4.5情景下中国2006—2015年平均模式气温预估偏差(a)及各模式间的标准差(b) Figure 1 Differences between multi-model ensemble and observation (a) and standard deviation among 24 models (b) for annual temperature in China mainland under RCP4.5 scenario during 2006—2015

多模式集合气温预估偏差会随着季节循环发生改变。计算表明, 在RCP4.5情景下, 模式各季气温预估偏差分布与模式年平均气温偏差相似, 在中国大部分地区各季气温预估均偏低, 偏低最明显地区均位于四川盆地、青藏高原南部及北疆等地区。春季, 模式对青藏高原南部及北疆地区气温预估偏低现象较年平均气温偏强[图 2(a)]。夏季模式偏差较小于其他三季, 尤其是青藏高原南部、北疆及四川盆地等地; 中国东部部分地区的气温预估偏高, 但偏差在3 ℃以内; 青藏高原北部地区模式气温预估偏高现象偏强, 范围扩大[图 2(b)]。秋季在中国大部分地区模式气温偏差较年平均气温大[图 2(c)]; 冬季, 大部分地区模式气温预估偏低幅度明显大于其他季节, 尤其是青藏高原南部和四川盆地; 在东北北部、青藏高原北部及北疆部分地区模式气温预估仍偏高[图 2(d)]。上述结果表明, CMIP5模式对东部气温的预估偏差小, 在西部偏差较大, 几个著名盆地(如四川盆地、塔里木盆地、准葛尔盆地等)模式气温预估普遍偏低, 伊犁河谷和青藏高原北部预估偏高, 说明模式因分辨率低, 对复杂地形以及相关的陆面过程处理不完善可能是模式气温预估偏差产生的主要原因。

图 2(Figure 2)

图 2 RCP4.5情景下模式集合平均预估的中国2006—2015年季节平均气温偏差 Figure 2 Deviations of projection seasonal temperature by CMIP5 models under RCP4.5 scenario in China during 2006—2015

模式气温预估结果会受到不同排放情景的影响。虽然三种情景下模式气温预估偏差分布相似, 但其大小仍存在一定差异。图 3(a)是模式集合在RCP8.5与RCP2.6情景下预估的2006—2015年平均气温之差, 其等价于两种情景下模式气温预估偏差之差。从图 3(a)中可以看出, 在中国大部分地区, RCP8.5情景相较于RCP2.6情景预估的年平均气温偏低, 东部大部分地区偏低0.3 ℃以下, 西北地区偏低0.3 ℃以上, 仅在青藏高原南部和云贵高原南部气温预估偏高0.3 ℃左右。因此, 提高排放情景对2006—2015年平均气温预估影响明显的地区主要集中在西部, 对东部影响较小。RCP8.5与RCP4.5情景间的气温预估之差显示, 高排放情景下中部、东部和西北大部分地区气温预估仍偏低, 青藏高原和云贵高原南部偏高[图 3(b)]。参考图 1(a)可以发现, 高排放情景(RCP8.5)能在一定程度上改善西部气温预估结果, 但同时导致东部预估变差。例如, RCP4.5情景下青藏高原北部气温预估偏高, 其南部和云贵高原南部偏低, 而RCP8.5和RCP4.5情景间的模式气温差异与此相反, 导致偏差减小; RCP4.5情景下伊犁河谷模式气温偏高, 北疆偏低, 但RCP8.5和RCP4.5情景间的模式气温偏差符号也与此相反, 即偏差减小。此外, RCP8.5情景下东北大部地区的气温预估较RCP4.5情景偏高, 也在一定程度上改善了RCP4.5情景下模式气温预估偏低的状况。与此相反, RCP2.6与RCP4.5情景间模式气温之差显示, 前者在中国大部分地区的预估气温都高于后者, 仅在青藏高原南部和云贵川等地气温预估偏低。比较图 3(c)和图 1(a)不难发现, RCP2.6情景下的预估气温在青藏高原和云贵高原要低于RCP4.5情景, 但在其余大部分地区要高于RCP4.5情景。这说明, 就2006—2015年而言, RCP4.5情景下的气温预估并不是三种情景下的最优预估。因此, 在预估近30年未来气温时, 需要尽可能考虑符合该区域的未来情景, 以此减少排放情景造成的预估偏差。此外, 季节气温的预估也存在类似问题, 这里不再赘述。

图 3(Figure 3)

图 3 2006—2015年平均模式气温在RCP8.5、RCP2.6和RCP4.5情景间的差异 Figure 3 Differences among RCP8.5、RCP2.6 and RCP4.5 scenarios of projection annual mean temperature in China during 2006—2015

