2018, Vol. 37
2. 杭州市气象局, 浙江 杭州 310008
作为气候变化预估的主要手段, 全球气候模式GCMs目前能够较好地模拟大尺度气象要素的平均特征, 其模拟能力得到了全球学者的一致认可(初祁等, 2015; 姜燕敏等, 2013; Xu et al, 2012)。国际耦合模式比较计划第五阶段CMIP5(Coupled Model Intercomparison Project Phase 5)模式代表了当前国际主要先进模式的最新版本, 情景实验设计更为合理(Taylor et al, 2012), 相关分析也已开展(Xu et al, 2012; 杨绚等, 2014; 陈晓晨等, 2014; 周秀华等, 2014; 伍清等, 2017; 董敏等, 2018), 但其较粗的水平分辨率和系统性误差使站点尺度研究结果存在较大的不确定性, 从而限制了与大部分影响评估模型的直接耦合, 无法满足业务和应用需要。
降尺度方法是实现较小区域乃至站点尺度气候变化预估的重要方法。目前发展的降尺度技术主要有动力降尺度和统计降尺度两种。与动力降尺度相比, 统计降尺度方法计算量小、耗时少, 能够直接和观测信息相结合, 具有较大的灵活性。在已有的研究成果中, 大部分的统计降尺度模型对气温具有良好的刻画(范丽军等, 2005; 崔妍等, 2010; 康红文等, 2012; 单机坤等, 2016), 而对降水的降尺度效果并不理想(张明月等, 2013), 特别是缺乏对站点尺度逐日降水的降尺度方法。吴蔚等(2016)利用GCMs情景数据定义极端天气气候事件指数对上海未来极端气候事件进行预估, 避免了GCMs直接输出结果的系统性偏差, 但是此方法无法预估与观测对接的极端气候事件, 如日降水量超过50 mm的暴雨日数等。刘绿柳等(2012)利用百分位比例法对GCMs日降水量进行降尺度研究, 订正结果普遍优于GCM输出结果, 但该方法需要人为设定百分位取值方案, 具有很大的主观性。因此, 针对站点尺度, 采用何种统计降尺度方法对偏态分布的日降水量进行预估还有待研究。
在气候变化影响评估和预估的业务科研工作中, 比起气象要素平均态的变化, 极端气候事件的影响更为关键(Lang et al, 2013; 李培都等, 2018), 其对气候变暖的响应也更加敏感(Yao et al, 2013)。此外, 与气候变化影响评估模型耦合时, 往往需要与站点尺度相匹配的气象要素值。因此, 对站点尺度的气候变化影响评估和未来预估而言, 迫切需要研发一种操作性强、适用性广的统计降尺度方法, 进而获得与观测站点匹配的气候变化情景预估数据集, 为不同级别气候变化业务提供技术和数据支撑。
以上海日降水量为例, 引入累积概率分布函数转换模型CDF-T(Cumulative Distribution Function-Transform), 通过建立观测和模式模拟的历史时期累积概率分布函数(CDF)转换模型, 并假设该模型在未来同样适用, 从而获得未来不同时期上海日降水量的累积概率分布函数和降尺度数据, 为站点尺度气候变化影响评估和未来预估提供技术支撑。
2 资料选取和方法介绍 2.1 资料选取吴蔚等(2016)研究指出, 全球气候模式中8个模式(BCC-CSM1-1、CCSM4、CSIRO-Mk3-6-0、EC-EARTH、GFDL-ESM2G、IPSL-CM5A-MR、MRI-CGCM3、NorESM1-M)对华东地区气温和降水的模拟性能优于其他模式, 因此, 选取的资料包括这8个模式(表 1)在历史时段(1961-2005年)和RCP4.5温室气体排放情景下模拟的未来时段(2006-2095年)的日降水量数据。RCP4.5温室气体排放情景是指到2100年辐射强迫稳定在约4.5 W·m-2, 相当于CO2浓度达到了650 ppm(parts permillion, 1 ppm等于百万分之一), 略高于SRES B1(Special Report on Emissions Scenario B1)情景下的550 ppm。为了方便比较, 所有模式数据插值到1°(纬度)×1°(经度)的分辨率, 上海的范围选取30.5°N-31.5°N, 120°E-123°E, 共8个格点。观测资料来源于上海徐家汇观测站1961-2015年日降水量数据。
|
