基于CMIP6气候模式的华北平原极端气温指数评估和预测

王 慧,肖 登 攀*,赵 彦 茜,柏 会 子,张 可 慧,唐 建 昭,刘 剑 锋,郭 风 华,刘 德 立

(1.河北省科学院地理科学研究所/河北省地理信息开发应用工程技术研究中心，河北 石家庄 050011；2.澳大利亚新南威尔士州初级产业部Wagga Wagga农业研究所，Wagga Wagga 2650)

0 引言

气候变化成为影响人类社会可持续发展的重大问题。IPCC研究报告[1]指出:全球气候变暖趋势显著，近50年气温上升速率达0.13 ℃/10 a。随着气候持续变暖，极端气候事件(热浪、干旱等)的发生频率和强度迅速增加，对人类生存、社会经济与生态环境影响巨大，引起各国政府和学者的高度重视[2]。

全球气候模式(GCM)是探究历史气候变化机理和预估未来气候变化的重要工具，其预测结果不仅为研究多时空尺度下气候变化及其影响提供必要的数据支撑，也为人类应对和适应未来气候变化提供科学依据[3]。目前世界气候研究计划(WCRP)耦合模式工作组(WGCM)发起了第六次国际耦合模式比较计划(CMIP6)，CMIP6 是CMIP计划实施 20 多年来参与模式数量最多、设计数值试验最丰富、提供模拟数据最庞大的气候模式比较计划[4]，其对气候系统的模拟更接近观测值，模式间不确定性减小[5,6]，在模拟极端气候及其变化趋势方面相比CMIP5气候模式有明显改进[7]，已在温度、降水的模拟和预测等领域得到广泛应用。

全球气候变暖背景下，极端气候事件的发生频率和强度均会显著增加，预估和评价极端气候事件的发生及影响成为气候科学领域的热点和难点。通常情况下，单个GCM的模拟机理和性能可能存在一定的局限性，多气候模式集合平均法可有效提升模拟或预测效果[8,9]。例如：Sun等[10]集合14个GCMs预测了中国未来极端气候事件的变化，指出集合模式能有效模拟极端气候指数的空间分布，且极端气温指数的模拟效果优于极端降水指数；Lin等[11]采用泰勒图系统评估了12个GCMs集合对极端降水的模拟能力，指出多模式集合平均相比单个气候模式能更好地模拟极端降水指数的平均态和变化趋势，模拟结果与观测值相关系数更高；Xiao等[12]集合28个GCMs对汉江流域16个极端气温指数进行模拟，并基于多模式算术平均分析研究区极端气温的时空变化特征。多模式集合平均法假设各气候模式相互独立，多个模式的平均结果会抵消误差，从而提升气候模式的模拟效果[13]。然而不同气候模式往往不完全独立，尤其是同一单位开发的系列模型模拟机理的相似性较高，而加权集合平均法考虑各气候模式的差异，通过配置不同权重系数以体现模式性能的差异，其模拟结果较算术平均法更可靠[14]。

综上，本研究基于统计降尺度方法对CMIP6中20个GCMs数据进行时空降尺度，采用独立权重均值法(Independence Weighted Mean,IWM)[15]优化各气候模式的加权系数，获得相对合理的集合预估模型，从而预估华北平原未来气候情景下极端气温指数的时空变化特征，以期为应对极端气温事件带来的灾害风险提供科学依据。

1 材料与方法

1.1 研究区概况

华北平原跨越京、津、冀、鲁、豫、皖、苏7省市(北抵燕山，西倚太行山，东临渤海和黄海，南以淮河干流和苏北灌渠为界)，东部属于海陆过渡带，南部为气候过渡区，气候条件复杂，是极端气候事件的多发区[16]；同时，华北平原地势平坦，雨热同期，适宜农作物生长，是我国重要的粮食生产区。因此，预估华北平原未来极端气温的变化趋势，有助于了解全球气候变暖可能对农业生产带来的极端气候风险，从而可稳定农业生产水平，保证区域粮食安全[17,18]。

1.2 数据来源

研究区内1961-2014年54个气象站点(图1)的气温(包括最高温度、最低温度和平均温度)逐日观测数据源于中国气象科学数据服务共享网；1961-2100年不同气候模式的模拟和预估数据源于CMIP6中的20个GCMs(https://esgf-node.llnl.gov/search/cmip6/)(表1)。本文采用澳大利亚沃加沃加农业研究所开发的统计降尺度方法[16,19]对选取的20个GCMs逐月栅格数据进行时间和空间降尺度处理，获得以日为单位的站点数据。

图1 华北平原54个气象站点空间分布Fig.1 Spatial distribution of 54 meteorological stations in the North China Plain

