第六次國際耦合模式比較計劃中我國地球氣候系統模式海冰范圍的模擬評價

趙立清 王曉春 李佳琦

研究論文

第六次國際耦合模式比較計劃中我國地球氣候系統模式海冰范圍的模擬評價

趙立清 王曉春 李佳琦

(南京信息工程大學海洋科學學院, 江蘇 南京 210044)

世界氣候研究計劃(WCRP)正在組織實施第六次國際耦合模式比較計劃(CMIP6), 該計劃中, 我國提供了9個地球氣候系統模式的結果。本文利用這9個地球氣候系統模式的北極海冰輸出以及同時段海冰的觀測數據, 評價了這些模式1980—2014年北極海冰范圍的季節變化、長期趨勢及年內變率, 并與CMIP6多模式平均進行了比較。結果表明, 與觀測數據對比, 多數模式(8/9)都能反映出北極海冰范圍季節變化的時間特征, 其中1個模式海冰范圍最大值的出現時間延遲了1個月。多數模式(8/9)高估季節變化的最大值。在長期趨勢方面, 5個模式高估了3月北極海冰范圍減小的趨勢, 4個模式低估了9月北極海冰范圍減小的趨勢。與CMIP6多模式平均結果相比, 其中1個模式的季節變化和長期趨勢在多模式平均值的標準差范圍內。觀測表明, 1980—2014年, 9月海冰范圍的減少趨勢為3月減少趨勢的2倍, 這導致了海冰范圍年內變率呈現上升趨勢, 有兩個模式較好地再現了這一特征。此外, 參加CMIP5及CMIP6具有傳承關系的我國4個模式在北極海冰范圍季節變化及長期趨勢方面有了明顯的改善。

地球氣候系統模式 CMIP6 北極海冰 海冰范圍

0 引言

世界氣候研究計劃(World Climate Research Programme, WCRP)耦合模式工作組(Working Group on Coupled Models, WGCM)組織的國際耦合模式比較計劃(Coupled Model Intercomparison Project, CMIP)提供了大量的地球氣候系統模式試驗結果, 這為評估這些模式能否準確模擬海冰變化提供了可能。在以往CMIP中, CMIP3中的多數模式能模擬出北極海冰范圍的下降趨勢以及北極海冰范圍的季節循環特征, 然而北極海冰夏季的下降趨勢被嚴重低估[1-2]。CMIP5中大多數模式能較好地模擬出北極海冰范圍的氣候特征及多年下降趨勢[3-4]。與CMIP3模擬結果相比, CMIP5中1979—2005年北極海冰范圍在夏季的下降趨勢與觀測結果更接近, 但仍然小于觀測值[3-4]。目前, CMIP6正在進行中[5-6], 截至2021年3月, 有56個模式向CMIP6提供了歷史試驗(Historical Experiment)的海冰模擬結果(詳見https:// pcmdi.llnl.gov/CMIP6/)。Notz和Community[7]指出北極海冰面積的觀測結果在CMIP6多模式集合平均范圍內。Shu等[8]系統地評估了CMIP6模式對海冰范圍季節變化和年際變化的模擬能力, 他們的研究指出, 多模式集合平均結果能較好地給出兩極海冰的季節變化特征, 但仍低估北極海冰夏季的減小速率; 與CMIP5相比, CMIP6多模式集合平均結果與觀測值更加接近。需要說明的是, 他們的評估側重CMIP6 的集合平均結果, 并非單獨的模式, 未能深入討論各個模式之間模擬結果的差異。

我國是CMIP6中提供模式結果較多的國家, 共有6個研究機構提供了9個模式的結果, 模式數量僅次于美國。這9個模式分別為國家氣候中心的BCC-CSM2-MR[9-10]和BCC-ESM1-0[9, 11], 中國氣象科學研究院的CAMS-CSM1-0[12-13], 中國科學院大氣物理研究所的CAS-ESM2-0[14]、FGOALS-f3-L[15-16]和FGOALS-g3[17], 清華大學的CIESM[18], 自然資源部第一海洋研究所的FIO-ESM-2-0[19], 以及南京信息工程大學的NESM3[20-21]。本文的研究目的是對參與CMIP6的國內9個模式的模擬能力進行綜合評價, 側重單個模式的表現, 評價變量為海冰范圍。本文除了分析北極海冰范圍的常規量, 比如氣候平均值、年際和季節變化外, 還將對年內海冰范圍標準差的年際變化進行分析。在分析中發現, 海冰范圍年內最小值(9月)的下降速率約為海冰范圍年內最大值(3月)下降速率的2倍。由此可見, 海冰范圍的年內標準差隨著時間的推移正在逐漸發生著變化, 模式能否捕捉到這一變化也將在本文中進行討論。