表 1 8个CMIP5气候模式的基本信息 Table 1 Basic information of the 8 CMIP5 models |
CDF-T统计降尺度方法最早是由Michaelangeli et al(2009)提出的。此方法是分位数订正法的改进, 可看作是动态的分位数校正法, 其核心思想就是通过累积概率分布函数建立全球气候模式气候要素(GCMs或者再分析资料输出)与该要素在局地观测中的统计关系, 并将统计关系应用于未来的气候变化预估中。不同于分位数订正法, CDF-T方法的关键是建立传递函数T。该方法同时引入了气候要素历史建模阶段和未来预估阶段的CDF, 通过CDF将建模阶段GCMs气候要素和观测气候要素的统计关系传递到未来阶段, 重建GCMs气候要素未来阶段的CDF, 通过对未来CDF的订正来获得降尺度以后的气候要素值。
假设历史建模阶段GCMs、未来预估阶段GCMs和观测的累计概率分布函数分别为FGh(XGh)、FGf(XGf)和FSh(XSh), 首先通过CDF建立历史建模阶段观测和全球气候模式的传递函数, 即将历史阶段GCMs的CDF曲线投影到观测的CDF中, 得到观测的累计概率对应的GCMs气候要素值FSh-1[FGh(XGh)]。对于观测的每一个累计概率都对应着一个误差值ΔX, 传递函数T则定义为T=T(ΔX), 即观测误差的CDF; 然后假设传递函数在未来仍然成立, 通过将这个观测误差的CDF曲线投影到未来气候, 即可得到GCMs未来预估阶段误差的CDF, 叠加到GCMs未来预估阶段的CDF上即可获得降尺度以后GCMs未来预估阶段累计概率分布函数; 最后计算出对应站点上未来预估阶段的气候要素值。
本研究选择1961-2005年为历史建模阶段, 2006-2015年为模型验证阶段, 2016-2095年为未来预估阶段。由于GCMs情景数据中存在大量虚拟的微小降水, 导致降水日数比观测值显著偏多, 因此在建模初期首先根据历史建模阶段观测数据的降水日数, 采用百分位比值法, 对GCMs的降水日数进行订正, 去除模式中大量的微小降水, 然后再进行CDF-T统计降尺度建模。建模方法中CDF的构建选取经验累计概率分布模型进行拟合。鉴于上海汛期(每年5-9月)和全年降水CDF曲线的差异性, 本研究中分别基于全年日降水序列和汛期日降水序列建模, 从平均降水和极端降水两个方面, 选取降水日数、降水量、降水强度(降水量/降水日数)、重现期降水等指标, 针对年、汛期等时间尺度评估了CDF-T模型的降尺度效果, 并对上海未来平均降水和极端降水进行了预估。
3 降尺度效果评估 3.1 年降水降水量的累计概率分布曲线是对日降水总体特征的概括(刘学华等, 2006), 因此降尺度模型能否准确刻画降水量的累计概率分布至关重要。从年降水序列建模结果来看, CDF-T降尺度以后, 8个GCMs集合平均的日降水量CDF曲线与观测更加吻合[图 1(a)]。
|
图 1 2006-2015年上海观测和CDF-T降尺度前后日降水量的累计概率分布曲线(a)及平均年降水强度、年总降水量和年降水日数(b~d)对比 Figure 1 Comparison of the cumulative distribution functions (CDFs, a) and the annual precipitation (including intensity, total amount and raindays, b~d) between the observed and simulated values (both the downscaled and the raw GCMs) during the 10-year training period (from 2006 to 2015) |
平均年总降水量和年总降水日数反映了一个地区降水的基本特征(张运福等, 2008)。从图 1中可以看出, 2006-2015年上海平均年降水日数为133天, 平均年总降水量为1 333 mm。8个GCMs模拟的上海年平均降水日数为300~318天, 与观测相比偏多125.5%~139.0%;平均年总降水量为1 114~1 258 mm, 与观测相比偏少5.6%~16.4%。CDF-T降尺度后, 8个GCMs模拟的上海年平均降水日数为128~142天, 与观测相比相对误差范围为-3.7%~6.7%;平均年总降水量为1 205~1 392 mm, 与观测相比相对误差范围为-9.6%~4.4%。降尺度以后8个GCMs集合平均(下称集合模式)的年总降水量为1 308 mm, 与观测相比偏低1.8%;年总降水日数为138天, 与观测相比偏多3.7%。由上可知, 降尺度以后年总降水量和降水日数显著优于GCMs直接输出的结果。
