近年来，全球气候变化得到了国内外的广泛关注。其中，气候变暖作为气候变化中的重要部分，已成为各国政府最为关心的事情之一。根据政府间气候变化专门委员会(Intergovernmental Panel on Climate Change，IPCC)第五次评估报告(IPCC，2013)的主要结论，1880～2012年全球平均地表温度升高了0.85 ℃。自1901年以来，北半球中纬度陆地地区的降水量已明显增加，且高温酷暑、洪涝干旱等极端气候事件发生的频率也显著增大(Chen et al.，2012)。近几十年来，我国东北地区的气温也有显著升高的趋势，1961～2010年年均温的上升速率为0.36 ℃(10 a)⁻¹(孙倩倩和刘晶淼，2014)；降水则呈现不均匀分布，干旱现象持续发生(马建勇等，2013)。而东北三省作为我国重要的商品粮食基地，拥有丰富的林业资源，其气候变化将给东北乃至全国的粮食安全和林业资源带来许多不可预测的影响，因此研究东北的气候变化有着重要的意义。

气候模式作为气候变化研究中的重要技术(王绍武等，2013)，在研究气候变化机理和预测未来气候变化中有着至关重要的作用(辛晓歌等，2012)。自全球耦合模式比较计划(Coupled Model Inter-comparison Project，CMIP)成立以来，已建立起一个内容广泛的模式资料库(王澄海等，2009)。目前已有上百个模式先后参与了全球气候评估。各国学者也基于参与耦合模式比较计划第三阶段(CMIP3)的模式模拟结果进行了各项研究(江志红等，2009；Brunsell et al.，2010；陶辉等，2012；Jiang and Tian，2013)。

自2008年以来，已有60多个气候模式参与了全球耦合模式比较计划第五阶段(CMIP5)，各国学者分别利用不同的CMIP5气候模式模拟结果对全球各区域进行了气候评估。Otieno and Anyah(2013)利用CMIP5模式输出结果对非洲之角的气候进行评估发现，一些模式将季节降水的位置北移了。姜燕敏和吴昊旻(2013)的研究表明，20个CMIP5气候多模式集合平均能较好模拟出1951～2005年中亚地区的显著增温趋势，同时能较好的再现年均温的空间分布特征，尤其体现在高低温区的分布上。

我国学者在此方面也展开了一系列工作，并取得了一些很有意义的成果。Guo et al.(2013)的研究发现CMIP5多模式模拟的1901～1999年中国年均温的线性趋势为0.65 ℃(100 a)⁻¹，其结果比CMIP3模式模拟结果［0.72 ℃(100 a)⁻¹］更接近于观测值［0.64 ℃(100 a)⁻¹］。Xu and Xu(2012)的研究表明CMIP5模式能较好地模拟出降水在中国区域内由东南至西北逐渐减少的趋势，但存在系统偏差。

对于气候模式在中国东北三省的应用，目前已有学者对CMIP3模式或区域模式的模拟能力进行过评估(李辑等，2010；Gao et al.，2012)。崔妍等(2013)在1°(纬度)×1°(经度)水平分辨率上评估了5个CMIP3模式对1961～2000年东北地区地面温度的模拟能力，指出模式对地面温度的模拟值偏低，且对年变化的模拟优于年际变化。那么如果在更高的水平分辨率基础上，采用更多更新的气候模式数据和更为可靠的观测资料，新一代的CMIP5模式对东北气候的模拟能力又会是怎样呢？围绕这些问题，本文利用CN05观测资料和45个CMIP5全球气候系统模式的模拟结果，评估并分析了新一代气候模式对中国东北三省(1961～2005年)气温和降水的模拟能力，并选出对东北气候模拟相对可靠的模式，为预估东北未来气候做铺垫。

本文所用的气候模式资料为CMIP5地球系统模式(ESM)的历史模拟试验数据，所取时间段为1961～2005年。根据这一时段气温与降水数据的可利用性，共选取了45个地球系统模式的数据，更多细节请参见相关网站(http://cmip-pcmdi.llnl.gov/cmip5/[2016-03-20] )。相比于CMIP3，新一代的CMIP5模式(Taylor et al.，2012)具有许多明显的改进，如地球系统模式就加入了对生物地球化学循环的描述(王绍武等，2013)，增加了更多的评估方法，更加重视精确性(胡国权和赵宗慈，2014)。

