未来30 年亚洲降水情景预估及偏差订正

杨阳 戴新刚 汪萍

1 中国科学院东亚区域气候与环境重点实验室，大气物理研究所，北京 100029

2 中山大学大气科学学院，珠海 519082

3 中国气象科学研究院大气成分与环境气象研究所，北京 100081

4 兰州大学大气科学学院，兰州 730000

1 引言

季风气候区是地球上植被最繁茂、人口最密集、耕地最多、农业生产最活跃的区域（Webster,1981; Dai and Wang, 2017; Chang et al., 2018; 戴新刚和汪萍, 2020; Wang et al., 2021）。亚洲南部和东部是地球上最著名的季风区之一，其中南亚属于热带季风区，东亚季风属于副热带季风（Dai et al.,2004b; Ding and Chan, 2005; Wang, 2006; 朱志伟和何金海, 2013）。南亚地区的旱涝主要与季风的涛动有关，在强季风年，南亚降水偏多，洪涝灾害频发；弱季风年南亚降水偏少，部分地区干旱，影响作物收成（Revadekar and Preethi, 2012; Lu et al.,2020）。对于东亚而言，在强季风年西太平洋副热带高压（简称西太副高）往往偏北偏东，汛期中国东南沿海及黄淮流域降水偏多，长江中下游地区降水偏少；弱季风年西太副高偏南偏西，长江及江南等地多雨（丁一汇, 1993; 陶诗言, 1980; 陶诗言等,2001），而北方干旱（Dai et al., 2003, 2005），造成粮食产量下降（Terjung et al., 1989）。影响亚洲季风降水的因子众多，其中ENSO（El Niño-Southern Oscillation）是亚洲季风年际变化的主要驱动因子（ Krishnamurthy and Goswami, 2000;Fasullo and Webster, 2002）。这种影响既可以是间接的，也可以是直接的，受海温年代尺度/多年代尺度遥相关型调制（Dai et al., 2004a; Wang et al.,2013; Zhu et al., 2014; Dong et al., 2018），如太平洋年代尺度涛动（PDO/IPO）（Feng et al., 2014;Dai et al., 2015a; Dong and Dai, 2015），北大西洋多年代尺度涛动（AMO; Naidu et al., 2020）等。此外，全球季风系统也会受到全球气候暖化趋势的明显影响（Wang et al., 2015）。

通常，El Niño 年亚洲季风偏弱、西太平洋副热带高压偏南偏西、东亚季风雨带随之偏南，汛期中国大陆易出现“南涝北旱”格局，冬季气温偏高，且易出现暖冬；反之，在La Niña 年亚洲季风偏强，西太平洋副热带高压偏北偏东，汛期易出现所谓“Ⅰ类雨型”，即中国大陆南北降水多，中间少的格局（符淙斌, 1978; 黄荣辉等, 2003; 吴国雄等,2003; Wu et al., 2003; 王会军等, 2020）。在PDO的正位相，北半球中纬度太平洋东部海温偏高，西北太平洋北部海温偏低，亚洲季风偏弱，中国大陆易出现年代尺度“南涝北旱”格局（Yang et al.,2017a, 2017b）；与此相反，PDO 的负位相使得亚洲季风偏强，冬季气温偏低，易出现冷冬（Wang et al., 2008; Chen et al., 2013; Yun et al., 2015; Huang et al., 2020a）。已有数值试验证实，PDO 的位相变化还能明显影响印度洋异常海温分布，从而对南亚及东亚季风均产生影响（Krishnamurthy and Krishnamurthy, 2014; Wang et al., 2014）。在AMO正位相，北大西洋海温偏暖，负位相海温偏冷。在多年代尺度上，它不仅能影响中纬度西风带的湿度和降水，也与亚洲季风存在关联（Goswami et al.,2006; Krishnamurthy and Krishnamurthy, 2016; Li et al., 2017）。