降水强度在一定程度上反映了雨日平均日降水量的大小, 且具有噪声低、显著性强的特点(Frich et al, 2002)。CDF-T降尺度前后[图 1(b)], 集合模式年降水强度由偏低60.9%减少到偏低4.5%。
3.2 汛期降水1961-2005年上海徐家汇站年平均汛期降水总量为724.2 mm, 降水总日数为59.1天。全年和汛期日降水量的CDF曲线有着明显差异。从不同级别降水在全年和汛期的占比[图 2(a)]来看, 小雨降水日数和雨量在全年降水中占比大于汛期降水, 中雨基本持平, 而大雨及以上降水在汛期中的占比要明显大于全年占比, 尤其是暴雨及以上降水, 45年中共发生139次, 其中87.8%发生在汛期, 大暴雨及以上降水则全部发生在汛期。因此, 本研究中分别利用全年日降水序列和汛期日降水序列建模, 分析了CDF-T方法对汛期降水和极端降水的降尺度效果。
|
图 2 1961-2005年上海汛期(5-9月)不同级别降水频次分布(a), 观测值和CDF-T降尺度前后汛期日降水量的累计概率分布曲线(b), 年平均降水强度、总降水量和降水日数(c~e)对比 Figure 2 The observed distribution of precipitation in flood seasons (from May to September) from 1961 to 2005(a) and the comparison of the cumulative distribution functions (CDFs, b)and the annual precipitation (including intensity, total amount and days, c~e) between the observed and simulated values (both the downscaled and the raw GCMs) in the flood seasons during the 10-year training period (2006-2015) |
从降尺度前后汛期日降水量的CDF曲线[图 2(b)]中可以看出, 利用全年降水序列建模可以提高GCMs输出的汛期日降水量CDF曲线与观测的拟合度, 但是利用汛期降水序列重新建模后, GCMs输出的汛期日降水量CDF曲线与观测的拟合度进一步提高。
2006-2015年, 上海年平均汛期降水总量为816 mm, 6月和8月较多(226.6和214 mm), 分别占比27.7%和26.2%, 5月最少(80.8 mm), 占比9.9%;年平均汛期降水总日数为64.9天, 5月最少(10.5天), 6月最多(15.7天); 年平均汛期降水强度为12.1 mm·d-1, 逐月分布差异显著, 其中5月和8月的降水强度分别为7.3 mm·d-1和15.5 mm·d-1, 相差1倍以上。从集合模式降尺度效果[图 2(c)~(e)]来看, 降水量(降水日数、降水强度)在汛期序列建模、全年序列建模和GCMs输出结果中与观测结果的相对误差分别为9.4%(16.9%, -6.4%), -15.8%(9.1%, -39.1%)和-21.4%(109.8%, -65.9%), 两个阶段建模结果均显著改善了GCMs对降水量的偏少、降水日数的偏多和降水强度的偏低模拟。对于汛期降水量和降水强度的降尺度效果而言, 利用汛期阶段日降水序列建模结果要优于全年序列建模, 但是对于逐月的分布两个阶段建模的降尺度效果均还有待提高。
3.3 极端降水极端降水虽然发生概率相对较小, 但其造成的破坏则是毁灭性的, 尤其是当其发生在财富、人口高度集中的一线城市(孙建华等, 2013)。中国气象局规定日降水量超过50 mm的降水事件为暴雨, 在一定程度上能够表征极端降水。此外, 暴雨重现期也是许多大型工程设计、城市规划的重要参考标准。因此, 本研究以暴雨降水和暴雨重现期降水为例, 来评估CDF-T方法对极端降水的降尺度效果。