本文所使用的气温和降水的观测数据均来自CN05数据(Xu et al.，2009)，该数据主要是基于全国700多个气象站的观测资料建立起的一套0.5°(纬度)×0.5°(经度)分辨率的格点资料，时间跨度为1956～2005年。该套资料已被多次用于气候模式的评估，数据可靠(Guo et al.，2013)。

考虑到各个模式的水平分辨率不同，为方便对比，首先利用双线性插值法(胡芩等，2014)将所有模式数据统一插值到与CN05数据分辨率相同的网格点［0.5°(纬度)×0.5°(经度)］上。然后，选取中国东北三省作为研究区，包括辽宁省、吉林省和黑龙江省，共计371个格点。此外，因为45个模式采用的地形资料和水平分辨率均不相同，所以在对模式气温数据进行插值时便会因地形起伏而带来误差。因此，为了消除这类偏差，本文在对模拟的气温数据进行插值以后，又统一根据英国东英格利亚大学气候研究所(CRU)所提供的地形高度对模式的气温数据进行了地形效应校正(Zhao et al.，2008)［气温直减率取0.65 ℃(100 m)⁻¹］。

在评估模式模拟能力的过程中，文章首先对单个模式从区域平均、时间变化和空间分布这几个角度来评估CMIP5模式模拟东北三省历史气候变化的能力，然后通过一些定量化评估方法筛选出对东北气候模拟能力较好的模式，进行等权重集合平均，最后对多模式集合输出结果进行评估与分析。

气温作为最基本的气象要素之一(Sun and Ao，2013)，在气候变化研究中受到了广泛的关注(Zhao et al.，2008)。为了评估各模式对区域平均气温气候态逐月变化的模拟能力，分别将45个CMIP5模式和CN05数据的平均气温逐月气候值(1961～2005年)绘于图 1a中。从图 1a中可以看出，45个模式模拟的区域平均气温气候态的逐月变化与观测变化呈现出较好的一致性，均能反映出东北三省区域平均气温的逐月变化规律，但模拟的气温值与观测值存在一定的偏差。45个模式中，模式EC-EARTH与实测误差最小，其次为MPI-ESM-MR和CSIRO- Mk3-6-0。模式EC-EARTH的模拟结果在夏季与观测值最接近，误差在0.4 ℃以内。与CMIP3模式模拟结果对比发现，CMIP5模式对东北三省区域平均气温气候态的模拟效果有所改进。如模式CSIRO- Mk3-6-0对气温的模拟能力较该模式的以前版本(CSIRO-MK3-0)就有了较大提高，年均温的模拟误差由−3.81 ℃(崔妍等，2013)减小到了−0.13 ℃。计算45个模式间月平均气温模拟值之间的均方差，发现其均方差分布在0.9～4.9 ℃之间。其中5～10月的均方差较小，说明模式对东北三省5～10月气温模拟的不确定性低于其他月份。全球气候模式模拟的不确定性(顾问等，2010)主要来自以下两个方面：1)模式中对反馈机制等物理过程的描述及物理参数的选取存在着较大的不确定性；2)太阳参数、碳循环、O₃等各种外强迫以及气候系统对其的响应导致气候模式模拟结果的不确定性。

图 1

Fig. 1

图 1 1961～2005年东北三省各模式的区域平均气温气候态（a）逐月变化与（b）年际变化。图中黑色线条为CN05资料，图例中数字分别对应表 1中的模式编号 Fig. 1 (a)Monthly mean and(b)interannual variability of the regionally averaged surface air temperature over the three provinces in Northeast China from simulations of the 45 CMIP5 models and observations for the period of 1961–2005.Black line denotes the observational data of CN05(daily observations on a 0.5° latitude–longitude grid over China);numbers in legend refer to model IDs listed in Table 1

