针对江苏省气温和降水的高分辨率降尺度模拟及预估

惠品宏 陈燕 杨杰 韦芬芬 鲁明欣宇

(1 江苏省气候中心，南京 210019;2 苏州市气象台，江苏 苏州 215131;3 南京信息工程大学 大气物理学院，南京 210044)

引 言

江苏省位于我国沿海地区中部，在太阳辐射、大气环流以及特定地理位置、地貌特征的综合影响下，具有气候温和、四季分明的特点[1]，不但农业生产条件得天独厚，在中国经济版图中也占有重要的位置。近年来，由于全球气候变暖，江苏气候也在发生着明显的变化。从全省平均而言，春季、秋季和冬季3个季节平均气温均呈现一致的增暖趋势，其中冬季最为显著[2]。夏露等[3]指出，1960—2012年间江南较江北更加暖湿，且江南经济发达地区更为明显，这是由于城市化程度导致的气温升高。在气候变暖的大背景下，高影响天气气候事件的特征也发生了显著变化，刘梅等[4]研究表明，2001—2007年沿江苏南地区高温日数年际变化呈增加趋势；1961—2012年江苏日最低温度低于0 ℃的低温日数明显减少，年极端最低气温全省呈一致增高趋势，梅雨期暴雨、雷电、大雾等气象灾害发生的频次和强度也有增加的趋势[5]。

气候变化所导致的极端天气气候事件增加对江苏省农业、生态系统、水资源等各方面都产生了不同程度的影响。由于气候变暖，高温热害增加将使得江苏水稻减产[6]，潘敖大等[7]的研究也表明降水和气温的变化对江苏省粮食产量产生影响，苏北和苏中均有减产。在生态系统方面，归一化植被指数NDVI与气温和降水具有显著的相关性，其中与气温的相关性更高[8]，江苏省2000—2012年植被面积基本保持稳定[9]。1950—2004年间，淮河流域中下游径流呈减少趋势[10]，这与整个淮河流域降水呈明显下降趋势有关[11]。

为了应对气候变化对江苏带来的影响，近年来诸多学者对过去几十年的气候要素进行了系统全面的分析，为相关行业提供了较为完善的应对决策。而对于未来应对气候变化决策的制定却需要对未来气候进行预估，这一方面的研究目前主要有CMIP5(Coupled Model Intercomparison Project Phase 5)计划[12]提供的全球模式预估结果以及运用区域气候模式[13]所做的动力降尺度预估结果。CMIP5全球模式的模拟和预估结果[14]在江苏以及全国其他区域[15-16]得到了广泛的应用。但是由于全球模式分辨率较低，在区域尺度上的模拟能力仍有所欠缺。研究证明区域气候模式能够提供可信的气候模拟和预估，尤其是在一些气候受地形和地表异质性影响显著的地区。近年来，区域气候模式在国内外气候预估领域得到了广泛的应用[17-22]。HUI，et al[23]运用RegCM3模式在IPCC A1B情景模式下对黄河源区近代1980—2000年的气候进行模拟，证明该模式对该地区降水和气温的空间分布具有很好的模拟能力；进一步对2010—2098年的气候预估，发现温度的概率分布函数谱在未来显著向高温端移动。BAO，et al[17]运用WRF模式对全国范围内的气候进行降尺度模拟和预估，结果表明WRF模式能够显著降低全球模式对降水的高估；在对未来气候的预估中发现长江流域以及华南地区的强降水频率将升高。

《江苏省气候变化评估报告》对已有区域模式结果在江苏地区进行了解释应用。GAO，et al[24]利用RegCM4模式单向嵌套BCC_CSM1.1全球模式输出结果对我国的气候进行了模拟和预估，就江苏省而言，模式对降水存在明显高估，对平均气温有所低估，对极端温度和降水出现频率的模拟也存在一定偏差；对未来气候的预估方面，在RCP8.5情景下，江苏省的年平均气温至2020、2030和2050年分别上升1 ℃、1.4 ℃和2.1 ℃，年平均降水在未来增率为1.5 mm/(10 a)，变化不显著。