3.3.1 暴雨降水2006-2015年上海年平均暴雨日数为3.1天, 年平均暴雨量为262.1 mm, 年平均暴雨强度为78.8 mm·d-1。从集合模式的降尺度效果(图 3)来看, 年平均暴雨量(年平均暴雨日数、年平均暴雨强度)在汛期序列建模、全年序列建模和GCMs输出结果分别为214.7 mm(3.0天、68.2 mm·d-1)、194.7 mm(2.7天、66.5 mm·d-1)和62.3 mm(0.7天、31.2 mm·d-1), 与观测值相比的相对误差分别为-22.1%(-4.2%, -15.6%)、-34.6%(-16.4%, -18.4%)和-320.7%(-367.9%, -151.1%)。对于暴雨降水而言, 与全年序列建模结果相比, 汛期序列建模结果降低了与观测值的相对误差。
|
图 3 2006-2015年上海观测值和CDF-T降尺度前后暴雨日数、暴雨量和暴雨强度对比 Figure 3 Comparison of the annual heavyrain (including days, amount and intensity) between the observed and simulated (both the downscaled and the raw GCMs) data during the 10-year training period (2006-2015) |
本研究进一步分析了利用汛期序列建模对暴雨降水年际变化的降尺度效果(图 3)。CDF-T降尺度前后, 集合模式暴雨日数(量)与观测值的相关系数由0.44(0.53)提高到0.60(0.60), 降尺度以后相关系数均通过0.05信度水平的检验。对于暴雨强度而言, CDF-T降尺度方法提高了其与观测值的相关系数, 但是仍未通过信度水平检验。
对于8个模式而言, BCC模式在年平均暴雨日数、暴雨强度和暴雨量的降尺度效果上均排名靠前, 尤其是年暴雨量与观测序列的相关系数排名第一。
3.3.2 重现期降水由于不同模式对极端降水的降尺度效果存在差异, 集合模式的结果在一定程度上平滑了极端降水峰值, 因此本研究采用对暴雨降水模拟最好的BCC模式进行重现期降水的降尺度效果评估。选取2006-2015年上海观测和降尺度前后的每年最大日降水量前三名组成的序列(每个序列共30个值), 基于广义极值分布模型GEV(Gen Extreme Value), 采用最大似然法进行参数估计, 得到了上海年最大日降水量的概率分布模型。采用柯尔莫洛夫-斯米尔诺夫KS(Kolmogorov-Smirnov)检验方法对拟合结果进行检验, 均通过95%的信度水平检验。根据拟合结果, 计算了不同重现期的年最大日降水量。
观测表明, 2006-2015年上海5年一遇到500年一遇重现期的年最大日降水量范围为104.3~354.9 mm, 均达到大暴雨级别。降尺度前, BCC模式模拟的不同重现期的年最大日降水量均小于观测值; 降尺度后, 除500年一遇略高于观测值以外, 其他重现期的年最大日降水量仍然小于观测值(图 6)。从相对误差(表 2)来看, CDF-T降尺度前所有重现期的年最大日降水量均偏低37%以上, 降尺度后改善为均偏低17%以下。随着重现期年份的增加, 年最大日降水量降尺度前后的相对误差随之减少, 百年以上重现期相对误差均低于10%, 尤其是500年一遇重现期的年最大日降水量, 降尺度以后相对误差仅为0.39%。通过CDF-T降尺度方法, 对不同重现期的年最大日降水量均有了很大程度的订正, 尤其对较长年份的暴雨重现期订正效果更佳。
|
图 6 观测值和BCC模式对上海不同时段重现期的年最大日降水量的降尺度效果和未来预估 Figure 6 Comparison and scenario projection of the daily maximum precipitation in different return periods in Shanghai based on the data of observation and BCC model |
|
|
表 2 2006-2015年上海观测值和CDF-T降尺度前后不同暴雨重现期的年最大日降水量相对误差的对比(以BCC模式为例) Table 2 The comparison of therelative errors of the daily maximum precipitation in different return periods in Shanghai between the observed and simulated (both the downscaled and the raw BCC) data during the 10-year training period (2006-2015) |
