基于CMIP5数据评估气候变化下西北航道风能资源的未来变化

钱永明，邹昊，洪梅

（国防科技大学气象海洋学院，江苏南京 211101）

1 引言

近几十年来，北半球高纬度地区显示出明显的气候变化和地表变暖信号，强度远超全球平均水平[1-2]，随着气温的逐渐升高，北极海冰加速融化，使得北极地区自冷战后再次成为全球关注的焦点[3-5]。北极地区作为北美、亚、欧三大陆的“交点”，拥有十分丰富的航道资源。北极航道主要分为东北航道、西北航道以及中央航道。西北航道一般指的是西起美国阿拉斯加北部的波弗特海，向东经过加拿大北极群岛水域到达东部的戴维斯海峡和巴芬湾，最终连接太平洋和大西洋的航道[6]，大致范围是60°～135°W，66°～77°N，地形分布见图1。未来随着西北航道的开通，可能会改变目前的世界航运格局，并产生巨大经济效益。Borgerson[6]指出，西北航道使得从西雅图到鹿特丹的航程比经巴拿马运河航线缩短近25%航程。通过西北航道，中国与北美之间的贸易航程将缩短40%，相比于传统航道，西北航道存在航道距离短、地缘政治简单和海盗袭击风险低等诸多优势[7]。随着西北航道有关地区气候条件的改善，未来很有可能成为人类新的生活承载地。但是由于西北航道地处高纬，且多数时候为冰雪覆盖，因此目前面临基础设施不完善和应急响应及救援能力差等劣势，这些劣势不仅使得西北航道的利用率很低，同时也影响当地居民的生活，要解决这些问题，最重要的是解决能源供应问题，特别是电力保障问题。

图1 西北航道主要区域及其陆地地形分布

自工业革命以来，人类活动特别是温室气体过度排放，是近年来气温升高的主要原因，其中能源排放约占全球温室气体总排放量的2/3[1]，因此大力发展可再生能源并减少化石燃料使用是减少温室气体排放和减缓全球气候系统变化的重要手段之一[8]。当前欧洲、亚洲以及北美的多个国家一直在努力扩大可再生能源的比重，相继设定了到2020年实现20%的可再生能源占比的约束性目标[9-11]。对于生态脆弱的北极地区，作为人类最后的净土，解决能源供给难题更应该优先发展可再生能源。但是由于西北航道特殊的地理和气候环境，使得诸如太阳能之类的可再生能源无法得到应用，同时西北航道特殊的地质条件（冻土带），使得其可开发的陆地十分有限，但其海洋环境却提供了广阔的空间[12-13]。在目前主流的可再生能源中，风电不仅可应用于海洋环境，而且当下技术十分成熟，成本日益下降[14-17]，因此进行风能开发特别是海上风电开发可能将是西北航道地区破解能源供应难题的最佳方案。Chade等[18]的有关研究表明：北极地区风能资源较为丰富，技术可开发量约1 000亿kW，约占全球风能资源的20%，在北极偏远地区使用风力发电的供电模式不仅可行，且在4 a内可收回成本。在风能开发过程中，风能密度（Wind Power Density，WPD）大于200 W/m2一般就可以称为风能富集区[19]，从多年（1980—2005年）平均的风能密度空间分布来看（见图2），西北航道同样存在多个风能资源富集区。

图2 西北航道风功率密度多年平均空间分布特征（单位：W/m2）

风能资源与风速状态息息相关，风速由大气环流状态决定，大气环流状态又是气候系统中的重要组成部分，因此风能资源对气候变化非常敏感。即使未来大气环流形势出现很小的变化，也可能会强烈影响风能资源分布[20]，例如当下一些风能资源丰富的区域可能会变成贫瘠区，或者使得部分地区风能的年际和/或年内变化（即变异性）出现剧增，使得其能源并网难度加大，降低风电场的盈利能力[21]。目前已有研究表明：在过去的30～50 a间，不少区域出现了近地层风速下降以及年际变异性增强的情况：包括北美[22-25]、欧洲[26-27]、中国[28-30]以及澳大利亚[31]的部分地区。这些消极现象使风电持久稳定运行的不确定性增加。当前西北航道多数时候仍然覆盖大面积的海冰，在当前的发展现状下，对于能源的需求尚不十分急切，但随着海冰的大量消融和地区开发强度的增强，未来对能源的需求会愈发迫切。因此，我们更加需要客观地分析未来全球气候变化下，西北航道风能资源产生的变化，以便提前规划，避免无效投资，但目前并没有相关的文献进行相应的分析。

