CAS-ESM模式对欧亚大陆逐日降水特征的数值模拟：物理参数化方案和水平分辨率的影响

孔祥慧 王爱慧 毕训强 李星雨 张贺

1 中国科学院大气物理研究所竺可桢—南森国际研究中心，北京 100029

2 中国科学院大气物理研究所气候变化中心，北京 100029

3 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，北京 100029

4 重庆市巴南区气象局，重庆 401320

5 中国科学院大气物理研究所国际气候与环境科学中心，北京 100029

1 引言

降水是地球水循环过程最重要的组成之一。通常降水对自然环境和人类社会都有积极的作用，但在极端条件下可能带来自然灾害与风险。例如，连续的降水不足可能导致干旱，持续的强降水可能可引发洪水（Pendergrass and Knutti,2018）。降水的特征（如降水量、频率、强度和日变化等）发生异常时，会给农业、工业、水利和交通等产生巨大影响（黄荣辉等,2006）。在全球气候变化的背景下，降水频率、强度和极端降水等特征在全球或局地尺度上都可能发生变化（Trenberth et al.,2003）。因此，在全球或局地尺度上深入研究降水和极端降水的特征及变化规律，有助于认识和理解降水发生及发展的物理过程，从而对防灾减灾、水资源管理和降低风险提供重要的科学依据。

数值模式是气候变化及其演变规律的重要研究工具之一，已被广泛用于各种研究中，如古气候的重建（如Kutzbach et al., 1989;苏宝煌等,2018）、当代气候的模拟和预测（如Xue et al.,2001;Li et al.,2007;李星雨等,2018）以及未来气候变化的预估（如姜大膀等,2004;Ding et al.,2007;Duan et al.,2019;Luo et al.,2020）等领域。在全球或区域尺度上，数值模式能提供时空连续的降水资料，从而能细致地研究降水及其特征的规律和变化。随着现代科学技术的发展、气象观测站分布的日趋完善和数值模式能力的不断提高，已有不少研究通过与观测资料的对比和分析，评估和检验模式模拟的降水特征（如Sun et al.,2006;Zhang and Zhai,2011;宇如聪等,2014;吴佳等,2015;Miao et al.,2016;杨萍等,2017;Han et al.,2019;Zhou et al.,2019;Kong et al.,2020）。在数值模式中，涉及降水模拟的物理过程十分复杂，包括空间分辨率、积云对流过程、云微物理过程、辐射传输过程、陆面蒸发和潜热过程等（Dai,2006）。这些复杂的过程会在不同程度上影响数值模式对降水特征（如降水量、频率和强度等）和极端降水的模拟性能。例如，Sun et al.（2006）利用全球模式的逐日降水结果与观测资料分析发现，模式能较好地再现平均降水量的空间分布，但模拟的降水偏多，高估了小雨的频率，低估了强降水的强度。目前，数值模式对降水特征的模拟能力有限，模拟性能还有待提高（Yuan et al.,2013）。通常，全球模式中水平分辨率较粗，这可能是在降水研究中的不确定性来源之一。通过增加全球模式整体或局部空间分辨率，可以更好地刻画与降水有关的地形、土地利用和海岸线等中尺度过程的细节，提高模式的模拟性能（如Wu et al., 2017）。然而，也有许多研究指出，仅仅提高全球模式的水平分辨率，并不是总能改善或提高降水气候态、日变化和双赤道辐合带（double ITCZ）现象等的模拟性能（Yuan et al.,2013;Bacmeister et al.,2014），关键是减少存在于降水相关的物理过程参数化方案中的不确定性问题（Williamson and Olson,2003;宇如聪等,2014）。

2 试验设计、资料和方法

本研究使用中国科学院大气物理研究所自主研发的CAS-ESM模式1.0版本，它是由中国科学院大气物理研究所内/外联合团队开发的模式。其中大气分量模式是IAPAGCM 4.1版本，动力框架采用有限差分格式（Finite-difference dynamical core），水平分辨率可选用典型分辨率1.4°×1.4°和高水平分辨率0.5°×0.5°，物理过程选用不同的参数化方案，其他模式细节参考Zhang et al.（2013）。此外，本研究还使用了美国国家大气研究中心（NCAR）研发的CESM模式（1.2.2版本），以更好地对比分析CAS-ESM模式的模拟性能。本研究共设计了四组试验，如表1所示。其中，第一组试验（记为CESM）使用NCAR CESM模式，水平分辨率为1.9°×2.5°，物理过程采用美国国家大气研究中心发展的CAM5（Community Atmosphere Model version 5）的物理参数化方案；第二至第四组试验均使用了CAS-ESM模式，其中第二组试验（记为Lcam4）水平分辨率为1.4°×1.4°，物理过程采用美国国家大气研究中心发展的CAM4（Community Atmosphere Model version 4）的物理参数化方案组合；第三组试验（记为Lcam5）的水平分辨率也为1.4°×1.4°，但物理过程采用的是CAM5的物理参数化方案；第四组试验（记为Hcam5）的水平分辨率为0.5°×0.5°，物理过程采用CAM5的物理参数化方案。在垂直方向上，CESM的模式层数为30层，模式层顶气压为2.9 hPa。在CAS-ESM模式进行的试验中，Lcam4试验的模式层数为26层，Lcam5和Hcam5的模式层数都是30层，模式层顶气压为2.2 hPa。图1给出了本文选取的研究区域和不同试验的地形高度场。图1显示，水平分辨率越高，对地形的描述越细致。此外，图1a中还选了四个子区域：南欧地区（SEU）、印度半岛（IND）、亚洲东南部（SEA）和亚洲东北部（NEA），以供后文更细致地分析。

