晉程繡，姜 超，張曦月

CMIP6模式對中國西南地區(qū)氣溫的模擬與預(yù)估*

晉程繡，姜 超**，張曦月

（北京林業(yè)大學(xué)生態(tài)與自然保護(hù)學(xué)院, 北京 100083）

應(yīng)用1961?2014年CN05.1月平均氣溫觀測數(shù)據(jù)集，以及國際耦合模式比較計劃第六階段(CMIP6)的19個全球氣候模式數(shù)據(jù)，基于泰勒圖、泰勒指數(shù)和年際變化技巧評分，系統(tǒng)評估了CMIP6模式對中國西南地區(qū)氣溫的氣候態(tài)空間分布以及年際變化的模擬能力，并預(yù)估該地區(qū)未來氣溫在SSP1?2.6、SSP2?4.5、SSP3?7.0和SSP5?8.5情景下的變化特點。結(jié)果表明：（1）與其他季節(jié)相比，大多數(shù)CMIP6模式對研究區(qū)1961?2014年秋季氣溫氣候態(tài)空間分布的模擬表現(xiàn)最好；CMIP6模式模擬四季和年平均氣溫年際變化的結(jié)果整體偏低。19個模式中對西南地區(qū)氣溫模擬較好的模式有ACCESS?CM2、CMCC?CM2?SR5和CMCC?ESM5。（2）3個較優(yōu)模式的等權(quán)重集合，在模擬氣溫的氣候態(tài)空間分布和年際變化方面優(yōu)于19個模式的等權(quán)重集合。（3）與1961?2014年同期觀測結(jié)果的多年平均氣溫相比，未來西南地區(qū)四季及年平均氣溫在4種情景下均呈升高趨勢，四季和年平均氣溫升高0.94～3.48℃。4種氣候情景下均表現(xiàn)為夏季升溫最多（2.17～3.48℃），且夏季平均氣溫的年際波動幅度最小；冬季升溫最少(0.94～2.24℃)，其年際波動幅度最大。（4）在21世紀(jì)初，4種情景間季節(jié)和年平均氣溫的升高趨勢差異不大，隨著時間的推移，到21世紀(jì)中期，高輻射強迫情景下氣溫的升高趨勢逐漸高于低輻射強迫情景。（5）在4種情景下，21世紀(jì)初期（2015?2034年）、中期（2045?2064年）及末期（2081?2100年）的多年平均氣溫與歷史（1961?2014年）觀測氣溫的距平值均呈現(xiàn)西北大于東南、高緯度高海拔地區(qū)大于低緯度低海拔地區(qū)的空間分布特點。隨著時間推移，在21世紀(jì)末期，同一地區(qū)高輻射強迫情景的氣溫距平值明顯高于低輻射強迫情景。

CMIP6模式；西南地區(qū)；氣溫變化；評估；預(yù)估

氣候系統(tǒng)模式被認(rèn)為是進(jìn)行氣候模擬和預(yù)估未來氣候變化不可替代的工具[1]。自20世紀(jì)90年代以來，在世界氣候研究計劃（World Climate Research Program, WCRP）的推動下，氣候系統(tǒng)模式得到了快速發(fā)展[2]。氣候系統(tǒng)模式為減緩和適應(yīng)氣候變化的決策制定提供了重要依據(jù)[3]，模式發(fā)展水平的高低已經(jīng)成為衡量一個國家科技綜合實力的重要指標(biāo)之一[4]。國際耦合模式比較計劃（Coupled Model Intercomparison Project phase, CMIP）由世界氣候研究計劃下的耦合模式工作組組織[5]，目前，CMIP已經(jīng)發(fā)展到第六階段（CMIP6），與第五階段（CMIP5）相比，CMIP6在分辨率和試驗設(shè)計上均有所提升和發(fā)展，而且CMIP6設(shè)計的試驗更多，模擬的物理過程更復(fù)雜[6]，改善了試驗的動態(tài)過程[7?9]，同時修正了CMIP5中長期存在的模式偏差等問題[7]。CMIP6的未來氣候預(yù)估情景綜合考慮了共享社會經(jīng)濟(jì)途徑（shred socioeconomic pathways，SSPs）和典型濃度途徑（representative concentration pathways，RCPs），與早期版本不同的是，新的情景既包括人口、經(jīng)濟(jì)發(fā)展、生態(tài)系統(tǒng)、資源和社會因素等未來的社會和經(jīng)濟(jì)發(fā)展，還包括未來減緩、適應(yīng)和應(yīng)對氣候變化的努力措施[10]。CMIP6模式的模擬結(jié)果將作為未來幾年研究氣候變化的依據(jù)[11]。

近年來，氣候變化已經(jīng)給人類的生存與發(fā)展提出了一個重大挑戰(zhàn)。氣候變化與生態(tài)系統(tǒng)健康、農(nóng)業(yè)糧食安全和社會經(jīng)濟(jì)發(fā)展密切相關(guān)，是目前被廣泛關(guān)注的問題之一[12]，而氣溫是氣候變化的重要指標(biāo)[6]。IPCC第五次評估報告指出，1880?2012年全球平均氣溫升高了0.85℃（0.65～1.06℃），預(yù)計到21世紀(jì)末期，全球平均氣溫將比1986?2005年高0.3～4.8℃[13]，全球平均氣溫呈明顯的升高趨勢[14]。有研究表明，氣溫增加會改變生態(tài)系統(tǒng)的組成、結(jié)構(gòu)和功能[15]，使得高山植被的適應(yīng)性減弱[13]，影響農(nóng)業(yè)產(chǎn)出，從而影響人民生活以及經(jīng)濟(jì)發(fā)展[16]，威脅生態(tài)安全[17]。在全球變暖背景下，中國也存在著顯著的變暖趨勢[16?18]。西南地區(qū)作為中國水資源最豐富的地區(qū)之一，氣溫的變化將會對局地及其下游地區(qū)水資源產(chǎn)生顯著影響[19]，此外，隨著氣溫的升高，西南地區(qū)極端天氣氣候事件頻發(fā)，給當(dāng)?shù)厝嗣袢罕姷纳敭a(chǎn)安全和經(jīng)濟(jì)社會發(fā)展造成了重大損失。而且西南地區(qū)海拔差異大，地形復(fù)雜，是中國氣溫變化的敏感地帶[20?21]。因此，基于CMIP6模式數(shù)據(jù)，合理預(yù)估中國西南地區(qū)未來氣溫的變化是非常有必要的。但受全球系統(tǒng)的復(fù)雜性、模式的代表性和可靠性問題等因素的影響，不同的模式對氣溫變化的模擬存在一定差異，有必要從多時空尺度定量評估模式對氣溫的模擬能力[22]，使得預(yù)估結(jié)果具有更高的可信度。所以，在使用CMIP6模式對中國西南地區(qū)氣溫開展預(yù)估之前，需要首先系統(tǒng)評估相關(guān)模式對西南地區(qū)歷史氣溫的模擬表現(xiàn)。

