CMIP6HighResMIP模式對青藏高原東側極端降水的模擬評估及熱動力效應

IPCC報告指出，在全球變暖的背景下，氣候變化及其伴隨的極端事件造成的經濟損失在過去40年平均上升了10倍（IPCC，2021）。自20世紀50年代起，中國遭遇的極端降水頻次持續(xù)增高，所致自然災害增多了七成。相較于全球其他地區(qū)，此類風險居高不下（周佰鈺和翟盤茂，2023）。這些由極端降水引發(fā)的洪澇、泥石流災難，嚴重威脅到了國家的社會發(fā)展與公民財產安全，引起社會各界廣泛關注（齊道日娜等，2022）。20世紀70年代以來，青藏高原和橫斷山脈極端降水的瀕率與強度均呈增大的態(tài)勢，四川盆地的降水呈下降趨勢（IPCC，2021;Zhengetal.，2022；林文青等，2023）。此外，前期的研究還指出，隨著時間的推移，青藏高原東側地區(qū)極端降水事件的頻率和強度增加，極端降水事件變得更加顯著（Naveendrakumar et al.，2O19;Zhang and Zhou，2020；孫雪榕等，2021）。這表明，在快速全球變暖的情況下，極端降水事件將導致更加頻繁的洪澇，并增加青藏高原東側地區(qū)嚴重次生災害的風險（Dengetal.，2018）。因此，深入探索該地區(qū)極端降水的成因和演變，對理解區(qū)域氣候變化影響意義重大。

如今，全球氣候模式是探索氣候變化相關機理和預測未來氣候變化的重要工具（胡芩等，2014;Zhuetal.，2020;蔣文好和陳活潑，2021；Sunetal.，2023）。第6次國際耦合模式比較計劃（CoupledModelIntercomparisonProjectPhase6，CMIP6）在參數化方案、物理過程及空間分辨率方面的全面優(yōu)化，已使得氣候模擬性能相較于CMIP5有了顯著提升（Chenetal.，2022；何夏曼等，2022；晉程繡等，2022）。先前的研究表明，CMIP6模式通常對青藏高原東部地區(qū)降水有著明顯高估（Cuietal.，2021；Luoetal.，2022），但在四川盆地則是存在降水顯著的低估（HuandYuan，2021;Xuetal.，2022）。總體上，CMIP6模式模擬效果相對CMIP5模式有所提高，但仍然存在干濕偏差。此外，模式分辨率被認為是影響降水模擬性能的主要因素之一（Kimetal.，2019；謝漪云和王建捷，2021）。分辨率粗糙無法再現區(qū)域尺度內的重要過程和特征（Bonekampetal.，2018），也無法捕捉與復雜地形相關的降水事件（Schneideretal.，2018；Duanetal.，2019）。增加模式分辨率對于提升降水模擬性能至關重要，更高的分辨率有助于更加準確地刻畫復雜地形環(huán)境中的大氣環(huán)流及水汽條件（Yangetal.，2017;HuandYuan，2021；Chapmanetal.，2023）。因此，進一步探索模式分辨率提升對青藏高原東側地區(qū)降水模擬不確定性的改善潛力，已成為當前研究的重要課題之一。

針對模式分辨率不足導致的局限性，世界氣候研究計劃（WorldClimateResearch Programme，WCRP）啟動了以提高模式分辨率為重點的高分辨率模式比較計劃（HighResMIP），以期進一步增強氣候模式的模擬能力（Haarsmaetal.，2016）。該項目旨在分析提升水平分辨率對氣候模式性能的影響，研究結果顯示，相較于基礎分辨率為 250km 的CMIP3模式，基礎分辨率提升至 150km 的CMIP5模式在東亞夏季風降水模擬方面顯示出更高的準確度。這種提升主要歸因于CMIP5模式在捕捉東亞地區(qū)的大尺度環(huán)流和季風系統(tǒng)方面的改進。此外，CMIP6模式繼續(xù)沿襲并增強了這一趨勢，通過進一步提高模式分辨率和改進物理參數化方案，顯著提升了對東亞夏季風降水模擬的性能（Song and Zhou，2014；Xin et al.，2020）。CMIP6HighResMIP模式通過引入更高的模式分辨率和改進的物理參數化，顯著提升了對歐洲及西非降水模擬的準確度，尤其是對季節(jié)性和極端降水事件的模擬（Ajibolaetal.，2020；Estelleetal.，2020）。盡管如此，在具有復雜地形的青藏高原東側地區(qū)應用CMIP6HighResMIP模式進行極端降水事件的模擬研究相對少見。鑒于此，本研究使用CMIP6HighResMIP模式來評估對該地區(qū)極端降水事件的模擬性能，并探究在高、低分辨率模式之間的性能差異。在探討極端降水現象的成因時，本文不僅關注到降水本身變化，而且深入分析背后熱力和動力效應對極端事件的影響，如大氣垂直運動速度、溫度垂直分布和大氣水汽含量等，這些因素的共同作用可能導致水汽凝結增強，形成了極端降水事件（Pfahletal.，2017）。一些學者已經利用物理尺度診斷方程對熱、動力效應作出了定量評價（AliandMishra，2018；林芷葉等，2024）。研究發(fā)現，1950—2100年極端降水變化在多數地區(qū)主要受熱力效應的驅動，而在熱帶、副熱帶和部分海洋地區(qū)，則動力效應起主導作用（Pfahletal.，2017）。因此，在極端降水變化研究中，量化熱力和動力效應對極端降水變化的貢獻具有極其重要的價值。