图1 研究区域和（a）CESM、（b）Lcam4和Lcam5、（c）Hcam5试验的地形（填色，单位：m）。图1 a中SEU、IND、SEA、NEA表示南欧、印度半岛、亚洲东南部、亚洲东北部Fig.1 Model domain and topography(shadings,units: m)for experiments(a)CESM[NCAR CESM(Community Earth System Model, National Center for Atmospheric Research)with the CAM5(Community Atmosphere Model version 5) packageat a resolution of 1.9°×2.5°],(b)Lcam4 [CASESM with the CAM4(Community Atmosphere Model version 4) package at a resolution of 1.4°×1.4°]and Lcam5(CAS-ESM with the CAM5 package at a resolution of 1.4°×1.4°),(c)Hcam5(CAS-ESM with the CAM5 package at a resolution of 0.5°×0.5°).In Fig.1a,the red boxes denote the four sub-regions:SEU (South Europe),IND(India Peninsula),SEA (South and East Asia), NEA (North and East Asia)

表1 CAS-ESM模式的四组试验设置Table 1 Design of four experiments for CAS-ESM(Earth S ystem Model,Chinese Academy of Sciences)

CAM4和CAM5物理过程参数化方案组合配置见表2。这两个参数化方案的组合均使用Zhangand McFarlane（1995）提出的深对流方案，它们主要的区别是使用了不同的浅对流、云微物理过程、边界层湍流和辐射传输过程。四组试验的模拟时间均为1996～2016年，其中1996～1997年是spin up时间。CESM的时间步长是1800 s，Lcam4和Lcam5的时间步长是1200 s，Hcam5的时间步长是900 s。利用NCAR CESM和CAS-ESM，本文开展的试验类型是AMIP（global Atmospheric Model Intercomparison Project,Gates,1992）。在海洋上，利用Hurrell et al.（2008）提出的方法，将Hadley中心的月平均海温/海冰（Rayner et al., 2003）和NOAA的每周平均海温资料（Reynolds et al.,2002）合并计算所得的结果作为下边界条件。在陆地上，四组试验的陆面过程分量模式均使用CLM4.5（Community Land Surface model,Oleson et al.,2013）模式。

表2 CAM4和CAM5的物理参数化方案组合配置Table 2 Description of physical parameterization schemes in CAM4(Community Atmosphere Model version 4)and CAM5(Community Atmosphere Model version 5)

为了验证模式的模拟结果，并分析水平分辨率及物理过程参数化方案对逐日降水特征的影响，本文采用了以下观测资料：（1）1998～2016年逐日的GPCC（Global Precipitation Climatology Centre）降水资料（Schamm et al.,2014），分辨率为1°×1°；（2）CMORPH（CPC MORPHing）卫星观测降水资料（Joyce et al.,2004;Xie et al.,2017），其空间分辨率为0.07275°（纬度）×0.07277°（经度），时间分辨率为30 min。在本文的分析中，CMORPH处理成逐日资料进行分析，其覆盖范围是南北纬60°之间。由于GPCC、CMORPH、CESM和CAS-ESM模拟的降水空间分辨率不同，本文将所有资料都利用守恒算法插值到1°×1°的水平格点上进行分析和比较。特别说明，尽管降水的特征（降水量、频率和强度）会受到时间和空间分辨率的影响（Chen and Dai,2018），但本文的主要结论并不受分辨率的不同而改变。因此，考虑篇幅，本文仅呈现了1°×1°的结果。

降水事件的定义为：逐日降水量≥0.5 mm（可测量的降水）表明发生了降水。基于此，本文中平均降水量（单位：mm d−1）的定义是1998～2016年累积总降水量与总日数的比值；平均降水频率（单位：d）是1998～2016年年平均的有效降水总日数；平均降水强度（单位：mm d−1）是1998～2016年年平均的有效降水总量除以总日数。针对极端降水的强度和频率，采用了世界气象组织（WMO）气候变化检测/指标专家组（ETCCDI）定义的日最大降水量（Rx1day）和大雨日数（R25；日降水量超过25 mm的天数）分别表示，它们在前人的许多研究中已经被使用（如Easterling et al.,2000;Zhou et al.,2014;吴佳等,2015）。

