2017, Vol. 41
2 南京信息工程大学气象灾害教育部重点实验室, 南京 210044
3 中国科学院大学, 北京 100049
2 Key Laboratory of Meteorological Disaster of Ministry of Education, Nanjing University of Information Science and Technology, Nanjing 210044
3 University of the Chinese Academy of Sciences, Beijing 100049
自19世纪末以来，全球平均表面温度呈现明显增加趋势，近30年是有记录以来最热的30年，2000年以来则是最热的十几年，并且这种显著增暖很有可能是人为温室气体增加造成的 (IPCC, 2013)。在全球增暖的背景下，中国近50年来明显增温，并且较之同时期的全球平均增温偏强 (Ding et al., 2007; Choi et al., 2009)，其中日最低气温 (Tmin) 的增幅大于日最高气温 (Tmax)，故气温日较差减小，且该现象存在于各个季节和不同区域 (Liu et al., 2004; Liu et al., 2006; Wang et al., 2012; Cao et al., 2016)。随着季节、纬度以及海拔的不同，地表气温增温幅度都有一定程度的差别，Tmax在北方以及华南增加最明显，而Tmin则是在全国范围内都有增加趋势，高纬度地区更加明显 (翟盘茂和任福民，1997)。诸如，暖昼、持续暖期、热浪之类的极端高温事件对人类的经济和生活的影响尤为显著，受到越来越广泛的关注。在全球增温的背景下，全球极端高温事件有明显的增加趋势 (Tebaldi et al., 2006; Della-Marta et al., 2007)。中国作为人口和农业大国，社会和经济发展对极端事件的敏感程度很高，自20世纪中期以来，中国地区的暖事件增加而冷事件减少，并且暖事件对平均态的改变的敏感度比冷事件更高 (Zhai and Pan, 2003; Choi et al., 2009；周雅清和任国玉，2010)。
未来气候变化的预估问题众所关注，前人利用气候模式，对增温背景下中国气温和极端高温事件的模拟和预估做了大量的工作。例如，近期的工作指出，当CO2加倍时，中国夏季增温最明显的区域是西北、东北和青藏高原地区，并且极端高温日数明显增加 (Li et al., 2011)；在SRES A1B排放情景下，到21世纪中期和末期，中国均有明显的增温，并且北方的增温幅度大于南方 (Chen et al., 2011)；在不同的典型浓度路径 (RCP2.6、RCP4.5、RCP8.5) 下，中国增温空间分布相似，表现为北部增温高于南部，并且随着温室气体排放浓度增大，增温幅度增大，尤其是到21世纪中后期更加明显 (Xu and Xu, 2012; Chen and Frauenfeld, 2014; Zhou et al., 2014)；暖夜、暖昼和持续暖期等暖事件普遍增加，而霜日和冷夜数等冷事件则普遍减少 (Jiang et al., 2012; Zhou et al., 2014)。
全球模式对20世纪中国以及全球地表气温的变化趋势有一定的模拟能力 (Zhou and Yu, 2006)。但是全球模式由于其分辨率较低，对细节的刻画能力有限。分辨率更高的区域模式已被广泛运用到区域地表气温和极端温度事件的模拟和预估中 (e.g., Feng et al., 2011; Bucchignani et al., 2014; Wu et al., 2015)，RegCM (Regional Climate Model) 系列的区域模式也被广泛使用 (Gao et al., 2012；Xu et al., 2013; Ji and Kang, 2015)。区域模式较之驱动其的全球模式能够刻画出更多的分布细节 (Gao et al., 2013)，例如，可以改善全球模式存在的四川盆地冷偏差 (Liu et al., 2013) 等。区域模式模拟的偏差，部分来自区域模式本身就存在的一些模拟偏差，如RegCM3(Regional Climate Model version 3) 在青藏高原地区模拟普遍偏低 (Ji and Kang, 2013)，另一部分来自是驱动模式模拟误差的传递。
由于区域模式、驱动模式和排放情景不同 (Gao et al., 2012; Ji and Kang, 2015；刘昌波等，2015)，区域模式的预估结果也会不同。在Gao et al.(2012)的研究中，利用全球模式MIROC3.2_hires驱动区域模式RegCM3预估在IPCC SRES A1B排放情景下，到21世纪中期，中国夏季日平均气温增加最明显的区域是华北到东北地区，并且到21世纪末增温空间分布与中期相似，但是幅度增加。在Ji and Kang (2015)的研究中，利用全球模式BCC_CSM1.1驱动区域模式RegCM4，预估在RCP8.5排放情景下，到21世纪末年平均增温最明显的区域是中国北部和青藏高原地区。在刘昌波等 (2015)的研究中，利用区域模式PRECIS (Providing Regional Climates for Impacts Studies) 预估在IPCC SRES A1B排放情景下，21世纪中国区域平均的夏季最高、最低气温均呈逐渐增大趋势，并且气温日较差变化不明显；到21世纪末夏季日最高气温增加最明显的区域是东北，日最低气温增加最明显区域是东北和西北的部分地区。在RCP4.5和RCP8.5排放情景下，区域模式RegCM4预估的年平均地表气温增温幅度多数区域小于其驱动模式BCC_CSM1.1(Gao et al., 2013)。
“联合区域降尺度计划”(COordinated Regional Downscaling Experiment，简称CORDEX) 是“世界气候研究计划”(World Climate Research Programme，简称WCRP) 为了满足更精细的区域气候变化研究需求而进行的一个联合区域降尺度国际计划 (Giorgi et al., 2009)。为了便于模式间的比较，CORDEX计划第一期在全球划分了9个区域，主要覆盖南极洲以外的大陆地区。CORDEX第一期东亚地区主要包括东亚、东南亚、印度和澳大利亚北部地区。利用全球模式HadGEM2-AO和再分析资料ERA-Interim分别驱动参加CORDEX计划东亚的五个区域气候模式，分析表明五个区域模式的集合平均对温度的气候态模拟能力高于极端温度，而对极端降水的模拟能力则高于降水的气候态。另外，模式间的比较表明对气候态模拟有优势的模式亦较好地再现了极端事件 (Park et al., 2014)。Niu et al.(2015)利用7个区域气候模式在CORDEX计划东亚区域的模拟和预估结果，分析印度半岛在IPCC A1B排放情景下的可能气候变化。其结果表明，区域模式间对降水变化的预估有所不同，意味着区域模式预估的气候变化不仅受驱动模式的影响，还受到区域模式内部物理过程参数化的影响。CORDEX计划在不断的发展中，CORDEX计划第二期中划分出了更多的子区域，并且子区域的覆盖范围也有一定的变化，CORDEX计划东亚区域也有一定的变动，模式的分辨率也向着更加精细发展，水平分辨率为25 km (详见http://www.cordex.org/index.php?option=com_content&view=article&id=88&Itemid=625[2016-06-28])。
以RegCM3模式为大气模式分量的区域海气耦合模式FROALS (Flexible Regional Ocean-Atmosphere-Land System model) 亦参与CORDEX计划，并且已经应用于多项研究当中。相较于非耦合模式，区域海气耦合模式改进了对西北太平洋降水年际变率 (Zou and Zhou, 2013)、西北太平洋热带气旋潜势 (姚隽琛等，2015) 的模拟。针对CORDEX计划东亚地区的降尺度模拟和预估中，区域耦合模式对东亚地区的海表温度的模拟偏差小于CMIP5的多模式集合，并且对东亚夏季风的年循环模拟能力与CMIP5多模式集合相当 (Zou and Zhou, 2016a)。较之全球模式，区域模式可以给出更加精细的信息。区域海气耦合模式相较于非耦合模式对中国南方以及长江流域降水的模拟效果更接近观测 (Zou et al., 2016)。在RCP8.5排放情景下，21世纪中期，区域海气耦合模式预估东亚大部分地区的降水都将增加，而非耦合模式则表现出对近海海表面温度增温的过强响应，在中国西北地区的东部到黄河流域中游地区预估降水将减少 (Zou and Zhou, 2016b)。
此前针对RegCM3模式及与其对应的区域海气耦合模式FROALS在CORDEX计划东亚区域的动力降尺度模拟和预估结果的分析，主要关注了降水的变化。本文的目的是分析FGOALS-g2模式驱动的RegCM3模式对中国夏季地表气温及极端高温事件的模拟和预估变化，并讨论动力降尺度区域模式与其驱动的大尺度模式在模拟和预估温度变化的差异。文章安排如下：第二部分介绍模式、数据和方法，第三部分介绍主要分析结果，第四部分是结论。