此外，过去百年的全球气候暖化已经逐渐影响到地球气候系统的多个方面（IPCC, 2013; Dai and Wang, 2018），例如，北极海冰减少（Kumar et al., 2020）、山岳冰川融化（张宏杰等, 2018）、中太平洋暖事件增多（Ashok et al., 2007）、副热带高压面积扩展（Seidel et al., 2008）等。气候系统热机效率的提高导致全球能量与水循环速率加快（Laliberté et al., 2015），致使极端天气气候事件的出现频率呈现上升趋势（Li et al., 2020; Zhong et al., 2020）。气候系统的这一系列变化已经影响到区域尺度气候及亚洲季风气候（Sooraj et al., 2015;Duan et al., 2018; Cai et al., 2021）。这增加了气候变化机制的复杂性，并且造成预测难度上升。因此，研究或预估未来气候暖化背景下几十年或百年以上区域尺度气候的可能变化趋势，必须得考虑未来社会经济发展情景（IPCC, 2013）。

气候变化趋势是气候年际变化及年代际变化的背景。前者往往属于外部强迫的结果，如全球气候暖化等，后者属于气候系统的内部变率，如海—气相互作用等（Huang et al., 2020b）。未来全球气候暖化趋势在很大程度上取决于温室气体的排放情景（Dai et al., 2015b; Li et al., 2020）。目前，科学家对于未来几十年或百年气候趋势预估都基于不同温室气体排放情景（RCPs/SSPs）下的国际耦合模式比较计划第五/六阶段（CMIP5/CMIP6）的多模式输出数据（Taylor et al., 2012; Eyring et al., 2016）。例如，Lee and Wang （2014）基于CMIP5 模式资料对未来全球季风变化进行预估； Cook et al.（2020）分析了CMIP6 模式输出的预估资料后指出，21 世纪全球多个地区可能存在干旱趋势，如美国西部、中美洲、欧洲和地中海、亚马逊、南部非洲、中国部分地区、东南亚及澳大利亚等，其中与高排放情景相比，低排放情景下某些地区的严重干旱会减弱甚至消失。这说明气候暖化会在一定程度上改变全球旱涝分布格局，尽管区域性降水还会受到年际或年代际气候变化的影响，且与多个海区的海温遥相关型有关。

Xu et al.（2018）利用CMIP5 数据对未来50年中国极端气温和降水进行了预估，指出区域性极端气候事件出现的潜在风险。Jiang et al.（2020）利用CMIP6 多模式集合数据预估了未来百年中亚干旱区降水的变化，发现在不同排放情景下中亚降水几乎都增加，且在高排放情景（SSP5-8.5）下，降水增加更加明显。例如，在中亚北部表现为夏季降水减少，春季降水明显增加。张蓓等（2019）、杨阳等（2019）利用CMIP5 多模式集合数据对中国降水的预估研究表明，2016～2035/2045 年间，从中国西部的三江源区到淮河流域一带的降水呈增加趋势，而西南地区可能会持续干旱。

然而，一些预估检验也指出，CMIP5 模式输出数据存在系统性偏差，尤其是降水，因此气候预估时必须进行偏差订正（张蓓和戴新刚, 2016）。模式的气候漂移是气候预估偏差的主要部分，大多数气候预估研究都选择通过两个时段平均之差或只计算趋势的方式消除或回避模式集合的气候漂移（Chen et al., 2020）。此外，模式降水偏差还存在非定常振荡，会对某些地区的几十年降水预估产生明显影响，对此也需要订正。张蓓等（2019）利用线性回归方程法订正了2016～2035 年中国大陆情景预估降水的定常及非定常偏差。杨阳等（2019）研究发现，回归方程偏差订正效果还与纬度有关，提出所谓“区域组合回归”订正法，即在30°N 以北地区使用一种回归方案，以南地区使用另一种，如此可以得到更高的预估降水距平符号一致率。