然而，以上区域气候模拟结果在江苏仍然存在很大的不确定性，参数化方案的选取是否适合江苏本地，模式分辨率是否足以提供针对各市区的模拟结果，这些问题都有待商榷。因此，运用高分辨率区域气候模式对江苏气候进行更加具有针对性的降尺度模拟和预估非常必要，同时也有着以往模拟结果不能取代的重要价值。本研究将在已有区域模式模拟结果的基础上，进一步进行高分辨率降尺度模拟，通过选取合适的参数得到最优的模式配置，并对未来气候变化进行预估，建立起一套完整的具有江苏本地特色的未来气候变化预估数据集。

1 研究方法及数据介绍

1.1 观测资料介绍

本文中用来检验模式模拟效果的观测资料来源于江苏省70个气象站相同时段的逐日观测资料，时段为1990—2004年，包括日降水量、日平均气温、日最高、最低气温4个变量，利用这些观测气象要素，检验模式对多年平均降水、气温及其极端状态的模拟效果。

70个气象站点分布于全省13个地级市，覆盖全省各县级市，如图1所示，全省站点根据不同的地理分布和气候特征分为苏北、江淮、苏南3个区域。气象台站对降水和气温的观测严格按照中华人民共和国气象行业标准——地面气象观测规范(标准编号：QX/T 45-2007—QX/T66-2007)的要求进行，观测站址布设、观测仪器选型、观测手段、仪器维护、数据采集、数据审核、质量控制等均符合国家相关规范要求，所获得的数据真实、可靠。

图1 江苏省70个站点位置

1.2 模式驱动场资料介绍

本研究中降尺度模拟所采用的初始边界条件为WRF(Weather Research and Forecasting)模式对GFDL(Geophysical Fluid Dynamics Laboratory)的ESM2M全球模式输出结果的降尺度区域模拟结果，该套模拟结果覆盖整个东亚地区，为CORDEX(Coordinated Regional Climate Downscaling Experi￣ment)计划第二阶段的成果之一，采用25 km分辨率，包括现代模拟和未来RCP8.5排放情景预估，其模拟区域中心位于36°N、116°E，经向和纬向分别为385和253个格点。模拟时段现代模拟覆盖1975—2005年，未来预估时段为2030—2060年，满足本研究的模拟时段要求。

GFDL在IPCC(Intergovernmental Panel on Climate Change)历次评估报告中都发挥着重要的作用，是CMIP计划的重要成员之一。ESM(Earth System Model)系列模式由GFDL团队开发，包括ESM2M和ESM2G两种模式，本文中所采用的东亚区域降尺度模拟结果的驱动场为ESM2M模式的模拟结果。在全球模式的模拟预估基础上，世界气候研究计划(World Climate Research Program，WCRP)联合全球众多高校和研究机构开展了区域气候降尺度试验(CORDEX)，该计划包含全球多个不同区域，其中东亚区域(CORDEX-EA)覆盖整个东亚大陆以及部分印度洋和西北太平洋。本文在江苏地区的区域降尺度模拟所采用的初始边界条件为南京大学大气科学学院参与CORDEX-EA计划的成果之一。

1.3 试验方案设计

本文降尺度模拟试验所采用的区域气候模式为WRF，该模式从中小尺度到全球尺度的数值预报和模拟都有广泛的应用，既可以用于数值天气预报，也可以用于大气数值模拟研究领域。WRF模式分为ARW(the Advanced Research WRF)和NMM(the Nonhydrostatic Mesoscale Model)两种，即研究用和业务用两种形式，本文所采用的WRF模式为ARW。