考虑到目前西北航道观测资料十分有限，也无专门针对西北航道或者北极地区的区域耦合气候模式（Regional Coupled Model，RCM），因此我们将使用具有较高时空分辨率的全球气候模式（Global Climate Model，GCM）的有关数据对西北航道的风能变化开展评估。使用气候模型进行有关分析，不仅可以获得模拟区域内所有空间立体网格点上的风能参数，对风能资源进行全面评估，而且多数模式考虑了太阳辐射和温室气体的变化，是研究在不同辐射强迫下未来可能发生的气候情景的主要方法[20]。目前完整发布的国际耦合模式比较计划第五阶 段（the Coupled Model Intercomparison Project Phase-5,CMIP5）的模式数据已经成为研究过去气候变化和预测未来气候演变的重要资料。CMIP5数据集包括历史试验数据（数据范围1850—2005年）和未来不同情景排放下的模拟数据（数据范围一般是2006—2100年）[32-33]。不同于CMIP3（the Coupled Model Intercomparison Project Phase-3）中定义的未来温室气体排放情景，在CMIP5中各GCMs未来气候预估试验中采用的是联合国政府间气候变化专门委员会（Intergovernmental Panel on Climate Change，IPCC)提出的新辐射强迫情景，称之为典型浓度排放途径（Representative Concentration Pathway,RCP）[34-35]。RCPs共分为4种情景：RCP2.6表示2100年左右，辐射强迫最高达到2.6W/m2；RCP 4.5和RCP 6表示2100年以后，辐射强迫将分别稳定在4.5 W/m2和6 W/m2；RCP 8.5则是一种“一切照旧”的排放情景，表示2100年左右，辐射强迫将达8.5 W/m2[33]。与CMIP3相比，CMIP5中所有模式改进了大气环流动力框架，改善了对流层和平流层气溶胶处理方案和通量处理方案，使得数据质量得到了很大提升[33]。相关数据已经被多次用于分析有关区域风能的未来变化，并得到很多重要结论，有很高的借鉴意义。比如Carvalho等[20]用21个CMIP5 GCMs模式集合进行预报，发现未来欧洲中北部波罗的海附近地区的风能资源会增加，而地中海附近会减少，但整个欧洲的年际变化不大。Chen等[36]评估了9个CMIP5中的大气海洋耦合模式对中国近表层风速的模拟效果，发现在1971—2005年，所有模式的年际变异性都低于再分析数据结果（再分析资料被视为“准实测资料”），并且都没有模拟出近期近地表风速的下降趋势。该研究同时指出单一数值模式存在较大的不确定性，应关注多模式的比较以及模式的集成研究。

有关气候变化对风能资源的潜在影响的研究大多针对目前具有高风能开发潜力的地区（主要是北半球中纬度地区，包括北美、亚洲和欧洲）[22-27]；部分研究尽管对全球风能发电的未来变化进行了一些探讨，但由于相对粗糙的空间分辨率，很难对西北航道风能资源的可能变化进行详尽的分析[28-29]。此外，部分研究仅使用单一指标对模式仿真性能进行评估，无法对模式进行客观评价[20]。

基于上述分析，我们根据14个CMIP5 GCMs的数据，建立了一个全面而客观的评估体系，以定量评估CMIP5模式模拟历史阶段近地表风速特征的能力，利用该评估体系可以对各模式的性能进行评定，进而挑选一些性能优异的模式进行集成来进一步降低模式的系统偏差。这样可以避免单个模型的离散性和不确定性，同时增强结果的可信度[20,36]。之后，将集成数据用于评估西北航道风能资源的未来变化，包括其大小变化以及其年内变化情况（即变异性）。考虑到当前西北航道的发展现状，利用GCMs未来风速数据展开分析无疑是十分必要的。

