大气科学  2018, Vol. 42 Issue (6): 1378-1392   PDF    
中国降水季节性的预估
姚世博1,2, 姜大膀1, 范广洲2     
1 中国科学院大气物理研究所, 北京 100029
2 成都信息工程大学, 成都 610225
摘要: 本文使用国际耦合模式比较计划第五阶段(CMIP5)中共46个全球气候模式的数值试验数据,通过评估择优选取了14个模式来预估21世纪中国各季节降水百分率及其变率。结果表明,模式集合平均能够较好地模拟各季节降水百分率及其变率,但模式与观测间、各模式间都存在一定不同,空间上西部差异较大,季节上夏季差异明显。21世纪中国降水百分率整体表现为夏季大冬季小,但存在区域性,如华南春季降水百分率大于夏季。与1986~2004年相比,中国降水百分率整体表现为在夏季显著减少,冬春季显著增加,但高原则与之相反。此外,模式对于长江中下游地区降水百分率的预估存在较大不确定性。RCP8.5情景下降水季节性变幅要大于RCP4.5情景。降水季节性的变率在四季均表现出一定的增加趋势,但21世纪早、中和末期与1986~2004年相比并无显著差异(置信水平为95%)。
关键词: CMIP5模式    降水季节性    百分率    变率    预估    
Projection of Precipitation Seasonality over China
YAO Shibo1,2, JIANG Dabang1, FAN Guangzhou2     
1 Institute of Atmospheric Physics, Chinese Academy of Sciences, Beijing 100029
2 Chengdu University of Information Technology, Chengdu 610225
Abstract: Based on historical experiments of 46 Coupled Model Intercomparison Project Phase Five (CMIP5) models, all models are systematically evaluated, and 14 models with reliable performance are chosen to project seasonal precipitation proportion and its variability over China in the 21st century. It is found that the 14-model ensemble reasonably simulates the observed seasonal proportion of precipitation and its variability, while there are some differences between models and observations and between individual models. The differences are relatively large in western China and in the summer. For the whole country, seasonal precipitation proportion is the highest in the summer and lowest in the winter during the 21st century. The spatial pattern is region-dependent, for example, the proportion of precipitation in South China is larger in the spring than in the summer. Compared to that during 1986-2004, there is a significantly decreasing trend in the summer and an increasing trend in the winter and spring, whereas an increasing trend in the summer and a decreasing trend in the winter and spring are found for the Tibetan Plateau in the 21st century. In addition, the model results have considerable uncertainties with respect to the projection of precipitation in the middle and lower Yangtze River basin. The Representative Concentration Pathways 8.5 (RCP8.5) scenario shows a higher rate of seasonal change than the RCP4.5 scenario does. The variability of seasonal precipitation proportion has an increasing trend in all seasons, but there is no statistically significant difference at the 95% confidence level in the early, middle, and late 21st century compared with the 1986-2004 period.
Keywords: CMIP5 models    Precipitation seasonality    Proportion    Variability    Projection    
1 引言

IPCC第五次评估报告指出,1880~2012年全球平均气温上升了0.65~1.06℃,1951~2012年的升温速率达到了0.08~0.14℃ (10a)-1;20世纪中期以来全球变暖极有可能是人类活动引起的,同时全球气候模式预估结果也表明未来全球气温将继续升高,21世纪末全球平均气温将会在现有水平上升高0.3~4.8℃(IPCC, 2013)。这种以升温为主要特征的气候变化势必会引起其他气象要素的变化。正如克拉伯龙-克劳修斯方程所描述,饱和水汽压会随着气温的上升而升高,即气温升高能提高大气含蓄水汽的能力。气候模式模拟或观测的研究表明,全球平均气温每升高1℃,大气总水汽含量增加约7%,全球降水增加1%~3%(Wentz et al., 2007)。因此,研究未来降水在不同时段和不同区域如何变化是气候变化领域的一个重要问题。

