2016, Vol. 21
2 杭州市气象局, 杭州 310008
2 Hangzhou Meteorological Office, Hangzhou 310008
全球气候模式是进行全球以及区域尺度气候变化预估的主要手段。近年来国内外学者利用世界气候研究计划(World Climate Research Program,以下简称WCRP)的耦合模式比较计划第三阶段(Coupled Model Intercomparison Project Phase 3,以下简称CMIP3)全球气候模式的模拟结果对其在全球和区域气候变化的模拟能力进行了评估,并对未来预估方面作了大量的研究(许崇海等,2007；Walsh et al., 2008；江志红等,2009)。尽管研究表明全球气候模式在全球尺度上有一定的预估能力,但对区域乃至更小尺度的气候变化模拟能力缺乏系统的评价。
最近国际耦合模式比较计划第五阶段(Coupled Model Intercomparison Project Phase 5,以下简称CMIP5)数据已陆续对外发布,这些模式代表了当前国际主要先进模式的最新版本,较之前参与第四次评估报告的模式有了较大的改进,情景实验设计也更为合理(Taylor et al., 2012)。目前,相关分析也已初步开展(Xu C H and Xu Y,2012；Xu Y and Xu C H,2012；杨绚等,2014；陈晓晨等,2014；周秀华和肖子牛,2014)。
基于极端气候事件对经济、社会和自然生态系统的显著影响,国内在极端事件的模拟检验和未来气候变化的预估方面,早期已有了大量工作(Gao et al., 2002；许吟隆等,2005；Zhang et al., 2006)。近年来,任福民等(2014)回顾了关于极端事件的研究进展,总结了国内在极端事件预测的主要方法。陈活泼(2013)利用CMIP5耦合模式结果对RCP4.5(Representative Concentration Pathway 4.5)和RCP8.5(Representative Concentration Pathway 8.5)情景下的中国不同级别降水未来演变特征进行了预估研究。徐影等(2014)利用22个CMIP5全球气候模式模拟结果,结合社会经济以及地形高度数据分析了RCP8.5排放情景下中国洪涝灾害风险。但是这些研究主要针对全国范围,很少有针对特定区域,尤其是城市尺度。而上海处在副热带季风区,在全球变暖的大背景下,其未来的气候变化趋势也将十分复杂,因此有必要开展上海地区未来气候变化的情景预估研究。
本文通过对比CMIP5中28个模式(表 1)在当代气候(1986～2005年)背景下对华东区域和上海区域年平均气温和年总降水量的均值、均方根误差、时间和空间相关系数、方差、趋势、差异性等参数的模拟结果,挑选出适用于上海地区未来极端气温和降水事件预估的模式,并据此预估了上海2021～2030年极端气温和降水事件的变化特征。
|
表 1 28 个CMIP5 气候模式的基本信息 Table 1 Basic informations of the 28 CMIP5 models |
本文所用模式数据来自CMIP5模式1901～2005年历史情景和2006～2030年的RCP4.5未来情景(http://www.iiasa.ac.at/web-apps/tnt/RcpDb/dsd?Action=htmlpage&page=welcome[2009-12-01])下的逐月和逐日的最高气温、最低气温、平均气温、降水量资料,其中RCP4.5情景是指到2100年辐射强迫稳定在约4.5 W/m2,相当于CO2浓度达到了 650 ppm(parts per million,1 ppm=10-6),略高于SRES B1(Special Report on Emissions Scenario B1)情景下的550 ppm。本文中用到的观测资料包括：1)1986～2005年华东区域478个气象站(图 1)年平均气温和年总降水量；2)1986～2005年上海11个气象观测站年平均气温和年总降水量；3)上海徐家汇站1981～2010年日最高气温、日最低气温和日降水量。由于不同资料之间水平分辨率各不相同,为了方便比较,把模式和观测资料全部插值到1°(纬度)×1°(经度)的分辨率。分析时华东区域范围选取(22.5°N～38.5°N,113°E～123°E),共187个格点,上海的范围选取(30.5°N～31.5°N,120°E～123°E),共8个格点。
|