2 数据和主要方法

2.1 数据

本文主要使用了14个CMIP5 GCMs数据以及ERA-Interim再分析资料，并对其原始数据进行了一定处理，以用于后续评估。

2.1.1 CMIP5 GCMs数据

本文选取了能够同时输出历史以及多种RCPs情景下的未来风场数据的CMIP5模式。表1列出了本文所使用的GCMs，包括模式的开发机构、模拟类型和模式的空间分辨率。CMIP5数据集可直接通过网站http://pcmdi3.llnl.gov/esgcet/home.htm下载[33]。风速数据采用的是模式输出的近地层（10 m）处的风速，且为月平均数据集。虽然典型的风力涡轮机放置在局地面/平均海平面以上80～120 m处，但由于相关GCMs不提供相关高度的风场数据，而10 m和80～120 m高度的风有很强的相关性，因此10 m风场数据被认为是典型风力涡轮机实际高度处的风场的最佳替代[20]。虽然CMIP5模式对于历史阶段的模拟一般为1850—2005年，但由于卫星时代之前（1979年前）的现场数据稀疏且质量相对较低[2,20]，为了最大限度地减小误差，我们选取的历史阶段为1980—2005共26 a。在未来模拟实验中，我们主要分析RCP2.6、RCP4.5和RCP8.5这3种辐射强迫情景下的有关数据，用于评估气候变化对西北航道未来风能的潜在影响。针对每个RCP，我们都考虑了3个等长的时间窗口，分别为：前期（2020—2045年）、中期（2049—2074年）和后期（2075—2100年）。这里我们需要指出，表1中所列各气候模式可能在不同初始条件下分别进行了模拟试验，由于每个实验仅在初始场上有不同的微小扰动，其积分最后得到的数据之间的差异仅来自气候内部变率，而本文重点是分析气候变化对风能可能产生的影响，因此，若某模式存在多个初始场的模拟数据，我们将采用该模式不同初始条件的集合平均来代表该模式的输出结果，这样也在一定程度上降低了使用单一初始条件下的数据带来的不确定性和误差[36]。之后我们将对这些模拟数据进行统一处理，并建立一套评估指标体系，以便定量分析模式在历史阶段的模拟性能。

表1 14个CMIP5模式的基本特征

2.1.2 再分析数据

本文选择来自欧洲中期天气预报中心（European Centre for Medium-Range Weather Forecasts，ECMWF）的ERA-Interim再分析资料作为“准实测”数据源。由于西北航道目前的观测站点较少，数据稀缺，而该套数据应用了分辨率更高的气象模式，在观测资料的应用及同化方法方面也有较大改进，被公认为是高质量的再分析产品[37-38]，且已被指定为CORDEX CMIP5动态分析的官方验证数据集[39]。本文使用的是近地面10 m风速数据，空间范围为60°～135°W，64°～77°N，分辨率为1°×1°，时间长度为1980—2005年。

2.2 数据处理

由于本文选取的14个模式具有不同的空间分辨率（见表1），因此，我们首先将所有模式输出的风速数据采用双线性插值法，将原始数据映射到规则的1°×1°网格中[40]。这里需要指出，我们在进行模式性能评估时，借鉴了Carvalho等[20]的思路，利用同时期同时空分辨率的ERA-Interim月平均风速数据，对插值后的CMIP5数据进行了偏差修正。偏差修正的方法见式（1）：

式中，̂为模式输出的原始数据；是根据ERAInterim数据计算得到的逐格点的26 a的气候态数据；yˉ则是用同样方式，但是由模式数据（插值后）计算得到的气候态数据。本文中他们的尺寸为14°（纬度）×76°（经度）×12（月数）。最终得到的x，将作为模式的最终输出数据（无偏）用于后续的性能评估。

2.3 综合评估体系

为了评估各模式在历史阶段的模拟能力，本文将采用3种不同指数来评价CMIP5 GCMs数据和ERA-Interim的风速数据的符合程度，3种指数分别是技能指数、结构相似性指数（Structural SIMilarity index，SSIM）和KS（Kolmogorov-Smirnov）指数。在得到3个指数后，我们将以不加权的方式进行线性叠加，得到一个能够全面反映模式模拟质量的综合得分指数。各指数的具体计算公式或定义如下。

2.3.1 技能指数

为了评估各模式数据和ERA-Interim数据的定量差异，我们引入Willmott[41]的方法，并将其定义为技能指数：

式中，xi表示每个网格点上的模式输出数据；yi表示每个网格点上的ERA-Interim数据；n为单个网格点上数据序列的长度，也叫统计样本数；xˉi表示由模式输出的每个网格点上的26 a平均的风速数据；yˉi表示对应的ERA-Interim输出的26 a平均的数据。技能指数同样是通过逐格点的方式计算得到，并通过区域平均得到最终结果，该指标值越大，表示模式性能越好[42]。

2.3.2 KS指数

KS指数通过两样本的Kolmogorov-Smirnov检验得到。因为KS检验对两样本的经验分布函数的位置和形状参数的差异都十分敏感，可用来分析两个样本是否属于相同的分布（形状和位置）[20,43]。我们将KS检验应用于各模式数据和ERA-Interim数据集中的每个格点，并设置显著性水平为5%，进而统计通过检验的网格点数占总网格数的比例，我们将该比例定义为KS指数，其计算方式为：