目前，氣候增暖背景下的青藏高原東側地區(qū)極端降水的研究仍存在完善的空間。本研究利用CMIP6HighResMIP項目提供的10組（高、較低分辨率）全球氣候模式的歷史試驗數據，對比研究了青藏高原東側地區(qū)極端降水事件在不同分辨率條件下的模擬差異，并通過采用物理尺度診斷方程量化了模式間的熱力和動力效應的相對貢獻。

1 資料來源和方法

1.1 數據來源

本研究關注的區(qū)域位于青藏高原東側（ 95^°～ 110^°E，24^°～34^°N ），包含四川、重慶、貴州、云南等地。CMIP6HighResMIP分為3個層級試驗，第一層級（Tier-1）試驗是歷史強迫的大氣，時段為1950—2014年；第二層級（Tier-2）試驗為百年耦合試驗，時段為1950—2050年；第三層級（Tier-3）試驗則是對Tier-1的延伸，積分時段為2015—2050年（可進一步延伸到2100年）。本文選取的CMIP6HighResMIP模式歷史試驗數據（1985—2014年）來自不同機構的10組氣候模式（表1），旨在分析模式在模擬青藏高原東側地區(qū)極端降水事件的性能，并對比HR與LR兩種分辨率模式在模擬極端降水方面的差異及原因。使用到的變量包括降水量、地表氣壓場、垂直氣溫、垂直風速。地表氣壓場采用月平均數據，其余物理量采用日平均數據。由于各個模式分辨率不同，本文通過反距離加權插值法將各個模式的數據統(tǒng)一插值到 0.25^°× 0.25^° 網格，與觀測數據的分辨率保持一致。

本文的觀測數據為CN05格點化觀測數據集，該數據集使用距平逼近法（anomalyapproach），由中國2416個臺站的觀測資料插值后得到，覆蓋時段為1961—2020年（Wuetal.，2017）。該方法能減小由于降水差異性引起的分析誤差（Wuetal.，2017；Yangetal.，2017）。目前，該數據集已廣泛應用于評估中國氣候模式（NieandSun，2020；HuandWang，2021;Chenetal.，2023）。另外，本研究采用來自歐洲中期天氣預報中心（ECMWF）的ERA5再分析數據集作為上層大氣變量的參考，包括月平均垂直風速、比濕、經向風和緯向風，涵蓋了從1000hPa到 10hPa 的8個垂直壓力層級。本文選用由氣候變化監(jiān)測和指數專家組（expertteamonclimatechangedetectionandindices，ETCCDI）推薦的7個極端降水指數（表2）進行具體分析。

1. 2 研究方法

本文使用均方根誤差（RMSE，用 R_MSE 表示）、標準差比率（SDR，用 R_sD 表示）、Pearson相關系數（COR，用 R_co 表示）和泰勒指數（TS，用 T_s 表示）進行評估。其中均方根誤差（ R_MSE ）的計算公式如下：

式中： x 表示各模式模擬的極端降水指數； y 表示觀測的極端降水指數。標準差比率（ R_sD ）的計算公式如下：

式中： x 表示各模式模擬的極端降水指數； y 表示觀測的極端降水指數； n 為格點數； 表示模式數據的區(qū)域平均值； 表示觀測數據的區(qū)域平均值。這個標準差比率可以提供模擬與觀測兩組數據變異性的相對大小的信息。SDR越接近1，表示兩組數據的相似性越高。Pearson相關系數（ R_co ）的計算公式如下：

式中： x 表示各模式模擬的極端降水指數； y 表示觀測的極端降水指數； n 為格點數； 表示模式數據的區(qū)域平均值； 表示觀測數據的區(qū)域平均值。相關系數越接近1，表示兩組數據的相似性越高。泰勒指數（ T_s ;Taylor，2001）的計算公式如下：

式中： R 是模式的模擬與觀測的相關系數； R₀ 是相關系數最大值（通常為0.999）； σ_so 和 σ_sm 分別代表模擬值與觀測值的標準差。 T_s 越接近1，表示兩組數據的相似性越高。

本文通過物理尺度診斷方程來定量評估熱力作用和動力作用對極端降水變化的影響貢獻（Pfahletal.，2017）。計算方程如下：

δ（θ??）=（θ??）_hr-（θ??）_lro

其中： P_e 為極端降水量； ω_e 為極端降水發(fā)生時所對應的垂直上升速度（單位： Pa/s ）； 為飽和相當*位溫為常數時的飽和比濕的垂直導數； 為對流層中所有垂直上升層的質量加權的垂直積分； hr 表示高分辨率模式；lr表示低分辨率模式； δT_H 表示飽和比濕變化引起的熱力效應； δD_Y 表示垂直速度變化引起的動力效應。根據物理尺度診斷方程可將降水量的變化 （δP_e） ）分解為熱力效應變化（ δT_H ）動力效應變化 （δD_Y ）及殘差 （R_es） 。由于 R_es 相比其他幾項量級較小，所以其對降水的貢獻可忽略不計。

