基于統計降尺度的東江流域未來氣候預估

杜 懿

(中山大學地理科學與規劃學院,廣東 廣州 510275)

近年來,在全球變暖的大背景下,區域氣候的變化及影響引起了學界的廣泛關注[1]。可靠的氣候變化預估對于區域未來的發展規劃、政策調整以及決策制定等具有重要意義[2]。全球氣候模式(Global Climate Model,GCM)是現階段用來進行氣候變化模擬和預估研究的主要工具,通常對于大尺度范圍內的平均氣候狀態有著較好的模擬效果[3-4]。然而,受多種因素限制,絕大多數GCM的水平空間分辨率都較低(>100 km),很難準確反映出小尺度或局地范圍內的氣候變化特征[5-6]。為擴展GCM在區域尺度上的應用,不同的降尺度方法先后被提出,且主要分為動力降尺度、統計降尺度以及動力與統計相結合的方法[7]。其中,統計降尺度方法由于計算量小、建模方便且擴展性高,得到了更為廣泛的應用[8-9]。

目前,統計降尺度方法在國內外已經有了大量應用,代表性方法有BCSD (Bias Correction and Spatial Disaggregation)、BCCI (Bias Correction and Climate Imprint)、BCCA (Bias Correction Constructed Analogs)、SDSM (Statistical Downscaling Model)、ASD (Automated Statistical Downscaling Model)、CDFM (Cumulative Distribution Function Matching) 和Delta方法[10-14]。過往研究表明,SDSM模型在氣溫的降尺度模擬上通常表現優秀,而對于降水的模擬效果卻不佳[15-18];CDFM和Delta方法屬于偏差校正類模型,分別在分布形狀修正和系統偏差消除上各具優勢,目前常被用于降水的統計降尺度研究中[19-21]。需要注意的是,不同區域對于統計降尺度模型的響應可能存在較大差別,因此實際應用前通常要對模型的可靠性進行驗證。

東江作為珠江流域的三大水系之一,長期承擔著河源、惠州、東莞、廣州、深圳和香港等地的供水需求,未來隨著粵港澳大灣區的快速發展,其作為供水水源地的作用將得到持續提升[22]。全球變暖背景下,東江流域近些年來的氣候特征也發生了較大變化[23-25],氣候狀態的改變將會直接影響到流域內的水資源量,因此,對東江流域開展未來氣候預估研究具有重要的現實意義。基于此,本文以東江流域為研究區域,以流域內地面氣象站點的觀測資料和全球氣候模式的輸出數據為基礎,分別對氣溫和降水進行統計降尺度模擬,并對未來不同排放情景下的流域氣候變化做出預估。

1 數據來源與研究方法

1.1 研究區概況

東江流域地處113°52′～115°52′E,22°38′～25°14′N,總面積35 340 km2,高溫多雨,屬亞熱帶季風濕潤氣候區[26]。流域多年平均降水量約1 795 mm,多年平均蒸發量約1 200 mm,年均氣溫介于20～22 ℃,降水的年內分配差異較大,雨期主要集中在4—9月,降水量約占全年總量的80%以上[27]。東江流域內的氣象站點及高程分布見圖1。

1.2 數據來源

本研究共涉及到三類數據,分別為氣象站點觀測數據、大尺度環流因子再分析數據以及全球氣候模式輸出數據。東江流域內14個國家基本氣象站點的逐日氣溫和降水觀測數據來自國家氣象科學數據中心(http://data.cma.cn/),時間跨度為1961—2014年。大尺度環流因子數據獲取自NCEP再分析數據集(https://www.psl.noaa.gov/),該數據集提供了精度較高的全球范圍內26個大氣環流因子的長時間序列網格觀測值,時間覆蓋范圍為1948—2018年,空間分辨率為2.5°×2.5°。

本文所選用的全球氣候模式為第五次耦合模式比較計劃中的CanESM2,數據來源于加拿大氣候模式與分析中心(https://climate-scenarios.canada.ca/)。該模式的輸出可劃分為歷史模擬期(1850—2005年)和未來預估期(2006—2100年),空間分辨率為2.8125°×2.8125°。同第五次耦合模式比較計劃一致,該模式也包含有RCP2.6(低等濃度排放路徑)、RCP4.5(中等濃度排放路徑)和RCP8.5(高等濃度排放路徑)等3種未來情景。

1.3 研究方法

1.3.1SDSM

SDSM是一種結合了多元線性回歸和隨機天氣發生器的統計降尺度模型,具有交互性高、實用性強等特點[13]。模型的基本原理見式(1)—(3):

(1)

(2)

(3)

式中Ri——降水;Ti——溫度;ωi——第i天發生降水的概率;Pij——第i天第j個大尺度預報因子;ei——模式誤差;n——預報因子個數;α、β、γ——相關參數。