式中，N0表示通过显著性水平为5%的KS检验的网格数；N则为评估区域内的总格点数，本文中N=1064。该指标值越高，表示模型性能越好。

2.3.3 SSIM指数

SSIM指数即结构相似性指数，最早由Wang等[44]提出，是一种衡量两幅图像空间结构相似性的指标。目前该方法已经广泛运用在图像和数据质量的评估中，与传统误差方法相比，SSIM方法可以更好地描述两个数据集之间空间分布的差异[45-46]，计算方式为：

式中，X和Y分别表示同一时刻的模式和ERAInterim的风场空间分布；xˉ和yˉ分别表示各自的平均值；δx和δy分别表示各自的标准差；C1和C2是防止系统不稳定的常数。与技能指数和KS指数不同，SSIM指数是通过逐月的方式计算得到，并进行时间平均后得到最终结果。该指标值越高，表示模型性能越好。

2.3.4 综合得分指数

在多指标评价体系中，由于各评价指标的性质不同，通常具有不同的量纲和数量级。当各指标间相差很大时，如果直接用原始指标值进行分析，就会突出数值较高的指标在综合分析中的作用，相对削弱数值水平较低指标的作用。因此，为了保证结果的可靠性，我们对上述3个评估指标数据进行标准差标准化（Zero-mean Normalization）处理，计算公式为[47]：

中学阶段，孩子的独立性更强，具备生活、学习自理能力，学习习惯基本养成。尤其是进入高中，成绩成为家长和老师关注的焦点，孩子们日益增大的学习压力带来的心理问题容易被忽视。所以，在中学班级群里，老师与家长除了沟通基本的学习信息外，更要帮助家长正视孩子的成长问题，与孩子一起面对，共同成长。如相互交流和分享“处于青春期的孩子有哪些特征”“如何引导孩子进行职业生涯规划”“如何和谐有效地与孩子进行沟通”“如何帮助孩子克服学习上的困难”等。孩子心理健康了，目标明确了，方法找到了，成绩自然就上去了。

式中，x'为标准化后的序列；x为原始序列；为原序列的均值；s为原序列的标准差。

经过上述标准化处理后，原始指标均服从标准正态分布，且为无量纲量，之后我们将3个指标直接相加并平均得到综合得分指数，即：

式中，N()表示进行标准差标准化操作。

2.4 多模式集成生成评估数据

我们借鉴Song等[48]的建议，从得分指数的排名列表中选取前k个模式的输出数据，其中：k=×lnm，m是参与评估的模式数量。在本研究中，m=14，所以k=9。我们参照多模式集成（Multi-Model Ensemble,MME）方法，将选定的9个GCMs的数据按照带权重系数的线性叠加的方法进行集成得MME数据集，其中加权系数由得分指数的相对大小决定，这里需要指出，用于加权集成的GCMs数据均为原始数据，并未进行偏差修正。大量研究表明这种MME策略通常比仅使用单模式数据效果更好，能提供更可靠的结果，并且是降低单个模式的不确定性的一种有效方法[49-51]。

2.5 气候变化对未来风能密度大小的影响

本文中我们以风能密度的大小来表征风能资源。风能密度，也称为风功率通量，为垂直于气流的单位截面上风的功率，计算公式为[19]：

式中，Dwp为平均WPD（单位：W/m2）；ρ为空气密度（单位kg/m3），ρ=P/RT，P为西北航道区域相应时间段内的平均海平面气压（单位：Pa），R为气体常数，T为西北航道区域相应时间段内的平均开氏温标绝对温度（单位：K）。本文中，我们利用1980—2005年的历史再分析数据计算得平均空气密度为1.35 kg/m3，并假设其在未来的窗口中保持不变；vi为第i次记录的近地面10 m风速值（单位：m/s）。

我们针对3个RCP情景，将历史阶段（1980—2005年）月平均风能密度数据与未来风能密度序列的中位数进行比较，并得出两者的差异幅度，以分析由于气候变化而导致的西北航道未来风能密度可能发生的变化。中位数的差异幅度计算方法为：