近年来,科研人员使用气候模式针对未来气候变化开展了许多数值试验以及预估工作(Xu et al., 2009Sun and Ding, 2010Gao et al., 2012Lang and Sui, 2013Sun and Ao, 2013Zhou et al., 2014Ren et al., 2017徐影等,2017Wang et al., 2017),并就中国降水的未来变化做了预估分析。例如,国际耦合模式比较计划第三阶段(CMIP3)的多模式集合平均显示,在相对于工业化革命前期2℃全球变暖的背景下,中国降水增加3.4%~4.4%,各季节降水均增加(姜大膀和富元海,2012);在CMIP3的A1B情景试验中,使用北极夏季无海冰时的海温场和大气二氧化碳浓度来驱动全球大气环流模式,中国冬季降水增加,北方地区发生暴雪和大暴雪的概率增大(Ma et al., 2012)。相比于CMIP3模式,CMIP5模式总体上采用了更高的分辨率、更合理的参数化方案、通量处理方案和耦合器技术,以提高气候模式的模拟和预测预估能力(Taylor et al., 2012)。先前,已有学者评估了CMIP5模式对中国降水的模拟能力(Xu and Xu, 2012陈晓晨等,2014Jiang et al., 2016),并对未来降水变化进行了预估分析,如姜江等(2015)利用择优选取的18个CMIP5模式,预估了RCP4.5情景下21世纪中国季风区范围和降水变化,指出未来季风降水强度将会增加。Chen(2013)利用16个CMIP5模式集合平均研究了中国降水对变暖的响应,显示未来气温升高1℃时年平均降水增加1.6%。随后,吴佳等(2015)基于24个CMIP5模式的试验数据,分析表明在RCP4.5和RCP8.5情景下,中国气温每升高1℃,中国平均降水将分别增加3.5%和2.4%,强降水量增加的百分率分别为11.9%和11.0%,极端降水的增加更是分别达到了21.6%和22.4%。

回顾以往的研究不难发现,在未来全球变暖背景下,中国年平均降水量、极端降水以及各季节降水都将发生改变,那么未来中国年降水在各个季节之间将如何分配并会发生怎样的变化?为解决这个问题,本文利用CMIP5全球气候模式的数值试验数据,在不同温室气体排放情景下,通过计算各季节降水百分率及其变率来探讨未来中国降水季节性的变化。其中,降水百分率是指各季节降水占年降水的比率,这一指标能直接反应年降水在各个季节间的分配;降水百分率变率是指降水百分率的年际标准差,体现的是降水百分率年际振荡幅度。

2 资料和方法 2.1 资料

为了评估CMIP5模式对中国降水季节性的模拟能力,本文选取现阶段可利用的全部46个模式(表 1)的历史气候模拟试验(即Historical试验)中的逐月降水资料。评估时段定为1986~2004年,没有选2005年是因为定义冬季降水时要用到跨年数据。其中春季为3~5月、夏季为6~8月、秋季为9~11月、冬季为12月~次年2月。对于未来情景模拟试验,选用了根据辐射强迫而设定的典型浓度路径情景(RCPs)。为了对比不同排放情景对未来降水季节性的差异,选用了中低等的RCP4.5情景与高等的RCP8.5情景(即到2100年,温室气体浓度对应的辐射强迫分别达到4.5 W m-2与8.5 W m-2)下的数值试验。时段选取的是2006~2099年,并将其进一步分为21世纪早期(2016~2035年)、中期(2046~2065年)和末期(2081~2099年)。没有选择2100年的原因同样是模式试验数据截止到2100年,不能取到当年完整的冬季降水资料。有关CMIP5模式的详细信息请参见http://cmip-pcmdi.llnl.gov/cmip5/[2017-08-01]。另外,为了优选模式,将一套基于中国地区2416个台站数据所得的高分辨率(0.5°×0.5°)地面资料数据集当中的月降水资料(简称CN05.1)(吴佳和高学杰,2013)作为观测资料用于模式评估之中。

表 1 所选CMIP5气候模式的基本信息 Table 1 Basic information of the CMIP5 climate models
2.2 方法

由于不同模式数据的水平分辨率有差别,大多数模式的分辨率在2°左右,最高的MIROC 4h模式的也不及0.5°。故将所有模式数据使用双线性插值方法统一处理到与CN05.1相同的0.5°×0.5°分辨率上。为了研究未来中国降水百分率以及变率的变化,本文使用一元线性回归系数来讨论变化趋势,并做置信水平为95%的统计检验。在变率的讨论中,使用时间序列的标准差来表征变率。为研究变率随时间的变化,本文建立9点滑动标准差的时间序列,即参考点和前后四点共9点的标准差作为参考点所处时刻的变率,并利用9点滑动标准差的一元线性回归系数作为其变化趋势的依据。在做降水百分率气候态与变率的差值时分别采用了t检验与F检验,置信水平均为95%。

3 CMIP5模式能力评估和优选

首先利用泰勒图(Taylor, 2001)对46个CMIP5模式进行了评估并优选。根据46个模式和CN05.1的降水资料计算出各季节降水百分率及其变率,然后对这两个变量在参考时段内的四个季节上进行了对比。选择了两个变量在四个季节均满足模式与观测之间的空间相关系数达到99%的置信水平、均一化标准差在0.5~1.5之间且中心化的均方根误差小于1.5的模式,有19个模式通过筛选(图 1)。进一步考虑研究时段和RCPs试验数据的完整性,最后选择了19个模式当中的14个模式进行了预估研究,所选模式详见表 1。在进行多模式集合平均时选用的是等权重平均。

