Wallace and Gutzler（1981）对北半球冬季500 hPa位势高度距平场做单点相关分析时，发现存在5种遥相关型分布：太平洋—北美型（PNA）、东大西洋型（EA）、西大西洋型（WA）、西太平洋型（WP）以及欧亚遥相关型（EU），其中WP和EU型遥相关对东亚冬季气候有显著的影响。EU存在三个异常中心，呈纬向分布特征，分别位于斯堪的纳维亚、乌拉尔地区以及日本上空；当斯堪的纳维亚和日本上空出现负异常高度场，乌拉尔地区为正位势高度，则为正位相EU。WP型主要特征为西北太平洋地区和鄂霍次克海域位势高度场的跷跷板变化，当正位相WP时，西北太平洋为正异常位势高度，日本上空急流减弱，北部鄂霍次克海为负异常位势高度，阿留申低压偏低。

EU和WP对我国以及东亚地区冬季气候有着非常重要的影响，特别是气温和降水。施能（1996）认为北半球遥相关年代际变化是中国冬季气候变化的重要原因之一；李维京和丑纪范（1990）指出冬季欧亚遥相关是长江中下游冬季降水异常的主要因子；刘毓赟和陈文（2012）认为EU正位相时，东亚冬季风偏强，从而使我国东部降温、降水减少。关于WP型遥相关研究中，吴洪宝（1993）分析指出西太平洋型与我国东部地面气温同期相关显著，且12月西太平洋型与1月中国东部气温非同期相关显著；李勇等（2007）指出冬季WP遥相关与我国冬季和降水存在显著的大范围正相关：高WP年，西伯利亚高压强度偏弱，东亚冬季风减弱，我国气温偏高，降水偏多。

气候模式对于气候变化以及大尺度环流系统研究变得越来越重要，因此对于模式模拟能力的评估成为一个重要的研究课题，以便模式进一步发展。研究人员利用模式输出资料和观测资料对北半球冬季不同地区、不同尺度的环流系统以及降水、气温做了评估，并对未来气候变化做了初步预估（姜大膀和田芝平，2013；金晨曦和周天军，2014；黄海玲等，2015），但并未深入讨论模式中遥相关与局地降水气温之间的关系；也有不少学者利用CMIP5试验结果对中国不同地区的降水、气温等进行评估与未来情景预估（陈红，2014；陶纯苇等，2016；吴蔚等，2016）。Ning and Bradley（2016）利用CMIP5数据研究了NAO与PNA的时空结构以及其对美国地表气温与降水影响，表明所有模式能很好再现PNA和NAO活动中心，且较好模拟出PNA与美国东南部气温的反相关以及与五大湖周边降水的负相关关系。考虑到遥相关型与之气候的重要性，而前人针对CMIP5北半球遥相关模拟评估较少，特别对EU和WP型以及其对应局地的气候影响评估。因此本文拟利用CMIP5试验结果，评估气候模式对EU、WP遥相关的模拟能力以及其对局地气温、降水的影响；并使用评分较高的模式对未来EU、WP变化做初步预估。

采用NCEP/NCAR再分析资料作为观测对比资料，变量为位势高度场以及近地表 0.995σ层气温资料，选取时间长度为1951年1月至2004年12月；降水资料为GPCP资料，选取时间1979年1至2004年12月。

模式资料为CMIP5的14个全球气候模式历史模拟（historical）结果和Representative Concentration Pathway 4.5（RCP4.5）情景模拟输出数据（Taylor et al., 2012），14个模式基本信息如表 1所示。选取变量为位势高度场、表面气温场和降水场。不同模式试验次数不一样，我们对各自情景下同一模式多次试验结果等权重平均而得到一个集合平均的结果。多模式集合（MME）是根据以上各模式集合结果进行多模式等权重平均所得结果。位势高度场和气温场研究时间为1951年1月至2004年12月，降水场时间段选为1979年1月至2004年12月。由于各模式资料的空间分辨率不一致，因此使用双线性插值方法将所有模式资料统一插值到与再分析资料相一致的网格点（2.5°×2.5°）上。

表 1(Table 1)