盡管每一模式在發展階段都會與觀測結果進行比較, 以評價模式的性能, 但國內模式之間直接比較的研究并不多見。另一方面, 當參與比較的模式較多時, 模式之間比較的工作往往偏重于多模式的集合平均, 對模式間的差異及細節分析不夠。此外, 本文還通過比較來自同一機構同時參加 CMIP6 和 CMIP5 的模式模擬結果, 評估具有傳承關系的模式模擬北極海冰的能力是否有提高。對我國模式結果進行更細致的比較, 將促進我國地球氣候系統模式的發展, 通過與多模式平均結果進行對比, 也能評估出我國地球氣候系統模式的總體水平。在評價基礎上對模式結果的綜合利用可提高未來氣候變化預估的準確性。

本文重點分析9個中國地球氣候系統模式在模擬北極海冰范圍中的表現, 關于這9個模式在模擬北極海冰空間分布方面的比較及分析, 我們將另文討論。本文依據衛星觀測資料, 利用這些模式評價1980—2014年不同模式對于北極海冰范圍的季節變化和長期趨勢的模擬結果。第1節介紹我國的9個模式、所用的觀測資料及比較方法, 第2節比較了這9個模式對北極海冰范圍季節變化的模擬能力, 第3節比較了它們對北極海冰范圍年際變化的模擬能力, 第4節對這9個模式中來自同一機構同時參與 CMIP6 和 CMIP5的模式進行了比較, 第5節為總結及討論。

1 CMIP6中我國的9個模式及比較方法

1.1 CMIP6中我國的9個模式

與大氣、海洋模式相比, 我國在海冰模式研發方面起步較晚。20世紀90年代初, 基于對海冰熱力學、動力學和流變學的研究, 吳輝碇等[22]研究了適合于渤海冰情的海冰動力-熱力學模式; 楊清華等[23]引進和改進了美國麻省理工學院的MITgcm (Massachusetts Institute of Technology General Circulation Model) 海冰-海洋耦合模式, 并開展了極地海冰預報。20世紀90年代末, 中國科學院大氣物理研究所率先開始大氣-海冰-海洋耦合模擬, 研究了極地海冰氣候特征[24]。近年來, 中國科學院大氣物理研究所自主開發了更為合理的海冰熱力學參數化方案[25], 并對CICE4海冰模式中的物理過程進行了改進, 改進的CICE4海冰模式已應用于中國科學院大氣物理研究所、北京師范大學和自然年資源部第一海洋研究所的氣候系統模式, 并參與了CMIP5試驗。但對參加CMIP5的6個中國氣候系統模式北極海冰模擬結果的評估表明, 我國模式對海冰范圍模擬結果與國際CMIP5模式的平均水平相比還存在一定差距[26]。

表1給出了參加CMIP6的9個中國地球氣候系統模式的基本信息。這些模式的空間分辨率都為1o×1°左右。其中3個氣候系統模式采用了Sea Ice Simulator (SIS)海冰模塊[27], 另外6個采用了Las Alamos National Lab 開發的CICE4海冰模塊[28]。表1中BCC模式采用了SIS海冰模塊, 相關研究表明, 在BCC模式中使用CICE5.0海冰模塊可以改善對北極海冰的模擬[29]。耦合模式的海冰模擬結果由多種因素確定, 模式結果變化的原因需要詳細的診斷分析。

本文重點分析這9個模式在模擬北極海冰范圍中的表現, 將北極海冰范圍定義為30.98oN以北海冰密集度(Sea Ice Concentration, SIC)大于15%的所有網格點面積之和。為避免空間插值可能帶來的誤差, 模式的海冰范圍使用模式原始網格計算得到。本文中的模式數據使用了CMIP6中歷史氣候模擬試驗(Historical)的輸出結果[6]。為避免氣候系統模式結果對初始狀態的敏感性, 可以使用包含多個成員的集合平均, 對集合的統計分析能一定程度上削弱氣候系統內部變率對模式結果的影響[30]。表1中列出了這9個模式歷史試驗的集合成員數量, 本文的所有分析都使用了集合成員的平均。