图 1 46个模式模拟的各季节降水百分率及其变率与观测资料的泰勒图:(a)春季;(b)夏季;(c)秋季;(d)冬季。图中参考点REF为观测资料;数字为表 1中模式序号;“clm”表示降水百分率气候态;“var”表示降水百分率的变率 Figure 1 Taylor diagram of seasonal precipitation proportion and its variability (the ratio of seasonal of annual precipitation and its interannual standard deviation) simulated by the 46 models compared to the observational data: (a) Spring; (b) summer; (c) autumn; (d) winter. The reference point is the observational data; the numbers denote each model's order number in Table 1; "clm" indicates the climatology of seasonal precipitation proportion; and "var" indicates the variability of seasonal precipitation proportion

然后利用14个模式试验数据与观测资料进行对比,从而为预估的可信度提供一定的参考。从降水百分率的对比上可以看出(图 2),模式模拟的夏季降水百分率总体偏小,多模式集合平均与观测的差值在中国区域平均为-11.1%,这种偏差在西部表现较为明显,在南方局部亦有所偏大。其他三个季节则均有不同程度的高估,其中春季最大为6.9%,冬季次之为2.8%,秋季最小为1.4%;在这三个季节,模式几乎在全区表现为偏大,仅在南方局部偏小。整体上,模式集合平均模拟的降水季节性偏弱,具体表现为夏季降水向其他三个季节分散。由于全球气候模式对中国降水的年总降水量与各季节降水量的模拟比观测总体偏多,冬春季降水的模拟相较于观测值存在高估,而夏季偏差较小,这就出现了夏季降水比重偏小的现象(Jiang et al., 2016)。对于降水百分率变率而言,在95%的置信水平上,模式集合平均与观测未见明显差异,说明模式对降水百分率变率的模拟与观测十分接近。

图 2 14个CMIP5模式模拟的1986~2004年各季节降水百分率气候态与观测的差异(仅给出达到95%置信水平的部分):(a)春季;(b)夏季;(c)秋季;(d)冬季 Figure 2 Geographical distributions of differences between the 14-model ensemble mean and observations for the climatology of seasonal precipitation proportion during 1986–2004 (only those results passing the significance test at the 95% confidence level are presented): (a) Spring; (b) summer; (c) autumn; (d) winter

不但模式与观测之间有差异,不同模式之间亦存在不同。考察模式间模拟差异是为预估的不确定性提供一定参考。通过考察各模式间的降水百分率标准差(图 3)可以看出,各模式对夏季降水百分率的模拟差异最为明显,尤其在高原西南部、昆仑山附近、内蒙北部以及横断山地区模式间标准差较大。其他三个季节模式间差异相对较小,但同样表现为在西部的模拟差异大于中东部。对降水百分率变率的模拟在各模式之间同样存在着不同(图 4)。主要表现为各模式模拟的春夏两季降水百分率变率差异较大,秋冬季相对较小;最明显的区域在昆仑山至内蒙一线以及华北。

图 3 14个CMIP5模式模拟的1986~2004年各季节降水百分率气候态的模式间标准差:(a)春季;(b)夏季;(c)秋季;(d)冬季 Figure 3 Geographical distributions of standard deviations among 14 climate models for the climatology of seasonal precipitation proportion during 1986–2004: (a) Spring; (b) summer; (c) autumn; (d) winter

图 4图 3,但为降水百分率变率的标准差 Figure 4 Same as Fig. 3, but for the standard deviations of variability of seasonal precipitation proportion
4 降水季节性的预估 4.1 全区降水百分率的气候态及趋势

就2006~2099年气候平均态而言,两种情景下全区域平均的各季节降水百分率的量值接近,RCP4.5(RCP8.5)在夏季最大,占全年降水的45.1%(44.8%),其次是春季为26.3%(26.4%),再次是秋季为19.7%(19.8%),冬季最小仅为8.9%(9.0%)。如图 5所示,在两种排放情景下,降水百分率气候态的空间分布及量值都较为相似。在春季,降水百分率最大的地区分布在东南部,局部降水百分率甚至超过40%,这与1960~2009年气候态所示的春雨区相对应(Sui et al., 2013);小值区位于东北、华北、高原西部和云南等地。到了夏季,华南春雨区降水百分率减小到40%以下,而东北、华北和高原等地的降水百分率迅速升高,部分地区超过了60%。秋季,降水百分率大值中心位于中部,大致与华西秋雨区(王遵娅和丁一汇,2008)相对应,而小值区位于华南。冬季,大值区出现在东南部,而东北至高原一线为小值区。

