CAS-ESM模式對歐亞大陸逐日降水特征的數值模擬：物理參數化方案和水平分辨率的影響

孔祥慧 王愛慧 畢訓強 李星雨 張賀

1 中國科學院大氣物理研究所竺可楨—南森國際研究中心，北京 100029

2 中國科學院大氣物理研究所氣候變化中心，北京 100029

3 中國科學院大氣物理研究所大氣科學和地球流體力學數值模擬國家重點實驗室，北京 100029

4 重慶市巴南區氣象局，重慶 401320

5 中國科學院大氣物理研究所國際氣候與環境科學中心，北京 100029

1 引言

降水是地球水循環過程最重要的組成之一。通常降水對自然環境和人類社會都有積極的作用，但在極端條件下可能帶來自然災害與風險。例如，連續的降水不足可能導致干旱，持續的強降水可能可引發洪水（Pendergrass and Knutti,2018）。降水的特征（如降水量、頻率、強度和日變化等）發生異常時，會給農業、工業、水利和交通等產生巨大影響（黃榮輝等,2006）。在全球氣候變化的背景下，降水頻率、強度和極端降水等特征在全球或局地尺度上都可能發生變化（Trenberth et al.,2003）。因此，在全球或局地尺度上深入研究降水和極端降水的特征及變化規律，有助于認識和理解降水發生及發展的物理過程，從而對防災減災、水資源管理和降低風險提供重要的科學依據。

數值模式是氣候變化及其演變規律的重要研究工具之一，已被廣泛用于各種研究中，如古氣候的重建（如Kutzbach et al., 1989;蘇寶煌等,2018）、當代氣候的模擬和預測（如Xue et al.,2001;Li et al.,2007;李星雨等,2018）以及未來氣候變化的預估（如姜大膀等,2004;Ding et al.,2007;Duan et al.,2019;Luo et al.,2020）等領域。在全球或區域尺度上，數值模式能提供時空連續的降水資料，從而能細致地研究降水及其特征的規律和變化。隨著現代科學技術的發展、氣象觀測站分布的日趨完善和數值模式能力的不斷提高，已有不少研究通過與觀測資料的對比和分析，評估和檢驗模式模擬的降水特征（如Sun et al.,2006;Zhang and Zhai,2011;宇如聰等,2014;吳佳等,2015;Miao et al.,2016;楊萍等,2017;Han et al.,2019;Zhou et al.,2019;Kong et al.,2020）。在數值模式中，涉及降水模擬的物理過程十分復雜，包括空間分辨率、積云對流過程、云微物理過程、輻射傳輸過程、陸面蒸發和潛熱過程等（Dai,2006）。這些復雜的過程會在不同程度上影響數值模式對降水特征（如降水量、頻率和強度等）和極端降水的模擬性能。例如，Sun et al.（2006）利用全球模式的逐日降水結果與觀測資料分析發現，模式能較好地再現平均降水量的空間分布，但模擬的降水偏多，高估了小雨的頻率，低估了強降水的強度。目前，數值模式對降水特征的模擬能力有限，模擬性能還有待提高（Yuan et al.,2013）。通常，全球模式中水平分辨率較粗，這可能是在降水研究中的不確定性來源之一。通過增加全球模式整體或局部空間分辨率，可以更好地刻畫與降水有關的地形、土地利用和海岸線等中尺度過程的細節，提高模式的模擬性能（如Wu et al., 2017）。然而，也有許多研究指出，僅僅提高全球模式的水平分辨率，并不是總能改善或提高降水氣候態、日變化和雙赤道輻合帶（double ITCZ）現象等的模擬性能（Yuan et al.,2013;Bacmeister et al.,2014），關鍵是減少存在于降水相關的物理過程參數化方案中的不確定性問題（Williamson and Olson,2003;宇如聰等,2014）。

2 試驗設計、資料和方法

本研究使用中國科學院大氣物理研究所自主研發的CAS-ESM模式1.0版本，它是由中國科學院大氣物理研究所內/外聯合團隊開發的模式。其中大氣分量模式是IAPAGCM 4.1版本，動力框架采用有限差分格式（Finite-difference dynamical core），水平分辨率可選用典型分辨率1.4°×1.4°和高水平分辨率0.5°×0.5°，物理過程選用不同的參數化方案，其他模式細節參考Zhang et al.（2013）。此外，本研究還使用了美國國家大氣研究中心（NCAR）研發的CESM模式（1.2.2版本），以更好地對比分析CAS-ESM模式的模擬性能。本研究共設計了四組試驗，如表1所示。其中，第一組試驗（記為CESM）使用NCAR CESM模式，水平分辨率為1.9°×2.5°，物理過程采用美國國家大氣研究中心發展的CAM5（Community Atmosphere Model version 5）的物理參數化方案；第二至第四組試驗均使用了CAS-ESM模式，其中第二組試驗（記為Lcam4）水平分辨率為1.4°×1.4°，物理過程采用美國國家大氣研究中心發展的CAM4（Community Atmosphere Model version 4）的物理參數化方案組合；第三組試驗（記為Lcam5）的水平分辨率也為1.4°×1.4°，但物理過程采用的是CAM5的物理參數化方案；第四組試驗（記為Hcam5）的水平分辨率為0.5°×0.5°，物理過程采用CAM5的物理參數化方案。在垂直方向上，CESM的模式層數為30層，模式層頂氣壓為2.9 hPa。在CAS-ESM模式進行的試驗中，Lcam4試驗的模式層數為26層，Lcam5和Hcam5的模式層數都是30層，模式層頂氣壓為2.2 hPa。圖1給出了本文選取的研究區域和不同試驗的地形高度場。圖1顯示，水平分辨率越高，對地形的描述越細致。此外，圖1a中還選了四個子區域：南歐地區（SEU）、印度半島（IND）、亞洲東南部（SEA）和亞洲東北部（NEA），以供后文更細致地分析。