2 研究結果

2.1青藏高原東側降水模擬評估

圖1展示了CMIP6HighResMIP模擬數據與CN05.1 觀測數據的青藏高原東側降水空間分布。結果揭示降水在該區(qū)域的顯著空間非均勻性，表現為從西北向東南的遞增趨勢。1985—2014年CMIP6HighResMIP模式整體上較好地捕捉了降水的分布特征。然而，將LR模式的模擬與觀測對比發(fā)現，在橫斷山脈附近和高原東部邊緣對降水有著普遍高估（圖1c—i）。具體而言，發(fā)現CMCC-CM2-HR4、CNRM-CM6-1、IPSL-CM6A、IPSL-CM6A-LR和MPI-ESM1-2-HR對降水帶的模擬位置均表現出向北部偏移的趨勢。與之相比，HadGEM3-GC31-LM模式表現相對較差，在云貴高原地區(qū)高估較大。對于MPI-ESM1-2-HR模式，盡管減少了四川盆地和橫斷山脈的濕偏差，但在云貴高原濕偏差卻有增加。可以看出，HR模式在絕大多數情況下對降水的模擬表現出顯著的優(yōu)勢（圖1o一x），特別是在接近 30^°N 的區(qū)域，模擬出的雨帶分布更為接近實際觀測，可以較為準確地反映出從高原到盆地的降水量變化。此外，HR模式的多模式集合平均（圖1n）顯示出比LR模式的多模式集合平均（圖1b）更為一致和穩(wěn)定的降水空間分布，表明高分辨率模式在降水模擬方面具有更高的一致性和穩(wěn)定性。

圖2展示了LR和HR模式模擬的降水與觀測降水在空間分布上的差異。在多數LR模式中（圖2b—k），高原地區(qū)出現濕偏差，而四川盆地、貴州南部、廣西北部和云南部分區(qū)域則顯示出干偏差。相比之下，HR模式的降水偏差較小（圖 2m-v ，面積平均絕對偏差為 0.47～2.01mm?d^-1 ），低于LR模式（面積平均絕對偏差為 0.61～2.03mm?d^-1） 。

此外，EC-Earth3P和ECMWF-IFS模式顯示出較低的偏差，而來自CNRM-CM6-1、HadGEM3-GC31和MPI-EMS1-2的模式則顯示出相對較高的偏差。結果表明，不同機構的氣候模式采用了不同的參數化方案，導致降水模擬存在差異（Johnetal.，2022）。通過LR與HR模式比較可知，HR模式顯著減小了青藏高原東部邊緣和橫斷山地區(qū)的濕偏差，其中MME-HR的面積平均偏差為 0.96mm?d^-1 ，低于MME-LR的 1.05mm?d^-1 ，結果凸顯出模式分辨率在降水分布模擬中的關鍵影響。盡管提升分辨率能降低總體的降水偏差，但針對青藏高原東部、橫斷山脈和云貴高原等特定復雜地形，模擬所存在的偏差依舊較為明顯。雖然HR模式普遍呈現出更優(yōu)的性能表現，但在對特定區(qū)域降水的模擬準確度方面，有待進一步優(yōu)化，表明CMIP6HighResMIP面對復雜地形的模擬仍舊存在挑戰(zhàn)。

2.2青藏高原東側極端降水事件模擬評估

為表征高、低分辨率模式在青藏高原東側極端降水事件的空間分布特征差異，MME的7個極端降水指數的空間分布如圖3所示。LR模式（圖3c、

Fig.3Spatial distribution diferences in extreme precipitation indices between MME simulations（from Σ（a-g） ）low-resolution and （h-n） high-resolution models）and observations.The indices include ^（a，h） CDD，（b，i）CWD，（c，j） R10mm ，（d， k）R95p，（e，1）Rxlday， Ξ（f，m） Rx5day，and Σ（g，n） SDI，covering the period 1985—2014.The areal-mean relative changes（expressed as the absolute bias percentage compared to observations; units： % ）over the ESQP are indicated in the top-right corner of each panel.Regions with statistically significant differences at the 95% confidence level，determined usinga two-tailed Student's t -test，are marked withblackdots

d、f、g）及HR模式（圖3 模擬的大于10mm降水日數（ R10mm ）、非常濕潤天降水（R95p）、5日最大降水量（Rx5day）、平均日降水強度（SDII）在高原處存在較大的濕偏差，而在四川盆地有較大的干偏差，與降水空間分布相似。然而，對于1日最大降水量（Rx1day）（圖 3e?1Ω ），在青藏高原東側地區(qū)的模擬幾乎整體呈現出干偏差，呈現由西北向東南遞增的趨勢。其中連續(xù)干日（CDD）在高原地區(qū)被模式普遍低估（圖3a、h）。連續(xù)濕日（CWD）在高原大部分地區(qū)被低估，而在橫斷山脈則被高估（圖3b、i）。就極端降水指數面積平均相對變化（絕對偏差占觀測值的百分比）而言，HR模式的CDD、CWD、R10mm 、R95p和Rx1day相對LR模式分別減少8%.34%.6%. 9% 和 5% ，而Rx5day和 SDII則增加27% 和 12% 。這些比較結果表明，提升模式的分辨率能夠在一定程度上改善極端降水模擬中存在的各種偏差，但在改善Rx5day和SDII在四川盆地的干偏差時會進一步增加高原區(qū)域的濕偏差。綜上所述，與LR模式相比，在HR模式的模擬中青藏高原東側降水極端事件的頻率和強度偏差明顯減小，HR模式在模擬極端降水事件方面具有更為突出的能力。

