CMIP6與CMIP5全球氣候模式對中國東北地區氣溫模擬性能的比較評估

何夏曼, 姜超*, 汪君, 王襄平

1 北京林業大學生態與自然保護學院, 北京 100083 2 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

0 引言

觀測事實表明,自工業革命以來,全球范圍內氣溫在顯著上升(蘇京志等,2016),其對自然生態系統及社會經濟發展產生的影響引起國內外廣泛關注 (Chen, 2013). 中國東北地區處于北半球的中高緯度,對氣候變暖響應敏感(本文所述東北地區為狹義的東北地區,即東北三省).該地區的氣溫在1956—2017年間顯著上升,平均氣溫傾向率為0.327 ℃/10 a(吳金華等, 2021),是全國最顯著增溫的地區之一(任國玉等, 2005; 賀偉等, 2013; 吳金華等, 2021).同時,作為我國最重要的商品糧食基地之一,東北地區氣溫的顯著增高已成為東北糧食生產過程中的一個重要威脅 (周夢子等, 2017),十分有必要開展對此地區未來氣溫變化的科學研究,為今后的糧食生產提供科學指導.

世界氣候研究計劃(World Climate Research Programme,WCRP)的耦合模式比較計劃(Couple Model Inter-comparison Project,CMIP)已成為氣候預估的最重要手段之一(Papalexiou et al., 2020; Chen et al., 2020).它以“推動模式發展和增進對地球氣候系統的科學理解”為目標,有助于我們加深對氣候變化的認識和理解(周天軍等, 2019).但由于氣候系統的復雜性以及模式自身存在的系統誤差,使全球模式模擬的結果與實際觀測值有所偏差.因此,在對未來氣候做預估之前,需從多變量、多指標、多過程對模式的模擬結果進行綜合定量評估(趙宗慈等, 2013; 周文翀和韓振宇, 2018).氣溫作為最基本的氣候要素之一(Sun and Ao, 2013),在氣候模式的評估中一直受到大家的關注(云翔等, 2020).近年來,基于CMIP5模式模擬氣溫的結果,已有學者在中國東北地區開展了一系列模式評估工作.陶純葦等(2016)利用CMIP5中45個氣候模式資料進行系統的評估,指出CMIP5模式能夠較好地模擬出中國東北地區由南至北氣溫逐漸降低的空間分布特征,多模式集合結果與觀測的差值基本在-1～0.5 ℃之間.崔妍等(2013)也得出相似的結論,并指出多模式集合模擬年平均氣溫氣候態空間分布的等溫線更為平直,這可能與CMIP5模式空間分辨率低有關.敖雪等(2021)通過比較RegCM4區域氣候模式與CMIP5模式對中國東北氣溫的模擬結果發現,CMIP5模式對氣溫年際變化的模擬能力有限,這與CMIP5模式在全國(Guo et al., 2013)和全球(魏萌和喬方利, 2016)尺度上的模擬能力相似.

如今,耦合模式比較計劃已經進入第六階段(CMIP6).與CMIP5相比,CMIP6參與的模式數量更多,設計的數值實驗更豐富,所提供的模擬數據更為龐大(Eyring et al., 2016; O′Neill et al., 2016; 張麗霞等, 2019; 周天軍等, 2019).Chen等(2020)通過比較CMIP6中的12個模式及其在CMIP5中對應的早期版本發現,CMIP6中大部分模式對中國極端氣候的模擬能力有所提高.Jiang等(2020)在0.5°×0.5°水平分辨率上分別評估了49個CMIP5模式與43個CMIP6模式對于1961—2005年中國氣溫與降水的模擬能力,認為CMIP6模式對我國氣溫、降水的氣候態空間分布具有較好的模擬能力,其模擬結果優于CMIP5模式.You等(2021)將中國分成四個子區,發現CMIP6模式對中國地表年平均溫度存在低估現象,但均能較好地反映其空間分布,尤其是對中國北方的模擬能力較高.可見,CMIP6模式對不同區域模擬能力存在差異,需要針對不同區域開展深入研究.