表1 中國9個CMIP6模式海冰模塊的基本信息

1.2 觀測資料及比較方法

海冰密集度觀測數據采用美國冰雪數據中心(National Snow and Ice Data Center, NSIDC)發布的衛星數據產品——NSIDC-0051數據集[31]。該數據集的空間分辨率為25 km×25 km, 時間分辨率為1天, 本文使用了月平均數據。1978年以來, 被動式微波輻射計衛星資料的使用為整個北極地區提供了綜合和全面的海冰密集度信息。同時也發展了許多從被動式微波輻射計數據資料中獲取海冰密集度數據的算法, 比如NASA Team反演算法[32]和Bootstrap反演算法[33]等。比較結果表明, 采用兩種反演算法得到的海冰范圍相近, 比如使用NASA Team反演算法得到的1980—2014年北極平均海冰范圍為1.18×107km2, 使用Bootstrap反演算法得到的北極平均海冰范圍為1.21×107km2, 兩者的差別為2.5%, 遠小于觀測與模式結果之間的差別。本文中使用的海冰觀測資料為采用NASA Team算法獲取的海冰密集度數據。

海冰范圍變化有著不同的時間尺度, 本文將北極海冰范圍的變化分為季節變化和長期趨勢兩部分。其中, 海冰范圍的季節變化由1980—2014年海冰范圍的多年平均確定; 原始數據去掉多年平均的季節變化, 便可以得到海冰范圍的異常, 利用異常值可以估計海冰范圍的長期趨勢。除全年趨勢外, 本文也分析了3月及9月北極海冰范圍的長期變化趨勢。

本文還計算了海冰范圍的平均值、季節變化極值及振幅。海冰范圍平均值為1980年1月—2014年12月所有月份海冰覆蓋范圍的平均值, 該指標反映的是各模式對北極海冰面積總量的模擬效果。海冰范圍季節變化極值是指季節變化的最大值與最小值, 最大值減去最小值的差值的一半定義為海冰范圍季節變化的振幅, 極值與振幅反映模式/觀測數據的季節變化幅度。

2 我國模式對北極海冰范圍季節變化的模擬能力

本文首先評估了9個CMIP6模式(表1)對北極海冰范圍季節變化的模擬能力。圖1a中黑實線為觀測值(OBS), 由圖1a可知, 幾乎所有模式都能反映出與觀測一致的北極海冰范圍季節變化特征, 即海冰范圍在北半球春季3月增長到最大值之后減小到9月最小值再回升的年循環特征。但NESM3模擬的海冰生長期滯后一個月。CAS-ESM2-0模式3月模擬值與觀測值相差最小; NESM3模式9月模擬值與觀測值基本一致。BCC-CSM2-MR、BCC-ESM1-0、CAMS- CSM1-0、FGOALS-f3-L與FGOALS-g3在所有月份的模擬結果均大于觀測值, 高估了北極的海冰范圍; CIESM所有月份的模擬結果均小于觀測值, 低估了北極的海冰范圍。CAMS-CSM1-0模式較大地高估了冬季海冰范圍的極大值。CAS-ESM2-0模式在6—11月模擬結果與觀測偏差較大, 其余月份與觀測基本一致。NESM3模式8—11月模擬結果與觀測值基本一致。FIO- ESM-2-0模式在1—7和12月模擬結果大于觀測值, 8—11月模擬結果小于觀測值。FGOALS-f3-L模式在1—7月模擬結果大于觀測值, 但其余月份與觀測值基本一致。

為了深入了解這9個國內模式對海冰范圍季節變化模擬的技巧, 本文將其與CMIP6其他模式進行了對比。圖1a中灰色陰影部分為44個CMIP6地球氣候系統模式的多模式平均結果(multimodel mean, MMM)及其標準差(standard deviation, STD)[8]。每個月份陰影部分的上限和下限分別表示MMM+STD和MMM–STD。可以看出, 在3月, 有6個模式對海冰范圍的模擬結果均分布在MMM±STD范圍內; 在9月, 只有4個模式的模擬結果分布在MMM±STD范圍內; 模式BCC-CSM2-MR和FGOALS-f3-L在所有月份基本都分布在MMM±STD范圍內。

圖1 1980—2014年北極海冰范圍觀測數據及模式結果。a)北極海冰范圍季節變化的多年平均; b)海冰范圍季節變化的極值柱狀圖

Fig.1. The observed and modeled Arctic sea ice extents from 1980 to 2014. a) the mean seasonal cycle of Arctic sea ice extent; b) the bar graphs of extreme values of the seasonal cycle of sea ice extent for nine models and observation