為了更直觀分析青藏高原東側極端降水事件的特征，圖4展示了高、低分辨率模式與觀測數據集的極端降水指數的RMSE和SDR，其中顏色較淺的格子意味著更準確的模擬效果。在極端降水指數的模擬中，各個模式存在著較大的差異。大多數HR模式展現出較為理想的模擬能力。在LR模式中，共有5個模式對CDD的模擬表現出較大的RMSE（超過3.5），而在HR模式中，表現不佳的模式數量減少到2個，說明LR模式對CDD的模擬能力要弱于HR模式。在R95p和Rx5day的RMSE中，HR模式顯示出弱于LR模式的模擬能力，HR模式超過3.5的情況比LR模式多。對于其余指數，LR模式和HR模式的模擬效果均較為理想。MME在極端降水指數模擬的RMSE方面普遍優(yōu)于大多數單一模式。在大多數模式中標準差比率也更接近于1，表明MME相對更為出色。因此，為了降低模式間的不確定性，下面將采用多模式集合平均的方法，深入研究青藏高原東側極端降水特征及熱動力效應。總體而言，與MME-LR模式相比，MME-HR模式在復現青藏高原東側復雜地形下極端降水事件表現出了更出色的能力，RMSE較低且SDR更接近1，從而提供了更可靠的模擬結果。

2.3CMIP6HighResMIP模式對極端降水模擬的 動力和熱力效應差異

為了深人研究CMIP6HighResMIP模式中HR和LR模式之間的熱力和動力效應的差異，本節(jié)利用物理尺度診斷方程解析了極端降水模擬的熱力和動力效應差異。由圖5可見，在喜馬拉雅山脈的東側邊緣，Rx1day與極端降水尺度的變化表現出不一致，但在其他區(qū)域，兩種模式的空間分布則相對統(tǒng)一。這種非一致性可能反映了模式在模擬高海拔復雜地形下極端降水時的局限性。此外，通過熱力項（式（5））計算所得的熱力效應差異（圖5c）與動力項（式（6））得出的動力效應差異（圖5d）可以看出，HR與LR模式之間的差異主要集中在動力效應方面，熱力效應方面的差異較小。在四川盆地和貴州等區(qū)域，動力效應呈現出較明顯的差異，這一點與極端降水量自西北向東南遞增的空間分布趨勢相吻合。

圖6更直觀體現出熱力、動力效應對極端降水模擬的影響。圖6a呈現了在多模式集合中Rx1day和極端降水尺度的變化及所對應的熱力和動力效應所引起的相對變化量。而圖6b則具體描繪了熱力、動力效應引起的相對變化百分比。在極端降水尺度的總體變化中，熱力效應貢獻了約 8% ，而動力效應則貢獻了約 91% ，顯著超過了熱力效應的影響。這表明，HR模式提升極端降水的模擬能力主要得益于對動力效應的更精準模擬。基于以上發(fā)現，后續(xù)研究的重點是分析氣候模式模擬中大氣環(huán)流的差異，探尋影響動力效應差異的關鍵因子。

2.4 CMIP6HighResMIP模式大氣環(huán)流的模擬 差異

根據前述分析結果，在模擬極端降水事件方面，HR與LR模式之間的主要差異源于動力效應差異。為了深人理解不同分辨率下的模擬改善機制，特別是在環(huán)流模擬方面的變化，本文計算并分析了CMIP6HighResMIP模式與ERA5再分析數據集在大氣環(huán)流和水汽模擬方面的異同。圖7a、c表明，LR模式模擬的 850hPa 風場與ERA5再分析數據在四川盆地有較大差異。具體來說，LR模式在四川盆地的模擬呈現東南風至東風的轉變，而ERA5數據則顯示出四川盆地具有更明顯的氣旋性環(huán)流特征，這種環(huán)流配置有助于該地區(qū)降水的增加。與LR模式不同，圖7b展示HR模式在四川盆地更精準地捕捉到了氣旋性環(huán)流特征，HR模式在模擬細節(jié)上優(yōu)于LR模式，并在大氣環(huán)流上更精準地再現了ERA5環(huán)流特征。綜上所述，提高模式的分辨率能夠有效提升環(huán)流模擬的準確性，并對模擬極端降水事件的精度產生積極影響。

為了更進一步展示HR模式與LR模式對大氣環(huán)流模擬能力的差異，圖8a展示了模式模擬850hPa風場與觀測風場的SDR、COR和TS，其中顏色較淺的格子意味著更準確的模擬效果。結果顯示，HR模式在風場模擬能力上優(yōu)于LR模式，這與圖7揭示的HR模式在再現環(huán)流形勢上的明顯優(yōu)勢是一致的。研究表明，LR模式在模擬經向風和緯向風時的RMSE分別為0.51和0.59，相比之下，HR模式的相應RMSE則分別為0.44和0.41。RMSE的降低意味HR模式在捕捉大氣環(huán)流特征上相對準確，尤其是在模擬經向風和緯向風上，HR模式展現了高分辨率的優(yōu)勢。