不同模式間模擬結果的差別反映了模式間的差異與不確定性,它主要來自模式自身對物理過程描述的差異(張艷武等, 2016).而多模式集合平均方案可以將模式之間的偏差相互抵消,使得模擬結果比單模式的模擬結果更優(周文翀和韓振宇, 2018; Pierce et al., 2009).已有學者發現通過擇優篩選后的多模式集合平均方案比所有模式集合平均方案的模擬結果要更優(蔣帥等, 2017; 王濤等, 2020),且一般也優于絕大多數單模式的模擬結果(崔妍等, 2013; 陶純葦等, 2016).因此,有越來越多的研究開始分析多模式集合模擬結果的可靠性(Pierce et al., 2009; Chen and Sun, 2009; Yang et al., 2021).Pierce等(2009)發現不同數量模式的集合方案模擬能力有所差異,并指出14個模式作為樣本進行多模式集合平均的方案能夠抵消不同模式的模擬誤差,使模擬效果較優.

目前,關于CMIP6模式對中國東北地區氣溫模擬能力的評估工作仍然較少.CMIP6模式對中國東北地區氣溫的模擬相比于CMIP5是否有所改進？圍繞這個問題,本文利用CN05.1觀測資料、34個CMIP6模式與39個CMIP5模式數據,評估兩代模式與優選模式集合方案對中國東北地區(1961—2005年)氣溫的模擬能力,為預估中國東北地區未來氣候變化提供可靠的科學依據.

1 數據與方法

1.1 全球氣候模式資料與觀測資料

本文使用CN05.1氣溫數據作為觀測數據,選取時間跨度為1961—2005年.該數據是根據2400余個中國地面氣象臺站的觀測資料所建立起來的網格數據,水平分辨率為0.25°×0.25°(吳佳和高學杰, 2013).

本文分別選取CMIP5中39個模式和CMIP6中34個模式的歷史模擬數據,進行年平均氣溫的比較評估,時間跨度為1961—2005年,并選取中國東北地區(黑龍江省、吉林省、遼寧省)作為研究區.表1為本研究中所使用的全球氣候模式資料的相關簡介,模式編號5-1-39為CMIP5模式,模式編號6-1-34為CMIP6模式; 其中,模式5-1至5-16為模式6-1至6-16對應的早期版本(數據來源: https:∥esgf-node.llnl.gov/search/cmip6/; https:∥esgf-node.llnl.gov/search/cmip5/).

由于各模式的輸出數據與觀測數據的水平分辨率不相同,為了方便比較各模式間及模式與觀測資料之間的差異,將模式的輸出數據統一雙線性插值(胡芩等, 2014)到與觀測數據相同的水平分辨率(0.25°×0.25°)上.

1.2 地形校正

由于不同模式所使用的地形資料與水平分辨率不同,在進行雙線插值的過程中會因地形起伏而帶來偏差.為了消除地形所帶來的偏差,本研究對雙線性插值后的模式氣溫進行地形校正(Zhao et al., 2008; 張蓓和戴新剛, 2017).地形校正方程為

1.3 評估方法

(1) 泰勒圖

泰勒圖(Taylor, 2001)是模式評估中廣泛應用的方法,主要基于相關系數、均方根誤差和標準差之比三個指標,比較模式模擬結果與觀測之間的相似程度與差異的大小.當相關系數越大,均方根誤差越小,模式與觀測的標準差之比越接近于1時,即在圖上模擬點越接近觀測點,模式的模擬能力越強.本文對觀測數據與模式數據先進行標準化處理,再采用泰勒圖,從區域平均氣溫的多年變化、年平均氣溫氣候態的空間分布、年平均氣溫氣候傾向率的空間分布這三個方面,對CMIP5與CMIP6模式的模擬能力進行評估.

