1 引言

数值模拟是当前气候研究的主要手段之一，但由于一些物理过程和地形在区域尺度上的不确定性和复杂性，使得全球气候模式难以描述复杂的区域气候过程和下垫面特征，因此难以模拟特定的区域气候特征，特别是植被大气相互作用强烈的东亚地区（符淙斌等，2002）。20世纪80年代末，区域气候模式RCM（Regional Climate Model）概念被提出（Dickinson et al., 1989; Giorgi, 1990）并建立了第一代区域气候模式，具有代表性的如意大利国际理论物理中心（ICTP）的RegCM1（Regional Climate Model Version 1），美国滨州州立大学（PSU）和美国国家大气研究中心（NCAR）联合开发的中尺度模式MM4（A nthes et al., 1987）。目前，ICTP的区域气候模式已发展到第四代RegCM4（Giorgi and Bates, 1989; Giorgi et al., 2012），而NCAR已将MM4升级到MM5并过渡到了WRF（Weather Research Forecast）模式（Skamarock et al., 2005）。随着观测资料的积累和计算能力的提高，区域气候模式已成为研究区域气候重要而有效的工具。它具有较高的空间分辨率，可以更好的模拟东亚季风气候，特别是降水（Gao et al., 2006）。迄今为止，国内外发展了不少的区域气候模式，例如RegCM、RIEMS、RAMS、RegCM_NCC以及NJU-RCM等，值得指出的是近年来中尺度天气预报模式WRF被广泛应用于区域气候模拟研究及天气预报，越来越受到科学界重视（Yu et al., 2010; Chen et al., 2012; Yuan et al., 2012）。

相比全球气候模式，虽然区域气候模式对区域气候模拟表现出明显的优势（Liang et al., 2001；鞠丽霞和王会军，2006；Patricola and Cook, 2007；张冬峰和石英，2012），但其模拟能力具有区域性差异（王世玉和张耀存，1999；冯锦明和符淙斌，2007）。影响区域气候模式模拟能力的因素很多，如：物理参数化方案的选取、侧边界条件、缓冲区设置等，其中物理参数化方案是首要考虑的影响因素。区域气候模式的物理参数化方案涉及到陆面、水文、大气过程等过程，它们既是模式的组成部分，又是模式的研究对象（刘鸿波等，2006）。陆面过程是区域气候模式一个重要组成部分，陆面参数化方案在数值模拟研究区域气候中起着重要作用（郑婧等，2009）。陆面过程模型发展经历了从简单水桶模型（Manabe, 1969）到复杂的LSM（Land Surface Model; Bonan, 1996）、BATS （Biosphere- Atmosphere Transfer Scheme; Dickinson et al., 1993）、AVIM（Atmosphere–Vegetation Interaction Model; Ji, 1995）、CoLM（Common Land Model; Dai et al., 2003）和CLM（Community Land Model; Oleson et al., 2004）等。选择合理的陆面过程模型耦合到具有高分辨率的区域气候模式，对提高区域气候模式对区域气候的模拟能力具有重要意义。

东亚地区处于独特的地理位置且具有复杂的下垫面条件，形成了以典型的季风气候为主的区域气候环境，气候的区域特征非常明显。东亚地区不仅是世界上气候变率较大的地区，而且是受人类活动影响强烈的地区（Fu, 2003; 汤剑平等，2004）。相比其他地区，该地区的区域气候模拟难度较大。建立适合东亚地区的区域气候模式，对于促进中国区域气候研究以及未来气候环境变化预估具有重要意义。王芳栋等（2012）利用PRECIS和RegCM3两个区域气候模式模拟结果表明，相对观测资料，对中国区气温PRECIS模式表现为暖偏差，而RegCM3模式表现冷偏差。高学杰等（2012）采用RegCM3区域模式与全球海气耦合模式嵌套，对中国及东亚地区进行了过去和未来气候模拟，表明该模式对中国气温和降水有较好的模拟能力，对未来气候有一定的预估能力，但存在着很大不确定性，有待多模式集合验证。本文采用针对东亚地区开发的区域气候耦合模式AVIM-RIEMS2.0，重点研究该模式对东亚地区气候的模拟能力，并分析影响其模拟能力的因素。