已有研究中，有不少學(xué)者使用CMIP6模式對中國地區(qū)氣溫進(jìn)行模擬評估及預(yù)估，孟雅麗等[23]基于CMIP6模式分析青藏高原地區(qū)1961?2100年氣溫的時空變化，發(fā)現(xiàn)青藏高原氣溫在四種SSP情景下均呈增加趨勢，其中帕米爾高原、藏北高原中西部和巴顏喀拉山區(qū)是升溫高值區(qū)；Yang等[6]評估CMIP6模式對中國氣溫的模擬能力，并對未來氣溫變化進(jìn)行預(yù)估，研究得出CMIP6模式能夠較好地再現(xiàn)中國氣溫的空間分布，大多數(shù)模式也可以合理地捕捉平均氣溫的年際變化，預(yù)計到21世紀(jì)末，中國氣溫每年都會增加，在SSP5?8.5情景下，氣溫的增幅最大。目前，還沒有研究對CMIP6模式模擬中國西南地區(qū)氣溫的能力開展評估。因此，本研究擬評估CMIP6模式在西南地區(qū)氣溫方面的模擬表現(xiàn)，并基于評估結(jié)果預(yù)估未來氣溫的變化。此外，以往研究有使用多模式集合[24?25]或者較優(yōu)模式集合[26]來預(yù)估氣候，所以比較不同的模式集合方案對西南地區(qū)氣溫的模擬結(jié)果，也是本研究的一個重點。

以往研究多從區(qū)域平均氣溫的角度評估模式對氣溫的模擬能力[27]，但西南地區(qū)過去的氣溫變化并不表現(xiàn)出簡單的線性增溫，因此，非常有必要從多角度評估模式對西南地區(qū)歷史時期氣溫的模擬能力。本文將利用CN05.1月平均氣溫觀測數(shù)據(jù)，從多角度評估CMIP6的19個模式模擬中國西南地區(qū)氣溫的能力。首先基于泰勒圖分析模式對西南地區(qū)季節(jié)和年平均氣溫氣候態(tài)空間分布的模擬能力，并計算單個模式的泰勒指數(shù)，量化泰勒圖中每個模式的模擬結(jié)果；再計算每個模式的年際變化技巧評分，評估每個模式對季節(jié)和年平均氣溫年際變化的模擬結(jié)果。根據(jù)單個模式的評估結(jié)果選出綜合模擬能力較好的模式，并對其進(jìn)行等權(quán)重集合，并對19個模式進(jìn)行等權(quán)重集合，比較兩種集合方案，選擇與觀測結(jié)果吻合程度更高的模式集合方案，用以預(yù)估西南地區(qū)21世紀(jì)氣溫的時空變化特點，為該地區(qū)生態(tài)資源保護(hù)提供理論基礎(chǔ)。

1 資料與方法

1.1 研究區(qū)概況

研究區(qū)域（21.25°?36.5°N, 84°?112°E）位于中國西南地區(qū)，主要包括四川、云南、重慶、廣西和貴州五省市及西藏東部和青海南部地區(qū)，研究區(qū)域及其海拔分布如圖1所示。

圖1 中國西南地區(qū)的研究區(qū)域

1.2 數(shù)據(jù)及其來源

氣溫觀測數(shù)據(jù)來自CN05.1格點化數(shù)據(jù)集[28]，該數(shù)據(jù)集基于全國2400多個國家級臺站觀測資料，包括1961?2017年月平均氣溫格點資料，空間分辨率為0.25°×0.25°。

模式的歷史（1850?2014年）模擬數(shù)據(jù)來自CMIP6的19個氣候模式，表1為19個CMIP6模式的基本信息，模式數(shù)據(jù)的時間分辨率為月，更多細(xì)節(jié)可參閱https://esgf-node.llnl.gov/ search/cmip6/。由于模式的空間分辨率各不相同，為了統(tǒng)一19個模式數(shù)據(jù)與觀測數(shù)據(jù)的空間分辨率，使用雙線性插值方法，將所有模式數(shù)據(jù)插值到0.25°×0.25°的空間分辨率上。為了更好評估模式的模擬能力，觀測氣溫及模式歷史模擬數(shù)據(jù)的時間長度均取1961?2014年。

預(yù)估未來氣溫使用以上19個模式在SSP1?2.6、SSP2?4.5、SSP3?7.0和SSP5?8.5這4種情景下的預(yù)估數(shù)據(jù)，時間長度為2015?2100年。4種情景分別代表了不同程度的輻射強迫，且輻射強迫程度逐漸增加。SSP1?2.6代表低社會脆弱性、低減緩壓力和低輻射強迫的綜合影響，2100年輻射強迫穩(wěn)定在2.6W·m?2；SSP2-4.5代表中等社會脆弱性與中等輻射強迫的組合，到2100年輻射強迫穩(wěn)定在4.5W·m?2；SSP3-7.0代表高社會強迫與相對高的人為輻射強迫的總和，至2100年時輻射強迫達(dá)到7.0W·m?2；SSP5-8.5代表2100年輻射強迫達(dá)到8.5 W·m?2[13]。

1.3 方法

1.3.1 地形校正

為減小不同模式由于所使用地形數(shù)據(jù)不同所產(chǎn)生的誤差，在對模式數(shù)據(jù)插值后，根據(jù)各模式與觀測數(shù)據(jù)的地形資料對地表氣溫進(jìn)行地形效應(yīng)校正[29]，計算公式為

表1 19個氣候模式的基本信息

1.3.2 泰勒圖

此外，引入定量化指標(biāo)泰勒指數(shù)（S），將模擬場與觀測場之間的相關(guān)系數(shù)以及兩者的標(biāo)準(zhǔn)差定量化，評估模式模擬能力的優(yōu)劣程度[33]，即

1.3.3 年際變化技巧評估

式中，sdm和sdg分別是模式模擬值和觀測值1961?2014年季節(jié)和年尺度區(qū)域平均氣溫多年變化的標(biāo)準(zhǔn)差，IVS是一個對稱變率統(tǒng)計量，用于量化模式模擬與觀測平均氣溫年際變化的相似性，IVS值越小，表明模式對西南地區(qū)氣溫年際變化的模擬性能越好。

1.3.4 多模式集合

一般，多模式集合技術(shù)可以明顯改善模式對氣溫的模擬結(jié)果[34?35]，為了使預(yù)估結(jié)果更可信，評估較優(yōu)模式集合和全模式集合這兩種集合方案與觀測結(jié)果的吻合程度，從中選優(yōu)。選擇較優(yōu)模式進(jìn)行等權(quán)重集合時，首先統(tǒng)計每個模式泰勒指數(shù)和年際變化技巧評分排名在總模式個數(shù)（19個）前1/3位（即前6名）的次數(shù)，進(jìn)而篩選出總次數(shù)多于5次的模式進(jìn)行等權(quán)重集合；全模式集合則是對CMIP6的19個模式進(jìn)行等權(quán)重集合。

