基于CMIP6氣候模式的華北平原極端氣溫指數評估和預測

王 慧,肖 登 攀*,趙 彥 茜,柏 會 子,張 可 慧,唐 建 昭,劉 劍 鋒,郭 風 華,劉 德 立

(1.河北省科學院地理科學研究所/河北省地理信息開發應用工程技術研究中心，河北 石家莊 050011；2.澳大利亞新南威爾士州初級產業部Wagga Wagga農業研究所，Wagga Wagga 2650)

0 引言

氣候變化成為影響人類社會可持續發展的重大問題。IPCC研究報告[1]指出:全球氣候變暖趨勢顯著，近50年氣溫上升速率達0.13 ℃/10 a。隨著氣候持續變暖，極端氣候事件(熱浪、干旱等)的發生頻率和強度迅速增加，對人類生存、社會經濟與生態環境影響巨大，引起各國政府和學者的高度重視[2]。

全球氣候模式(GCM)是探究歷史氣候變化機理和預估未來氣候變化的重要工具，其預測結果不僅為研究多時空尺度下氣候變化及其影響提供必要的數據支撐，也為人類應對和適應未來氣候變化提供科學依據[3]。目前世界氣候研究計劃(WCRP)耦合模式工作組(WGCM)發起了第六次國際耦合模式比較計劃(CMIP6)，CMIP6 是CMIP計劃實施 20 多年來參與模式數量最多、設計數值試驗最豐富、提供模擬數據最龐大的氣候模式比較計劃[4]，其對氣候系統的模擬更接近觀測值，模式間不確定性減小[5,6]，在模擬極端氣候及其變化趨勢方面相比CMIP5氣候模式有明顯改進[7]，已在溫度、降水的模擬和預測等領域得到廣泛應用。

全球氣候變暖背景下，極端氣候事件的發生頻率和強度均會顯著增加，預估和評價極端氣候事件的發生及影響成為氣候科學領域的熱點和難點。通常情況下，單個GCM的模擬機理和性能可能存在一定的局限性，多氣候模式集合平均法可有效提升模擬或預測效果[8,9]。例如：Sun等[10]集合14個GCMs預測了中國未來極端氣候事件的變化，指出集合模式能有效模擬極端氣候指數的空間分布，且極端氣溫指數的模擬效果優于極端降水指數；Lin等[11]采用泰勒圖系統評估了12個GCMs集合對極端降水的模擬能力，指出多模式集合平均相比單個氣候模式能更好地模擬極端降水指數的平均態和變化趨勢，模擬結果與觀測值相關系數更高；Xiao等[12]集合28個GCMs對漢江流域16個極端氣溫指數進行模擬，并基于多模式算術平均分析研究區極端氣溫的時空變化特征。多模式集合平均法假設各氣候模式相互獨立，多個模式的平均結果會抵消誤差，從而提升氣候模式的模擬效果[13]。然而不同氣候模式往往不完全獨立，尤其是同一單位開發的系列模型模擬機理的相似性較高，而加權集合平均法考慮各氣候模式的差異，通過配置不同權重系數以體現模式性能的差異，其模擬結果較算術平均法更可靠[14]。

綜上，本研究基于統計降尺度方法對CMIP6中20個GCMs數據進行時空降尺度，采用獨立權重均值法(Independence Weighted Mean,IWM)[15]優化各氣候模式的加權系數，獲得相對合理的集合預估模型，從而預估華北平原未來氣候情景下極端氣溫指數的時空變化特征，以期為應對極端氣溫事件帶來的災害風險提供科學依據。

1 材料與方法

1.1 研究區概況

華北平原跨越京、津、冀、魯、豫、皖、蘇7省市(北抵燕山，西倚太行山，東臨渤海和黃海，南以淮河干流和蘇北灌渠為界)，東部屬于海陸過渡帶，南部為氣候過渡區，氣候條件復雜，是極端氣候事件的多發區[16]；同時，華北平原地勢平坦，雨熱同期，適宜農作物生長，是我國重要的糧食生產區。因此，預估華北平原未來極端氣溫的變化趨勢，有助于了解全球氣候變暖可能對農業生產帶來的極端氣候風險，從而可穩定農業生產水平，保證區域糧食安全[17,18]。

1.2 數據來源

研究區內1961-2014年54個氣象站點(圖1)的氣溫(包括最高溫度、最低溫度和平均溫度)逐日觀測數據源于中國氣象科學數據服務共享網；1961-2100年不同氣候模式的模擬和預估數據源于CMIP6中的20個GCMs(https://esgf-node.llnl.gov/search/cmip6/)(表1)。本文采用澳大利亞沃加沃加農業研究所開發的統計降尺度方法[16,19]對選取的20個GCMs逐月柵格數據進行時間和空間降尺度處理，獲得以日為單位的站點數據。