将1961～2005年东北三省区域平均气温的年际变化绘于图 1b，并计算了模拟与观测序列之间的相关系数(表 1)。从图 1b可以看出模式间存在差异，表 1则表明所有模式与观测序列的时间相关系数均分布在0.02～0.71之间。有13个模式对东北区域平均气温年际变化的模拟相对较好，相关系数超过了0.4且通过99%的信度检验；其中，模拟效果最好的前两个模式为MIROC4h和CanESM2，与观测气温年际变化趋势最为接近，相关系数均超过了0.5(通过了99.9%的信度检验)。

表 1 (Table 1)

表 1 1961～2005年东北三省区域平均的年气温和年降水量的模拟值的线性趋势及其与观测值的时间相关系数 Table 1 Linear trends of simulations and time correlation coefficients of regionally averaged surface air temperature and precipitation in Northeast China between simulations and observations for the period of 1961–2005 模式编号 模式名称 年气温 年降水量 线性趋势/℃(10 a)-1 时间相关系数 线性趋势/mm(10 a)-1 时间相关系数 01 ACCESS1-0 0.23*** 0.37** 11.87 -0.15 02 ACCESS1-3 0.19*** 0.23 -8.72 -0.08 03 BCC-CSM1.1 0.28*** 0.44*** -0.58 -0.04 04 BCC_CSM1.1-M 0.25** 0.36** 11.44 -0.02 05 BNU-ESM 0.60*** 0.39*** 15.78 -0.09 06 CanESM2 0.42*** 0.52*** 6.92 0.13 07 CCSM4 0.25 *** 0.33** 10.43 -0.23 08 CESM1-BGC 0.33*** 0.46*** 0.83 0.00 09 CESM1-CAM5 0.09 0.27 * 10.67 0.02 10 CESM1-FASTCHEM 0.20** 0.23 13.96 0.13 11 CESM1-WACCM 0.11 0.18 9.22 -0.21 12 CMCC-CESM 0.07 0.21 9.47 0.10 13 CMCC-CM 0.35*** 0.51*** 5.98 0.11 14 CMCC-CMS 0.26*** 0.27* 20.84** -0.19 15 CNRM-CM5 0.22** 0.21 19.23** -0.12 16 CSIRO-Mk3-6-0 0.19*** 0.40*** 12.28 -0.23 17 EC-EARTH 0.37*** 0.51*** 21.55** 0.15 18 FGOALS-g2 0.25*** 0.53*** 9.18 0.01 19 FIO-ESM 0.23*** 0.17 11.97 -0.23 20 GFDL-CM2p1 0.25*** 0.13 1.64 -0.01 21 GFDL-CM3 0.12 0.18 -22.49 0.25 22 GFDL-ESM2G 0.34*** 0.30** -13.64* 0.36** 23 GFDL-ESM2M 0.27*** 0.48*** 0.72 0.05 24 GISS-E2-H 0.05 0.18 1.05 0.16 25 GISS-E2-H-CC 0.17** 0.29* 0.08 0.09 26 GISS-E2-R 0.16*** 0.31** -1.69 -0.41*** 27 GISS-E2-R-CC 0.06 0.23 2.57 0.02 28 HadCM3 0.19** 0.32** 8.65 -0.26* 29 HadGEM2-AO 0.27*** 0.47*** 22.18** 0.14 30 HadGEM2-CC 0.09 0.19 -19.22** -0.14 31 HadGEM2-ES 0.23*** 0.34** 9.07 -0.24 32 inmcm4 0.08 0.15 -6.55 0.03 33 IPSL-CM5A-LR 0.36*** 0.43*** 12.42 0.03 34 IPSL-CM5A-MR 0.22 *** 0.44 *** 17.54* -0.22 35 IPSL-CM5B-LR 0.10* 0.01 2.07 -0.06 36 MIROC4h 0.20 *** 0.54 *** 3.31 -0.14 37 MIROC5 0.13** 0.34** -6.60 -0.17 38 MIROC-ESM 0.07 0.07 17.67* 0.21 39 MIROC-ESM-CHEM 0.27*** 0.16 4.81 0.11 40 MPI-ESM-LR 0.22*** 0.05 -7.55 0.24 41 MPI-ESM-MR 0.20*** 0.34** 6.80 0.16 42 MPI-ESM-P 0.29*** 0.31** -0.80 0.18 43 MRI-CGCM3 0.15** 0.29* -24.84** 0.15 44 NorESM1-M 0.29*** 0.41*** -1.72 0.12 45 NorESMl-ME 0.07 0.02 -2.72 -0.01 MME 0.29*** 0.71*** 7.53* 0.11 CN05 0.38*** -2.99

