第六次国际耦合模式比较计划中我国地球气候系统模式海冰范围的模拟评价

赵立清 王晓春 李佳琦

研究论文

第六次国际耦合模式比较计划中我国地球气候系统模式海冰范围的模拟评价

赵立清 王晓春 李佳琦

(南京信息工程大学海洋科学学院, 江苏 南京 210044)

世界气候研究计划(WCRP)正在组织实施第六次国际耦合模式比较计划(CMIP6), 该计划中, 我国提供了9个地球气候系统模式的结果。本文利用这9个地球气候系统模式的北极海冰输出以及同时段海冰的观测数据, 评价了这些模式1980—2014年北极海冰范围的季节变化、长期趋势及年内变率, 并与CMIP6多模式平均进行了比较。结果表明, 与观测数据对比, 多数模式(8/9)都能反映出北极海冰范围季节变化的时间特征, 其中1个模式海冰范围最大值的出现时间延迟了1个月。多数模式(8/9)高估季节变化的最大值。在长期趋势方面, 5个模式高估了3月北极海冰范围减小的趋势, 4个模式低估了9月北极海冰范围减小的趋势。与CMIP6多模式平均结果相比, 其中1个模式的季节变化和长期趋势在多模式平均值的标准差范围内。观测表明, 1980—2014年, 9月海冰范围的减少趋势为3月减少趋势的2倍, 这导致了海冰范围年内变率呈现上升趋势, 有两个模式较好地再现了这一特征。此外, 参加CMIP5及CMIP6具有传承关系的我国4个模式在北极海冰范围季节变化及长期趋势方面有了明显的改善。

地球气候系统模式 CMIP6 北极海冰 海冰范围

0 引言

世界气候研究计划(World Climate Research Programme, WCRP)耦合模式工作组(Working Group on Coupled Models, WGCM)组织的国际耦合模式比较计划(Coupled Model Intercomparison Project, CMIP)提供了大量的地球气候系统模式试验结果, 这为评估这些模式能否准确模拟海冰变化提供了可能。在以往CMIP中, CMIP3中的多数模式能模拟出北极海冰范围的下降趋势以及北极海冰范围的季节循环特征, 然而北极海冰夏季的下降趋势被严重低估[1-2]。CMIP5中大多数模式能较好地模拟出北极海冰范围的气候特征及多年下降趋势[3-4]。与CMIP3模拟结果相比, CMIP5中1979—2005年北极海冰范围在夏季的下降趋势与观测结果更接近, 但仍然小于观测值[3-4]。目前, CMIP6正在进行中[5-6], 截至2021年3月, 有56个模式向CMIP6提供了历史试验(Historical Experiment)的海冰模拟结果(详见https:// pcmdi.llnl.gov/CMIP6/)。Notz和Community[7]指出北极海冰面积的观测结果在CMIP6多模式集合平均范围内。Shu等[8]系统地评估了CMIP6模式对海冰范围季节变化和年际变化的模拟能力, 他们的研究指出, 多模式集合平均结果能较好地给出两极海冰的季节变化特征, 但仍低估北极海冰夏季的减小速率; 与CMIP5相比, CMIP6多模式集合平均结果与观测值更加接近。需要说明的是, 他们的评估侧重CMIP6 的集合平均结果, 并非单独的模式, 未能深入讨论各个模式之间模拟结果的差异。

我国是CMIP6中提供模式结果较多的国家, 共有6个研究机构提供了9个模式的结果, 模式数量仅次于美国。这9个模式分别为国家气候中心的BCC-CSM2-MR[9-10]和BCC-ESM1-0[9, 11], 中国气象科学研究院的CAMS-CSM1-0[12-13], 中国科学院大气物理研究所的CAS-ESM2-0[14]、FGOALS-f3-L[15-16]和FGOALS-g3[17], 清华大学的CIESM[18], 自然资源部第一海洋研究所的FIO-ESM-2-0[19], 以及南京信息工程大学的NESM3[20-21]。本文的研究目的是对参与CMIP6的国内9个模式的模拟能力进行综合评价, 侧重单个模式的表现, 评价变量为海冰范围。本文除了分析北极海冰范围的常规量, 比如气候平均值、年际和季节变化外, 还将对年内海冰范围标准差的年际变化进行分析。在分析中发现, 海冰范围年内最小值(9月)的下降速率约为海冰范围年内最大值(3月)下降速率的2倍。由此可见, 海冰范围的年内标准差随着时间的推移正在逐渐发生着变化, 模式能否捕捉到这一变化也将在本文中进行讨论。