2 模式介绍与试验设计

区域环境系统集成模式（Regional Integrated Environment Modeling System, RIEMS）1998年由中国科学院东亚区域气候环境重点实验室开发（Fu et al., 2000），该模式是基于广义季风系统的概念（即季风系统是包含物理、化学、生物和社会等诸多组成部分的复杂系统），以MM5为动力框架构建。目前的版本RIEMS2.0采用美国气象研究中心和美国滨洲大学发展的中尺度模式MM5V3的非静力动力框架（赵得明等，2009）。模式耦合了修改过的CCM3中的辐射方案和生物圈—大气圈传输方案（BATS1e）等物理过程，并综合考虑了植被—大气、气溶胶—大气之间的相互作用等，同时还耦合了区域海洋模式和大气化学模式。已有研究表明，RIEMS2.0对东亚区域气候具有良好的模拟能力（熊喆和符淙斌，2006；冯锦明和符淙斌，2007；Zhao and Fu，2009；Zhao，2012）。本文将自主设计发展的植被—大气相互作用模式AVIM（Ji, 1995; Dan et al., 2011）耦合到RIEMS2.0，形成耦合模式AVIM-RIEMS2.0（图 1）。通过与RIEMS2.0模式的模拟结果、美国国家环境中心（NCEP）/美国能源部（DOE）的NCEP再分析资料（NCEPII）、欧洲中期天气预报中心（ECMWF）再分析资料（ERA40）、英国东安格利亚大学（University of East Anglia）气候研究部（Climatic Research Unit）的资料（CRU）、气象台站观测资料进行对比分析评估耦合模式对东亚气候的模拟能力。

图 1

Fig. 1

图 1 AVIM-RIEMS2.0耦合模式框架。LAI：叶面积指数（Leaf area index），NPP：净初级生产力（Net primary productivity），BC：黑炭（Black carbon） Fig. 1 The framework of AVIM-RIEMS2.0 coupled model

本文使用RIEMS2.0和AVIM-RIEMS2.0模式，模拟区域中心地理坐标为（37°N，102°E），格点数为105（纬向）×91（经向），缓冲区格点数为12，水平分辨率为60km，覆盖以中国为主的东亚区域。垂直方向分为16层，最顶层气压为100hPa，积分步长为180s。采用全球6小时一次、高空分辨率为2.5°×2.5°、地面分辨率为1.875°×1.875°的NCEPII资料驱动RIEMS2.0模式和AVIM-RIEMS2.0模式。模拟时间分别为1979年11月～1981年1月、1984年11月～1986年1月、1989年11月～1991年1月、1994年11月～1996年1月、1999年11月～2001年1月、2004年11月～2006年1月，分别选取1980年、1985年、1990年、1995年、2000年和2005年6年模拟结果用于对比分析。

3 资料与方法

本文用于模式性能检验的观测和再分析资料中，月平均风场和位势高度来自NCEPII资料，水平分辨率为2.5°×2.5°；月平均气温、降水来自CRU资料和中国气象台站观测资料（STN），水平分辨率均为0.5°×0.5°，其中，STN气温资料经过均一化（Li and Yan，2009）处理；感热通量和潜热通量为NCEPII、ERA40资料，水平分辨率均为2.5°×2.5°。

利用AVIM-RIEMS2.0耦合模式和RIEMS2.0模式对过去30年中典型年份的模拟结果与观测资料对比分析，研究耦合了具有动态植被过程的AVIM模式后，RIEMS2.0模式对东亚区域气候的模拟能力。气象台站观测资料是日平均的站点数据，转化为月平均资料后，采用Cressman客观插值法（Cressman，1959）插值成分辨率为0.5°×0.5°的格点数据。模拟结果与验证资料进行差值或区域平均计算时，均采用双线性插值法插值到模拟结果的格点上。

4 模拟结果分析

本文将6年的模拟结果平均后，与再分析资料和观测资料进行对比分析，取1、7两个月份进行研究以检验模式对气候季节变化的模拟能力。由于ERA40资料的地表热通量覆盖时间为1957～2002年，所以模拟结果的地表热通量为前5年平均与其对比分析。