圖1 研究區域和（a）CESM、（b）Lcam4和Lcam5、（c）Hcam5試驗的地形（填色，單位：m）。圖1 a中SEU、IND、SEA、NEA表示南歐、印度半島、亞洲東南部、亞洲東北部Fig.1 Model domain and topography(shadings,units: m)for experiments(a)CESM[NCAR CESM(Community Earth System Model, National Center for Atmospheric Research)with the CAM5(Community Atmosphere Model version 5) packageat a resolution of 1.9°×2.5°],(b)Lcam4 [CASESM with the CAM4(Community Atmosphere Model version 4) package at a resolution of 1.4°×1.4°]and Lcam5(CAS-ESM with the CAM5 package at a resolution of 1.4°×1.4°),(c)Hcam5(CAS-ESM with the CAM5 package at a resolution of 0.5°×0.5°).In Fig.1a,the red boxes denote the four sub-regions:SEU (South Europe),IND(India Peninsula),SEA (South and East Asia), NEA (North and East Asia)

表1 CAS-ESM模式的四組試驗設置Table 1 Design of four experiments for CAS-ESM(Earth S ystem Model,Chinese Academy of Sciences)

CAM4和CAM5物理過程參數化方案組合配置見表2。這兩個參數化方案的組合均使用Zhangand McFarlane（1995）提出的深對流方案，它們主要的區別是使用了不同的淺對流、云微物理過程、邊界層湍流和輻射傳輸過程。四組試驗的模擬時間均為1996～2016年，其中1996～1997年是spin up時間。CESM的時間步長是1800 s，Lcam4和Lcam5的時間步長是1200 s，Hcam5的時間步長是900 s。利用NCAR CESM和CAS-ESM，本文開展的試驗類型是AMIP（global Atmospheric Model Intercomparison Project,Gates,1992）。在海洋上，利用Hurrell et al.（2008）提出的方法，將Hadley中心的月平均海溫/海冰（Rayner et al., 2003）和NOAA的每周平均海溫資料（Reynolds et al.,2002）合并計算所得的結果作為下邊界條件。在陸地上，四組試驗的陸面過程分量模式均使用CLM4.5（Community Land Surface model,Oleson et al.,2013）模式。

表2 CAM4和CAM5的物理參數化方案組合配置Table 2 Description of physical parameterization schemes in CAM4(Community Atmosphere Model version 4)and CAM5(Community Atmosphere Model version 5)

為了驗證模式的模擬結果，并分析水平分辨率及物理過程參數化方案對逐日降水特征的影響，本文采用了以下觀測資料：（1）1998～2016年逐日的GPCC（Global Precipitation Climatology Centre）降水資料（Schamm et al.,2014），分辨率為1°×1°；（2）CMORPH（CPC MORPHing）衛星觀測降水資料（Joyce et al.,2004;Xie et al.,2017），其空間分辨率為0.07275°（緯度）×0.07277°（經度），時間分辨率為30 min。在本文的分析中，CMORPH處理成逐日資料進行分析，其覆蓋范圍是南北緯60°之間。由于GPCC、CMORPH、CESM和CAS-ESM模擬的降水空間分辨率不同，本文將所有資料都利用守恒算法插值到1°×1°的水平格點上進行分析和比較。特別說明，盡管降水的特征（降水量、頻率和強度）會受到時間和空間分辨率的影響（Chen and Dai,2018），但本文的主要結論并不受分辨率的不同而改變。因此，考慮篇幅，本文僅呈現了1°×1°的結果。

降水事件的定義為：逐日降水量≥0.5 mm（可測量的降水）表明發生了降水。基于此，本文中平均降水量（單位：mm d?1）的定義是1998～2016年累積總降水量與總日數的比值；平均降水頻率（單位：d）是1998～2016年年平均的有效降水總日數；平均降水強度（單位：mm d?1）是1998～2016年年平均的有效降水總量除以總日數。針對極端降水的強度和頻率，采用了世界氣象組織（WMO）氣候變化檢測/指標專家組（ETCCDI）定義的日最大降水量（Rx1day）和大雨日數（R25；日降水量超過25 mm的天數）分別表示，它們在前人的許多研究中已經被使用（如Easterling et al.,2000;Zhou et al.,2014;吳佳等,2015）。