對于降水,要先模擬其發生概率(式1),再用隨機天氣發生器來模擬降水量(式2);對于溫度,可直接模擬(式3)。

1.3.2CDFM

該法作為誤差訂正法中的代表,近年來在統計降尺度領域受到了越來越多的關注[28]。實際應用中,針對特定的氣象要素,通常利用氣候模式模擬值與氣象站點觀測值之間的累積分布函數差異來對氣候模式的原始輸出進行偏差校正進而達到降尺度目的。計算過程如下:

xm,cor=F0-1(Fm(xm))

(4)

式中xm,cor——校正后的氣候模式模擬值;xm——氣候模式的模擬值;Fm——氣候模式模擬值的累積分布函數;F0-1——氣象站點觀測值的累積分布函數的逆函數。

1.3.3Delta方法

Delta方法是美國國家評價中心(http://www.nacc.usgcrp.gov/)所推薦應用的未來氣候情景生成法[29]。該方法假設氣候模式對于氣候要素變化量的模擬要比對絕對值的模擬更加可靠,在對氣候要素變化量的描述上,降水采用變化率,而溫度采用變化量。氣象站點未來降水和氣溫情景的計算公式見式(5)、(6):

(5)

Tf=To+(TGf-TGo)

(6)

式中:Pf、Tf——Delta方法重建的未來降水、氣溫序列;PGf、TGf——氣候模式預估的未來降水、氣溫序列;PGo、TGo——氣候模式在基準期內所模擬的多年平均降水、氣溫;Po、To——基準期內觀測場的多年平均降水、氣溫。

1.3.4評價指標

本文使用平均絕對誤差(Mean Absolute Error,MAE)、平均絕對百分比誤差(Mean Absolute Percentage Error,MAPE)、均方根誤差(Root Mean Square Error,RMSE)以及皮爾遜相關系數(Pearson Correlation Coefficient,CC)等指標來評價模型的模擬效果。各指標的計算見式(7)—(10):

(7)

(8)

(9)

(10)

式中n——序列長度;yo、ym——實測值和模擬值;Cov——序列之間的協方差;Var——序列的方差。

其中,MAE、MAPE和RMSE的值越接近于0、CC的值越接近于1,表明模型的模擬能力越高。

2 結果與分析

在CanESM2全球氣候模式的輸出中,東江流域共覆蓋有2個網格的范圍,流域內編號為7和10的站點位于同一網格,其余站點則位于另一網格(圖1)。為提高各站點的空間代表性,采用泰森多邊形法來計算流域的面平均氣候要素;在描述東江流域氣候要素的空間分布特征時,使用Kriging方法進行插值。此外,使用SDSM模型對東江流域的氣溫情景進行降尺度處理,而對比使用CDFM和Delta方法來對東江流域的降水情景進行降尺度模擬。

2.1 降尺度模型構建

2.1.1氣溫

基于東江流域內14個氣象站點的逐日觀測數據和NCEP再分析資料,分別將各站點的預報量作為目標變量,將26個大氣環流因子作為解釋變量,通過建立逐步回歸關系來篩選出各站點下各預報量的最佳組合預報因子,結果見表1。同時,為驗證以上組合預報因子的選取是否合理,表2給出了各站點下各預報量的解釋方差及標準誤差。其中,解釋方差表示提取到的因子對于目標變量的解釋能力,最優值為1;標準誤差用來表征模擬值與實測值間的偏差情況,最優值為0。

表1 預報因子篩選結果

表2 各站點下各預報量的解釋方差及標準誤差

表2可見,對于日最高氣溫,各站點的解釋方差為62.9%～71.3%,標準誤差為1.66～2.21 ℃;對于日平均氣溫,各站點的解釋方差為73.7%～78.1%,標準誤差為1.15～1.32 ℃;對于日最低氣溫,各站點的解釋方差為69.8%～74.6%,標準誤差為1.16～1.53 ℃。整體來看,以上篩選出的組合預報因子對于東江流域內各站點氣溫的描述能力較好,平均解釋方差達到了71.8%,平均標準誤差為1.5 ℃。為檢驗SDSM模型的降尺度效果,分別選取1961—2000、2001—2005年作為模型的率定期和驗證期,并綜合使用MAE、RMSE和MAPE等指標來評價模型對于東江流域月平均日氣溫的模擬能力(表3)。

表3 基于SDSM模型的東江流域月平均日氣溫模擬效果檢驗

由表3可見,無論率定期還是驗證期,SDSM模型的表現均十分優秀,各預報量的MAPE均低于3.6%,同時MAE和RMSE也都小于0.9 ℃。圖2顯示的是各預報量的模擬值與實測值在年內分配上的比較,二者十分接近,再次驗證了模型的可靠性。