序号GCM名称GCM缩写单位国家/地区1ACCESS-CM2ACC1CSIRO-BOM澳大利亚2ACCESS-ESM1-5ACC2CSIRO-BOM澳大利亚3BCC-CSM2-MRBCCBCC中国4CanESM5CAN1CCCMA加拿大5CanESM5-CanOECAN2CCCMA加拿大6CNRM-CM6-1CNR1CNRM法国7CNRM-ESM2-1CNR2CNRM法国8EC-Earth3-VegECE1EC-EARTH欧洲9EC-Earth3ECE2EC-EARTH欧洲10FGOALS-g3FGOFGOALS中国11GFDL-ESM4GFDNOAA-GFDL美国12GISS-E2-1-GGISNASA-GISS美国13INM-CM4-8INM1INM俄罗斯14INM-CM5-0INM2INM俄罗斯15IPSL-CM6A-LRIPSIPSL法国16MIROC6MIR1MIROC日本17MIROC-ES2LMIR2MIROC日本18MPI-ESM1-2-HRMPI1MPI-M德国19MPI-ESM1-2-LRMPI2MPI-M德国20MRI-ESM2-0MRIMRI日本

考虑未来气候情景的代表性和相应气候情景下数据的完整性，本研究选取如下4个典型气候情景：SSP585为更新后的RCP8.5情景，可实现2100年人为辐射强迫8.5 W/m2的高强迫情景；SSP370情景下，2100年辐射强迫稳定在7.0 W/m2；SSP245为更新后的RCP4.5情景，为中等强迫情景，2100年辐射强迫稳定在4.5 W/m2；SSP126为更新后的RCP2.6情景，2100年辐射强迫稳定在2.6 W/m2[20]。

1.3 极端气温指数

本研究选取气候变化检测和指数专家组(ETCCDI)定义的9种极端气温指数(表2)(http://etccdi.pacificclimate.org)，所选指数均与华北平原极端气候灾害密切相关，并采用R软件包“climdex.pcic”对极端气温指数进行计算。

表2 9种极端气温指数名称及释义Table 2 Name and interpretation of the nine extreme temperature indices

1.4 多气候模式集合平均方法

(1)

(2)

则式(2)的解可表示为：

(3)

(4)

式中：1T=[1，1，…，1]；A为协方差矩阵。

另外，本文采用均方根误差(RMSE)和相对标准偏差(RSD)评价IWM方法和算术平均法的计算结果，公式为：

(5)

(6)

2 结果与分析

2.1 华北平原历史期极端气温指数模拟与评估

由1961-2014年华北平原极端气温指数模拟值和观测值(OBS)的变化趋势(图2，彩图见附录1)可知，6种极端高温指数(SU、TN90p、TX90p、TNx、TXx和TR)在该阶段均呈微弱波动上升趋势，2种极端低温指数(ID、FD)和DTR则呈波动下降趋势。由表3可知，20个气候模式和多模式算术平均(MEAN)模拟的9种极端气温指数与观测值之间的RMSE和RSD均显著大于IWM方法模拟值的RMSE和RSD。由图2和表4可知，IWM方法的模拟值在年际变化上的不确定性较小，可较好地反演极端气温指数的时间变化趋势，模拟值与观测值一致性较好，适用于华北平原地区极端气温事件的评估和预测。

表3 9种极端气温指数模拟值与观测值的均方根误差(RMSE)和相对标准偏差(RSD)Table 3 Root mean square error (RMSE) and relative standard deviation (RSD) between simulations and observed values for the nine extreme temperature indices

表4 1961-2014年华北平原9种极端气温指数变化趋势Table 4 Trends in nine extreme temperature indices in the North China Plain during 1961-2014

注：OBS代表观测值，IWM代表多气候模式独立权重平均值。

2.2 未来气候情景下极端气温指数的时间变化特征

如图3(彩图见附录1)所示，在整个预测时期(2015-2100年)4种气候情景(SSP126、SSP245、SSP370、SSP585)下，极端高温指数(TXx、TNx、TX90p、TN90p、TR和SU)均明显上升，而极端低温指数(FD、ID)下降趋势明显。2040年之前，4种气候情景下的极端气温指数变化趋势相近；2040年之后，不同气候情景下的极端气温指数变化速率差异逐渐增大。其中,极端高温指数在SSP585气候情景下上升最快(如2100年TN90p将超过70 d)，而在SSP126气候情景下上升较平缓，趋于稳定(2100年TN90p最小值约为38.4 d)。极端低温指数在SSP585气候情景下下降最快(FD下降约23 d)，而在SSP126气候情景下下降较平缓(FD仅下降3 d左右)，趋于稳定。此外，DTR在预测期变幅较小。