图 1 华东区域气象站点（黑点）分布（矩形框表示文中所选上海区域范围） Fig. 1 Distribution of meteorological stations (black dots) in East China (rectangle shows the grid point range of Shanghai selected in this study) |
本文对气候事件未来变化趋势用百分率E来表示,计算公式为
| $E = ({X_f} - {X_h}) \times 100\% /{X_h},$ | (1) |
其中,Xf为气候事件的未来值,Xh为气候事件的历史值。本文以2001～2010年作为基准期,预估上海极端气温和降水事件的未来可能变化趋势,表征未来极端天气气候事件较2001～2010年的变化趋势。
采用差异系数C来表示模式预估结果的不确定性,计算公式为
| $C = {{\left[ {\sqrt {\frac{1}{n}\sum\limits_{i = 1}^n {{{\left( {{x_i} - \overline x } \right)}^2}} } \times 100\% } \right]} \mathord{\left/ {\vphantom {{\left[ {\sqrt {\frac{1}{n}\sum\limits_{i = 1}^n {{{\left( {{x_i} - \overline x } \right)}^2}} } \times 100\% } \right]} {\left| {\overline x } \right|}}} \right. \kern-\nulldelimiterspace} {\left| {\overline x } \right|}}$ | (2) |
其中,${x_i}$为所研究变量的各模式结果,$\overline x $为多模式平均的结果,$|\overline x |$为多模式平均结果的绝对值,n为所使用模式个数。差异系数越小,说明模式预估结果的离散程度越小,不确定性越小,反之则越大。
2.2 极端气候事件定义根据世界气象组织(World Meteorological Organization,WMO)气候委员会(Commission for Climatology,CCI)/ WCRP气候变化与可预测性项目(Climate Variability and Predictability,CLIVAR)气候变化检测、监测和指标专家组(Expert Team on Climate Change Detection and Indices,ETCCDI)定 义(http://www.clivar.org/organization/etccd [2013-11- 17]),本文中极端气温、降水事件的定义见表 2。
|
|
表 2 极端气温、降水事件的定义 Table 2 Definitions of the extreme temperature and precipitation events |
本文评估了28个模式对当代气候(1986～2005年)华东区域年平均气温和年总降水量的模拟性能,可以看出,各个模式对华东区域气温和降水的模拟存在较大的差异。分别以华东年平均气温和年总降水量的观测值作为参考序列,对28个模式的模拟结果做差异性t检验。结果表明,除了ACCESS1-3模拟的气温序列和BCC-CSM1-1、CCSM4、MPI-ESM-LR、NorESM1-M模拟的降水序列,其他模式模拟的气温和降水序列与观测值的差异均通过95%的显著性检验；28个模式集合平均(以下简称集合模式)的气温和降水序列与观测值的差异也通过了95%的显著性检验。
从气温的模拟结果来看,均值模拟(图 2a)偏高有19个模式,偏低有9个模式,与观测结果最为接近的是ACCESS1-3(比观测偏高0.04 °C),相差最大的是INMCM4(比观测值偏低2.28 °C),集合模式的结果比观测值偏高0.33 °C；模式对空间相关系数(图略)的模拟结果均通过0.01显著性水平检验(187个格点)；除了FIO-ESM和GISS-E2-H,其他26个模式和集合模式都模拟出了当代气候华东区域气温线性增加的事实(图略)；均方根误差(图 3a)最小的模式为ACCESS1-3,最大的为INMCM4,这与均值的模拟效果相同,集合模式的均方根误差仅大于ACCESS1-3；方差模拟(图 4a)偏高有12个模式,偏低有16个模式,与观测值最为接近的模式为CSIRO-Mk3-6-0,集合模式的方差偏低,结果仅优于2个模式(MIROC-ESM和MIROC5)；与观测值的时间相关系数(图略)最大的模式为CCSM4。
|
