CMIP5模型中国极端降水指数：Part I:模型评价外文翻译资料

英语原文共 17 页，剩余内容已隐藏，支付完成后下载完整资料

英语原文共 17 页，剩余内容已隐藏，支付完成后下载完整资料

CMIP5模型中国极端降水指数：Part I:模型评价

Zhi-Hong Jiang. Journal of Climate. Extreme Precipitation Indices over China in CMIP5 Models.Part I: Model Evaluation, 2015: 8603-8619.

摘要：与中国1960-2005年高分辨率日观测数据集计算的降水极端值相比，使用技能评分指标对耦合模型相互比较项目(CMIP5)第5期31个气候模型的模拟进行了定量评估。分析了4个极端降水指标，包括总降水量(PRCPTOT)、最大连续干旱日数(CDD)、降水强度(SDII)和强降水占总降水量的比例(R95T)。结果表明，该模型在中国西部和北部仍然存在湿偏差。特别是在西部地区，PRCPTOT模型的中位相对误差约为120%；第25百分位误差和第75百分位误差分别为70%和220%。然而，中国东南部存在干偏，对PRCPTOT的低估达到200mm。CMIP5模型在中国西部和东部的性能差异较大。在空间格局和年际变率方面，东部地区的模拟结果比西部地区更为可靠，降水指标与观测结果更为一致，模型间的传播范围较小。选择最优模型构建的多模型集成与全模型集成相比，表现出更好的行为。中国西部和北部的湿偏误和东南部的干偏误都有所减少。PRCPTOT的误差中值在西方和东方分别下降了69%和17%。阿拉伯半岛东岸西南风的良好再生产是解释降水模态和极端事件改善的主要因素。

1.引言

众所周知，在过去的一个世纪里，全球变暖主导了气候变化。根据政府间气候变化专门委员会(IPCC；IPCC 2013)的第五次评估报告(AR5)，气候变化对极端天气和气候的频率、强度、空间范围、持续时间和时间的影响显著。气候变暖已被证明会加剧和触发某些极端气候，包括严重和极端降水事件的增加(Easterling等2000；翟等2005；乾等2007；冯等2011)。中国尤其容易受到极端降水事件的影响，这可能给社会、经济和自然生态系统造成巨大损失。近年来，由于自然灾害的灾难性影响越来越大，公众对极端事件的认识急剧提高。据估计，自1990年以来，气象灾害每年给中国国内生产总值(GDP)造成2.37%的损失，极端事件的频率预计还将增加，并伴随气候变暖(王和郑2012)。因此，对此类事件的评估和调查对于制定减少极端降水风险的适应策略具有重要意义(翟等，2008；任等2011；王等2012)。

全球气候模型是科学界用于重现当前气候和预测极端降水事件未来变化的主要工具。考虑到模型对未来变化的预测存在一连串的不确定性，在评估模型对未来变化的预测之前，有必要评估模型在模拟极端情况方面的性能。近年来，基于世界气候研究计划署(WCRP)耦合模型相互比较项目(CMIP3)第3阶段的模型，已经作出了相当大的努力来评估模型在模拟中国区域的时空变化方面的极端变化的能力。蒋等(2009，2012)研究表明，模型对极端降水指数的空间分布和趋势都有一定的模拟能力，但由于空间分辨率粗糙等不确定性的限制，模拟结果仍存在许多差异。许等(2011)的研究表明，模型在重现极端降水事件年际变化方面的能力有限。根据李等(2010)的研究，所有CMIP3模型都低估了极端降水，尤其是在中国东部夏季，极端降水被低估了约50%。多模型集成(multimodel ensemble, MME)方法定义为来自多个模型的模拟的平均值，由于它可以减少单个模型的不确定性，并比任何单个模型表现出更优越的行为，已被广泛应用于模型的评估和未来气候的预测(Palmer等2005；Thomson等2006；联合国政府间气候变化专门委员会2007年；蒋等2009)。对于未来的预测，MME在当前气候条件下表现良好，可以预测未来的变化会更加趋同。然而，并不是所有的模型都能够模拟目标区域上的特定变量；如果不查看每个成员模型的性能，就无法获得最佳的集成平均值(孙和丁2008)。应该选择一组性能明显优于其他模型的模型，并将它们组合在一起，以提高预测的可信度。(Schmittner等2005；Pierce等2009；Knutti 2010；陈等 2011；Seo和Ok 2013)。