圖1b顯示的是1980—2014年間海冰范圍的均值和極值(振幅), 均值能反映模式對北極海冰范圍總量的模擬效果, 極值(振幅)能反映模式海冰范圍的季節變化幅度。如圖1b所示, 柱的頂端點和底端點分別表示海冰范圍季節變化的極大值和極小值, 柱的高度表示兩倍振幅, 柱上的橫線位置表示該模式/觀測的平均值。通過與觀測對比, FIO-ESM-2-0和CAS-ESM2-0模擬的海冰范圍均值與觀測值最接近, 說明這兩個模式對多年平均(1980—2014年)海冰范圍的模擬效果較好。9個模式中, 8個模式高估了海冰范圍季節變化中的極大值; 5個模式高估了海冰范圍季節變化中的極小值, 3個模式低估了海冰范圍的極小值, NESM3模式海冰范圍極小值與觀測值相近。就季節變化振幅的模擬而言, 模擬效果較好的是BCC-CSM2-MR和BCC-ESM1-0; 除FGOALS-g3模式外, 其余6個模式對于季節變化的振幅都有所高估。使用SIS海冰模塊和使用CICE海冰模塊的氣候模式在模擬北極海冰范圍方面沒有系統性的區別。

3 我國模式對北極海冰范圍年際變化的模擬能力

3.1 海冰范圍的長期趨勢

有衛星觀測以來, 北極海冰明顯減少, 9月的減少趨勢最大[8]。評估模式中海冰范圍的變化趨勢對未來北極海冰范圍的預測具有十分重要的意義。圖2和圖3分別給出了各模式的1980—2014年3月(冬季)和9月(夏季)北極海冰范圍的年際變化曲線。從圖2可知, CAS-ESM2-0模式3月的模擬結果與觀測值最接近, 這與圖1a中該模式的氣候態平均海冰范圍結果一致; CAMS-CSM1-0模式3月的模擬結果與觀測值相差最大。BCC-CSM2-MR、BCC-ESM1-0、CAMS-CSM1-0、FGOALS-f3-L、FGOALS-g3、FIO-ESM-2-0和NESM3模式3月模擬結果在1980—2014年間均大于觀測值; CIESM模式3月模擬結果小于觀測值。

9月海冰范圍最顯著的變化是其長期減少的趨勢(圖3)。有衛星觀測以來, 最小海冰范圍發生在2012年9月, 為3.62×106km2。9個模式中, 除兩個模式(CAMS-CSM1-0和CIESM)沒有明顯的下降趨勢外, 其余7個模式均不同程度地模擬出了9月海冰減少的趨勢。但CIESM模式9月模擬結果與觀測相差較大, 該模式模擬的9月海冰在20世紀80年代幾乎已經全部融化, 所以沒有減小趨勢。BCC-CSM2-MR、BCC-ESM1-0、CAMS- CSM1-0和FGOALS-g3模式結果基本都大于觀測值, 均高估9月海冰范圍; CAS-ESM2-0、CIESM和FIO-ESM-2-0模式結果基本都小于觀測值, 低估9月的海冰范圍。相比較而言, NESM3和FGOALS-f3-L模式在9月的輸出結果與觀測值較接近。

圖2 1980—2014年3月北極海冰范圍的觀測數據(黑實線)及模式(彩色線)的年際變化

Fig.2. The interannual variability of observed (solid black line) and modeled (colored lines) Arctic sea ice extents in March from 1980 to 2014

圖3 1980—2014年9月北極海冰范圍的觀測數據(黑實線)及模式(彩色線)的年際變化

Fig.3. The interannual variability of observed (solid black line) and modeled (colored lines) Arctic sea ice extents in September from 1980 to 2014

圖4給出了1980—2014年3月、9月及全年北極海冰范圍觀測數據及各模式的長期變化趨勢。各個模式展現的海冰范圍長期趨勢有很大不同。對于3月海冰范圍的減小趨勢, 與觀測相比, 表現較好的是BCC-CSM2-MR、BCC-ESM1-0、FGOALS-f3-L和FIO-ESM2-0模式。9個模式中有5個模式高估了減小的趨勢, 其中, FGOALS- g3趨勢高估得最多; 3個模式低估了減小的趨勢; 1個模式(CIESM)的3月變化趨勢并不顯著。與CMIP6多模式集合平均的3月北極海冰范圍的長期趨勢 (–0.45±0.03)×105km2·a–1相比[8], BCC- ESM1-0和FGOALS-f3-L模式模擬的下降趨勢與多模式平均結果較吻合。