图 2 CMIP5 的28 个全球模式模拟的华东1986～2005 年（a）年平均气温和（b）年总降水量与观测值的偏差 Fig. 2 Differences between observations and simulation of (a) annual mean temperature and (b) annual total precipitation from the 28 CMIP5 models in East China during 1986−2005 |
|
图 3 CMIP5的28个全球模式模拟的华东1986～2005 年（a）年平均气温和（b）年总降水量与观测值的均方根误差 Fig. 3 Root-mean-square errors of observations and simulation of (a) annual mean temperature and (b) annual total precipitation from the 28 CMIP5 models in East China during 1986−2005 |
|
图 4 CMIP5的28 个全球模式模拟的华东1986～2005 年（a）年平均气温和（b）年总降水量与观测值的方差 Fig. 4 Variances of observations and simulation of (a) annual mean temperature and (b) annual total precipitation from the 28 CMIP5 models in East China during 1986−2005 |
从降水的模拟结果来看,均值模拟(图 2b)16个模式偏多,12个模式偏少,与观测最为接近的是NorESM1-M(比观测偏高3.06 mm),相差最大的是ACCESS1-3(比观测值偏高524.31 mm),而此模式对华东年平均气温均值的模拟效果却最好,集合模式比观测值偏高32.88 mm；模式对空间相关系数(图略)的模拟结果均通过0.01水平的显著性检验(187个格点)；华东区域年降水量并没有明显的线性变化趋势；均方根误差(图 3b)最小的模式为BCC-CSM1-1,最大的为ACCESS1-3,集合模式的均方根误差最小；方差模拟(图 4b)与观测值最为接近的模式为INMCM4,但此模式对华东年平均气温的均方根误差和均值的模拟效果最差,集合模式的方差偏低,结果优于8个模式；与观测值的时间相关系数(图略)最大的模式为CMCC-CMS。
综合考虑以上参数的模拟结果：
(1) 均值和均方根误差在一定程度上都反映了模式对平均态的模拟能力,两个参数在模式性能的比较上表现出几乎相同的特征,因此选取均方根误差作为挑选模式的一个衡量标准。
(2) 模式对气温和降水的空间相关系数的模拟结果均通过0.01水平的显著性检验,因此以此参数为标准所有模式均符合要求。
(3) 26个模式(除了FIO-ESM和GISS-E2-H)均模拟出气温的线性增加的趋势,而华东区域年总降水量并未表现出明显的线性趋势,因此华东区域线性趋势这个参数值无法用来衡量模式的模拟性能。同时,模式中所模拟的时间与实际的时间并非完全吻合,时间相关系数在一定程度上并不能完全反映模式的性能。因此,线性趋势和时间相关系数不作为挑选模式的衡量标准。
(4) 集合模式的结果对均值的模拟偏高,对方差的模拟偏低。与单个模式相比,没有明显的优越性。
(5) 大多数模式和集合模式对气温和降水序列的模拟与观测值有着显著的差异性。
本文按照反映模式结果平均态的均方根误差和反映模式结果偏离平均态分布的方差作为挑选模式的依据,选取对均方根误差和方差模拟结果均在前10位的模式。因此,对华东区域气温的评估结果表明,ACCESS1-0、CCSM4、CSIRO-Mk3-6-0、MRI-CGCM3四个模式对华东区域气温的模拟能力比其他模式强。对华东区域降水的评估结果表明,BCC-CSM1-1、CSIRO-Mk3-6-0、EC-EARTH、NorESM1-M四个模式对华东区域降水的模拟性能比其他模式强。
3.2 上海地区气温和降水的模拟能力评估本文同时评估了28个模式和集合模式对上海年平均气温和年总降水量的模拟性能。分别以上海年平均气温和年总降水量的观测值作为参考序列,对28个模式模拟的序列做差异性t检验。结果表明,除了BCC-CSM1-1、BNU-ESM、EC-EARTH、GISS-E2-H、HadGEM2-AO模拟的气温序列和CSIRO-Mk3-6-0、GFDL-CM3、GFDL-ESM2M、GISS-E2-H、GISS-E2-R、MIROC-ESM、MIROC- ESM-CHEM、MPI-ESM-LR模拟的降水序列,其他模式模拟的气温和降水序列与观测值的差异均通过95%的显著性检验；集合模式的降水序列与观测值的差异通过了95%的显著性检验,气温则没有。