图 5 在RCP4.5(左列)和RCP8.5(右列)情景下,多模式集合平均预估的2006~2099年各季节降水占全年降水百分率的气候态(填色)与降水百分率变化趋势[圆圈,(单位:%(10a)-1]分布:(a、b)春季;(c、d)夏季;(e、f)秋季;(g、h)冬季。绿色(红色)实心圆表示增加(减小)趋势,且置信水平为95% Figure 5 The climatology (shaded) and trends [circles, units: %(10a)-1] of seasonal precipitation proportion during 2006 to 2099 derived from multi-model ensemble mean under RCP4.5 (left panel) and RCP8.5 (right panel) scenarios. Solid circles indicate the confidence level higher than 95%, and green (red) indicates increasing (decreasing) trend: (a, b) Spring; (c, d) summer; (e, f) autumn; (g, h) winter

从降水百分率变化趋势的空间分布来看(图 5),其与降水百分率气候平均态之间没有明显的空间对应关系。具体表现为,春季,西北至东南一线增加,高原局部为减小趋势。夏季,西北和中部等地有较为明显的减小趋势,而高原则为显著增加。秋季,西部大部分地区为减小趋势,仅在云南等地有显著增加。冬季,中国大部为增加趋势,仅在高原南部呈现显著减小。两种排放情景下虽数值大小和具体范围不尽相同,但整体分布较为相似。

相对于1986~2004年参考时段,未来近百年各季节降水百分率气候平均态不论是夏季大冬季小,还是雨带随季节的南北向移动这些特征,均有许多相似之处。但在不同区域和不同时段,各季节降水百分率的量值相较于历史时段发生了明显变化(图 6)。春季,在21世纪早期,两种排放情景下类似,降水百分率均是在华南沿海局部减小,其他地区没有显著变化;在中期和末期,长江中下游地区降水百分率增大,且高排放情景下的变化范围和量值均要大于中等排放情景。夏季,中部和西北降水百分率显著减小,高原西部明显增加;RCP8.5情景下变化的范围和量值明显大于RCP4.5,且RCP8.5情景下在末期变化幅度明显大于早期和中期。秋季是降水百分率变化最小的季节,仅RCP8.5情景下在21世纪末期的内蒙等地出现大范围的增加。冬季,初期与历史时段相比并没有显著差异,到了中末期,在华西和西北等地降水百分率增加,而高原西南部显著减小。在21世纪早、中和末期相较于历史时段,RCP4.5(RCP8.5)情景下区域平均春季降水百分率变化分别为-0.03%(0.2%)、0.2%(0.4%)和0.2%(0.5%),夏季为-0.1%(-0.4%)、-0.5%(-0.7%)和-0.5%(-1.3%),秋季为0.02%(0.09%)、-0.07%(-0.2)和-0.07%(0.1%),冬季是0.1%(0.1%)、0.3%(0.4%)和0.4%(0.7%)。由此可以看出,在RCP4.5情景下各季节降水百分率的变化主要发生在前期和中期,之后变化速度减缓;而在RCP8.5情景下,夏(冬)季降水百分率一直呈减小(增加)趋势。总的来说,相较于历史时段,未来各时期RCP8.5情景下各季节降水百分率的变化幅度均要大于RCP4.5情景,这与之前所论述的两种情景下降水百分率变化趋势的数值差异相对应。

图 6 在RCP4.5(左列)和RCP8.5(右列)情景下,多模式集合平均预估的21世纪末期各季节降水百分率变化的空间分布(相对于1986~2004年参考时段,仅给出通过95%置信水平的部分):(a、b)春季;(c、d)夏季;(e、f)秋季;(g、h)冬季。图中矩形代表 5个子区域范围 Figure 6 Spatial distributions of changes in climatology of seasonal precipitation proportion during the late 21st century derived from multi-model ensemble mean under RCP4.5 (left panel) and RCP8.5 (right panel) scenarios (relative to 1986–2004, only those results passing the significance test at the 95% confidence level are presented): (a, b) Spring; (c, d) summer; (e, f) autumn; (g, h) winter. The rectangles indicate the five subregions

为讨论各季节降水百分率变化,进一步计算了2006~2099年中国区域平均的各季降水百分率的时间序列(图 7kl)。相比于参考时段1986~2004年,多模式集合平均中夏季降水百分率下降较为显著,冬春季有一定的上升;同时,RCP8.5变化速率明显大于RCP4.5;秋季也有变化,但相对较弱。在RCP4.5(RCP8.5)情景下,春季降水百分率趋势为0.05%/10a(0.08%/10a),夏季为-0.07%/10a(-0.16%/10a),秋季为-0.01%/10a(0.01%/10a),冬季为0.03%/10a(0.07%/10a)。模式间存在一定差异,总体上模式间离散程度在夏季最大,春秋次之,冬季最小。在变化最显著的季节,模式间大都表现为幅度有所差异,但变化方向大多相同。这说明降水百分率在夏季减少、冬季增加的特征在模式间一致性较好,且RCP8.5情景下的速率要大于RCP4.5情景。