3 结果和分析

3.1 平均降水量、频率和强度

图2给出了GPCC和CMORPH多年（1998～2016年）年平均降水量空间分布（图2a、b）；CESM和CAS-ESM模拟的降水分别与GPCC的偏差分布（图2d–f）；Lcam4、Hcam5分别与Lcam5的平均降水量差异场（2g、h）。从图2a和2b可以发现，受季风或地形的影响，GPCC和CMORPH的降水主要位于亚洲东部和南部、欧洲地中海北岸的陆地和大西洋东岸。强降水中心出现在中国东南沿海、南亚东部、印度半岛西岸、青藏高原南麓和阿尔卑斯山周围。CESM的降水整体比GPCC偏大，尤其是在俄罗斯远东、中国大部、印度半岛南部和阿拉伯半岛南部地区。其中在青藏高原南部和东部地区，CESM的降水明显偏多。与之相反，在中国东南沿海、东南亚、印度半岛北部和欧洲南部地区，CESM的降水偏少。CAS-ESM模拟的平均降水量比GPCC偏高，但与CESM的偏差分布有明显区别。例如，在中国，CESM的降水正偏差比CASESM的结果更明显。Lcam5与GPCC的降水偏差（0.02 mm d−1）显然比CESM与GPCC的偏差（0.18 mm d−1）更小。CAS-ESM的不同试验也有明显的区域性特征和差异。两组低分辨率试验Lcam4（图2d）和Lcam5（图2e）模拟的降水量在欧亚大陆最东端鄂霍茨克海周围、青藏高原四周、斯堪的维亚半岛西岸都偏大。然而，与Lcam5相比，Lcam4的降水量在印度半岛、伊朗高原、阿拉伯半岛和欧洲大部分地区、西西伯利亚平原到贝加尔湖地区明显更强（图2d、e、g）。当水平分辨率从1.4°提高到0.5°后，Hcam5显然减小了Lcam5中在欧洲、西西伯利亚平原、贝加尔湖周围地区和青藏高原南部降水量的负偏差（图2f），提高了模式的模拟性能。在青藏高原地区、中国华北和东北地区，Hcam5的降水量呈现为正偏差。在青藏高原南侧，Lcam4和Lcam5都是降水负偏差，而在Hcam5中负偏差覆盖的区域明显减小。

图2 1998～2016年多年平均降水量（单位：mm d−1）分布：（a）GPCC；（b）CMORPH；（c）CESM、（d）Lcam4、（e）Lcam5、（f）Hcam5与GPCC的偏差场；（g）Lcam4、（h）Hcam5与Lcam5的差异场。图右上角的数值是区域平均值Fig.2 Spatial distributions of mean precipitation(units:mm d−1)derived from(a)GPCC(Global Precipitation Centre)data,(b)CMORPH[Climate Prediction Center(CPC)MORPHing]data, the differences between schemes(c)CESM,(d)Lcam4,(e)Lcam5,(f)Hcam5 and GPCC,differences between (g)Lcam4,(h)Hcam5 and Lcam5 during 1998–2016.Area-weighted averaged valueof precipitation amount or biases are shown in theupperright of each panel

图3展示了GPCC和CMORPH降水频率的气候态分布、以及四组模拟的偏差分布。从图3a、b可以看出，在中国南方地区、印度半岛东部和南亚半岛，降水频率相对较大，超过了100天。在欧亚大陆约40°N以北的广大地区，出现降水的平均日数亦超过100天，部分沿海的地区甚至超过了200天（图3a）。降水日数相对较少的地区位于中国西北地区、伊朗高原和阿拉伯半岛。与GPCC相比，CMORPH的降水日数整体呈现偏少的分布，尤其是在欧洲地区、亚洲50°～60°N之间的纬度带、中国南部和东南亚地区。从图3c可以看出，在欧亚大陆大多数地区CESM的降水频率比GPCC更高，尤其是在青藏高原地区。CAS-ESM也高估了欧亚大陆逐日降水的频率，但与CESM的偏差分布不同。例如，在青藏高原地区，CAS-ESM模拟的降水频率与GPCC的偏差比CESM对应的偏差明显更小。在使用CAM5的物理参数化组合方案下，CESM在欧洲东部和亚洲东北部的降水频率偏差为正；而CAS-ESM在这些地区的降水频率偏差为负。在欧洲地区、鄂霍茨克海北部和亚洲东南部，Lcam4的降水频率（图3d）明显偏大（最大正偏差超过了70天）。在欧洲和西西伯利亚地区，Lcam5模拟的降水日数（图3e）比GPCC更少，但在其他地区（如中国东部、印度半岛）则偏多。从图3g可知，物理参数化方案由CAM4变为CAM5后，模式模拟的降水日数在欧亚大陆北部、阿拉伯半岛和伊朗高原均增加，但在中国东部地区则减少，后文将分析原因。水平分辨率提高后，尽管Hcam5模拟的降水日数比GPCC更多，但它减小了欧洲和西西伯利亚平原的负偏差，同时也减小了中国东部和青藏高原地区降水日数的正偏差（图3f、h）。比较图3d–h，可以发现物理参数化方案对欧亚大陆中高纬地区的降水日数影响较为显著，而水平分辨率则对地形显著的地区和中国东部地区的降水频率的结果有较大影响。

图3 同图2 ，但为1998～2016年多年平均降水频率（单位：d）分布Fig.3 As in Fig.2,but for mean precipitation frequency (units:d)during 1998–2016

图4展示了GPCC和CMORPH降水强度的气候态分布、以及四组试验的偏差分布结果。GPCC和CMORPH的降水强度空间分布整体接近。与GPCC相比，CMORPH卫星观测的降水强度整体偏强。CESM的降水强度在阿拉伯半岛南部和青藏高原南部与东部偏强，其余地区的降水强度则偏弱（图4c）。与CESM相比，Lcam5的降水强度与GPCC的负偏差更大，这表明其降水强度比CESM更弱。除了在欧亚大陆最东边的半岛和青藏高原四周，CAS-ESM的降水强度均小于GPCC的降水强度（图4d–f）。在低分辨率下，Lcam4（图4d）和Lcam5（图4e）模拟的降水强度偏差分布十分相似。提高水平分辨率后，即Hcam5（图4f）模拟的降水强度负偏差整体上都减小，偏差显然比Lcam4和Lcam5都更弱，模拟性能得以改善。从图4中可以看出，与降水频率不同的是，利用CAS-ESM进行数值试验时，物理参数化方案的改变对降水强度的影响相对较小；而水平分辨率对降水强度的影响相对较大，尤其是在欧洲、印度、中国东部和俄罗斯南部贝加尔湖所处的纬度带区域。