尽管每一模式在发展阶段都会与观测结果进行比较, 以评价模式的性能, 但国内模式之间直接比较的研究并不多见。另一方面, 当参与比较的模式较多时, 模式之间比较的工作往往偏重于多模式的集合平均, 对模式间的差异及细节分析不够。此外, 本文还通过比较来自同一机构同时参加 CMIP6 和 CMIP5 的模式模拟结果, 评估具有传承关系的模式模拟北极海冰的能力是否有提高。对我国模式结果进行更细致的比较, 将促进我国地球气候系统模式的发展, 通过与多模式平均结果进行对比, 也能评估出我国地球气候系统模式的总体水平。在评价基础上对模式结果的综合利用可提高未来气候变化预估的准确性。

本文重点分析9个中国地球气候系统模式在模拟北极海冰范围中的表现, 关于这9个模式在模拟北极海冰空间分布方面的比较及分析, 我们将另文讨论。本文依据卫星观测资料, 利用这些模式评价1980—2014年不同模式对于北极海冰范围的季节变化和长期趋势的模拟结果。第1节介绍我国的9个模式、所用的观测资料及比较方法, 第2节比较了这9个模式对北极海冰范围季节变化的模拟能力, 第3节比较了它们对北极海冰范围年际变化的模拟能力, 第4节对这9个模式中来自同一机构同时参与 CMIP6 和 CMIP5的模式进行了比较, 第5节为总结及讨论。

1 CMIP6中我国的9个模式及比较方法

1.1 CMIP6中我国的9个模式

与大气、海洋模式相比, 我国在海冰模式研发方面起步较晚。20世纪90年代初, 基于对海冰热力学、动力学和流变学的研究, 吴辉碇等[22]研究了适合于渤海冰情的海冰动力-热力学模式; 杨清华等[23]引进和改进了美国麻省理工学院的MITgcm (Massachusetts Institute of Technology General Circulation Model) 海冰-海洋耦合模式, 并开展了极地海冰预报。20世纪90年代末, 中国科学院大气物理研究所率先开始大气-海冰-海洋耦合模拟, 研究了极地海冰气候特征[24]。近年来, 中国科学院大气物理研究所自主开发了更为合理的海冰热力学参数化方案[25], 并对CICE4海冰模式中的物理过程进行了改进, 改进的CICE4海冰模式已应用于中国科学院大气物理研究所、北京师范大学和自然年资源部第一海洋研究所的气候系统模式, 并参与了CMIP5试验。但对参加CMIP5的6个中国气候系统模式北极海冰模拟结果的评估表明, 我国模式对海冰范围模拟结果与国际CMIP5模式的平均水平相比还存在一定差距[26]。

表1给出了参加CMIP6的9个中国地球气候系统模式的基本信息。这些模式的空间分辨率都为1o×1°左右。其中3个气候系统模式采用了Sea Ice Simulator (SIS)海冰模块[27], 另外6个采用了Las Alamos National Lab 开发的CICE4海冰模块[28]。表1中BCC模式采用了SIS海冰模块, 相关研究表明, 在BCC模式中使用CICE5.0海冰模块可以改善对北极海冰的模拟[29]。耦合模式的海冰模拟结果由多种因素确定, 模式结果变化的原因需要详细的诊断分析。

本文重点分析这9个模式在模拟北极海冰范围中的表现, 将北极海冰范围定义为30.98ºN以北海冰密集度(Sea Ice Concentration, SIC)大于15%的所有网格点面积之和。为避免空间插值可能带来的误差, 模式的海冰范围使用模式原始网格计算得到。本文中的模式数据使用了CMIP6中历史气候模拟试验(Historical)的输出结果[6]。为避免气候系统模式结果对初始状态的敏感性, 可以使用包含多个成员的集合平均, 对集合的统计分析能一定程度上削弱气候系统内部变率对模式结果的影响[30]。表1中列出了这9个模式历史试验的集合成员数量, 本文的所有分析都使用了集合成员的平均。

