CMIP5气候模式对云南气候变化模拟评估及未来情景预估

田孟勤，张 杰，罗 阳，王 超，何肖国

(1.贵阳市气象局,贵州 贵阳 550001；2.贵州省息烽县气象局,贵州 息烽 551100)

0 引言

随着全球变暖的日益加剧，各国政府及科学家将未来气候变化作为研究中心。全球气候模式能够模拟大气环流、海陆之间的相互作用，构建温室气体排放情景，有了未来温室气体可能的排放情况，就能够对未来世界气候的可能变化进行模拟和预估。为了保证全球气候模式能够准确模拟未来气候变化，将模式模拟数据与观测资料进行比对，对气候模式的可靠性进行综合评价也是人们关注的热点问题[1-4]。目前，国际耦合模式比较计划已经进行到第五阶段( Coupled Model Intercomparison Project Phase 5 ，以下简称CMIP5)，利用CMIP5公布的最新预估数据开展了大量的研究：基于CMIP5的37个不同气候模式和HadCRUT4数据，Knutti and Sedlácek et al. 研究发现CMIP5的预估气温空间分布特征与IPCC AR4的结果较为相似[2]，而Fyfe et al.发现近20 a全球变暖幅度明显小于气候模式模拟结果[3]；郭彦等利用CMIP5气候模式输出数据对1906—2005年中国平均气温变化进行了模拟和评估，发现CMIP5模式相较于CMIP3模式在模拟的准确度上都有所提高[5]。在区域尺度上，Su Fengge et al.和姜燕敏等分别对CMIP5气候模式结果在青藏高原和中亚地区的模拟能力进行了评估[6-7]。此外，一些学者还采用不同极端气候指数，对CMIP5的模式结果进行了评估和预估分析[8-9]。

云南位于我国西南地区，属低纬度山地高原地形，地势由北向南成阶梯型分布，地貌复杂多变，作为全球生物多样性最丰富的地区之一和世界级的基因库，该地区气候变化对全球变化较为敏感[10]。正因如此，利用CMIP5模式模拟数据对云南地区未来气候变化特征进行预估，不仅有助于改进模式在复杂地形条件下的气候模拟能力，更有利于开展气候变化背景下的山地生态系统的适应性管理和加强生物多样性的保护工作。

1 数据和方法

1.1 数据来源

本文中采用的观测数据来自中国气象局国家信息中心，包括云南地区31个国家气象站点1986—2005年降水、气温的逐月数据(图1)。模式数据包括IPCC AR5中使用的8个气候模式数据及21个气候模式的简单集合平均数据(表1)，其中气候基准期数据为1986—2005年的模拟数据，未来预估数据为在排放情景RCP2.6、RCP4.5、RCP8.5下的模式输出数据。预估时段采用IPCC AR5 推荐的“near-term”(2020—2035年)。为方便与观测数据的比较，采用双线性插值法将8个气候模式和模式集合数据统一插值到气象站点上。

图1 云南省气象站点与气候模式格点分布图Fig.1 Distributions of meterological stations and GCMs in Yunnan Province

表1 CMIP5 气候模式概况(粗体为本研究采用的8个模式)Tab.1 Information of CMIP5 climate models

续表1 CMIP5 气候模式概况(粗体为本研究采用的8个模式)

1.2 研究方法

本文采用相关系数与均方根误差对CMIP5在气候基准期(1986—2005年)的模拟数据与31个观测站点观测数据进行分析，评估其模拟效果相。大多数文献对于模式的评估往往分别比较相关系数与均方根误差，Taylor在PCMDI(Program for climate Model Diagnosis and Intercomparison)的技术报告上发表了Taylor Diagram，在二维图上对相关系数与均方根误差进行体现[11]。其原理如下：

(1)

(2)

(3)

(4)

其中，fn为模式数据；rn为观测数据；σf为模式标准差；σr为观测数据标准差；上标“￣”为平均值；N为云南地区的格点数。

空间相关系数可以用来表征两个平均场(观测和模拟)的空间差异与相似程度，计算公式如下：

COR=

(5)

2 各模式对云南气温、降水模拟能力评估

2.1 年平均气温与降水量的模拟

对图2进行分析可以得出：8个模式均能模拟出云南降水在1986—2005年间的增加趋势，但模式F (FGOALS-s2)的降水和气温趋势明显高于观测数据的趋势；对气温的趋势模拟中，仅模式J (MRI-CGCM3) 模拟出了下降趋势，显然与实际观测数据的趋势不符，而其余7个模式均为上升趋势，与实际观测数据的趋势一致。与气温、降水观测数据的趋势相比较，模式集合数据的趋势均与气温、降水观测数据的趋势较为接近。

图2 气候模式对年平均气温、降水(1986—2005年)线性趋势的模拟比较(粗实线为观测数据线性趋势，字母B代表模式集合数据的趋势线，字母(C-J)所代表模式见表1)Fig.2 The observed and simulated linear trend of annual precipitation (left) and temperature (right) during 1986—2005