图4 同图2 ，但为1998～2016年多年平均降水强度（单位：mm d−1）分布Fig.4 As in Fig.2,but for mean precipitation intensity (units:mm d−1)during 1998–2016

3.2 极端降水频率和强度

图5给出了GPCC和CMORPH在1998～2016年多年平均日最大降雨量（Rx1day）空间分布，以及四组试验分别与GPCC的偏差分布。GPCC和CMORPH两种观测显示，Rx1day的空间分布与降水强度十分相似。在亚洲东部、南部以及欧洲地中海北岸Rx1day较大，中国西北内陆、咸海周围地区和欧亚大陆北边界地区对应的值较小。在中国东南沿海、青藏高原南麓和印度半岛等地区Rx1day都达到了80 mm以上，但在中国西北地区却不足8 mm。CESM的结果显示，在俄罗斯远东地区、中国中西部和阿拉伯半岛南部，Rx1day的偏差为正，其余地区为负。与CESM相比，CASESM在中国中部地区的正偏差更小，但在亚洲南部的负偏差更大。Lcam4和Lcam5的结果显示（图5d、e），二者表征的Rx1day与GPCC的偏差分布相似：在鄂霍茨克海周围的陆地、青藏高原和伊朗高原一些地区存在正偏差，其他地区则是负偏差。在印度半岛的两组试验的差异相对明显（图5g）。提高分辨率后，Hcam5的结果（图5f）显然与另外三组低分辨率的试验结果不同，它有效减小了CESM、Lcam4和Lcam5模拟的负偏差。然而，在亚洲东北部和青藏高原，它模拟的Rx1day为正偏差，在印度半岛和南亚是负偏差。总体而言，Hcam5模拟的Rx1day比Lcam5的更大（图5h），从而减小了Lcam5的负偏差。因此，水平分辨率提高后，极端降水强度的模拟性能提高，这与前人的研究结论一致（Zarzycki et al.,2014;Kong et al.,2020）。此外，对比图4和图5可以发现，降水强度和日最大降水量的空间分布十分相似。同样的，水平分辨率的改变对Rx1day的影响相对明显，而物理参数化方案的影响相对较小。

白新欢提出马克思共产主义思想具有科学、现实和哲学三个基本维度，其中前两个维度使共产主义成为科学。他同时强调了马克思人道主义思想是共产主义思想的重要出发点。[12]

图5 同图2 ，但为1998～2016年多年平均日最大降水量（Rx1day，单位：mm）分布Fig.5 Asin Fig.2, but for mean maximum daily precipitation (Rx1day, units:mm)during 1998–2016

图6给出了不同数据表征的降水量超过25 mm的大雨日数（R25）的气候态分布和偏差分布。由GPCC和CMORPH可知，印度半岛、南亚东部、中国南部和日本等地区的R25均超过了20天，阿尔卑斯山脉周围地区能达到12天。CESM的R25在青藏高原南部和东部明显比GPCC偏多，正偏差可达11天以上；在秦岭淮河一带CESM的R25也偏多。在欧洲、印度、东南亚和中国东南沿海地区，CESM的R25比GPCC偏小。CAS-ESM的模拟偏差分布与CESM分布类似，但存在区域差异。例如，在秦岭淮河一带，与GPCC相比，CESM的R25偏多，CAS-ESM的R25整体偏少。Lcam4（图6d）和Lcam5（图6e）模拟的R25偏差分布十分相似，在欧洲和亚洲南部均比GPCC的更小。比较而言，在印度半岛、中国南方地区和东南亚，Lcam4比Lcam5的R25更大，最大可达5天以上的差异（图6g）。在青藏高原、中国东北和外大兴安岭地区，Hcam5模拟的R25（图6f）比GPCC更大。在欧洲地区、印度半岛、东南亚和中国南部，Hcam5模拟的R25和前面低分辨率的结果一致的偏小，但Hcam5明显减小了负偏差（图6h）。

图6 同图2 ，但为1998～2016年多年平均大雨日数（R25，单位：d）分布Fig.6 As in Fig.2,but for mean number of heavy rain days(R25, units:d)during 1998–2016