表1 中国9个CMIP6模式海冰模块的基本信息

1.2 观测资料及比较方法

海冰密集度观测数据采用美国冰雪数据中心(National Snow and Ice Data Center, NSIDC)发布的卫星数据产品——NSIDC-0051数据集[31]。该数据集的空间分辨率为25 km×25 km, 时间分辨率为1天, 本文使用了月平均数据。1978年以来, 被动式微波辐射计卫星资料的使用为整个北极地区提供了综合和全面的海冰密集度信息。同时也发展了许多从被动式微波辐射计数据资料中获取海冰密集度数据的算法, 比如NASA Team反演算法[32]和Bootstrap反演算法[33]等。比较结果表明, 采用两种反演算法得到的海冰范围相近, 比如使用NASA Team反演算法得到的1980—2014年北极平均海冰范围为1.18×107km2, 使用Bootstrap反演算法得到的北极平均海冰范围为1.21×107km2, 两者的差别为2.5%, 远小于观测与模式结果之间的差别。本文中使用的海冰观测资料为采用NASA Team算法获取的海冰密集度数据。

海冰范围变化有着不同的时间尺度, 本文将北极海冰范围的变化分为季节变化和长期趋势两部分。其中, 海冰范围的季节变化由1980—2014年海冰范围的多年平均确定; 原始数据去掉多年平均的季节变化, 便可以得到海冰范围的异常, 利用异常值可以估计海冰范围的长期趋势。除全年趋势外, 本文也分析了3月及9月北极海冰范围的长期变化趋势。

本文还计算了海冰范围的平均值、季节变化极值及振幅。海冰范围平均值为1980年1月—2014年12月所有月份海冰覆盖范围的平均值, 该指标反映的是各模式对北极海冰面积总量的模拟效果。海冰范围季节变化极值是指季节变化的最大值与最小值, 最大值减去最小值的差值的一半定义为海冰范围季节变化的振幅, 极值与振幅反映模式/观测数据的季节变化幅度。

2 我国模式对北极海冰范围季节变化的模拟能力

本文首先评估了9个CMIP6模式(表1)对北极海冰范围季节变化的模拟能力。图1a中黑实线为观测值(OBS), 由图1a可知, 几乎所有模式都能反映出与观测一致的北极海冰范围季节变化特征, 即海冰范围在北半球春季3月增长到最大值之后减小到9月最小值再回升的年循环特征。但NESM3模拟的海冰生长期滞后一个月。CAS-ESM2-0模式3月模拟值与观测值相差最小; NESM3模式9月模拟值与观测值基本一致。BCC-CSM2-MR、BCC-ESM1-0、CAMS- CSM1-0、FGOALS-f3-L与FGOALS-g3在所有月份的模拟结果均大于观测值, 高估了北极的海冰范围; CIESM所有月份的模拟结果均小于观测值, 低估了北极的海冰范围。CAMS-CSM1-0模式较大地高估了冬季海冰范围的极大值。CAS-ESM2-0模式在6—11月模拟结果与观测偏差较大, 其余月份与观测基本一致。NESM3模式8—11月模拟结果与观测值基本一致。FIO- ESM-2-0模式在1—7和12月模拟结果大于观测值, 8—11月模拟结果小于观测值。FGOALS-f3-L模式在1—7月模拟结果大于观测值, 但其余月份与观测值基本一致。

为了深入了解这9个国内模式对海冰范围季节变化模拟的技巧, 本文将其与CMIP6其他模式进行了对比。图1a中灰色阴影部分为44个CMIP6地球气候系统模式的多模式平均结果(multimodel mean, MMM)及其标准差(standard deviation, STD)[8]。每个月份阴影部分的上限和下限分别表示MMM+STD和MMM–STD。可以看出, 在3月, 有6个模式对海冰范围的模拟结果均分布在MMM±STD范围内; 在9月, 只有4个模式的模拟结果分布在MMM±STD范围内; 模式BCC-CSM2-MR和FGOALS-f3-L在所有月份基本都分布在MMM±STD范围内。

图1 1980—2014年北极海冰范围观测数据及模式结果。a)北极海冰范围季节变化的多年平均; b)海冰范围季节变化的极值柱状图

Fig.1. The observed and modeled Arctic sea ice extents from 1980 to 2014. a) the mean seasonal cycle of Arctic sea ice extent; b) the bar graphs of extreme values of the seasonal cycle of sea ice extent for nine models and observation