表 1 CMIP5中14个模式来源以及分辨率简介 Table 1 CMIP5 models used in this study, including their acronyms, host institutions, and spatial resolution. 模式 所属机构 分辨率（纬度×经度） BCC-CSM1.1 北京气候中心—中国气象局（中国） 2.81°×2.81° CanESM2 加拿大气候模拟与分析中心（加拿大） 2.81°×2.79° CCSM4 美国国家大气研究中心（美国） 1.25°×0.95° CNRM-CM5 法国气象局气象研究中心（法国） 1.41°×1.40° CSIRO-Mk3.6.0 澳大利亚联邦科学与工业研究和昆士兰州气候变化研究中心（澳大利亚） 1.875°×1.85° FGOALS-s2 中国科学院大气物理研究所（中国） 2.81°×1.41° GFDL-CM3 美国地球物理流体动力学实验室（美国） 2.5°×2.0° GISS-E2-R 美国航空和航天局（美国） 2.5°×2.0° HadCM3 哈德来气候预测和研究中心（英国） 3.75°×2.5° INM-CM4 俄罗斯数值数学研究院（俄罗斯） 2.0°×1.5° IPSL-CM5A-LR 皮埃尔—西蒙·拉普拉斯研究所（法国） 3.75°×1.89° MIROC5 日本气候系统研究中心（日本） 1.41°×1.40° MRI-CGCM3 日本气象研究所（日本） 1.13°×1.12° NorESM1-M 挪威气候中心（挪威） 2.50°×1.89°

表 1 CMIP5中14个模式来源以及分辨率简介 Table 1 CMIP5 models used in this study, including their acronyms, host institutions, and spatial resolution.

EU、WP指数（EUI、WPI）定义如下：

其中Z^*为500 hPa位势高度场标准化值。

使用经验正交分解方法（EOF）提取观测资料和模式资料500 hPa位势高度场的主要空间模态；相关分析法来研究遥相关指数与局地气温、降水关系；利用泰勒图法来客观、定量评估模式模拟与观测资料的一致性，泰勒图是由模拟和观测的相关系数、相对标准差和均方根误差构成的极坐标图，关于泰勒图描述详见Taylor（2001）。

根据Taylor（2001）模式的评分技巧公式：

其中，R₀=1，R为模式与观测之间的相关系数，${\hat \sigma _f}$为模式标准差与观测标准差之比。定义模式对遥相关整体模拟能力评分：S′=(S₁+S₂+S₃+S₄)/4.0，其中S₁表示模式对遥相关年际变率的模拟技巧评分，S₂表示对空间模态模拟技巧，S₃表示对局地气温影响模拟技巧，S₄表示对局地降水影响模拟技巧。考虑到模式对遥相关年际变化模拟与观测资料相关出现负值现象，这不符合实际逻辑，因此当R为负值时，取R=0。S′范围为0~1之间，越接近1，说明模拟技巧越高。

由于模式内部模拟方案决定，耦合模式结果的年份与再分析资料的年份通常没有具体的对应关系（Taylor et al., 2012），直接计算的相关系数无法说明模拟的年际效果，由表 2可知，模式中EU、WP信号与再分析资料中EU、WP指数的相关性非常差，甚至出现负相关现象。因此，采用物理量的均方差来表征其年际变率（张芳等，2014），计算表明观测EU指数的均方差为0.85，MME变率小于观测，为0.68；其中GISS-E2-R均方差与观测最接近为0.86，说明该模式模拟的年际变率效果较好，其他各模式均小于观测值（表 2）。观测WP指数均方差为0.91，选取的所有模式均小于观测，其中INM-CM4模式的均方差为0.88与观测最接近。

表 2(Table 2)