(2) 技能得分

在泰勒圖中,如果模式模擬結果與觀測的相關系數和標準差之比均降低,就難以判斷模式的模擬性能是否改進.因此,本文引入泰勒提出的技能得分(Taylor, 2001)(S值),用以定量評估模式對氣溫的模擬能力,并從區域平均氣溫的多年變化、年平均氣溫氣候態的空間分布和年平均氣溫氣候傾向率的空間分布這三個方面分別對模式的模擬能力進行排名.S值的計算公式為

式中,R為模式模擬結果與觀測間的相關系數,R0為模式模擬結果與觀測間相關系數的最大值,σm與σo分別為模式模擬結果與觀測資料的標準差.S值的取值范圍為0～1,S值越接近1,模式模擬能力越強.

(3) 綜合評級指標

除S值以外,本文還使用綜合評級指標(Mr)(Schuenemann and Cassano, 2009)對CMIP5與CMIP6模式的綜合模擬能力進行排名.模式的綜合模擬能力越強,Mr越接近于1.Mr的計算公式如下：

表1 模式的基本信息Table 1 Brief introduction of the models

式中,a為CMIP5或CMIP6參與評估的模式個數;b為評估指標的個數,本文使用了模式在區域平均氣溫的年際變化、年平均氣溫氣候態的空間分布、年平均氣溫氣候傾向率的空間分布的3個S值作為評估指標,因此b=3;ri為各模式對區域平均氣溫的多年變化、年平均氣溫氣候態的空間分布、年平均氣溫氣候傾向率的空間分布模擬的S值排名,例如,根據S值,ACCESS-ESM1-5(模式編號6-1)模擬區域平均氣溫的年際變化的排名為3,其r1為3.

1.4 最優模式集合方案的設計

本文通過Mr對CMIP5與CMIP6中的單模式綜合模擬能力進行排名.在CMIP6的34個模式中,分別對前2名、前3名…前34名模式進行等權重集合平均(趙宗慈等, 2013; 陶純葦等, 2016; Chen et al., 2020),得到34種優選模式集合平均.根據Mr的大小,選擇34個優選模式集合平均中綜合模擬能力最高的方案所對應的模式個數,作為后續評估最優模式集合平均模擬能力的模式個數.CMIP5的39個模式也采用相同的方法,確定最優模式集合平均的模式個數.

2 1951—2005年中國東北地區氣溫模擬結果評估

2.1 單模式模擬結果評估

(1) 區域平均氣溫多年變化特征

圖1為1961—2005年CMIP5模式與CMIP6模式對中國東北地區區域平均氣溫多年變化的模擬結果,其中黑色實線為觀測值,每年的箱線圖表征了模式模擬結果的范圍.觀測數據表明,中國東北地區年平均氣溫在0～3 ℃之間波動.CMIP5的39個模式模擬區域平均氣溫中值的多年變化范圍在-0.84～0.71 ℃,其模擬結果存在低估現象; CMIP6的34個模式模擬區域平均氣溫中值的多年變化范圍為-0.6～1.3 ℃,其模擬結果比CMIP5更接近觀測值.同時,CMIP5的39個模式模擬區域平均氣溫的范圍在-6～6 ℃之間,比CMIP6的34個模式模擬的范圍(-5～4 ℃)要更大,說明CMIP6模式模擬年平均氣溫多年變化的一致性更高,這在CMIP6模擬東南亞地區氣溫與降水(Hamed et al., 2022)、澳大利亞極端溫度(Deng et al., 2021)的結果中也有所體現.他們認為,與CMIP5模擬結果相比,CMIP6模式的不確定性要低得多,模擬結果更一致.