图 4给出了RCP4.5情景下2016-2095年每10年上海全年和汛期降水的变化。从变化趋势[图 4(a)]来看, 未来80年上海全年和汛期总降水量和降水强度一致呈现增加趋势, 降水日数则一致呈现减少的趋势。从全年和汛期对比来看, 无论是降水量还是降水强度, 汛期的增加幅度均大于全年, 尤其是降水强度, 2086-2095年汛期增加幅度达6%以上; 对于降水日数而言, 汛期的减少幅度也大于全年。总的来说, 上海未来全年和汛期降水量和降水强度增加, 降水日数减少, 降水的极端性增加, 尤其是汛期降水。
|
图 4 全年和汛期10年平均的降水要素与当代气候(2006-2015年)相比的变化幅度(a), 以及全年平均年总降水量(b)、降水日数(c)和降水强度(d)的10年箱线图 Figure 4 Scenario projection of Shanghai's precipitation both in the whole year and flood season, the changes of every 10 year's annual precipitation (including the days, intensity and amount) both in the whole year and in the flood season compared with the contemporary climate (2006-2015)(a), and the box-plot of every 10 year's annual precipitation (including the days, intensity and amount)(b~d) |
分别统计2016-2095年每10年的降水要素变化, 制成方框－端须图[图 4(b)~(d)]。以雨量图为例, 最上端和最下端的短横线“－”表示所有年总降水量样本在该10年间的最大值和最小值; 长方框上下两边分别表示第一(25%)和第三(75%)四分位数, 中部横线表示中位数(50%), 长方框的长度代表四分位距的大小, 即50%年总降水量的分布范围; “。”表示异常值。从图 4中可以看出, 年总降水量、总降水日数和降水强度的年代际振荡显著, 尤其是总降水量和降水强度强烈的年代际变化意味着未来可能会出现更多的旱年和涝年。上海不仅需要关注平均年总降水量和总降水日数的变化趋势, 更要关注降水量和降水日数的年代际振荡特征。
4.2 暴雨降水与2006-2015年相比, 2016-2095年上海年平均暴雨量、年平均暴雨日数和年平均暴雨强度均呈现增加的趋势(图 5), 尤其是2056-2065年开始, 增加幅度最大分别达到17.83%, 13.87%和6.05%, 年平均暴雨量增加幅度最大。从10年箱线变化来看, 未来80年上海平均年暴雨量和暴雨日数的增加, 不仅表现为均值和中位数的增加, 还表现为极端值的增加, 尤其是2086-2095年上海平均年暴雨量和暴雨日数极端高值分别为445.82 mm和5.8天, 比2006-2015年的极端高值分别增加47.8%和21.0%。
|
图 5 上海未来80年平均年暴雨量、年暴雨日数和年暴雨强度与2006-2015年相比的变幅 Figure 5 The changes of the annual heavy rain (including the amount, days and intensity) in the next 80 years compared with the contemporary climate (2006-2015) |