式中，M'表示未来某阶段风能密度序列的中位数；M表示历史阶段风能密度序列的中位数。

由于风速通常不满足正态分布，因此我们应用Mann-Whitney非参数检验来评估历史阶段和未来3个阶段风能资源之间的差异是否具有显著性，并设定显著性水平为5%。Mann-Whitney检验是一种应用较为广泛的两独立样本秩和检验方法[52-53]。

2.6 气候变化对未来风能密度年内变化的影响

为了分析风能资源年内变化情况，根据历史阶段和未来不同阶段的风能密度数据计算了年中值绝对偏差（Median Absolute Deviations，MAD）。MAD是一个刻画样本变异性的非参数度量[54-55]，计算方法为：

式中，median表示对样本序列取中位数；x为风能密度数据（样本序列）。

针对历史和3个未来阶段分别计算得到相应的MAD数据序列，每一个序列都是一个三维网格，其中时间维度为26（即26 a），即每一年都对应一个MAD值，称为该年度的中位数绝对偏差；然后，逐网格点计算MAD序列的中位数，以便对每个26 a期间（历史和未来3个阶段）的年内变化进行估算；最后量化历史和未来各阶段MAD中位数之间的差异。对于每个网格点来说，历史和未来3个时间窗的风能密度MAD中位数之间的差异大小可以视为气候变化对风能密度年内变化的影响程度。本节同样使用Mann-Whitney检验评估差异的统计显著性，显著性水平同样设定为5%。

3 结果与分析

3.1 CMIP5 GCMs模型评估结果

本文选取的14个CMIP5模式的评估结果见表2。根据Song等[48]的建议，最终选择得分指数中排名前9的模式进行加权集成得到CMIP5 MME数据。选取的模式分别是：GFDL-CM3、GFDLESM2M、IPSL-CM5A-LR、GISS-E2-R、IPSL-CM5AMR、GFDL-ESM2G、GISS-E2-H、MPI-ESM-MR和CSIRO-Mk3-6-0，其集成权重分别为：0.293 2、0.188 5、0.136 3、0.103 7、0.099 2、0.097 4、0.047 6、0.018 0和0.016 2。表2中几乎所有GCMs的KS指标都超过了0.55，而SSIM指标则超过了0.9，说明本文选取的GCMs的数据都与ERA-Interim数据的风速分布显示出良好的空间一致性。但需要说明的是，如果不进行偏差修正处理，这些指标结果将严重变差（见附表1），其中KS指数都没有超过0.05，而SSIM指数则都没有超过0.5，技能指数也出现很严重的下滑。对比表1和附表1的结果，我们可以发现虽然GCMs数据和ERA-Interim数据存在较大差异，但这种差异主要在于分布位置而不是形状上的差异[20]，这是一个非常积极的发现，因为位置差异比形状差异更容易校正，这个结果从进行气候态偏差修正后，相关指标结果出现大幅提升就可以看出。此外，位置上的差异（通常是由于系统偏差导致）并不会影响下一步的对比研究，因为对比分析的数据都是来自CMIP5 MME（由所选GCMs加权集成得到），将未来各时间段与历史阶段进行比较时，系统性偏差将被消除；但如果分布形状上存在巨大差异则可能会给后续的气候变化影响分析带来较多不确定性。

附表1 未经过偏差修正的CMIP5 GCMs数据的评估结果

表2 14个模型的评估结果（最终被选定进行MME的模式已加粗显示）

3.2 气候变化对未来西北航道风能密度大小的影响

图3显示了不同情景下风能密度的中值差异，西北航道范围内的空白部分表示根据Mann-Whitney检验无统计学意义的区域，其中位数差异没有统计学上的显著性。每个情景的3张图从左到右依次代表21世纪前期、中期和后期。从图3我们可以发现，西北航道北部地区（70°N以北）特别是西侧波弗特海未来风能密度增加，而南部区域（70°N以南）沿岸的未来风能密度则降低，与此同时与历史时期存在显著差异的网格点数量在未来的中后期出现明显增加。在未来前期（2020—2045年），绝大多数网格点与历史时期相比没有显著变化，而有显著差异的网格点，其变化幅度也相对较小（低于15%）。在未来中期（2049—2074年），存在显著性差异的网格点的数量和变化幅度都有所增加，特别是某些低纬沿岸地区的变化幅度达到了25%，但大多数格点依然低于15%。到本世纪后期（2075—2100年），存在显著性差异的网格点不论是数量和变化幅度都有明显增加，波弗特海部分网格点的风能密度出现了大约30%的增加。如果不采用温室气体减排策略（RCP8.5），与历史相比显著增加的区域其增幅越来越大，而相比显著下降的区域其降幅却出现了下降。与RCP 8.5相比，RCP 2.6与历史阶段相比显著增加的区域增幅整体变化不大，基本在15%以下，而相比显著下降的区域其下降幅度却出现了两倍的增加，达到25%左右。RCP 4.5情景下与RCP2.6的情况基本一致。