圖9給出了HR和LR模式在緯向環(huán)流及比濕方面與ERA5數據的差異。在圖9a中，LR模式相對于ERA5在青藏高原邊緣處（約 102^°E ）和東部（約 98^°E ）有著較為強烈的上升運動，而在四川盆地邊緣處（約 108^°E ）有著下沉運動。四川盆地區(qū)域顯著的低層比濕負值以及盆地邊緣的下沉運動，在LR模式中顯現，這很可能是導致該區(qū)域降水減少的原因。而在青藏高原邊緣（約 102^°E ）和東部（約 98^° E）低層，比濕增加且伴隨著顯著的上升運動，導致LR模式中該區(qū)域降水增加。圖9b表明，在青藏高原邊緣有較強的下沉運動且伴隨比濕減少，使得該地區(qū)降水減少，這表明HR模式中濕偏差減小。在圖9c中，HR模式與LR模式的差異呈現出青藏高原比濕較小，并伴隨下沉運動，而在四川盆地及高原過渡區(qū)（約 103^°E ）有上升運動并伴隨比濕增加。與LR 模式相比，HR模式在降水模擬偏差方面顯示出了明顯的優(yōu)勢，特別是在處理青藏高原及鄰近四川盆地過渡區(qū)域的模擬上。分辨率的提升使得模式在復雜地形地區(qū)如青藏高原東部的大氣環(huán)流和水汽模擬能力越發(fā)出色，有效降低了該地區(qū)模擬的降水偏差。

Fig.8（a） Statistical metrics including R_sD，R_co ，and T_s ，with upward triangles representing zonal wind and downward triangles representing meridionalwind，basedonmodel-simulated winds from1985to2014.（b）RMSEof model-simulated zonal andmeridional winds（units： m/s ）

3 結論與討論

本文利用CN05.1觀測數據集和ERA5再分析數據，評估了CMIP6HighResMIP的HR模式和LR模式模擬青藏高原東側地區(qū)極端降水的能力，分析了兩模式差異及其原因，并通過物理尺度診斷方程探討了熱力與動力效應的影響。主要結論如下：

1）LR和HR模式均能較好捕捉橫斷山脈及青藏高原東側降水較多、四川盆地降水較少的空間分布特征。但模式顯示，青藏高原東側邊緣和橫斷山脈存在濕偏差，四川盆地有干偏差。MME面積平均絕對偏差從LR模式的 1.05mm?d^-1 降至HR模式的 0.96mm?d^-1 ，表明HR模式在該區(qū)域氣候降水模擬能力的提升。

2）LR和HR模式均低估了青藏高原大部分地區(qū)的CDD和CWD，但在四川盆地則被高估。青藏高原東側在 R10mm，R95p，Rx5day 和SDⅡI上多為濕偏差，而四川盆地則有適度干偏差；Rx1day在高原東側整體偏干。HR模式較LR模式顯著減少偏差，其空間分布和強度更優(yōu)化。面積相對變化顯示，HR模式使 CDD，CWD，R10mm，R95p 和Rx1day偏差分別減少 8%.34%.6%.9% 和 5% ，而Rx5day和SDII則分別增加 27% 和 12% ，可能是因為改善四川盆地干偏差的同時增大了高原濕偏差。盡管如此，HR 模式在模擬極端降水事件中更具優(yōu)勢。

3）物理診斷方程分析表明，喜馬拉雅山脈東側Rx1day與極端降水尺度變化不一致，反映不同分辨率模式在高海拔復雜地形下模擬能力差異明顯。其他區(qū)域兩模式結果空間分布一致。定量分析顯示，HR 模式較LR模式的改進主要源于動力效應，其貢獻約為 91% ，而熱力效應僅占 8% 。這種改進可能與模式更準確模擬大氣環(huán)流形勢有關。

4）LR和HR模式模擬青藏高原東側降水的干、濕偏差主要源于大氣環(huán)流和水汽模擬。HR模式在動力效應模擬上顯著優(yōu)于LR模式，尤其在精準重現四川盆地的風場和水汽分布方面。其更準確模擬了四川盆地水平、垂直風場以及水汽輻合上升，減少了干偏差；較少水汽含量與局部下沉運動結合，減小了高原復雜地形的濕偏差。分辨率的提高使模式能更準確模擬復雜地形大氣環(huán)流，從而改進降水模擬。

研究發(fā)現，HR模式在降水和極端降水模擬中優(yōu)于LR模式，能顯著降低青藏高原邊緣及橫斷山脈的濕偏差和四川盆地的干偏差，提升了極端降水精度。這種改進源于HR模式更準確模擬復雜地形大氣環(huán)流，尤其在水汽垂直輸送和輻合方面。盡管如此，氣候模式在分辨率、參數化方案和物理過程模擬上仍有改進空間，青藏高原東側降水模擬不確定性較大。未來可通過提高分辨率優(yōu)化復雜地形降水模擬（HuandYuan，2021），或采用多模式集合方法降低偏差（Jinetal.，2023；Sunetal.，2023；楊珂珂等，2023），提升模擬可靠性。