综合分析图2～6，首先可以发现，GPCC的降水强度、Rx1day和R25的空间分布相对接近，CMORPH和四组试验的降水强度、Rx1day和R25与GPCC的偏差在空间分布上也较为接近。因此，降水强度与极端降水的强度（如Rx1day）和极端降水的频率（如R25）之间可能存在一定的联系。针对CAS-ESM的两组低分辨率的试验，比较图2d和图3d（或图2e和图3e），平均降水量和降水频率的差异分布类似。因此，改变物理参数化方案和水平分辨率后，降水量的变化可能主要与降水频率相关。此外，当物理参数化方案组合由CAM4变成CAM5时，降水强度、Rx1day和R25在印度半岛、中国南部和南亚地区，前者（Lcam4）比后者（Lcam5）的模拟结果都更大，在其他地区物理参数化方案的影响则相对较小。当水平分辨率从1.4°提高到0.5°时，Hcam5的降水强度、Rx1day和R25比Lcam5的模拟结果都更大，这使得模式误差得以减小，尤其是在欧洲、亚洲东部和南部。最后，为了定量地评估四组试验的模拟性能，表3给出了在欧亚大陆上，不同试验模拟的降水指数分别与GPCC的空间相关系数和标准化方差。CESM的降水频率和R25的空间相关系数最大，表明这两种降水特征，CESM的模拟性能相对较好。Hcam5的平均降水量、降水强度和Rx1day的空间相关系数最大，表明其相应的模拟性能较好。针对标准化的方差，四组试验模拟的降水频率的结果均大于1，这表明两个模式模拟的降水频率空间变化比GPCC更大。然而，模式模拟的降水强度、Rx1day和R25的标准化方差都小于1，说明模式模拟的这些降水特征的空间变率比GPCC更小。这与图2～6的空间分布结果一致。

表3 四组试验CESM、Lcam4、Lcam5、Hcam5分别与GPCC的空间相关系数（CC）及标准化方差（NSD）Table 3 Spatial correlation coefficients(CC)and normalized standardized deviations(NSD)between GPCC and CESM,Lcam4, Lcam5, Hcam5

3.3 子区域逐日降水的季节变化

降水的局地特征显著，在中高纬度季节特征也明显。因此，通过分析和对比典型降水子区域的局地降水模拟性能，能更细致地评估模式的模拟性能。从图2a、b可知，在欧洲南部、印度半岛和中国东部，降水量相对其他地区更大。与此同时，这些地区的人口相对稠密，降水特征的变化对社会经济生成和人类活动均有重要影响。为细致地检验NCAR CESM和CAS-ESM模式在不同区域对降水特征的模拟性能，图1a给出了四个典型的子区域。其中，印度半岛和中国东部均是典型季风性气候区，其降水特征受地形、南亚季风、东亚季风、西太平洋副热带高压和热带气旋等因素的影响（如Lu,2002;Ding et al.,2007;Ren et al., 2013;Qian and Zhou,2014）；南欧地区则是典型的地中海气候，夏季炎热干燥，冬季湿润多雨，降水的变化受到NAO（North Atlantic Oscillation）和ENSO（El Niño–Southern Oscillation）等因素影响（如Rodóet al.,1997）。图7给出了不同子区域四个季节（冬季：12～2月，DJF；春季：3～5月，MAM；夏季：6～8月，JJA；秋季：9～11月，SON）的平均降水量的区域平均值。其中图7a–d分别表示四个区域GPCC、CMORPH和四组模拟试验的点状图结果；图7e也表示同样的结果，但用柱状图表示，以使得结果更直观。

图7 1998～2016年多年平均的四个子区域（a）SEU、（b）IND、（c）SEA、（d）NEA季节平均降水量分布，（e）季节平均降水量柱状图。DJF、MAM、JJA、SON分别表示春季、夏季、秋季、冬季Fig.7 Seasonal mean precipitation for(a)SEU,(b)IND,(c)SEA,(d) NEA,and(e)a histogram of seasonal mean precipitation averaged in 1998–2016.DJF,MAM,JJA,SON represent spring,summer,autumn,winter, respectively

在南欧地区（SEU），GPCC显示在DJF和SON的降水量相对较大，是全年降水的主要季节，均达到2 mm d−1以上。CMORPH的区域平均降水比GPCC更少，尤其是在降水充沛的冬季负偏差较显著。CESM的降水在4～11月都比GPCC的值更小，其他季节和GPCC大体相当。利用CASESM进行的试验中，除了JJA偏少外，Lcam4模拟的降水量都比GPCC更多。Lcam5模拟的降水量在DJF与GPCC几乎一致，但其他三个季节都偏少，且偏差是试验中最大的一组。从图3和图4可知，这与它模拟的降水频率和降水强度均偏弱有关。Hcam5在DJF偏多，JJA偏少，其他两个季节与GPCC相对接近。

印度半岛（IND）在南亚季风影响下JJA的降水量最大，接近9 mm d−1。在JJA和SON，CESM的降水比GPCC偏大；CMORPH和CAS-ESM的三组试验模拟的JJA降水均比GPCC更小，尤其是Lcam5。这主要与降水强度、极端降水强度和频率偏小有关（图4～6）。Lcam4的结果与GPCC更为接近；提高分辨率后，Hcam5的结果改善了Lcam5中偏少的误差。SON的结果与JJA类似，模拟的结果均偏小。然而，在DJF和MAM两个季节，CAS-ESM模拟的结果则偏大，这可能主要是由于降水频率比GPCC偏更大引起的。

在中国东南部，观测的GPCC结果在JJA降水量也最大，达到7 mm d−1左右。CMORPH和四组试验模拟的结果几乎重合，但比GPCC略小。除Lcam5外，SON观测和模拟的结果几乎重合。从这两个结果也可以看到，在使用不同物理过程和水平分辨率时，尽管模式模拟的降水量差异不大，但其降水频率、强度和极端降水的模拟结果却可以很大，这也指出了模式对降水特征模拟性能的复杂性。在DJF和MAM两个季节，CESM和CAS-ESM模拟的降水均比GPCC偏大，其中Lcam5模拟的偏差最大，Lcam4和Hcam5的降水量相对一致。