表 1 1961～2005年东北三省区域平均的年气温和年降水量的模拟值的线性趋势及其与观测值的时间相关系数 Table 1 Linear trends of simulations and time correlation coefficients of regionally averaged surface air temperature and precipitation in Northeast China between simulations and observations for the period of 1961–2005

为了检验CMIP5模式对东北三省区域平均气温在1961～2005年间线性趋势的模拟能力，分别计算了研究区内各模式及观测序列的线性趋势值(表 1)。可以看出，东北三省在1961～2005年间的增温现象比较明显，观测线性增温率为0.38 ℃(10 a)⁻¹(通过99.9%信度检验)。所有模式均能模拟出东北增温的趋势(表 1)，但在数值上存在一定的偏差。45个模式模拟的线性增温率分布在0.05～0.60 ℃(10 a)⁻¹之间，多数在0.3 ℃(10 a)⁻¹左右。有35个模式模拟结果超过95%的信度检验，其中对增温趋势模拟效果最好的模式为EC-EARTH、IPSL-CM5A-LR和CMCC-CM，模拟增温趋势分别为0.37 ℃(10 a)⁻¹、0.36 ℃(10 a)⁻¹和0.35 ℃(10 a)⁻¹(均通过99.9%的信度检验)，与观测值最接近。

取1961～2005年这45年平均作为气候态，评估CMIP5模式对东北三省气候空间分布的模拟。对于气温气候态的空间分布，每一个模式都能很好地抓住其地理分布特征，在一定程度上模拟出东北气温从南向北逐渐降低的纬向分布特点(图略)。各模式的模拟场与观测场的空间相关系数均超过了0.9(模式FIO-ESM、BNU-ESM和HadGEM2-AO除外，分别为0.85、0.88和0.89)，且均通过了99.9%的信度检验。其中，空间相关系数最大的为模式EC-EARTH，达到了0.97。

将1961～2005年东北三省区域平均降水量气候态逐月变化的模拟与观测进行对比，如图 2a所示。发现模式对逐月降水量变化的模拟效果与气温相似，绝大多数模式能模拟出降水量的逐月变化特点。相比较而言，模式MRI-CGCM3对东北降水量逐月变化的模拟效果最好，变化趋势与观测基本一致，但存在数值偏差，7～8月模拟降水量低于观测值，其他月份则高于观测值。考察模式间月平均降水量之间的均方差发现，模式对冬季降水模拟的不确定性较低，对夏季模拟的不确定性则较高。

图 2

Fig. 2

图 2 1961～2005年东北三省各模式的区域平均降水量气候态的（a）逐月变化与（b）年际变化 Fig. 2 (a)Monthly mean precipitation averaged over the three provinces in Northeast China and(b)interannual variability of the regionally averaged precipitation from simulations of the 45 CMIP5 models and from observations for the period of 1961–2005

图 2b为1961～2005年东北三省区域平均降水量的年际变化图。与逐月变化相比，模式对降水的年际变化模拟相对较差，模式间差异较大。这不仅在东北地区有所体现，全国范围内也是如此(陈红，2014)。有23个模式对东北降水量年际变化的模拟与观测序列的相关系数为正(表 1)，但只有一个模式(GFDL-ESM2G)通过了显著性水平检验，其与观测的相关系数达到了0.36(通过99%的信度检验)。相比于其他模式来说，该模式对降水的年际变化模拟效果最好，但在数值上存在系统性偏高。

对东北三省区域平均降水的线性趋势分析可看出(表 1)，东北在1961～2005年间区域平均年降水量的线性趋势虽为负值［−2.99 mm(10 a)⁻¹］，但并未通过显著性检验，可见东北在这45年间年降水量波动较大，并无明显的增加或减少趋势。45个CMIP5模式中，有10个模式模拟东北降水为明显的增加或减少趋势，说明这10个模式对东北降水的线性趋势模拟有一定的偏差。