图1b显示的是1980—2014年间海冰范围的均值和极值(振幅), 均值能反映模式对北极海冰范围总量的模拟效果, 极值(振幅)能反映模式海冰范围的季节变化幅度。如图1b所示, 柱的顶端点和底端点分别表示海冰范围季节变化的极大值和极小值, 柱的高度表示两倍振幅, 柱上的横线位置表示该模式/观测的平均值。通过与观测对比, FIO-ESM-2-0和CAS-ESM2-0模拟的海冰范围均值与观测值最接近, 说明这两个模式对多年平均(1980—2014年)海冰范围的模拟效果较好。9个模式中, 8个模式高估了海冰范围季节变化中的极大值; 5个模式高估了海冰范围季节变化中的极小值, 3个模式低估了海冰范围的极小值, NESM3模式海冰范围极小值与观测值相近。就季节变化振幅的模拟而言, 模拟效果较好的是BCC-CSM2-MR和BCC-ESM1-0; 除FGOALS-g3模式外, 其余6个模式对于季节变化的振幅都有所高估。使用SIS海冰模块和使用CICE海冰模块的气候模式在模拟北极海冰范围方面没有系统性的区别。

3 我国模式对北极海冰范围年际变化的模拟能力

3.1 海冰范围的长期趋势

有卫星观测以来, 北极海冰明显减少, 9月的减少趋势最大[8]。评估模式中海冰范围的变化趋势对未来北极海冰范围的预测具有十分重要的意义。图2和图3分别给出了各模式的1980—2014年3月(冬季)和9月(夏季)北极海冰范围的年际变化曲线。从图2可知, CAS-ESM2-0模式3月的模拟结果与观测值最接近, 这与图1a中该模式的气候态平均海冰范围结果一致; CAMS-CSM1-0模式3月的模拟结果与观测值相差最大。BCC-CSM2-MR、BCC-ESM1-0、CAMS-CSM1-0、FGOALS-f3-L、FGOALS-g3、FIO-ESM-2-0和NESM3模式3月模拟结果在1980—2014年间均大于观测值; CIESM模式3月模拟结果小于观测值。

9月海冰范围最显著的变化是其长期减少的趋势(图3)。有卫星观测以来, 最小海冰范围发生在2012年9月, 为3.62×106km2。9个模式中, 除两个模式(CAMS-CSM1-0和CIESM)没有明显的下降趋势外, 其余7个模式均不同程度地模拟出了9月海冰减少的趋势。但CIESM模式9月模拟结果与观测相差较大, 该模式模拟的9月海冰在20世纪80年代几乎已经全部融化, 所以没有减小趋势。BCC-CSM2-MR、BCC-ESM1-0、CAMS- CSM1-0和FGOALS-g3模式结果基本都大于观测值, 均高估9月海冰范围; CAS-ESM2-0、CIESM和FIO-ESM-2-0模式结果基本都小于观测值, 低估9月的海冰范围。相比较而言, NESM3和FGOALS-f3-L模式在9月的输出结果与观测值较接近。

图2 1980—2014年3月北极海冰范围的观测数据(黑实线)及模式(彩色线)的年际变化

Fig.2. The interannual variability of observed (solid black line) and modeled (colored lines) Arctic sea ice extents in March from 1980 to 2014

图3 1980—2014年9月北极海冰范围的观测数据(黑实线)及模式(彩色线)的年际变化

Fig.3. The interannual variability of observed (solid black line) and modeled (colored lines) Arctic sea ice extents in September from 1980 to 2014

图4给出了1980—2014年3月、9月及全年北极海冰范围观测数据及各模式的长期变化趋势。各个模式展现的海冰范围长期趋势有很大不同。对于3月海冰范围的减小趋势, 与观测相比, 表现较好的是BCC-CSM2-MR、BCC-ESM1-0、FGOALS-f3-L和FIO-ESM2-0模式。9个模式中有5个模式高估了减小的趋势, 其中, FGOALS- g3趋势高估得最多; 3个模式低估了减小的趋势; 1个模式(CIESM)的3月变化趋势并不显著。与CMIP6多模式集合平均的3月北极海冰范围的长期趋势 (–0.45±0.03)×105km2·a–1相比[8], BCC- ESM1-0和FGOALS-f3-L模式模拟的下降趋势与多模式平均结果较吻合。