最后在中国的华北、东北和外兴安岭地区，GPCC资料中JJA的降水仍最大，SON次之，DJF降水最少。除了在DJF降水量偏少外，CMORPH与GPCC的降水几乎重合。四组试验模拟的降水量都比GPCC和CMORPH更多。在MAM和SON两个季节，CESM的正偏差最大。与Lcam4和Lcam5相比，Hcam5模拟的降水在四个季节都正偏差最大，这与Hcam5模拟的Rx1day和R25存在正偏差对应。

图8给出了GPCC、CMORPH和四组试验在四个子区域多年平均逐日降水的区域平均的变化。尽管不同的数据存在差异，但均能反映出不同区域降水的季节变化。在南欧地区，1～5月，以及11、12月，CMORPH的逐日降水量比GPCC更低，其他月份CMROPH的降水量与GPCC几乎重合。在4～11月，CESM的降水量比GPCC和CMORPH两种观测资料的更少。6～9月，CAS-ESM的三组试验模拟的降水量也比GPCC和CMORPH更少，且Lcam4的负偏差最小，Lcam5的负偏差最严重。在1～2月和11～12月，CESM和Lcam5的偏差较小。3～4月，Hcam5的偏差相对较小。此外，四组试验模拟的标准差（STD）均比GPCC（0.28 mm d−1）大，其中Lcam5和Hcam5的结果偏大，达到0.43 mm d−1。在印度半岛（图8b）的3～6月，两个模式模拟的降水量比GPCC更多；而在7～8月，两个模式表征的降水量则比GPCC偏少。后者主要是由于地区平均降水强度和极端降水的强度与频率均存在负偏差导致的。此外，与SEU不同，GPCC的STD为3.42 mm d−1，但CMORPH和CAS-ESM的结果都比GPCC小，依次为2.99 mm d−1、2.50 mm d−1、2.99 mm d−1和2.54 mm d−1，CESM的STD则比GPCC更大，为3.47 mm d−1。在亚洲东部的两个子区域（图8c、d），GPCC与CMORPH的季节变化曲线几乎一致。这说明，该地区CMORPH表征的降水特征的可信度高。四组试验的结果在这两个子区域的降水量全年整体偏大，但在6～8月，模式模拟的结果偏小。此外，SEA地区，Lcam5的STD比GPCC的值更小，其余试验的STD则结果相反。从SEU、IND和SEA三个子区域的结果来看，在7～8月，两个模式的降水量偏少，尤其是在亚洲南部和东部，这主要与降水强度和极端降水偏低有关。然而，在NEA这个地区，两个模式模拟的降水量偏大，这显然与降水频率偏大有关。这些结果说明，在不同的地区，造成降水量偏差的原因不同。

图8 1998～2016年多年平均的逐日降水量（单位：mm d−1）在（a）SEU、（b）IND、（c）SEA、（d）NEA区域平均的时间序列。右侧两列数字分别表示平均值（MEAN）和标准差（STD）Fig.8 Timeseriesfor daily precipitation (units:mm d−1)averaged over (a)SEU,(b)IND,(c)SEA,(d)NEA during 1998–2016. Numberson theright side represent means(MEAN)and standard deviations (STD)for different data sets

4 对流性降水、大尺度降水和水汽通量的结果与分析

从前面的讨论中，可以看出物理参数化方案和水平分辨率的变化都可以影响降水特征（平均量、频率、强度、极端降水频率和强度），但影响的程度和区域有所不同。根据降雨产生的不同物理过程及云的类型，Houze（1997）将降水分为两种类型：对流性降水和层状云降水（或大尺度降水）。在CESM和CAS-ESM中，总降水也是由对流性降水和大尺度降水两个部分组成。因此，为探究前文变化的具体原因，图9给出了1998～2016年四组试验对流性降水和大尺度降水的气候态分布。图10给出了前文所选的四个子区域对流性降水和大尺度降水的逐日变化曲线。从图9能看到，四组试验模拟的对流性降水在欧洲、印度半岛、亚洲东部和东南亚地区相对较大，而在欧亚大陆北边界、中国西北内陆到里海东岸对流降水较小。CESM、Lcam4和Lcam5区域平均的对流性降水接近（依次是0.90 mm d−1、0.95 mm d−1和0.94mm d−1），但在不同地区有明显差异。与低分辨率的结果相比，Hcam5的对流性降水明显减小，区域平均值最小。这说明提高水平分辨率后，依赖对流参数化方案来产生降水减小（即对流性降水减小），这与前人逐月和逐小时降水的结果一致（Zarzyckiet al.,2014;Kong et al.,2020）。在欧洲，CESM的对流性降水比Lcam4和Lcam5整体偏少，这与4～10月CESM的结果偏小相关。Lcam5的对流性降水在空间分布上显然小于Lcam4（图9a、c），这与图10a中Lcam5在5～10月的对流性降水比Lcam4少相关（图10a）。与之对比，Hcam5的对流性降水最小（5～6月除外）。在印度地区（图10c），尽管空间上四组试验的分布类似，但5～12月CESM的对流性降水最大，7～9月Lcam4和Hcam5产生的对流性降水也较大。在亚洲东部，从图9e、g可以明显看到，与Lcam4和Lcam5相比，Hcam5的对流性降水明显减小。同时，在两个子地区（图9e、g），Lcam5的对流性降水都最大（2.80 mm d−1和1.08 mm d−1），而Hcam5的 对 流 性 降 水 最 小（1.75 mm d−1和0.69 mm d−1）。此外，在南欧地区，Lcam4模拟的对流性降水的STD最大。在印度地区则是CESM的对流性降水的STD最大。然而，在亚洲东部的两个子区域，Lcam5表示的对流性降水的STD最大，而Hcam5的最小。