从年平均气温的模拟结果来看,均值模拟(图略)13个模式偏低,15个模式偏高,与观测值最为接近的是BCC-CSM1-1(比观测偏低0.14 °C),相差最远的是CanESM2(比观测值偏高3.33 °C)；集合模式的均方根误差(图 5a)最小,28个模式中均方根误差最小的为BCC-CSM1-1,最大的为CanESM2；方差模拟(图 6a)26个模式偏低,2个模式偏高,与观测值最为接近的为IPSL-CM5A- MR,集合模式的方差最小,与观测值相差较大；与观测值的时间相关系数最大的模式为MIROC- ESM；除了FIO-ESM和GISS-E2-H,其他26个模式和集合模式都模拟出了1986～2005年上海气温线性增加的事实(图 7a)。
|
图 7 不同模式模拟的1986～2005 年上海（a）年平均气温和（b）年总降水量变化曲线。模式后面带#表示变化趋势与观测值相同，***、**、*分别表示变化趋势通过99%、95%、90%信度水平的检验 Fig. 7 Changes in (a) annual mean temperature and (b) annual total precipitation in Shanghai simulated by 28 CMIP5 models during 1986−2005. Models that produce similar changing trend to that from observations are marked by #. The changing trends that are statistically significant at the 99%, 95%, and 90% confidence levels are marked by ***, **, and * |
从年总降水量的模拟结果来看,均值模拟(图略)最好的是MIROC-ESM-CHEM(比观测偏低0.19 mm),最差的是CMCC-CM(比观测值偏高530.94 mm)；均方根误差(图 5b)最小的模式为GFDL- ESM2G,最大的为ACCESS1-0,集合模式的均方根误差高于其中3个模式；方差模拟(图 6b)与观测值最为接近的模式为CCSM4,集合模式模拟的方差最小,与观测值相差较大；与观测值的时间相关系数最大的模式为GFDL-ESM2G；上海年降水量并没有显著的线性变化趋势(图 7b)。
总体来说,各个模式对上海气温和降水的模拟存在较大的差异,与华东区域的模拟结果也存在较大差异。模式对华东和上海年平均气温的均值和方差的模拟一致性较高,以均值偏高、方差偏低于观测值为主；对华东和上海年总降水量的均值模拟一致性较高,以偏高于观测值为主；对华东和上海年总降水量的方差模拟则相反,华东以偏高于观测值为主,上海以偏低于观测值为主。集合模式模拟的均方根误差优于单个模式,但方差偏小观测值较多。
按照对华东区域模式挑选标准,对上海地区气温的评估结果表明,CCSM4、BNU-ESM、HadGEM2- AO、IPSL-CM5A-MR和CMCC-CM五个模式对上海气温的模拟能力比其他模式好；对上海区域降水的评估结果表明,GFDL-ESM2G和CCSM4对上海降水的模拟能力比其他模式好。
3.3 上海地区气温和降水变化趋势检验考虑到本文主要利用模式结果对上海气温和降水的未来变化趋势进行预估,因此,需要重点检验模式对趋势的模拟能力。
1986～2005年,上海年平均气温以0.87 °C(10 a)-1的线性趋势增加,增温趋势通过了99.9%的信度检验。从28个模式模拟结果(图 7a)来看,26个模式和集合模式的模拟结果为线性增温,但是增温趋势都比观测值低,13个模式的线性趋势通过90%的信度检验,其中6个模式和集合模式的结果通过99%的信度检验。26个增温趋势的模式中,HadGEM2-AO的增温趋势最大[0.58 °C(10 a)-1],ACCESS1-3的增温趋势最小[0.01 °C(10 a)-1]。集合模式的增温趋势为0.29 °C(10 a)-1。
1986～2005年,上海平均年总降水量以26.65 mm(10 a)-1的线性趋势减少,减少趋势不显著。从28个模式的模拟结果(图 7b)来看,12个模式和集合模式的模拟结果为线性减少,GISS-E2-H的减少趋势最小[-1.33 mm(10 a)-1],CCSM4的减少趋势最大[-173.60 mm(10 a)-1],集合模式的减少趋势为-1.81 mm(10 a)-1。