表 2 CMIP5各模式遥相关指数与NCEP资料指数的相关系数及均方差 Table 2 Correlation coefficients of EU and WP indexes between CMIP5 simulations and NCEP observations, and the mean square deviations 模式 EU指数 WP指数 相关系数 均方差 相关系数 均方差 1 BCC-CSM1.1 0.13 0.71 -0.06 0.81 2 CanESM2 -0.25 0.67 -0.04 0.75 3 CCSM4 0.03 0.73 -0.09 0.71 4 CNRM-CM5 -0.05 0.78 -0.05 0.83 5 CSIRO-Mk3.6.0 0.02 0.72 0.16 0.68 6 FGOALS-s2 -0.16 0.71 -0.03 0.68 7 GFDL-CM3 -0.15 0.74 0.03 0.72 8 GISS-E2-R -0.06 0.86 -0.06 0.71 9 HadCM3 -0.05 0.80 0.15 0.78 10 INM-CM4 0.12 0.77 0.03 0.88 11 IPSL-CM5A-LR -0.09 0.72 -0.03 0.75 12 MIROC5 0.03 0.74 0.14 0.76 13 MRI-CGCM3 0.11 0.66 0.05 0.72 14 NorESM1-M -0.30 0.74 -0.10 0.85 15 MME -0.19 0.68 -0.02 0.69

表 2 CMIP5各模式遥相关指数与NCEP资料指数的相关系数及均方差 Table 2 Correlation coefficients of EU and WP indexes between CMIP5 simulations and NCEP observations, and the mean square deviations

选取北半球北大西洋至东亚西太平洋为研究区域，对该区域500 hPa高度场进行EOF分解，NCEP资料EOF分解第二模态呈现为EU型分布（图 1p），有四个异常中心，与Wallace and Gutzler（1981）单点相关分析结果相一致。由于各模式差异，并不是所有模式EOF分解的第二模态都表现为EU型，因此根据黄海玲等（2015）方法，依据模式和观测空间相关系数最大者，我们定义为该模式的EU型。如表 3所示，大多数模式的EOF分解第二、三模态为EU型，MME的EOF2（图 1o）为EU型，异常中心与观测相似；而CNRM-CM5（图 1d）和GISS-E2-R（图 1h）的第一模态，BCC-CSM1.1（图 1a）和IPSL-CM5A-LR（图 1k）的第四模态表现为EU。除了模态差异外，各模式对EU型活动中心模拟也存在较大不确定，特别是日本上空的负异常中心偏差较大，如CCSM4（图 1c）、FGOALS-s2（图 1f）、HadCM3（图 1i）、NorESM1-M（图 1n）等。NCEP再分析资料EOF第二模态对应时间序列的解释方差为16.7%，各模式解释方差从9.4%到26.2%之间变化。模式EU型模态与观测模态的相关系数，如表 2所示，相关系数从0.47到0.81，其中INM-CM4相关系数最高（0.81）且EOF2为EU型，对模态模拟效果最好。

图 1 观测和15个模式资料的北半球欧亚地区冬季500 hPa位势高度距平场EOF分解所得EU型分布 Figure 1 Spatial patterns of EU based on EOF analysis of the H500 (500-hPa geopotential height) anomalies from observations (lower right corner) and simulations of 15 GCMs

表 3(Table 3)

表 3 CMIP5各模式与NCEP再分析资料遥相关型的空间相关系数 Table 3 Spatial correlation coefficients of EU and WP modes between CMIP5 models and NCEP data 模式 EU型(再分析资料EOF2) WP型(再分析资料EOF1) 模态 相关系数 模态 相关系数 1 BCC-CSM1.1 EOF4 0.57 EOF1 0.83 2 CanESM2 EOF3 0.70 EOF1 0.79 3 CCSM4 EOF3 0.69 EOF1 0.81 4 CNRM-CM5 EOF1 0.62 EOF1 0.88 5 CSIRO-Mk3.6.0 EOF3 0.81 EOF1 0.83 6 FGOALS-s2 EOF2 0.50 EOF1 0.79 7 GFDL-CM3 EOF3 0.54 EOF1 0.73 8 GISS-E2-R EOF1 0.74 EOF1 0.66 9 HadCM3 EOF2 0.79 EOF1 0.59 10 INM-CM4 EOF2 0.81 EOF1 0.91 11 IPSL-CM5A-LR EOF4 0.64 EOF1 0.86 12 MIROC5 EOF2 0.47 EOF2 0.83 13 MRI-CGCM3 EOF3 0.78 EOF3 0.82 14 NorESM1-M EOF2 0.67 EOF1 0.65 15 MME EOF2 0.75 EOF1 0.86