表2為1961—2005年CMIP5和CMIP6模式模擬的中國東北地區區域平均氣溫線性趨勢.觀測資料顯示,東北地區呈顯著增溫趨勢,其線性趨勢為0.43 ℃/10a(p<0.001).CMIP5的39個模式均能模擬出增暖趨勢,模擬的線性趨勢結果在0.02～0.65 ℃/10a之間,其中,有30個模式模擬的增暖趨勢通過顯著性檢驗(p<0.05).所有CMIP5模式模擬的線性趨勢平均值為0.23 ℃/10a,中位數為0.22 ℃/10a,比觀測數據要低.CMIP5中模擬增溫趨勢大小與觀測最接近的模式為CanESM2(模式編號5-3),模擬值為0.42 ℃/10a.而CMIP6的34個模式模擬的線性趨勢結果分布在-0.05～0.49 ℃/10a之間,其中有25個模式模擬的增溫趨勢通過顯著性檢驗(p<0.05).CMIP6所有模式模擬的線性趨勢平均值為0.26 ℃/10a,中位數為0.31 ℃/10a,比CMIP5模式模擬結果的更接近觀測.其中,CMIP6中對增溫趨勢模擬最好的模式是CanESM5(模式編號6-3)和NorESM2-MM(模式編號6-32),其模擬的線性趨勢分別為0.44 ℃/10a和0.42 ℃/10a.雖然CMIP5與CMIP6的模式大部分都能模擬出增溫趨勢,但普遍存在低估現象,CMIP5的低估程度更大.CanESM2(模式編號5-3)及CanESM5(模式編號6-3)在這兩階段中模擬結果均較好.

圖1 1961—2005年CMIP5(a) 與CMIP6 (b) 模式模擬中國東北地區區域平均氣溫多年變化箱線圖 圖中黑色實線為觀測數據,箱線圖由上至下為最大值、第75百分位數、中位數、第25百分位數和最小值.Fig.1 Time series of regionally averaged surface temperature over the three provinces in Northeast China for the CMIP5(a) and CMIP6 (b) models during 1961—2005 Black solid lines indicate the observation. The box indicates the 25th and 75th percentiles, a bar indicates the 50th percentile, and whiskers indicate the max and min datum.

表2 1961—2005年CMIP5、CMIP6模式模擬的中國東北地區年平均氣溫線性趨勢Table 2 Linear trends of annual mean surface air temperature over the three provinces in Northeast China for the CMIP5 and CMIP6 models during 1961—2005

為了進一步評估和比較CMIP5與CMIP6模式對中國東北地區區域平均氣溫多年變化模擬能力的差異,本文使用泰勒圖來評估模式模擬性能(圖2).就模式與觀測的相關系數而言,39個CMIP5模式模擬結果與觀測的相關系數介于0.1～0.5之間,其中21個模式與觀測的相關系數大于0.3; 而CMIP6所有模式的模擬結果與觀測的相關系數集中在0.3～0.5之間,比CMIP5單模式的模擬結果要更優.從模擬結果與觀測的標準差之比來看,CMIP5模式模擬結果與觀測的標準差之比在0.3左右,而CMIP6模式的模擬結果與觀測的標準差之比在0.4左右,其比CMIP5模式的模擬效果更優.從模擬結果與觀測的均方根誤差來說,CMIP5與CMIP6模式的模擬結果與觀測的均方根誤差都相對集中在1.0～1.2之間.總的來說,CMIP6模式對區域平均氣溫的模擬能力優于CMIP5模式.