對于9月北極海冰范圍的減小趨勢, 表現較好的是BCC-CSM2-MR模式, 與觀測值最接近。其余幾個模式中有4個模式低估了北極海冰的減小趨勢, CAS-ESM2-0和NESM3模式高估了9月海冰范圍的減小趨勢; CAMS-CSM1-0和CIESM 9月北極海冰范圍沒有明顯的變化趨勢。與CMIP6多模式集合平均9月北極海冰范圍的長期趨勢(–0.70±0.06)×105km2·a–1相比[8], BCC- ESM1-0和FIO-ESM-2-0模式模擬的下降趨勢與多模式平均結果較吻合。需要指出CMIP6 多模式平均結果也低估了9月海冰范圍的減少趨勢(–0.83±0.18)×105km2·a–1 [8]。比較觀測的3月和9月北極海冰范圍的下降趨勢(圖4中的OBS), 可以注意到, 9月北極海冰范圍的下降趨勢約為3月下降趨勢的2倍, 隨著時間的推移, 這勢必導致海冰范圍年內變率的改變, 模式能否捕捉到這一特征也是考察的一項指標。

圖4 1980—2014年北極海冰范圍的變化趨勢。a) 3月; b)9月; c)全年

Fig.4. The trends of Arctic sea ice extent from 1980 to 2014. a) March; b) September; c) the whole year

在全年趨勢方面, 與觀測相比, 表現較好的是BCC-CSM2-MR。其中, 9個模式中有6個模式低估了北極海冰范圍全年的減小趨勢; NESM3和FGOALS-g3高估了海冰范圍全年的減小趨勢。

3.2 海冰范圍年內變率的長期趨勢

海冰范圍具有明顯的年循環變化特征, 即在北半球3月增長到最大值、9月減小到最小值。1980—2014年北極海冰范圍的變化趨勢在3月與9月明顯不同, 這必然導致海冰范圍的年內變率不同, 甚至也存在海冰范圍年內變率的長期趨勢。這種趨勢的模擬技巧可能會影響模式對未來海冰變化的預測能力。為了更細致地刻畫海冰范圍的年內變率特征, 圖5計算了1980—2014年每年12個月海冰范圍的標準差, 從圖5可知, 除FGOALS-g3模式外, 其余模式的年內海冰范圍標準差均大于觀測值, 表明模式具有較大的海冰范圍年內變化幅度。整體來看, CIESM模式的年內海冰范圍標準差最大, 這與圖1b 中CIESM的多年平均海冰范圍極值柱較長一致; FGOALS-g3模式的年內海冰范圍標準差較小, 這與圖1b中FGOALS-g3的多年平均海冰范圍極值柱較短一致。

另一方面, 從圖5可知, 觀測數據的年內海冰范圍標準差總體呈現上升趨勢。為了定量對比各個模式的年內海冰范圍變化趨勢, 圖6給出了觀測數據及9個模式年內海冰范圍標準差的變化趨勢。從圖6可知, 觀測數據的年內海冰范圍的變化趨勢約為1.74×104km2·a–1, NESM3模式的年內海冰范圍變化趨勢為1.49×104km2·a–1, 與觀測值較接近。FIO-ESM-2-0模式的年內海冰范圍變化趨勢為2.32×104km2·a–1, 約為觀測值的1.33倍。與觀測得到的正變化趨勢相反, FGOALS-g3表現出負的年內海冰范圍變化趨勢, 表明該模式年內海冰范圍變化幅度在變小。

4 CMIP5和CMIP6中的我國模式比較

我國有6個模式參加了CMIP5[34], 分別為國家氣候中心的BCC-CSM1.1和BCC-CSM1.1(m)、北京師范大學的BNU-ESM、中國科學院大氣物理研究所的FGOALS-s2和FGOALS-g2以及自然資源部第一海洋研究所的FIO-ESM。本文重點關注其中與CMIP6中有明顯傳承關系的4個模式, 即BCC-CSM1.1(m)、FGOALS-s2、FGOALS-g2與FIO-ESM。圖7對比了CMIP5與CMIP6中具有傳承關系的我國模式海冰范圍的全年變化趨勢, 這里進行對比的時間區間為1980—2005年。與相應的上一代模式相比, 4個模式的全年變化趨勢均更接近觀測結果。具體說來, BCC-CSM模式和FGOALS-g3模式改進了上一代模式中與觀測值相比偏大的下降趨勢; FGOALS-f3-L和FIO-ESM-2-0模式改進了相應的上一代模式中偏小的下降趨勢。