图 7 相对于1986~2004年参考时段,未来不同情景下多模式集合平均预估的各区域平均的四季降水百分率的变化。绿、红、黄、蓝实线分别表示春、夏、秋、冬四个季节;阴影区域为模式结果间的一个标准差范围;图中缩写与表 2分区相对应 Figure 7 Changes in seasonal precipitation proportion relative to the reference period 1986–2004 averaged over China and over individual subregions derived from multi-model ensemble mean for different scenarios. Green, red, yellow, and blue lines represent spring, summer, autumn, and winter, respectively. Shadings represent plus/minus one standard deviation among the models from the ensemble mean. The acronyms represent the regions listed in Table 2

表 2 中国全区及5个子区的经纬度范围 Table 2 The longitude and latitude ranges of whole China and five subregions
4.2 各分区降水百分率的气候态及趋势

根据上述分析可知,相对于参考时段,各季节降水百分率在中国不同地区的变化存在明显差异,因此有必要对不同地区开展进一步研究。因此,划分出五个在21世纪末相较参考时段变化最为明显的地区进行了独立分析,分别是西北、高原、内蒙古、华西(王遵娅和丁一汇,2008)和长江中下游地区,各分区具体范围见表 2

高原各季节降水百分率的时间序列与其他区域相比有明显不同(图 7)。全区与各分区(除高原外)均大致体现为夏季降水百分率趋于减小,冬季增加,而高原则与之相反。有研究利用CMIP5模式数据对高原年和季节降水进行预估时指出,高原各季节降水均将增加,且夏季变化大于冬季(Su et al., 2013胡芩等,2015),这应该是造成上述现象的主要原因。需要指出的是,全球气候模式对未来高原年降水的模拟预估以增加为主,但在区域气候模式中却为减少(Gao et al., 2013)。这可能与不同模式的物理过程和参数化方案等因素不同有关(王澄海和余莲,2011Gao et al., 2013胡芩等,2015卫翔谦等,2016),说明气候模式对高原降水未来变化的模拟还有一定的不确定性。但就本文所选取的全球气候模式来说,有关高原夏季降水百分率增加这一特征,在多数模式中都有体现(图 8)。

图 8 在RCP4.5和RCP8.5情景下,各模式以及多模式集合平均预估的各区域四季降水百分率趋势。红色表示RCP4.5情景,蓝色表示RCP8.5情景;填色为通过95%的显著性检验;图中缩写与表 2分区相对应;横坐标数字对应表 1中的模式序号,“mme”表示多模式集合平均 Figure 8 Trends of seasonal precipitation proportion averaged over China and over individual subregions derived from each model and multi-model ensemble mean under the RCP4.5 and RCP8.5 scenarios. Red/Blue represents the RCP4.5/RCP8.5. Results passing the test at the 95% confidence level are shaded. The acronyms represent the regions listed in Table 2. The abscissa numbers represent the models listed in Table 1 and "mme" indicates multi-model ensemble mean

内蒙、华西和西北三个区域的各季节降水百分率变化总体上较为相似,均为夏季减少,冬季增加,且大多数模式均模拟了这一特征。在RCP4.5情景下,三个地区都表现出在20世纪50年代前各季节降水百分率变化趋势较大,之后则趋于平缓;而在RCP8.5情景下,大都呈现一致的变化趋势,即夏季持续减少,冬季持续增加。对于长江中下游地区,春季降水百分率呈现较弱的上升趋势,夏季为较弱的下降;在两种排放情景下的趋势差异并不明显,模式之间差异都相对较大(图 8),这说明模式对于长江中下游地区各季节降水百分率的预估存在较大的不确定性。

4.3 各季降水百分率的变率及其趋势

在2006~2099年间,RCP4.5(RCP8.5)情景下,就全区降水百分率变率的区域平均而言,夏季最大为7.3%(7.4%),冬季最小为3.0%(3.1%),春秋季介于两者之间,分别为6.0%(6.2%)和5.6%(5.8%)。考察两种情景下降水百分率变率的空间分布,显示不同区域存在差异(图 9)。春季,内蒙到新疆东部为降水百分率变率的大值区,其次是黄淮地区。夏季,内蒙至华北一线为变率的大值区。秋季和夏季类似,但量值明显偏小。到了冬季,仅有华南与新疆北部变率相对较大,其余地区变率迅速变小,尤其在东北和高原地区,变率小于2%。在两种排放情景下,各季节降水百分率变率的空间分布总体上十分相似。

图 9 在RCP4.5(左列)和RCP8.5(右列)情景下,多模式集合平均预估的2006~2099年各季节降水占全年降水百分比的标准差(填色)和降水百分比的9年滑动标准差的变化趋势[圆圈,单位:%(10a)-1]:(a、b)春季;(c、d)夏季;(e、f)秋季;(g、h)冬季。红色(绿色)实心圆表示增加(减小)趋势,且置信水平为95% Figure 9 Standard deviations (shadings) of seasonal precipitation proportion and trends of 9-year running standard deviations of seasonal precipitation proportion [circles, units: %(10a)-1] during 2006–2099 derived from multi-model ensemble means under the RCP4.5 (left panel) and RCP8.5 (right panel) scenarios: (a, b) Spring; (c, d) summer; (e, f) autumn; (g, h) winter. Results passing significance test at the 95% confidence level are marked by solid circles, and red (green) indicates increasing (decreasing) trend