(2) 年平均氣溫氣候態與氣候傾向率的空間分布

圖3為1961—2005年中國東北地區CMIP5與CMIP6模式模擬的年平均氣溫氣候態空間分布和年平均氣溫氣候傾向率空間分布相對于觀測的泰勒圖.對于年平均氣溫氣候態空間分布而言(圖3a—b),CMIP6的34個模式的模擬結果一致性較高,體現為相對應的點在泰勒圖中分布更為集中.29個模式與觀測的相關系數大于0.95,31個模式與觀測的均方根誤差小于0.5; CMIP5的39個模式也很好地模擬出了中國東北地區的年平均氣溫氣候態,表現在27個模式的模擬結果與觀測的相關系數大于0.9,25個模式的模擬結果與觀測的均方根誤差小于0.5,但與CMIP6模式相比,CMIP5模式模擬結果之間的差異較大,且模擬能力沒有CMIP6模式優.從年平均氣溫氣候傾向率的空間分布的模擬能力來看(圖3c—d),CMIP5的39個模式中,有17個模式的模擬結果與觀測的相關系數大于0.5,僅有8個模式模擬結果與觀測的均方根誤差小于0.75; 對于CMIP6的34個模式而言,20個模式的模擬結果與觀測的相關系數大于0.5,15個模式的模擬結果與觀測數據的均方根誤差小于0.75.CMIP5與CMIP6模式對年平均氣溫氣候傾向率的空間分布模擬能力都較低,但相比于CMIP5模式,CMIP6模式的模擬結果更為理想.

圖2 1961—2005年中國東北地區CMIP5 (a)、CMIP6 (b)模式模擬的區域平均氣溫相對于觀測的 區域平均氣溫多年變化的泰勒圖 圖中黑色空心點為觀測值.Fig.2 Taylor diagrams for time series of regionally averaged surface air temperature of the three provinces in Northeast China between CMIP5 (a), CMIP6 (b) models and observations for the period 1961—2005 Black hollow dots indicate observation.

圖3 同圖2,但為年平均氣溫氣候態(a,b)與年平均氣溫氣候傾向率(c,d)空間分布的泰勒圖Fig.3 Same asFig.2,but Taylor diagram for spatial distributions of annual mean surface air temperature (a,b) and its trends (c,d)

2.2 最優模式集合平均對中國東北地區氣溫的評估

(1) 最優模式集合平均方案的設計

為了篩選模擬性能較好的模式做優選模式集合平均,本文通過S值,將CMIP5與CMIP6模式模擬能力量化,尤其關注CMIP6模式和它在CMIP5中早期版本S值的變化.從表3可以看出,相比于CMIP5,CMIP6模式整體上在區域平均氣溫多年變化、年平均氣溫氣候態空間分布和年平均氣溫氣候傾向率空間分布的模擬結果均有所進步,平均S值為0.54、0.91及0.49(CMIP5的平均S值分別為0.51、0.84及0.28).CMIP6及相應模式在CMIP5中早期版本的模擬能力相比較,有9個CMIP6模式(占共有模式個數的56.3%)比其在CMIP5中的早期版本對區域平均多年變化模擬結果的S值有所升高,其中,模擬能力進步最大的模式為MPI-ESM1-2-LR(模式編號6-14),S值從0.242提升到0.776.從年平均氣溫氣候傾向率空間分布的模擬結果來看,有8個模式(占共有模式個數的50%)的模擬能力相對于CMIP5中的早期版本有所提高,且其S值提高的平均幅度(0.488)要大于模式對區域平均氣溫多年變化模擬結果的S值提高的平均幅度(0.267),其中,提高幅度最大的模式為MPI-ESM1-2-LR(模式編號6-14),S值從0.012提升到0.856.對于年平均氣溫氣候態空間分布的模擬結果而言,有14個CMIP6模式(占共有模式個數的87.5%)相對于CMIP5中的早期版本的模擬能力有所提升,提升幅度最大的為FGOALS-g3(模式編號6-7),S值從0.705提升到0.930,有進步的模式的S值提升幅度平均值為0.073.相反,一些模式對氣溫的模擬能力比其在CMIP5中的早期版本有所下降,如CanESM5(模式編號6-3)對區域平均氣溫多年變化、年平均氣溫氣候態空間分布及年平均氣溫氣候傾向率空間分布的模擬能力均下降.總體來看,CMIP6的大部分模式比CMIP5的早期版本模擬性能有所提高,這在Chen等(2020)研究CMIP6對中國極端氣候模擬性能中也得出相似的結論.