2 资料和方法 2.1 模式简介FGOALS-g2 (Flexible Global Ocean-Atmosphere-Land System Model: Grid-point Version 2) 是由中国科学院大气物理研究所大气科学和地球流体力学数值模拟国家重点实验室 (LASG/IAP) 开发 (Li et al., 2013a; Zhou et al., 2013)。该模式包括大气、海洋、海冰以及陆面四个模块，耦合器为NCAR (National Center for Atmospheric Research) 开发的CPL6(Craig et al., 2005)。大气模块为格点大气模式GAMIL2，水平分辨率为2.8°×2.8°，垂直方向有26层 (Li et al., 2013b)。海洋模块是基于LASG第四代海洋环流模式发展的较高分辨率海洋模式LICOM2(Liu et al., 2012)。海冰模块是基于CICE4.0模式改进的海冰模式CICE4-LASG (Liu, 2010)。陆面模块则是引进NCAR发展的陆面模式CLM3(Oleson et al., 2010)。
RegCM3是意大利国际理论物理中心 (The Abdus Salam International Center for Theoretical Physics, ICTP) 开发的区域模式 (Pal et al., 2007)。模式中选用Grell积云对流参数化方案 (Grell, 1993)，SUBEX大尺度降水方案 (Pal et al., 2000)，NCAR的CCM3(Community Climate Model version 3) 辐射方案 (Kiehl et al., 1996)，Holtslag等人的行星边界层方案 (Holtslag et al., 1990)，BATS生物圈-大气圈传输方案 (Dickinson et al., 1993)，海表通量采用Zeng et al.(1998)的方法计算得到。在Grell方案中，当云顶到云底的平均相对湿度达到特定值 (本文中为0.7) 时，对流才会发生。
本文使用的RegCM3模式的水平分辨率为50 km，关注区域为CORDEX计划中的东亚区域，垂直方向有18层，顶层为10 hPa。缓冲区为15格点。
按照CORDEX计划的试验设计，本文用到两组试验结果：
一是1981~2005年的历史气候模拟试验，即利用FGOALS-g2模式的20世纪历史气候模拟试验第一成员提供的初始场和每6小时一次的侧边值，驱动区域模式RegCM3，对1981~2005年的历史气候进行降尺度模拟。在这组试验中，表层海温SST和海冰等表面边界条件也由FGOALS-g2模式的历史模拟试验提供。
二是RCP8.5情景下的气候变化预估试验。驱动RegCM3模式的每6小时一次的侧边界场数据、初值及温室气体浓度，均来自FGOALS-g2模式的RCP8.5情景预估试验。注意在RCP8.5典型浓度路径下，由于温室气体的增加和气溶胶等的变化，到2100年全球辐射强迫将增加到8.5 W m-2(Riahi et al., 2011; Thomson et al., 2011)。本文分析的预估时段是2010~2065年，重点关注2046~2065年的预估结果。
2.2 观测资料和分析方法本文用到的观测资料为由中国2400多个站点的观测数据插值而成的格点资料CN05.1数据集 (Xu et al., 2009；吴佳和高学杰，2013)，包括日最高 (Tmax)、日平均 (T2m) 和日最低地表气温 (Tmin) 的逐日及逐月资料，分辨率为0.5°×0.5°，时间长度为1981~2005年。
由于观测资料中不包含台湾省部分，所以在进行与观测的比较时，模式资料保持与观测资料区域一致，并且将数据都插值到观测的分辨率上。文中选取1981~2000年为计算极端指数基准期，1986~2005年为当代，以RCP8.5情景下2046~2065年作为21世纪中期。
本文采用三个极端高温事件指数，如表 1所示，分别是：日最高温度最大值 (TXx)(Zhang et al., 2011)；暖昼指数 (TX90p)；持续暖期指数 (WSDI)。其中在TX90p和WSDI的基准期计算中，采用1981~2000年平均的第90%日最高气温的值 (DeGaetano and Allen, 2002)，并进行5天滑动平均去除奇异值的影响，这样的计算方法与Zhang et al.(2011)的计算方法有一定的差异，忽略了Tmax分位数的年循环，但是能更直接地关注极端高温天，这些极端高温天对人类和社会生活有更加严重的影响 (Chen and Lu, 2015)。另外，本文关注夏季极端高温事件，以便与地表气温进行对应和比较。
|
表 1 极端高温事件指数定义 Table 1 The definition of extreme high-temperature indices |
根据地表气温的分布情况，将我国划分为5个子区域，如图 1所示，分别是：西北 (NW: 36°~50°N, 75°~105°E)、西藏 (TP: 28°~36°N, 75°~105°E)、东北 (NE: 43°~54°N, 116°~132°E)、华北 (NC: 32°~43°N, 105°~122°E) 和东南 (SE: 18°~32°N, 105°~122°E)。
|
图 1 中国地形 (填色，单位：米) 和5个分区。黑色方框分别表示5个分区：西北 (NW，36°~50°N, 75°~105°E)、西藏 (TP，28°~36°N, 75°~105°E)、东北 (NE，43°~54°N, 116°~132°E)、华北 (NC，32°~43°N, 105°~122°E) 和东南 (SE，18°~32°N, 105°~122°E) Figure 1 The topography (shaded, units: m) and five sub-regions of China. The boxes illustrate the five sub-regions: Northwest China (NE, 36°-50°N, 75°-105°E), Tibetan Plateau (TP, 28°-36°N, 75°-105°E), Northeast China (NE, 43°-54°N, 116°-132°E), North China (NC, 32°-43°N, 105°-122°E), and Southeast China (SE, 18°-32°N, 105°-122°E) |
观测中，中国夏季Tmax、T2m和Tmin (图 2a、d、g) 气候态有相似的空间分布特征：东部地表气温大致自南向北递减，主要的高温区在华北和东南，并且在塔里木盆地、准噶尔盆地、四川盆地以及东北平原等地区有高温中心，低温区主要位于青藏高原和大兴安岭以北地区。FGOASL-g2模式可以较好地再现三个地表气温指标的南北向梯度以及华北和东南的高温区和青藏高原地区的低温区，但是对四川盆地等几个高温中心则没有很好的模拟效果 (图略)。FGOALS-g2模式模拟 (图 2b、e、h) 的三个地表气温指标偏差相似：在东北平原、四川盆地、准噶尔盆地、塔里木盆地、柴达木盆地和青藏高原内部等区域有4~8℃冷偏差，并在这些区域周边山脉附近有0~3℃暖偏差，所以FGOALS-g2模式不能很好地模拟出地形的变化对地表气温的影响。另外，FGOALS-g2模式对Tmax和Tmin的模拟偏差在分布和强度上都十分相近，所以其模拟的气温日较差与观测较为相近。
|
图 2 1986~2005年中国夏季地表气温指标气候态 (观测资料CN05.1，左列) 和模式模拟偏差 (FGOALS-g2模式，中列；RegCM3模式，右列)。从上到下依次为日最高气温Tmax、日平均气温T2m，日最低气温Tmin Figure 2 Climatology and simulation biases of summer surface air temperature indices (units: ℃) in mainland China for 1986-2005. The top panels indicate the results of Tmax (daily maximum temperature), the middle panels indicate the results of T2m (daily average temperature), and the bottom panels indicate the results of Tmin (daily minimum temperature). The left panels indicate the results from CN05.1 data (0.5°×0.5° daily temperature dataset), the middle panels indicate the bias between FGOALS-g2 (Flexible Global Ocean-Atmosphere-Land System Model: Grid-point Version 2) model simulation and CN05.1 data, and the right panels indicate the bias between RegCM3 (Regional Climate Model version 3) model simulation and CN05.1 data |