圖1 華北平原54個氣象站點空間分布Fig.1 Spatial distribution of 54 meteorological stations in the North China Plain

序號GCM名稱GCM縮寫單位國家/地區1ACCESS-CM2ACC1CSIRO-BOM澳大利亞2ACCESS-ESM1-5ACC2CSIRO-BOM澳大利亞3BCC-CSM2-MRBCCBCC中國4CanESM5CAN1CCCMA加拿大5CanESM5-CanOECAN2CCCMA加拿大6CNRM-CM6-1CNR1CNRM法國7CNRM-ESM2-1CNR2CNRM法國8EC-Earth3-VegECE1EC-EARTH歐洲9EC-Earth3ECE2EC-EARTH歐洲10FGOALS-g3FGOFGOALS中國11GFDL-ESM4GFDNOAA-GFDL美國12GISS-E2-1-GGISNASA-GISS美國13INM-CM4-8INM1INM俄羅斯14INM-CM5-0INM2INM俄羅斯15IPSL-CM6A-LRIPSIPSL法國16MIROC6MIR1MIROC日本17MIROC-ES2LMIR2MIROC日本18MPI-ESM1-2-HRMPI1MPI-M德國19MPI-ESM1-2-LRMPI2MPI-M德國20MRI-ESM2-0MRIMRI日本

考慮未來氣候情景的代表性和相應氣候情景下數據的完整性，本研究選取如下4個典型氣候情景：SSP585為更新后的RCP8.5情景，可實現2100年人為輻射強迫8.5 W/m2的高強迫情景；SSP370情景下，2100年輻射強迫穩定在7.0 W/m2；SSP245為更新后的RCP4.5情景，為中等強迫情景，2100年輻射強迫穩定在4.5 W/m2；SSP126為更新后的RCP2.6情景，2100年輻射強迫穩定在2.6 W/m2[20]。

1.3 極端氣溫指數

本研究選取氣候變化檢測和指數專家組(ETCCDI)定義的9種極端氣溫指數(表2)(http://etccdi.pacificclimate.org)，所選指數均與華北平原極端氣候災害密切相關，并采用R軟件包“climdex.pcic”對極端氣溫指數進行計算。

表2 9種極端氣溫指數名稱及釋義Table 2 Name and interpretation of the nine extreme temperature indices

1.4 多氣候模式集合平均方法

(1)

(2)

則式(2)的解可表示為：

(3)

(4)

式中：1T=[1，1，…，1]；A為協方差矩陣。

另外，本文采用均方根誤差(RMSE)和相對標準偏差(RSD)評價IWM方法和算術平均法的計算結果，公式為：

(5)

(6)

2 結果與分析

2.1 華北平原歷史期極端氣溫指數模擬與評估

由1961-2014年華北平原極端氣溫指數模擬值和觀測值(OBS)的變化趨勢(圖2，彩圖見附錄1)可知，6種極端高溫指數(SU、TN90p、TX90p、TNx、TXx和TR)在該階段均呈微弱波動上升趨勢，2種極端低溫指數(ID、FD)和DTR則呈波動下降趨勢。由表3可知，20個氣候模式和多模式算術平均(MEAN)模擬的9種極端氣溫指數與觀測值之間的RMSE和RSD均顯著大于IWM方法模擬值的RMSE和RSD。由圖2和表4可知，IWM方法的模擬值在年際變化上的不確定性較小，可較好地反演極端氣溫指數的時間變化趨勢，模擬值與觀測值一致性較好，適用于華北平原地區極端氣溫事件的評估和預測。

表3 9種極端氣溫指數模擬值與觀測值的均方根誤差(RMSE)和相對標準偏差(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年華北平原9種極端氣溫指數變化趨勢Table 4 Trends in nine extreme temperature indices in the North China Plain during 1961-2014

注：OBS代表觀測值，IWM代表多氣候模式獨立權重平均值。

2.2 未來氣候情景下極端氣溫指數的時間變化特征

如圖3(彩圖見附錄1)所示，在整個預測時期(2015-2100年)4種氣候情景(SSP126、SSP245、SSP370、SSP585)下，極端高溫指數(TXx、TNx、TX90p、TN90p、TR和SU)均明顯上升，而極端低溫指數(FD、ID)下降趨勢明顯。2040年之前，4種氣候情景下的極端氣溫指數變化趨勢相近；2040年之后，不同氣候情景下的極端氣溫指數變化速率差異逐漸增大。其中,極端高溫指數在SSP585氣候情景下上升最快(如2100年TN90p將超過70 d)，而在SSP126氣候情景下上升較平緩，趨于穩定(2100年TN90p最小值約為38.4 d)。極端低溫指數在SSP585氣候情景下下降最快(FD下降約23 d)，而在SSP126氣候情景下下降較平緩(FD僅下降3 d左右)，趨于穩定。此外，DTR在預測期變幅較小。