已有研究指出模式個數會影響多模式集合平均的模擬能力(Pierce et al., 2009).因此,本文引入Mr,分析在不同模式個數的情況下,優選集合方案的綜合模擬能力的高低,此指標已被廣泛運用于模式評估中(蔣帥等, 2017; Schuenemann and Cassano, 2009).Mr的計算是基于S值對區域平均氣溫的多年變化、年平均氣溫氣候態空間分布、年平均氣溫氣候傾向率空間分布這三個方面的排名,它的高低表示了優選模式集合平均對這三個方面的綜合模擬能力,如果這三個方面的S值排名相互之間的相關性過高,就會導致S值排名的評分權重偏大或偏小.本文在使用Mr來評估優選模式集合平均的綜合模擬能力之前,先分別對CMIP5與CMIP6中基于S值對區域平均氣溫的多年變化、年平均氣溫氣候態空間分布、年平均氣溫氣候傾向率空間分布的排名進行了兩兩相關性檢測,結果發現相關系數均不超過0.4,且大部分未通過顯著性檢驗,因此,本文使用Mr作為評估指標是可靠的.

由圖4可以看出,無論是CMIP5還是CMIP6,優選集合方案的模擬能力與模式個數的關系都不是簡單的正相關關系.隨著模式個數的增多,在相同模式個數的條件下,CMIP6模式優選集合方案的模擬能力一般要高于CMIP5,其模式模擬能力下降的速率也要低于CMIP5,且最終會保持在一個較為穩定的水平,而CMIP5的優選集合方案隨著模式個數的增多,模擬能力呈現先上升后下降的趨勢.從優選集合方案的綜合模擬能力來說,隨著模式個數的增加,CMIP5與CMIP6優選集合方案的Mr逐漸升高,說明隨著模式的增加,優選集合方案的模擬能力也在上升,這與Pierce等(2009)所得出的結論相似.他們通過CMIP3的21個模式對美國西部地區的日最低氣溫進行了歸因分析,發現多模式集合的模擬效果會隨著集合樣本數量的增加而升高,周文翀和韓振宇(2018)在中國黃河流域使用絕對誤差、均方根誤差、秩評分等評估指標也得到了類似的結論.CMIP5與CMIP6優選集合的Mr值均在模式個數為12左右達到峰值(圖4d),隨后逐漸下降.這說明當使用綜合模擬能力最佳的12個模式做集合平均時,能夠最好地模擬出中國東北地區的氣溫特點.但在其他地區,使用不同的評估指標對不同氣候變量進行研究,該結論是否仍然成立,需要進一步的研究,如對于美國西部的日最低氣溫而言,Pierce等(2009)使用均方根誤差、技能得分等評估指標對CMIP3的模擬能力進行評估,認為未經過優選的CMIP3多模式集合模擬效果將隨著隨機集合樣本增加而提高,且在達到一定樣本數量之后逐漸穩定.他認為模式個數至少為14才能夠保證不同氣候模式的模擬誤差相互抵消,提高多模式集合模擬效果的可信度.

表3 CMIP5模式、CMIP6模式對區域平均多年變化、年平均氣溫空間分布和年平均氣溫氣候傾向率 空間分布的S值與MrTable 3 The interannual variations of regionally averaged surface air temperature, the spatial distributions of annual mean air surface temperature and the trends for the CMIP5 and CMIP6 models by a comprehensive metric proposed by Taylor and composite rating indicator

圖4 不同模式的個數對優選模式集合平均方案模擬能力的影響. (a—c) 分別為基于S值的優選模式集合平均對年平均氣溫氣 候態空間分布、區域平均氣溫多年變化及年平均氣溫氣候傾向率的模擬能力. (d) 為基于Mr的優選模式集合平均的模擬能力Fig.4 The influence of the number of ensemble members on the models′ capability for spatial distributions of annual mean surface air temperature (a), interannual variations of regionally averaged surface air temperature (b) and spatial distributions of annual mean surface air temperature trends (c) based on the S value (a—c) and Mr (d)