圖5 1980—2014年內海冰范圍標準差的觀測數據(黑實線)及模式(彩色線)年際變化

Fig.5. The interannual variability of intra-annual sea ice extent standard deviations for observation (solid black line) and nine models (colored lines) from 1980 to 2014

圖6 1980—2014年內海冰范圍標準差的觀測數據及模式變化趨勢。其中帶*號的值表示通過95%顯著性檢驗

Fig.6. The trend of intra-annual sea ice extents standard deviation from 1980 to 2014 for observation and nine models. The asterisks associated with those bars indicate that the trends are significant at 95% level

為了分析具有傳承關系的4個模式北極海冰范圍在季節變化上的表現, 圖8給出了1980—2005年平均海冰范圍極值柱狀圖。可以看出, 4個模式在不同方面均有改善, 如BCC-CSM2-MR改善了上一代模式中偏大的海冰范圍季節變化幅度; FGOALS-g3和FGOALS-f3-L改善了上一代模式偏小的海冰范圍季節變化幅度; FIO-ESM-2-0的海冰范圍均值較上一代模式與觀測更接近。

5 結論與討論

本文評估了我國大陸地區參加CMIP6計劃的9個氣候模式對北極海冰范圍的模擬。結合同時段海冰的觀測數據, 評價了1980—2014年北極海冰范圍的模式季節變化和長期趨勢。在季節變化方面, 幾乎所有模式都能反映出北極海冰范圍的年際變化特征。然而, 多數模式(8/9)高估季節變化的最大值, 其中1個模式海冰范圍最大值出現在4月而不是3月。

圖7 1980—2005年北極海冰范圍趨勢觀測數據及CMIP5與CMIP6中國模式年變化趨勢

Fig.7. The trend of sea ice extent for the whole year based on observation and four models that contributed to both CMIP5 and CMIP6 and are from the same Chinese institutions from 1980 to 2005

圖8 CMIP5與CMIP6中具有傳承關系的中國模式多年平均(1980—2005年)北極海冰范圍季節變化的極值柱狀圖

Fig.8. The bar graphs of extreme values of the seasonal cycle of sea ice extent based on observation and four models that contributed to both CMIP5 and CMIP6 and are from the same Chinese institutions from 1980 to 2005

在長期趨勢方面, 9個模式中有5個模式高估了3月北極海冰范圍減小的趨勢, 1個模式結果沒有明顯的變化趨勢; 4個模式低估了9月北極海冰范圍減小的趨勢, 2個模式結果沒有明顯的變化趨勢。總體說來, 與觀測相比, BCC-CSM2-MR模式對北極海冰范圍的減小趨勢捕捉較好。此外, 觀測表明, 9月海冰范圍的減少趨勢為3月減少趨勢的2倍, 這導致了年內海冰范圍標準差在1980—2014年呈現上升趨勢, BCC-CSM2-MR及NESM3模式較好地再現了這一特征。

我國9個模式海冰范圍的輸出結果與CMIP6多模式平均結果[8]的對比表明, BCC-CSM2-MR和FGOALS-f3-L模式在所有月份的模擬結果都分布在多模式平均值的標準差范圍內。BCC- ESM1-0和FGOALS-f3-L模式模擬的3月北極海冰范圍的下降趨勢與多模式平均結果一致。BCC-ESM1-0和FIO-ESM-2-0模式模擬9月北極海冰范圍的下降趨勢與多模式平均結果一致。總體來說, 與多模式平均結果相比, BCC-ESM1-0模式的季節變化和長期趨勢在多模式平均值的標準差范圍內。

需要指出的是, 本文只對9個模式中的北極海冰范圍進行了比較, 海冰范圍反映海冰分布的積分結果, 這對于評估模式的模擬技巧是遠遠不夠的, 進一步的工作將增加更多變量以及相應變量空間分布的比較。這9個模式海冰密集度及長期趨勢空間分布的比較我們將另文討論。另外, 本文通過海冰范圍的比較呈現了模式之間的差別與不足, 并未分析差別的原因。耦合模式中海冰的模擬誤差可能來自于海冰模式, 也可能來自于大氣、海洋等其他分量模式, 或者耦合過程。而造成模擬誤差的原因可能因模式而異, 未來需要針對單個模式, 通過敏感性試驗具體分析造成誤差的原因。

致謝 本文中CMIP5我國模式數據的獲取得到了自然資源部第一海洋研究所喬方利研究員和舒啟博士以及南京大學大氣科學學院張錄軍教授的幫助, 在此表示感謝。

1 STROEVE J, HOLLAND M M, MEIER W, et al. Arctic sea ice decline: Faster than forecast[J]. Geophysical Research Letters, 2007, 34(9): L09501.