3 結果和分析

3.1 平均降水量、頻率和強度

圖2給出了GPCC和CMORPH多年（1998～2016年）年平均降水量空間分布（圖2a、b）；CESM和CAS-ESM模擬的降水分別與GPCC的偏差分布（圖2d–f）；Lcam4、Hcam5分別與Lcam5的平均降水量差異場（2g、h）。從圖2a和2b可以發現，受季風或地形的影響，GPCC和CMORPH的降水主要位于亞洲東部和南部、歐洲地中海北岸的陸地和大西洋東岸。強降水中心出現在中國東南沿海、南亞東部、印度半島西岸、青藏高原南麓和阿爾卑斯山周圍。CESM的降水整體比GPCC偏大，尤其是在俄羅斯遠東、中國大部、印度半島南部和阿拉伯半島南部地區。其中在青藏高原南部和東部地區，CESM的降水明顯偏多。與之相反，在中國東南沿海、東南亞、印度半島北部和歐洲南部地區，CESM的降水偏少。CAS-ESM模擬的平均降水量比GPCC偏高，但與CESM的偏差分布有明顯區別。例如，在中國，CESM的降水正偏差比CASESM的結果更明顯。Lcam5與GPCC的降水偏差（0.02 mm d?1）顯然比CESM與GPCC的偏差（0.18 mm d?1）更小。CAS-ESM的不同試驗也有明顯的區域性特征和差異。兩組低分辨率試驗Lcam4（圖2d）和Lcam5（圖2e）模擬的降水量在歐亞大陸最東端鄂霍茨克海周圍、青藏高原四周、斯堪的維亞半島西岸都偏大。然而，與Lcam5相比，Lcam4的降水量在印度半島、伊朗高原、阿拉伯半島和歐洲大部分地區、西西伯利亞平原到貝加爾湖地區明顯更強（圖2d、e、g）。當水平分辨率從1.4°提高到0.5°后，Hcam5顯然減小了Lcam5中在歐洲、西西伯利亞平原、貝加爾湖周圍地區和青藏高原南部降水量的負偏差（圖2f），提高了模式的模擬性能。在青藏高原地區、中國華北和東北地區，Hcam5的降水量呈現為正偏差。在青藏高原南側，Lcam4和Lcam5都是降水負偏差，而在Hcam5中負偏差覆蓋的區域明顯減小。

圖2 1998～2016年多年平均降水量（單位：mm d?1）分布：（a）GPCC；（b）CMORPH；（c）CESM、（d）Lcam4、（e）Lcam5、（f）Hcam5與GPCC的偏差場；（g）Lcam4、（h）Hcam5與Lcam5的差異場。圖右上角的數值是區域平均值Fig.2 Spatial distributions of mean precipitation(units:mm d?1)derived from(a)GPCC(Global Precipitation Centre)data,(b)CMORPH[Climate Prediction Center(CPC)MORPHing]data, the differences between schemes(c)CESM,(d)Lcam4,(e)Lcam5,(f)Hcam5 and GPCC,differences between (g)Lcam4,(h)Hcam5 and Lcam5 during 1998–2016.Area-weighted averaged valueof precipitation amount or biases are shown in theupperright of each panel

圖3展示了GPCC和CMORPH降水頻率的氣候態分布、以及四組模擬的偏差分布。從圖3a、b可以看出，在中國南方地區、印度半島東部和南亞半島，降水頻率相對較大，超過了100天。在歐亞大陸約40°N以北的廣大地區，出現降水的平均日數亦超過100天，部分沿海的地區甚至超過了200天（圖3a）。降水日數相對較少的地區位于中國西北地區、伊朗高原和阿拉伯半島。與GPCC相比，CMORPH的降水日數整體呈現偏少的分布，尤其是在歐洲地區、亞洲50°～60°N之間的緯度帶、中國南部和東南亞地區。從圖3c可以看出，在歐亞大陸大多數地區CESM的降水頻率比GPCC更高，尤其是在青藏高原地區。CAS-ESM也高估了歐亞大陸逐日降水的頻率，但與CESM的偏差分布不同。例如，在青藏高原地區，CAS-ESM模擬的降水頻率與GPCC的偏差比CESM對應的偏差明顯更小。在使用CAM5的物理參數化組合方案下，CESM在歐洲東部和亞洲東北部的降水頻率偏差為正；而CAS-ESM在這些地區的降水頻率偏差為負。在歐洲地區、鄂霍茨克海北部和亞洲東南部，Lcam4的降水頻率（圖3d）明顯偏大（最大正偏差超過了70天）。在歐洲和西西伯利亞地區，Lcam5模擬的降水日數（圖3e）比GPCC更少，但在其他地區（如中國東部、印度半島）則偏多。從圖3g可知，物理參數化方案由CAM4變為CAM5后，模式模擬的降水日數在歐亞大陸北部、阿拉伯半島和伊朗高原均增加，但在中國東部地區則減少，后文將分析原因。水平分辨率提高后，盡管Hcam5模擬的降水日數比GPCC更多，但它減小了歐洲和西西伯利亞平原的負偏差，同時也減小了中國東部和青藏高原地區降水日數的正偏差（圖3f、h）。比較圖3d–h，可以發現物理參數化方案對歐亞大陸中高緯地區的降水日數影響較為顯著，而水平分辨率則對地形顯著的地區和中國東部地區的降水頻率的結果有較大影響。

圖3 同圖2 ，但為1998～2016年多年平均降水頻率（單位：d）分布Fig.3 As in Fig.2,but for mean precipitation frequency (units:d)during 1998–2016

圖4展示了GPCC和CMORPH降水強度的氣候態分布、以及四組試驗的偏差分布結果。GPCC和CMORPH的降水強度空間分布整體接近。與GPCC相比，CMORPH衛星觀測的降水強度整體偏強。CESM的降水強度在阿拉伯半島南部和青藏高原南部與東部偏強，其余地區的降水強度則偏弱（圖4c）。與CESM相比，Lcam5的降水強度與GPCC的負偏差更大，這表明其降水強度比CESM更弱。除了在歐亞大陸最東邊的半島和青藏高原四周，CAS-ESM的降水強度均小于GPCC的降水強度（圖4d–f）。在低分辨率下，Lcam4（圖4d）和Lcam5（圖4e）模擬的降水強度偏差分布十分相似。提高水平分辨率后，即Hcam5（圖4f）模擬的降水強度負偏差整體上都減小，偏差顯然比Lcam4和Lcam5都更弱，模擬性能得以改善。從圖4中可以看出，與降水頻率不同的是，利用CAS-ESM進行數值試驗時，物理參數化方案的改變對降水強度的影響相對較小；而水平分辨率對降水強度的影響相對較大，尤其是在歐洲、印度、中國東部和俄羅斯南部貝加爾湖所處的緯度帶區域。