4 上海极端气温和降水事件的情景预估研究表明(Lambert and Boer, 2001; Walsh et al., 2008),没有任何一个气候模式对所有的气象要素模拟的结果都好,因此根据以上的分析结果,同时考虑数据的可获得性,本文选取RCP4.5情景下BCC-CSM1-1、CCSM4、CSIRO-Mk3-6-0、EC- EARTH、GFDL-ESM2G、IPSL-CM5A-MR、MRI- CGCM3、NorESM1-M 8个模式的预估数据对上海极端气温和降水事件的未来变化趋势进行预估。
4.1 上海市极端气温和降水事件的模拟评估观测表明,2001～2010年较1981～1990年相比,上海冷夜指标、暖昼指标和暖夜指标均呈现增暖趋势,其中冷夜指标增暖趋势最大(增加6.5倍)；暖昼日数、暖夜日数、连续6日暖昼次数和连续6日暖夜次数均呈现增加的趋势,增加比例分别为112%、91.2%、350%和146%；冷夜日数呈现减少趋势(46.2%)；强降水指标和强降水日数均呈现减少的趋势。也就是说,上海近30年极端气温事件的气候指标增暖、发生日(次)数增加,强降水指标和日数减少。
表 3给出了8个模式和8个模式集合平均的结果(以下简称8集合模式)对1981～2010年上海极端气温和降水事件的模拟相对误差。模式对冷夜日数、暖昼指标、暖夜指标、暖夜日数、连续6日暖夜次数和强降水指标的模拟值以偏低为主,对连续6日暖昼次数和强降水日数模拟值以偏高为主,对冷夜指标的模拟相对误差最大,对暖昼日数的模拟相对误差最小。除了冷夜指标和强降水日数,8集合模式对其他极端气温和降水事件相对误差的模拟均高于8个模式的误差绝对值平均。
|
|
表 3 8 个模式对1981～2010 年上海极端气温和降水事件的模拟相对误差 Table 3 Relative errors between observations and simulated extreme temperature and precipitation indices from eight CMIP5 models in Shanghai during 1981−2010 |
从各个极端气候事件模拟的相对误差大小来看,暖昼日数、冷夜日数、暖夜日数、暖夜指标、连续6日暖昼次数和连续6日暖夜次数的相对误差较小,平均每个模式均在10%以内,暖昼日数最小(低于1%),而平均每个模式对冷夜指标、暖昼指标、强降水指标和强降水日数模拟的相对误差均在10%以上,尤其是冷夜指标,相对误差最大(-132%～226%)。可以看出,模式对极端气温和降水事件气候指标(暖昼指标、冷夜指标、暖夜指标、强降水指标)的模拟相对误差要大于对极端气温和降水事件发生日(次)数的模拟相对误差,这可能是由于模式本身的系统误差造成,冷夜指标的相对误差最大也反映了模式对冬季低温的模拟差异性较大。
从每个模式的模拟能力(图略)来看,IPSL-CM5A-MR对所有极端气候事件模拟的相对误差绝对值总和最小(114%),BCC最大(绝对值为330%),其他6个模式的相对误差绝对值总和依次为CSIRO(233%)、NorESM1-M(221%)、MRI-CGCM3(191%)、CCSM(159%)、EC-EARTH(152%)、GFDL-ESM2G(136%)。8集合模式的相对误差绝对值总和为158%,优于其中的5个模式结果。
4.2 上海市极端气温和降水事件的趋势预估及不确定性分析图 6给出了2021～2030年上海极端气温和降水事件的未来变化趋势和不确定性。可以看出,与2001～2010年相比,各模式对上海冷夜指标预估的不确定最大(430%,图略),未来变化趋势范围为-300%～228.2%,而对冷夜日数预估的不确定性则最小(0.9%),主要呈现减少的趋势(-70.4%～12.5%)。其他极端气温事件的预估中暖昼指标的 不确定性最大(22.8%),未来变化趋势范围为 -2.2%～2.5%；暖夜指标的不确定性最小(1.9%),主要呈现增暖的趋势(-2.5%～3.4%),暖昼日数、暖夜日数、连续6日暖昼次数和连续6日暖夜日数预估的不确定性分别为14.7%、3.0%、2.8%和2.9%,预估的变化趋势范围分别为-34.2%～44.5%、 -60.0%～40.7%、-27.6%～100%和-22.7%～29.6%。模式对强降水日数预估的不确定性为0.97%,主要呈现增加的趋势(-16.7%～71.9%),对强降水指标预估的不确定性为1.1%,主要呈现增加的趋势(-4.9%～13.7%)。从不确定性(图 8b)来看,各模式对极端气温事件预估的不确定性(59.9%)要大于极端降水事件(1.0%),对极端气候事件气候指标预估的不确定性(114.1%)要大于极端事件发生日(次)数(4.2%),虽然冷夜指标预估结果的不确定性较大,但是即使去除冷夜指标,以上结论仍然成立。8模式集合的结果表明,未来冷夜指标将增加40.61%,而冷夜日数将减少58.36%,暖昼指标和暖昼日数分别减少0.21%和8.11%,暖夜指标和暖夜日数分别增加0.94%和10.18%,连续6日暖昼次数增加13.82%,连续6日暖夜次数减少9.19%,强降水指标和强降水日数分别增加5.07%和26.97%。