基于BCC模式的降尺度结果, 将2016-2095年分为前40年(2016-2055年)和后40年(2056-2095年), 分别计算了上海不同重现期的年最大日降水量(图 6)。从图 6中可以看出, 对于50年以下重现期的年最大日降水量而言, 无论是未来前40年还是后40年, 与当代气候(2006-2015年)相比均呈现增加的趋势, 但是后40年的增加幅度要显著大于前40年, 尤其是5年一遇重现期的年最大日降水量, 后40年增加幅度达到60.4%, 为138.95 mm。这可能与上海未来后40年平均年暴雨量和暴雨日数的显著增加有关。对于50年以上重现期的年最大日降水量而言, 未来前40年均呈现减少趋势, 并且随着重现期年份的增加, 减少幅度随之增加; 而未来后40年则呈现增加趋势, 但是随着重现期年份的增加, 增加幅度随之减少。
5 结论与讨论以上海为例, 基于累计概率分布函数构建站点尺度日降水量的转换模型CDF-T, 并将其应用于8个GCMs的日降水量统计降尺度研究。通过对降尺度前后, 年、汛期、日等时间尺度的平均态降水和极端降水的比较分析, 评估了该模型的降尺度效果, 并对未来降水的可能变化趋势进行预估。得到如下结论:
(1) 对于全年降水的降尺度效果而言, CDF-T降尺度前后, 集合模式年总降水量由偏低10.2%减少到偏低1.8%、年总降水日数由偏多130.7%减少到偏多3.7%、年降水强度由偏低60.9%减少到偏低4.5%, 降尺度后日降水序列的CDF曲线改善显著。
(2) 对于汛期降水的降尺度效果而言, 利用全年和汛期序列建模均显著改善了GCMs对降水日数的偏多、降水量的偏少和降水强度的偏低模拟。利用汛期阶段日降水序列建模结果对日降水序列的CDF曲线、总降水量和降水强度的降尺度效果要优于全年序列建模, 而降水日数则是利用全年序列建模降尺度效果更佳。但是, 对于逐月的分布两个阶段建模的降尺度效果均还有待提高。
(3) 与全年序列建模结果相比, 利用汛期序列构建CDF-T降尺度模型, 可以提高暴雨降水日数、暴雨量和暴雨降水强度的平均态和变化趋势的降尺度效果。选用BCC模式情景数据的降尺度结果对暴雨降水的趋势模拟效果最佳。CDF-T降尺度后对不同重现期的年最大日降水量均有了很大程度的订正, 尤其对较长年份的暴雨重现期订正效果更佳。
(4) 与当代气候(2006-2015年)相比, 2016-2095年上海全年和汛期总降水量和降水强度一致呈现增加趋势, 降水日数则一致呈现减少的趋势, 未来可能会出现更多的旱年和涝年。降水的极端性增加, 尤其是汛期降水。平均年暴雨量和暴雨日数的增加, 不仅表现为均值和中位数的增加, 还表现为极端值的增加。50年以下重现期的年最大日降水量在未来80年均呈现增加的趋势, 50年以上重现期的年最大日降水量, 未来前40年呈现减少趋势, 未来后40年则呈现增加趋势, 但是随着重现期年份的增加, 增加幅度随之减少。
与其他统计降尺度方法相比, CDF-T方法数据需求量小、计算耗时少、操作简单、推广性强, 适用于任何有气象观测数据的空间尺度, 并且对降尺度要素分布无特殊要求。该方法获得的气候变化情景预估数据集, 可推广应用于较小区域平均气候和极端气候事件变化情景预估, 并进一步在气候变化影响评估模型中进行应用, 为气候变化评估和预估业务提供数据和技术支撑。但是, 由于GCMs本身的不确定性和降尺度方法的局限性, 研究者在进行气候影响评估模型应用时应对结果的不确定性给予足够重视, 如采用多模式集合降低不确定性、将动力降尺度结果和CDF-T方法相结合等。
Frich P, Alexander L V, Della-Marta P, et al. 2002. Observed coherent change in climatic extremes during the second half of the twentieth century[J]. Climate Res, 19(3): 193–212.
|
|
Lang X M, Sui Y. 2013. Changes in mean and extreme climates over China with a 2℃ global warming[J]. Chinese Sci Bull, 58(12): 1453–1461.
DOI:10.1007/s11434-012-5520-5 |
|
Michelangeli P A, Vrac M, Loukos H. 2009. Probabilistic downscaling approaches:application to wind cumulative distribution functions[J]. Geophys Res Lett, 36(11): 163–182.