为讨论降水百分率变率随时间的变化,图 9给出了各季节降水百分率的9年滑动标准差的趋势分布。在RCP4.5情景下的高原地区,春夏季降水百分率变率的趋势为微弱的减小,而在RCP8.5情景下则为弱的增加;其余地区降水百分率变率主要以增加为主,但到21世纪末,降水百分率变率与参考时段相比,在95%置信水平上并无差异。需要指出的是,Fu(2013)利用CMIP3中18个模式SRES A1B中等排放情景下的试验数据,计算指出东亚夏季降水的年际变率在20世纪70年代前显著增加。在东北和华北等地,秋季变率的趋势在RCP8.5情景下为较强的增加,量值上明显大于RCP4.5情景。冬季,两种排放情景下基本类似,几乎全区都表现为变率的增加。尽管如此,21世纪早、中和末期的降水百分率变率与1986~2004年参考时段相比仍无统计上显著的变化(使用F检验的方法,置信水平为95%,图略)。就整体而言,虽然在未来各季节降水百分率变率呈现一定的上升,但这种趋势总体较小,以至于到21世纪末这种变率的变化相较于参考时段仍无统计意义上显著的不同。

5 结论与讨论

本文使用CMIP5多模式试验数据,首先评估并筛选了对中国各季节降水百分率及其变率模拟较好的14个模式,之后主要利用多模式集合平均的结果,对中国未来各季节降水百分率以及变率的变化进行了预估研究。主要结论有:

(1)优选出的模式对中国各季节降水百分率及其变率有较好的模拟能力,不足主要是对夏季降水百分率的模拟偏小(平均-11.1%),对春、秋、冬季的模拟偏大(平均6.9%、1.4%和2.8%),而对于降水百分率变率的模拟在95%的置信水平上与观测无显著差异。在空间分布上,对降水百分率的模拟在模式间有一定不同,夏季在高原和昆仑山附近差异较大;对降水百分率变率的模拟,模式间差异主要出现在春夏两季的昆仑山至内蒙一线。

(2)2006~2099年,中国降水百分率气候平均态表现为夏季大冬季小,在RCP4.5(RCP8.5)情景下春夏秋冬四季区域平均依次为26.3%(26.4%)、45.1%(44.8%)、19.7%(19.8%)和8.9%(9.0%)。降水季节性存在明显的地域差别,其中华南春季降水最多;东北和高原夏季降水贡献最大;中国中部秋雨比例高于其他地区;西北和华南冬季降水比例大于其他区域。在两种排放情景之间,未来季节降水百分率不论在空间分布上,还是在量值上差异总体都很小。

(3)与1986~2004年相比,本世纪中国降水百分率在夏季趋于显著减少,冬季显著增加。在RCP4.5(RCP8.5)情景下,区域平均的四季变化趋势分别为0.05%/10a(0.08%/10a)、-0.07%/10a(-0.16%/10a)、-0.01%/10a(0.01%/10a)和0.03%/10a(0.07%/10a)。但高原变化却不同,表现为夏季增加、冬季减少。不同排放情景下变化趋势有明显差别,表现为RCP8.5情景下的变幅大于RCP4.5情景。另外,RCP8.5情景下基本在全时段保持下降或上升趋势,但RCP4.5情景下的变化主要发生在21世纪早中期,至末期降水百分率趋于稳定。

(4)降水百分率变率同样表现为夏季大冬季小,在RCP4.5(RCP8.5)情景下四季变率分别为6.0%(6.2%)、7.3%(7.4%)、5.6%(5.8%)和3.0%(3.1%);高原四季变率小于其他地区,夏季华北和内蒙变率较大,春秋两季内蒙变率较大,冬季变率较大的地区在华南。不同排放情景下,变率的空间分布无明显差异。本世纪降水百分率变率在四个季节均表现出一定的增加趋势,且在情景和地域间存在一定不同,但21世纪早、中和末期与1986~2004年相比总体上没有显著差异(置信水平为95%)。

尽管CMIP5耦合模式在多个方面上比以往的模式有改进,但其模拟的降水及其变化仍存在较大的不确定性,这一点在本文中也有体现。未来可利用高分辨率的区域气候模式的试验进一步开展研究,以期得到更加准确并精细化的场景。另外,本文只关注了各季节降水百分率的变化,由于其变化是由多方面引起的,并不是单纯与年或者各季节降水变化相关,而是源于多要素协同变化并相互作用,故未来有必要详细分析降水季节性变化的成因。