東亞復雜的海氣相互作用導致太平洋至中國內陸年際降水變化，主要受厄爾尼諾-南方濤動（ENSO）東亞夏季風和氣溶膠影響（Dengetal.，2014）。中國東南沿海和西北地區(qū)極端降水增加，中北部減少。長江中下游、東南及西北部分地區(qū)的極端降水增加，與北大西洋濤動（NAO）和太平洋-北美型（PNA）大尺度環(huán)流異常顯著相關（GaoandXie，2014）。盡管東南地區(qū)年均降水略減，但極端降水頻率和強度明顯上升，尤其在洪澇災害嚴重的長江中下游和華南地區(qū)（Wu etal.，2016）。

在全球氣候變化中，水文循環(huán)的熱力與動力效應分析至關重要。熱力效應因全球氣溫升高和水汽增加保持穩(wěn)定影響（Xieetal.，2015）。動力效應顯著影響區(qū)域極端降水模式，如亞洲季風區(qū)降水增量增加，而地中海、南非和澳大利亞等地可能減弱降水。在副熱帶海洋區(qū)域，動力效應甚至導致極端降水減少，可能是因為大氣環(huán)流向極地轉移（Pfahletal.，2017）。深入研究區(qū)域動力效應可降低預測不確定性。鑒于青藏高原東側特殊性，深入分析其極端降水的熱動力效應尤為關鍵，尤其是動力效應的研究，可揭示極端降水變化機理并提升極端氣候風險評估和預報精度。

參考文獻（References）

AjbolaFO，ZouBhaGetalEvauatiofthfoaeofRWstranprecipiato phere，11（10）：1053.D01：10.3390/atmos11101053.

AliH，MishaoocciilittaRs）： 2352-2361.DOI：10.1002/2018GL077065.

BonekampPld in theHimalayas[J].JHydrometeorol，19（10）：1565-1581.DOI：10.1175/jhm-d-17-0212.1.

ChapmanSSktusJo，tauatioofaiallowsaledAodelsraiaarth'se （11）：e2023EF003548.DOI：10.1029/2023EF003548.

ChenPZegGgoale North China[J].Atmosphere，14（3）：495.DOI：10.3390/atmos14030495.

ChenQLGeFJetal2HelldohResodelssiulateprecipiatoerheeaateaJRes 279：106393.DOI：10.1016/j.atm0sres.2022.106393.

CuiT，LiCiaEatfatuediaiasodesthbaateuarte （7）：e2020EA001620.DOI：10.1029/2020EA001620.

DengYJi mate index over theChina from1960to2015[J].JGeophysRes：Atmos，123（4）：2068-2081.DOI：10.1002/2017JD027078.

DengYYGelaleiiitstsieededtal [J].Sci Rep，4：5693.DOI：10.1038/srep05693.

DuanWLiedeib tion climate simulations[J].JClimate，32（8）：2169-2183.DOI：10.1175/jcli-d-18-0465.1.

EstelleDoleosd resolutionglobalclimatemodels（GCMs）fromtheHigh-ResolutionModelIntercomparisonProject（HigResMP）[J].Geosciodelev，13 （11） ：5485-5506.

GaoT，XieLAygessoftrdsdialstrepreipiatioiiaigtst5ascin Earth Science，29（5）：577.DOI：10.11867/J.ISSN.1001-8166.2014.05.0577.

HaarsmaRJbertsidaleetaluoodelteopajectRel Dev，9（11） ：4185-4208.D0I：10.5194/gmd-9-4185-2016.

何夏曼，姜超，汪君，等，2022.CMIP6與CMIP5 全球氣候模式對中國東北地區(qū)氣溫模擬性能的比較評估[J].地球物理學報，65（11）：4194-4207. HeXM，JiangCWangJeta22Coparisoof6dCodelsfoanceinulatigteratureinrthasinaJ. ChinJGeophys，65（11） ：4194-4207.DOI：10.6038/cjg2022P0455.（inChinese）.

胡芩，姜大膀，范廣洲，2014.CMIP5全球氣候模式對青藏高原地區(qū)氣候模擬能力評估[J].大氣科學，38（5）：924-938．HuQ，JiangDB，Fan G Z，2014.EvaluationofCM5modelsovertheQighai-TbetanPateauJ].ChinJAtmosSci，38（5）：924-938.D：10.3878/.sn 9895.2013.13197.（in Chinese）.

HuRX，WagLatiofigdoeioeiioetatos（. DOI：10.3390/atmos12101258.

HuXLYaniaetaaospiol vents[J].IntJClimatol，41（4）：2625-2637.DOI：10.1002/joc.6980.

IPCC，2021.Clatehagethesicaliecebsis//ao-DeloeVZiaetlotributioofWkingo theAsessmentReportof theIntergovernmental Panelon ClimateChange.Cambridgeand NewYork：CambridgeUniversityPress.

蔣文好，陳活潑，2021.CMIP6模式對亞洲中高緯區(qū)極端溫度變化的模擬及預估[J].大氣科學學報，4（4）：592-603．JiangWH，Chen HP， 2021.Assessmentadprojectioofcangesintempeatureetresovertheid-htitudesofsiabsedoCodelsJastos Sci，44（4） ：592-603.DOI：10.13878/j.cnki.dqkxxb.20210203001.（in Chinese）.