虽然已有一系列的研究用CMIP5/CMIP6 对未来百年或21 世纪后三十年的降水进行预估，但几乎均未考虑其中的非定常偏差订正问题（Li et al.,2019; Cook et al., 2020; Jiang et al., 2020; Wang et al.,2020），增加了预估结果的不确定性。本文基于CMIP5 多模式集合输出资料，在中等排放情景（RCP4.5）下，对未来30 年（2021～2050）亚洲降水进行预估并对其做定常和非定常偏差订正，给出未来30 年亚洲可能出现的旱涝分布格局或变化趋势。下文的第二节介绍了所用数据和方法；第三节是CMIP5 历史气候模拟的偏差分析；第四节对降水预估偏差进行订正检验，并建立统计回归订正模型；第五节给出未来30 年亚洲降水预估结果；最后一节是总结和讨论。

2 数据和方法

本文使用耦合模式比较计划第五阶段（CMIP5）中多模式输出的1960～2005 年历史气候模拟及未来RCP4.5 排放情景下（2006～2015 及2021～2050 年）的逐月降水数据（Taylor et al., 2012），以及英国气候研究所全球陆地格点分析数据集（CRU TS v4.0）中的格点月降水量（Harris et al.,2020），其分辨率为0.5°×0.5°，视为观测降水。考虑到过多模式的集合平均可能会使结果更接近于气候的强迫场结果（Dai et al., 2015a），而模式过少又会造成降水集合平均的统计稳定性变差。另一方面，在降水演变中的趋势项一般都很弱，其年代际变化就显得更为重要，这就要求在选取模式数量上既不能太多，也不能太少。本文选用了20 个常用的CMIP5 模式，所选模式参数见表1。

由于CMIP5 各模式分辨率不一致，本文使用双线性插值法将每个模式的降水和观测格点分析降水都统一插值到1.0°×1.0°经纬网格点上再进行计算。本文使用三种模式偏差订正法，第一种是去除模式气候漂移，即通过去除模式和观测降水的平均偏差来实现；后两种分别为一元对数回归和一元年际增量回归（或一元差分回归）（Fan et al., 2009;张凯静等, 2017）。根据这三种偏差订正法在地理区域上的优劣又进一步可以设计区域组合回归偏差订正法，即在30°N 以南/北使用一元年际增量或一元对数回归法对偏差进行订正（杨阳等, 2019），并对检验期中的盲区（距平符号相反区）再用去除模式气候漂移的结果进行补充订正填补。两种回归模型参数均以1960～2005 年为训练期，通过20个CMIP5 模式集合平均降水和观测降水（CRU TS v4.0）确定。

3 历史气候降水模拟

CMIP5 历史气候模拟中的多模式集合平均对亚洲降水气候分布型具有一定的模拟能力（杨阳等, 2019）。图1a 是20 个CMIP5 模式集合平均模拟的1960～2005 年亚洲区域的年降水（简称为模式降水，下同）。与观测降水（图1b）比较可以看到，模式集合能基本再现1960～2005 年亚洲气候平均年降水分布的主要特征。例如，在亚洲季风区，包括南亚、东亚及东南亚等地降水较多，中国西北、中亚和阿拉伯半岛等干旱气候区降水稀少等。然而，若仔细比较二者可以发现模式降水依旧存在偏差。例如，模式降水在北方偏多，致使干旱或半干旱区的范围缩小，这在中国西北和中亚最为明显，而模式降水在青藏高原东部明显偏多，但在印度次大陆偏少。

图1 1960～2005 年亚洲气候平均年降水量（单位：mm）：(a) 20 个CMIP5 模式集合模拟；（b）观测（CRU TS v4.0）Fig. 1 Climate mean annual precipitation (units: mm) from 1960 to 2005: (a) Climate mean simulated using 20 CMIP5 models; (b) observations(CRU TS v4.0)

暖季（5～10 月）和冷季（11 月至次年4 月）的模式降水偏差分布不同。用模式降水减去观测降水得到模式降水的偏差，对其再除以观测降水便可以得到偏差百分率。图2a 表示暖季即亚洲南部季风季节的模式降水偏差百分率，可见20 个CMIP5模式集合对亚洲季风区大部分地区降水模拟偏弱，如中国东南沿海和华南沿海、南亚、朝鲜半岛、日本关西地区、越南大部等地，其中模式降水在印度半岛中北部偏少超过40%，在越南中北部、缅甸西南部、朝鲜半岛和日本关西地区偏少约30%，在中国华南沿海偏少10%～20%，在我国东南沿海偏少5%～10%。相反，在中国西部、北部，中亚、远东和阿拉伯半岛等地模式降水明显偏多，其中青藏高原、华北、中亚南部、阿拉伯半岛大部模式降水偏多40%以上，在中国东北、中亚北部、印度南部、中南半岛西南部模式降水偏少20%～30%。