对于9月北极海冰范围的减小趋势, 表现较好的是BCC-CSM2-MR模式, 与观测值最接近。其余几个模式中有4个模式低估了北极海冰的减小趋势, CAS-ESM2-0和NESM3模式高估了9月海冰范围的减小趋势; CAMS-CSM1-0和CIESM 9月北极海冰范围没有明显的变化趋势。与CMIP6多模式集合平均9月北极海冰范围的长期趋势(–0.70±0.06)×105km2·a–1相比[8], BCC- ESM1-0和FIO-ESM-2-0模式模拟的下降趋势与多模式平均结果较吻合。需要指出CMIP6 多模式平均结果也低估了9月海冰范围的减少趋势(–0.83±0.18)×105km2·a–1 [8]。比较观测的3月和9月北极海冰范围的下降趋势(图4中的OBS), 可以注意到, 9月北极海冰范围的下降趋势约为3月下降趋势的2倍, 随着时间的推移, 这势必导致海冰范围年内变率的改变, 模式能否捕捉到这一特征也是考察的一项指标。

图4 1980—2014年北极海冰范围的变化趋势。a) 3月; b)9月; c)全年

Fig.4. The trends of Arctic sea ice extent from 1980 to 2014. a) March; b) September; c) the whole year

在全年趋势方面, 与观测相比, 表现较好的是BCC-CSM2-MR。其中, 9个模式中有6个模式低估了北极海冰范围全年的减小趋势; NESM3和FGOALS-g3高估了海冰范围全年的减小趋势。

3.2 海冰范围年内变率的长期趋势

海冰范围具有明显的年循环变化特征, 即在北半球3月增长到最大值、9月减小到最小值。1980—2014年北极海冰范围的变化趋势在3月与9月明显不同, 这必然导致海冰范围的年内变率不同, 甚至也存在海冰范围年内变率的长期趋势。这种趋势的模拟技巧可能会影响模式对未来海冰变化的预测能力。为了更细致地刻画海冰范围的年内变率特征, 图5计算了1980—2014年每年12个月海冰范围的标准差, 从图5可知, 除FGOALS-g3模式外, 其余模式的年内海冰范围标准差均大于观测值, 表明模式具有较大的海冰范围年内变化幅度。整体来看, CIESM模式的年内海冰范围标准差最大, 这与图1b 中CIESM的多年平均海冰范围极值柱较长一致; FGOALS-g3模式的年内海冰范围标准差较小, 这与图1b中FGOALS-g3的多年平均海冰范围极值柱较短一致。

另一方面, 从图5可知, 观测数据的年内海冰范围标准差总体呈现上升趋势。为了定量对比各个模式的年内海冰范围变化趋势, 图6给出了观测数据及9个模式年内海冰范围标准差的变化趋势。从图6可知, 观测数据的年内海冰范围的变化趋势约为1.74×104km2·a–1, NESM3模式的年内海冰范围变化趋势为1.49×104km2·a–1, 与观测值较接近。FIO-ESM-2-0模式的年内海冰范围变化趋势为2.32×104km2·a–1, 约为观测值的1.33倍。与观测得到的正变化趋势相反, FGOALS-g3表现出负的年内海冰范围变化趋势, 表明该模式年内海冰范围变化幅度在变小。

4 CMIP5和CMIP6中的我国模式比较

我国有6个模式参加了CMIP5[34], 分别为国家气候中心的BCC-CSM1.1和BCC-CSM1.1(m)、北京师范大学的BNU-ESM、中国科学院大气物理研究所的FGOALS-s2和FGOALS-g2以及自然资源部第一海洋研究所的FIO-ESM。本文重点关注其中与CMIP6中有明显传承关系的4个模式, 即BCC-CSM1.1(m)、FGOALS-s2、FGOALS-g2与FIO-ESM。图7对比了CMIP5与CMIP6中具有传承关系的我国模式海冰范围的全年变化趋势, 这里进行对比的时间区间为1980—2005年。与相应的上一代模式相比, 4个模式的全年变化趋势均更接近观测结果。具体说来, BCC-CSM模式和FGOALS-g3模式改进了上一代模式中与观测值相比偏大的下降趋势; FGOALS-f3-L和FIO-ESM-2-0模式改进了相应的上一代模式中偏小的下降趋势。

图5 1980—2014年内海冰范围标准差的观测数据(黑实线)及模式(彩色线)年际变化

Fig.5. The interannual variability of intra-annual sea ice extent standard deviations for observation (solid black line) and nine models (colored lines) from 1980 to 2014