绝大多数模式对降水的空间分布模拟较好，在一定程度上模拟出了东北降水从东南向西北逐渐减少的空间分布特征(图略)。模拟场与观测场的空间相关系数分布在0.15～0.90之间(均通过99.9%的信度检验)，多数在0.75左右，有11个模式模拟结果超过了0.8。其中，对降水空间分布模拟最好的为模式EC-EARTH，空间相关系数达到了0.90，其次是MPI-ESM-LR、MIROC5和MPI-ESM-P，分别为0.86、0.85和0.85。

为了客观地衡量45个CMIP5地球系统模式对东北三省气温和降水的模拟能力，分别计算了1961～2005年东北三省标准化后的年平均气温(年平均降水量)模拟场与观测场之间的空间相关系数和时间相关系数，以及各自的标准差之比和模拟场相对于观测场的中心化标准误差，并将所有信息直观地绘制在泰勒图中(Jiang and Tian，2013;Zhao et al.，2014)(图 3)。泰勒图是一种可以将两个场或两组序列间的相关系数、标准差以及标准误差这3个指标放在同一张图上的极坐标图。因这三者间存在着算数上的三角转换关系，因此可以从泰勒图上全面清楚地比较出各模式模拟结果的好坏。本文中因绝大多数模式对降水的时间变化模拟都相对较差，故未考虑降水时间序列的泰勒图。如图 3所示，模式点到观测点的距离表示模拟场经观测场标准差标准化之后的中心化标准误差，模式点到原点的距离表示两个场之间的标准差之比(假定观测场标准差为1)，模式点对应的方位角位置表示两个场之间的相关系数。综合以上3个指标，当模式点到观测点的距离越短、到原点的距离越接近于1、相关系数越大，简言之，即离观测点越近时，表明该模式的模拟能力越强(Jiang and Tian，2013)。

图 3

Fig. 3

图 3 在参照时段1961～2005年，东北三省模拟场相对于观测场的泰勒图：（a）气温空间分布；（b）降水空间分布；（c）气温时间序列。空心倒三角为模式集合，横坐标上的空心圆表示观测 Fig. 3 Taylor diagrams displaying the statistics of spatial distributions of 45-year(1961–2005)mean(a)surface air temperature,(b)precipitation,and(c)temporal variability of regionally averaged surface air temperature in Northeast China.The inverted hollow triangle represents MME and the circle in abscissa axis represents observation

综合以上定量化评估结果，从图 3可以看出45个CMIP5模式对东北三省在1961～2005年气温空间分布的模拟能力集中且与观测相关性较高；对气温时间序列的模拟能力较为集中但与观测相关性略低，对降水空间场的模拟效果分歧较大。因此剔除一些对东北气候模拟能力相对较差的模式是有必要的。为此，本文设置了四个定量标准来挑选相对可靠的模式：1)研究区内，年平均气温和年平均降水的模拟场与观测场的空间相关系数均大于0.5且通过99.9%的信度检验；2)年平均气温空间场的中心化均方根误差与观测场标准差比值(NCRMSE)(Jiang and Tian，2013)在0.5个标准差以内、年降水空间场的NCRMSE值在1个标准差以内；3)年平均气温的模拟时间序列与观测时间序列的相关系数大于0.4且通过95%的信度检验；4)年平均气温线性趋势模拟值介于0.2～0.5 ℃(10 a)⁻¹之间且通过显著性检验的(表 1)。最终，从45个CMIP5气候模式中选取了9个对1961～2005年东北三省气候模拟相对可靠的模式：BCC-CSM1.1、CanESM2、CESM1-BGC、CMCC- CM、EC-EARTH、HadGEM2-AO、IPSL-CM5A-MR、MIROC4h、NorESM1-M。下文中应用多模式集合(the multi-model ensemble mean，MME)，即该9个模式在等权重系数条件(姚遥等，2012;Chen，2013;Zhao et al.，2014)下的集合平均，对东北三省气温和降水进行模拟。