|
图 8 8 个全球气候模式预估的RCP4.5 情景下上海2021～2030 年极端气温和降水事件的未来变化趋势（a）和不确定性（b） Fig. 8 Projected (a) change trends and (b) uncertainties in extreme temperature and precipitation events in Shanghai during 2021−2030 from eight CMIP5 models under the RCP4.5 scenario |
总体来说,与2001～2010年相比,上海2021～2030年冬天极端低温的出现日数(冷夜日数)呈减少趋势,不确定性最小,但是冬天最低气温序列分布(冷夜指标)的变化不确定性较大；夏天最低气温均值(暖夜指标)和极大值出现日数(暖夜日数)均呈增加的趋势,不确定性较低；夏天极端高温的出现日数(暖昼日数)变化趋势不确定性较大；夏季出现连续高温和连续暖夜也存在一定的不确定性。强降水发生日数和强降水的强度都呈现增加的趋势,且不确定性较小。
5 主要结论本文通过评估CMIP5 28个模式对华东以及上海的年平均气温和年总降水量的模拟性能,挑选出适用于上海极端气温和降水事件预估的8个模式。基于8个模式在RCP4.5情景下的预估结果,分析了2021～2030年上海未来极端气温和降水事件的变化趋势和不 确定性,主要结论如下：
(1) 从均值和方差的模拟效果来看,模式对华东和上海年平均气温的均值和方差模拟一致性较高,以均值偏高、方差偏低观测值为主；对华东和上海年总降水量的均值模拟一致性较高,以偏高观测值为主,方差则相反,华东以偏高观测值为主,上海以偏低观测值为主。与上海的模拟结果相比,有更多的模式通过了华东区域年平均气温和年总降水量模拟结果的差异性显著检验。集合模式的模拟效果没有明显的优越性。
(2) 1986～2005年,上海年平均气温呈现显著(通过99%信度检验)增温趋势 [0.87 °C(10 a)-1],26个模式和集合模式的气温趋势模拟结果与观测一致,但是增温趋势比观测值低,13个模式和集合模式的增温趋势通过90%的信度检验。1986～2005年,上海年总降水量呈现减少趋势 [26.65 mm(10 a)-1],未通过信度检验,12个模式和集合模式的降水趋势模拟结果与观测结果一致。
(3) 基于模式对华东和上海气温和降水的均方根误差、方差和线性趋势的模拟评估结果,挑选出效果较好的8个模式用于上海未来极端气温和降水事件的预估,8个模式分别为BCC-CSM1-1、CCSM4、CSIRO-Mk3-6-0、EC-EARTH、GFDL-ESM2G、IPSL- CM5A-MR、MRI-CGCM3、NorESM1-M。
(4) 1981～2010年,上海极端气温的气候指标增暖、发生日数增加,强降水指标和日数减少。从8个模式对各项指标模拟的相对误差大小来看,对极端气候事件发生日(次)数的模拟要优于对极端气候事件气候指标的模拟,冷夜指标的相对误差最大(-132%～226%)。从每个模式的模拟能力来看,IPSL-CM5A-MR对所有指标模拟的相对误差绝对值总和最小(114%),BCC最大(绝对值为330%),8集合模式的相对误差绝对值总和为158%,优于其中的5个模式结果。
(5) 与2001～2010年相比,上海2021～2030年冬天极端低温的出现天数(冷夜日数)呈减少趋势,不确定性最小,但是冬天最低气温序列分布(冷夜指标)的变化不确定性较大；夏天最低气温均值(暖夜指标)和极大值出现日数(暖夜日数)均呈增加的趋势,不确定性较低；夏天极端高温的出现日数(暖昼日数)变化趋势不确定性较大；夏季出现连续高温和连续暖夜也存在一定的不确定性。强降水发生日数和强降水的强度都呈现增加的趋势,且不确定性较小。
本文只是基于全球模式在RCP4.5排放情景下对上海未来极端气温和降水事件的情景预估,其结果存在某些不确定性。CMIP5中不同模式的物理参数化过程、气候强迫、分辨率等不同,对气候变率的模拟性能也不同。另外,用分辨率较粗的全球模式预估上海一个点,特别是对极端气候变化事件的预估,也增加了结果的不确定性。今后将进一步利用降尺度方法和多模式集合,更好地了解气候变化背景下上海极端事件的响应。