在以往针对中国以及整个东亚区域的区域气候模拟研究中[19，21，23-24]，WSM5(WRF Single-Moment 5-class)微物理方案[24]，Noah陆面过程模型[26]和YSU行星边界层方案[27]得到广泛的应用，其对东亚地区的区域气候模拟具有较好的效果，因此本文的模拟试验采用了这几种物理参数化方案。另外，HUI，et al[28]的研究表明，对流参数化方案的选取对于我国不同区域的区域气候模拟具有比较显著的影响，辐射参数化方案的选取在很大程度上影响东亚地区气温的模拟[30]，因此在进行现代模拟和未来预估之前，针对对流参数化方案和辐射方案进行了模拟测试，模拟区域如图2所示，模拟时段均为1989年7月—1990年12月，其中前半年作为模式的调整时间，仅分析1990年1—12月时段。测试结果表明，对于气温而言，RRTMG[30]辐射方案具有明显的优势，模拟的气温负偏差明显小于CAM[31]辐射方案模拟，并且其模拟的气温季节循环与观测之间的相关系数也更高。降水的模拟在一定程度上受到对流参数化方案的影响，Grell-Freitas[32]方案对江苏降水的模拟较其他两个方案更优。因此，之后的现代气候降尺度模拟和未来气候变化降尺度预估采用采用RRTMG辐射方案和Grell-Freitas对流参数化方案。现代模拟和未来预估的模拟时段分别为1989年7月—2004年12月和2029年7月—2044年12月，其中前半年作为模式调整时间不进行分析。

图2 模拟试验区域及其地形

1.4 分析方法

本文中所采用的极端指数由ETCCDI(Expert Team on Climate Change Detection and Indices，http:∥cccma.seos.uvic.ca/ETCCDI)提供[33]，分别选取4个降水极端指数和4个气温极端指数对江苏省的极端气候状态进行分析，降水极端指数包括连续干旱日数(Consecutive Dry Days，CDD)，连续湿润日数(Consecutive Wet Days，CWD)，最大连续5 d降水量(Maximum 5-day Precipitation Amount，Rx5)，极端强降水(Very Wet Days，R95)；气温极端指数包括极端高温(max Tmax，TXx)，极端低温(min Tmin，TNn)，暖持续日数(Warm Spell Duration Indicator，WSDI)，冷持续日数(Cold Spell Duration Indicator，CSDI)。极端指数具体定义见表1。在计算基于分位数的极端指数时，每一天的分位数阈值由参考时段内多年来以该天为中心的5 d滑动日数据进行计算，在本文中参考时段取现代模拟时段，即1990—2004年。

表1 降水与气温极端指数定义

增值(Added Value，AV)用来评估降尺度模拟相对于原始驱动场的效果提升情况，本文中采用由Luca，et al[34]提出并由Dosio，et al[35]进行改进的计算方法，公式如下：

(1)

其中：X代表不同数据中的空间场；本研究对区域模式低分辨率降尺度模拟的结果进行进一步的高分辨率降尺度，其中XLoRes代表原始驱动数据中的空间场，XHiRes则代表高分辨率降尺度后的空间场，当高分辨率降尺度模拟的平方误差小于驱动场的平方误差时，即AV>0，则认为高分辨率模拟对其驱动场有提高。公式采用了标准化处理，使得-1≤AV≤1。

2 现代气候降尺度模拟检验

2.1 气候平均态

为了对高分辨率降尺度模拟的效果进行评估，图3给出了5 km高分辨率降尺度模拟的不同季节降水相对于25 km模拟的增值AV。除春季(3—5月)以外，高分辨率模拟对其他季节和全年平均降水的模拟的增值均为正值，说明高分辨率降尺度模拟对于江苏降水的展现具有显著的提高。在4个不同季节中，高分辨率模拟的降水增值在冬季最为显著，尤其在江苏东北部地区，标准化的增值可达到0.8以上，计算高分辨率模拟降水增值为正的站点比例，其在夏(6—8月)、秋(9—11月)、冬季(12—次年2月)分别为97.1%、75.7%和100%。对于全年平均降水，高分辨率模拟同样具有显著的提升，增值为正的站点比例为100%，标准化增值在江苏东北部地区也可达0.8以上。

图3 5 km高分辨率降尺度模拟不同季节以及全年平均日降水量对25 km模拟的增值(虚等值线表示负值)：(a)春季；(b)夏季；(c)秋季；(d)冬季；(e)全年