表 3 CMIP5各模式与NCEP再分析资料遥相关型的空间相关系数 Table 3 Spatial correlation coefficients of EU and WP modes between CMIP5 models and NCEP data

为了得到各模式对EU模拟主要误差，我们引入Intermodel-EOF分析，不同于传统的EOF的时空变异，Intermodel-EOF关注的各CMIP5模式中与观测误差的最大方差贡献（Li and Xie, 2012，2014）。首先对各模式EOF分解的EU模态进行标准化，将该模态减去标准化NCEP资料EOF分析结果的EU模态，得到模式与观测差异场。然后以各模式为时间场，标准化差异场为空间场，进行EOF分解，如图 2所示。图 2a为Intermodel-EOF1，时间序列的解释方差为54.4%，空间分布为从北大西洋到东亚呈现“正、负、正、负”，与正位相EU空间分布非常相似，说明CMIP5模式能很好地捕捉EU的空间分布，但对其强度存在差异，结合PC1（第一模态对应的时间系数）（图 2c）可知MIROC5和CNRM-CM5模拟误差最小，而CSIRO-Mk3.6.0、BCC-CSM1.1和CanESM2对正位相模拟偏弱，负位相模拟偏强。Intermodel-EOF2可解释总方差的19.6%，其为模式间对EU位置模拟的差异，如图 2b所示，主要表现为欧亚大陆西北—东南向的偶极子差异，从PC2（第二模态对应的时间系数）（图 2d）中可知GFDL-CM3、BCC-CSM1.1位置模拟误差最小，CNRM-CM5、IPSL-CM5A-LR及FGOALS-s2等存在较大偏差。

图 2 Intermodel-EOF分解EU型（a, b）前两个空间模态以及（c, d）PC（模态对应的时间系数）序列 Figure 2 (a) The first and (b) second Intermodel-EOF modes of EU pattern simulated by 14 GCMs; (c, d) corresponding two PCs (Principal Components)

NCEP再分析资料显示，东亚及西太平洋地区冬季500 hPa位势高度场EOF分解第一模态为南北偶极子空间分布，异常中心分别位于西太平洋—日本上空和鄂霍次克海东北部区域，其时间序列解释方差可达31.1%（如图 3p）。所选CMIP5模式都能很好的模拟南北偶极子分布形态，并且对西太平洋—日本区的异常中心有较好模拟，但对于鄂霍次克海附近的活动中心模拟效果较差，多数模拟呈现偏北偏西的分布特征，如BCC-CSM1.1（图 3a）、CanESM2（图 3b）、CCSM4（图 3c）、CSIRO-Mk3.6.0（图 3e）、GFDL-CM3（图 3g）、GISS-E2-R（图 3h）、IPSL-CM5A-LR（图 3k）、NorESM1-M（图 3n）、MME（图 3o）。除了模式MRI-CGCM3（EOF3）和MIROC5（EOF2）外，其他模式EOF第一模态都表现为WP型。各模式与再分析资料EOF模态的空间相关系数最高为INM-CM4，可达0.91，其次为CNRM-CM5为0.88。总体对WP空间分布型模拟效果不错，除了HadCM3，其他模式与观测的空间相关均大于0.6。

图 3 观测和15个模式资料的冬季500 hPa位势高度距平场EOF分解所得WP型分布 Figure 3 Spatial patterns of WP based on EOF analysis of the H500 anomalies from observations (lower right corner) and simulations of 15 GCMs

Intermodel-EOF分析结果如图 4所示。EOF分解第一模态（图 4a）在中高纬度西太平洋上存在一个南北向偶极子分布，除异常中心略向东移外，其与WP型分布相似（图 3p），对应时间序列解释方差可达57.3%，该模态说明模式与观测的WP型的差异主模态为模拟强度差异，其中CNRM-CM5和CSIRO-Mk3.6.0对WP强度模拟效果较好（如图 4c）；第二模态EOF2（图 4b）中，呈现的是东亚大陆和西北太平洋东西向偶极子分布，该模态解释方差为16.5%，说明了对WP型模拟的位置偏差，由PC2可知（图 4d），CCSM4模拟的WP型的位置误差最小，模拟效果较好，而MIROC5和GISS-E2-R存在较大的位置偏差。