图9 1998～2016年多年平均对流性降水（左）和大尺度降水（右）空间分布（单位：mm d−1）：（a、b）CESM；（c、d）Lcam4；（e、f）Lcam5；（g、h）Hcam5Fig.9 Spatial distributions(units:mm d−1)of mean daily convective precipitation(left)and large-scale precipitation(right)during 1998–2016:(a, b)CESM;(c,d)Lcam4;(e,f)Lcam5;(g, h)Hcam5

图10 1998～2016年多年平均的对流性降水（左）和大尺度降水（右）在（a）SEU、（b）IND、（c）SEA、（d）NEA区域平均的时间序列。图中数字第一行为平均值，第二行为标准差Fig.10 Time series for daily convective precipitation(left)and large-scale precipitation(right)averaged over(a)SEU,(b)IND,(c)SEA,(d) NEA during 1998–2016. Numbersin thefirst row and second row are the means(MEAN) and standard deviations (STD)for different data sets

另一方面，四组试验模拟的大尺度降水在斯堪的纳维亚半岛、青藏高原、中国东部和鄂霍茨克海周围的陆地地区相对充沛。比较而言，Lcam5模拟的大尺度降水最小，平均是0.71mm d−1；Hcam5的大尺度降水最大，区域平均值是1.00 mm d−1。在南欧和印度两个区域（图10b、d），CESM的结果介于Lcam5和Hcam5之间。Lcam5的大尺度降水全年最小，这可能是欧洲降水强度和极端降水偏少的原因之一。Lcam4和Hcam5的结果则相对接近。在东亚两个子区域，CESM和Hcam5模拟的大尺度降水较大，尤其是在降水较为明显的4～9月。对比CAS-ESM的三组试验结果可知，提高水平分辨率后，其模拟的可解析降水（resolved rainfall）增加，依赖对流参数化方案产生的降水减小。可以推断，在亚洲东部Hcam5降水频率的减小主要是因为对流性降水频率的减小导致的。与此同时，CESM的大尺度降水的STD在东亚两个子区域最大，Hcam5的STD次之。与SEU和IND一致，Lcam5的大尺度降水最少。针对CAS-ESM的结果，我们还分析了Lcam4、Hcam5分别与Lcam5模拟的对流性降水和大尺度降水的差异场（图略）。除了在中国长江沿岸地区外，Lcam4的大尺度降水比Lcam5的均更多。这可能导致Lcam4的降水量和降水频率都高于Lcam5（图2f和3f），尤其是在欧亚大陆的中高纬度地区、印度半岛和南亚等热带地区。在中国东部，Lcam4的对流性降水显著低于Lcam5的结果，这引起了该地区Lcam4的降水量和降水频率都比Lcam5低。另一方面，与Lcam5相比，Hcam5的对流性降水减小，而大尺度降水却增大。因此，在中国南部降水频率的减小主要是由于对流性降水频率降低引起的；而中国东部和欧洲的降水强度、极端降水的强度和频率等，则主要是由于大尺度降水的增加引起的。

图11和图12依次给出了JJA和DJF、MAM和SON四个季节Lcam4和Hcam5分别与Lcam5模拟的水汽气候态差异的空间分布。JJA的纬向水汽输送结果显示，在印度半岛和中国东部Lcam4和Hcam5向东输送的水汽都比Lcam5强；经向输送的结果显示，Lcam4向北输送的水汽比Lcam5更充沛；在中国东北地区，Hcam5向北输送的水汽也比Lcam5的结果更强。这些不同导致对应地区的降水量发生相应的改变，最显著的是Hcam5的降水量比Lcam5的更大。从DJF的纬向水汽输送可知，在欧洲北部Lcam4和Hcam5向东输送的水汽都比Lcam5强，而东南或南部地区的结果则相反，使得水汽差异在欧洲形成了辐合，从而引起该地区降水特征发生改变。这导致了Lcam4和Hcam5模拟的降水量、频率、强度和极端降水特征都比Lcam5大。在MAM和SON两个季节，在欧洲南部Lcam4和Hcam5向东输送的水汽同样比Lcam5强，从而导致这两个季节的降水Lcam5和Hcam5的降水量均比Lcam5更多。在印度半岛，Lcam4在MAM和SON两个季节向北输送的水汽均比Lcam5强，使得这两个季节前者与后者的降水量相当或偏强；而在MAM，Hcam5向东和向北输送的水汽均比Lcam5弱，造成Hcam5的降水量偏小，在SON，Hcam5向东输送的水汽显然比Lcam5强，引起Hcam5的降水量也更大。在中国东部，MAM这三个月中，Lcam5向东输送的水汽和向北输送的水汽均比Lcam4和Lcam5强，因此Lcam5的降水量最大。在SON这个季节，中国东北地区，Lcam4和Hcam5向东输送的水汽比Lcam5强，从而使得对应的降水量更大。针对CAS-ESM模式，整体对比四个季节发现，Lcam4和Hcam5分别于Lcam5的水汽输送差异分布类似，这说明改变物理参数化方案和水平分辨率可能引起相似的水汽输送的变化，从而引起降水特征发生变化。