DOI:10.1029/2009GL038401 |
|
Taylor K E, Stouffer B 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 |
|
Xu C H, Xu Y. 2012. The projection of temperature and precipitation over China under RCP scenarios using a CMIP5 multi-model ensemble[J]. Atmos Ocean Sci Lett, 5(6): 527–533.
DOI:10.1080/16742834.2012.11447042 |
|
Xu Y, Xu C H. 2012. Preliminary assessment of simulations of climate changes over China by CMIP5 multi-models[J]. Atmos Ocean Sci Lett, 5(6): 489–494.
DOI:10.1080/16742834.2012.11447041 |
|
Yao Y, Luo Y, Huang J B, et al. 2013. Comparison of monthly temperature extremes simulated by CMIP3 and CMIP5 models[J]. J Climate, 26(19): 7692–7707.
DOI:10.1175/JCLI-D-12-00560.1 |
|
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 X C, Xu Y, Xu C H, et al. 2014. Assessment of precipitation simulations in china by CMIP5 multi-models[J]. Adv Climate Change Res, 10(3): 217–225.
|
|
初祁, 徐宗学, 刘文丰, 等. 2015. 24个CMIP5模式对长江流域模拟能力评估[J]. 长江流域资源与环境, 24(1): 81–89.
Chu Q, Xu Z X, Liu W F, et al. 2015. Assessment on 24 global climate models in the CMIP5 over the Yangtze river[J]. Res Environ Yangtze Basin, 24(1): 81–89.
|
|
崔妍, 江志红, 陈威霖. 2010. 典型相关分析方法对21世纪江淮流域极端降水的预估试验[J]. 气候变化研究进展, 6(6): 405–410.
Cui Y, Jiang Z H, Chen W L. 2010. Projection of extreme precipitation events in the 21st century in the Changjiang-Huaihe river valley based on canonical correlation analysis[J]. Adv Climate Res, 6(6): 405–410.
|
|
董敏, 吴统文, 左群杰, 等. 2018. 气候系统模式对南亚高压气候特征的模拟比较研究[J]. 高原气象, 37(2): 455–468.
Dong M, Wu T W, Zuo Q J, et al. 2018. A simulation comparison study on the climatic characteristics of the south Asia high by the BCC climate system model[J]. Plateau Meteor, 37(2): 455–468.
DOI:10.7522/j.issn.1000-0534.2017.00051 |
|
范丽军, 付淙斌, 陈德亮. 2005. 统计降尺度法对未来区域气候变化情景预估的研究进展[J]. 地球科学进展, 20(3): 320–329.
Fan L J, Fu Z B, Chen D L. 2005. Review on creating future climate change scenarios by statistical downscaling techniques[J]. Adv Earth Sci, 20(3): 320–329.
|
|
姜燕敏, 吴昊旻. 2013. 20个CMIP5模式对中亚地区年平均气温模拟能力评估[J]. 气候变化研究进展, 9(2): 110–116.
Jiang Y M, Wu H M. 2013. Simulation capabilities of 20 CMIP5 models for annual mean air temperatures in central asia[J]. Adv Climate Res, 9(2): 110–116.
|
|
康红文, 祝从文, 左志燕, 等. 2012. 多模式集合预报及其降尺度技术在东亚夏季降水预测中的应用[J]. 气象学报, 70(2): 192–201.
Kang H W, Zhu C W, Zuo Z Y, et al. 2012. Statistical downscaling of pattern projection using multi-model output variables as predictors[J]. Acta Meteor Sinica, 70(2): 192–201.
DOI:10.11676/qxxb2012.019 |
|
李培都, 司建华, 冯起, 等. 2018. 1958-2015年敦煌及周边地区极端降水事件的时空变化特征[J]. 高原气象, 37(2): 535–544.
Li P D, Si J H, Feng Q, et al. 2018. Temporal and spatial variation of extreme precipitation events in Dunhuang and surrounding areas from 1958 to 2015[J]. Plateau Meteor, 37(2): 535–544.