图6 1980—2014年内海冰范围标准差的观测数据及模式变化趋势。其中带*号的值表示通过95%显著性检验

Fig.6. The trend of intra-annual sea ice extents standard deviation from 1980 to 2014 for observation and nine models. The asterisks associated with those bars indicate that the trends are significant at 95% level

为了分析具有传承关系的4个模式北极海冰范围在季节变化上的表现, 图8给出了1980—2005年平均海冰范围极值柱状图。可以看出, 4个模式在不同方面均有改善, 如BCC-CSM2-MR改善了上一代模式中偏大的海冰范围季节变化幅度; FGOALS-g3和FGOALS-f3-L改善了上一代模式偏小的海冰范围季节变化幅度; FIO-ESM-2-0的海冰范围均值较上一代模式与观测更接近。

5 结论与讨论

本文评估了我国大陆地区参加CMIP6计划的9个气候模式对北极海冰范围的模拟。结合同时段海冰的观测数据, 评价了1980—2014年北极海冰范围的模式季节变化和长期趋势。在季节变化方面, 几乎所有模式都能反映出北极海冰范围的年际变化特征。然而, 多数模式(8/9)高估季节变化的最大值, 其中1个模式海冰范围最大值出现在4月而不是3月。

图7 1980—2005年北极海冰范围趋势观测数据及CMIP5与CMIP6中国模式年变化趋势

Fig.7. The trend of sea ice extent for the whole year based on observation and four models that contributed to both CMIP5 and CMIP6 and are from the same Chinese institutions from 1980 to 2005

图8 CMIP5与CMIP6中具有传承关系的中国模式多年平均(1980—2005年)北极海冰范围季节变化的极值柱状图

Fig.8. The bar graphs of extreme values of the seasonal cycle of sea ice extent based on observation and four models that contributed to both CMIP5 and CMIP6 and are from the same Chinese institutions from 1980 to 2005

在长期趋势方面, 9个模式中有5个模式高估了3月北极海冰范围减小的趋势, 1个模式结果没有明显的变化趋势; 4个模式低估了9月北极海冰范围减小的趋势, 2个模式结果没有明显的变化趋势。总体说来, 与观测相比, BCC-CSM2-MR模式对北极海冰范围的减小趋势捕捉较好。此外, 观测表明, 9月海冰范围的减少趋势为3月减少趋势的2倍, 这导致了年内海冰范围标准差在1980—2014年呈现上升趋势, BCC-CSM2-MR及NESM3模式较好地再现了这一特征。

我国9个模式海冰范围的输出结果与CMIP6多模式平均结果[8]的对比表明, BCC-CSM2-MR和FGOALS-f3-L模式在所有月份的模拟结果都分布在多模式平均值的标准差范围内。BCC- ESM1-0和FGOALS-f3-L模式模拟的3月北极海冰范围的下降趋势与多模式平均结果一致。BCC-ESM1-0和FIO-ESM-2-0模式模拟9月北极海冰范围的下降趋势与多模式平均结果一致。总体来说, 与多模式平均结果相比, BCC-ESM1-0模式的季节变化和长期趋势在多模式平均值的标准差范围内。

需要指出的是, 本文只对9个模式中的北极海冰范围进行了比较, 海冰范围反映海冰分布的积分结果, 这对于评估模式的模拟技巧是远远不够的, 进一步的工作将增加更多变量以及相应变量空间分布的比较。这9个模式海冰密集度及长期趋势空间分布的比较我们将另文讨论。另外, 本文通过海冰范围的比较呈现了模式之间的差别与不足, 并未分析差别的原因。耦合模式中海冰的模拟误差可能来自于海冰模式, 也可能来自于大气、海洋等其他分量模式, 或者耦合过程。而造成模拟误差的原因可能因模式而异, 未来需要针对单个模式, 通过敏感性试验具体分析造成误差的原因。

致谢 本文中CMIP5我国模式数据的获取得到了自然资源部第一海洋研究所乔方利研究员和舒启博士以及南京大学大气科学学院张录军教授的帮助, 在此表示感谢。

1 STROEVE J, HOLLAND M M, MEIER W, et al. Arctic sea ice decline: Faster than forecast[J]. Geophysical Research Letters, 2007, 34(9): L09501.

