5種CMIP5模擬降水數據在中國的適用性評估

高 峰, 蔡萬園, 張玉虎, 雷曉輝, 夏富強

(1.首都師范大學 資源環境與旅游學院, 北京100048; 2.北京大學 地球與空間科學學院遙感與地理信息系統研究所, 北京100871;3.中國水利水電科學研究院 水資源研究所, 北京100038; 4.中國科學院 新疆生態與地理研究所, 烏魯木齊 830011)

5種CMIP5模擬降水數據在中國的適用性評估

高 峰1, 蔡萬園2, 張玉虎1, 雷曉輝3, 夏富強4

(1.首都師范大學 資源環境與旅游學院, 北京100048; 2.北京大學 地球與空間科學學院遙感與地理信息系統研究所, 北京100871;3.中國水利水電科學研究院 水資源研究所, 北京100038; 4.中國科學院 新疆生態與地理研究所, 烏魯木齊 830011)

受氣候變化影響，水資源短缺現象嚴重，自然災害頻發。對未來水資源狀況進行有效的預測和評估，可為水資源合理配置工作提供理論及決策參考。全球氣候模式是大尺度模擬預測未來降水的主要手段，但模式數據的模擬質量及其在不同研究區適用性需要進行系統評估。研究以1971—2000年2 474個氣象站點監測降水數據為基準，對5種CMIP5模式模擬降水數據(0.5°×0.5°分辨率)進行系統性評估，分析CMIP5模式模擬降水數據在中國區的適用性。對比分析了1971—2000年間5種CMIP5模式模擬降水數據與中國地面監測降水數據所反映的中國降水趨勢變化的時間和空間特征，對CMIP5模式模擬月降水數據進行經驗校正，在數據相關性、誤差和趨勢一致性3個角度，采用相關系數(r)，偏差均值(DAVE)，相對絕對誤差(ERA)和均方根誤差(ERMS)4個指標和Seasonal Kendall(SK)趨勢檢驗方法，從時間變化和空間分布特征兩個角度，對校正后的CMIP5模式模擬降水數據在中國區域的數據質量進行系統評估。5種CMIP5模式模擬中國區年降水高于監測數據均超過20%，通過經驗校正，在保證年降水不發生變化的情況下，使模擬降水數據與監測數據在逐月的相關性大大提高，誤差大大降低。對5種模式模擬數據的綜合評價顯示，最適合模擬中國區降水的模式是HadGEM2-ES模式。對模式數據的系統性評估，為研究合理選擇、校正和使用CMIP5數據集提供理論和技術參考。

氣候變化; CMIP5模式; 干旱指數; 系統評估; 干旱時空特征; 水資源管理

氣候模式是研究氣候變化機理和預測未來氣候變化重要的工具，其模擬結果已被水文、生態、環境、農業等領域的研究廣泛應用[1-2]。隨著科技進步，氣候模式分辨率進一步提高，為進行極端氣候事件的研究提供了方便，許多學者圍繞全球氣候模式的模擬結果進行了大量的分析。然而由于氣候系統的復雜性，氣候模式的結果仍然存在不確定性，且對降水模擬的不確定性更大。隨著參加耦合模式比較計劃第五階段(CMIP5)的模式公開，這些模擬結果被各研究領域廣泛應用。因此，對這些模式的模擬能力，特別是降水的模擬能力作全面、系統的評估，不僅可以為模式改進提供科學依據，更可以為多部門多領域應用氣候模式的結果提供建議和參考。

為滿足研究氣候變化的需要，世界氣候研究計劃(WCRP)耦合模式工作組(WGCM)聯合國際地圈—生物圈計劃、地球系統集成與建模項目以及世界上20多個知名的氣候模擬機構共同組織實施了國際耦合模式比較計劃(CMIP)。CMIP5是2008年啟動的第五階段計劃，成為目前為止最全面的氣候模式[2]，被諸多學者應用于一系列水文—氣象參數的區域降尺度研究[3-6]。CMIP5模式在SRES情景的基礎上進行了重大改進，結合了典型濃度路徑(RCPs)去表征未來溫室氣體排放情景[7]。RCPs(RCP2.6，RCP4.5，RCP8.5)3種情景依據全球溫室氣體排放的程度，確定二氧化碳的排放范圍和每個情景的輻射強度[4]，相比耦合模式比較計劃第三階段(CMIP3)的模式，CMIP5模式采用了更合理的參數化方案、通量處理方案和耦合器技術，以提高氣候模式的模擬和預估能力，增強對氣候系統變化的機理性認識[8]。全球氣候模式對溫度變化的模擬能力較好，但各模式對中國地區平均降水模擬值偏多，部分模式不能較好地模擬出降水的空間分布特征，因而模式對降水的模擬能力還需要進一步改進[9]。模式對中國東部降水的模擬要優于西部地區，通過比較不同季節的模擬情況發現，全年的模擬效果最好，而夏季的模擬效果最差。此外，模式對降水年際變化特征的模擬不太理想[10]。通過對中國地區降水主要模態的模擬評估[11]，發現模式能夠一定程度上反映出降水的主要分布型[12]，但是大部分模式高估了中國地區的平均降水，對降水的時間變率模擬能力有限[13]。評估CMIP5模式對中國降水的模擬能力，有助于更好地理解模式本身的發展和局限，也為模式開發者提供參考依據[14]。