在冷季，亚洲大部分地区模式降水偏多且超过40%，尤其在高纬度地区降水偏多更为明显（图2b）。与模式集合模拟的夏季风降水偏少相反，冷季印度半岛大部分地区的模式降水偏多，北部偏多30%～40%，仅在中国华南沿海、中南半岛、中亚南部、阿拉伯半岛等地模式降水偏少，其中在华南沿海和中南半岛偏少10%～20%，在中亚南部及伊朗高原偏少20%～30%，在阿拉伯半岛东南部偏少超过40%。可见CMIP5 历史气候模拟降水中存在明显偏差，在使用前必须做不确定性分析并进行偏差订正。

4 模式降水预估偏差

20 个CMIP5 模式集合平均预估的2006～2015 年亚洲暖季降水偏差分布型（图3a）与1960～2005年历史气候模拟降水偏差分布相似（图2a）。例如，预估降水在东亚北部偏多，其中在中国西部、蒙古国及中亚北部等地偏多达40%及以上；在亚洲低纬度及阿拉伯半岛等地降水偏少，其中印度中北部和孟加拉国大部偏少40%及以上，巴基斯坦、阿拉伯半岛部分地区、越南中北部、中国的华南沿海和朝鲜半岛等地偏少20%～30%。同样，模式集合预估的2006～2015 年亚洲冷季降水偏差分布型（图3b）也与1960～2005 年平均历史气候模拟亚洲冷季降水偏差（图2b）相似。这种相似性说明二者偏差分布型几乎不随时间变化，说明CMIP5气候模式集合存在系统性偏差即模式气候漂移。张蓓和戴新刚（2016）对CMIP5 模式集合偏差的分析表明，模式降水的气候漂移约占总偏差的80%或以上。可见2006～2015 年平均降水预估偏差的绝大部分应该属于模式集合气候漂移，具有准定常性。因此，在CMIP5 模式集合的气候预估中直接扣除模式气候漂移可以减少降水预估的不确定性。通常的做法是用模式集合预估降水减去过去一段历史气候模拟降水来消除模式气候漂移。这里假设模式气候漂移是定常的。然而，比较图3 和图2 中偏差分布的细节就会发现，二者之间还存在一些小的差异。例如，在中国东部沿海地区预估的降水偏少率幅度要大于历史气候模拟；在我国的华北和东北、蒙古国、中亚等地预估降水偏多率要高于历史气候模拟（图3a，图2a）。同样冷季的预估降水与历史气候模拟降水在我国华南沿海和南亚等地也存在明显差异（图3b，图2b）。这些差异说明，模式预估降水偏差还受到非定常偏差的影响，同样需要加以订正。

图2 1960～2005 年20 个CMIP5 模式集合平均亚洲降水的偏差百分率：（a）暖季（5～10 月）降水；（b）冷季（11 月至次年4 月）降水Fig. 2 Bias percentage of Asian precipitation between the ensemble mean of 20 CMIP5 models during 1960-2005: (a) Warm season (May-October);(b) cold season (November throughout next April)

图3 RCP4.5 情景下2006～2015 年20 个CMIP5 模式集合平均与观测（CRU TS v4.0）亚洲降水的偏差百分率：（a）暖季；（b）冷季Fig. 3 Bias percentage of Asian precipitation between the ensemble mean of 20 CMIP5 models and the observation (CRU TS v 4.0) during 2006-2015 under the RCP4.5 scenario: (a) Warm season; (b) cold season