ENSO(El Niño/La Niña and Southern Oscillation)循环是最显著的年际气候变化信号, 与中国天气或气候密切相关(Lin et al, 2009; 王小玲等, 2009)。根据日本气象厅(JMA)公布的ENSO指数(http://coaps.fsu.edu/jma)判断, 2006, 2009, 2014和2015年发生了El Niño事件, 2007年和2010年发生了La Niña事件。考虑到ENSO事件的高峰期在圣诞节前后, 即跨越两个年份的特点, 本文将当年5月至次年4月定义为El Niño年或La Niña年, 以便完整刻画两个事件下中国年平均气温的模式预估偏差。

从图 4中可以看出, 在RCP4.5情景下, El Niño年和La Niña年的模式气温预估偏差分布极为相似, 仅在部分地区存在较小差异。两种事件背景下, 模式气温在大部分地区均偏低, 西部偏差大于东部, La Niña年仅在东北等地偏低现象较El Niño年稍强。两种事件下相似的模式气温偏差分布说明, CMIP5模式对中国气温预估偏差应该是模式本身存在的问题所致, 与大气环流型及热带海温异常强迫型的差异关系不大。

图 4(Figure 4)

图 4 RCP4.5情景下El Niño年(a)和La Niña年(b)中国年平均气温预估偏差 Figure 4 Deviation of projection temperature for El Niño year (a) and La Niña year (b) under RCP4.5 scenario

模式气温预估偏差存在年际差异。从图 5中可以看出, RCP4.5情景下2006—2015年模式气温偏差的年际变化标准差本身就不大, 在大部分地区偏差的年际变化较小, 大多低于0.5 ℃, 仅在北疆及东北等地差异相对较大, 其中东北部分地区较为明显, 达0.9 ℃以上。这与ENSO循环对应的偏差变化相近, 说明偏差的来源比较固定, 与模式的不完善有关。

图 5(Figure 5)

图 5 RCP4.5情景下中国2006—2015年气温偏差的年际变化标准差 Figure 5 Standard deviation of annual temperature bias in China during 2006—2015 under RCP4.5 scenario

由于模式的分辨率以及地形高度不同, 当模式气温插值时会产生偏差, 且该偏差正比于海拔和地形复杂度, 而地形校正可以减小该偏差(Zhao et al, 2008)。因此, 根据实际地形对插值后的模式气温进行地形再校正, 以此分析地形对模式气温偏差的影响。地形校正方程如式1所示:

式中: $\widehat T$为地形校正后的模式气温; T为原始的模式气温; γ为气温直减率, 取0.6 ℃·(100m)^-1; ΔZ为模式地形高度与实际地形高度之差。这里的模式地形高度为模式集合平均地形高度; 实际地形高度取自ISLSCP-Ⅱ(International Satellite Land Surface Climatology Project), 分辨率为1°×1°(Verdin, 2011)。

模式地形高度在西部与实际地形相差较大, 而东部差异较小, 即:模式对高山和盆地等复杂地形的描述能力较差, 模式地形一般在盆地偏高, 山地偏低(图略)。经地形校正后(图 6), 模式气温预估偏差可减少约20%, 东部偏差改善较小, 而在西部地区, 如四川盆地、塔里木盆地、柴达木盆地以及天山山脉等地区模式气温偏低现象明显减弱, 青藏高原北部偏高现象也明显减弱, 偏差减少3 ℃左右。因此, 地形校正可以有效订正中国西部的高山、盆地以及荒漠等地形复杂地区的模式气温; 而模式地形会造成气温模拟或预估的系统性偏差, 也是模式气温存在气候漂移的原因之一。

图 6(Figure 6)

图 6 经地形校正后RCP4.5情景下中国2006—2015年模式气温预估偏差 Figure 6 Deviation of annual temperature by topographic correction in China during 2006—2015 under RCP4.5 scenario

CMIP5模式历史气候模拟气温偏差特征是未来气候情景预估偏差订正的参考依据。对1956—2005年模式气温偏差场的EOF分解表明, 第一模态占总方差的97.2%, 第二至第七模态依次占1.19%, 0.49%, 0.29%, 0.21%, 0.1%和0.07%。可见第一模态[图 7(a)]是偏差的最主要部分, 其时间系数的演变不存在明显趋势或长周期振荡, 仅表现为弱的年际振荡[图 7(b)]。表明第一模态属于模式集合的气候漂移部分, 其分布形势接近于多年平均的模式偏差分布(图略)。

图 7(Figure 7)

图 7 1956—2005年中国模式气温偏差场EOF分解前三个空间模态(左)及其时间系数(右) Figure 7 The first, second and third EOFs (left) and its PCs (right) of deviation of annual temperature in China during 1956—2005