气候模型的改进一直是建模界面临的挑战。最近，CMIP (CMIP5)的第5阶段有了更复杂的物理模型和更高的分辨率。与前一阶段(CMIP3)相比，陆地和海洋碳循环、动态植被和气溶胶的间接影响等部分首次被纳入大多数模型(Taylor等2012)，因此有望获得更好的表征当前气候条件的技能。Sillmann等(2013a)研究了CMIP5模型在全球范围内模拟极端指数的性能，报告说模型能较好的模拟强降水和更少的连续雨天。对于中国，欧等(2013)的研究表明，极端降水一般被大多数模型高估，尤其是在中国西部和山区，而中国东部极端降水的模拟气候态较好。然而，本研究仅给出了极端事件模拟中个别模型的误差分布，并没有对不同CMIP5模型之间的空间格局和年际变化进行定量比较。每个模型如何捕获观察到的极端事件的变化?根据一组技能指标，哪些模型应该被选择为最佳执行者?据我们所知，这类问题在现有文献中很少提及。此外，我们认为，在由一组精选的好模型、所有模型和一组技术较差的模型组成的不同整体之间进行比较，有助于减少模型的不确定性，增强我们对气候变化预测的信心。为了做到这一点，我们需要建立定量的指标来衡量模拟极端降水的空间模式和时间变化的性能。

此外，由于地形和大气环流差异的影响，中国东部和西部之间的极端降水的评价模型的模拟极端降水的能力应该分别研究，这可以为模型选择提供一个更有用的参考，给未来气候变化研究提供更大的信心。

因此，本研究的目的是利用不同的技能得分指标，定量评价CMIP5模型在描述中国东部和西部目前极端降水时空变化方面的能力。我们还将根据模型的整体排名，在这两个地区选出最好和最不好的模型。此外，模型偏差的可能原因将在不同的集合中进行讨论。

本研究安排如下：第2节介绍数据和方法。第3节给出了我国降水极端的模型模拟，所选模型的性能在第4节中描述，最后，第五部分进行了总结和讨论。

2.数据与诊断方法

a.观测数据和模型数据集

由于台站观测空间不均匀性的局限性，采用适当的均匀化和插值方法的网格数据集通常是评价模型模拟的首选方法(Kiktev等2003;Alexander等2006)。Ou等(2013)研究了极端指数对水平分辨率的敏感性，得出网格降水极端指数的计算比基于平稳性数据更合适的结论。因此，本研究使用的观测数据来源于1960-2005年中国592个台站观测得到的高质量日网格降水数据集，分辨率为0.5°times; 0.5°(图1)。数据集由陈(2010)制作。站点位置如图1所示。(此网格数据集可通过与陈德良博士联系免费获取。http://rcg.gvc.gu.se/data/ChinaPrecip/prepdata/)。

通过地球系统网格联盟的数据门户下载了18个不同模型机构的31个CMIP5模型的日降水(pr)数据。历史实验代表了当今的气候，每个模型只分析一个现实数据。为了与观察结果一致，本研究选取1961年至2005年同一时期的历史运行数据。每个模型的机构、模型名称和精度信息列在表1中。

不同模型空间分辨率不同。我们首先从不同模型的原始网格上计算极端降水指数。观测降水的极端降水指标也在0.5°的原始网格上计算。为了方便模型之间的相互比较和与实测值验证对比，我们使用双线性插值方法将所有指标插值到相同的1°times;1°的空间精度上。

因为中国西部和东部地面站点分布的密度不同(图1)，两个区域大气环流也明显不同（张等1984年),我们把模型和观测值按照网格划分为两部分：中国东部(100°E以东)和中国西部(100°W以西)。由于青藏高原西部(37°N以南，92°E以西)仪器站较少，我们的研究也将该子区域剔除。最后，中国东部地区有525个1°times;1°网格单元，西部地区有325个网格单元。

图1所示：中国内地592个日雨量监测站的位置。垂直实线表示中国东部和西部的分界线。中国西部上空的方框几乎没有观测结果，因此被排除在外。

我们从31个CMIP5模型中选取了500 hPa下的月位势高度，850 hPa下的纬向(U)和子午(V)分量，以寻找其与模型偏差的可能关系。再分析数据集来自40年历史的欧洲中期天气预报中心(ECMWF)再分析(ERA-40)和欧洲中期天气预报中心(ERA-Interim) 1960-2012年的中期再分析(ERA-Interim)。所有模型和再分析的分辨率均为2.5°times;2.5°，便于比较。

表1：31个CMIP5全球气候模型的模型机构识别(ID)、模型中心和国家、模型名称和大气分辨率。(缩略词的扩展可以在http://www.ametsoc.org/PubsAcronymList上找到。)