5 模式降水偏差订正

5.1 模式气候漂移

在CMIP5 模式集合降水预估中扣除模式气候漂移有多种方式，例如，可以在模式降水预估中减去历史气候模拟中一个时期平均的降水偏差，或常用的做法是只计算预估降水的相对变化，即计算一段时间平均的预估降水与另一时间段平均的历史气候模拟降水之差，以此扣除所谓模式气候漂移，其中假定模式气候漂移不随时间段变化。这在很大程度上可以削弱模式降水的气候漂移偏差，减小降水预估的不确定性。图4 给出了2006～2015 年CMIP5多模式集合平均降水预估相对于1976～2005 年CMIP5 历史气候模拟平均值（参考态）的距平百分率。图4a 显示，在中等排放情景RCP4.5 下，2006～2015 年暖季预估降水在亚洲大陆大部分地区都有所增多，其中，我国西北中东部和南亚西北部降水增加率为5%～10%，阿拉伯半岛降水增加10%～20%，在我国江南、四川盆地、华北西部、中南半岛中部、印度的部分地区、青藏高原西部、蒙古国东部、里海周边及东非东北海岸等地降水减少。在冷季，2006～2015 年模式预估降水在北方增多，南方减少，其中降水增多比较明显的区域位于我国西北东部、印度西北部、巴基斯坦、贝加尔湖附近及远东等地，增加幅度在5%～10%之间；而降水减少的区域主要位于中国中东部、南部、西南部、青藏高原东南部、印度东北部、伊朗、及阿拉伯半岛等地（图4b）。

图4 RCP4.5 情景下2006～2015 年20 个CMIP5 模式集合预估降水相对于1976～2005 年历史气候模拟降水的距平百分率（上）及其与观测降水（CRU TS v4.0）的距平符号一致格点（“+”）分布（下）：（a、c）暖季；（b、d）冷季Fig. 4 Percentage of the precipitation anomaly projected using 20 CMIP5 models ensemble mean vs the counterpart of its historical simulations for 1976-2005 (upper panel) and distributions of grid points with the same sign (marked as “+”) in the precipitation anomaly with the observation (CRU TS v4.0，lower panel) in Asia during 2006-2015 under the RCP4.5 scenario: (a, c) Warm season; (b, d) cold season

然而，进一步分析扣除气候漂移后预估降水与观测距平符号的一致性，发现在许多地区都存在不一致的情形，即存在预估盲区。图4c 显示几乎有一半格点的预估降水距平与观测距平相反，即没有预估能力，距平符号一致率仅为49%。这说明图4a的预估降水距平在这些“盲区”（距平反号区）无效，其中包括中国的东北和华北北部、中东部大部分地区、西北大部及青藏高于南部等地。但是，冷季模式预估降水的距平符号一致率较高，达到68%，距平符号不一致的格点主要集中在40°N 附近纬度带及中亚等地。这说明，仅扣除模式气候漂移存在一定局限性，模式降水预估的非定常偏差亦很重要，需要对其做进一步订正，以降低模式降水预估的不确定性。

除距平符号一致率外，模式降水预估偏差还存在距平幅度的偏差，即尽管模式降水距平符号与观测一致，若距平幅度与观测相比太小也没有实际意义。对比图5a、b 与图4a、b 发现，大部分地区模式预估降水距平都远小于观测。例如，在模式预估的暖季区域性降水增多幅度明显较小的区域有我国西北东部或三江源区、印度次大陆、巴基斯坦和阿富汗、中南半岛西部，以及高纬度地带；模式预估降水负距平幅度明显偏小区域为我国西南及东北部分地区、伊朗南部、里海附近及印度东北部等（图5a，图4a）。比较图4b 与图5b 可知，冷季模式预估降水距平幅度明显低于观测，尽管模式预估的冷季降水距平与观测之间的符号一致率远高于暖季。例如，模式冷季降水增多幅度在我国华北和东北、印度次大陆中部及西北部、中南半岛大部、菲律宾群岛、俄罗斯远东及西西伯利亚等地明显偏小；在模式预估冷季降水偏少的区域距平幅度也明显偏弱，如我国西南部、青藏高原东部、印度西北部、伊朗高原及阿拉伯半岛东部等地。因此，模式降水偏差订正不仅要提高其距平符号一致率，也要考虑解决模式预估降水距平幅度过低的问题。此外，为进一步减少模式偏差，除了模式气候漂移还应考虑对模式降水非定常偏差的订正。