等權(quán)重模式集合（multi-model ensemble mean，MME）方法為

式中，M為參與模式集合的模式總數(shù)，Modt為第t個參與模式集合的模式模擬結(jié)果。

1.3.5 預(yù)估未來氣溫變化

選擇較優(yōu)模式集合和全模式集合中與觀測結(jié)果吻合程度更高的模式集合，分析在SSP1-2.6、SSP2-4.5、SSP3-7.0和SSP5-8.5這4種情景下，西南地區(qū)氣溫在2015?2100年初期（2015?2034年）、中期（2045?2064年）以及末期（2081?2100年）的時空變化。

2 結(jié)果與分析

2.1 單個模式對西南地區(qū)歷史氣溫的模擬能力評估

圖2為CMIP6的19個模式模擬西南地區(qū)1961?2014年季節(jié)和年平均氣溫氣候態(tài)空間分布結(jié)果與觀測結(jié)果的泰勒圖。由圖可見，19個模式模擬四季平均氣溫氣候態(tài)空間分布的結(jié)果與觀測場的相關(guān)系數(shù)都超過了0.95，并通過0.05水平的顯著性檢驗，其中秋季（圖2c）有超過50%的模擬場與觀測場的相關(guān)系數(shù)超過了0.99，整體大于其他季節(jié)。從中心化均方根誤差來看，冬季（圖2d）模擬場與觀測場的中心化均方根誤差最大，其次依次為夏季（圖2b）、春季（圖2a）和秋季。從標(biāo)準(zhǔn)偏差來看，春季所有模擬場與觀測場的標(biāo)準(zhǔn)偏差均大于1；夏季和冬季均有超過60%的模擬場與觀測場的標(biāo)準(zhǔn)偏差大于1，泰勒圖顯示19個模式對冬季平均氣溫氣候態(tài)空間分布的模擬具有更大的不確定性；秋季有超過55%的模擬場與觀測場的標(biāo)準(zhǔn)偏差在1～1.22，標(biāo)準(zhǔn)偏差較接近1。四季中，CMIP6模式對西南地區(qū)秋季平均氣溫氣候態(tài)空間分布的模擬效果最好。

CMIP6的19個模式對于1961?2014年氣溫氣候態(tài)空間分布的模擬能力相差不大（圖2e），模擬場與觀測場的相關(guān)系數(shù)為0.97～1，通過0.05水平的顯著性檢驗，略小于秋季模擬場與觀測場的相關(guān)系數(shù)，但是整體上大于其他季節(jié)模擬場與觀測場的相關(guān)系數(shù)。超過90%的模擬場與觀測場的標(biāo)準(zhǔn)偏差大于1.22；19個模擬場與觀測場的中心化均方根誤差整體大于秋季，但小于其他季節(jié)。

計算每個模式的泰勒指數(shù)，并對各模式在四季以及年尺度的泰勒指數(shù)排名，結(jié)果如表2所示。由表可見，對西南地區(qū)1961?2014年四季和年氣溫氣候態(tài)空間分布模擬較好的模式是CMCC?CM2?SR5和CMCC?ESM2，這兩個模式四季和年尺度上的泰勒指數(shù)均在前6名。部分模式在不同季節(jié)以及年的泰勒指數(shù)排名存在較大差異，如ACCESS?CM2年尺度的泰勒指數(shù)為第5名，在春季和冬季均為第2名，而夏季和秋季泰勒指數(shù)分別為第15名和第8名，因為夏季該模擬場與觀測場的標(biāo)準(zhǔn)偏差偏大，達(dá)到了1.26，使得其夏季泰勒指數(shù)排名落后較多；此外模式INM-CM4-8夏季和秋季的泰勒指數(shù)均在前3名，但春季和冬季分別為第10名和第11名，這是因為在春季和冬季中該模擬場與觀測場的相關(guān)系數(shù)分別為0.96和0.95，與其他模擬場相比偏小。對西南地區(qū)氣溫氣候態(tài)空間分布模擬能力相對較弱的是CanESM5、E3SM-1-1-ECA和IPSL-CM6A-LR，這3個模式四季和年的泰勒指數(shù)排名均在后6名。

為了量化CMIP6的19個模式模擬西南地區(qū)1961?2014年區(qū)域平均氣溫多年變化的能力，計算每個模式在四季和年尺度上的年際變化技巧評分，并對每個模式的年際變化技巧評分進(jìn)行排名如表2所示。CMIP6的19個模式中，MIROC6在年尺度上的年際變化技巧評分為第1名，然而該模式四季的年際變化技巧評分均在6名之后；類似的還有CESM2-WACCM，其夏季年際變化技巧評分為第1名，但是在其他季節(jié)和年的年際變化技巧評分并不靠前。INM-CM4-8的年際變化技巧評分在春季和秋季分別是第1名和第2名，而夏季和冬季以及年尺度均排在后6名，這是由于模式對夏季、冬季和年平均氣溫年際變化的模擬與觀測結(jié)果的標(biāo)準(zhǔn)偏差較大。秋季和冬季年際變化技巧評分第1名的模式分別為NorESM2?MM和INM?CM5?0，但是這兩個模式年和夏季的年際變化技巧評分分別為第13和第15名。CanESM5、E3SM?1?1和E3SM?1?1?ECA這三個模式的年際變化技巧評分在年和四季的排名整體靠后，均在后6名，所以，這三個模式對西南地區(qū)1961?2014年四季和年區(qū)域平均氣溫多年變化的模擬結(jié)果與其他模式相比有更大偏差。

圖2 CMIP6的19個模式對1961?2014年西南地區(qū)氣溫氣候態(tài)空間分布的模擬相對于觀測場的泰勒圖

注：泰勒圖內(nèi)的實心圖形代表19個模擬場，橫軸上的空心圓為觀測場。下同。

Note: The solid figures in the Taylor diagram were 19 simulation, and the hollow circle on the axis was observation. The same as below.