DOI:10.7522/j.issn.1000-0534.2017.00055 |
|
刘绿柳, 任国玉. 2012. 百分位统计降尺度方法及在GCMs日降水订正中的应用[J]. 高原气象, 31(3): 715–722.
Liu L L, Ren G Y. 2012. Percentile statistical downscaling method and its application in the correction of GCMs daily precipitation in China[J]. Plateau Meteor, 31(3): 715–722.
|
|
刘学华, 吴洪宝. 2006. 中国夏季雨日降水量的概率分布[J]. 大气科学学报, 29(2): 173–180.
Liu X H, Wu H B. 2006. Probability distribution of summer daily precipitation in China[J]. Trans Atmos Sci, 29(2): 173–180.
|
|
单机坤, 梁潇云, 孙林海, 等. 2016. 冬季极端低温日数预测方法研究[J]. 高原气象, 35(6): 1609–1614.
Shan J K, Liang X Y, Sun L H, et al. 2016. Prediction of extreme winter cold days[J]. Plateau Meteor, 35(6): 1609–1614.
DOI:10.7522/j.issn.1000-0534.2015.00112 |
|
孙建华, 赵思雄, 傅慎明, 等. 2013. 2012年7月21日北京特大暴雨的多尺度特征[J]. 大气科学, 37(3): 705–718.
Sun J H, Zhao S X, Fu S M, et al. 2013. Multi-scale characteristics of record heavy rainfall over Beijing area on July 21, 2012[J]. Chinese J Atmos Sci, 37(3): 705–718.
DOI:10.3878/j.issn.1006-9895.2013.12202 |
|
伍清, 蒋兴文, 谢洁. 2017. CMIP5模式对西南地区气温的模拟能力评估[J]. 高原气象, 36(2): 358–370.
Wu Q, Jiang X W, Xie J. 2017. Evaluation of surface air temperature in southwestern China simulated by the CMIP5 models[J]. Plateau Meteor, 36(2): 358–370.
DOI:10.7522/j.issn.1000-0534.2016.00046 |
|
吴蔚, 穆海振, 梁卓然, 等. 2016. CMIP5全球气候模式对上海极端气温降水事件的情景预估[J]. 气候与环境研究, 21(3): 269–281.
Wu W, Mu H Z, Liang Z R, et al. 2016. Projected changes in extreme temperature and precipitation events in Shanghai based on CMIP5 simulations[J]. Climat Environ Res, 21(3): 269–281.
|
|
杨绚, 李栋梁, 汤绪. 2014. 基于CMIP5多模式集合资料的中国气温和降水预估及概率分析[J]. 中国沙漠, 34(3): 795–804.
Yang X, Li D L, Tang X. 2014. Probability assessment of temperature and precipitation over China by CMIP5 multi-model ensemble[J]. J Desert Res, 34(3): 795–804.
DOI:10.7522/j.issn.1000-694X.2013.00381 |
|
张明月, 彭定志, 胡林涓. 2013. 统计降尺度方法研究进展综述[J]. 南北水调与水利科技, 11(3): 118–122.
Zhang M Y, Peng D Z, Hu L J. 2013. Research progress on statistical downscaling methods[J]. South-to-North Water Transfers and Water Science & Technology, 11(3): 118–122.
|
|
张运福, 王颖, 赵春雨, 等. 2008. 辽宁省降水日数的气候变化特征[J]. 自然灾害学报, 17(5): 75–81.
Zhang Y F, Wang Y, Zhao C Y, et al. 2008. Climatic characters of precipitation days in Liaoning Province[J]. J Nature Disaster, 17(5): 75–81.
|
|
周秀华, 肖子牛. 2014. 基于CMIP5资料的云南及周边地区未来50年气候预估[J]. 气候与环境研究, 19(5): 601–613.
Zhou X H, Xiao Z N. 2014. Climate projection over Yunnan Province and the surrounding regions based on CMIP5 data[J]. Climat Environ Res, 19(5): 601–613.
DOI:10.3878/j.issn.1006-9585.2013.13080 |
2. Hangzhou Meteorological Bureau, Hangzhou 310008, Zhejiang, China