图5 2006～2015 年亚洲观测（CRU TS v4.0）降水距平百分率：（a）暖季；（b）冷季。参考态：1976～2005 年Fig. 5 Percentage of precipitation anomaly in Asia from CRU TS v4.0 for 2006-2015: (a) Warm season; (b) cold season. Reference years: 1976-2005

5.2 回归偏差订正

模式降水的定常和非定常偏差可以通过回归模型等方式统一订正，但统计方法可以订正的仅为非定常偏差中的统计平稳部分。根据杨阳等（2019）对中国大陆降水预估偏差订正的检验表明，一元对数回归和一元年际增量回归等模型对模式降水偏差订正的效果较好。因此，本文选择一元对数回归和一元年际增量回归模型，检验其对亚洲模式降水预估偏差的订正效果。这两种统计模型的建立都基于1961～2005 年CMIP5 历史气候模拟降水数据和降水观测数据（CRU TS v4.0）。

图6a 表示，使用一元对数回归订正偏差后的2006～2015 年暖季模式预估降水相对于1976～2005 年观测气候平均值的距平及其与观测降水距平同号格点分布（“+”），距平一致格点率为56.6%，明显高于图4c 的49%，而且降水距平幅度与图4a相当。但图6c 显示，一元对数回归偏差订正在南亚次大陆几乎无效，其在30°N 以南距平同号率仅为46.7%，以北达到60%。这说明一元对数回归订正法在低纬度存在较多盲区，比较适合订正中高纬度暖季模式降水偏差。

图6 RCP4.5 情景下2006～2015 年线性回归订正后亚洲暖季模式预估降水与观测降水距平百分率（上）及其距平同号格点分布（下）：（a、c）一元对数回归；（b、d）一元年际增量回归。参考态：1976～2005 年Fig. 6 Anomaly percentage of the warm season precipitation projected using 20 CMIP5 model ensemble mean under RCP4.5 for 2006-2015 (upper)and the corresponding grid distribution with the correct sign (“+”) with the observation precipitation anomaly (lower): (a, c) Logarithmic regression; (b,d) year-to-year increment regression. Reference years: 1976-2005

比较图6b 与图5b 可知，一元年际增量回归订正后预估降水距平幅度高于一元对数回归，与观测比较接近，其距平符号一致率为62%，高于对数回归，其30°N 以南距平同号率甚至达到约67%，也明显高于对数回归，但在30°N 以北与对数回归相当（图6d）。因此，在暖季可以用所谓“组合订正法”，即在30°N 以南选用一元年际增量回归进行偏差订正，而30°N 以北用一元对数回归订正法。鉴于一元对数回归订正后降水距平在北方太小，在暖季本文还是使用一元年际增量回归订正，尽管其降水距平在北方幅度超过观测降水距平（见图5a）。

在冷季，图7a，b 显示，一元对数回归订正后降水距平幅度依旧小于一元年际增量回归，后者的幅度接近于观测值（图5b）。而图7c，d 中一元对数回归的距平符号一致率仅为48%，一元年际增量回归的略高，为51%。根据图7c 中距平符号不一致的区域即盲区（空白处），可以推断使用一元对数回归偏差订正后冷季在华北、南亚西北部及中南半岛大部等地的降水偏少无效（图7a）。同样，使用一元年际增量回归偏差订正后冷季降水在我国华北、中南半岛等地偏少，在我国三江源区、中亚南部等地偏多的估计也均无效。比较图7c，d不难看出，二者在南方和北方的距平符号一致率不同，距平同号格点的分布亦不一样。统计结果表明，一元对数回归在30°N 以南为56%，远高于一元年际增量回归的48%；相反，前者的距平同号率在北方只有45%，低于后者的53%。因此，对于2006～2015 年冷季降水预估偏差订正，可以用所谓“组合订正法”，即在30°N 以南选用一元对数回归订正，以北用一元年际增量回归订正。