从表2的统计结果可看出：对降水、气温趋势模拟最好的两个模式分别是模式J(MRI-CGCM3)和模式D(BNU-ESM)；虽然模式J的降水趋势与观测降水趋势较为接近，但其年平均降水的空间分布特征模拟结果与观测结果相差较远；分析模式数据对气温的空间分布特征模拟结果发现，多模式集合数据要优于8个气候模式数据，与观测数据最为接近；总体来看，多模式集合数据和各气候模式模拟数据在降水的空间分布特征模拟上要比气温的空间分布特征模拟效果要差。

表2 气候模式对云南地区年平均气温、降水(1986—2005年)模拟结果统计Tab.2 Statistic feature of observed and simulated annual temperature (left) and precipitation (right) during 1986—2005

2.2 基准期逐月气温与降水变化模拟

如图3所示：与观测数据相比，在基准期逐月气温的模拟上多模式集合的均方根误差和标准差均为最小，尽管各气候模式与观测数据的相关系数大致分布在0.95附近，但各气候模式均存在较大的均方根误差和标准差；而对于降水而言，多模式集合的月降水数据与观测数据相关系数最高，8个模式的均方根误差均较大，说明气候模式的模拟数据与观测数据所呈现的实际结果之间还存在着较大偏差。

2.3 气温与降水年内变化模拟

鉴于与观测数据相比，月平均降水、月气温序列的模拟结果存在着较大的均方根误差和标准差，为了进一步对模式数据的模拟能力进行分析，验证模式数据与观察数据的吻合程度，对模拟数据和观测数据的月降水和月气温在年内的变化情况进行对比分析，结果如图4 所示：月降水的年内变化存在季节性变化，夏季降水明显多于春秋季节，在降水的年内分布模拟上，8个气候模式数据虽然能够模拟出年内降水的季节性变化，但在雨季降水峰值的模拟上效果较差，而多模式集合数据不仅能够很好的模拟出降水的季节性变化，而且对降水峰值模拟的效果也明显较好；基准期内月平均气温观测值虽呈现季节变化，但月与月之间差值较小，8个气候模式数据对春、秋、冬季的气温模拟效果差，远远低于观测值，仅夏季(6—8月)气温与观测数据较为接近，无法模拟出云南高原气候的特点，而多模式集合数据则与实际观测结果中气温的年内变化较为接近。

图3 观测数据(A)与多模式集合(B)、各模式(C-J)月降水、气温序列的Talor图 (绿色曲线为均方根误差)Fig.3 The observed (A), Multi model (B) and Models (C-J) Talor diagram of annual precipitation (left) and temperature (right) during 1986—2005

图4 气候模式对月平均气温、降水(1986—2005年)的模拟比较(白色柱状图为观测值，黄色为多模式集合数据，蓝色和粉色为8个模式结果的箱点图，其中，粉色框上下边界分别代表均值标准误差的95% 置信线，黑点代表8个模式)Fig.4 The observed and simulated monthly mean temperature (left) and monthly precipitation (right) during 1986—2005

3 未来气温与降水变化预估

鉴于8个气候模式在降水、气温的模拟上与观测数据存在较大差异，本文对未来(2020—2035年)气温和降水变化的预估采用多模式集合数据。从未来3种排放情景下云南气温、降水空间变化幅度(图5)上可看出，与多模式集合基准期模拟结果相比，未来3种情景下云南纵向岭谷地区降水增加幅度为1%～3%；3种排放情景下，整个云南地区降水均呈现西增东减态势，RCP8.5情景下降水变幅最大；未来气温则表现为一致升高，RCP8.5情景下气温变幅最大。

图5 未来(2020—2035年)3种情景下云南降水、气温变化幅度(与21个模式集合的基准期数据比较)Fig.5 Distribution of annual precipitation(left) and temperature (right) during 2016—2035 under RCP 2.6,RCP 4.5 and RCP 8.5 scenarios in Yunnan Province

续图5 未来(2020—2035年)3种情景下云南降水、气温变化幅度(与21个模式集合的基准期数据比较)Fig.5 Distribution of annual precipitation(left) and temperature (right) during 2016—2035 under RCP 2.6,RCP 4.5 and RCP 8.5 scenarios in Yunnan Province

4 结论

本文基于CMIP5的8个气候模式和多模式集合数据(21个气候模式简单集合)和观测数据，评估了其在基准期内对云南气温、降水的模拟能力，并应用多模式集合数据，预估了未来不同排放情景下(RCP2.6、RCP4.5、RCP8.5)云南地区气温、降水的空间分布趋势。结果如下：

①多模式集合和部分模式能较好的模拟出基准期内气温、降水的年际变化趋势；在空间分布特征上，气候模式(包括多模式集合)对降水的模拟偏差较差，对气温的模拟相对较好；但在月平均气温和月降水的年内分布模拟上，多模式集合数据的模拟效果明显优于8个气候模式数据，因此在进行气候变化预估时采用多模式集合数据

②预估结果表明，在未来3种排放情景下云南地区降水呈西增东减的空间部分特征，纵向岭谷地区降水增加幅度为1%～3%，且在RCP8.5情景下降水变幅最大，而气温在3种排放情景下则表现为一致的增加，RCP8.5情景下增幅最大。

致谢:本研究所使用的全球气候模式气候变化预估数据，是由国家气候中心研究人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 Modelling)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。