致谢 感谢两位审稿专家的宝贵评阅意见,感谢国际耦合模式比较计划第五阶段(CMIP5)模式组提供数值试验结果。

参考文献
Chen H P. 2013. Projected change in extreme rainfall events in China by the end of the 21st century using CMIP5 models[J]. Chin. Sci. Bull., 58(12): 1462-1472. DOI:10.1007/s11434-012-5612-2
陈晓晨, 徐影, 许崇海, 等. 2014. CMIP5全球气候模式对中国地区降水模拟能力的评估[J]. 气候变化研究进展, 10(3): 217-225. Chen X C, Xu Y, Xu C H, et al. 2014. Assessment of precipitation simulations in China by CMIP5 multi-models[J]. Prog. Inquisit. Mutat. Climatis (in Chinese), 10(3): 217-225. DOI:10.3969/j.issn.1673-1719.2014.03.011
Fu Y H. 2013. The projected temporal evolution in the interannual variability of East Asian summer rainfall by CMIP3 coupled models[J]. Sci. China Ser. D:Earth Sci., 56(8): 1434-1446. DOI:10.1007/s11430-012-4430-3
Gao X J, Wang M L, Giorgi F. 2013. Climate change over China in the 21st century as simulated by BCC_CSM1.1-RegCM4.0[J]. Atmos. Oceanic Sci. Lett., 6(5): 381-386. DOI:10.3878/j.issn.1674-2834.13.0029
Gao X J, Shi Y, Zhang D F, et al. 2012. Climate change in China in the 21st century as simulated by a high resolution regional climate model[J]. Chin. Sci. Bull., 57(10): 1188-1195. DOI:10.1007/s11434-011-4935-8
胡芩, 姜大膀, 范广洲. 2015. 青藏高原未来气候变化预估:CMIP5模式结果[J]. 大气科学, 39(2): 260-270. Hu Q, Jiang D B, Fan G Z. 2015. Climate change projection on the Tibetan Plateau:Results of CMIP5 models[J]. Chinese Journal of Atmospheric Sciences (in Chinese), 39(2): 260-270. DOI:10.3878/j.issn.1006-9895.1406.13325
IPCC. 2013. Climate Change 2013:The Physical Science Basis[M]. , Eds. Cambridge, UK and New York, USA: Cambridge University Press: 1535pp.
姜大膀, 富元海. 2012. 2℃全球变暖背景下中国未来气候变化预估[J]. 大气科学, 36(2): 234-246. Jiang D B, Fu Y H. 2012. Climate change over China with a 2℃ global warming[J]. Chinese Journal of Atmospheric Sciences (in Chinese), 36(2): 234-246. DOI:10.3878/j.issn.1006-9895.2011.11074
Jiang D B, Tian Z P, Lang X M. 2016. Reliability of climate models for China through the IPCC Third to Fifth Assessment Reports[J]. Int. J. Climatol., 36(3): 1114-1133. DOI:10.1002/joc.4406
姜江, 姜大膀, 林一骅. 2015. RCP4.5情景下中国季风区及降水变化预估[J]. 大气科学, 39(5): 901-910. Jiang J, Jiang D B, Lin Y H. 2015. Projection of monsoon area and precipitation in China under the RCP4.5 scenario[J]. Chinese Journal of Atmospheric Sciences (in Chinese), 39(5): 901-910. DOI:10.3878/j.issn.1006-9895.1411.14216
Lang X M, Sui Y. 2013. Changes in mean and extreme climates over China with a 2℃ global warming[J]. Chin. Sci. Bull., 58(12): 1453-1461. DOI:10.1007/s11434-012-5520-5
Ma J H, Wang H J, Zhang Y. 2012. Will boreal winter precipitation over China increase in the future? An AGCM simulation under summer "ice-free Arctic" conditions[J]. Chin. Sci. Bull., 57(8): 921-926. DOI:10.1007/s11434-011-4925-x
Ren Y J, Zhou B T, Song L C, et al. 2017. Interannual variability of western North Pacific subtropical high, East Asian jet and East Asian summer precipitation:CMIP5 simulation and projection[J]. Quat. Int., 440: 64-70. DOI:10.1016/j.quaint.2016.08.033
Su F G, Duan X L, Chen D L, et al. 2013. Evaluation of the global climate models in the CMIP5 over the Tibetan Plateau[J]. J. Climate, 26(10): 3187-3208. DOI:10.1175/JCLI-D-12-00321.1
Sui Y, Jiang D B, Tian Z P. 2013. Latest update of the climatology and changes in the seasonal distribution of precipitation over China[J]. Theor. Appl. Climatol., 113(3-4): 599-610. DOI:10.1007/s00704-012-0810-z