圖4 同圖2 ，但為1998～2016年多年平均降水強度（單位：mm d?1）分布Fig.4 As in Fig.2,but for mean precipitation intensity (units:mm d?1)during 1998–2016

3.2 極端降水頻率和強度

圖5給出了GPCC和CMORPH在1998～2016年多年平均日最大降雨量（Rx1day）空間分布，以及四組試驗分別與GPCC的偏差分布。GPCC和CMORPH兩種觀測顯示，Rx1day的空間分布與降水強度十分相似。在亞洲東部、南部以及歐洲地中海北岸Rx1day較大，中國西北內陸、咸海周圍地區和歐亞大陸北邊界地區對應的值較小。在中國東南沿海、青藏高原南麓和印度半島等地區Rx1day都達到了80 mm以上，但在中國西北地區卻不足8 mm。CESM的結果顯示，在俄羅斯遠東地區、中國中西部和阿拉伯半島南部，Rx1day的偏差為正，其余地區為負。與CESM相比，CASESM在中國中部地區的正偏差更小，但在亞洲南部的負偏差更大。Lcam4和Lcam5的結果顯示（圖5d、e），二者表征的Rx1day與GPCC的偏差分布相似：在鄂霍茨克海周圍的陸地、青藏高原和伊朗高原一些地區存在正偏差，其他地區則是負偏差。在印度半島的兩組試驗的差異相對明顯（圖5g）。提高分辨率后，Hcam5的結果（圖5f）顯然與另外三組低分辨率的試驗結果不同，它有效減小了CESM、Lcam4和Lcam5模擬的負偏差。然而，在亞洲東北部和青藏高原，它模擬的Rx1day為正偏差，在印度半島和南亞是負偏差。總體而言，Hcam5模擬的Rx1day比Lcam5的更大（圖5h），從而減小了Lcam5的負偏差。因此，水平分辨率提高后，極端降水強度的模擬性能提高，這與前人的研究結論一致（Zarzycki et al.,2014;Kong et al.,2020）。此外，對比圖4和圖5可以發現，降水強度和日最大降水量的空間分布十分相似。同樣的，水平分辨率的改變對Rx1day的影響相對明顯，而物理參數化方案的影響相對較小。

白新歡提出馬克思共產主義思想具有科學、現實和哲學三個基本維度，其中前兩個維度使共產主義成為科學。他同時強調了馬克思人道主義思想是共產主義思想的重要出發點。[12]

圖5 同圖2 ，但為1998～2016年多年平均日最大降水量（Rx1day，單位：mm）分布Fig.5 Asin Fig.2, but for mean maximum daily precipitation (Rx1day, units:mm)during 1998–2016

圖6給出了不同數據表征的降水量超過25 mm的大雨日數（R25）的氣候態分布和偏差分布。由GPCC和CMORPH可知，印度半島、南亞東部、中國南部和日本等地區的R25均超過了20天，阿爾卑斯山脈周圍地區能達到12天。CESM的R25在青藏高原南部和東部明顯比GPCC偏多，正偏差可達11天以上；在秦嶺淮河一帶CESM的R25也偏多。在歐洲、印度、東南亞和中國東南沿海地區，CESM的R25比GPCC偏小。CAS-ESM的模擬偏差分布與CESM分布類似，但存在區域差異。例如，在秦嶺淮河一帶，與GPCC相比，CESM的R25偏多，CAS-ESM的R25整體偏少。Lcam4（圖6d）和Lcam5（圖6e）模擬的R25偏差分布十分相似，在歐洲和亞洲南部均比GPCC的更小。比較而言，在印度半島、中國南方地區和東南亞，Lcam4比Lcam5的R25更大，最大可達5天以上的差異（圖6g）。在青藏高原、中國東北和外大興安嶺地區，Hcam5模擬的R25（圖6f）比GPCC更大。在歐洲地區、印度半島、東南亞和中國南部，Hcam5模擬的R25和前面低分辨率的結果一致的偏小，但Hcam5明顯減小了負偏差（圖6h）。

圖6 同圖2 ，但為1998～2016年多年平均大雨日數（R25，單位：d）分布Fig.6 As in Fig.2,but for mean number of heavy rain days(R25, units:d)during 1998–2016