4.1 850 hPa风场

东亚地区除受西风带的作用外，还深受东亚季风影响。850 hPa风场是表征东亚大尺度季风环流状况的一个重要气候要素（孙力等，2003；何金海等，2007）。由图 2可知，冬季，中国北方受来自西伯利亚的西北气流影响，形成强劲的西北季风，量级达到10 m s^–1，两个模式都能够很好地模拟出来。与NCEPII风场相比，东北地区模拟值偏弱，而华北地区和长江中下游一带模拟值偏强。由于模拟出较强的西北气流，导致中国华南地区的东南气流和西南地区的西南气流模拟偏弱，从而使得模拟的气温降低、降水减少，尤其在中国南部地区。模拟结果相比，AVIM-RIEMS2.0模式对模拟值在东北地区偏小而在华北地区偏大有所改善。夏季，气压带和风带季节性北移，使得中国东部至朝鲜、日本一带盛行西南季风。受亚欧大陆和太平洋之间海陆热力性质差异的影响，在中国华北地区和长江中下游一带形成东南季风。因此，中国、朝鲜半岛以及日本主要处于东南季风和西南季风控制之下。东亚地区夏季风的这种分布特点，在两个模式结果中都有很好的体现。与NCEPII风场相比，模拟的夏季风在中国东部增强，而在朝鲜半岛及日本一带减弱。就模拟结果相比较而言，AVIM-RIEMS2.0模拟夏季风在中国东部相对较弱，更接近观测结果；在朝鲜半岛及日本的模拟偏差增大。

图 2

Fig. 2

图 2 850 hPa月平均风场（单位：m s–1）。（a）、（b）、（c）分别表示1月NCEPII数据、RIEMS2.0减NCEPII数据、AVIM-RIEMS2.0减NCEPII数据；（d）、（e）、（f）表示方式相同，但为7月 Fig. 2 Monthly mean wind field at 850 hPa (units: m s–1). (a), (b), (c) denote NCEPII data, RIEMS2.0 minus NCEPII data, and AVIM–RIEMS2.0 minus NCEPII data in January, respectively; (d), (e), (f) same as (a), (b), (c), but for July

4.2 500 hPa位势高度

深受中纬度西风带影响的东亚地区，对流层中、低层大气环流在很大程度上决定了中国的气候状况（田芝平等，2012）。从图 3可以看出，冬季，东亚大槽位于大陆东岸，槽线一般稳定在120°～130°E，且强度较强。模式能够较好地再现500hPa位势高度分布，并且较准确地模拟了东亚大槽位置。与NCEPII资料相比，模式模拟的位势高度值偏小约25gpm，且东亚大槽位置西移。模式模拟结果之间相比，AVIM-RIEMS2.0模式的模拟值高于RIEMS2.0模式，相差约5gpm。因此，AVIM-RIEMS2.0模式对500hPa位势高度模拟值偏低现象有所改善。夏季，东亚大槽西移回大陆而基本消失，副高增强而成为影响东亚区域气候的重要气候系统，模式能够较好地再现这一特点。与NCEPII资料相比，模式在中国华北地区模拟值偏高约10gpm，而在其他地区模拟值偏低约15gpm。模拟的副高东西方向增强而南北方向减弱。模拟结果相比，AVIM-RIEMS2.0模式改善了在东北地区的模拟结果。总得来看，AVIM-RIEMS2.0模式对500hPa位势高度模拟在中国北方有一定改进，而在中国南方的夏秋季节并没表现出明显的改进，可能与南方植被季节变化不明显有关。

图 3

Fig. 3

图 3 同图 2，但为500 hPa月平均位势高度（单位：gpm） Fig. 3 Same as Fig. 2, but for 500-hPa geopotential height (units: gpm)

为进一步检验AVIM-RIEMS2.0模式在区域尺度上的模拟性能，根据气候分区及植被分布状况，将中国划分为东北、华北、华中、华南、过渡带（依据植被）、西北、西南、青藏高原8个分区（图 4）。从季节变化和区域平均的角度，分析模式对气温、降水以及地表热通量的模拟能力。由于青藏高原地区气象台站较少，插值结果有一定不确定性，所以该地区气温、降水的模式结果还与CRU资料进行对比，与台站观测资料进行相互验证。

图 4

Fig. 4

图 4 中国子区域划分及其编号：Ⅰ东北、Ⅱ华北、Ⅲ华中、Ⅳ华南、Ⅴ过渡带、Ⅵ西南、Ⅶ西北、Ⅷ青藏高原 Fig. 4 Eight sub-regions classified over China and their numbers: ⅠNortheast, ⅡNorth China, Ⅲ Central China, Ⅳ South China, ⅤTransitional zone, Ⅵ Southwest, Ⅶ Northwest, Ⅷ Tibet Plateau