本研究所使用的全球气候模式气候变化预估数据是由国家气候中心徐影研究员对数据进行的整理、分析和惠许使用。原始数据由各模式组提供,由WGCM(JSC/CLIVAR Working Group on Coupled Modeling)组织PCMDI(Program for Climate Model Diagnosis and Intercomparison)搜集归类。多模式数据集的维护由美国能源部科学办公室提供资助。特别感谢徐影研究员在文章的研究方法和后期修改方面给予的指导。| [] | 陈活泼. 2013. CMIP5模式对21 世纪末中国极端降水事件变化的预估[J]. 科学通报, 58(8): 743–752. |
| [] | Chen Huopo. 2013. Projected change in extreme rainfall events in China by the end of the 21st century using CMIP5 models[J]. Chinese Science Bulletin, 58(12): 1462–1472. DOI:10.1007/s11434-012-5612-2 |
| [] | 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 Xiaochen, Xu Ying, Xu Chonghai, et al. 2014. Assessment of precipitation simulations in China by CMIP5 multi-models[J]. Progressus Inquisitiones De Mutatione Climatis , 10(3): 217–225. |
| [] | Gao X J, Zhao Z C, Giorgi F. 2002. Changes of extreme events in regional climate simulations over East Asia[J]. Advances in Atmospheric Sciences, 19(5): 927–942. DOI:10.1007/s00376-002-0056-2 |
| [] | 江志红, 陈威霖, 宋洁, 等. 2009. 7 个IPCCAR4 模式对中国地区极端降水指数模拟能力的评估及其未来情景预估[J]. 大气科学, 33(1): 109–120. |
| [] | Jiang Zhihong, Chen Weilin, Song Jie, et al. 2009. Projection and evaluation of the precipitation extremes indices over China based on seven IPCC AR4 coupled climate models[J]. Chinese Journal of Atmospheric Sciences , 33(1): 109–120. |
| [] | Lambert S J, Boer G J. 2001. CMIP1 evaluation and intercomparison of coupled climate models[J]. Climate Dyn., 17(2): 83–106. DOI:10.1007/PL00013736 |
| [] | 任福民, 高辉, 刘绿柳, 等. 2014. 极端天气气候事件监测与预测研究进展及其应用综述[J]. 气象, 40(7): 860–874. |
| [] | Ren Fumin, Gao Hui, Liu Lüliu, et al. 2014. Research progresses on extreme weather and climate events and their operational applications in climate monitoring and prediction[J]. Meteorological Monthly , 40(7): 860–874. |
| [] | 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 |
| [] | Walsh J E, Chapman W L, Romanovsky V, et al. 2008. Global climate model performance over Alaska and Greenland[J]. J. Climate, 21(23): 6156–6174. DOI:10.1175/2008JCLI2163.1 |