表2 19個CMIP6模式模擬西南地區(qū)年和季節(jié)平均氣溫的泰勒指數(shù)和年際變化技巧評分排名

篩選出四季和年尺度泰勒指數(shù)和年際變化技巧評分排在前6名次數(shù)共超過5次的模式，分別為ACCESS-CM2、CMCC-CM2-SR5和CMCC-ESM2，以上3個模式為較優(yōu)模式。

2.2 較優(yōu)模式集合與全模式集合的模擬能力評估

為了更準(zhǔn)確地預(yù)估西南地區(qū)的氣溫，對評估篩選出的較優(yōu)模式以及所有的CMIP6（19個模式）模式分別進(jìn)行等權(quán)重模式集合，兩種模式集合分別稱為較優(yōu)模式集合和全模式集合。首先評估兩種模式集合對西南地區(qū)1961-2014年平均氣溫氣候態(tài)空間分布的模擬結(jié)果，兩種模式集合的模擬結(jié)果與觀測結(jié)果的泰勒圖如圖3所示。較優(yōu)模式集合模擬四季和年平均氣溫氣候態(tài)空間分布的結(jié)果與觀測場的相關(guān)系數(shù)為0.97～1，其與觀測場的相關(guān)系數(shù)略強于全模式集合與觀測場的相關(guān)系數(shù)，且較優(yōu)模式集合的中心化均方根誤差均小于全模式集合。從標(biāo)準(zhǔn)偏差來看，秋季（圖3c）全模式集合與觀測場的標(biāo)準(zhǔn)偏差更接近1；夏季較優(yōu)模式集合和全模式集合的標(biāo)準(zhǔn)偏差差別不大，兩個模式集合與觀測場的標(biāo)準(zhǔn)偏差都較接近1，這是因為在夏季不同模式與觀測的標(biāo)準(zhǔn)差相差不大，集中在8.40～11.60；但是在其他季節(jié)以及年（圖3e）尺度上較優(yōu)模式集合與觀測場的標(biāo)準(zhǔn)偏差明顯比全模式集合更接近1?？偟膩碚f，較優(yōu)模式集合與觀測場的距離更近，較優(yōu)模式集合對西南地區(qū)1961-2014年平均氣溫氣候態(tài)空間分布的模擬與觀測結(jié)果更加吻合。

圖4為1961?2014年西南地區(qū)觀測、全模式集合和較優(yōu)模式集合模擬的四季和年區(qū)域平均氣溫的多年變化。由圖可見，全模式集合和較優(yōu)模式集合都可以再現(xiàn)西南地區(qū)1961?2014年季節(jié)和年平均氣溫升高的時間變化特點。兩種模式集合模擬平均氣溫的年際波動幅度都明顯小于觀測值，這是由于進(jìn)行多模式集合的等權(quán)重系數(shù)法對極值有平滑作用[32]，而且可以看到，全模式集合模擬平均氣溫的年際波動幅度小于較優(yōu)模式集合，參與模式集合的模式個數(shù)越多，氣溫年際波動的幅度就會越小。觀測結(jié)果表明，1961?2014年西南地區(qū)春季多年平均氣溫為6.87℃，而全模式集合和較優(yōu)模式集合模擬值分別為5.43℃和6.47℃，均低于觀測結(jié)果，其中較優(yōu)模式集合模擬春季區(qū)域平均氣溫的多年變化特點與觀測結(jié)果吻合程度更高。兩個模式集合對夏季區(qū)域平均氣溫多年變化的模擬沒有顯著的冷偏差，全模式集合的模擬偏差更小，因為較優(yōu)模式集合中，ACCESS?CM2和CMCC?ESM5這兩個模式的夏季年際變化技巧評分分別為第13名和第12名，并未顯著優(yōu)于其他模式，使得較優(yōu)模式集合對夏季區(qū)域平均氣溫多年變化的模擬偏差略大于全模式集合。與夏季相反，較優(yōu)模式集合和全模式集合對冬季區(qū)域平均氣溫多年變化的模擬存在較大冷偏差，全模式集合和較優(yōu)模式集合模擬冬季多年平均氣溫分別為?4.80℃和?2.90℃，而冬季多年平均氣溫觀測值為?1.89℃，不難看出全模式集合的模擬結(jié)果比觀測結(jié)果偏低更多。觀測結(jié)果顯示秋季1961?2014年多年平均氣溫為7.08℃，而兩種模式集合模擬秋季的多年平均氣溫分別為6.10℃和7.06℃。1961?2014年西南地區(qū)年平均氣溫在5.81～7.67℃波動，但是全模式集合與較優(yōu)模式集合模擬年平均氣溫的波動范圍分別在4.80～6.04℃和5.63～7.14℃，均低于觀測結(jié)果。綜上，兩種模式集合對西南地區(qū)四季和年平均氣溫的模擬均存在不同程度的冷偏差。除夏季外，較優(yōu)模式集合對其他三個季節(jié)區(qū)域平均氣溫多年變化的模擬能力要優(yōu)于全模式集合。總的來說，較優(yōu)模式集合對西南地區(qū)氣溫氣候態(tài)空間分布和年際變化的模擬與觀測結(jié)果吻合程度更高，因此，選擇較優(yōu)模式集合分析西南地區(qū)2015?2100年氣溫變化特征。

圖3 全模式集合和較優(yōu)模式集合對1961?2014年西南地區(qū)氣溫氣候態(tài)空間分布的模擬相對于觀測場的泰勒圖

圖4 觀測、全模式集合和較優(yōu)模式集合模擬1961?2014年西南地區(qū)區(qū)域平均氣溫的多年變化

2.3 較優(yōu)模式集合對西南地區(qū)未來氣溫變化的模擬結(jié)果分析

2.3.1 氣溫的時間變化

圖5為西南地區(qū)四季和年平均氣溫在歷史時期（1961?2014年）以及未來（2015?2100年）4種情景下的時間序列，歷史時期氣溫變化數(shù)據(jù)采用觀測氣溫，未來氣溫變化數(shù)據(jù)采用較優(yōu)模式集合在4種情景下的預(yù)估值。由圖5a?圖5d可見，在4種情景下，未來四季平均氣溫均呈逐漸升高的時間變化特點，但在不同季節(jié)，氣溫升高的程度有所差異。在SSP1?2.6情景下，2015?2100年春季、夏季、秋季和冬季的多年平均氣溫分別比1961?2014年同期升高1.40℃、2.17℃、1.92℃和0.94℃；SSP2?4.5/SSP3? 7.0情景下，2015?2100年四季的多年平均氣溫分別升高1.71℃/1.98℃、2.48℃/2.78℃、2.32℃/2.52℃和1.30℃/1.54℃；而在SSP5?8.5情景下，2015?2100年四季多年平均氣溫分別比1961?2014年同期升高2.63℃、3.48℃、3.33℃和2.24℃，可以看到在4種情景下均以夏季的多年平均氣溫升高最多，冬季升溫最少。以外，計算2015?2100年四季平均氣溫的逐年差值（圖略）發(fā)現(xiàn)，在不同季節(jié)，氣溫的年際波動幅度有明顯差異，4種情景均以夏季平均氣溫的年際波動幅度最小，逐年差值為0.12～0.17℃，相反，冬季平均氣溫的年際波動幅度最大，其平均氣溫的逐年差值為?0.30～0.37℃。值得注意的是，在2015?2100年初期（2015?2034年），不同情景間預(yù)估四季平均氣溫結(jié)果的差別較小，且預(yù)估結(jié)果還存在低于歷史同期多年平均氣溫的現(xiàn)象；從中期（2045?2064年）開始，高輻射強迫情景下預(yù)估的四季平均氣溫結(jié)果逐漸高于低輻射強迫情景，到末期（2081?2100年），4種情景預(yù)估四季平均氣溫結(jié)果的差異更加顯著。

圖5 歷史時期（1961?2014年）觀測區(qū)域平均氣溫和較優(yōu)模式集合在4種情景下預(yù)估2015?2100年區(qū)域平均氣溫的年際變化

注：灰色虛線為歷史時期與未來的分割線。

Note: The gray dotted line in the figure separated the historical period and the future.