图4为5 km高分辨率降尺度模拟的不同季节气温相对于25 km模拟的增值AV。除春季以外，高分辨率模拟对其他季节和全年平均气温的模拟的增值均为正值，即高分辨率降尺度模拟对于江苏气温的展现也具有显著的提高。在4个不同季节中，高分辨率模拟的气温增值在秋季最为显著，标准化的增值在全省大部分地区可达到0.9以上。计算高分辨率模拟气温增值为正的站点比例，其在夏、秋、冬季分别为98.6%、98.6%和100%。对于全年平均气温，高分辨率模拟同样具有显著的提升，增值为正的站点比例为100%，标准化增值在江苏东南部地区也可达0.7以上。

2.2 概率分布

观测与模拟的降水概率分布如图5所示，在分析中只考虑日降水量大于等于0.1 mm·d-1的日期，降水量被分为8个等级来计算其概率分布。由图4可见，降水概率随着降水强度的增大而减小，概率分布谱在整个江苏省及其不同区域比较类似，0～1 mm·d-1的微弱降水和1～5 mm·d-1小雨发生概率远大于其他强度范围的降水，约为30%，5～10 mm·d-1和10～15 mm·d-1的降水发生概率分别约为15%和10%，15～20 mm·d-1、20～30 mm·d-1、30～50 mm·d-1以及50 mm·d-1以上的降水概率均在10%以下。WRF模式25 km分辨率模拟严重高估了0～1 mm·d-1的微弱降水概率，高达55%，而低估了其他强度降水的概率，5 km高分辨率降尺度模拟则在很大程度上提升了模拟效果，0～1 mm·d-1降水概率降低至35%，与观测的偏差明显减小，1～5 mm·d-1降水的发生概率约为30%，与观测非常接近，对于其他强度的降水概率，5 km高分辨率模拟同样存在低估，但是与25 km模拟相比与观测的差距显著缩小。

图4 5 km高分辨率降尺度模拟不同季节以及全年平均气温对25 km模拟的增值同图3新增部分(虚等线表示负值)：(a)春季；(b)夏季；(c)秋季；(d)冬季；(e)全年

图5 观测及模拟日降水量在江苏省(a)以及3个不同区域的概率分布：(b)苏北；(c)江淮;(d)苏南

江苏省及其不同区域日平均气温的概率如图6所示，计算的气温间隔为1 ℃。观测显示江苏省日平均气温分布在-10～36 ℃之间，概率分布谱呈双峰结构，就全省而言，气温概率峰值分别出现在5 ℃和22 ℃，概率分别为3.5%和4.5%。对于几个不同的区域，江淮地区的日平均气温概率分布与全省平均类似，而苏北和苏南的气温概率分布谱则存在一定的差异，对于苏北地区，概率谱的两个峰值分别在4 ℃和27 ℃，另外0 ℃以下的气温总概率明显比全省平均要大，30 ℃以上的气温总概率则较小；苏南地区的气温概率峰值出现在5 ℃和22 ℃，与全省平均类似，但是其0 ℃以下的气温总概率明显较小，而30 ℃以上的气温总概率则较大。WRF模式能够很好地模拟出江苏省及其不同区域的气温概率分布的双峰结构，但是其分布谱明显向低温方向偏移，对于全省而言，25 km分辨率模拟试验所展示的气温概率峰值分别出现在0 ℃和20 ℃，并且显著高估0 ℃以下的气温概率，低估20 ℃以上的气温概率，5 km高分辨率降尺度模拟试验效果有显著的提升，气温概率分布谱向观测靠近，尤其对20℃以上气温概率的低估显著减小，对于几个不同区域，5km高分辨率模拟同样具有更好的模拟效果。