CMIP5模式對全球以及區域氣候變化具有一定模擬和預估能力，但使用時需要對其進行系統評估。徐影等[15]針對CMIP5模式模擬輸出的降水數據，評價了模式對中國區1980—2005年一些與降水相關的特征變量的模擬效果。陳曉晨等基于若干監測降水數據與43個CMIP5模式模擬降水數據，對CMIP5模式模擬輸出的多個特征變量在中國區的模擬能力進行研究[15]。同時，應用多套監測數據，選取多個氣候態變量來深入探討并分析了46個CMIP5模式在不同時空尺度上在中國區的模擬質量[1]。李振朝等對8個模式進行比較發現，模式對研究區降水的模擬有一定的季節特征，在年代際上，4個模式模擬的降水為增大趨勢，4個為減小趨勢。對青藏高原的模擬，各模式都模擬出了青藏高原的降水中心，但對降水量值的模擬相差較大[16]。系統評估CMIP5模式對中國降水的模擬能力，改進系統評估技術，不僅有助于更好地理解模式本身的發展和局限，也為模式開發者以及模式結果的應用提供技術參考和理論依據。

1 數據與研究方法

1.1 數據

1.1.1 中國監測降水數據 中國區域監測陸面降水格點數據是由國家氣象信息中心(http:∥cdc.cma.gov.cn/)網站下載的過去60 a的水平分辨率為0.5°×0.5°的中國區范圍內月降水量的格點數據，本研究截取1971—2000年的月降水量用來評估5種CMIP5模式模擬降水數據。該數據是在地面2474個氣象站點觀測降水資料的基礎上，結合GTOPO30數據，經過分幅解壓、格式轉換重采樣，運行ANUSPLIN軟件中的selnot.exe模塊，按照廣義交叉驗證值最優原則選擇初始結點，選擇經度、緯度、海拔高度3個獨立變量，運行splinb.exe模塊，生成表面系數文件，運行lapgrd.exe模塊，生成每月的0.5°×0.5°的地面降水網格數據，同時考慮了高程對降水空間插值精度的影響[17-18]。同時，也應用交叉驗證質量檢驗法對降水格點數據集進行交叉驗證和誤差分析，經交叉驗證，數據完整，質量狀況良好[19-20]。

中國幅員遼闊、區域間氣候差異大、自然條件復雜。受海陸氣候差異影響，氣象特點在一年四季更迭。此外，青藏高原對向上氣流的高空傳輸具有很大的影響。所有這些因素都導致了中國復雜的季風形態和不同的氣候類型。根據1961—2013年監測平均年降水量，中國在地理空間上劃分成4個不同的氣候區：干旱區(P<200 mm)，半干旱區(200 mm800 mm)。同時，研究考慮中國區內10個一級流域，即：松花江流域(SR)，遼河流域(LR)，海河流域(HR)，黃河流域(YR)，淮河流域(HuaiR)，長江流域(YZR)，東南諸河流域(SER)，珠江流域(PR)，西南諸河流域(SWR)，西北內陸諸河流域(NWR)(圖1)。

在中國，年降雨量分布不均勻，南北之間顯著不同。南方盆地的年平均降水量超過800 mm，豐沛地區的年降水量甚至多于1500 mm。在北方地區，除遼河流域以外，剩余流域的年降水量都不超過600 mm。西北內陸河流域的平均年降水為全國最小值，約為150 mm。不同流域之間降水量差異是造成中國水資源分布不均的主要原因之一。

圖1中國年降水量及10大流域分布

1.1.2 5種CMIP5模式模擬數據 研究所用歷史和未來日降水模擬數據由部門間影響模型比較計劃(Inter-Sectoral Impact Model Intercomparison Project，ISI-MIP)(http:∥www.isi-mip.org)提供的5種CMIP5全球氣候模型(HadGEM3-RA，GFDL-ESM2M，IPSL-CM5A-LR，MIROC-ESMCHEM 和NorESM1-M)(表1)。模擬降水量預估的時段選取2016—2050年，模擬歷史時段選取1971—2000年，數據水平分辨率為0.5°×0.5°。該數據由ISI-MIP采用雙線性插值法進行空間插值，并基于概率分布的統計偏差訂正方法進行訂正[21-22]，最后由中國農科院環發所提取并轉換為ASCⅡ碼。本研究選取典型濃度路徑最高排放情景RCP8.5情景下5種氣候模式的模擬結果進行評估。