图7 同图6，但为冷季降水Fig. 7 Same as Fig. 6, but for cold season precipitation

显然，单纯地使用一元对数回归或一元年际增量回归偏差订正法都不能得到冷季预估降水的最优偏差订正效果，若将二者组合起来可以得到更优结果。图8 即是用区域组合回归法进行偏差订正后得到的2006～2015 年亚洲暖季和冷季降水距平百分率分布，其中暖季在30°N 以南用一元年际增量回归订正，以北用一元对数回归订正（图8a）。相反，冷季在在30°N 以南用一元对数订正，以北用一元年际增量订正（图8b）。显然，组合订正后图8 与图5 的距平幅度大小更为接近，距平符号一致率也高于单纯的一元年际增量回归订正或一元对数回归订正的结果。不过，如果参考图6c，d 可知，图8a 中的暖季降水预估结果在中南半岛中南部、南亚西北部、西北东部等地的预估均无效，因为是盲区（图6c，d）。但些盲区在图4c 中却是有效区，可以用其中的预估降水距平填补这些区域，以降低预估的不确定性。同样，参考图7c，d 可知，在图8b 中的印度中南部、南亚西北部、中南半岛中北部、中国西南部、华北大部、西北东部及新疆南部等地的区域组合降水预估亦均无效。也可以参考图4d，用其降水距平填补这些盲区。因此，区域组合订正法也需要结合去模式气候漂移的结果进行补充订正，以进一步减少亚洲降水预估的不确定性。

图8 在RCP4.5 情景下20 个CMIP5 模式集合预估并进行组合回归订正后2006～2015 年亚洲降水距平百分率: （a）在暖季30°N 以北用一元对数回归订正，以南用一元年际增量回归订正；（b）冷季与暖季相反。参考态：1976～2005 年Fig. 8 Asian precipitation anomaly percentage projected using CMIP5 20 model ensemble mean under the RCP4.5 scenario with bias correction for 2006-2015 versus that of the 1976-2005 observation: (a) Logarithm regression in the north of 30°N with year-to-year increment regression in the south for the warm seasons; (b) opposite combination in the regressions for the cold seasons

6 未来30 年亚洲降水预估

在RCP4.5 情景下用区域组合回归订正法对20 个CMIP5 模式集合平均预估的未来30 年（2021～2050）亚洲降水进行偏差订正，其中暖季用一元年际增量回归订正，冷季在30°N 以南用一元对数回归订正，30°N 以北用一元年际增量回归订正。对于一元对数或年际增量回归订正法可能的盲区用单纯去模式漂移结果填补，如果后者在检验期属于有效区，否则不予填补订正。图9a 显示，相对于1976～2005 年气候平均，2021～2050 年暖季降水距平分布与2006～2015 年类似（见图6b），即中国西南部和江南中部、南亚东北部、环里海南部、阿拉伯半岛东北部等地降水偏少10%～20%；从中国的三江源区到淮河流域降水增加20%左右，东北南部降水增加约10%；新疆北部降水增加约10%，南部增加约20%，华北和东北大部降水减少10%～20%；中南半岛北部降水增加约10%，南部变化不大（图9c）；亚洲高纬度地带降水略有增加。

图9b，d 显示，在2021～2050 年亚洲冷季预估降水呈现北方增加、南方减少的格局。其中南亚降水减少最明显，达-10%左右，中国西南部约为～5%；西北和青藏高原降水增加幅度约为20%～40%，华北和东北增加约5%，西伯利亚及远东降水增加约为10%～40%。这里考虑到一元对数回归与年际增量回归在冷季降水预估的盲区较多，例如在南亚、中南半岛、中国北方大部等（图7c，d），因此在降水距平符号选择上主要参考图9d 及图7d；在降水距平幅度估计上，如果在图9b 与图9d 中同号，则选择前者，否则选择后者，若遇到二者共同的盲区则不再做预估推荐。