图6 观测及模拟日平均气温在江苏省(a)以及3个不同区域的概率分布：(b)苏北；(c)江淮；(d)南苏

2.3 极端指数

极端降水指数的空间分布如图7所示，干指数CDD呈现由北向南递减的分布，数值在28～40 d，说明江苏南部连续无降水日数较北部小，WRF模式25 km分辨率模拟能够表现出CDD由北向南递减的分布型态，但是数值上存在较大的高估，在全省范围内大于50 d，5 km高分辨率降尺度模拟与25 km分辨率模拟所呈现的CDD空间分布型态类似，其在一定程度上降低了CDD的模拟偏差，使得CDD的数值与观测更为接近，但是仍存在较大的高估。对于3个湿指数，CWD和R95的空间分布类似，均为由北向南递增，说明江苏南部连续降水的天数较北部长，并且极端降水量较北部大，Rx5则在江苏东北部存在大值区，数值在170 mm以上，另外苏南地区也存在次大值区。WRF模式25 km分辨率模拟所展示的3个湿指数均为由北向南递增的空间分布，其中CWD和R95与观测相符，Rx5则没有展示出东北部的高值区，在数值上，CWD在全省大部分地区存在高估，Rx5低估，R95则在北部低估南部高估。5 km高分辨率模拟的3个湿指数的空间分布与25 km分辨率模拟类似，其在很大程度上降低了Rx5的数值低估，但是增大了CWD的数值高估。

图7 观测及模拟的降水极端指数空间分布，指数包括CDD(单位：d)、CWD(单位：d)、Rx5(单位mm)以及R95(单位：mm)

除CWD以外，高分辨率模拟对其他几个降水极端指数的模拟均有显著的提升，说明高分辨率降尺度模拟对于江苏极端降水的展现具有一定的优势。在几个不同的极端指数中，高分辨率模拟对CDD的增值最为显著，标准化的增值在全省绝大部分站点均为正值，比例达87%；对于Rx5，高分辨率模拟除了在苏南部分地区增值为负外，在其他大部分地区增值为正，比例为73%，R95增值为正的站点比例为56%(图略)。

图8所示为极端气温指数的空间分布，TXx在东北地区存在低值区，数值在36～37 ℃之间，其他区域的TXx普遍在37 ℃以上；TNn由西北向东南递增，数值大致分布在-11～-5 ℃，最低值位于宿迁地区；WSDI和CSDI在全省的分布存在多个低值区，WSDI的多年平均值大致在1～3 d之间，高值区位于南通地区，CSDI的多年平均值约为0.5～2 d，在西北地区的徐州、宿迁一带数值较大。WRF模式25 km分辨率模拟对TXx存在明显的高估，而对于TNn则显著低估，因此模式对日平均气温模拟的冷偏差主要来源于夜间气温的模拟偏差，模式能够模拟出TNn北部低南部高的分布特征，但是没有表现出TXx在东北部的低值区，5 km高分辨率模拟对25 km的模拟效果没有表现出显著的改善，同样存在TXx的高估和TNn的低估；对于WSDI和CSDI，WRF模式分别表现出低估和高估，这主要是由模式的冷偏差造成的，25 km分辨率模拟呈现的WSDI和CSDI空间分布与观测存在较大的偏差，5 km高分辨模拟则有很大程度的改善，其能够模拟出WSDI在江苏北部、盐城、南京周边等区域的低值区和淮安一带、南通周边等区域的高值区，并且对CSDI在北部的高值区和东部沿海的低值区也有很好的呈现。

图8 观测及模拟的气温极端指数空间分布，指数包括TXx(单位：℃)、TNn(单位：℃)、WSDI(单位：d)以及CSDI(单位：d)

除TXx以外，高分辨率模拟对其他几个气温极端指数的模拟均有显著的提升。在几个不同的极端指数中，高分辨率模拟对TNn的增值最为显著，标准化的增值在全省绝大部分站点均为正值，比例达67%；对于CSDI，高分辨率模拟除了在苏北部分地区和南京地区增值为负外，在其他大部分地区增值为正，比例为60%；WSDI在部分地区增值为正，站点比例为51%(图略)。