表1 5種CMIP5模式基本信息

1.2 方法

1.2.1 系統評估方法—相關分析和誤差分析 本研究對中國區域進行氣候分區的基礎上，計算CMIP5模式模擬結果與監測數據在不同分區的降水逐月變化趨勢、相關系數(r)，偏差均值(DAVE)，相對絕對誤差(ERA)和均方根誤差(ERMS)等指標，以此評估CMIP5模式模擬結果的數據質量。各指標的具體計算公式如下：

(1)相關系數(r)。相關系數(Correlation coefficient)是以兩個變量與它們的平均值的偏離程度為基礎，用以反映兩個變量在某一時間序列上的相關性，本研究應用相關系數反映CMIP5模式模擬降水數據和監測數據的相關性。

(2) 偏差均值(DAVE)。偏差均值用來反映特定值與平均值的偏差的平均水平。

(3) 相對絕對誤差(ERA)。相對絕對誤差綜合了絕對誤差和相對誤差的優點，是絕對誤差與監測值的比率，使誤差度量的意義更為清晰和自然。

(4) 均方根誤差(ERMS)。均方根誤差用來反映模式模擬結果與實際監測數據之間的方差的平均情況。

式中：xi和yi分別表示CMIP5模式模擬值和氣象站點監測值；n為統計樣本數。

1.2.2 反距離權重法 反距離權重(Inverse Distance Weight, IDW)算法于1968年由Shepard提出，1985年Waston等將其應用于空間插值的等值線繪制[23-24]，繼而IDW算法被廣泛應用于各行業領域的空間分析與制圖[25]。IDW插值的基本假設是樣點在插值區呈均勻分布，當樣點在各方向較均勻分布時，該插值算法十分可靠[26]。本研究，應用IDW空間插值對降水的狀態和變率進行空間插值，基于分布均勻的格點數據，IDW空間插值更能準確反映變量的空間分布特征。

1.2.3 Seasonal Kendall趨勢檢驗 在水文學和氣象學中，Mann-Kendall檢驗(M-K檢驗)是最常用的時間序列趨勢檢驗方法之一。M-K檢驗不要求樣本變量服從相應的分布，能剔除少數異常值的干擾，適用于非正態分布數據的趨勢檢驗[27]。Seasonal Kendall檢驗(SK檢驗)是M-K檢驗應用在具有周期性變化時間序列的一種特殊情況[28]，其目的在于確定所有月降水數據集的隨機變化程度，也可以理解為M-K檢驗對每個月份時間序列檢驗的集合，更適宜應用于具有周期性變化的時間序列趨勢檢測中[29]。

本研究對月降水及干旱指數月值趨勢性檢驗采用SK檢驗法[30]。SK趨勢檢驗輸出結果主要包括變化率τ值和顯著性水平p值，τ值的正負表示上升下降。0.05

2 結果與分析

系統評估了CMIP5模式模擬降水數據在中國區的適用性。研究對比分析1971—2000年5種CMIP5模式模擬降水數據與中國地面監測降水數據所反映的中國降水趨勢變化的時間和空間特征，對CMIP5模式模擬月降水數據進行經驗校正，采用相關系數(r)，偏差均值(DAVE)，相對絕對誤差(ERA)和均方根誤差(ERMS)4個指標，從時間變化和空間分布特征兩個方面，對校正后的CMIP5模式模擬降水數據在中國區域的數據質量進行系統評估。分析5種CMIP5模式模擬數據與監測數據吻合度在區域上的質量差異，并針對相關性與誤差指標，在數據一致性及對趨勢性描述能力方面，對5種模式模擬數據進行綜合評價，找出最適合模擬中國區降水的CMIP5氣候模式。

2.1 中國區域CMIP5模式降水變化趨勢

2.1.1 CMIP5模式降水變化過程的時段統計特征 首先計算2 474個氣象站點監測降水量與5個CMIP5模式模擬降水量在中國區的逐月平均值。5個CMIP5模式模擬的月降水量在季節性上與監測數據差距較大，考慮到月降水在中國區的特征，依據1971—2000年監測月降水量序列與模式數據的線性關系，針對不同月份的降水量值，在不改變年降水量的前提下，使月降水的月季分布更合理，對模式模擬月降水乘以1個系數，具體系數為1月：0.23，2月：0.32，3月：0.54，4月：0.84，5月：1.30，6月：1.93，7月：2.40，8月：2.10，9月：1.29，10月：0.72，11月：0.35，12月：0.19。