2 张璐, 张占海, 李群, 等. 近30年北极海冰异常变化趋势[J].极地研究, 2009, 21(4):344-352.

3 SHU Q, SONG Z, QIAO F. Assessment of sea ice simulations in the CMIP5 models[J]. The Cryosphere, 2015, 9(1):399-409.

4 STROEVE J C, KATTSOV V, BARRETT A, et al. Trends in Arctic sea ice extent from CMIP5, CMIP3, and observations[J]. Geophysical Research Letters, 2012, 39(16): L16502.

5 EYRING V, BONY S, MEEHL G A, et al. Overview of the Coupled Model Intercomparison Project Phase 6 (CMIP6) experimental design and organization[J]. Geoscientific Model Development, 2016, 9(5):1937-1958.

6 周天军, 邹立维, 陈晓龙. 第六次国际耦合模式比较计划(CMIP6)评述[J].气候变化研究进展, 2019, 15(5):445-456.

7 NOTZ D, COMMUNITY S. Arctic sea ice in CMIP6[J]. Geophysical Research Letters, 2020, 47(10): e2019GL086749.

8 SHU Q, WANG Q, SONG Z Y, et al. Assessment of sea ice extent in CMIP6 with comparison to observations and CMIP5[J]. Geophysical Research Letters, 2020, 47(9): e2020GL087965.

9 辛晓歌, 吴统文, 张洁, 等. BCC模式及其开展的CMIP6试验介绍[J].气候变化研究进展, 2019, 15(5):533-539.

10 WU T W, LU Y X, FANG Y J, et al. The Beijing Climate Center Climate System Model (BCC-CSM): The main progress from CMIP5 to CMIP6[J]. Geoscientific Model Development, 2019, 12(4):1573-1600.

11 WU T W, ZHANG F, ZHANG J, et al. Beijing Climate Center Earth System Model version 1 (BCC-ESM1): Model description and evaluation of aerosol simulations[J]. Geoscientific Model Development, 2020, 13(3):977-1005.

12 RONG X Y, LI J, CHEN H M, et al. The CAMS climate system model and a basic evaluation of its climatology and climate variability simulation[J]. Journal of Meteorological Research, 2018, 32(6):839-861.

13 容新尧, 李建, 陈昊明, 等. CAMS-CSM模式及其参与CMIP6的方案[J].气候变化研究进展, 2019, 15(5):540-544.

14 周广庆, 张云泉, 姜金荣, 等. 地球系统模式CAS-ESM[J].数据与计算发展前沿, 2020, 2(1):38-54.

15 HE B, BAO Q, WANG X C, et al. CAS FGOALS-f3-L model datasets for CMIP6 historical atmospheric model intercomparison project simulation[J]. Advances in Atmospheric Sciences, 2019, 36(8):771-778.

16 HE B, LIU Y M, WU G X, et al. CAS FGOALS-f3-L model datasets for CMIP6 GMMIP Tier-1 and Tier-3 experiments[J]. Advances in Atmospheric Sciences, 2020, 37(1):18-28.

17 唐彦丽, 俞永强, 李立娟, 等. FGOALS-g模式及其参与CMIP6的方案[J].气候变化研究进展, 2019, 15(5):551-557.

18 林岩銮, 黄小猛, 梁逸爽, 等. 清华大学CIESM模式及其参与CMIP6的方案[J].气候变化研究进展, 2019, 15(5):545-550.

19 宋振亚, 鲍颖, 乔方利. FIO-ESM v2.0模式及其参与CMIP6的方案[J].气候变化研究进展, 2019, 15(5):558-565.

20 CAO J, WANG B, YANG Y M, et al. The NUIST Earth System Model (NESM) version 3: description and preliminary evaluation[J]. Geoscientific Model Development, 2018, 11(7):2975-2993.

21 曹剑, 马利斌, 李娟, 等. NUIST-ESM模式及其参与CMIP6的方案[J].气候变化研究进展, 2019, 15(5):566-570.

22 吴辉碇, 白珊, 张占海. 海冰动力学过程的数值模拟[J].海洋学报, 1998, 20(2): 1-13.

23 杨清华, 刘骥平, 张占海, 等. 北极海冰数值预报的初步研究——基于海冰-海洋耦合模式MITgcm的模拟试验[J].大气科学, 2011, 35(3):473-482.