图 4 同图 2，但为Intermodel-EOF分解WP型 Figure 4 Same as Fig. 2, but for Intermodel-EOF modes of WP pattern

上节对遥相关的时间变率和空间模态分布进行初步评估，接下来探讨模式中遥相关与局地气温、降水之间的关系。本节我们采用遥相关模态对应的PC指数作为EU和WP指数。

基于再分析资料的EU模态对应的PC序列和东亚地区冬季表面气温之间的关系（如图 5p所示），巴尔喀什湖以北、贝加尔湖以西为正相关区域，我国大部分及西太平洋日本一带为显著负相关区域，其主要机制是EU处于正位相，日本上空负异常位势高度导致东亚大槽加深，引起东亚冬季风异常强盛，造成东亚地区气温负异常（刘毓赟和陈文，2012）。MME结果（图 5o）低估了EU与东亚—西太平洋表面气温的相关性，且对巴尔喀什湖以北的正相关区模拟出现较大偏差。单个模式而言，能再现EU与东亚以及西北太平洋地区的负相关性，但显著性区域存在较大差异。比如CNRM-CM5和GISS-E2-R（图 5d、h）高估东亚大陆上的负相关区域，而部分模式（HadCM3、IPSL-CM5A-LR、NorESM1-M）却低估了日本以及西北太平洋区的负相关（图 5i、k、n），究其原因可能是模式对日本上空负异常中心位置和强度模拟偏差所致（图 2）。

图 5 观测和模式资料中EU模态对应的PC序列与冬季东亚地区地表气温相关系数分布（等值线间隔为0.2，粗实线为零线，虚线为负值；浅、深黄（蓝）阴影区为通过95%、99%信度检验） Figure 5 Observed and GCMs simulated correlation coefficients between the PC that corresponds to EU mode and regional winter surface temperature over East Asia-the West Pacific. (Contour interval is 0.2. The thick solid lines indicate the zero contour and the dashed lines indicate negative values. The light and dark yellow (blue) shadings are for values that exceed the 95% and 99% confidence levels, respectively)

图 6为EU指数与东亚冬季降水相关分布图。再分析资料表明在我国华北和黄淮流域以及巴尔喀什湖地区为显著的负相关关系，主要是因为正位相EU时，东亚冬季风偏强导致降水减少。各模式能较好模拟出EU与巴尔喀什湖附近降水的负相关关系，但对我国华北以及黄淮流域地区的负相关的模拟效果存在较大偏差，甚至部分模式在该区域呈现显著正相关[HadCM3（图 6i）]。一方面主要是由于模式对EU型遥相关日本上空负异常中心模拟偏差导致，另一方面是由于模式对降水本身就存在较大误差引起的（Xu and Xu, 2012；张蓓和戴新刚, 2016）。

图 6 同图 5，但为PC序列与冬季东亚地区降水量相关系数分布 Figure 6 Same as Fig. 5, but for correlations between the PC and regional winter precipitation

图 9a给出EU与表面气温和降水相关性的空间结构分布能力的泰勒图。由图可知，多数模式对EU和气温相关性的模拟相关系数在0.6~0.95之间，中心化均方根误差与观测场标准差之比多数介于0.5~1之间，而对EU和降水相关性模拟的相关系数多数低于0.6，中心化均方根误差与观测场标准差之比大于0.75，说明模式对EU和表面气温关系的模拟能力要高于EU与之降水的相关性；大多模式低估了EU与东亚地区表面温度的相关性；而选取的所有模式对EU和东亚地区降水的相关性都出现不同程度的低估现象。就单个模式而言，CSIRO-Mk3.6.0对EU和表面气温相关性模拟效果最好，BCC-CSM1.1和IPSL-CM5A-LR次之，HadCM3模拟效果最差。CSIRO-Mk3.6.0和GFDL-CM3对EU和东亚降水关系的模拟优于其他模式。

图 9 模式模拟（a）EU、（b）WP指数与局地表面气温（SAT，红圈）、降水量（Precip，蓝三角）相关性和观测资料的泰勒图（简言之，离REF点的距离越近，说明该模式模拟能力越佳） Figure 9 Taylor diagrams of the relationships of (a) EU and (b) WP indexes with regional surface air temperature (SAT, red circles) and precipitation (Precip, blue triangles)