3 未来气候变化降尺度预估

3.1 气候平均态

图9所示为模拟的未来时段不同季节以及年平均降水强度相对于现代时段的变化，差异通过α=0.05显著性检验的格点用黑色圆点标出。可见，不同季节的降水存在不同的变化特征，夏季降水在全省范围内均有所减少，并通过显著性检验，其中南京和江苏中北部夏季降水减少最显著，在-1.2 mm·d-1以上。春季降水在全省大部分地区有所增加，除徐州和苏南部分地区外，其他地区降水增加均通过显著性检验，增加幅度在0.2 mm·d-1以上，盐城南部和南通部分地区可达0.6 mm·d-1以上。秋冬季降水变化不显著，其中秋季降水在徐州、连云港地区有所增加并通过显著性检验，增加幅度在0.2～0.6 mm·d-1，在苏南个别区域降水有所减少，其余大部分地区的秋季降水变化没有通过显著性检验；冬季降水存在微弱的增加，在少数格点通过显著性检验。对于全年平均降水，全省以减少为主，在南京、无锡和苏州南部、宿迁、淮安等地区通过显著性检验，减少幅度在-0.2～-0.6 mm·d-1。

图9 不同季节及年平均日降水量在2030—2044年时段相对于1990—2004年时段的变化(单位：mm·d-1；黑点代表降水变化通过α=0.05显著性检验的格点)(虚等值线表示负值)：(a)春季；(b)夏季；(c)秋季；(d)冬季；(e)全年

模拟的未来时段不同季节以及年平均气温相对于现代时段的变化如图10所示，差异通过α=0.05显著性检验的格点用黑色圆点标出。除了秋季以外，其他季节气温均以升高为主，其中春季气温升高幅度最大，在4～6 ℃，并在全省范围内通过显著性检验，宿迁、徐州、连云港地区升温最显著，在5.2 ℃以上。夏季气温在全省范围内也存在显著的升高，并且在所有格点均通过显著性检验，升温幅度由东向西逐渐增大，大部分地区升温幅度在2 ℃以上，仅在南通和苏州东部的少数地区升温幅度小于2 ℃。冬季气温升高不显著，在全省范围内均没有通过显著性检验，升温幅度小于0.2 ℃。秋季气温存在显著的降低，在全省范围内均通过显著性检验，降温幅度由南向北递增，在-2.5～-3.8 ℃，其中徐州、宿迁、连云港地区降温幅度在-3.2 ℃以上。对于全年平均气温，全省以上升为主，并且均通过显著性检验，升温幅度由沿海向内陆逐渐增大，在南京和徐州周边地区升温幅度较大，在1.1 ℃以上。

图10 不同季节及年平均气温在2030—2044年时段相对于1990—2004年时段的变化(单位：℃；黑点代表降水变化通过α=0.05显著性检验的格点)(虚等值线表示负值)：(a)春季；(b)夏季；(c)秋季；(d)冬季；(e)全年

3.2 概率分布

图11所示为不同强度降水的概率在未来时段相对于现代时段的变化，可见江苏省及其不同区域的降水均体现出微弱降水概率增加中到大雨概率减小的特征。对于全省而言，0～1 mm·d-1的微弱降水概率增加了1.6%左右，1～5 mm·d-1和5～10 mm·d-1的小雨概率分别减小0.6%和0.5%，中到大雨的概率总体而言有轻微的减小，50 mm·d-1以上的暴雨概率减小0.3%左右。江淮和苏南地区同样是0～1 mm·d-1的微弱降水概率增加，1～5 和5～10 mm·d-1的小雨概率有所减少，苏北地区则有所不同，0～1和1～5 mm·d-1的降水概率均有所增加，5～10 mm·d-1的小雨概率减小，3个不同区域的中到大雨概率总体而言都有所减小，其中苏北地区减小较为明显，苏南地区中雨概率有所增加，50 mm·d-1以上的暴雨概率在3个区域均有所减少，苏南地区减少最为明显，约为0.5%左右。