第二、第三模态的时间系数均存在明显的趋势或长周期变化, 属于偏差的非定常部分。例如, 第二模态时间系数在1980年前后由负转正[图 7(d)], 参考图 7(c)可知, 该模态对青藏高原和云贵高原南部模式偏差的贡献在1980年之前为负, 之后为正, 其余大部分地区与此相反。第三模态时间系数的位相转换点亦在1980年前后[图 7(f)]。注意到第三模态的分布形势[图 7(e)], 不难发现, 该模态对东北地区和青藏高原东部模式偏差的贡献在1980年前为负, 之后为正, 其余大部分地区与此相反。可见, 模式气温预估偏差的时间变化比较复杂, 说明偏差订正是一个困难的任务。

模式年平均气温偏差中最容易订正的部分是其气候漂移[图 7(a)]。模式偏差的EOF分解显示, 第一模态方差约占总方差的97.2%。考虑到其中的非定常波动, 如果去除模式集合的气候漂移, 理论上可以将中国大陆区域的模式气温偏差减少90%左右, 同时也可消除地形及插值等对偏差造成的影响。用2006—2015年或季节平均模式气温减去1956—2005年或季节平均气温偏差, 就得到去除气候漂移的年或季节气温预估场, 从中再减去观测气温就得到订正后的预估气温偏差场(图 8)。对比图 8(a)和图 1(a)可以看出, 经偏差订正后, 模式年平均气温预估偏差有了明显的改善, 整个中国大陆区域的偏差约减少71.89%, 西部地区约减少77.44%, 东部地区约减少57.66%。然而, 在中国大部分地区订正后的模式气温预估仍偏低, 偏差在-1 ℃左右, 仅在西南南部和华南沿海等地气温预估略微偏高, 偏差在0.5 ℃以下。因此, 偏差气候漂移订正效果明显优于单独的气温地形校正。

图 8(Figure 8)

图 8 RCP4.5情景下订正后中国2006—2015年及各季平均气温预估偏差 Figure 8 Corrected deviations of annual and seasonal mean temperature in China during 2006—2015 under RCP4.5 scenario

对于季节气温预估, 订正后春、秋两季模式气温偏差与年平均气温预估偏差分布相似, 春季仅在西南和华南沿海等地模式气温预估偏高, 但幅度低于1 ℃[图 8(b)], 而秋季仅在西南等地偏高[图 8(d)]; 夏季中国大部分地区偏差减小至-1~1 ℃, 中部和东部大部分地区模式气温由偏低变为偏高, 但偏差幅度不大[图 8(c)]; 冬季订正后的模式气温在中国大陆普遍偏低, 仅在海南岛及青藏高原南部的个别地区偏高, 西北中部及东北部分地区偏差超过-2 ℃[图 8(e)]。可见, 利用模式历史模拟气温偏差对RCP4.5情景下2006—2015年平均气温订正, 能显著地改进模式气温的预估精度, 将中国大部分地区偏差控制在±1 ℃范围内。不过, 偏差订正后某些区域仍然存在模式气温明显偏低或偏高的问题, 这可能与气温模拟偏差的非定常性有关。例如, 模式年气温的偏低可能是历史模拟气温偏差中存在一个小的趋势或多年代尺度波动造成的。因此, 偏差的进一步订正需要考虑其时间变化的订正问题。

通过分析24个CMIP5模式集合对中国气温的模拟和预估偏差特征, 并对RCP4.5情景下2006—2015年预估气温资料进行了简单订正, 得到以下主要结论:

(1) 各模式对东部气温预估的一致性高于西部; 模式集合低估了中国大部分地区年和季节气温, 西部偏差较东部大, 且仅在青藏高原北部等地气温预估偏高; 夏季偏差较其他三季小, 冬季模式气温偏低现象明显偏强。

(2) 2006—2015年期间, 提高排放情景导致模式气温预估偏低现象增强, 且主要对西部地区影响明显, 仅青藏高原和云贵高原等个别地区偏差变小。

(3) El Niño与La Niña年的模式气温预估偏差分布相似。偏差的年际变化不大, 仅在东北等地比较明显。

(4) 经地形校正后, 模式气温偏差可减少约20%, 地形复杂地区偏差减少3 ℃左右。而偏差气候漂移订正后, 同时也消除了地形和插值的影响, 模式年气温偏差减少约72%, 且对西部的订正效果优于东部, 大部分地区模式气温预估仍偏低, 但偏差减少至-1 ℃左右。该方法对夏季东部和冬季西部的订正效果相对较差, 说明更细致的偏差订正必须考虑其非定常性。

(5) 不同季节、不同情景、不同ENSO事件下模式预估偏差分布的相似性, 说明偏差主要起因于模式的地形及其相关的陆面过程处理存在缺陷, 提高模式分辨率, 改进相关物理过程的描述水平, 应该是减少模式气温预估不确定性的途径之一。