24 吴国雄, 张学洪, 刘辉, 等.全球海洋-大气-陆面系统模式(GOALS/LASG)及其模拟研究[J].应用气象学报, 1997, 8(S1):15-28.

25 LIU J P. Sensitivity of sea ice and ocean simulations to sea ice salinity in a coupled global climate model[J]. Science China Earth Sciences, 2010, 53(6):911-918.

26 朱清照, 闻新宇.中国CMIP5模式对未来北极海冰的模拟偏差[J].气候变化研究进展, 2016, 12(4):276-285.

27 WINTON M. A reformulated three-layer sea ice model[J]. Journal of Atmospheric and Oceanic Technology, 2000, 17(4):525-531.

28 DUVIVIER A. CICE-Consortium Documentation Release 6.0.0.aplha [R/OL].(2018-05-10)[2022-10-18]. https://buildmedia. readthedocs.org/media/pdf/cicea/latest/cicea.pdf.

29 房永杰, 储敏, 吴统文, 等. CICE5.0与BCC-CSM2.0模式的耦合及对北极海冰的模拟评估[J].海洋学报, 2017, 39(5):33-43.

30 JAHN A, KAY J E, HOLLAND M M, et al. How predictable is the timing of a summer ice-free Arctic? [J]. Geophysical Research Letters, 2016, 43(17): 9113-9120.

31 CAVALIERI D J, PARKINSON C L, GLOERSEN P, et al. Sea-ice concentration from Nimbus-7 SMMR and DMSP SSM/I-SSMIS passive microwave data, version 1[DB/OL]. [2022-10-18]. https://nsidc.org/data/nsidc-0051/versions/1.

32 CAVALIERI D J, GLOERSEN P, CAMPBELL W J. Determination of sea ice parameters with the NIMBUS 7 SMMR[J]. Journal of Geophysical Research: Atmospheres, 1984, 89(D4):5355-5369.

33 COMISO J C. Bootstrap sea ice concentrations from Nimbus-7 SMMR and DMSP SSM/I-SSMIS, version 3 [DB/OL]. [2022-10-18]. https://nsidc.org/data/nsidc-0079/versions/3.

34 ZHOU T J, CHEN X L, DONG L, et al. Chinese contribution to CMIP5: An overview of five Chinese models’ performances[J]. Journal of Meteorological Research, 2014, 28(4):481-509.

Evaluation of Arctic sea ice extent according to Chinese CMIP6 models

Zhao Liqing, Wang Xiaochun, Li Jiaqi

(School of Marine Sciences, Nanjing University of Information Science & Technology, Nanjing 210014, China)

The Coupled Model Intercomparison Project Phase Six (CMIP6) organized by the World Climate Research Project (WCRP) is in progress. Nine earth climate system models from China contribute to CMIP6. The seasonal cycle, long-term linear trend, and intra-annual variability of Arctic sea ice extent (SIE) from the nine models are evaluated by comparing them with observations from 1980 to 2014. The results show that eight models are capable of reproducing the seasonal cycles of Arctic SIE well, except one of nine models in which the maximum value of seasonal cycle is delayed by one month. Most of the models (8/9) overestimate the maximum sea ice extent values of seasonal cycle. In terms of long-term trends, five models overestimate the declining trends of Arctic sea ice in March, and four models underestimate the declining trends of Arctic sea ice in September. Compared with the results of the CMIP6 multi-model ensemble mean, it is found that there is one model for which the seasonal cycle and long-term linear trend of SIE are both within the range of the multi-model ensemble mean’s standard deviation. The difference in long-term September and March SIE trends leads to a significant increasing trend of SIE intra-annual variability as measured by the standard deviation of SIE within a calendar year. Two models can reproduce this feature reasonably well. Finally, it is worth pointing out that four models from the same institution that contributed to both CMIP5 and CMIP6 show improvements in terms of SIE seasonal cycle and its long-term linear trend of annual averaged SIE.

earth climate system model, CMIP6, Arctic sea ice, sea ice extent

2021年8月收到来稿, 2021年10月收到修改稿

国家重点研发计划 (2018YFA0605904)资助

赵立清, 女, 1982年生。副教授, 主要从事海冰模式分析和海洋湍流混合等研究。E-mail: zhaoliqing@nuist.edu.cn

王晓春, E-mail: xcwang@nuist.edu.cn

10.13679/j.jdyj.20210071