綜合分析圖2～6，首先可以發現，GPCC的降水強度、Rx1day和R25的空間分布相對接近，CMORPH和四組試驗的降水強度、Rx1day和R25與GPCC的偏差在空間分布上也較為接近。因此，降水強度與極端降水的強度（如Rx1day）和極端降水的頻率（如R25）之間可能存在一定的聯系。針對CAS-ESM的兩組低分辨率的試驗，比較圖2d和圖3d（或圖2e和圖3e），平均降水量和降水頻率的差異分布類似。因此，改變物理參數化方案和水平分辨率后，降水量的變化可能主要與降水頻率相關。此外，當物理參數化方案組合由CAM4變成CAM5時，降水強度、Rx1day和R25在印度半島、中國南部和南亞地區，前者（Lcam4）比后者（Lcam5）的模擬結果都更大，在其他地區物理參數化方案的影響則相對較小。當水平分辨率從1.4°提高到0.5°時，Hcam5的降水強度、Rx1day和R25比Lcam5的模擬結果都更大，這使得模式誤差得以減小，尤其是在歐洲、亞洲東部和南部。最后，為了定量地評估四組試驗的模擬性能，表3給出了在歐亞大陸上，不同試驗模擬的降水指數分別與GPCC的空間相關系數和標準化方差。CESM的降水頻率和R25的空間相關系數最大，表明這兩種降水特征，CESM的模擬性能相對較好。Hcam5的平均降水量、降水強度和Rx1day的空間相關系數最大，表明其相應的模擬性能較好。針對標準化的方差，四組試驗模擬的降水頻率的結果均大于1，這表明兩個模式模擬的降水頻率空間變化比GPCC更大。然而，模式模擬的降水強度、Rx1day和R25的標準化方差都小于1，說明模式模擬的這些降水特征的空間變率比GPCC更小。這與圖2～6的空間分布結果一致。

表3 四組試驗CESM、Lcam4、Lcam5、Hcam5分別與GPCC的空間相關系數（CC）及標準化方差（NSD）Table 3 Spatial correlation coefficients(CC)and normalized standardized deviations(NSD)between GPCC and CESM,Lcam4, Lcam5, Hcam5

3.3 子區域逐日降水的季節變化

降水的局地特征顯著，在中高緯度季節特征也明顯。因此，通過分析和對比典型降水子區域的局地降水模擬性能，能更細致地評估模式的模擬性能。從圖2a、b可知，在歐洲南部、印度半島和中國東部，降水量相對其他地區更大。與此同時，這些地區的人口相對稠密，降水特征的變化對社會經濟生成和人類活動均有重要影響。為細致地檢驗NCAR CESM和CAS-ESM模式在不同區域對降水特征的模擬性能，圖1a給出了四個典型的子區域。其中，印度半島和中國東部均是典型季風性氣候區，其降水特征受地形、南亞季風、東亞季風、西太平洋副熱帶高壓和熱帶氣旋等因素的影響（如Lu,2002;Ding et al.,2007;Ren et al., 2013;Qian and Zhou,2014）；南歐地區則是典型的地中海氣候，夏季炎熱干燥，冬季濕潤多雨，降水的變化受到NAO（North Atlantic Oscillation）和ENSO（El Ni?o–Southern Oscillation）等因素影響（如Rodóet al.,1997）。圖7給出了不同子區域四個季節（冬季：12～2月，DJF；春季：3～5月，MAM；夏季：6～8月，JJA；秋季：9～11月，SON）的平均降水量的區域平均值。其中圖7a–d分別表示四個區域GPCC、CMORPH和四組模擬試驗的點狀圖結果；圖7e也表示同樣的結果，但用柱狀圖表示，以使得結果更直觀。

圖7 1998～2016年多年平均的四個子區域（a）SEU、（b）IND、（c）SEA、（d）NEA季節平均降水量分布，（e）季節平均降水量柱狀圖。DJF、MAM、JJA、SON分別表示春季、夏季、秋季、冬季Fig.7 Seasonal mean precipitation for(a)SEU,(b)IND,(c)SEA,(d) NEA,and(e)a histogram of seasonal mean precipitation averaged in 1998–2016.DJF,MAM,JJA,SON represent spring,summer,autumn,winter, respectively

在南歐地區（SEU），GPCC顯示在DJF和SON的降水量相對較大，是全年降水的主要季節，均達到2 mm d?1以上。CMORPH的區域平均降水比GPCC更少，尤其是在降水充沛的冬季負偏差較顯著。CESM的降水在4～11月都比GPCC的值更小，其他季節和GPCC大體相當。利用CASESM進行的試驗中，除了JJA偏少外，Lcam4模擬的降水量都比GPCC更多。Lcam5模擬的降水量在DJF與GPCC幾乎一致，但其他三個季節都偏少，且偏差是試驗中最大的一組。從圖3和圖4可知，這與它模擬的降水頻率和降水強度均偏弱有關。Hcam5在DJF偏多，JJA偏少，其他兩個季節與GPCC相對接近。

印度半島（IND）在南亞季風影響下JJA的降水量最大，接近9 mm d?1。在JJA和SON，CESM的降水比GPCC偏大；CMORPH和CAS-ESM的三組試驗模擬的JJA降水均比GPCC更小，尤其是Lcam5。這主要與降水強度、極端降水強度和頻率偏小有關（圖4～6）。Lcam4的結果與GPCC更為接近；提高分辨率后，Hcam5的結果改善了Lcam5中偏少的誤差。SON的結果與JJA類似，模擬的結果均偏小。然而，在DJF和MAM兩個季節，CAS-ESM模擬的結果則偏大，這可能主要是由于降水頻率比GPCC偏更大引起的。

在中國東南部，觀測的GPCC結果在JJA降水量也最大，達到7 mm d?1左右。CMORPH和四組試驗模擬的結果幾乎重合，但比GPCC略小。除Lcam5外，SON觀測和模擬的結果幾乎重合。從這兩個結果也可以看到，在使用不同物理過程和水平分辨率時，盡管模式模擬的降水量差異不大，但其降水頻率、強度和極端降水的模擬結果卻可以很大，這也指出了模式對降水特征模擬性能的復雜性。在DJF和MAM兩個季節，CESM和CAS-ESM模擬的降水均比GPCC偏大，其中Lcam5模擬的偏差最大，Lcam4和Hcam5的降水量相對一致。