图 7为WP与东亚和西北太平洋地区表面温度相关系数分布图。再分析资料结果显示（图 7p），约50°N为界，东北亚和北太平洋西部为大范围显著正相关，以南的我国大陆部分地区和西北太平洋为显著负相关，这与李勇等（2007）结果一致，但需注意WP符号。其影响机制为WP指数偏高，西伯利亚高压偏强，高压前部偏北气流增强，冷空气的向南扩展增加，导致我国东南沿海和西太平洋地区的气温偏低（李勇，2006; 李勇等，2007）。模式对这种相关性的南北偶极子分布均有较好模拟能力，但MME对相关范围有所低估（图 7o），而HadCM3模式模拟较差（图 7i）；我国的BCC-CSM1.1和FGOALS-s2模式对WP和贝加尔湖以北地区表面气温相关模拟为显著负相关（图 7a、f），这与观测现实不相符，存在较大偏差。

图 7 同图 5，但为WP指数与冬季东亚地区地表气温相关系数分布 Figure 7 Same as Fig. 5, but for correlations between the WP index and regional winter surface temperature

将1979~2004年冬季WP指数与东亚地区降水做相关，如图 8所示，由观测可知两者在鄂霍次克海附近呈显著正相关，在我国大陆以及西太平洋为负相关，但达不到95%显著性检验（图 8p）。多数模式能较好的模拟出东北亚鄂霍次克海的正相关中心，如CCSM4（图 8c）、FGOALS-s2（图 8f）、GFDL-CM3（图 8g）、INM-CM4（图 8j）、MIROC5（图 8i）、MRI-CGCM3（图 8m），但大多数模式对我国大陆至西太平洋的负相关性模拟能力较弱；由于单个模式的较大误差，使得MME结果存在较大偏差（图 8o）。

图 8 同图 5，但为WP指数与冬季东亚地区降水量相关系数分布 Figure 8 Same as Fig. 5, but for correlations between the WP index and regional winter precipitation

图 9b为WP与表面气温和降水相关性的空间结构分布能力的泰勒图。除了FGOALS-s2、HadCM3模式外，多数模式对WP和气温相关性的模拟相关系数在0.5~0.9之间，中心化均方根误差与观测场标准差之比介于0.5~0.75之间，模式间的离散程度较小，说明模式对WP与之表面温度关系模拟能力好。而WP和降水相关性模拟的相关系数多数小于0.6，中心化均方根误差与观测场标准差之比变化较大，说明模式对WP和降水关系的模拟能力较差；从总体而言，模式对WP和东亚地区表面气温关系的模拟优与其与降水的关系，主要是由于模式本身对降水模拟能力要弱于对气温的模拟（胡芩等，2014；徐经纬等，2016）。

最后综合考虑模式对遥相关时间变率、空间模态以及与局地气温降水关系的模拟能力，图 10给出了各模式对EU、WP遥相关整体模拟能力评分。由图可知，对EU型遥相关整体评估能力最强的模式为CSIRO-Mk3.6.0，S′为0.54，而较差模式为FGOALS-s2和HadCM3，S′值为0.25左右；CNRM-CM5对WP型遥相关综合模拟效果最好，S′值可达0.51，模拟能力最弱的仍为HadCM3。

图 10 各模式对EU、WP遥相关整体模拟能力评分 Figure 10 The skill scores of each model for overall simulation capability of EU and WP

通过上节可发现CSIRO-Mk3.6.0和CNRM-CM5分别对EU和WP型的整体模拟效果较好，本节利用RCP4.5情景模拟输出数据，在全球气候正常变化范围内，预估未来EU和WP强度变化以及与局地气候的关系。

图 11给出RCP4.5情景下未来2020~2100年间EU、WP指数的时间变化，这里EU和WP指数仍采用EOF模态对应的PC序列。对于CSIRO-Mk3.6.0预估的EU指数而言（图 11a），未来80年呈微弱的下降趋势，说明未来EU趋于负位相的发展，并且有明显的年代际变化。图 11b是CNRM-CM5对WP的预估结果，总体也呈现一定的下降趋势，于2060年前后由正位相变为负位相。