歷史時期（1961?2014年）和預(yù)估未來（2015?2100年）年平均氣溫的時間序列如圖5e所示。由圖可見，在全球變暖的背景下，4種情景下西南地區(qū)未來年平均氣溫呈現(xiàn)一定程度的升高趨勢。相較于1961?2014年的多年平均氣溫（6.60℃），2015?2100年西南地區(qū)多年平均氣溫在SSP1?2.6情景下升高約1.61℃，而在SSP2?4.5和SSP3?7.0情景下升高1.95℃和2.21℃，SSP5?8.5情景下多年平均氣溫比1961?2014年升高約2.92℃，高輻射強迫情景氣溫的升高幅度大于低輻射強迫情景。西南地區(qū)未來年與四季平均氣溫的時間變化相似的是，在21世紀(jì)初期（2015?2034年），4種情景下預(yù)估平均氣溫的結(jié)果差別較小，從中期（2045?2064年）開始，高輻射強迫下預(yù)估的平均氣溫結(jié)果逐漸高于低輻射強迫情景的預(yù)估結(jié)果。

2.3.2 氣溫的空間變化

圖6為較優(yōu)模式集合在4種情景下預(yù)估西南地區(qū)21世紀(jì)初期（2015?2034年）、中期（2045?2064年）和末期（2081?2100年）的多年平均氣溫與歷史時期（1961?2014年）觀測氣溫距平的空間分布圖。由圖可見，氣溫距平值在4種情景、3個時期下的空間分布特點具有較強的一致性，距平值整體都呈現(xiàn)西北大于東南、高緯度大于低緯度以及高海拔大于低海拔的空間分布特點，類似的高緯度和高海拔增溫放大效應(yīng)在全國[2]和全球[7,35]尺度上同樣存在。圖6顯示，在105°E以西的四川西北部、青海南部和西藏南部等高緯度高海拔地區(qū)的氣溫距平值大于其他地區(qū)，在102°E以東的四川東部與青海交界處、西藏東南部、四川與西藏交界處以及四川南部與云南交界處等低緯度低海拔地區(qū)，氣溫距平值較小，在初期和中期，4種情景下這些地區(qū)的氣溫距平值出現(xiàn)略小于0℃的情況，小于0℃的距平值大小主要集中在?2～0℃。

a.初期 Early period (2015?2034), b.中期Middle period(2045?2064), c. 末期End period(2081?2100), 1.SSP1?2.6,2. SSP2?4.5, 3. SSP3?7.0, 4. SSP5?8.5

從圖6可以看出，在相同時期，同一地區(qū)的氣溫距平值隨著輻射強迫的升高而增大，尤其在21世紀(jì)中期（2045?2064年）和末期（2081?2100年），距平值隨輻射強迫升高而增加更多；同一情景下，隨著時間的推移，同一地區(qū)的氣溫距平值逐漸增大，在高輻射強迫情景下，距平值隨時間的推移升高更加顯著。例如SSP5?8.5情景下，初期（2015?2034年）的平均距平值為0.75℃，中期（2045?2064年）和末期（2081?2100年）的平均距平值分別為2.54℃和5.33℃，顯著高于初期（2015?2034年）?？傮w來看，氣溫距平值在SSP5?8.5的末期（2081?2100年）整體達(dá)到最高，其中在西藏東南部等地區(qū)氣溫距平值最大可以達(dá)到14.55℃，僅四川南部與云南交界處極少部分區(qū)域為?0.20～0℃。

3 結(jié)論與討論

3.1 結(jié)論

（1）CMIP6的19個模式對西南地區(qū)1961?2014年四季和年氣溫氣候態(tài)的模擬中，模式對秋季氣溫氣候態(tài)空間分布的模擬表現(xiàn)最好。CMIP6模式對西南地區(qū)四季和年區(qū)域平均氣溫多年變化的模擬結(jié)果顯示，模式對四季和年區(qū)域平均氣溫的模擬效果整體偏低，其中對冬季平均氣溫模擬的冷偏差最顯著。19個模式中對西南地區(qū)氣溫的綜合模擬能力表現(xiàn)較好的模式有ACCESS?CM2、CMCC?CM2?SR5和CMCC?ESM2。

（2）較優(yōu)模式集合對西南地區(qū)1961?2014年四季和年氣溫氣候態(tài)空間分布的模擬表現(xiàn)明顯好于全模式集合。除夏季外，較優(yōu)模式集合對其他季節(jié)及年區(qū)域平均氣溫多年變化的模擬均明顯好于全模式集合?？偟膩碚f，仍是較優(yōu)模式集合對西南地區(qū)氣溫時空變化的模擬表現(xiàn)較好。

（3）4種情景下，較優(yōu)模式集合預(yù)估未來（2015?2100年）四季和年區(qū)域平均氣溫比1961?2014年同期增加0.94～3.48℃。4種情景均以夏季升溫最多（2.17～3.48℃），且夏季平均氣溫的年際波動幅度最小，冬季升溫最少（0.94～2.24℃），冬季平均氣溫的年際波動幅度最大。初期4種情景下四季和年區(qū)域平均氣溫的升高幅度差異不大，從中期開始，高輻射強迫情景下氣溫的升高幅度逐漸高于低輻射強迫情景。

（4）4種情景下，西南地區(qū)21世紀(jì)初期、中期和末期的多年平均氣溫與歷史氣溫距平值呈現(xiàn)西北大于東南、高緯度高海拔地區(qū)大于低緯度低海拔地區(qū)的空間分布特點。在4種情景的初期和中期，四川東部與青海交界處、西藏東南部、四川與西藏交界處以及四川南部與云南交界處距平值小于0℃，到末期，4種情景下氣溫距平值小于0℃的區(qū)域面積顯著少于初期和中期。在SSP5?8.5情景的末期，僅四川與云南交界處極小部分區(qū)域的氣溫距平值略小于0℃。