監測月降水量、模式模擬月降水量以及校正后的月降水量時間序列繪于圖2。可以看出，5套CMIP5模式降水數據與監測降水在均值上具有較好的一致性，在月季的變化趨勢上的一致性較差，但在加入校正系數后，校正值與監測值能夠較好的吻合。在1977年、1991年、1996年和1998年4個年份，模式模擬值明顯偏小，而在1971年、1972年、1982年和2000年模式模擬值又明顯偏大。關于1996年模擬降水數據異常問題也出現在過其他模型中，但CMIP5模式已明顯優化了輸入參數，1996年的降水量未出現太過跳躍性的異常。在異常情況中，GFDL-ESM2M模式對1977年的降水模擬較好，HadGEM3-RA模式在整體上與監測值的差值較小。

研究將1971—2000年平均劃分為3個不同的子時段，分別為：1971—1980年、1981—1990年和1991—2000年，對5種CMIP5模式降水數據分別計算在4個氣候區的平均年降水量及其與監測年平均降水量的偏差，結果見表2。可以發現：

(1) 從3個時段來看，監測年降水量是逐時段上升的，可以看出歷史年降水有上升的趨勢，在干旱區和半干旱區，5種CMIP5模式年降水量的偏差在1991—2000年時段明顯高于另外兩個時段，在濕潤區和半濕潤區，5種CMIP5模式年降水量的偏差在1971—1980年時段的偏差較大。

(2) 從4個氣候區來看，在干旱區5種CMIP5模式年降水量比監測降水量偏小20%左右，在半干旱區、半濕潤區和濕潤區，5種CMIP5模式降水數據比監測降水數據偏高，其中，在半干旱區偏高最嚴重，達到了80%，在濕潤區的CMIP5模式降水數據比監測降水數據偏高較小，在-0.5%～10%之間。

(3) GFDL-ESM2M在1971—1980年在濕潤區比監測值的偏大幅度遠超過1981—1990年的幅度，并且在1991—2000年比監測值偏小，偏小了0.5%；HadGEM3-RA與監測值的偏差比較接近平均水平，在半濕潤區1991—2000年的偏差要大于另外兩個時段；IPSL-CM5A-LR在濕潤區1971—1980年和1981—1990年2個時段的偏差值相差較大，達到了10.7%；MIROC-ESMCHEM和NorESM1-M整體偏差都比較大，但是在時段間的差別較小。

圖2 1971-2000年5個CMIP5模式和監測中國平均逐月降水量變化

2.1.2 CMIP5模式降水變化過程的趨勢性檢驗 研究對5個CMIP5模式月降水數據與監測月降水數據的變化趨勢進行對比分析，應用SK檢驗方法，對1971—2000年的5個CMIP5模式月降水數據與監測月降水數據做逐格點的趨勢檢驗，對檢驗的結果進行空間插值，見圖3。可以發現，依據監測降水數據，在0.1的顯著性水平下，內蒙古大部分地區以及松花江流域和遼河流域的交界處有局部的變干趨勢；在0.05顯著性水平下，珠江流域、新疆南部地區、長江流域和黃河流域的交界區域以及環渤海的部分地區有顯著的變干趨勢。整體來看，5種CMIP5模式的趨勢性與監測數據的趨勢性有較好的一致性，但是在部分地區存在一定的差異。GFDL-ESM2M模式在長江流域、西南諸河流域的南部地區、珠江流域以及內蒙古東部地區的趨勢與監測數據存在較大的差異，在這些區域的下降趨勢要強于監測數據；HadGEM3-RA模式在中國區大部分區域的趨勢與監測數據保持了很好的一致性，但是在新疆的北部地區、遼東半島區域、環渤海區域、長三角區域以及珠江流域的部分區域與監測數據存在差異；IPSL-CM5A-LR模式過度模擬了南方地區降水的下降趨勢；MIROC-ESMCHEM模式在長江流域中下游地區和東北的北部地區與監測數據的趨勢恰恰相反，監測數據在這兩個區域的趨勢為增加，而模式數據呈現顯著的下降趨勢；NorESM1-M模式在整個南方的趨勢性與監測數據的趨勢呈現相反的結果，尤其是在長江流域的西部地區和黃河流域的東部地區存在明顯的趨勢對立的現象，同時在新疆北部地區，模式數據呈現不顯著的下降趨勢，而監測數據在這個區域是顯著的上升趨勢。