晉程繡，姜超，張曦月，2022.CMIP6模式對中國西南地區(qū)氣溫的模擬與預估[J].中國農業(yè)氣象，43（8）：597-611．Jin CX，JiangC，Zhang XY， 2022.EvaluatiodpeferatureioutsteaoelsJoeeol，96 j.issn.1000-6362.2022.08.001.（ in Chinese）.

JinZR，GeFCtaltettotaltpstaiaisse Southwest China？[J].Front Earth Sci，10：1003748.DOI：10.3389/feart.2022.1003748.

JohnADuvilbt2Qutfeiest 100435.DOI：10. 1016/j.wace.2022.100435.

KimIOoSaifeiesideli （3）：1317-1342.D0I：10.1007/s00382-018-4193-4.

林文青，陳活潑，徐慧文，等，2023.西南地區(qū)未來極端降水增加將導致其人口暴露風險加劇[J].大氣科學學報，46（4）：49-516．LinWQ，Chen HP，Xuiit Trans Atmos Sci，46（4） ：499-516.DO1：10.13878/j.cnki.dqkxxb.20221118007.（in Chinese）.

林芷葉，葛非，金正睿，等，2024.基于CMIP6模式的東南亞極端降水未來預估及熱動力成因研究[J].大氣科學學報，47（3）：392-406．Lin ZY， GeF，JinZRetal4eedgiepiidtfdicdicsesost sights from CMIP6Models[J].Trans Atmos Sci，47（3））：392-406.DOI：10.13878/j.cnki.dqkxb.20220805002.（inChinese）.

LuoN，GuoYChouJ，etal2dedvuefodelsoeodelsiniulatigteiatolgicalprecipitotin China[J].Int J Climatol，42（2）：1148-1164.DOI：10.1002/joc.7294.

Navendrakuaaeoelspieuefallr： 110-120.DOI：10.1016/j.atmosres.2019.03.021.

NieYB，SEtriiatocuttadel，） 10.1175/JHM-D-20-0045.1.

PfahlSOoarEUdesagialeojetedeasitriiato Change，7（6） ：423-427.DOI：10.1038/nclimate3287.

齊道日娜，何立富，王秀明，等，2022.“7.20”河南極端暴雨精細觀測及熱動力成因[J].應用氣象學報，33（1）：1-15．Qidaorina，HeLF，Wang X M，eal.2cedcaia teor Sci，33（1）：1-15.D0I：10.11898/1001-7313.20220101.（in Chinese）.

ScheiderL gimes[J].Quart JRoy Meteor Soc，144（713）：970-989.DOI：10.1002/qj.3250.

SongFF，Zou214teraalblitfEastsiasrosoosiuatedydCCs：skillpedeeon Ocean-western Pacific anticyclone teleconnection[J].JClimate，27（4）：1679-1697.DOI：10.1175/JCLI-D-13-00248.1.

孫雪榕，葛非，羅浩林，等，2021.全球增暖 1.5‰ 和 2.0‰ 下成渝經濟區(qū)及周邊地區(qū)極端溫度事件的變化預估[J].大氣科學學報，44（6）：875- 887.SunXGalectedgfaturetrsindugcdi areasunder 1.5‰ and 2.0‰ global warming[J].Trans Atmos Sci，44（6）：875-887.DOI：10.13878/j.cnki.dqkxxb.20201221001.（in Chinese）.

SunXR，GeFCeQLetal.HowriingistetegeneatioaldieeceinexposuretopodataveserSoutstsiaJ] Earth's Future，11（6）：e2022EF003179.DOI：10.1029/2022EF003179.

TaylorKE，ummarzingutipleasptsofodelprfoaneinasinglediagaJ].GeosesAtos，0（D）7-： 10.1029/2000JD900719.

WuJ，GaXJeta.angsofieteeatuedcosiatedecasverinabsgesouoed observation dataset[J].Int J Climatol，37：788-800.DOI：10.1002/joc.5038.

WuYJ，WuSetgactestiaiina6） DOI：10.1002/joc.4432.

XieSP，DesereG，etawdspredictieersadingfalategatae，5 10.1038/nclimate2689.

謝漪云，王建捷，2021.GRAPES千米尺度模式在西南復雜地形區(qū)降水預報偏差與成因初探[J].氣象學報，79（5）：732-749．XieYY，Wang JJ， 2021.PreliminarystudyontheviationadcaueofprecipiaopredictioofAPSiometerscaleodelinsouthwestcompextea [J].Acta Meteor Sinica，79（5）：732-749.DOI：10.11676/qxxb2021.053.（in Chinese）.

XinXG，WuTWZangJ，etal.ComparisoofCandC5siulatiosofprecipiatioininaandthEastAsiansmo [J].IntJClimatol，40（15）：6423-6440.DOI：10.1002/joc.6590.

Xu HW，heHangJutureagesinreipiatoetrearossabdoodstat651.DOI：10.1002/joc.7264.

楊珂珂，郭東林，華維，等，2023.CMIP6 HighResMIP 對青藏高原氣候模擬的評估和預估[J].大氣科學學報，46（2）：193-204．YangKK，Guo D L，HuaW，etalaodefuceipeedii Plateau[J].Trans Atmos Sci，46（2）：193-204.DOI：10.13878/j.cnki.dqkxxb.20220808001.（in Chinese）.