圖3 4個未來氣候情景下華北平原9種極端氣溫指數變化趨勢Fig.3 Trends in nine extreme temperature indices in the North China Plain under four future climate scenarios

2.3 華北平原極端氣溫指數空間變化特征

由于地理位置、地形、生態環境等因素存在差異，華北平原基準期內(1971-2010年)極端氣溫指數存在明顯的空間差異(圖4)。DTR呈北高南低的空間分布特征，但南北差異較小，除局部區域外，整體在9～11.0 ℃之間；TX90p、TN90p的南北差異相對較大；TNx、TR的空間分布特征與DTR相反，為南高北低，南北差異在30～60 d之間；TXx、SU由西向東遞減，東西差異分別在3.1～5.6 ℃和31～53 d之間；FD和ID南北差異突出，如南部地區FD普遍在90 d以下，部分地區甚至低于70 d，北部地區則普遍超過90 d。

圖4 1971-2010年華北平原極端氣溫指數空間分布特征Fig.4 Spatial characteristics of extreme temperature indices in the North China Plain during 1971-2010

未來(2061-2100年)4種氣候情景下極端氣溫指數的空間變化特征如圖5-圖8所示。在SSP126氣候情景下(圖5)，TXx呈現“中部低，南北高”的空間變化特征，華北平原南部和北部相對于基準期增加了1.3 ℃以上，中部增幅在0.2～1.2 ℃之間；TNx、TX90p、TN90p、TR和SU整體呈上升趨勢，但南部與北部存在一定的空間差異；FD、ID兩種極端低溫指數整體呈下降趨勢，降幅分別在15～25 d和1.5～6.0 d之間，空間差異并不顯著；DTR在南部呈上升趨勢，在北部則呈下降趨勢，變幅均在1.0 ℃以內。SSP245、SSP370、SSP585氣候情景下極端氣溫指數的空間變化特征與SSP126情景相似，但變幅更大，尤其是在SSP585高強迫氣候情景下(圖6-圖8)。例如，SSP585氣候情景下TXx在華北平原南部和北部增幅均大于1.7 ℃，中部增幅在0.5～1.7 ℃之間(圖8)；TNx、TX90p、TN90p、TR、SU等極端高溫指數和FD、ID等極端低溫指數的變幅較SSP126氣候情景下更大，空間差異更突出。未來不同氣候情景下的DTR變幅差異較小，高強迫氣候情景下北部降幅有所增大。

圖5 2061-2100年SSP126情景下華北平原極端氣溫指數變化空間特征Fig.5 Spatial characteristics of changes in extreme temperature indices in the North China Plain during 2061-2100 under the SSP126 scenario

圖6 2061-2100年SSP245情景下華北平原極端氣溫指數變化空間特征Fig.6 Spatial characteristics of changes in extreme temperature indices in the North China Plain during 2061-2100 under the SSP245 scenario

圖7 2061-2100年SSP370情景下華北平原極端氣溫指數變化空間特征Fig.7 Spatial characteristics of changes in extreme temperature indices in the North China Plain during 2061-2100 under the SSP370 scenario

圖8 2061-2100年SSP585情景下華北平原極端氣溫指數變化空間特征Fig.8 Spatial characteristics of changes in extreme temperature indices in the North China Plain during 2061-2100 under the SSP585 scenario

3 結論與討論

本研究基于IWM方法集合20個統計降尺度處理的CMIP6氣候模式數據，模擬和預測了華北平原歷史和未來不同時期極端氣溫指數的時空變化特征，主要研究結論如下：1)相比單個GCM模式和算術平均法，多氣候模式獨立權重均值法的極端氣溫指數模擬值與觀測值一致性更好，適用于華北平原極端氣溫指數模擬和預測。2)在未來(2061-2100年)4個氣候情景下，TXx、TNx、TX90p、TN90p、TR和SU等極端高溫指數呈顯著上升趨勢，而極端低溫指數則明顯下降。其中SSP126氣候情景下的極端氣溫指數變化最小，SSP585氣候情景下極端氣溫指數變化最大。3)除DTR外，華北平原極端氣溫指數在歷史和未來時期均存在明顯的空間差異。隨著情景的輻射強迫升高，極端氣溫指數的變幅逐漸增大，空間差異更突出，在SSP585高強迫氣候情景下，變幅達到最大。

雖然CMIP6中GCM在模擬機理上有明顯改進，但由于不同GCM反饋過程的差異，其對未來溫室氣體排放的響應仍存在一定的不確定性，這極大地影響了預估結果的可信度[20,21]。另外，各GCM由于結構原理、氣候強迫設置、排放情景設計以及模式分辨率等差異較大，對氣候變化的模擬性能會有明顯不同，模擬結果可能存在一定偏差，增加了未來氣候模擬難度和模擬結果的不確定性，而采用多GCMs集合方法可有效提升模擬效果，為氣候變化研究提供更可靠的數據支撐[22]。