同時，研究對4個氣候區月降水量的平均值與監測數據均值進行了SK檢驗，趨勢檢驗結果見表3。可以發現，監測數據在干旱區和半干旱區呈現顯著的上升趨勢，而在半濕潤區和濕潤區沒有顯著的變化趨勢。在4個氣候區來看，GFDL-ESM2M模式對干旱區的變化趨勢模擬較好，HadGEM3-RA模式在半干旱區的模擬效果更佳，在半濕潤區和濕潤區，HadGEM3-RA模式和監測數據都不存在顯著的變化趨勢，一致性較好。除此之外，GFDL-ESM2M模式和IPSL-CM5A-LR模式數據在濕潤和半濕潤區存在著較顯著的下降趨勢，與監測數據出入較大；NorESM1-M模式在半干旱區和干旱區的變化趨勢不明顯，這與監測數據顯著的上升趨勢是不一致的。與逐格點檢驗的結果一樣，HadGEM3-RA模式在中國區的大部分區域的趨勢模擬效果較好，只是在干旱區的模擬缺乏明顯的顯著性變化。

表2 4個氣候區不同時段監測年降水量均值及其與CMIP5模式年降水量均值的偏差 mm

注:偏差=CMIP5數據-監測數據。

圖3 CMIP5模式數據與監測降水數據的趨勢檢驗結果空間分布

模式干旱區τp半干旱區τp半濕潤區τp濕潤區τpGFDL-ESM2M0.0950.017**-0.0750.099*-0.1120.035**-0.1960.059*HadGEM3-RA0.1580.1570.1010.033**0.0360.217-0.0470.194IPSL-CM5A-LR0.0840.231-0.0760.145-0.1340.057*-0.0580.098*MIROC-ESMCHEM0.0650.3340.0830.043**0.3150.1860.0130.232NorESM1-M-0.0710.1260.1070.2370.0780.094*-0.0520.121監測0.1060.004**0.0910.012**0.0240.384-0.0450.214

注：τ值的正負代表上升或下降；p值的*表示在0.1顯著性水平下存在趨勢，**表示在0.05顯著性水平下存在趨勢。

2.2 CMIP5模式數據與監測數據的相關分析與誤差分析

2.2.1 相關分析 在時間和空間兩個尺度上，對CMIP5模式數據與監測數據進行相關分析，在時間上，逐月計算CMIP5模式數據與監測數據整個研究區降水數據的相關系數；從空間上，逐格點計算1971—2000年CMIP5模式降水數據時間序列與監測時間序列數據的相關系數，并作分析。

(1) 與監測數據相關性的時間變化特征。在相關性的時間變化特征上，首先計算了5個CMIP5模式數據和監測降水數據在整個中國區域的相關系數的逐月時間序列(圖4)，對相關系數時間序列進行SK趨勢檢驗和分時段均值的統計，見表4。可以看出：(1) 5個CMIP5模式數據和監測降水數據在各時間段的相關系數的平均值在0.4以上，HadGEM3-RA的相關系數在不同的時段分別大于其他模式。(2) 5個CMIP5模式數據和監測降水數據都有明顯的季節特征，除MIROC-ESMCHEM 模式外，其他4種模式在10—3月和6—8月均有較高的相關性，在4—5月和9—10月相關性較低，HadGEM3-RA模式的各月均值高于其他模式，而NorESM1-M模式的季節波動幅度較小。(3)5個CMIP5模式在1971—1980年時段和1991—2000年時段的相關系數要高于1981—1990年的相關性。

圖4 不同月份CMIP5模式降水數據與監測數據的相關系數

(2) 與監測降水數據相關性的空間變化特征。在相關性的空間變化特征上，計算了1971—2000年5個CMIP5模式數據和監測降水數據的逐格點的相關系數，相關系數的空間分布見附圖4，可以看出，5個CMIP5模式數據和監測降水數據的相關系數空間分布具有一致的格局，即由東北向西南的斜線區域較大，這一區域的相關系數基本在0.8以上。對于整個中國區而言，約60%面積的r值在0.6以上。其中，GFDL-ESM2M模式下大部分區域的相關系數在0.8以上，尤其是在中部、華北和東北地區；HadGEM3-RA模式在東部沿海地區和東北北部地區的相關系數較大；IPSL-CM5A-LR和GFDL-ESM2M模式的情況比較相近，但r值較大的區域面積要小于GFDL-ESM2M；MIROC-ESMCHEM模式在內蒙古中部地區的相關系數很低；NorESM1-M模式的整體比較平均，在西南和華北地區的相關系數比較大，在0.8以上。

表4 中國區CMIP5模式降水數據與監測降水數據的相關系數時間序列SK趨勢檢驗

2.2.2 誤差分析 誤差分析以監測年降水數據為基準，采用3個指標：DAVE，ERA及ERMS，對CMIP5模式數據進行誤差分析。與相關分析類似，也從時間與空間兩個角度進行誤差分析。時間上，逐月計算CMIP5模式數據與監測數據在整個中國區所有格點的降水數據的誤差值；空間上，逐格點計算在1971—2000年CMIP5模式時間序列數據與監測時間序列數據的各誤差指標。5種CMIP5模式數據與監測數據逐格點的DAVE，ERA及ERMS空間分布見附圖5—7。由于在青藏高原南側地面氣象站點較少，其監測格點數據以內陸的站點為基準輻射過去的，而青藏高原南麓受喜馬拉雅山系的影響為熱帶氣候，降水極其豐富，因而監測數據未能真正反映其真實降水。同時CMIP5模式考慮了氣候影響，在其區域模擬的降水量屬正常范圍，從而造成監測降水與模式模擬降水的絕對誤差較大。本研究拋開青藏高原南麓區域，對內陸區域進行空間分析。