相比于单个模式，虽然多模式集合平均在某些地方可能不如单个模式模拟的好，但就总体而言，多模式集合仍要普遍优于绝大多数的单个模式，与观测值的相关性较高(图 3)，这在以往CMIP3及以前的模式对不同区域的研究中也已得到证实(辛晓歌等，2012)。对比分析1961～2005年东北三省气温区域平均逐月气候态的观测值与多模式集合模拟结果(图 4a)，发现多模式集合能很好地反映出东北区域气温的逐月变化规律，模拟气温虽与实测值略有偏差，但仍优于绝大多数的单个模式。其中，多模式集合对夏季和冬季气温的模拟优于春秋两季，夏冬两季的模拟误差百分比分别为0.97%和−1.44%，而春秋两季模拟误差百分比则分别为−21.83%和−10.91%。

图 4

Fig. 4

图 4 1961～2005年东北三省观测与多模式集合的区域平均气温（a）逐月变化和（b）年际变化（MME-CN05为模拟值与观测值的差值） Fig. 4 (a)Monthly mean and(b)interannual variability of the regionally averaged surface air temperature over the three provinces in Northeast China from multi-model ensemble(MME)simulation and from observations for the period of 1961–2005.MME-CN05 in Fig.b represents the differences between the simulation and observations

图 4b给出了1961～2005年东北三省区域平均气温观测与多模式集合的年际变化图。从图 4b中可以看出，多模式集合模拟的气温年际振荡幅度较小，这是因为多模式进行集合的等权重系数法对极值有平滑作用(姜燕敏和吴昊旻，2013)。多模式集合对气温年际变化的模拟与观测值的偏差基本在−1～0.5 ℃之间，与观测时间序列的相关系数达到了0.71(通过99.9%的信度检验)，且比任何单个模式与观测的相关性要高，这也验证了多模式集合优于单个模式的说法。与CMIP3多模式集合模拟结果(相关系数为0.19)(崔妍等，2013)对比，CMIP5多模式集合的模拟能力大大提高了。

多模式集合模拟的东北三省在1961～2005年间的增温趋势为0.29 ℃(10 a)⁻¹(通过99.9%的信度检验)(表 1)，虽低于观测值［0.38 ℃(10 a)⁻¹］，但仍优于绝大多数单个模式模拟结果，在一定程度上模拟出了东北气温增加的现象。此外，东北冬季气温的增温率［0.57 ℃(10 a)⁻¹］明显高于夏季［0.23 ℃(10 a)⁻¹］，多模式集合结果也模拟出了此特点，模拟的冬季和夏季增温率分别为0.41 ℃(10 a)⁻¹和0.22 ℃(10 a)⁻¹(均通过99.9%的信度检验)。

图 5为1961～2005年东北三省年平均气温气候态的观测场、多模式集合模拟场与差值场的空间分布。由观测场(图 5a)可以看出，辽宁省的西南部为研究区内年平均气温最高的地区，低温区则位于黑龙江省最北部。多模式集合(图 5b)较好地模拟出了高低温中心，且很好地再现了1961～2005年研究区内气温由南至北逐渐降低的纬向变化趋势。气温气候态的模拟场与观测场的空间相关系数达到了0.96(通过99.9%的信度检验)。从差值场(图 5c)来看，除少数地区模拟出现暖偏差，多模式集合对东北大部分地区的气候态气温值存在低估，模拟场与观测场的系统性数值偏差绝大多数落在−1～0 ℃之间。

图 5

Fig. 5

图 5 1961～2005年中国东北三省年平均气温气候态空间分布（单位：℃）：（a）观测场；（b）MME模拟场；（c）差值场（模拟减去观测） Fig. 5 Spatial distributions of 45-year(1961–2005)averaged surface air temperature in Northeast China(units: ℃):(a)Observations;(b)MME simulation;(c)the difference between simulation and observations

从1961～2005年东北三省降水区域平均逐月气候态的观测值与多模式集合模拟结果对比分析中可以发现，多模式集合能较好地反映出东北三省区域多年平均降水的逐月变化规律(图 6a)，模拟效果优于绝大多数单个模式，但在数值上仍存在系统性偏高。其中，多模式集合对夏季和秋季降水的模拟优于春冬两季，夏秋两季的模拟误差百分比分别为7.78%和22.18%。