2.1.2降水

為構建出適合東江流域降水情景的統計降尺度模型,本文對比使用了CDFM和Delta方法。同樣地,分別選取1961—2000、2001—2005年作為模型的率定期和驗證期,并綜合使用MAE、RMSE和CC等指標來評價2種模型對于東江流域月平均降水量的降尺度模擬效果。在應用CDFM時,采用兩參數伽瑪分布來對月降水量序列進行擬合,并使用極大似然法來估計分布函數中的相關參數。

表4顯示的是CDFM和Delta方法2種統計降尺度模型對于東江流域月平均降水量的模擬效果。可以看出,無論率定期還是驗證期,Delta方法相較于CDFM的模擬誤差都更小且相關系數更高。圖3描述的是CDFM和Delta方法對于東江流域各月多年平均降水量的模擬結果,明顯可見,Delta方法的模擬值要更接近于實測值。綜上,本文選用Delta方法來對東江流域的未來降水情景進行降尺度處理。

表4 基于CDFM和Delta方法的東江流域月平均降水量模擬效果檢驗

圖3 2種統計降尺度模型對于各月多年平均降水量的模擬效果對比

2.2 未來氣候預估

利用構建好的模型分別對CanESM2模式在2021—2100年的氣溫和降水輸出進行降尺度處理,得到RCP2.6、RCP4.5和RCP8.5情景下東江流域14個氣象站點的未來氣溫和降水序列。以1961—2005年為基準期,選取未來近期(2021—2050年)、未來中期(2051—2080年)和未來遠期(2081—2100年)3個時段來分析流域未來氣溫和降水的變化特征。

2.2.1氣溫

圖4顯示的是不同排放情景下未來東江流域逐年平均日氣溫的變化過程。可以看出,在RCP4.5和RCP8.5情景下,流域平均日最低、日平均和日最高氣溫均呈現出明顯升高趨勢。其中,日最低氣溫增速分別為0.15、0.38 ℃/10a,日平均氣溫增速分別為0.19、0.50 ℃/10a,日最高氣溫增速分別為0.20、0.52 ℃/10a。與基準期相比,在RCP4.5和RCP8.5情景下,東江流域未來遠期內的多年平均日最低氣溫將分別升高2.26、3.65 ℃,多年平均日平均氣溫將分別升高2.70、4.69 ℃,多年平均日最高氣溫將分別升高2.79、4.95 ℃。總的來看,東江流域的日最高氣溫增速最快、增幅最大,這可能會加劇流域未來的極端高溫事件。

圖4 不同情景下未來東江流域的逐年平均日氣溫變化過程

圖5、表5分別顯示的是未來遠期內東江流域各月和各季的多年平均日氣溫相較于基準期的增幅情況。可以看出,各月的日最低氣溫、日平均氣溫和日最高氣溫相較于基準期均存在著不同程度的升高,且增幅從低到高依次為RCP2.6、RCP4.5和RCP8.5;未來遠期內東江流域的日平均氣溫和日最高氣溫在秋季增加最為顯著,而日最低氣溫則在冬季增幅最大,這表明流域未來的暖冬風險可能會有所增加。

圖5 未來遠期內不同情景下東江流域內各月的多年平均日氣溫相較于基準期的增幅

表5 未來遠期內不同情景下各季節多年平均氣溫相較于基準期的增幅 單位:℃

圖6描述的是未來遠期內不同情景下東江流域多年平均日氣溫(日最低、最高和平均氣溫)相較于基準期增幅的空間分布情況。需要說明的是,在同一排放情景下,流域在未來遠期的氣溫增幅要分別高于未來中期和未來近期,所以對該時段的分析最具有代表性。可以看出,未來時期不同排放情景下東江流域表現出全流域范圍內的普遍升溫;對于同一氣溫變量,隨著溫室氣體排放濃度的增加(從RCP2.6到RCP4.5、RCP8.5),溫度增幅也越來越大。從空間分布上來看,對于日最低氣溫,西南方向為增溫高值區,東南方向為增溫低值區;對于日平均氣溫,增溫高值區在空間上呈不連續分布,主要集中在幾個分散的區域;對于日最高氣溫,北部的增幅要明顯高于南部,且空間連續性較強。

2.2.2降水

圖7、表6分別顯示的是未來不同情景下東江流域在2021—2100年的降水量時間序列及其統計特征值。可以看出,3種排放情景下的年降水量過程均呈現增加趨勢,增速從高到低依次為RCP8.5(25.4 mm/10a)、RCP2.6(16.4 mm/10a)和RCP4.5(8.7 mm/10a)。年際變差方面,RCP8.5最大(200.5 mm),RCP4.5次之(184.4 mm),RCP2.6最小(170.5 mm)。此外,經計算,東江流域在基準期內的多年平均降水量為1 050 mm,未來時期在RCP2.6、RCP4.5和RCP8.5情景下的多年平均降水量將分別增加103.1、149.8和164.6 mm。