| [] | Xu C H, Xu Y. 2012. The projection of temperature and precipitation over China under RCP scenarios using a CMIP5 multi-model ensemble[J]. Atmospheric and Oceanic Science Letters, 5(6): 527–533. DOI:10.1080/16742834.2012.11447042 |
| [] | 许崇海, 沈新勇, 徐影. 2007. IPCCAR4 模式对东亚地区气候模拟能力的分析[J]. 气候变化研究进展, 3(5): 287–292. |
| [] | Xu Chonghai, Shen Xinyong, Xu Ying. 2007. An analysis of climate change in East Asia by using the IPCC AR4 simulations[J]. Advances in Climate Change Research , 3(5): 287–292. |
| [] | Xu Y, Xu C H. 2012. Preliminary assessment of simulations of climate changes over China by CMIP5 multi-models[J]. Atmospheric and Oceanic Science Letters, 5(6): 489–494. DOI:10.1080/16742834.2012.11447041 |
| [] | 徐影, 张冰, 周波涛, 等. 2014. 基于CMIP5模式的中国地区未来洪涝灾害风险变化预估[J]. 气候变化研究进展, 10(4): 268–275. |
| [] | Xu Ying, Zhang Bing, Zhou Botao, et al. 2014. Projected risk of flooding disaster in China based on CMIP5 models[J]. Progressus Inquisitiones De Mutatione Climatis , 10(4): 268–275. |
| [] | 许吟隆, 黄晓莹, 张勇, 等. 2005. 中国21 世纪气候变化情景的统计分析[J]. 气候变化研究进展, 1(2): 80–83. |
| [] | Xu Yinlong, Huang Xiaoying, Zhang Yong, et al. 2005. Statistical analyses of climate change scenarios over China in the 21st century[J]. Advances in Climate Change Research , 1(2): 80–83. |
| [] | 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 Xuan, Li Dongliang, Tang Xu. 2014. Probability assessment of temperature and precipitation over China by CMIP5 multi-model ensemble[J]. Journal of Desert Research , 34(3): 795–804. |
| [] | Zhang Y, Xu Y L, Dong W J, et al. 2006. A future climate scenario of regional changes in extreme climate events over China using the PRECIS climate model[J]. Geophys.Res.Lett., 33(24): L24702. DOI:10.1029/2006GL027229 |
| [] | 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 Xiuhua, Xiao Ziniu. 2014. Climate projection over Yunnan Province and the surrounding regions based on CMIP5 data[J]. Climatic and Environmental Research , 19(5): 601–613. DOI:10.3878/j.issn.1006-9585.2013.13080 |