3.2 討論

目前，已有研究評估CMIP6模式模擬中國氣溫的表現(xiàn)，如Jiang等[34]研究指出，CMIP6模式對中國秋季和冬季氣溫氣候態(tài)空間分布的模擬表現(xiàn)好于其他季節(jié)。雖然本研究評估CMIP6模式模擬西南地區(qū)氣溫的空間分布時，也發(fā)現(xiàn)模式對該地區(qū)秋季氣溫氣候態(tài)空間分布的模擬好于其他季節(jié)；但值得注意的是，與Jiang等[34]研究結(jié)論不同，本研究發(fā)現(xiàn)模式對西南地區(qū)冬季氣溫氣候態(tài)空間分布的模擬并未好于其他季節(jié)，這一差異可能是由于西南地區(qū)海拔差異大，模式無法充分反映雪反照率反饋[36]，使得模式對該地區(qū)寒冷季節(jié)氣溫的模擬偏差更大。與CMIP5模式集合模擬青藏高原氣溫偏低的特點類似[29]，本研究再次證實了模式對氣溫的模擬存在系統(tǒng)性低估，表明CMIP6模式在模擬氣溫時仍然存在冷偏差的問題。Chen等[37]探討CMIP5模式模擬青藏高原氣溫存在冷偏差的原因時指出，一系列物理上相互關(guān)聯(lián)的過程造成了模型模擬的冷偏差，如較小的地面湍流量導(dǎo)致較低的對流層溫度，使模式模擬氣溫的過程中往往存在一定程度的冷偏差。比較特殊的是，本研究基于CMIP6模式集合模擬西南地區(qū)四季及年平均氣溫的冷偏差為0.02～2.83℃，而胡芩等[29]評估CMIP5模式集合模擬青藏高原四季和年平均氣溫的結(jié)果，發(fā)現(xiàn)模擬結(jié)果比觀測結(jié)果偏低1.20～3.50℃，顯著高于本研究的結(jié)果，由此來看，CMIP6模式模擬該地區(qū)氣溫的冷偏差小于CMIP5，造成這一差異的原因可能是CMIP6模式相對于CMIP5模式在試驗設(shè)計和分辨率等方面均有所改進(jìn)，減小了模式模擬氣溫的冷偏差。多模式集合技術(shù)可以提高模擬的準(zhǔn)確度[27,32]，但不同的模式集合方案模擬性能有所不同。胡芩等[29]對比不同模式集合的模擬性能，發(fā)現(xiàn)在對單個模式進(jìn)行評估的基礎(chǔ)上擇優(yōu)挑選的模式集合的模擬性能好于簡單的所有模式集合，這一結(jié)論在本研究也得到了驗證。

Yang等[6]基于CMIP6較優(yōu)模式集合預(yù)估中國未來氣溫，發(fā)現(xiàn)在SSP2?4.5和SSP5?8.5這兩個情景下，2081?2100年中國平均氣溫比1995?2014年平均氣溫分別升高2.40℃和4.80℃，本研究發(fā)現(xiàn)在相同的情景下，西南地區(qū)同期平均氣溫分別升高2.64℃和4.89℃，高于全國的平均升幅，這是因為西南區(qū)域青藏高原的增溫幅度顯著高于全國其他地區(qū)[6]。不同情景間，氣溫的預(yù)估結(jié)果有所差異，張艷武等[38]基于CMIP5模式預(yù)估中國地區(qū)氣溫時指出，在21世紀(jì)初期，不同情景間預(yù)估結(jié)果差別較小，到21世紀(jì)中期，各情景間氣溫預(yù)估結(jié)果的差異逐漸增大，本研究基于CMIP6模式預(yù)估西南地區(qū)未來氣溫隨情景的變化時，也發(fā)現(xiàn)了相同的變化規(guī)律。許多研究已經(jīng)證實，未來中國氣溫在高緯度高海拔地區(qū)的升幅要高于低緯度低海拔地區(qū)[33,39]，這與本研究預(yù)估西南地區(qū)未來氣溫的空間變化特點基本吻合，未來西南地區(qū)增溫幅度較高的地區(qū)主要集中在102°E以西的四川西北部、四川和青海交界處以及青藏高原等高緯度高海拔地區(qū)。在4種情景下初期（2015?2034年）和中期（2045?2064年），氣溫距平值主要集中在0～4℃。隨著輻射強迫的升高，氣溫距平值逐漸增大，到SSP5?8.5情景的末期（2081?2100年），距平值整體達(dá)到最大，僅四川與云南交界處極小部分區(qū)域，氣溫距平值小于0℃，在以往使用CMIP5模式集合預(yù)估西南地區(qū)未來氣溫變化時，也發(fā)現(xiàn)四川西南部與云南交界處為增溫低值區(qū)[27]。

CMIP6模式在分辨率、運行機制以及試驗設(shè)計上相比于CMIP5有較大進(jìn)步，但受模式本身及未來排放情景設(shè)計中的不確定性等多重因素的影響，模式對未來氣溫的預(yù)估結(jié)果仍存在一定的不確定性[40]，而且，中國西南地區(qū)地理位置特殊、地形復(fù)雜，模式與觀測資料的海拔高度相差較大、下墊面及站點稀疏等因素，導(dǎo)致模式對這一地區(qū)氣溫準(zhǔn)確模擬的難度更大。此外，本研究在進(jìn)行模式集合時，使用的是較常用的等權(quán)重算術(shù)平均的方法，有研究指出，在實現(xiàn)模式集合時，按照各模式的模擬表現(xiàn)，對各模式分配不同的權(quán)重系數(shù)進(jìn)行模式集合，也可以提高模式模擬的準(zhǔn)確度[27,38]。今后可以進(jìn)一步探討不同的權(quán)重系數(shù)進(jìn)行模式集合對模擬結(jié)果準(zhǔn)確性的影響。

[1] 辛?xí)愿?吳統(tǒng)文,張潔.BCC氣候系統(tǒng)模式開展的CMIP5試驗介紹[J].氣候變化研究進(jìn)展,2012,8(5):378-382.

Xin X G,Wu T W,Zhang J.Introduction of CMIP5 experiments carried out by BCC climate system model[J]. Progressus Inquisitiones de Mutatione Climatics,2012, 8(5):378-382.(in Chinese)

[2] 趙亮,劉建,靳春寒.CMIP5多模式集合對江蘇省氣候變化模擬評估及情景預(yù)估[J].氣象科學(xué),2019,39(6):739-746.

Zhao L,Liu J,Jin C H.Evaluation and projection of climate change in Jiangsu province based on the CMIP5 multi- model ensemble mean datasets[J].Journal of Meteorological Sciences,2019,39(6):739-746.(in Chinese)

[3] Cowtan K,Hausfather Z,Hawkins E,et al.Robust comparison of climate models with observations using blended land air and ocean sea surface temperatures[J].Geophysical Research Letters,2015,42(15):6526-6534.

[4] 周天軍,陳梓明,鄒立維,等.中國地球氣候系統(tǒng)模式的發(fā)展及其模擬和預(yù)估[J].氣象學(xué)報,2020,78(3):332-350.

Zhou T J,Chen Z M,Zou L W,et al.Development of climate and earth system models in China:past achievements and new CMIP6 results[J].Journal of Meteorology,2020,78(3): 332-350.(in Chinese)

[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] Yang X L,Zhou B T,Xu Y,et al.CMIP6 evaluation and projection of temperature and precipitation over China[J]. Advances in Atmospheric Sciences,2021,38(5):817-830.

[7] Jian B D,Li J M,Zhao Y X,et al.Evaluation of the CMIP6 planetary albedo climatology using satellite observations[J]. Climate Dynamics,2020,54:5145-5161.