YangYngetdetd westChina[J].JHydrometeorol，18（12）：3075-3101.DOI：10.1175/jhm-d-16-0252.1.

ZhangWXZoeasipactsfroetreeriaipuaiernaioblngi 252.D01：10.1016/j.scib.2019.12.002.

ZhengG，ieet cean SciLett，15（5）：100227.D0I：10.1016/j.a0sl.2022.100227.

周佰鈺，翟盤茂，2023.未來的極端天氣氣候與水文事件預估及其應對[J].氣象，49（3）：257-266．ZhouBQ，ZhaiPM，2023.The future projectionsofreeweathecateadwaterevtsndstrategicrspsesJetero，4956DO：19 0526.2023.022301.（in Chinese）.

ZhuHH，JiangZHiJetospieeoideelatiglateetresads）： 1119-1132.DOI：10. 1007/s00376-020-9289-1.

?? ARTICLE ?

Assessment of extreme precipitation simulations over the eastern QinghaiXizang Plateau using CMIP6 HighResMIP models： thermodynamic and dynamic contributions

WANG Kangning' ，CHEN Quanliang1，GE Fei1’2，LIN Zhiye'

SchoolfAtmosphericSiences/lateauAtmosphrendEnviroentKeyLboratoryofSichuanProvinceChengduPlainUrbanMeteoogd EnviroentObseationdRseachtatoofcanPrcecuaMeoologcalDsasterredictiondEarlyagEingLb ratory，ChengduUniversityof InformationTechnology，Chengdu61o225，China; 2HeavyRainandDrought-FloodDisasters inPlateau and Basin KeyLaboratoryof SichuanProvince，Chengdu 610027，China

AbstractThe eastern slope of the Qinghai-Xizang Plateau （ESQP） features complex topography and substantial elevationgradients，making it aregion of intricate climate dynamics.This study asesss the ability of the Coupled Model Intercomparison Project Phase6（CMIP6）High-Resolution Model IntercomparisonProject （HighResMIP）models to simulate precipitation over the EQSP，with a focus on comparing high-resolution（HR） and low-resolution （LR）models in capturing both annual and extreme precipitation events.Using data from 1985 to 2014，including historical simulationsand observational datasets，the study evaluates extreme precipitation indices such as R10mm （heavy precipitation days） and Rx1day（maximum 1-day precipitation） .Results show that both HR and LR models successfully capture the general spatial distribution of annual precipitation，which increases from northwest to southeast across the region.However，HR models exhibit significant improvements over LR models in reducing biases and improving simulation accuracy.Specifically，the annual precipitation bias is reduced from 1.05mm?d^-1 in LR models to 0.96mm?d^-1 in HR models，demonstrating the benefits of increased resolution in minimizing simulation errors.For extreme precipitation events，HR models outperform LR models in both occurrence and intensity representation.The R10mm index shows a 6% reduction in relative error for HR models compared to LR models，while the Rx1day index exhibitsa 5% improvement in HR model performance.These improvements are particularly notable in the Sichuan Basin，aregion historically challenging to simulate due to its complex terrain and variable moisture conditions.Further analysis investigates the thermodynamic and dynamic contributions to differences between HR and LR model simulations using a physical scaling diagnostic equation. Results indicate that dynamic effects account for 91% of the improvements observed in HR models，while thermodynamic effects contribute only 8% . This suggests that higher resolution enhances the representation of atmospheric circulation，vertical motion，and moisture transport-keyprocesses in extreme precipitation simulation.

HR models demonstrate improved simulations of cyclonic flows and moisture convergence in the Sichuan Basin， leading to reduced wet biases in high-altitude areas and better overall accuracy in extreme precipitation simulations.Despite these advancements，certain biases persist，particularly over the Yunnan-Guizhou Plateau，where precipitation remains dificult to simulateaccurately.This highlights the need for continued improvements in model physics and resolution to beter capture thecomplex atmospheric and topographic influences on precipitation patterns.The findings of this study have important implications for climate risk asessments in the ESQP，particularly in relation to extreme precipitation events and associated hazards such as floods and landslides.The enhanced accuracy of HR models is crucial for understanding future precipitation changes under global warming.As extreme precipitation events are expected to intensify with climate change，further improving climate model simulations is essentialfor effective risk management and policydevelopment.Inconclusion，this research demonstrates that increasing model resolution significantly enhances precipitation simulation accuracy，particularly for extreme events， over the eastern Qinghai-Xizang Plateau.The improvements in HR models，particularly in capturing dynamic atmospheric processes，provide valuable insights into the regional climate dynamics of this complex terrin.However，challenges remain in accuratelysimulating precipitation over specific areas，underscoring the need for further advancements in model development.Future research should focus on refining the representation of atmospheric circulation and moisture processes in regions with complex topography and exploring multi-model ensemble approaches to reduce uncertainties in climate projections.

Keywordsthe Qinghai-Xizang Plateau;CMIP6 HighResMIP;extreme precipitation; physical scaling diagnostics DOI：10. 13878/j.cnki.dqkxxb.20240416001

（責任編輯：袁東敏）