图11 1998～2016年多年平均的Lcam4、Hcam5分别与Lcam5在纬向方向（左）和经向方向（右）的水汽通量差异（单位：kg m−1 s−1）：（a–d）JJA；（e–h）DJFFig.11 Spatial distributions of mean differences between Lcam4,Hcam5 and Lcam5 for zonal(left)and meridional(right)water vapor fluxes(units:kg m−1 s−1)during 1998–2016:(a–d)JJA;(e–f)DJF

图12 1998～2016年多年平均的Lcam4、Hcam5分别与Lcam5在纬向方向（左）和经向方向（右）的气候态水汽输送差异（单位：kg m−1 s−1）：（a–d）MAM；（e–h）SONFig.12 Spatial distributions of annual mean differences between Lcam4,Hcam5 and Lcam5 for zonal (left)and meridional(right)water vapor fluxes(units:kg m−1 s−1)during 1998–2016:(a–d) MAM;(e–f) SON

5 结果和讨论

利用中国科学院大气物理研究所内/外联合团队研发的地球系统模式CAS-ESM模式和NCAR CESM模式，进行了不同物理参数化方案和不同水平分辨率共四组19年（1996～2016，其中1996～1997是spin up）的AMIP类型数值积分试验。其中，NCAR CESM的水平分辨率是1.9°×2.5°，物理参数化方案组合是CAM5（简称为CESM），这一组试验主要用于与CAS-ESM模式的结果进行对比。CAS-ESM模式的水平分辨率是1.4°×1.4°（使用了CAM4和CAM5物理参数化方案组合）和0.5°×0.5°（使用CAM5物理参数化方案组合），分别依次简称为Lcam4、Lcam5和Hcam5。利用基于台站观测的GPCC降水资料和卫星观测的CMORPH降水数据，评估和分析了四组试验模拟的欧亚大陆逐日降水特征（平均量、频率、强度和极端降水）的模拟性能。

从空间相关系数来看，四组试验模拟的平均降水特征和Rx1day在空间分布上与GPCC较接近，但R25的空间分布形态与GPCC存在偏差。与GPCC相比，四组试验模拟的平均降水量略偏大，降水更频繁，但降水强度偏弱。极端降水的强度CESM、Lcam4和Lcam5的结果类似，Hcam5的结果则与Lcam4和Lcam5有较大不同。这说明，物理参数化方案和水平分辨率对逐日降水特征均有影响，但影响的降水特征变量和空间分布存在差异。针对不同物理参数化方案的结果，在欧亚大陆中高纬区域，Lcam4的降水量比Lcam5的更强，这与Lcam4的降水频率更大相联系。在低纬度如印度半岛和东南亚半岛地区，Lcam4的降水量比Lcam5的更大，主要与降水强度尤其是极端降水的强度和频率更大有关。在中国东部，Lcam4的降水量比Lcam5的更小，则主要与降水频率偏低有关。进一步的分析发现，在欧亚大陆中高纬度，Lcam4的大尺度降水比Lcam5的更强，水汽更加充沛，从而引起了上述差异。在亚洲东部，Lcam4模拟的对流性降水低于Lcam5的对应值，导致该地区Lcam4的降水量和降水频率比Lcam5的更小。

不同模式的对比表明，低分辨率下，CASESM对欧亚大陆降水特征与GPCC的空间相关系数都不如CESM。然而，提高分辨率后，前人的研究结果显示，CESM的降水频率和降水强度性能反而有所降低（李星雨等,2018;Kong et al.,2020）。针对CAS-ESM，提高分辨率后，其模拟的逐日降水特征结果显著提高。当水平分辨率由粗变细后，Hcam5比Lcam5产生了更多的降水量，尤其是在欧洲、青藏高原南麓和中国东北地区。在中国南部，Hcam5的降水频率比Lcam5更低，减小了降水频率的误差，这主要是由Hcam5的对流性降水频率减小引起的。在欧洲，与Lcam5相比，Hcam5的降水量、频率和强度都更大；在亚洲东部和欧洲，Hcam5的Rx1day和R25均比Lcam5更大，与观测的偏差减小。这主要是因为Hcam5的大尺度降水比Lcam5的更大，水汽也更充足。已有许多研究（如Bacmeister et al.,2014;Kong et al.,2020）指出，提高水平分辨率后，模式模拟的极端降水频率和强度的模拟性能均得到改善，本文的结果与前人的研究结果一致。

我们也可以看到，尽管试验中降水量的气候态分布特征差异不大，但物理参数化方案和水平分辨率对降水强度、频率和极端降水的模拟性能不同。针对CAS-ESM模式，不同的物理过程参数化方案的改进、空间分辨率的提高以及二者的相互适应仍是提高其模拟降水特征的一个方向。例如，Xie et al.（2020）指出，考虑地形拖曳的影响，在CASESM中修正地形各向异性参数化方案后，该模式在复杂地形的区域引起的地形波模拟性能得到了改善。此外，已有研究指出，时间积分步长也是影响降水特征的一个因素（Williamson,2013），因本试验中Lcam4、Lcam5的积分步长是1200 s，而水平分辨率提高后，为了模式积分稳定，Hcam5的积分步长为900 s。未来工作中，我们将进一步分析CAS-ESM模式更完善的物理参数化方案、更高的水平分辨率和积分步长对降水特征的模拟性能。