[8] 張麗霞,陳曉龍,辛?xí)愿?等.CMIP6情景模式比較計劃(ScenarioMIP)概況與評述[J].氣候變化研究進(jìn)展,2019, 15(5):519-525.

Zhang L X,Chen X L,Xin X G,et al.Short commentary on CMIP6 Scenario Model Intercomparison Project(ScenarioMIP)[J]. Climate Change Research,2019,15(5):519-525.(in Chinese)

[9] 趙彥茜,肖登攀,柏會子.CMIP5氣候模式對中國未來氣候變化的預(yù)估和應(yīng)用[J].氣象科技,2019,47(4):608-621.

Zhao Y Q,Xiao D P,Bai H Z.Projection and application for future climate in China by CMIP5 climate model[J]. Meteorological Science and Technology,2019,47(4):608- 621.(in Chinese)

[10] O’neill B C,Tebaldi C,Vuuren D P,et al.The scenario model intercomparison project(ScenarioMIP) for CMIP6[J]. Geoscientific Model Development,2016,9(9):3461-3482.

[11] 周天軍,鄒立維,陳曉龍.第六次耦合模式比較計劃(CMIP6)評述[J].氣候變化研究進(jìn)展,2015,15(5):445-456.

Zhou T J,Zou L W,Chen X L.Commentary on the Coupled Model Intercomparison Project Phase 6(CMIP6)[J]. Climate Change Research,2019,15(5):445-456.

[12] Lun Y R,Liu L,Lei C,et al.Assessment of GCMs simulation performance for precipitation and temperature from CMIP5 to CMIP6 over the Tibetan Plateau[J].International Journal of Climatology,2021,41(7):3994-4018.

[13] IPCC.Working Group I contribution to the IPCC fifth assessment report,climate change 2013:the physical science basis: summary for policymakers[M].Cambridge: Cambridge University Press,2013.

[14] Hua W J,Chen H S,Zhou L M,et al.Observational quantification of climatic and human influences on vegetation greening in China[J].Remote Sensing,2017, 9(5):425-440.

[15] 杜澤玉,曹富強,楊榮.基于CRU資料的山西百年氣溫時空演變特征[J].高原氣象,2021,40(1):123-132.

Du Z Y,Cao F Q,Yang R.Spatial-temporal variation of air temperature based on CRU data in Shanxi from 1901 to 2016[J].Plateau Meteorology,2021,40(1):123-132.(in Chinese)

[16] 杜勤勤,張明軍,王圣杰,等.中國氣溫變化對全球變暖停滯的響應(yīng)[J].地理學(xué)報,2018,73(9):1748-1764.

Du Q Q,Zhang M J,Wang S J,et al.Changes in air temperature over China in response to the recent global warming hiatus[J].Acta Geographica Sinica,2018,73(9): 1748-1764.(in Chinese)

[17] 劉曉瓊,孫曦亮,劉彥隨,等.基于REOF-EEMD的西南地區(qū)氣候變化區(qū)域分異特征[J].地理研究,2020,39(5):1215- 1232.

Liu X Q,Sun X L,Liu Y S,et al.Spatial division of climate change and its evolution characteristics in Southwest China based on REOF-EEMD[J].Geographical Research,2020, 39(5):1215-1232.(in Chinese)

[18] 馬海云,張林林,魏學(xué)瓊,等.2000-2015年西南地區(qū)土地利用與植被覆蓋的時空變化[J].應(yīng)用生態(tài)學(xué)報,2021,32(2): 618-628.

Ma H Y,Zhang L L,Wei X Q,et al.Spatial and temporal variations of land use and vegetation cover in Southwest China from 2000 to 2015[J].Chinese Journal of Applied Ecology,2021,32(2):618-628.(in Chinese)

[19] 周亮廣,王崠,戴仕寶,等.長江2006年汛期特枯徑流分析[J].自然資源學(xué)報,2009,24(3):448-456.

Zhou L G,Wang D,Dai S B,et al.A study on the exceptionally low flow of Yangtze River in the flood season of 2006[J].Journal Natural Resources,2009,24(3): 448-456.(in Chinese)

[20] 齊冬梅,李英,李躍清,等.2006年高原夏季風(fēng)強弱變化及其與西南地區(qū)東部夏季氣溫和降水的關(guān)系[J].干旱氣象,2015,33(4):555-565.

Qi D M,Li Y,Li Y Q,et al.Intensity variation of plateau summer monsoon and its relation with summer temperature precipitation in eastern part of Southwest China in 2006[J]. Journal of Arid Meteorology,2015,33(4):555-565.(in Chinese)

[21] 張永恒,范廣洲,李臘平,等.西南地區(qū)植被變化與氣溫及降水關(guān)系的初步分析[J].高原山地氣象研究,2009,29(1): 6-13.

Zhang Y H,Fan G Z,Li L P,et al.Preliminary analysis on relationships between NDVI change and its temperature and precipitation in Southwest China[J].Plateau and Mountain Meteorology Research,2009,29(1):6-13.(in Chinese)

[22] Masson D,Knutti R.Spatial-scale dependence of climate model performance in the CMIP3 ensemble[J].Journal of Climate,2011,24(11):2680-2692.

[23] 孟雅麗,段克勤,尚溦,等.基于CMIP6模式數(shù)據(jù)的1961-2100年青藏高原地表氣溫時空變化分析[J].2022, 44(2):1-10.

Meng Y L,Duan K Q,Shang W,et al.Spatiotemporal variations of near-surface air temperature over the Tibetan Plateau from 1961 to 2100 based on CMIP6 data[J].Journal of Glaciology and Geocryology,2022,44(2):1-10.(in Chinese)

[24] Wang Y J,Zhou B T,Qin D H,et al.Changes in mean and extreme temperature and precipitation over the arid region of northwestern:observation and projection[J].Advances in Atmospheric Sciences,2017,34(3):289-305.

[25] Tian D,Guo Y,Dong W J,et al.Future changes and uncertainties in temperature and precipitation over China based on CMIP5 models[J].Advances in Atmospheric Sciences,2015,32(4):487-496.

[26] Chen H P,Sun J Q.How the “Best” models projected the future precipitation change in China[J].Advances in Atmospheric Sciences,2009,26(4):773-782.

[27] 伍清,蔣興文,謝潔,等.基于CMIP5資料的西南地區(qū)2020-2050年氣溫多模式集合預(yù)估[J].干旱氣象,2018, 36(6):971-978.

Wu Q,Jiang X W,Xie J,et al.Multi-model super-ensemble prediction of air temperature in Southwestern China during 2020-2050 based on CMIP5 data[J].Journal of Arid Meteorology,2018,36(6):971-978.(in Chinese)

[28] 吳佳,高學(xué)杰.一套格點化的中國區(qū)域逐日觀測資料及與其他資料的對比[J].地球物理學(xué)報,2013,56(4):1102-1111.

Wu J,Gao X J.A gridded daily observation dataset over China region and comparison with other datasets[J]. Chinese Journal of Geophysics,2013,56(4):1102-1111.(in Chinese)

[29] 胡芩,姜大膀,范廣洲.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(xué),2014,38(5):924-938.