4.3 气温

近地面气温模拟结果的好坏是评价区域气候模式模拟能力的一个主要依据（王芳栋等，2010）。从图 5、6中可以看出，与观测资料相比，模式能够很好模拟出气温的空间分布型。冬季（图 5），中国气温最低值出现在东北地区的北部，大约－30°C。与CRU资料和STN资料相比，模式模拟的气温偏低，尤其在中国的东北地区和青藏高原地区。模拟结果相比，虽然AVIM-RIEMS2.0模式对模拟气温偏低的现象有所改善，但与观测资料相比模拟的气温依然偏低。夏季（图 6），与观测资料相比，RIEMS2.0模式在中国西北地区以及东部的中部地区模拟值偏高约6°C，而在青藏高原地区模拟值偏低明显；AVIM-RIEMS2.0模式模拟值在中国西北地区偏高，而在青藏高原地区以及中国东部的中部模拟值偏低。两个模式在四川盆地都模拟出一个高值中心，但AVIM-RIEMS2.0模式的模拟值偏小。虽然两个模式存在上述偏差，但两个模式相比，AVIM-RIEMS2.0模式模拟的气温偏差明显减小。

图 5

Fig. 5

图 5 （a）RIEMS2.0、（b）AVIM-RIEMS2.0模拟结果与（c）CRU、（d）STN资料数据1月近地面气温月平均（单位：°C） Fig. 5 Monthly mean surface air temperature in January (units: °C). The simulation results of (a) RIEMS2.0 and (b) AVIM-RIEMS2.0; (c) CRU data; (d) STN data

图 6

Fig. 6

图 6 同5，但为7月近地面气温月平均（单位：°C） Fig. 6 Same as Fig. 5, but for monthly mean surface air temperature in July (units: °C)

从区域平均气温看（图 7），相对于观测资料，AVIM-RIEMS2.0模式模拟的气温偏低。夏季，RIEMS2.0模式在中国西北地区、青藏高原地区模拟值偏低，其余分区模拟值偏高；其他季节各个分区RIEMS2.0模式的模拟值都偏低。模式结果相比，在中国东北地区、华北地区、过渡带以及春季华中地区的模拟能力有明显提高，使得模拟气温偏差减少大约3～6°C，而在其他分区没有明显改进；对于RIEMS2.0模式，在华中地区和华南地区的模拟效果好（不包括春季），但普遍存在模拟值偏高的问题（西北地区的夏季除外）。总体看，相比RIEMS2.0模式，AVIM-RIEMS2.0模式对气温的模拟能力在中国多数地区得到提高，但在中国的热带、亚热带地区对气温的模拟没有明显改善，可能与该气候带内的植被冬夏季节差异不显著有关。

图 7

Fig. 7

图 7 近地面气温8个子分区的区域平均（单位：°C） Fig. 7 Mean surface air temperature over the eight sub-regions (units: °C)

4.4 降水

相比气温，降水的不均一性更为明显，而降水的空间分布和雨带位置不仅是气候模式研究重要内容之一，也是评价模式模拟能力的一个主要指标（吴蓉和张耀存, 2012）。从不同季节降水分布图看（图 8、9），与CRU和STN资料相比，模式能够基本模拟出中国降水的季节变化和分布型，即降水空间上表现由东南沿海向西北内陆逐渐减少，时间上主要集中在夏季。冬季（图 8），降水主要集中在中国南方。与观测资料相比，虽然模式能够模拟出中国华南地区雨带，但存在模拟的雨带位置北移东伸、强度偏弱的现象。模拟结果相比，AVIM-RIEMS2.0模式模拟的雨带强度更弱，但两个模式的降雨空间分布相似。夏季（图 9），雨带北移使得降水集中在长江中下游以北地区。与观测资料相比，模式模拟雨带强度较强、位置偏北明显，且西北地区模拟降水偏多。模拟结果相比，AVIM-RIEMS2.0模式对降水的模拟结果更好，并一定程度上改善RIEMS2.0模式模拟降水偏多问题。总体看，AVIM-RIEMS2.0模式对RIEMS2.0模拟降水偏多的现象有较大改善。

图 8

Fig. 8

图 8 同图 5，但为1月降水量（单位：mm d–1） Fig. 8 Same as Fig. 5, but for January precipitation (units: mm d–1)

图 9

Fig. 9

图 9 同图 5，但为7月降水量（单位：mm d–1） Fig. 9 Same as Fig. 5, but for July precipitation (units: mm d–1)