從偏差均值(DAVE)來看附圖5，5種CMIP5模式的空間分布呈現相似的空間分布，約80%的區域偏差均值在-20～20 mm之間，且從北到南誤差有逐漸減小的趨勢，但是靠近海南島的區域偏差均值較大。除去青藏高原南麓區域，HadGEM3-RA模式在整個中國區的誤差值較小，且誤差的低值區面積占總面積的85%左右，尤其在東三省的誤差較其他4種模式明顯小。在長江流域和東南諸河流域地區，HadGEM3-RA模式的偏差均值較其他4種模式波動幅度較小，模擬低估東南諸河流域年降水最大可達500 mm。

從相對絕對誤差(ERA)來看附圖6，受氣象站點分布的影響，出青藏高原南麓區域外，在塔克拉瑪干沙漠地區，相對絕對誤差也出現了極大的現象，最大可達1 300%。整體而言，相對絕對誤差在空間上從東南到西北呈現增加的趨勢。GFDL-ESM2M模式在松花江流域的誤差較小，1/2的區域處于小于0.2的范圍內，而在新疆北部地區的誤差高于其他模式；HadGEM3-RA模式在全國范圍的誤差值空間差異較小，尤其在新疆和西藏地區的誤差明顯小于其他模式；IPSL-CM5A-LR，MIROC-ESMCHEM 和NorESM1-M3個模式在長江中上游的誤差值較小，NorESM1-M模式在西藏地區的誤差較小。

從均方根誤差(ERMS)來看附圖7，5種CMIP5模式的均方根誤差在空間上呈現由西北到東南沿海逐漸增大的趨勢，在東南沿海的部分區域均方根誤差可達到400 mm，而在西北的大部分區域均方根誤差均在50 mm以內。在誤差的高值區內，HadGEM3-RA和IPSL-CM5A-LR模式的誤差值明顯小于其他3種模式，尤其以HadGEM3-RA更優；但是在華北和東北地區，IPSL-CM5A-LR模式的誤差值更小。

進一步計算了3個誤差指標在中國區的逐月變化序列，由圖5可以看出：從偏差均值來看，HadGEM3-RA模式最小，且各月份偏差均值均小于0，但是GFDL-ESM2M，MIROC-ESMCHEM 和NorESM1-M3種模式存在著明顯的季節性差異，在6—8月份的誤差值遠遠高于平均值，而GFDL-ESM2M模式基本在0上下浮動，且波動幅度小于0.1。從相對絕對誤差來看，5種CMIP5模式均存在季節性差異，在10—3月份的相對絕對誤差均在0.2以上，在5—9月份的誤差均小于0.1。5種模式與監測數據的誤差值區別不大，而IPSL-CM5A-LR的偏差略高于另外4個模式，而HadGEM3-RA模式在夏秋季節的誤差小于其他模式。

從均方根誤差來看，5種模式在6—9月份的誤差出現異常增大，而其他月份均小于7 mm。在1—2月和9—12月，5種模式的誤差值相差不大；在3—5月期間，IPSL-CM5A-LR誤差較小，為7～8 mm；在5—7月，HadGEM3-RA模式的誤差較小，在9～11 mm之間；在7—9月，GFDL-ESM2M和NorESM1-M模式幾乎沒有差異，同時誤差都很小，在7～10 mm范圍內。

圖5 CMIP5模式數據DAVE，ERA及ERMS的逐月變化

2.3 CMIP5模式降水數據質量的總體評價

通過對5種CMIP5模式降水數據與監測降水數據的逐月時間序列的對比，對逐格點年降水的相關分析和誤差分析，并對相關分析和誤差分析的SK趨勢性進行了對比分析，可以得出如下結果：5種CMIP5模式模擬年降水數據在逐格點的偏差上，較監測降水均有超過20%的高估，其中以HadGEM3-RA模式的高估率最小，為21.4%，在對年降水的應用上應對高估部分進行處理。模式模擬月降水數據在季節上與監測降水存在明顯的差異性，在引入經驗系數后，這種差異明顯減小，其中，校正后的月降水數據以GFDL-ESM2M模式最優，HadGEM3-RA處于其次，2種模式的模擬月降水數據用于對未來干旱的預估較為準確。綜合相關分析和誤差分析的結果，對于未來中國干旱時空特征的評估，研究選取HadGEM3-RA模式模擬降水數據。