圖7 不同情景下未來東江流域的年降水量變化過程

表6 不同情景下未來東江流域年降水量序列的統計特征值

圖8、9分別顯示的是未來不同時期內不同排放情景下東江流域的多年平均月、季尺度降水量變化過程。可以看出,未來不同時期內,3種排放情景下的月降水量較基準期均有所增加,且以6月份增加最為顯著(圖8);季節上,則以夏、秋兩季的增加較為明顯(圖9)。綜合來看,未來東江流域在汛期內所面臨的暴雨洪災風險可能會有所上升。

圖8 未來不同時期內不同情景下東江流域各月份的多年平均降水量變化

圖9 未來不同時期內不同情景下東江流域各季節的多年平均降水量變化

圖10描述的是未來不同時期內不同排放情景下東江流域多年平均降水量的空間分布情況。可以看出,在同一排放情景下,隨著時間的推移,降水量在空間上呈現出逐漸增加的態勢,且在RCP8.5情景下降水增加最為顯著;同一時期內不同排放情景下,降水量的空間分布格局并未發生明顯改變,這點與氣溫的變化有所不同,表明降水對于溫室氣體濃度變化的響應可能不如氣溫敏感。此外,雖然流域在未來時期的降水量呈現出增加趨勢,但在不同時期內不同情景下的降水中心卻較為穩定,雖然覆蓋范圍有所擴展但整體位置并未發生明顯遷移,大體位于流域中部偏西的位置(藍色陰影區域)。

圖10 未來不同時期內不同情景下的東江流域多年平均降水量空間分布

3 結論

以東江流域為研究區域,以流域內14個氣象站點的逐日觀測數據為基準值,使用多種統計降尺度方法分別對CanESM2全球氣候模式的氣溫和降水輸出進行了模擬,并對流域未來不同情景下的氣候變化做出了預估。主要取得了以下研究成果。

a)經驗證,SDSM模型和Delta方法分別對于東江流域的氣溫和降水有著較好的降尺度模擬效果,該結論可為今后東江流域氣象因子的統計降尺度研究提供參考。

b)在RCP4.5和RCP8.5情景下,未來東江流域的日最低、日平均和日最高氣溫將持續升高,且同一排放情景下,日最高氣溫的增速最快;相較于基準期,流域在未來遠期內的多年平均日最低氣溫將分別增加2.26、3.65 ℃、日平均氣溫將分別增加2.70、4.69 ℃、日最高氣溫將分別增加2.79、4.95 ℃。

c)未來不同排放情景下東江流域的年降水量均呈現出增加趨勢,相較于基準期,多年平均降水量增幅從高到低依次為RCP8.5(164.6 mm)、RCP4.5(149.8 mm)和RCP2.6(103.1 mm);此外,隨著時間的推移,降水在空間分布上也呈現增加態勢,但不同時期內不同排放情景下的降水中心基本保持穩定。

通過對全球氣候模式的輸出進行空間降尺度處理,使得開展區域或局地尺度上的氣候變化研究成為了可能[30]。然而,由于降尺度的本質是對氣候模式輸出的一種后處理,其過程不可避免地存在著不確定性,尤其是統計降尺度[31]。首先,統計降尺度模型的構建十分依賴于觀測資料的獲取,不同長度的觀測資料所率定出來的模型可能差別較大,一般來說,數據跨度越長所建立起的統計關系就越可靠;其次,SDSM等基于多元回歸的降尺度模型在構建過程中需要預先進行解釋因子的選取,而如何準確高效地優選出這些因子尚未有統一的理論和方法;此外,針對不同的氣象要素,統計降尺度模型的構建思路存在著較大差別,如對溫度的降尺度處理多采用多元回歸的方法,而對降水的處理則主要采用偏差校正的方法,這可能是因為降水具有更強的時空異質性。在本文中,SDSM模型被證實在氣溫的降尺度模擬上表現較好,這與過往研究基本一致[32-34];降水方面,Delta方法的表現要優于CDFM,但該結論可能并不具備普遍性,因為統計降尺度模型的表現往往依賴于氣候模式的選取和研究區域的氣候特征。需要強調的是,雖然CanESM2氣候模式在研究區內有著較好的模擬能力,但單模式的預估結果存在著較大的不確定性,在今后的研究中,將嘗試采用多模式集合平均的方法來進行區域氣候的預估。