本文最終通過Mr,篩選出CMIP5與CMIP6中綜合模擬能力前12名模式,其中,CMIP5模式的前12名為：CESM1-BGC,CanESM2,GFDL-ESM2M,BCC-CSM1-1-M,ACCESS1-3,MPI-ESM-P,MIROC4h,ACCESS1-0,CCSM4,CMCC-CM,BCC-CSM1-1,CESM1-FASTCHEM; CMIP6選中的模式為：TaiESM1,MPI-ESM1-2-LR,CMCC-CM2-HR4,GISS-E2-1-H,E3SM-1-0,E3SM-1-1,GFDL-CM4,GISS-E2-1-G,CESM2-WACCM,CESM2-FV2,FGOALS-f3-L,NESM3.CMIP5與CMIP6前12名模式分別在等權重系數條件下集合平均,得到CMIP5(MME5)與CMIP6最優模式集合平均方案(MME6).

(2) 最優模式集合平均模擬結果

圖5a為CMIP5與CMIP6的最優模式集合平均模擬的區域平均氣溫多年變化、年平均氣溫氣候態空間分布及年平均氣溫氣候傾向率空間分布相對于觀測的泰勒圖.MME6對區域平均氣溫多年變化的模擬能力沒有明顯進步,然而,相比于MME5,MME6能更好地模擬出年平均氣溫氣候態及氣候傾向率的空間分布,在開展對中國東北地區年平均氣溫氣候態及氣候傾向率空間分布的預估研究時,可以考慮采用最優模式集合平均的方式進行預估.

從區域平均氣溫的多年變化來看(圖5b),MME5所模擬的區域平均多年變化比MME6平均更接近觀測數據,但其模擬的線性趨勢為0.27 ℃/10a(p<0.001),略小于MME6所模擬的增溫趨勢0.28 ℃/10a(p<0.001),也小于觀測數據(0.43 ℃/10a).與單模式的模擬結果相比,MME5與MME6的模擬結果并不占優勢,均有一定程度低估,這跟篩選指標Mr有關,Mr高雖然說明模式的綜合模擬能力強,但是可能會弱化了其對某單一變量的模擬能力,具體是因為MME5與MME6對區域平均氣溫的多年變化的S值排名靠后(分別為19名和14名),但年平均氣溫氣候態及其氣候傾向率的空間分布的S值排名都在前10名,因此Mr較高.

觀測數據顯示(圖6a),中國東北地區年平均氣溫氣候態空間分布整體上由北至南逐漸升高,黑龍江省最北部低溫區年平均氣溫在-4 ℃以下,遼寧省的西南部年平均氣溫在6 ℃以上.MME5與MME6均能大致模擬出東北地區年平均氣溫由北至南逐漸升高的分布特點以及高、低溫中心的分布,但普遍存在低估的現象.MME5的模擬結果中(圖6b),除遼寧東部、吉林東部存在暖偏差,其余地區大部分被低估.MME6的模擬結果比MME5更接近觀測值(圖6c),尤其是對遼寧東部、吉林東部的暖偏差有了一定改善.

圖5 1961—2005年中國東北地區CMIP5與CMIP6最優模式集合方案(MME5與MME6)模擬相對于觀測 在3個角度下的泰勒圖(a)與其模擬中國東北地區區域平均氣溫多年變化的結果(b) (a)中圓形、方形、三角形分別表示最優模式集合方案對年平均氣溫氣候態空間分布、區域平均氣溫多年變化、 年平均氣溫氣候傾向率空間分布的模擬結果.Fig.5 Taylor diagrams for the three provinces in Northeast China between the preferred models ensemble mean for CMIP5 (a, MME5)/ CMIP6 (b, MME6) and observations under 3 dimensions for the period 1961—2005(a) and interannual variations of regionally averaged surface air temperature over the three provinces in Northeast China for MME5 and MME6 during 1961—2005 (b) The circle, square and triangle characters respectively indicate spatial distributions of annual mean surface air temperature, interannual variations of regionally averaged surface air temperature and spatial distributions of annual mean surface air temperature trends in (a).