RegCM3模式对中国夏季三个地表气温指标的气候态的空间分布和强度均有较好的模拟 (图略)。RegCM3模式模拟的T2m偏差强度介于Tmax和Tmin之间；Tmax (图 2c) 的偏差主要表现为西部2~4℃冷偏差和长江流域及其附近区域区1~3℃暖偏差；Tmin (图 2i) 整体偏低，大部分地区在偏差为3℃左右，青藏高原地区为5℃左右，所以RegCM3模式模拟的气温日较差普遍偏高。在Gao et al.(2012)中，使用全球模式CCSR/NIES/ FRCGCMIROC3.2_hires驱动区域模式RegCM3，指出区域模式模拟的中国夏季日平均气温的偏差主要是中国北部以及西北沙漠地区的暖偏差以及青藏高原和西南边远地区的冷偏差，与本文的结果略有不同；此外，不同的全球模式驱动下，RegCM3模式在青藏高原地区都存在明显的冷偏差，除了RegCM3模式自身的模拟偏差以及驱动模式模拟误差的传递外，该区域的观测站点稀少，观测资料也具有较大的不确定性 (吴佳和高学杰，2013)。利用再分析资料ERA-Interim驱动区域模式WRF对CORDEX计划东亚地区气候进行模拟分析，发现WRF模式对东亚地区年平均地表气温存在普遍的冷偏差 (Tang et al., 2016)。
根据上文所划分的5个子区域，对地表气温进行区域平均，更直观地探讨两个模式对地表气温的模拟能力。除了东北地区，FGOALS-g2模式模拟的区域平均的三个地表气温指标的偏差都小于RegCM3模式，但是这有很大一部分原因是FGOALS-g2模式模拟的地表气温在各个子区域中既有偏高又有偏低。RegCM3模式模拟的三个地表气温指标均普遍偏低，并且西部偏差大于东部；Tmin (图 3e) 模拟偏差普遍大于Tmax (图 3a)。
|
图 3 (a) Tmax、(c) T2m、(e) Tmin的区域平均 (单位：℃)。(b) Tmax、(d) T2m和 (f) Tmin的泰勒图，数字1~5分别表示NW、TP、NC、SE、NE，数字6表示整个中国大陆 Figure 3 Regionally averaged summer surface air temperature indices: (a) Tmax, (c) T2m, and (e) Tmin. Taylor diagrams of (b) Tmax, (d) T2m, and (e) Tmin. Numbers 1-5 represent NW, TP, NC, SE, NE, respectively; number 6 represents the mainland China |
用泰勒图 (图 3b、d、f) 来定量表征模式模拟的地表气温和观测的地表气温的空间相似程度 (Taylor, 2001)。从空间变化幅度来说，FGOALS-g2模式模拟的三个指标普遍低于观测，RegCM3模式模拟的三个指标普遍高于观测，但是两者模拟的空间分布归一化标准差大多介于0.75~1.25之间，所以都有较好的模拟能力。从空间相关系数来看，FGOALS-g2模式模拟的Tmax (图 3b)、T2m (图 3d) 和Tmin (图 3f) 在各个子区域空间相关系数均相当 (0.65左右)，并且在各个子区域之间模拟差异较小。RegCM3模式模拟Tmin在各个子区域的空间相关系数均最大 (0.9左右)，T2m次之 (0.8左右)，Tmax最小 (0.7左右)，并且Tmin的子区域之间的空间相关系数模拟差别最小，说明其对Tmin的空间分布模拟效果最好。
综合而言，两个模式对中国夏季三个地表气温指标空间分布均有较好的模拟能力，两个模式模拟的三个地表气温指标与观测的空间相关系数均在0.75以上，相较而言，RegCM3模式模拟的三个地表气温指标与观测的空间相关系数均在0.9以上 (见表 2)。
|
|
表 2 RegCM3模式模拟、FGOALS-g2模式模拟与CN05.1观测资料的差值和空间相关系数 Table 2 Differences and pattern correlations between modelRegCM3 simulation results, model FGOALS-g2 simulation results and CN05.1 data |
观测中，TXx (图 4a) 具有与地表气温相似的空间分布特征：主要的大值区在华北和东南，四川盆地等地区有大值中心，低值区主要在青藏高原和大兴安岭以北地区。两个模式均能较好地再现TXx空间分布和强度，并且RegCM3模式可以更好地刻画出TXx气候态空间分布的细节 (图略)。观测中，TX90p (图 4d) 北高南低，WSDI (图 4g) 在西北及青藏高原、东北北部和长三角及其附近区域存在三个大值区，且与TX90p的分布有较好的对应，表明高温日数多使连续高温更容易发生。FGOALS-g2模式和RegCM3模式均可以较好地模拟出TX90p和WSDI的空间分布特征，只是强度上有一定的差异。另外，TX90p和WSDI的空间分布对地形的依赖较小，所以RegCM3模式的较高分辨率在对这两者模拟时并未显示出优势 (图略)。
|
图 4 1986~2005年中国极端高温事件气候态 (观测资料CN05.1，左列) 和模式模拟偏差 (FGOALS-g2模式，中列；RegCM3模式，右列)。从上到下依次为日最高气温最大值TXx (单位：℃)、暖昼指数TX90p (单位：d)、持续暖期指数WSDI (单位：d) Figure 4 Climatology and simulation biases of summer high-temperature indices in mainland China for 1986-2005. The top panels indicate the results of TXx (maximum value of daily maximum temperature), the middle panels indicate the results of TX90p (warm days index), and the bottom panels indicate the results of WSDI (warm spell duration index). The left panels indicate the results from CN05.1 data, the middle panels indicate the bias between model FGOALS-g2 and CN05.1 data, and the right panels indicate the bias between model RegCM3 and CN05.1 data |
FGOALS-g2模式 (图 4b) 和RegCM3模式 (图 4c) 对TXx的模拟偏差与各自模拟的Tmax偏差相似，并且与Tmax偏差相比，冷偏差区域缩小，暖偏差区域增大。FGOALS-g2模式对TX90p和WSDI模拟偏差 (图 4e、h) 的空间分布和强度相似：在大部分地区的模拟偏差在-4 d到2 d之间，在西北和西南部分地区偏多2~6 d。RegCM3模式对TX90p和WSDI的模拟偏差 (图 4f、i) 在上述区域与FGOALS-g2模式相似，但是RegCM3模式在东北地区对两个指数的模拟均偏高2~6 d，这与其对东北地区Tmax模拟偏高有一定的对应关系。在Ji (2013)的研究中，利用全球模式BCC_CSM1.1驱动RegCM4模式，模拟的年平均连续高温在新疆北部及中国南部偏低，与本文较一致。
图 5是两个模式对极端高温事件指数区域平均和空间分布定量的模拟结果。FGOALS-g2模式模拟的TXx (图 5a) 在西北和东北偏低，其他区域偏高，各区域的偏差都在3℃以内；RegCM3模式模拟的TXx在西部偏低，东部偏高，各区域的偏差均在4℃以内。FGOALS-g2模式模拟的TX90p在各区域偏差均在1 d以内；RegCM3模式模拟的TX90p在北部偏高，南部偏低，偏差均在2 d以内。FGOALS-g2模式模拟的WSDI在华北和东南偏低，其他区域偏高或偏差较小，偏差均在3 d以内；RegCM3模式模拟的WSDI华北和东北偏高，其他区域偏低，偏差均在4 d以内。
|
