论文部分内容阅读
在本文中利用APN项目“通过多区域气候模式集成重建亚洲地区气候变化情景”的模式模拟结果，检验RMIP计划第三阶段中8个区域气候模式(RCM)和2个高分辨率全球气候模式(GCM)对东亚地区区域气候的模拟能力，并利用集成分析方法和各模式对未来气候模拟结果对未来气候变化做预估。等权平均(EW)、加权平均(Weighted-mean)、多元线性回归(Multi-linear)、可靠性集合平均(REA)和基于性能的集合平均(PEA)五种集成分析方法在本文中被加以利用，用以降低各模式对近代20C(1981-2000)气候模拟结果的不确定性，并提高对未来A1B(2041-2060)东亚地区气候预估的可信度。 通过模式模拟结果与观测的对比分析，RMIP计划第三阶段中各模式对温度和降水在空间上的细微分布模拟结果要优于驱动场ECHAM5的模拟结果，且均能模拟出温度的南高北低气候梯度分布和高原冷中心以及东亚陆地上降水的东南高、西北低的气候态梯度分布，尤其对复杂地形雨带中心的模拟。大部分模式在中国东南地区、新疆、蒙古、日本和俄罗斯南部地区对温度气候态的模拟都较好，与观测的偏差在±2℃之间。GRIMs的降水模拟结果与观测最为接近，与观测的偏差在0.5mm/day左右，CCAM的模拟结果偏差最大，与观测的偏差超过了1.5mm/day。通过极端指数空间分布和年际变化对比分析，ReGCM3_CMA和WRF_eh5_sn模式对极端温度指数的模拟能力比RMIP计划中其余八个模式的模拟能力较强，对霜日天数(FD)、极端温度变化范围(ETR)和热浪持续时间90百分位数(txhw90)的空间分布和年际变化与观测值都较为接近，对降水极端指数的模拟以SNU_RCM模式模拟的效果最好，WRF_RRTM模拟结果次之。 5种集成结果与观测的偏差相比较RMIP计划中各模式模拟结果都有不同程度的降低。Multi-linear集成结果在建模时间段内是最有效的集成方法，不管是对气候态的空间分布还是月平均季节循环的集成，集成结果都是与观测最接近的。其次较为有效的集成方法是Weighted-mean和REA，EW集成方法在5种集成方法中集成效果是最差的。在交叉验证过程中，集成预报与观测年平均温度和降水偏差都有一定程度的增加，其中Multi-linear集成方法预报结果的偏差增加最明显，EW和PEA预报结果次之。这说明Weighted-mean和REA集成方法在预报时的稳定性最强，Multi-linear最差。 相比较近代20C的月平均温度，未来A1B东亚陆地月平均温度普遍增加2℃左右。北纬30°以南及赤道附近的陆地区域、朝鲜南部及日本南部大部分地区上，年平均温度的增幅在1-2℃;在其他东亚大部分地区，年平均温度气候变化都在2-3℃;哈萨克斯坦东北地区和阿富汗等少部分地区年平均温度气候变化幅度较大，在3-4℃。未来A1B东亚陆地月平均降水气候变化普遍在0.2mm/day左右，在8月份降水增加最明显，达到0.3mm/day，11月份降水增加最小。在印度北部、巴基斯塔东北部和中国中南少部分地区为降水减少区，年平均降水减少0.1-0.5mm/day，在哈萨克斯坦东部、蒙古和中国中北部及西部大部分地区降水气候变化不明显，其它大部分地区未来年平均降水增加均超过0.1mm/day，在印度尼西亚地区降水增幅最为明显，超过2mm/day。