图11 降水概率分布在未来时段相对于现代时段的变化：(a)全省；(b)苏北；(c)江淮；(d)苏南

日平均气温概率分布的变化如图12所示。总体而言，高温发生的概率有所增加，中低温的概率则减小。对于全省而言，25 ℃以上的气温概率总体有所增加，概率增加的峰值在27.5 ℃附近，增加幅度约为0.7%，35 ℃以上的高温概率也有微弱的增加；另一方面，0 ℃以下的低温概率总体减小，概率减小峰值在-6℃附近，减小约0.4%；在0～25 ℃范围内，除了0～5 ℃的气温概率有轻微的增加，其他温度段概率均有所减小。3个区域的气温概率分布变化情况与全省类似，25 ℃以上的气温概率同样有显著的增加，概率增加峰值分别在30、26和26 ℃附近，概率增加值分别约为0.7%、0.8%和1.0%；对于低温段，苏北、江淮和苏南地区分别在-2.5、2和2.5 ℃以下的气温概率有所减小。

图12 日平均气温概率分布在未来时段相对于现代时段的变化：(a)全省；(b)苏北；(c)江淮；(d)苏南

3.3 极端指数

为了探讨江苏省极端降水和气温的变化情况，计算了4个极端降水指数和4个极端气温指数在未来相对于现代时段的变化，极端降水指数的变化情况如图13所示。由图13a可见，干指数CDD在江苏中部和北部表现为减小的特征，减小幅度在0～-10 d之间，并在苏北大部分地区通过α=0.05显著性检验，苏南地区的CDD存在增加的趋势，意味着该区域在未来将会出现更长时间的连续无降水日，无锡和苏州北部的CDD增加最为明显，在4 d以上，并通过显著性检验。CWD的变化特征与CDD存在相反的空间分布型态(图13b)，即在中北部增加而在南部减小，说明中北部连续无降水日数将缩短而连续降水日数将延长，徐州、宿迁北部、连云港一带的CWD增加最为明显，在0.5 d以上，并且通过显著性检验，另外南通东部和苏州南部的CWD也有显著的增加。Rx5在全省范围内总体呈减小趋势(图13c)，在江苏南部边缘减小程度较大，可达-30 mm以上，并通过α=0.05显著性检验；其在北部边缘的少数格点呈增加趋势，增加幅度在0～15 mm之间。图13d显示，R95在全省范围内均表现为显著的增加趋势，并且除南京地区外在其他所有格点均通过α=0.05显著性检验，增加幅度从内陆向沿海逐渐递增，范围在20～200 mm，这说明江苏省的极端降水量将在未来呈现大幅增加。

图13 降水极端指数在未来时段相对于现代时段的变化，包括CDD(a，单位：d)，CWD(b，单位：d)，Rx5(c，单位：mm)以及R95(d，单位：mm)，黑点代表极端指数变化通过α=0.05显著性检验的格点(虚等值线表示负值)

极端气温指数的变化如图14所示，极端高温和极端低温都有显著的上升(图14a、b)，极端高温TXx升高幅度由沿海向内陆递增，并在全省范围内通过α=0.05显著性检验，南京、徐州西部地区的TXx升高幅度最大，可达1.8 ℃以上。极端低温TNn的变化呈现出与TXx不同的空间分布型态，高值区位于苏北的徐州、宿迁、连云港地区，升高幅度在2 ℃以上，南京地区的TNn升高幅度较小，并且没有通过显著性检验。由于未来气温的普遍升高，暖持续日数WSDI也存在显著的增加趋势(图14c)，其增加幅度由东北向西南逐渐递增，苏州、南京地区以及宿迁、淮安、徐州等3市的西部地区WSDI增加幅度较大，可达13 d以上，连云港、盐城地区的WSDI增加幅度较小，在10 d以下。图14d显示冷持续日数CSDI在全省范围内均为减小趋势，并在大部分区域通过α=0.05显著性检验，苏北地区减小幅度更大，可达-1.5 d以上。