Hu Q,Jiang D B,Fan G Z.Evaluation of CMIP5 models over the Qinghai-Tibetan Plateau[J].Chinese Journal of Atmospheric Sciences,2014,38(5):924-938.(in Chinese)

[30] Taykor K E.Summarizing multiple aspects of model performance in a single diagram[J].Journal of Geophysical Research:Earth Surface,2001,106(7):7183-7192.

[31] Stocker T F,Qin D H,Plattner G K,et al.IPCC:climate change 2013[J].Computational Geometry,2013,18:95-123.

[32] 陶純?nèi)?姜超,孫建新.CMIP5模式對中國東北氣候模擬能力的評估[J].氣候與環(huán)境研究,2016,21(3):357-366.

Tao C W,Jiang C,Sun J X.Evaluation of CMIP5 models performance on climate simulation in Northeast China[J]. Climatic and Environmental Research,2016,21(3):357- 366.(in Chinese)

[33] 向竣文,張利平,鄧瑤,等.基于CMIP6的中國主要地區(qū)極端氣溫/降水模擬能力評估及未來情景預(yù)估[J].武漢大學(xué)學(xué)報(工學(xué)報),2021,54(1):46-57.

Xiang J W,Zhang L P,Deng Y,et al.Projection and evaluation of extreme temperature and precipitation in major regions of China by CMIP6 models[J].Engineering Journal of Wuhan University,2021,54(1):46-57.(in Chinese)

[34] Jiang D B,Hu D,Tian Z P,et al.Differences between CMIP6 and CMIP5 models in simulating climate over China and the East Asian Monsoon[J].Advances in Atmospheric Sciences,2020,37(10):1102-1118.

[35] 云翔,程嘉藝,李慶祥.CMIP5模式對亞洲升溫幅度的模擬與預(yù)估[J].氣象,2020,46(2):145-157.

Yun X,Cheng J Y,Li Q X.Estimation of CMIP5 multi-model on the extent of rise in air temperature in Asia[J].Meteor Mon,2020,46(2):145-157.(in Chinese)

[36] You Q L,Cai Z Y,Wu F Q,et al.Temperature dataset of CMIP6 modes over China:evaluation,trend and uncertainty[J]. Climate Dynamics,2021,57:17-35.

[37] Chen X L,Liu Y M,Wu G X.Understanding the surface temperature cold bias in CMIP5 AGCMs over the Tibetan Plateau[J].Advances in Atmospheric Sciences,2017,34(12): 1447-1460.

[38] 張艷武,張莉,徐影.CMIP5模式對中國地區(qū)氣溫模擬能力評估與預(yù)估[J].氣候變化研究進(jìn)展,2016,12(1):10-19.

Zhang Y W,Zhang L,Xu Y.Simulations and projections of the surface air temperature in China by CMIP5 models[J]. Climate Change Research,2016,12(1):10-19.(in Chinese)

[39] 李佳瑞,牛自耕,馮嵐,等.CMIP5模式對長江和黃河流域極端氣溫指標(biāo)的模擬與預(yù)估[J].地球科學(xué),2020,45(6): 1887-1904.

Li J R,Niu Z G,Feng L,et al.Simulation and prediction of extreme temperature indices in Yangtze and Yellow River basins by CMIP5 models[J].Earth Sciences,2020,45(6): 1887-1904.(in Chinese)

[40] 肖登攀,趙彥茜,柏會子,等.CMIP5全球氣候模式對華北平原氣候的模擬和預(yù)估[J].地理與地理信息科學(xué),2020, 36(2):75-82.

Xiao D P,Zhao Y Q,Bai H Z,et al.Simulation and projection of climate change in north China by CMIP5 multi-model[J]. Geography and Geo-Information Science,2020,36(2):75-82. (in Chinese)

Evaluation and Projection of Temperature in Southwestern China by CMIP6 Models

JIN Cheng-xiu, JIANG Chao, ZHANG Xi-yue

(School of Ecology and Nature Conservation, Beijing Forestry University, Beijing 100083, China)

Using on the CN05.1 monthly average temperature observation data set from 1961 to 2014 and the output data from 19 global climate models from Coupled Model Intercomparison Project Phase 6 (CMIP6), the simulation ability of CMIP6 models on the climatology spatial distribution and interannual variability of temperature in Southwestern China was systematically evaluated by means of Taylor diagram, Taylor index and interannual variability skill score. The variation characteristics of future temperature in this area were predicted under SSP1-2.6, SSP2-4.5, SSP3-7.0 and SSP5-8.5 scenarios. The results showed that: (1) compared with other seasons, most CMIP6 models had the best performance in simulating the spatial distribution of autumn temperature climatology during 1961-2014; and CMIP6 models underestimated the interannual variability of seasonal and annual average temperature. Among the 19 models, the best models simulated the temperature in Southwestern China were ACCESS-CM2, CMCC-CM2-SR5 and CMCC-ESM5. (2) The multi-model ensemble mean(MME) of 3 best-fit models simulated the climatology spatial distribution and interannual variability of average temperature better than the MME of 19 models. (3) Compared with the multi-year average temperature observed in the same period during 1961?2014, the seasonal and annual average temperature in Southwestern China showed an upward trend in the future under the four climatic scenarios, seasonal and annual average temeprature increased by 0.94?3.48℃. Under the four scenarios, the increase of average temperature in summer was the largest(2.17?3.48℃) and the interannual fluctuation range was the smallest, the increase of temperature in winter was the smallest(0.94?2.24℃) and the interannual fluctuation range was the largest. (4) In the early of 21st century, there was little difference in the increase of seasonal and annual average temperature under 4 scenarios. During the middle of the 21st century, the upward trend of seasonal and annual average temperature in high radiation forcing scenarios was gradually larger than that in low radiation forcing scenarios. (5) Under the four scenarios, the anomaly values of multi-year average temperature at the early (2015?2034), middle (2045?2064) and end (2081?2100) period of 21st century and the historical(1961?2014) observed temperature showed the spatial distribution characteristics that the northwest was greater than southeast of this region, and the high latitude and high altitude areas were greater than the low latitude and low altitude areas. With the passage of time, at the end of 21st century, the temperature anomaly in the same region was significantly higher under high forcing scenarios than that in low forcing scenarios.

CMIP6 models; Southwestern China; Surface air temperature change; Evaluation; Projection

10.3969/j.issn.1000-6362.2022.08.001

晉程繡,姜超,張曦月.CMIP6模式對中國西南地區(qū)氣溫的模擬與預(yù)估[J].中國農(nóng)業(yè)氣象,2022,43,(8):597-611

2021?11?09

國家自然科學(xué)基金(42175170)

姜超，副教授，主要從事全球變化生態(tài)學(xué)研究，E-mail: jiangchao@bjfu.edu.cn

晉程繡，E-mail：2904936412@qq.com