圖6 1961—2005年中國東北地區觀測場(a、d)與CMIP5(b、e)、CMIP6(c、f)最優模式集合方案(MME5與MME6)的 年平均氣溫氣候態空間分布(a—c,單位：℃)及其氣候傾向率空間分布(d—f,單位：℃/10a)Fig.6 Spatial distributions of annual mean surface air temperature (a—c,units=℃) and trends (d—f, units=℃/10a) of the three provinces in Northeast China over the period of 1961—2005 for the CN05.1 (a,d), CMIP5 (b,e) and CMIP6 (c,f) preferred models ensemble mean (MME5, MME6)

從氣候傾向率的空間分布來看,中國東北地區均在升溫,其中黑龍江省、吉林省的大部分區域氣候傾向率大于0.4 ℃/10a,遼寧省的氣候傾向率在0.15～0.35 ℃/10a之間(圖6d).MME5與MME6的模擬結果均不理想,雖能大致模擬出東北地區的增溫速率由北到南逐漸減小,但數值上普遍出現低估,尤其是在黑龍江北部低估最明顯(圖6e—f).

3 結論

中國東北地區對全國農業、林業與經濟發展具有重要的意義(陶純葦等, 2016),而模式作為預估未來氣候的重要方法(Chen et al., 2020),越來越多地被科學界所使用,評估模式的可靠性并探討CMIP6對中國東北地區氣溫的模擬是否有所進步至關重要.本文通過泰勒圖、S值以及Mr,系統地評估了39個CMIP5模式和34個CMIP6模式對中國東北地區年平均氣溫特征的模擬能力,分析CMIP6單模式與MME6的模擬能力是否有所提高; 在此基礎上,探討了模式個數對優選模式集合平均模擬結果的影響.主要結論如下：

(1) 絕大多數CMIP6模式對中國東北地區年平均氣溫氣候態空間分布的模擬效果最好,且模擬結果一致性較高,但對于區域平均氣溫的多年變化及其線性趨勢存在低估.相比于CMIP5,CMIP6整體上能更好地模擬出年平均氣溫特征,但兩代模式對年平均氣溫氣候傾向率空間分布的模擬能力有限.從CMIP6與其在CMIP5中的早期版本比較來看,CMIP6模式對區域平均氣溫的多年變化、年平均氣溫氣候態空間分布及年平均氣溫氣候傾向率空間分布的模擬能力有所提高,改善模式個數占CMIP5與CMIP6共有模式個數的56.3%、87.5%和50%.

(2) 優選模式集合方案比所有模式的集合平均方案及大多數單模式更優,隨著集合平均方案的模式個數的增加,模式的綜合模擬能力呈“上升-下降”的趨勢.此外,沒有一個模式能夠在所有情況下都表現最佳,因此,在做多模式集合平均時,模式用戶需要根據自己的需要進行優選,并確定模式樣本的個數.

(3) MME5與MME6均能模擬出年平均氣溫由南到北遞減以及其趨勢由南到北遞增的特點.相比于MME5,MME6能更好地模擬出東北地區的年平均氣溫氣候態空間分布及年平均氣溫氣候傾向率空間分布,然而,MME6對區域平均氣溫多年變化的模擬能力要略低于MME5,這是由于篩選指標Mr會忽略模式對某單一變量的模擬能力.因此,雖然MME6的綜合模擬能力較優,但MME6不能很好地模擬出東北地區區域平均氣溫多年變化.