图3 不同情景下风能密度中值差异（单位：%）

3.3 气候变化对未来风能密度年内变化的影响

风能密度的年内变化（变异性）非常重要，因为该指标可能极大地影响风电场的运营，风能年内变化程度如果出现大幅的增加可能对风电场的盈利能力产生较大的负面影响[20,36]。为了评估气候变化对未来风能密度年内变化的影响，我们比较了历史和未来各阶段风能密度的年内MAD序列的中位数差异，同样利用Mann-Whitney检验这种差异的显著性，结果如图4所示。在未来前期，风能密度的年内变化相比历史阶段变化不大，但在70°N以北有不少的网格点有显著增幅，但在RCP 8.5情景下时，这种增幅又出现了降低。到了未来中期，整体的分布与前期相似，但是西北航道的中部地区（105°～90°W）出现了特别明显的增幅，部分格点增幅达到100%，说明在该时段内这些格点的风能年内变异性相较历史有大幅提升，这对风能开发十分不利。到21世纪后期，如果不采取任何缓解温室气体排放的措施（RCP 8.5），则70°N以北地区的年内变化相比历史阶段将出现十分显著的增加，部分格点超过150%，将给相关区域的风能开发带来极大挑战。在RCP 2.6情景下，虽然70°N以北区域仍有不少格点出现了显著的增加，但增幅有限，大部分小于50%。

图4 不同情景下风能密度年内MAD的中值差异（单位：%）

4 总结与讨论

本文首先通过构建的模型评估体系全面而客观地评估了14个GCMs对近地面风速在历史阶段的模拟能力，然后使用来自最佳GCMs的数据按照其得分指数的相对大小进行加权集成生成MME数据，进而用来量化和评估在RCP 2.6、RCP 4.5和RCP 8.5情景下以及3个未来时间段上与历史阶段的风能密度中值和风能密度年内MAD中值的差异，以全面分析气候变化对西北航道未来风能资源的潜在影响。本文主要结论如下：

（1）根据本文构建的评估体系，最终结果表明：CMIP5 GCMs中GFDL-CM3、GFDL-ESM2M、IPSLCM5A-LR、GISS-E2-R、IPSL-CM5A-MR、GFDLESM2G、GISS-E2-H、MPI-ESM-MR和CSIRO-Mk3-6-0是模拟近地面10 m风速性能最好的9个模式，且模拟的风速分布与ERA-Interim再分析数据的差异之处主要是分布位置（主要由系统偏差导致）而不是分布形状。

（2）与历史阶段相比，西北航道北部地区（70°N以北）特别是波弗特海西侧未来风能资源（以风能密度的大小来估计）会增加，而其南部沿岸（70°N以南）的风能资源则会降低，与历史阶段存在显著差异的网格点数量在未来中后期将出现明显增加。在未来前期（2020—2045年），绝大多数网格点与历史时期相比没有显著性变化，而有显著差异的网格点的变化幅度也相对较小（低于15%）。到了未来中期（2049—2074年），存在显著性差异的网格点的数量和变化幅度都有所增加，特别是南部部分沿岸地区的变化幅度达到了25%。到21世纪后期（2075—2100年），存在显著性差异的网格点在数量和变化幅度上都有了明显增加，波弗特海部分网格点的风能密度出现了大约30%的增加。

（3）在21世纪前期，70°N以北有不少的网格点有显著的增幅，到21世纪末，如果不采取任何缓解温室气体排放的措施（RCP 8.5），则70°N以北地区的年内变化较历史阶段将出现十分显著的增加，部分格点超过150%，这种变异性的大幅增加，将给相关区域的风能开发带来极大挑战。

这里需要指出，将CMIP5 GCMs的未来时期模拟数据作为对未来气候的预测存在较大的不确定性，从对历史时期的评估结果可以看出，相比于“准实测”的再分析资料，GCMs数据的形状分布有较大误差（导致在未进行偏差修正时，各评估指标结果较差）。所以本文可视为对西北航道风能资源未来发展变化的初步评估，后续可以考虑采取利用相关区域的RCMs等改进针对这些问题展开进一步研究，以便为西北航道风电场项目的规划提供更好的指导。