3 結 論

研究對5種CMIP5模式模擬降水數據進行系統性評估，分析了CMIP5模式模擬降水數據在中國區的適用性。針對CMIP5模式模擬降水數據與中國地面監測降水數據所反映的中國降水趨勢變化的時間和空間特征，在數據相關性、誤差和趨勢一致性3個角度，采用相關系數(r)，偏差均值(DAVE)，相對絕對誤差(ERA)和均方根誤差(ERMS)4個指標和M-K或SK趨勢檢驗2種趨勢檢驗方法相結合的系統評估方法能夠有效地系統性地評估5種CMIP5模式模擬數據與監測數據的一致性、吻合度以及在區域上的差異。

5種CMIP5模式模擬中國區年降水高于監測數據均超過20%，通過經驗校正，在保證年降水不發生變化的情況下，使模擬降水數據與監測數據在逐月的相關性大大提高，不確定性大大降低。對5種模式模擬數據的綜合評價顯示，最適合模擬中國區降水的模式是HadGEM2-ES模式。對模式輸出結果的系統性評估，為研究合理選擇、校正和使用CMIP5數據集提供理論和技術參考。系統評估CMIP5模式對中國降水的模擬能力，改進系統評估技術，不僅有助于更好地理解模式本身的發展和局限，也為模式開發者以及模式結果的應用提供技術參考和理論依據。

[1] 陳曉晨. CMIP5全球氣候模式對中國降水模擬能力的評估[D].北京:中國氣象科學研究院,2014.

[2] 張武龍,張井勇,范廣洲. CMIP5模式對我國西南地區干濕季降水的模擬和預估[J].大氣科學,2015,39(3):559-570.

[3] Meehl G A, Covey C, McAvaney B, et al. Overview of the coupled model intercomparison project[J]. Bulletin of the American Meteorological Society, 2005,86(1):89-93.

[4] Taylor K E, Stouffer R J, Meehl G A. An overview of CMIP5 and the experiment design[J]. Bulletin of the American Meteorological Society, 2012,93(4):485-498.

[5] Huo-Po C, Jian-Qi S U N, Xiao-Li C. Future changes of drought and flood events in China under a global warming scenario[J]. Atmospheric and Oceanic Science Letters, 2013,6(1):8-13.

[6] Kharin V V, Zwiers F W, Zhang X, et al. Changes in temperature and precipitation extremes in the CMIP5 ensemble[J]. Journal of Climate, 2013,119(2):345-357.

[7] Zhang X, Tang Q, Zhang X, et al. Runoff sensitivity to global mean temperature change in the CMIP5 Models[J]. Geophysical Research Letters, 2014,41(15):5492-5498.

[8] Taylor K E, Stouffer R J, Meehl G A. An overview of CMIP5 and the experiment design[J]. Bulletin of the American Meteorological Society, 2012,93(4):485-498.

[9] 許崇海,沈新勇,徐影. IPCC AR4模式對東亞地區氣候模擬能力的分析[J].氣候變化研究進展,2007,3(5):287-292.

[10] 劉敏,江志紅.13個IPCC AR4模式對中國區域近40a氣候模擬能力的評估[J].南京氣象學院學報,2009,32(2):256-268.

[11] 魯向暉,白樺,呂婭，等.江西省歷史氣象分析及未來氣候變化預測[J].水土保持研究,2015,22(4):293-297.

[12] 許崇海,羅勇,徐影.全球氣候模式對中國降水分布時空特征的評估和預估[J].氣候變化研究進展,2010,6(6):398-404.

[13] Xu Y, Xu C H. Preliminary assessment of simulations of climate changes over China by CMIP5 multi-models[J]. Atmos. Oceanic Sci. Lett.,2012,5(6):489-494.

[14] 梁豐,劉丹丹,王婉昭，等.1961—2013年東北地區夏季降水變化趨勢分析[J].水土保持研究,2015,22(4):67-73.

[15] 陳曉晨,徐影,許崇海,等. CMIP5全球氣候模式對中國地區降水模擬能力的評估[J].氣候變化研究進展,2014,10(3):217-225.

[16] 李振朝,韋志剛,呂世華,等. CMIP5部分模式氣溫和降水模擬結果在北半球及青藏高原的檢驗[J].高原氣象,2013,32(4):921-928.

[17] Shen Yan. Interpolation Methods of China Daily Precipitation Data[J]. Journal of Applied Meteorological Science, 2010(3):279-286.

[18] 沈艷,馮明農,張洪政,等.我國逐日降水量格點化方法[J].應用氣象學報,2010,21(3):279-286.

[19] Zhao Y, Zhu J, Xu Y. Establishment and assessment of the grid precipitation datasets in China for recent 50 years [J]. J. Meteorol. Sci., 2014,34:414-420.