图3 4个未来气候情景下华北平原9种极端气温指数变化趋势Fig.3 Trends in nine extreme temperature indices in the North China Plain under four future climate scenarios

2.3 华北平原极端气温指数空间变化特征

由于地理位置、地形、生态环境等因素存在差异，华北平原基准期内(1971-2010年)极端气温指数存在明显的空间差异(图4)。DTR呈北高南低的空间分布特征，但南北差异较小，除局部区域外，整体在9～11.0 ℃之间；TX90p、TN90p的南北差异相对较大；TNx、TR的空间分布特征与DTR相反，为南高北低，南北差异在30～60 d之间；TXx、SU由西向东递减，东西差异分别在3.1～5.6 ℃和31～53 d之间；FD和ID南北差异突出，如南部地区FD普遍在90 d以下，部分地区甚至低于70 d，北部地区则普遍超过90 d。

图4 1971-2010年华北平原极端气温指数空间分布特征Fig.4 Spatial characteristics of extreme temperature indices in the North China Plain during 1971-2010

未来(2061-2100年)4种气候情景下极端气温指数的空间变化特征如图5-图8所示。在SSP126气候情景下(图5)，TXx呈现“中部低，南北高”的空间变化特征，华北平原南部和北部相对于基准期增加了1.3 ℃以上，中部增幅在0.2～1.2 ℃之间；TNx、TX90p、TN90p、TR和SU整体呈上升趋势，但南部与北部存在一定的空间差异；FD、ID两种极端低温指数整体呈下降趋势，降幅分别在15～25 d和1.5～6.0 d之间，空间差异并不显著；DTR在南部呈上升趋势，在北部则呈下降趋势，变幅均在1.0 ℃以内。SSP245、SSP370、SSP585气候情景下极端气温指数的空间变化特征与SSP126情景相似，但变幅更大，尤其是在SSP585高强迫气候情景下(图6-图8)。例如，SSP585气候情景下TXx在华北平原南部和北部增幅均大于1.7 ℃，中部增幅在0.5～1.7 ℃之间(图8)；TNx、TX90p、TN90p、TR、SU等极端高温指数和FD、ID等极端低温指数的变幅较SSP126气候情景下更大，空间差异更突出。未来不同气候情景下的DTR变幅差异较小，高强迫气候情景下北部降幅有所增大。

图5 2061-2100年SSP126情景下华北平原极端气温指数变化空间特征Fig.5 Spatial characteristics of changes in extreme temperature indices in the North China Plain during 2061-2100 under the SSP126 scenario

图6 2061-2100年SSP245情景下华北平原极端气温指数变化空间特征Fig.6 Spatial characteristics of changes in extreme temperature indices in the North China Plain during 2061-2100 under the SSP245 scenario

图7 2061-2100年SSP370情景下华北平原极端气温指数变化空间特征Fig.7 Spatial characteristics of changes in extreme temperature indices in the North China Plain during 2061-2100 under the SSP370 scenario

图8 2061-2100年SSP585情景下华北平原极端气温指数变化空间特征Fig.8 Spatial characteristics of changes in extreme temperature indices in the North China Plain during 2061-2100 under the SSP585 scenario

3 结论与讨论

本研究基于IWM方法集合20个统计降尺度处理的CMIP6气候模式数据，模拟和预测了华北平原历史和未来不同时期极端气温指数的时空变化特征，主要研究结论如下：1)相比单个GCM模式和算术平均法，多气候模式独立权重均值法的极端气温指数模拟值与观测值一致性更好，适用于华北平原极端气温指数模拟和预测。2)在未来(2061-2100年)4个气候情景下，TXx、TNx、TX90p、TN90p、TR和SU等极端高温指数呈显著上升趋势，而极端低温指数则明显下降。其中SSP126气候情景下的极端气温指数变化最小，SSP585气候情景下极端气温指数变化最大。3)除DTR外，华北平原极端气温指数在历史和未来时期均存在明显的空间差异。随着情景的辐射强迫升高，极端气温指数的变幅逐渐增大，空间差异更突出，在SSP585高强迫气候情景下，变幅达到最大。

虽然CMIP6中GCM在模拟机理上有明显改进，但由于不同GCM反馈过程的差异，其对未来温室气体排放的响应仍存在一定的不确定性，这极大地影响了预估结果的可信度[20,21]。另外，各GCM由于结构原理、气候强迫设置、排放情景设计以及模式分辨率等差异较大，对气候变化的模拟性能会有明显不同，模拟结果可能存在一定偏差，增加了未来气候模拟难度和模拟结果的不确定性，而采用多GCMs集合方法可有效提升模拟效果，为气候变化研究提供更可靠的数据支撑[22]。