2 張璐, 張占海, 李群, 等. 近30年北極海冰異常變化趨勢[J].極地研究, 2009, 21(4):344-352.

3 SHU Q, SONG Z, QIAO F. Assessment of sea ice simulations in the CMIP5 models[J]. The Cryosphere, 2015, 9(1):399-409.

4 STROEVE J C, KATTSOV V, BARRETT A, et al. Trends in Arctic sea ice extent from CMIP5, CMIP3, and observations[J]. Geophysical Research Letters, 2012, 39(16): L16502.

5 EYRING V, BONY S, MEEHL G A, et al. Overview of the Coupled Model Intercomparison Project Phase 6 (CMIP6) experimental design and organization[J]. Geoscientific Model Development, 2016, 9(5):1937-1958.

6 周天軍, 鄒立維, 陳曉龍. 第六次國際耦合模式比較計劃(CMIP6)評述[J].氣候變化研究進展, 2019, 15(5):445-456.

7 NOTZ D, COMMUNITY S. Arctic sea ice in CMIP6[J]. Geophysical Research Letters, 2020, 47(10): e2019GL086749.

8 SHU Q, WANG Q, SONG Z Y, et al. Assessment of sea ice extent in CMIP6 with comparison to observations and CMIP5[J]. Geophysical Research Letters, 2020, 47(9): e2020GL087965.

9 辛曉歌, 吳統文, 張潔, 等. BCC模式及其開展的CMIP6試驗介紹[J].氣候變化研究進展, 2019, 15(5):533-539.

10 WU T W, LU Y X, FANG Y J, et al. The Beijing Climate Center Climate System Model (BCC-CSM): The main progress from CMIP5 to CMIP6[J]. Geoscientific Model Development, 2019, 12(4):1573-1600.

11 WU T W, ZHANG F, ZHANG J, et al. Beijing Climate Center Earth System Model version 1 (BCC-ESM1): Model description and evaluation of aerosol simulations[J]. Geoscientific Model Development, 2020, 13(3):977-1005.

12 RONG X Y, LI J, CHEN H M, et al. The CAMS climate system model and a basic evaluation of its climatology and climate variability simulation[J]. Journal of Meteorological Research, 2018, 32(6):839-861.

13 容新堯, 李建, 陳昊明, 等. CAMS-CSM模式及其參與CMIP6的方案[J].氣候變化研究進展, 2019, 15(5):540-544.

14 周廣慶, 張云泉, 姜金榮, 等. 地球系統模式CAS-ESM[J].數據與計算發展前沿, 2020, 2(1):38-54.

15 HE B, BAO Q, WANG X C, et al. CAS FGOALS-f3-L model datasets for CMIP6 historical atmospheric model intercomparison project simulation[J]. Advances in Atmospheric Sciences, 2019, 36(8):771-778.

16 HE B, LIU Y M, WU G X, et al. CAS FGOALS-f3-L model datasets for CMIP6 GMMIP Tier-1 and Tier-3 experiments[J]. Advances in Atmospheric Sciences, 2020, 37(1):18-28.

17 唐彥麗, 俞永強, 李立娟, 等. FGOALS-g模式及其參與CMIP6的方案[J].氣候變化研究進展, 2019, 15(5):551-557.

18 林巖鑾, 黃小猛, 梁逸爽, 等. 清華大學CIESM模式及其參與CMIP6的方案[J].氣候變化研究進展, 2019, 15(5):545-550.

19 宋振亞, 鮑穎, 喬方利. FIO-ESM v2.0模式及其參與CMIP6的方案[J].氣候變化研究進展, 2019, 15(5):558-565.

20 CAO J, WANG B, YANG Y M, et al. The NUIST Earth System Model (NESM) version 3: description and preliminary evaluation[J]. Geoscientific Model Development, 2018, 11(7):2975-2993.

21 曹劍, 馬利斌, 李娟, 等. NUIST-ESM模式及其參與CMIP6的方案[J].氣候變化研究進展, 2019, 15(5):566-570.

22 吳輝碇, 白珊, 張占海. 海冰動力學過程的數值模擬[J].海洋學報, 1998, 20(2): 1-13.