从降水的区域平均看（见图 10），两个模式对降水的模拟能力都存在明显的区域性差异。AVIM-RIEMS2.0模式在中国的东北地区、华北地区、华中地区、过渡带以及西南地区的降水模拟改进明显，降低了RIEMS2.0模式模拟降水偏高现象，这些地区也是植被大气相互作用较为强烈的地区（俞淼等, 2011）。相比CRU和STN资料，AVIM-RIEMS2.0模式在多数地区模拟降水减少，而RIEMS2.0模式模拟降水增加。在中国的华北和华南地区，两个模式模拟的降水都偏高。两个模式相比，AVIM-RIEMS2.0模式模拟的降水更接近观测。

图 10

Fig. 10

图 10 降水量8个分区的区域平均（mm d–1） Fig. 10 Monthly precipitation averaged over the eight sub-regions (units: mm d–1)

4.5 地表热通量

地表热通量一般指陆—气之间的物质和能量交换，发生在近地面附近。它是表征陆—气相互作用的一个重要参数，在气候模式中地位非常重要（丁一汇, 1997）。从图 11、12可以看出，模式能够较好模拟出感热通量和潜热通量的季节变化。冬季（图 11），大部分地区感热通量和潜热通量的变化范围分别约为：－20～40 W m^–2、0～80 W m^–2，且变化趋势基本一致：由东南向西北逐渐减少。与ERA40资料相比，中国地区感热通量和潜热通量的模拟值在大部分地区都偏低约10 W m^–2，北部偏低尤为明显。模拟结果相比，AVIM-RIEMS2.0模式降低了感热通量和潜热通量的模拟偏差。夏季（图 12），中国地区的感热通量变化的基本趋势与冬季相反：由东南向西北增加，变化范围约为：10～100 W m^–2；潜热通量变化的趋势与冬季大体相同，变化范围约为：10～140 W m^–2。相比ERA40资料，模式能够合理的模拟出感热通量和潜热通量的分布特征。模拟结果相比，RIEMS2.0模式对中国东部感热通量模拟偏低约10 W m^–2，而对西北地区模拟偏高约30 W m^–2；AVIM-RIEMS2.0模式对中国感热通量模拟虽然在西北地区略低，但对其他地区感热通量模拟得到很大改善。对于潜热通量的模拟，AVIM-RIEMS2.0模式降低了中国东部和西北地区的模拟偏差而使得模拟值更接近ERA40资料，但在青藏高原地区模拟的潜热通量偏低明显。AVIM-RIEMS2.0模式对青藏高原地区潜热通量模拟主要集中在高原东南部，这与以往的模拟结果一致（丹利等，2011），而ERA40在7月青藏高原西部也出现了较大的潜热分布，则是一个虚假中心。

图 11

Fig. 11

图 11 1月份月平均（a）、（b）、（c）感热和（d）、（e）、（f）潜热通量空间分布（单位：W m–2）：（a）、（d）为RIEMS2.0模拟结果；（b）、（e）为AVIM-RIEMS2.0模拟结果；（c）、（f）为ERA40数据 Fig. 11 Monthly mean (a, b, c) sensible heat flux and (d, e, f) latent heat flux in January (units: W m–2): The simulation results of (a, d) RIEMS2.0 and (b, e) AVIM-RIEMS2.0; (c, f) ERA40 data

图 12

Fig. 12

图 12 同图 11，但为7月份月平均感热和潜热通量（单位：W m–2） Fig. 12 Same as Fig.11, but for monthly mean sensible heat flux and latent heat flux in July (units: W m–2)

从感热通量和潜热通量区域平均看（图 13、图 14），NCEPⅡ资料的感热和潜热通量相对ERA40资料的总体偏大，这也反映了当前地表热通量的再分析资料之间仍具有较大差异，与气候变量相比地表热通量不确定性更大的事实。根据以往研究结果，中国地区ERA40资料地表热通量准确性优于NCEPII再分析资料（赵天保和符淙斌，2006；丹利等，2011）。相对ERA40资料的感热通量，两个模式在不同区域、不同季节的模拟性能存在明显差异。对于感热通量，AVIM-RIEMS2.0模式的模拟结果在东北地区、华北地区以及大部时间的其他地区更接近ERA40资料；对于潜热通量，除青藏高原以及西南地区以外，AVIM-RIEMS2.0模式的模拟结果比RIEMS2.0模式的更接近ERA40资料的结果。