图 6

Fig. 6

图 6 同图 4，但为降水量的变化 Fig. 6 As in Fig.4,but for precipitation

图 6b为1961～2005年东北三省区域平均降水观测与多模式集合的年际变化图。对比观测序列与模拟序列可以发现，在1961～1992年间，多模式集合虽在一定程度上模拟出了降水的年际变化趋势，但降水极值出现的年份与观测有略微的偏差。1993～2004年模拟的降水量则较为平滑，年际振荡明显小于观测资料。总体来说，多模式集合对于东北降水的时间变化模拟能力有限，模拟降水量偏多，偏差在50～250 mm a⁻¹之间，时间相关系数仅为0.11(表 1)，且未通过显著性检验。

多模式集合对于东北三省在1961～2005年区域平均降水的线性趋势模拟能力相对较差，模拟结果为略微增加趋势［7.53 mm(10 a)⁻¹］，且通过95%的信度检验，而实际降水并无明显的增加或减少趋势。

图 7为1961～2005年东北三省年平均降水气候态的观测场、多模式集合模拟场与差值场。对比降水观测场和模拟场(图 7a和图 7b)可以看出，东北三省实际降水量有从东南向西北明显减少的趋势。在某种程度上，多模式集合模拟出了此特点，模拟场与观测场的空间相关系数达到了0.86(通过99.9%的信度检验)。此外，多模式集合基本模拟出了辽宁省东部到吉林省南部这个年降水中心，但在数值上存在系统偏差。从降水差值场(图 7c)来看，多模式集合平均有一个明显的特点，即沿海地区模拟降水偏低，内陆地区模拟偏高。除了辽宁省南部地区，其他地方模拟降水量均高于观测值，模拟误差多数分布在10%～40%之间，最大偏差百分比为64%，位于吉林省东部地区。与Xu and Xu(2012)的研究结果类似，其用18个CMIP5多模式集合模拟的东北降水量误差比例在0～80%之间。

图 7

Fig. 7

图 7 同图 5，但为降水量的空间分布 Fig. 7 As in Fig.5,but for precipitation

本文利用CN05观测数据，检验了参与CMIP5的45个地球系统模式对1961～2005年中国东北三省气温和降水的模拟能力，并通过一些定量化的评估方法，选出9个对东北气候模拟相对可靠的模式进行多模式集合平均，并对多模式集合的模拟能力也进行了评估分析。得到以下结论：

(1)多数模式都低估了气温，高估了降水。多模式集合结果与观测的气温差值基本在−1～0.5℃之间，与观测降水量差值在0～250 mm a⁻¹之间。

(2)绝大多数模式都能较好地模拟出1961～2005年东北三省显著增温的趋势，对区域平均气温的年际变化模拟能力有限，多模式集合模拟结果优于大多数单个模式。

(3)所有模式均能较好地再现东北三省气温气候态的逐月变化规律以及由南至北气温逐渐降低的空间分布特征，多模式集合模拟效果比绝大多数单个模式出色，其模拟的模拟场与观测场的空间相关系数达到了0.96，并通过99.9%的信度检验。

(4)模式对降水年际变化的模拟能力相对有限，仅有一个模式(GFDL-ESM2G)与观测时间序列正相关并通过99%的信度检验；多模式集合模拟的降水量普遍偏高，且年际振荡小于观测资料。

(5)大部分模式对降水气候态逐月变化规律以及从东南向西北降水量逐渐减少的空间分布特征的模拟都较好，多模式集合能更好地反映其变化规律，模拟场与观测场的空间相关系数达到了0.86，并通过99.9%的信度检验。

总体而言，与单个模式相比，9个CMIP5多模式集合平均对东北气候的模拟效果更优。该模式集合对气温具有较强的模拟能力，可利用其来预估未来东北三省气温的时空分布特征和演变规律。对于降水，多模式集合的模拟能力整体不如气温，但对降水的空间分布模拟较好，因此可用该集合来预估未来东北降水的空间分布特点；对于降水的年际变化，多模式集合模拟能力则相对有限，高估了降水，且波动较大，用其进行预估时需谨慎。