图 5 同图 3，但为极端高温事件指数区域平均和泰勒图。从上到下分别为TXx (单位：℃)、TX90p (单位：d) 和WSDI (单位：d) Figure 5 As in Fig. 3, but for summer high-temperature indices. Top panels: TXx (units: ℃); middle panels: TX90p (units: d); bottom panels: WSDI (units: d) |
图 5b、d、f用泰勒图来定量表征模式模拟的极端高温指数和观测的极端高温指数的空间相似程度。从空间变化来看，两个模式模拟的TXx在多数子区域内的空间变化大于观测，TX90p在多数区域内的空间变化小与观测，WSDI则是在部分区域空间变化大于观测，部分区域内小于观测；从空间相关系数来看，FGOALS-g2模式模拟的TXx的空间相关系数在多数子区域中都是0.8以下，而RegCM3模式模拟的TXx在多数子区域中都是0.8以上，所以RegCM3模式模拟的TXx与观测的空间相似度更高，两个模式对TX90p和WSDI的空间分布模拟能力均小于各自对TXx的模拟能力，在FGOALS-g2模式的模拟中，这两个指数的全国相关系数分别为0.78和0.65，在RegCM3模式的模拟中，全国相关系数分别是0.60和0.37，这是两个模式虽然能较好地模拟出TX90p和WSDI的空间分布以及强度，但是模拟的大值中心有一定的偏离导致的。
图 6给出两个模式对当代中国夏季三个地表气温指标概率密度分布的模拟情况。RegCM3模式对观测中三个指标的不对称双峰的概率密度分布特征有较好的模拟，但其模拟的Tmax温度的跨度偏大，低温偏多，极高温略偏多，与图 2c中大部分地区Tmax有冷偏差及东部部分地区有暖偏差有一定的对应；模拟的Tmin的概率密度分布与观测相比左移，并且低温区偏多，与图 2i中全国Tmin普遍偏低有一定的对应关系。在FGOALS-g2模式的模拟中，三个指标的温度跨度都与观测有较好的吻合，但模拟的三个指标的概率密度分布仅呈现单峰特征，与图 2b、e、h中其模拟三个地表气温指标分布的细节偏差对应。
|
图 6 1986~2005年中国夏季地表气温概率密度分布：(a) Tmax；(c) T2m；(e) Tmin。图中的概率密度分布使用所选时段、所选区域中各个点的逐日数据 (不是区域平均) 计算而成 Figure 6 Probability density distributions of (a) Tmax, (b) T2m, and (c) Tmin from each individual grid (not regionally averaged) in mainland China for 1986–2005 |
图 7给出RCP8.5排放情景下，2010~2065年中国区域平均夏季三个地表气温指标距平的变化趋势，为去除奇异值的影响，将序列进行9年滑动平均，以下时间序列进行同样的9年滑动平均操作。在温室气体排放持续增加的情景下，三个地表气温指标均呈明显的增加趋势，在2035年以前，RegCM3模式预估的增温幅度大于FGOALS-g2模式，后者的温度增长率更大，自2035年起二者预估的增温幅度相近。与当代气候态相比，到2035年全国平均增温2℃，到2055年增温3℃。并且，在两个模式的预估中Tmax、T2m和Tmin的增加趋势上都十分相近，所以两个模式预估的全国平均夏季气温日较差均没有明显的变化，这和前人的研究一致 (刘昌波等，2015)。
|
图 7 2010~2065年RCP8.5排放情景下中国区域平均的夏季地表气温距平序列 (相对于当代1986~2005年)：(a) Tmax、(b) T2m、(c) Tmin Figure 7 Time series of regionally averaged (a) Tmax anomaly, (b) T2m anomaly, (c) Tmin anomaly in mainland China under the RCP8.5 scenario for 2010–2065 with reference period 1986–2005 |
图 8给出RCP8.5情景下，到21世纪中期中国夏季地表气温气候态与当代相比的变化情况。两个模式预估的三个地表气温指标均显著增加，并在绝大部分区域通过95%信度水平检验。在FGOALS-g2模式的预估 (图 8a、c、e) 中，Tmax、T2m和Tmin的增温分布相近，幅度相当，所以全国绝大部分地区的气温日较差没有明显的变化；增温幅度北强南弱，其中长江以南的增幅一般低于2.5℃，东部的长江以北地区和西北增幅在2.5~3℃之间，增温最明显的是纬度较高的东北地区和海拔较高的青藏高原地区，可以达到4℃以上。RegCM3模式的预估结果 (图 8b、d、f) 与FGOALS-g2模式有较大不同，除了华北、东北的部分地区和西北外，大部分地区的Tmax增幅都在3℃以上；Tmin增温超过3℃的区域主要是青藏高原地区，并且青藏高原西部边缘地区的Tmin增幅大于4.5℃。所以RegCM3模式预估的气温日较差在青藏高原和西北部分地区是减小的，在其他区域则是增加的。Gao et al.(2011)比较了区域模式RegCM3及其驱动模式FvGCM/CCM3在IPCC A2排放情景下预估的21世纪末的夏季地表气温变化，指出区域模式预估的中国东部以及内蒙古中部日平均气温的增幅大于全球模式的预估结果，与本文的工作一致。但在青藏高原地区，区域模式预估的日平均气温增幅仍高于全球模式的预估结果，与本文中区域模式预估的在青藏高原地区，区域模式预估的日平均气温只在西部边缘地区高于全球模式的预估结果存在差异。
|
图 8 RCP8.5排放情景下中国夏季地表气温 (上：Tmax；中：T2m；下：Tmin) 气候态变化情况 (2046~2065年与1986~2005年差值)。左列：FGOALS-g2模式预估结果；右列：RegCM3模式预估结果 Figure 8 Climatology changes (2046-2065 minus 1986-2005) in surface air temperature (top: Tmax; middle: T2m; bottom: Tmin) in mainland China under RCP8.5 scenario. Left panels: FGOALS-g2 model simulation; right panels: RegCM3 model simulation |
两个模式预估的全国平均TXx (图 9a) 在RCP8.5排放情景下都呈现明显的增加趋势，FGOALS-g2模式预估的增加趋势有一定的波动，总体而言比RegCM3模式预估的增幅低1℃左右。两个模式预估的全国平均TX90p (图 9b) 呈现相似的增加趋势，并且RegCM3模式预估的TX90p的增幅比FGOALS-g2模式预估的多3 d左右，到了2060年两个模式预估的暖昼天数与当代相比均可增加22 d以上，是当代气候态的三分之二左右，且整个夏天的三分之二以上都是暖昼日。两个模式预估的WSDI (图 9c) 的变化趋势均与TX90p相似，RegCM3模式预估的增幅比FGOALS-g2模式预估的多4天左右，到了2060年，两个模式预估的持续暖期天数与当代相比均增加20 d左右，是当代气候态的一倍以上，整个夏天三分之一以上的时间都处在连续的极端高温日中。
|
图 9 同图 7，但为极端高温事件指数距平序列：(a) TXx (单位：℃)；(b) TX90p (单位：d)；WSDI (单位：d) Figure 9 As in Fig. 7, but for time series of extreme high-temperature indices anomalies: (a) TXx (units: ℃), (b) TX90p (units: d), (c) WSDI (units: d) |
FGOALS-g2模式和RegCM3模式预估的极端指数在全国各个区域都有显著的变化 (图 10)，绝大部分地区的变化通过95%信度水平检验。并且在两个模式的预估中，三个极端高温事件指数变化的空间分布分别与各自预估的Tmax变化有相似的特征：FGOALS-g2模式预估的三个极端高温事件指数增幅最大的区域有一定的差别，但是主要位于东北和青藏高原及其附近区域；RegCM3模式预估的三个极端高温事件指数增幅最大的区域主要位于青藏高原和东部的黄河以南地区。在Ji and Kang (2015)的研究中，RegCM4模式预估的年平均连续高温增幅最大位于青藏高原北部分地区，与本文一致，但是与本文结果不同的是，在东北部分地区年平均连续高温的增幅也较大。
|
图 10 同图 8，但为极端高温事件指数气候态变化情况。上：TXx；中：TX90p；下：WSDI Figure 10 As in Fig. 8, but for climatology changes in extreme high-temperature indices. Top panels: TXx; middle panels: TX90p; bottom panels: WSDI |