最后在中國的華北、東北和外興安嶺地區，GPCC資料中JJA的降水仍最大，SON次之，DJF降水最少。除了在DJF降水量偏少外，CMORPH與GPCC的降水幾乎重合。四組試驗模擬的降水量都比GPCC和CMORPH更多。在MAM和SON兩個季節，CESM的正偏差最大。與Lcam4和Lcam5相比，Hcam5模擬的降水在四個季節都正偏差最大，這與Hcam5模擬的Rx1day和R25存在正偏差對應。

圖8給出了GPCC、CMORPH和四組試驗在四個子區域多年平均逐日降水的區域平均的變化。盡管不同的數據存在差異，但均能反映出不同區域降水的季節變化。在南歐地區，1～5月，以及11、12月，CMORPH的逐日降水量比GPCC更低，其他月份CMROPH的降水量與GPCC幾乎重合。在4～11月，CESM的降水量比GPCC和CMORPH兩種觀測資料的更少。6～9月，CAS-ESM的三組試驗模擬的降水量也比GPCC和CMORPH更少，且Lcam4的負偏差最小，Lcam5的負偏差最嚴重。在1～2月和11～12月，CESM和Lcam5的偏差較小。3～4月，Hcam5的偏差相對較小。此外，四組試驗模擬的標準差（STD）均比GPCC（0.28 mm d?1）大，其中Lcam5和Hcam5的結果偏大，達到0.43 mm d?1。在印度半島（圖8b）的3～6月，兩個模式模擬的降水量比GPCC更多；而在7～8月，兩個模式表征的降水量則比GPCC偏少。后者主要是由于地區平均降水強度和極端降水的強度與頻率均存在負偏差導致的。此外，與SEU不同，GPCC的STD為3.42 mm d?1，但CMORPH和CAS-ESM的結果都比GPCC小，依次為2.99 mm d?1、2.50 mm d?1、2.99 mm d?1和2.54 mm d?1，CESM的STD則比GPCC更大，為3.47 mm d?1。在亞洲東部的兩個子區域（圖8c、d），GPCC與CMORPH的季節變化曲線幾乎一致。這說明，該地區CMORPH表征的降水特征的可信度高。四組試驗的結果在這兩個子區域的降水量全年整體偏大，但在6～8月，模式模擬的結果偏小。此外，SEA地區，Lcam5的STD比GPCC的值更小，其余試驗的STD則結果相反。從SEU、IND和SEA三個子區域的結果來看，在7～8月，兩個模式的降水量偏少，尤其是在亞洲南部和東部，這主要與降水強度和極端降水偏低有關。然而，在NEA這個地區，兩個模式模擬的降水量偏大，這顯然與降水頻率偏大有關。這些結果說明，在不同的地區，造成降水量偏差的原因不同。

圖8 1998～2016年多年平均的逐日降水量（單位：mm d?1）在（a）SEU、（b）IND、（c）SEA、（d）NEA區域平均的時間序列。右側兩列數字分別表示平均值（MEAN）和標準差（STD）Fig.8 Timeseriesfor daily precipitation (units:mm d?1)averaged over (a)SEU,(b)IND,(c)SEA,(d)NEA during 1998–2016. Numberson theright side represent means(MEAN)and standard deviations (STD)for different data sets

4 對流性降水、大尺度降水和水汽通量的結果與分析

從前面的討論中，可以看出物理參數化方案和水平分辨率的變化都可以影響降水特征（平均量、頻率、強度、極端降水頻率和強度），但影響的程度和區域有所不同。根據降雨產生的不同物理過程及云的類型，Houze（1997）將降水分為兩種類型：對流性降水和層狀云降水（或大尺度降水）。在CESM和CAS-ESM中，總降水也是由對流性降水和大尺度降水兩個部分組成。因此，為探究前文變化的具體原因，圖9給出了1998～2016年四組試驗對流性降水和大尺度降水的氣候態分布。圖10給出了前文所選的四個子區域對流性降水和大尺度降水的逐日變化曲線。從圖9能看到，四組試驗模擬的對流性降水在歐洲、印度半島、亞洲東部和東南亞地區相對較大，而在歐亞大陸北邊界、中國西北內陸到里海東岸對流降水較小。CESM、Lcam4和Lcam5區域平均的對流性降水接近（依次是0.90 mm d?1、0.95 mm d?1和0.94mm d?1），但在不同地區有明顯差異。與低分辨率的結果相比，Hcam5的對流性降水明顯減小，區域平均值最小。這說明提高水平分辨率后，依賴對流參數化方案來產生降水減小（即對流性降水減小），這與前人逐月和逐小時降水的結果一致（Zarzyckiet al.,2014;Kong et al.,2020）。在歐洲，CESM的對流性降水比Lcam4和Lcam5整體偏少，這與4～10月CESM的結果偏小相關。Lcam5的對流性降水在空間分布上顯然小于Lcam4（圖9a、c），這與圖10a中Lcam5在5～10月的對流性降水比Lcam4少相關（圖10a）。與之對比，Hcam5的對流性降水最小（5～6月除外）。在印度地區（圖10c），盡管空間上四組試驗的分布類似，但5～12月CESM的對流性降水最大，7～9月Lcam4和Hcam5產生的對流性降水也較大。在亞洲東部，從圖9e、g可以明顯看到，與Lcam4和Lcam5相比，Hcam5的對流性降水明顯減小。同時，在兩個子地區（圖9e、g），Lcam5的對流性降水都最大（2.80 mm d?1和1.08 mm d?1），而Hcam5的 對 流 性 降 水 最 小（1.75 mm d?1和0.69 mm d?1）。此外，在南歐地區，Lcam4模擬的對流性降水的STD最大。在印度地區則是CESM的對流性降水的STD最大。然而，在亞洲東部的兩個子區域，Lcam5表示的對流性降水的STD最大，而Hcam5的最小。