图 11 RCP4.5情景下未来标准化EU、WP指数的时间变化（蓝色实线为9年滑动平均，红色虚线为线性趋势线） Figure 11 The future changes in normalized EU and WP indexes under the RCP4.5 scenario (the blue solid line shows the 9-year running mean, the red dashed line indicates the linear trend)

图 12给出未来2020~2100年间CSIRO-Mk 3.6.0模式中EU与东亚地区气温（图 12a）与降水（图 12b）相关的空间分布。对比图 5p和图 12a可知，未来80年EU与我国大部分气温负相关性减弱，而与贝加尔湖的正相关明显增强，未来EU影响范围较现在向东南移动。由12b可知，RCP4.5情景下，EU与东亚降水关系不显著，特别是与我国地区无明显相关。

图 12 RCP4.5情景下CSIRO-Mk3.6.0模式中EU指数与冬季东亚地区（a）气温和（b）降水量的相关分布图（等值线间隔为0.1，粗实线为零线，实线为正，虚线为负，浅、深黄（蓝）阴影表示通过95%、99%信度检验） Figure 12 CSIRO-Mk3.6.0 simulated correlation coefficients between EU index and (a) regional winter air temperature, (b) winter precipitation over East Asia-the West Pacific (contour interval is 0.1. The thick solid lines indicate the zero contour, the solid lines and dashed lines indicate positive and negative values, respectively. The light and dark yellow (blue) shadings are for values that exceed the 95% and 99% confidence levels, respectively)

图 13为RCP4.5情景下未来2020~2100年间CNRM-CM5模式中WP与东亚地区气温（图 13a）与降水（图 13b）相关的空间分布。图 13a分布特征与图 7p相似，但由图 13a中WP与我国东部以及西太平气温负相关范围较之图 7p有略有东移，而东北亚的正相关中心西撤。对于降水而言（图 13b），对比图 8p可知，未来WP型与我国江淮地区、贝加尔湖以西的负相关显著增强，并且在西北太平洋存在显著异常中心。

图 13 同图 12，但为CNRM-CM5模式中WP指数与冬季东亚（a）气温与（b）降水量相关 Figure 13 Same as Fig. 12, but for the CNRM-CM5 simulated correlation between WP index and regional winter air temperature and precipitation

基于NCEP再分析资料，利用CMIP5提供的14个气候模式对北半球主要的大气环流遥相关型—EU和WP以及气候影响进行了初步评估和预估。得到以下主要结论：

（1）均方差分析可知模式对EU、WP信号的整体年际变率有一定模拟技巧，但对具体时间变化模拟较差。对其空间模态特征模拟效果较好，能很好的再现遥相关的异常中心，但也存在一定的强度和位置偏差。

（2）多数模式能再现EU与东亚以及西北太平洋地区表面气温的负相关性，但显著性区域存在较大差异。多模式集合MME对EU与东亚表面气温的相关性模拟存在低估现象；各模式对EU与我国华北以及黄淮流域地区的负相关的模拟效果存在较大偏差。泰勒图说明模式对EU与气温关系模拟能力高于其与之降水，但大多数模式低估了EU与东亚地区气温、降水的关系。

（3）各模式对WP与东亚—西太平洋区相关性的南负北正分布均有较高模拟能力（空间相关系数为0.6~0.9），然HadCM3模式模拟技巧较差；多数模式能再现WP与降水在东北亚鄂霍次克海的正相关性，但对于我国大陆至西太平洋的负相关性模拟能力较弱。总体而言模式对WP和东亚地区表面气温关系的模拟优与其与降水的关系。

（4）各模式对EU、WP遥相关整体模拟能力评分中，CSIRO-Mk3.6.0对EU综合评估能力最好，对WP型遥相关整体评估能力最强的模式为CNRM-CM5。

（5）RCP4.5情景模拟下，EU和WP在未来略趋于负位相发展；EU与东亚气温相关范围向东南移动，与降水相关不显著；WP与气温相关范围高纬西撤，低纬东移，与降水相关显著增强。