图 11是两个模式对RCP8.5排放情景下中国夏季三个地表气温指标概率密度分布变化的预估。RegCM3模式预估的三个地表气温指标的概率密度分布的峰值都有明显的右移，与全国整体增温对应；标准差增加，峰值处的概率减小，使极端高温事件更容易发生。FGOASL-g2模式预估的峰值右移幅度与RegCM3模式相近，所以他们预估的全国平均地表气温增温幅度相近，但是FGOALS-g2模式预估的Tmax、T2m和Tmin异常的标准差则没有一致的变化 (减小、相近、增加)。
|
图 11 中国夏季地表气温指标变化的概率密度分布：(a) Tmax，(b) T2m，(c) Tmin。各个格点上的数均减去1986~2005年夏季气候态，虚线为1986~2005年，实线为RCP8.5排放情景下2046~2065年，红色表示FGOALS-g2中的结果，绿色表示RegCM3中的结果 Figure 11 Probability density distributions of (a) Tmax anomaly, (b) T2m anomaly, and (c) Tmin anomaly. The value of each grid is subtracted by 1986-2005 summer climatology. Dashed lines indicate the results for 1986-2005 and solid lines indicate the results for 2046-2065 under the RCP8.5 scenario. Red indicates results from FGOALS-g2 model simulation and green indicates results from RegCM3 model simulation |
本文比较了区域模式RegCM3及其驱动模式FGOASL-g2对中国地区夏季地表气温和极端高温事件的模拟能力，并在此基础上讨论了在RCP8.5排放情景下中国夏季地表气温和极端高温事件在21世纪中期 (2046~2065年) 的变化。表 2和表 3对两个模式模拟与预估结果进行了总结。本文主要结论如下：
|
|
表 3 模式预估的RCP8.5排放情景下到21世纪中期 (2046~2065年) 气候变化 Table 3 The projection of regional averaged changes of indices for the middle of 21st century (2046-2065) under RCP8.5 scenario |
(1) 两个模式均能较好地模拟出中国夏季三个地表气温指标气候态的分布及强度，和FGOALS-g2模式相比RegCM3模式可以更好地刻画出地表气温分布的细节。FGOALS-g2模式对三个指标的模拟偏差的分布和强度相近三个指标的主要偏差为：在盆地、平原区域的冷偏差和在这些区域周边山脉附近的暖偏差；RegCM3模式模拟的三个指标从Tmax、T2m到Tmin，东部的暖偏差的递减、偏暖区域逐渐缩小，并且在青藏高原地区冷偏差递增。
(2) 两个模式均能较好地模拟出中国夏季极端高温事件气候态的分布和强度。FGOALS-g2模式模拟的TX90p和WSDI在西北和西南部分地区偏多，其他区域偏差较小；RegCM3模式模拟的TX90p和WSDI在西北、西南的部分地区以及东北偏高，其他区域偏差较小。
(3) RegCM3模式可以较好地模拟出观测中地表气温指标“不对称双峰”的概率密度分布特征，并且由于其模拟的地表气温存在普遍冷偏差，所以低温区分布偏多。FGOASL-g2模式模拟的地表气温“单峰”分布与观测不符，但其模拟的温度跨度与观测较符合。
(4) 在RCP8.5排放情景下，21世纪中国区域夏季三个地表气温指标均持续增加，全国平均增幅两个模式预估相当。到21世纪中期 (2046~2065年)，FGOALS-g2模式预估的三个指标增幅北高南低，高纬度的东北和高海拔的青藏高原地区增温幅度最大，各地区气温日较差没有明显的变化。在RegCM3模式预估中，东部地区Tmax增幅大于Tmin，青藏高原地区Tmin增幅大于Tmax，所以东部地区气温日较差增加，而在青藏高原地区气温日较差减小。
(5) 随着预估的地表气温升高，预估的极端高温事件变化也在持续增加。两个模式预估的TXx均与两个模式各自预估Tmax有相似的变化特征。RegCM3模式预估的全国平均的TX90p和WSDI增幅均比FGOALS-g2模式预估的多4天左右。到21世纪中期 (2046~2065年)，两个模式预估的TX90p与当代相比均增加三分之二以上，WSDI则增加一倍以上，两个模式预估的TX90p和WSDI变化的空间分布均与各自预估的Tmax相似。
(6) RegCM3模式预估的地表气温三个指标异常的概率密度分布峰值均有4℃左右的右移，并且标准差增加，二者都有利于极端高温事件的增加。FGOASL-g2模式预估的三个指标异常的概率密度分布均与RegCM3模式预估的有相近的右移幅度，但是标准差没有明显变化，并且其预估的Tmax异常的标准差略增加，所以预估的极端高温事件增加幅度略小于前者。
| [] | Bucchignani E, Montesarchio M, Cattaneo L, et al. 2014. Regional climate modeling over China with COSMO-CLM: Performance assessment and climate projections[J]. J. Geophys. Res. Atmos., 119(21): 12151–12170, DOI:10.1002/2014JD022219. |
| [] | Cao L J, Zhu Y N, Tang G L, et al. 2016. Climatic warming in China according to a homogenized data set from 2419 stations[J]. Int. J. Climatol., DOI:10.1002/joc.4639. |
| [] | Chen L, Frauenfeld O W. 2014. Surface air temperature changes over the twentieth and twenty-first centuries in China simulated by 20 CMIP5 models[J]. J. Climate, 27(11): 3920–3937, DOI:10.1175/JCLI-D-13-00465.1. |
| [] | Chen R D, Lu R Y. 2015. Comparisons of the circulation anomalies associated with extreme heat in different regions of eastern China[J]. J. Climate, 28(14): 5830–5844, DOI:10.1175/JCLI-D-14-00818.1. |
| [] | Chen W L, Jiang Z H, Li L. 2011. Probabilistic projections of climate change over China under the SRES A1B scenario using 28 AOGCMs[J]. J. Climate, 24(17): 4741–4756, DOI:10.1175/2011JCLI4102.1. |
| [] | Choi G, Collins D, Ren G Y, et al. 2009. Changes in means and extreme events of temperature and precipitation in the Asia-Pacific network region, 1955-2007[J]. Int. J. Climatol., 29(13): 1906–1925, DOI:10.1002/joc.1979. |
| [] | Craig A P, Jacob R, Kauffman B, et al. 2005. CPL6: The new extensible, high performance parallel coupler for the Community Climate System Model[J]. International Journal of High Performance Computing Applications, 19(3): 309–327, DOI:10.1177/1094342005056117. |
| [] | DeGaetano A T, Allen R J. 2002. Trends in twentieth-century temperature extremes across the United States[J]. J. Climate, 15(22): 3188–3205, DOI:10.1175/1520-0442(2002)015<3188:TITCTE>2.0.CO;2. |