23 楊清華, 劉驥平, 張占海, 等. 北極海冰數值預報的初步研究——基于海冰-海洋耦合模式MITgcm的模擬試驗[J].大氣科學, 2011, 35(3):473-482.

24 吳國雄, 張學洪, 劉輝, 等.全球海洋-大氣-陸面系統模式(GOALS/LASG)及其模擬研究[J].應用氣象學報, 1997, 8(S1):15-28.

25 LIU J P. Sensitivity of sea ice and ocean simulations to sea ice salinity in a coupled global climate model[J]. Science China Earth Sciences, 2010, 53(6):911-918.

26 朱清照, 聞新宇.中國CMIP5模式對未來北極海冰的模擬偏差[J].氣候變化研究進展, 2016, 12(4):276-285.

27 WINTON M. A reformulated three-layer sea ice model[J]. Journal of Atmospheric and Oceanic Technology, 2000, 17(4):525-531.

28 DUVIVIER A. CICE-Consortium Documentation Release 6.0.0.aplha [R/OL].(2018-05-10)[2022-10-18]. https://buildmedia. readthedocs.org/media/pdf/cicea/latest/cicea.pdf.

29 房永杰, 儲敏, 吳統文, 等. CICE5.0與BCC-CSM2.0模式的耦合及對北極海冰的模擬評估[J].海洋學報, 2017, 39(5):33-43.

30 JAHN A, KAY J E, HOLLAND M M, et al. How predictable is the timing of a summer ice-free Arctic? [J]. Geophysical Research Letters, 2016, 43(17): 9113-9120.

31 CAVALIERI D J, PARKINSON C L, GLOERSEN P, et al. Sea-ice concentration from Nimbus-7 SMMR and DMSP SSM/I-SSMIS passive microwave data, version 1[DB/OL]. [2022-10-18]. https://nsidc.org/data/nsidc-0051/versions/1.

32 CAVALIERI D J, GLOERSEN P, CAMPBELL W J. Determination of sea ice parameters with the NIMBUS 7 SMMR[J]. Journal of Geophysical Research: Atmospheres, 1984, 89(D4):5355-5369.

33 COMISO J C. Bootstrap sea ice concentrations from Nimbus-7 SMMR and DMSP SSM/I-SSMIS, version 3 [DB/OL]. [2022-10-18]. https://nsidc.org/data/nsidc-0079/versions/3.

34 ZHOU T J, CHEN X L, DONG L, et al. Chinese contribution to CMIP5: An overview of five Chinese models’ performances[J]. Journal of Meteorological Research, 2014, 28(4):481-509.

Evaluation of Arctic sea ice extent according to Chinese CMIP6 models

Zhao Liqing, Wang Xiaochun, Li Jiaqi

(School of Marine Sciences, Nanjing University of Information Science & Technology, Nanjing 210014, China)

The Coupled Model Intercomparison Project Phase Six (CMIP6) organized by the World Climate Research Project (WCRP) is in progress. Nine earth climate system models from China contribute to CMIP6. The seasonal cycle, long-term linear trend, and intra-annual variability of Arctic sea ice extent (SIE) from the nine models are evaluated by comparing them with observations from 1980 to 2014. The results show that eight models are capable of reproducing the seasonal cycles of Arctic SIE well, except one of nine models in which the maximum value of seasonal cycle is delayed by one month. Most of the models (8/9) overestimate the maximum sea ice extent values of seasonal cycle. In terms of long-term trends, five models overestimate the declining trends of Arctic sea ice in March, and four models underestimate the declining trends of Arctic sea ice in September. Compared with the results of the CMIP6 multi-model ensemble mean, it is found that there is one model for which the seasonal cycle and long-term linear trend of SIE are both within the range of the multi-model ensemble mean’s standard deviation. The difference in long-term September and March SIE trends leads to a significant increasing trend of SIE intra-annual variability as measured by the standard deviation of SIE within a calendar year. Two models can reproduce this feature reasonably well. Finally, it is worth pointing out that four models from the same institution that contributed to both CMIP5 and CMIP6 show improvements in terms of SIE seasonal cycle and its long-term linear trend of annual averaged SIE.

earth climate system model, CMIP6, Arctic sea ice, sea ice extent

2021年8月收到來稿, 2021年10月收到修改稿

國家重點研發計劃 (2018YFA0605904)資助

趙立清, 女, 1982年生。副教授, 主要從事海冰模式分析和海洋湍流混合等研究。E-mail: zhaoliqing@nuist.edu.cn

王曉春, E-mail: xcwang@nuist.edu.cn

10.13679/j.jdyj.20210071