图14 气温极端指数在未来时段相对于现代时段的变化，包括TXx(a，单位：℃)，TNn(b，单位：℃)，WSDI(c，单位：d)以及CSDI(d，单位：d)，黑点代表极端指数变化通过α=0.05显著性检验的格点(虚等值线表示负值)

4 结论

本文基于已有的25 km低分辨率数值模拟结果，运用WRF模式采用5km高分辨率对江苏省现代15 a的气候进行动力降尺度模拟，并在RCP8.5排放情景下对未来15 a的气候进行预估。主要结论如下：

(1)5 km高分辨率降尺度模拟总体而言对25 km分辨率模拟有显著的提高，降水的负偏差有所降低，气温冷偏差也有所改善，对于全年平均而言，全省平均降水偏差由-1.05 mm·d-1降低至-0.51 mm·d-1，气温偏差由-4.34 ℃降低至-2.59 ℃。

(2)高分辨率降尺度模拟显著改善了25 km分辨率模拟对0～1 mm·d-1的微弱降水概率的高估，对其他强度降水的概率模拟也有一定的改善；模式模拟的气温概率分布谱相比观测向低温方向偏移，5 km高分辨率降尺度模拟试验效果有显著的提升，尤其对20 ℃以上气温概率的低估显著减小。

(3)WRF模式能够模拟出降水极端指数的基本分布，除CWD以外，高分辨率模拟对其他3个降水极端指数的模拟均有显著的提升，并对TXx之外的其他3个极端气温指数的模拟效果也有所改善。

(4)在RCP8.5排放情景下，江苏省降水在不同季节存在不同的变化特征，夏季降水以减少为主，减小幅度在-0.4～-2 mm·d-1，春季降水则以增加为主，增加幅度在0～0.8 mm·d-1，秋冬季节降水变化不显著，全年平均而言，江苏省降水在未来存在减少趋势。

(5)对降水和气温的概率分布变化分析表明，小雨里的微弱降水发生概率将增加，强度稍高的小雨、中到大雨以及暴雨发生的概率则降低。虽然暴雨发生概率降低，但是暴雨强度增强，导致极端强降水R95显著增加，幅度在20～200 mm。

(6)气温25 ℃以上高温发生的概率在未来有所增加，而0 ℃以下的低温发生概率则减小。极端高温和极端低温都有显著的升高，升高幅度分别在0.6～2 ℃和0.3～2.7 ℃，由于高温概率增加，从而导致暖持续日数也显著增加，而冷持续日数则减小。

5 不确定性讨论

本文采用GFDL全球模式结果驱动的区域气候模拟结果作为初始边界条件，采用WRF模式进一步进行高分辨率降尺度模拟，通过调整模拟区域和物理参数化方案得到了适合江苏省高分辨率模拟的试验方案，由于仅采用一种驱动场进行模拟研究，所采用的高分辨率模拟试验方案是否适用于其他驱动场还存在一定的不确定性，另外，不同的全球模式结果对于不同气象要素在不同区域的模拟效果也存在差异，因此，今后还需要对多种低分辨率模拟结果进行降尺度研究，从而分析其差异并减少不确定性。

另一方面，本文在对未来气候变化进行高分辨率降尺度预估时，由于计算资源和数据来源的限制，仅针对RCP8.5一种排放情景进行研究，其预估结果也存在一定的不确定性，今后还需进一步针对不同排放情景进行高分辨率模拟预估，从而更加客观地探讨江苏省未来气候变化特征。

由于受模式系统误差的影响，传统动力降尺度的模拟结果往往会出现较大的偏差，这又在一定程度上限制了该方法在气候变化影响评估中的应用。不管采用哪种动力降尺度方法，其模拟结果仍然强烈依赖于全球模式和区域模式本身的性能，尤其是模式对气候的时间演变特征的模拟能力。随着计算机技术的发展，未来在东亚地区开展小于3 km 分辨率区域气候预测十分可行，在部分关键区域可以达到百米甚至更高分辨率，可以使得很多物理过程实现显式计算，可以考虑更加真实的复杂地形的作用，区域气候预测性能预期也会得到进一步提升。