| [] | Della-Marta P M, Haylock M R, Luterbacher J, et al. 2007. Doubled length of western European summer heat waves since 1880[J]. J. Geophys. Res. Atmos., 112(D15), DOI:10.1029/2007JD008510. |
| [] | Dickinson R E, Henderson-Sellers A, Kennedy P J. 1993. Biosphere-atmosphere transfer scheme (BATS) version 1e as coupled to the NCAR community climate model [R]. NCAR Technical Note NCAR/TN-387+ STR, doi:10.5065/D67W6959. |
| [] | Ding Y H, Ren G Y, Zhao Z C, et al. 2007. Detection, causes and projection of climate change over China: An overview of recent progress[J]. Adv. Atmos. Sci., 24(6): 954–971, DOI:10.1007/s00376-007-0954-4. |
| [] | Feng J M, Wang Y L, Fu C B. 2011. Simulation of extreme climate events over China with different regional climate models[J]. Atmos. Oceanic Sci. Lett., 4(1): 47–56, DOI:10.1080/16742834.2011.11446903. |
| [] | Gao X J, Shi Y, Giorgi F. 2011. A high resolution simulation of climate change over China[J]. Science China: Earth Sciences, 54(3): 462–472, DOI:10.1007/s11430-010-4035-7. |
| [] | Gao X J, Shi Y, Zhang D F, et al. 2012. Climate change in China in the 21st century as simulated by a high resolution regional climate model[J]. Chinese Science Bulletin, 57(10): 1188–1195, DOI:10.1007/s11434-011-4935-8. |
| [] | Gao X J, Wang M L, Giorgi F. 2013. Climate change over China in the 21st century as simulated by BCC_CSM1.1-RegCM4.0[J]. Atmos. Oceanic Sci. Lett., 6(5): 381–386, DOI:10.3878/j.issn.1674-2834.13.0029. |
| [] | Giorgi F, Jones C, Asrar G R. 2009. Addressing climate information needs at the regional level: The CORDEX framework[J]. WMO Bulletin, 58(3): 175–183. |
| [] | Grell G A. 1993. Prognostic evaluation of assumptions used by cumulus parameterizations[J]. Mon. Wea. Rev., 121(3): 764–787, DOI:10.1175/1520-0493(1993)121<0764:PEOAUB>2.0.CO;2. |
| [] | Holtslag A A M, De Bruijn E I F, Pan H L. 1990. A high resolution air mass transformation model for short-range weather forecasting[J]. Mon. Wea. Rev., 118(8): 1561–1575, DOI:10.1175/1520-0493(1990)118<1561:AHRAMT>2.0.CO;2. |
| [] | IPCC, 2013. Climate Change 2013: The Physical Science Basis [M]. Qin D, Plattner G K, Tignor M, et al., Eds. Cambridge, UK, and New York, USA: Cambridge University Press. |
| [] | Ji Z M, Kang S C. 2013. Double-nested dynamical downscaling experiments over the Tibetan Plateau and their projection of climate change under two RCP scenarios[J]. J. Atmos. Sci., 70(4): 1278–1290, DOI:10.1175/JAS-D-12-0155.1. |
| [] | Ji Z M, Kang S C. 2015. Evaluation of extreme climate events using a regional climate model for China[J]. Int. J. Climatol., 35(6): 888–902, DOI:10.1002/joc.4024. |
| [] | Jiang Z H, Song J, Li L, et al. 2012. Extreme climate events in China: IPCC-AR4 model evaluation and projection[J]. Climatic Change, 110(1-2): 385–401, DOI:10.1007/s10584-011-0090-0. |
| [] | Kiehl J T, Hack J J, Bonan G B, et al. 1996. Description of the NCAR community climate model (CCM3) [R]. Technical Note NCAR/TN-420+STR, doi:10.5065/D6FF3Q99. |
| [] | Li H M, Feng L, Zhou T J. 2011. Multi-model projection of July-August climate extreme changes over China under CO2 doubling[J]. Part Ⅱ: Temperature [J]. Adv. Atmos. Sci., 28(2): 448–463, DOI:10.1007/s00376-010-0052-x. |
| [] | Li L J, Lin P F, Yu Y Q, et al. 2013a. The flexible global ocean-atmosphere-land system model, Grid-point Version 2: FGOALS-g2[J]. Adv. Atmos. Sci., 30(3): 543–560, DOI:10.1007/s00376-012-2140-6. |
| [] | Li L J, Wang B, Dong L, et al. 2013b. Evaluation of grid-point atmospheric model of IAP LASG version 2 (GAMIL2)[J]. Adv. Atmos. Sci., 30(3): 855–867, DOI:10.1007/s00376-013-2157-5. |
| [] | Liu B H, Xu M, Henderson M, et al. 2004. Taking China's temperature: Daily range, warming trends, and regional variations, 1955-2000[J]. J. Climate, 17(22): 4453–4462, DOI:10.1175/3230.1. |