圖9 1998～2016年多年平均對流性降水（左）和大尺度降水（右）空間分布（單位：mm d?1）：（a、b）CESM；（c、d）Lcam4；（e、f）Lcam5；（g、h）Hcam5Fig.9 Spatial distributions(units:mm d?1)of mean daily convective precipitation(left)and large-scale precipitation(right)during 1998–2016:(a, b)CESM;(c,d)Lcam4;(e,f)Lcam5;(g, h)Hcam5

圖10 1998～2016年多年平均的對流性降水（左）和大尺度降水（右）在（a）SEU、（b）IND、（c）SEA、（d）NEA區域平均的時間序列。圖中數字第一行為平均值，第二行為標準差Fig.10 Time series for daily convective precipitation(left)and large-scale precipitation(right)averaged over(a)SEU,(b)IND,(c)SEA,(d) NEA during 1998–2016. Numbersin thefirst row and second row are the means(MEAN) and standard deviations (STD)for different data sets

另一方面，四組試驗模擬的大尺度降水在斯堪的納維亞半島、青藏高原、中國東部和鄂霍茨克海周圍的陸地地區相對充沛。比較而言，Lcam5模擬的大尺度降水最小，平均是0.71mm d?1；Hcam5的大尺度降水最大，區域平均值是1.00 mm d?1。在南歐和印度兩個區域（圖10b、d），CESM的結果介于Lcam5和Hcam5之間。Lcam5的大尺度降水全年最小，這可能是歐洲降水強度和極端降水偏少的原因之一。Lcam4和Hcam5的結果則相對接近。在東亞兩個子區域，CESM和Hcam5模擬的大尺度降水較大，尤其是在降水較為明顯的4～9月。對比CAS-ESM的三組試驗結果可知，提高水平分辨率后，其模擬的可解析降水（resolved rainfall）增加，依賴對流參數化方案產生的降水減小。可以推斷，在亞洲東部Hcam5降水頻率的減小主要是因為對流性降水頻率的減小導致的。與此同時，CESM的大尺度降水的STD在東亞兩個子區域最大，Hcam5的STD次之。與SEU和IND一致，Lcam5的大尺度降水最少。針對CAS-ESM的結果，我們還分析了Lcam4、Hcam5分別與Lcam5模擬的對流性降水和大尺度降水的差異場（圖略）。除了在中國長江沿岸地區外，Lcam4的大尺度降水比Lcam5的均更多。這可能導致Lcam4的降水量和降水頻率都高于Lcam5（圖2f和3f），尤其是在歐亞大陸的中高緯度地區、印度半島和南亞等熱帶地區。在中國東部，Lcam4的對流性降水顯著低于Lcam5的結果，這引起了該地區Lcam4的降水量和降水頻率都比Lcam5低。另一方面，與Lcam5相比，Hcam5的對流性降水減小，而大尺度降水卻增大。因此，在中國南部降水頻率的減小主要是由于對流性降水頻率降低引起的；而中國東部和歐洲的降水強度、極端降水的強度和頻率等，則主要是由于大尺度降水的增加引起的。

圖11和圖12依次給出了JJA和DJF、MAM和SON四個季節Lcam4和Hcam5分別與Lcam5模擬的水汽氣候態差異的空間分布。JJA的緯向水汽輸送結果顯示，在印度半島和中國東部Lcam4和Hcam5向東輸送的水汽都比Lcam5強；經向輸送的結果顯示，Lcam4向北輸送的水汽比Lcam5更充沛；在中國東北地區，Hcam5向北輸送的水汽也比Lcam5的結果更強。這些不同導致對應地區的降水量發生相應的改變，最顯著的是Hcam5的降水量比Lcam5的更大。從DJF的緯向水汽輸送可知，在歐洲北部Lcam4和Hcam5向東輸送的水汽都比Lcam5強，而東南或南部地區的結果則相反，使得水汽差異在歐洲形成了輻合，從而引起該地區降水特征發生改變。這導致了Lcam4和Hcam5模擬的降水量、頻率、強度和極端降水特征都比Lcam5大。在MAM和SON兩個季節，在歐洲南部Lcam4和Hcam5向東輸送的水汽同樣比Lcam5強，從而導致這兩個季節的降水Lcam5和Hcam5的降水量均比Lcam5更多。在印度半島，Lcam4在MAM和SON兩個季節向北輸送的水汽均比Lcam5強，使得這兩個季節前者與后者的降水量相當或偏強；而在MAM，Hcam5向東和向北輸送的水汽均比Lcam5弱，造成Hcam5的降水量偏小，在SON，Hcam5向東輸送的水汽顯然比Lcam5強，引起Hcam5的降水量也更大。在中國東部，MAM這三個月中，Lcam5向東輸送的水汽和向北輸送的水汽均比Lcam4和Lcam5強，因此Lcam5的降水量最大。在SON這個季節，中國東北地區，Lcam4和Hcam5向東輸送的水汽比Lcam5強，從而使得對應的降水量更大。針對CAS-ESM模式，整體對比四個季節發現，Lcam4和Hcam5分別于Lcam5的水汽輸送差異分布類似，這說明改變物理參數化方案和水平分辨率可能引起相似的水汽輸送的變化，從而引起降水特征發生變化。