Sun J Q, Ao J. 2013. Changes in precipitation and extreme precipitation in a warming environment in China[J]. Chin. Sci. Bull., 58(12): 1395-1401. DOI:10.1007/s11434-012-5542-z
Sun Y, Ding Y H. 2010. A projection of future changes in summer precipitation and monsoon in East Asia[J]. Sci. China Ser. D:Earth Sci., 53(2): 284-300. DOI:10.1007/s11430-009-0123-y
Taylor K E. 2001. Summarizing multiple aspects of model performance in a single diagram[J]. J. Geophys. Res., 106(D7): 7183-7192. DOI:10.1029/2000jd900719
Taylor K E, Stouffer R J, Meehl G A. 2012. An overview of CMIP5 and the experiment design[J]. Bull. Amer. Meteor. Soc., 93(4): 485-498. DOI:10.1175/BAMS-D-11-00094.1
王澄海, 余莲. 2011. 区域气候模式对不同的积云参数化方案在青藏高原地区气候模拟中的敏感性研究[J]. 大气科学, 35(6): 1132-1144. Wang C H, Yu L. 2011. Sensitivity of regional climate model to different cumulus parameterization schemes in simulation of the Tibetan Plateau climate[J]. Chinese Journal of Atmospheric Sciences (in Chinese), 35(6): 1132-1144. DOI:10.3878/j.issn.1006-9895.2011.06.12
Wang Y J, Zhou B T, Qin D H, et al. 2017. Changes in mean and extreme temperature and precipitation over the arid region of northwestern China:Observation and projection[J]. Adv. Atmos. Sci., 34(3): 289-305. DOI:10.1007/s00376-016-6160-5
王遵娅, 丁一汇. 2008. 中国雨季的气候学特征[J]. 大气科学, 32(1): 1-13. Wang Z Y, Ding Y H. 2008. Climatic characteristics of rainy seasons in China[J]. Chinese Journal of Atmospheric Sciences (in Chinese), 32(1): 1-13. DOI:10.3878/j.issn.1006-9895.2008.01.01
卫翔谦, 左洪超, 武利阳, 等. 2016. RegCM4.3气候模式引入新的海洋湍流参数化方案对中国夏季降水模拟的影响[J]. 兰州大学学报(自然科学版), 52(5): 644-651. Wei X Q, Zuo H C, Wu L Y, et al. 2016. The impact of new ocean turbulence parameterization scheme introduced into RegCM4.3 climate model on the summer precipitation simulation in China[J]. Journal of Lanzhou University (Natural Sciences), 52(5): 644-651. DOI:10.13885/j.issn.0455-2059.2016.05.013
Wentz F J, Ricciardulli L, Hilburn K, et al. 2007. How much more rain will global warming bring?[J]. Science, 317(5835): 233-235. DOI:10.1126/science.1140746
吴佳, 高学杰. 2013. 一套格点化的中国区域逐日观测资料及与其它资料的对比[J]. 地球物理学报, 56(4): 1102-1111. Wu J, Gao X J. 2013. A gridded daily observation dataset over China region and comparison with the other datasets[J]. Chin. J. Geophys. (in Chinese), 56(4): 1102-1111. DOI:10.6038/cjg20130406
吴佳, 周波涛, 徐影. 2015. 中国平均降水和极端降水对气候变暖的响应:CMIP5模式模拟评估和预估[J]. 地球物理学报, 58(9): 3048-3060. Wu J, Zhou B T, Xu Y. 2015. Response of precipitation and its extremes over China to warming:CMIP5 simulation and projection[J]. Chin. J. Geophys. (in Chinese), 58(9): 3048-3060. DOI:10.6038/cjg20150903
徐影, 周波涛, 吴婕, 等. 2017. 1.5~4℃升温阈值下亚洲地区气候变化预估[J]. 气候变化研究进展, 13(4): 306-315. Xu Y, Zhou B T, Wu J, et al. 2017. Asian climate change in response to four global warming targets[J]. Climate Change Res., 13(4): 306-315. DOI:10.12006/j.issn.1673-1719.2016.239
Xu Y, Xu C H. 2012. Preliminary assessment of simulations of climate changes over China by CMIP5 multi-models[J]. Atmos. Oceanic Sci. Lett., 5(6): 489-494. DOI:10.1080/16742834.2012.11447041
Xu Y, Xu C H, Gao X J, et al. 2009. Projected changes in temperature and precipitation extremes over the Yangtze River basin of China in the 21st century[J]. Quat. Int., 208(1-2): 44-52. DOI:10.1016/j.quaint.2008.12.020
Zhou B T, Wen Q H, Xu Y, et al. 2014. Projected changes in temperature and precipitation extremes in China by the CMIP5 multimodel ensembles[J]. J. Climate, 27(17): 6591-6611. DOI:10.1175/jcli-d-13-00761.1