图9 RCP4.5 情景下经偏差订正后20 个CMIP5 模式集合预估的2021～2050 年亚洲年暖季（左）和冷季（右）降水距平百分率：（a）一元年际增量回归订正；（b）组合回归订正即一元年际增量回归（30°N 以北）和一元对数回归（30°N 以南）；（c，d）去除模式气候漂移后暖季和冷季降水距平百分率。图a 和b 的参考态：1976～2005 年观测降水；图c 和d 的参考态：1976～2005 年 CMIP5 历史模拟降水Fig. 9 Bias-corrected precipitation anomaly percentage projected using CMIP5 20 model ensemble mean under RCP4.5 scenario for 2021-2050 in the warm season (left) and cold season (right): (a) Year-to-year increment regression; (b) year-to-year increment regression in the north of 30°N and logarithm in the south; (c, d) model drift removed for warm and cold seasons, respectively. Figures a and b are with reference to the 1976-2005 observation; figures c and d are with reference to the precipitation of the CMIP5 historical climate simulation for 1976-2005

7 讨论与结论

本文分析了CMIP5 多模式集合历史模拟及预估降水偏差在亚洲的分布特征，检验了三种偏差订正法，即去模式气候漂移、一元对数回归及年际增量回归在2006～2015 年亚洲降水预估中的偏差订正效果，构造了区域组合回归偏差订正法，预估了2021～2050 年暖季和冷季亚洲降水的可能变化。主要结论如下：

（1）在CMIP5 历史气候模拟中，多模式集合平均降水在亚洲存在明显偏差，在中国华南沿海、南亚、越南、朝鲜半岛、伊朗南部及阿拉伯半岛等地均偏少，其中在南亚明显偏少，达-20%～-40%，而在青藏高原、内蒙古、蒙古国等地偏多达30%～40%。

（2）2006～2015 年CMIP5 多模式集合预估降水偏差分布与历史气候模拟类似，说明模式的气候漂移偏差具有准定常性，可以通过历史气候模拟确定并在预估中扣除。

（3）用CMIP5 预估时段的平均降水模式减去历史气候模拟时段平均降水可以在很大程度上消去模式气候漂移，但预估的降水距平幅度明显偏弱，尽管距平符号一致率较高。

（4）对于2006～2015 年降水预估检验了两种偏差订正方法，即一元对数和年际增量回归订正法，发现其各有优势区域及盲区，偏差订正后前者在北方的距平幅度较小，后者偏大。以此构造了南北区域组合回归订正法，即暖季在30°N 以南使用一元年际增量回归，以北用一元对数或年际增量回归订正；相反，冷季在30°N 以南用一元对数回归订正，以北用一元年际增量回归订正，可以获得更优的偏差订正效果。

（5）对于组合回归订正法的盲区，用去模式气候漂移后的结果填补，若也遇到盲区则放弃预估推荐。

（6）经区域组合回归偏差订正及去模式气候漂移的附加订正后，在RCP4.5 情景下对2021～2050 年的亚洲降水进行了预估。结果表明，相对于1976～2005 年气候平均，在暖季，中国南方、南亚东北部、中亚南部、阿拉伯半岛东北部等地降水减少10%～20%，从中国的三江源区到淮河流域带降水增加约20%，东北南部降水增加约10%，新疆北部降水增加约10%，南部约20%；华北和东北大部降水减少约10%～20%；中南半岛北部降水增加约10%，南部变化不大；亚洲高纬度地带降水略有增加。在冷季，亚洲降水呈现北方增加，南方减少的格局，其中南亚降水减少最明显，达-10%左右，中国西南部约为-5%，中国西部降水增加幅度约为20%～40%，华北和东北增加约5%，亚洲高纬度降水增加约为10%～40%。

降水预估结果表明，随着全球气候暖化未来30 年的亚洲的降水格局会发生或多或少的变化，中国西部洪涝可能会增多，暖季西南和华北降水可能会减少，冷季南亚北部和中亚南部等地可能出现干旱灾害。不同偏差订正结果的检验还表明，可以设计更加复杂的偏差订正方法，更细分辨率的偏差订正组合方案，以期进一步减小模式降水预估的不确定性。