圖11 1998～2016年多年平均的Lcam4、Hcam5分別與Lcam5在緯向方向（左）和經向方向（右）的水汽通量差異（單位：kg m?1 s?1）：（a–d）JJA；（e–h）DJFFig.11 Spatial distributions of mean differences between Lcam4,Hcam5 and Lcam5 for zonal(left)and meridional(right)water vapor fluxes(units:kg m?1 s?1)during 1998–2016:(a–d)JJA;(e–f)DJF

圖12 1998～2016年多年平均的Lcam4、Hcam5分別與Lcam5在緯向方向（左）和經向方向（右）的氣候態水汽輸送差異（單位：kg m?1 s?1）：（a–d）MAM；（e–h）SONFig.12 Spatial distributions of annual mean differences between Lcam4,Hcam5 and Lcam5 for zonal (left)and meridional(right)water vapor fluxes(units:kg m?1 s?1)during 1998–2016:(a–d) MAM;(e–f) SON

5 結果和討論

利用中國科學院大氣物理研究所內/外聯合團隊研發的地球系統模式CAS-ESM模式和NCAR CESM模式，進行了不同物理參數化方案和不同水平分辨率共四組19年（1996～2016，其中1996～1997是spin up）的AMIP類型數值積分試驗。其中，NCAR CESM的水平分辨率是1.9°×2.5°，物理參數化方案組合是CAM5（簡稱為CESM），這一組試驗主要用于與CAS-ESM模式的結果進行對比。CAS-ESM模式的水平分辨率是1.4°×1.4°（使用了CAM4和CAM5物理參數化方案組合）和0.5°×0.5°（使用CAM5物理參數化方案組合），分別依次簡稱為Lcam4、Lcam5和Hcam5。利用基于臺站觀測的GPCC降水資料和衛星觀測的CMORPH降水數據，評估和分析了四組試驗模擬的歐亞大陸逐日降水特征（平均量、頻率、強度和極端降水）的模擬性能。

從空間相關系數來看，四組試驗模擬的平均降水特征和Rx1day在空間分布上與GPCC較接近，但R25的空間分布形態與GPCC存在偏差。與GPCC相比，四組試驗模擬的平均降水量略偏大，降水更頻繁，但降水強度偏弱。極端降水的強度CESM、Lcam4和Lcam5的結果類似，Hcam5的結果則與Lcam4和Lcam5有較大不同。這說明，物理參數化方案和水平分辨率對逐日降水特征均有影響，但影響的降水特征變量和空間分布存在差異。針對不同物理參數化方案的結果，在歐亞大陸中高緯區域，Lcam4的降水量比Lcam5的更強，這與Lcam4的降水頻率更大相聯系。在低緯度如印度半島和東南亞半島地區，Lcam4的降水量比Lcam5的更大，主要與降水強度尤其是極端降水的強度和頻率更大有關。在中國東部，Lcam4的降水量比Lcam5的更小，則主要與降水頻率偏低有關。進一步的分析發現，在歐亞大陸中高緯度，Lcam4的大尺度降水比Lcam5的更強，水汽更加充沛，從而引起了上述差異。在亞洲東部，Lcam4模擬的對流性降水低于Lcam5的對應值，導致該地區Lcam4的降水量和降水頻率比Lcam5的更小。

不同模式的對比表明，低分辨率下，CASESM對歐亞大陸降水特征與GPCC的空間相關系數都不如CESM。然而，提高分辨率后，前人的研究結果顯示，CESM的降水頻率和降水強度性能反而有所降低（李星雨等,2018;Kong et al.,2020）。針對CAS-ESM，提高分辨率后，其模擬的逐日降水特征結果顯著提高。當水平分辨率由粗變細后，Hcam5比Lcam5產生了更多的降水量，尤其是在歐洲、青藏高原南麓和中國東北地區。在中國南部，Hcam5的降水頻率比Lcam5更低，減小了降水頻率的誤差，這主要是由Hcam5的對流性降水頻率減小引起的。在歐洲，與Lcam5相比，Hcam5的降水量、頻率和強度都更大；在亞洲東部和歐洲，Hcam5的Rx1day和R25均比Lcam5更大，與觀測的偏差減小。這主要是因為Hcam5的大尺度降水比Lcam5的更大，水汽也更充足。已有許多研究（如Bacmeister et al.,2014;Kong et al.,2020）指出，提高水平分辨率后，模式模擬的極端降水頻率和強度的模擬性能均得到改善，本文的結果與前人的研究結果一致。

我們也可以看到，盡管試驗中降水量的氣候態分布特征差異不大，但物理參數化方案和水平分辨率對降水強度、頻率和極端降水的模擬性能不同。針對CAS-ESM模式，不同的物理過程參數化方案的改進、空間分辨率的提高以及二者的相互適應仍是提高其模擬降水特征的一個方向。例如，Xie et al.（2020）指出，考慮地形拖曳的影響，在CASESM中修正地形各向異性參數化方案后，該模式在復雜地形的區域引起的地形波模擬性能得到了改善。此外，已有研究指出，時間積分步長也是影響降水特征的一個因素（Williamson,2013），因本試驗中Lcam4、Lcam5的積分步長是1200 s，而水平分辨率提高后，為了模式積分穩定，Hcam5的積分步長為900 s。未來工作中，我們將進一步分析CAS-ESM模式更完善的物理參數化方案、更高的水平分辨率和積分步長對降水特征的模擬性能。