| [] | 刘昌波, 纪潇潇, 许吟隆, 等. 2015. SRES A1B情景下中国区域21世纪最高、最低气温及日较差变化的模拟分析[J]. 气候与环境研究, 20(1): 89–96. Liu C B, Ji X X, Xu Y L, et al. 2015. Analysis of changes in the maximum and minimum temperature and diurnal temperature range from PRECIS model under the SRES A1B scenario for China[J]. Climatic and Environmental Research (in Chinese), 20(1): 89–96, DOI:10.3878/j.issn.1006-9585.2014.13190. |
| [] | Liu H L, Lin P F, Yu Y Q, et al. 2012. The baseline evaluation of LASG/IAP climate system ocean model (LICOM) version 2[J]. Acta Meteor. Sinica, 26(3): 318–329, DOI:10.1007/s13351-012-0305-y. |
| [] | Liu J P. 2010. Sensitivity of sea ice and ocean simulations to sea ice salinity in a coupled global climate model[J]. Science China: Earth Sciences, 53(6): 911–918, DOI:10.1007/s11430-010-0051-x. |
| [] | Liu S Y, Gao W, Liang X Z. 2013. A regional climate model downscaling projection of China future climate change[J]. Climate Dyn., 41(7-8): 1871–1884, DOI:10.1007/s00382-012-1632-5. |
| [] | Liu X D, Yin Z Y, Shao X M, et al. 2006. Temporal trends and variability of daily maximum and minimum, extreme temperature events, and growing season length over the eastern and central Tibetan Plateau during 1961-2003[J]. J. Geophys. Res. Atmos., 111(D19), DOI:10.1029/2005JD006915. |
| [] | Niu X R, Wang S Y, Tang J P, et al. 2015. Projection of Indian summer monsoon climate in 2041-2060 by multiregional and global climate models[J]. J. Geophys. Res. Atmos., 120(5): 1776–1793, DOI:10.1002/2014JD022620. |
| [] | Oleson K W, Lawrence D M, Bonan G B, et al. 2010. Technical description of version 4.0 of the Community Land Model (CLM) [R]. NCAR Technical Note NCAR/TN-478+STR, doi:10.5065/D6FB50WZ. |
| [] | Pal J S, Small E E, Eltahir E A B. 2000. Simulation of regional-scale water and energy budgets: Representation of subgrid cloud and precipitation processes within RegCM[J]. J. Geophys. Res. Atmos., 105(D24): 29579–29594, DOI:10.1029/2000JD900415. |
| [] | Pal J S, Giorgi F, Bi X Q, et al. 2007. Regional climate modeling for the developing world: The ICTP RegCM3 and RegCNET[J]. Bull. Amer. Meteor. Soc., 88(9): 1395–1409, DOI:10.1175/BAMS-88-9-1395. |
| [] | Park C Y, Min S K, Lee D Y, et al. 2014. Evaluation of multiple regional climate models for summer climate extremes over East Asia[J]. Climate Dyn., 46(7): 2469–2486, DOI:10.1007/s00382-015-2713-z. |
| [] | Riahi K, Rao S, Krey V, et al. 2011. RCP8.5—A scenario of comparatively high greenhouse gas emissions[J]. Climatic Change, 109(1-2): 33–57, DOI:10.1007/s10584-011-0149-y. |
| [] | Tang J P, Wang S Y, Niu X R, et al. 2016. Impact of spectral nudging on regional climate simulation over CORDEX East Asia using WRF[J]. Climate Dyn, DOI:10.1007/s00382-016-3208-2. |
| [] | Taylor K E. 2001. Summarizing multiple aspects of model performance in a single diagram[J]. J. Geophys. Res. Atmos., 106(D7): 7183–7192, DOI:10.1029/2000JD900719. |
| [] | Tebaldi C, Hayhoe K, Arblaster J M, et al. 2006. Going to the extremes[J]. Climatic Change, 79(3-4): 185–211, DOI:10.1007/s10584-006-9051-4. |
| [] | Thomson A M, Calvin K V, Smith S J, et al. 2011. RCP4.5: A pathway for stabilization of radiative forcing by 2100[J]. Climatic Change, 109(1-2): 77–94, DOI:10.1007/s10584-011-0151-4. |
| [] | Wang H J, Sun J Q, Chen H P, et al. 2012. Extreme climate in China: Facts, simulation and projection[J]. Meteor. Z., 21(3): 279–304, DOI:10.1127/0941-2948/2012/0330. |
| [] | 吴佳, 高学杰. 2013. 一套格点化的中国区域逐日观测资料及与其它资料的对比[J]. 地球物理学报, 56(4): 1102–1111. Wu J, Gao X J. 2013. A gridded daily observation dataset over China region and comparison with the other datasets[J]. Chinese J. Geophys. (in Chinese), 56(4): 1102–1111, DOI:10.6038/cjg20130406. |
| [] | Wu J, Gao X J, Xu Y L, et al. 2015. Regional climate change and uncertainty analysis based on four regional climate model simulations over China[J]. Atmos. Oceanic Sci. Lett., 8(3): 147–152, DOI:10.1080/16742834.2015.11447252. |