[20] 趙煜飛,朱江,許艷.近50a中國降水格點數據集的建立及質量評估[J].氣象科學,2014,34(4):414-420.

[21] Piani C, Weedon G P, Best M, et al. Statistical bias correction of global simulated daily precipitation and temperature for the application of hydrological models[J]. Journal of Hydrology, 2010,395(S3/4):199-215.

[22] Hagemann S, Chen C, Haerter J O, et al. Impact of a statistical bias correction on the projected hydrological changes obtained from three GCMs and two hydrology models[J]. Journal of Hydrometeorology, 2011,12(4):556-578.

[23] Shepard D. A two-dimensional interpolation function for irregularly-spaced data[C]∥ACM National Conference. ACM,1968:517-524.

[24] Watson D F. A refinement of inverse distance weighted interpolation[J]. Geo-Processing, 1985,2:315-327.

[25] 曾紅偉,李麗娟,張永萱,等.大樣本降水空間插值研究:以2009年中國年降水為例[J].地理科學進展,2011,30(7):811-818.

[26] 李正泉,吳堯祥.顧及方向遮蔽性的反距離權重插值法[J].測繪學報,2015,44(1):91-98.

[27] Xu Z X, Takeuchi K, Ishidaira H. Monotonic trend and step changes in Japanese precipitation[J]. Journal of Hydrology, 2003,279(1/4):144-150.

[28] Yu Y S, Zou S, Whittemore D. Non-parametric trend analysis of water quality data of rivers in Kansas[J]. Journal of Hydrology, 1993,150(1):61-80.

[29] Kahya E, KalayclS. Trend analysis of streamflow in Turkey[J]. Journal of Hydrology, 2004,289(1/4):128-144.

[30] 符淙斌,馬柱國.全球變化與區域干旱化[J].大氣科學,2008,32(4):752-760.

EvaluationontheApplicabilityof5KindsofCMIP5SimulatedPrecipitationDatainChina

GAO Feng1, CAI Wanyuan2, ZHANG Yuhu1, LEI Xiaohui3, XIA Fuqiang4

(1.CollegeofResources,EnvironmentandTourism,CapitalNormalUniversity,Beijing100048,China;2.InstituteofRemoteSensingandGeographicInformationSystem,SchoolofEarthandSpaceSciences,PekingUniversity,Beijing100871,China; 3.StateKeyLaboratoryofSimulationandRegulationofWaterCycleinRiverBasin,ChinaInstituteofWaterResourceandHydropowerResearch,Beijing100038,China;4.XinjiangInstituteofEcologyandGeography,ChineseAcademyofSciences,Urumqi830011,China)

Affected by climate change, water shortage is serious and natural disasters occurring frequently. Effective forecasting and assessment on the future state of water resources will provide theoretical and decision-making reference for the rational allocation of water resources. Global climate models are the main means of large-scale simulation and prediction for future precipitation. However, the quality of model data and the suitability of different research area need a systematic assessment. Based on the monitoring precipitation data from 2474 meteorological stations during the period from 1971 to 2000 in China, we performed the systematic assessment on the simulated precipitation data from five CMIP5 models (0.5°×0.5° resolution), and analyzed applicability of the simulated precipitation data of CMIP5 model in China. Comparative analysis was conducted to detect the characteristics of temporal and spatial variation trend of precipitation data of five CMIP5 model and meteorological stations in China from 1971—2000. Empirical correction on monthly precipitation data from CMIP5 models was conducted and systematic assessment of data quality of the corrected data was also performed using the correlation coefficient (r), the average deviation (DAVE), relative absolute Error (ERA) and the root mean square error (ERMS) indicators in aspects of data consistency and the ability to describe the trend for China region. Annual precipitation simulated from five CMIP5 models in China was higher than the monitoring data by more than 20%, however, by empirical correction, the error of monthly precipitation data with monitoring data was greatly reduced. Results of evaluation for five CMIP5 models show that the most suitable model for China is HadGEM2-ES model. Systematic assessment for model data can provide theoretical and technical reference for the rational choice, correction and application of CMIP5 data set.

climate change; CMIP5 model; drought index; systematic assessment; spatial and temporal characteristics of drought; water resources management

P426.6

A

1005-3409(2017)06-0122-09

2016-12-23

2017-01-18

中國清潔發展機制基金贈款項目(2014092,2014108);國家科技支撐計劃課題(2012BAC19B0305);國家自然科學基金面上項目(11231010,11471223)

高峰(1994—),男,山東省濰坊市寒亭區人,碩士研究生,主要從事水風險評價等方面的研究。E-mail:gfcnu2016@163.com

張玉虎(1975—),男,江蘇省徐州市人,博士,副教授,主要從事環境系統分析及風險評估研究。E-mail:zhang_yuhu@163.com