图 13

Fig. 13

图 13 感热通量8个子分区的区域平均（单位：W m–2） Fig. 13 Monthly mean sensible heat flux averaged over the eight sub-regions (units: W m–2)

图 14

Fig. 14

图 14 潜热通量8个子分区的区域平均（单位：W m–2） Fig. 14 Monthly mean latent heat flux averaged over the eight sub-regions (units: W m–2)

5 结论与讨论

（1）AVIM-RIEMS2.0和RIEMS2.0两个模式的模拟结果表明，模式能较好地模拟850hPa风场和500hPa位势高度在东亚地区分布的基本形势。相比NCEPII资料，模式模拟的850hPa风场冬季在中国东北地区偏弱，华北和长江中下游地区偏强；夏季在中国东部增加，朝鲜及日本一带减弱。模式模拟的500hPa位势高度在冬季偏低；夏季在华北地区偏高而其他地区偏低，副高东西方向增强而南北减弱。两个模式的模拟结果相比，AVIM-RIEMS2.0耦合模式的模拟结果改进的地区主要位于中国北方地区，而中国南方地区特别是夏季并没表现出明显的改进。

（2）相比STN、CRU的气温和降水资料，虽然模式能够模拟出气温和降水的变化规律，但也存在着模拟偏差。冬季，模式模拟的气温偏低，特别是在中国的东北地区和青藏高原地区；模拟的雨带位置北移东伸、强度偏弱的现象。夏季，RIEMS2.0模式模拟的气温偏高、降水偏多，而AVIM-RIEMS2.0模式的模拟结果与其相反。模式之间对气温和降水的模拟也存在差异。AVIM-RIEMS2.0模式模拟的气温在中国北方地区改进明显，使得模拟偏差减少3～6°C（东北地区夏季除外），而在中国南部地区，虽然改善了RIEMS2.0模式气温模拟偏高的现象，但相对台站观测资料气温出现模拟偏低的现象。AVIM-RIEMS2.0模式模拟的雨带强度较弱、降水偏少，改善了RIEMS2.0模式模拟的降水偏多现象。从气温和降水的区域平均看，AVIM-RIEMS2.0模式在中国的多数地区使得模拟值与观测值之间偏差减少，说明引入动态植被提高了区域气候模式对区域气候的模拟能力。

（3）再分析资料的地表热通量具有一定的差异，NCEPⅡ资料比ERA40资料的感热通量和潜热通量都偏高。已有验证结果表明，ERA40资料在东亚地区的可靠性比NCEPII资料高（赵天保和符淙斌, 2006; 周连童, 2009），AVIM-RIEMS2.0模式地表热通量模拟结果也更接近ERA40资料。以ERA40资料作参照，两个模式在不同区域、不同季节的模拟性能存在明显差异。对于感热通量，AVIM-RIEMS2.0模式的模拟结果在东北地区、华北地区以及大部时间的其他地区偏差减小；对于潜热通量，除青藏高原以及西南地区外，其他地区AVIM-RIEMS2.0模式的模拟结果都优于RIEMS2.0。因此，耦合模式对潜热通量模拟改善更明显。同时利用耦合模式验证了EAR40资料夏季潜热通量在青藏高原西部为一虚假中心。

虽然RIEMS2.0模式对东亚地区模拟在不同区域与观测资料具有一定的差异，但该模式能够较好模拟出基本气候态的时空变化。RIEMS2.0模式与陆面模式AVIM进行双向耦合后，在以中国东北地区、华北地区为主的北方地区，对主要气候要素的模拟能力得到较大改善，而在华南地区并没有表现出明显的提高。耦合模式在中国北部和华南地区模拟能力的差异，可能与两地区植被物候特征有关。中国北方地区以温带气候为主，植被物候变化明显，而华南地区属于热带地区，植被没有明显的物候变化。耦合动态植被过程AVIM模式后，模式能够反映植被物候的季节变化特征。物候通过影响返照率、地表粗糙度、冠层导度以及水、能量交换等季节变化对气候产生影响（Richardson et al., 2013）。因此，耦合模式在植被季节变化不明显的中国南方地区没有表现出优势。总体看，AVIM-RIEMS2.0模式在东亚地区具有良好的模拟能力，引入动态植被对提高模式的模拟能力、改善模拟效果具有一定的促进作用。今后还有待进一步改进和完善植被类型的分类，使其更好地应用东亚地区的陆气相互作用模拟研究。