| [] | 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. Oceanic Sci. Lett., 5(6): 527–533. |
| [] | Xu J Y, Shi Y, Gao X J, et al. 2013. Projected changes in climate extremes over China in the 21st century from a high resolution regional climate model (RegCM3)[J]. Chinese Science Bulletin, 58(12): 1443–1452, DOI:10.1007/s11434-012-5548-6. |
| [] | Xu Y, Gao X J, Shen Y, et al. 2009. A daily temperature dataset over China and its application in validating a RCM simulation[J]. Adv. Atmos. Sci., 26(4): 763–772, DOI:10.1007/s00376-009-9029-z. |
| [] | 姚隽琛, 周天军, 邹立维. 2015. 区域耦合模式FROALS模拟的西北太平洋热带气旋潜势分布与年际变率:耦合与非耦合试验比较[J]. 大气科学, 39(4): 802–814. Yao J C, Zhou T J, Zou L W. 2015. Distribution and interannual variability of tropical cyclone genesis over the western North Pacific simulated by a regional coupled model—FROALS: Comparison with an uncoupled model[J]. Chinese Journal of Atmospheric Sciences (in Chinese), 39(4): 802–814, DOI:10.3878/j.issn.1006-9895.1411.14209. |
| [] | Zeng X B, Zhao M, Dickinson R E. 1998. Intercomparison of bulk aerodynamic algorithms for the computation of sea surface fluxes using TOGA COARE and TAO data[J]. J. Climate, 11(10): 2628–2644, DOI:10.1175/1520-0442(1998)011<2628:IOBAAF>2.0.CO;2. |
| [] | 翟盘茂, 任福民. 1997. 中国近四十年最高最低温度变化[J]. 气象学报, 55(4): 418–429. Zhai P M, Ren F M. 1997. On changes of China's maximum and minimum temperatures in the recent 40 years[J]. Acta Meteor. Sinica (in Chinese), 55(4): 418–429, DOI:10.11676/qxxb1997.042. |
| [] | Zhai P M, Pan X H. 2003. Trends in temperature extremes during 1951-1999 in China[J]. Geophys. Res. Lett., 30(17): 1913, DOI:10.1029/2003GL018004. |
| [] | Zhang X B, Alexander L, Hegerl G C, et al. 2011. Indices for monitoring changes in extremes based on daily temperature and precipitation data[J]. Wiley Interdisciplinary Reviews: Climate Change, 2(6): 851–870, DOI:10.1002/wcc.147. |
| [] | Zhou B T, Wen Q H, Xu Y, et al. 2014. Projected changes in temperature and precipitation extremes in China by the CMIP5 multimodel ensembles[J]. J. Climate, 27(17): 6591–6611, DOI:10.1175/JCLI-D-13-00761.1. |
| [] | Zhou T J, Yu R C. 2006. Twentieth-century surface air temperature over China and the globe simulated by coupled climate models[J]. J. Climate, 19(22): 5843–5858, DOI:10.1175/JCLI3952.1. |
| [] | Zhou T J, Yu Y Q, Liu Y M, et al.2013. Flexible Global Ocean-Atmosphere-Land System Model: A Modeling Tool for the Climate Change Research Community[M]. Berlin, Heidelberg: Springer Science & Business Media. |
| [] | 周雅清, 任国玉. 2010. 中国大陆1956~2008年极端气温事件变化特征分析[J]. 气候与环境研究, 15(4): 405–417. Zhou Y Q, Ren G Y. 2010. Variation characteristics of extreme temperature indices in mainland China during 1956-2008[J]. Climatic and Environmental Research (in Chinese), 15(4): 405–417, DOI:10.3878/j.issn.1006-9585.2010.04.08. |
| [] | Zou L W, Zhou T J. 2013. Can a regional ocean-atmosphere coupled model improve the simulation of the interannual variability of the western North Pacific summer monsoon?[J]. Climate, 26(7): 2353–2367, DOI:10.1175/JCLI-D-11-00722.1. |
| [] | Zou L W, Zhou T J, Peng D D. 2016. Dynamical downscaling of historical climate over CORDEX East Asia domain: A comparison of regional ocean-atmosphere coupled model to stand-alone RCM simulations[J]. J. Geophys. Res. Atmos., 121(4): 1442–1458, DOI:10.1002/2015JD023912. |
| [] | Zou L W, Zhou T J. 2016a. A regional ocean-atmosphere coupled model developed for CORDEX East Asia: Assessment of Asian summer monsoon simulation[J]. Climate Dyn., 121(6): 2691–2704, DOI:10.1007/s00382-016-3032-8. |
| [] | Zou L W, Zhou T J. 2016b. Future summer precipitation changes over CORDEX-East Asia domain downscaled by a regional ocean-atmosphere coupled model: A comparison to the stand-alone RCM[J]. J. Geophys. Res. Atmos., 121(6): 2691–2704, DOI:10.1002/2015JD024519. |