CMIP5模式对长江流域气温模拟与预估

利用长江流域147个气象观测站1961—2000年观测数据,对两个多模式集合CMIP3和CMIP5在长江流域气温模拟效果进行了评估,并进一步利用CMIP5输出结果预估2011—2050年长江流域气温时空变化。结果表明:两个多模式集合对长江流域气温具有一定的模拟能力,相对于CMIP3,CMIP5对实验期后20 a的年均气温变化的模拟效果更好,对年均气温变化倾向率的空间分布更加接近实测。预估表明:长江流域年均气温在3种RCPs情景下呈显著增加趋势,长江中下游变暖幅度要高于长江上游,到2050年,全流域气温都增加1.0℃以上。     

CMIP5全球气候模式对中国地区降水模拟能力的评估

使用多种观测资料和43个参加耦合模式比较计划第五阶段（CMIP5）的全球气候模式模拟数据,评估分析了全球气候模式对中国地区1980-2005年降水特征的模拟能力。结果表明：多数CMIP5模式能够模拟出中国降水由西北向东南递增的分布特点,这与耦合模式比较计划第三阶段（CMIP3）的模式模拟结果类似,但华南地区降水模拟偏少,西部高原地区降水模拟偏多。模式能够较好地模拟出降水冬弱夏强的季节变化特征,但降水模拟系统性偏多。从EOF分析结果来看,多数CMIP5模式可以再现中国地区年平均降水的时空变化特征,集合平均的表现优于CMIP3。多模式集合在月、季、年时间尺度下模拟的平均值优于大部分单个模式的结果。CMIP5中6个中国模式的模拟能力与其他模式相当,其中FGOALS-g2、BCC-CSM1-1-m的模拟能力相对较好。     

CMIP5模式对中国东北气候模拟能力的评估

利用CN05观测资料和参与IPCC第五次评估报告的45个全球气候系统模式的模拟结果,分析了新一代全球气候模式对中国东北三省(1961~2005年)气温和降水的模拟能力。结果表明:1)绝大多数模式都能较好地模拟出研究区内显著增温的趋势,对气温的年际变化模拟能力则相对有限;2)所有模式均能很好地再现气温气候态的空间分布特征,且多模式集合模拟结果优于绝大多数单个模式,空间相关系数达到了0.96;3)对于降水的模拟结果,模式间差异较大,多模式集合能较好地再现其空间分布规律(空间相关系数为0.86),对降水年际变化及线性变化趋势的模拟能力则较差。总体来说,多模式集合对东北气候的时空变化特征具有一定的模拟能力,且对气温模拟效果优于降水,对空间分布的模拟能力优于时间变化。     

CMIP5全球气候模式对贵州省极端气温的预估

利用泰勒图客观地评估了贵州省在参照时段1986—2005年8个CMIP5模式试验结果对气温的模拟能力,并采用在等权重系数条件下的集合平均结果计算了贵州省21世纪不同阶段不同情景下未来极端气温指数.研究表明：8个模式的集合平均的模拟效果能较好地模拟用于计算极端气温指数的基础数据,包括日平均气温、日最低气温和日最高气温.根据集合平均的结果,不同RCPs排放情景下21世纪贵州省相对于基准期大于25℃的高温日数（SU）、最低气温的最低值（TNN）和生长季长度（GSL）均表现为增加的趋势,而小于0℃的霜冻日数（FD）则呈现减少的趋势,排放越高,增加或减少的趋势越明显.RCP8.5、RCP4.5和RCP2.6情景下2006—2099年贵州省极端气温指数相对于1986—2005年SU、TNN、FD和GSL的变化速率分别为8.06~1.30 d／（10 a）、0.49~0.07℃／（10 a）、-4.99~-0.97 d／（10 a）和3.33~0.04 d／（10 a）.     

CMIP6模式对青藏高原极端气温指数模拟能力评估及预估

利用第六次国际耦合模式比较计划（CMIP6）28个全球气候模式模拟的历史和多SSP排放情景下的模拟结果以及国家气候中心制作的CN05.1格点化的观测数据,在评估28个全球气候模式对青藏高原极端气温相关指数模拟效果的基础上,预估了多个SSP情景下青藏高原未来极端气温指数的变化趋势。评估结果表明多模式集合平均模拟结果更稳定,且能模拟出极端气温指数的时间分布以及空间分布特征,但与观测相比,不同指数存在不同偏差。预估结果表明,相对于1995-2014年,青藏高原上日最高气温最高值（TXx）、日最低气温最低值（TNn）、暖昼指数（TX90p）未来呈上升趋势,霜冻日数（FD）、冰冻日数（ID）、冷夜指数（TN10p）呈减少趋势,其中高原极端低温比极端高温增温明显,暖昼指数在高原西南部增加明显,霜冻日数、冰冻日数、冷夜指数在高原东南部减少明显。SSP1-1.9情景下,极端气温指数在21世纪的变化幅度较小,随着辐射强迫增大,指数的变化趋势也增大。SSP1-2.6情景下,2030年前中国实现碳达峰时,青藏高原地区TXx、 TNn、 TX90p增长分别不超过1.12℃、0.84℃、 8.4%, FD、 I...     

CMIP5模式对ENSO现象的模拟能力评估

针对参与耦合模式比较计划(CMIP5)的17个海-气耦合模式对20世纪气候的模拟结果,从热带太平洋海表温度和大气海平面气压变化的综合分析角度较详细评估了模式对厄尔尼诺-南方涛动(ENSO)现象的模拟能力。结果表明,这些模式基本上能模拟出ENSO现象的一些主要特征,包括热带太平洋海温的空间分布及其时空演变特征、与海平面气压变化的关联、ENSO周期变化及锁相特征等,但不同模式的模拟结果仍然差异较大。(1)从模拟的热带太平洋年平均海温的偏差来看,多模式集合平均值与观测的均方根误差小于1.0℃,但单个模式的误差相对要大一些。误差较小的为1.2—1.3℃,多数模式在1.6℃以下,但也有个别模式的误差超过2.0℃。(2)从经验正交函数分解结果来看,热带太平洋实测月平均海表温度距平和海平面气压距平的年际尺度变化第1模态主要表现为ENSO变化特征,第2模态反映的是海温的长期变化趋势。只有少数几个CMIP5模式能够再现这种特征,多数模式所模拟的海温距平/海平面气压距平时空变化的第1、第2特征向量分布顺序与观测分析正好相反,ENSO变成了第2模态,趋势成了最主要的模态。尽管如此,所有模式都能模拟出南方涛动变化与热带太平洋海温距平时空变化的密切关联,无论是作为第1还是第2特征模态,所有模式模拟的南方涛动与热带太平洋海温距平时空变化都有密切相关。(3)谱分析结果表明,ENSO现象具有2—7年的周期,其中,4年的周期最明显。大多数模式模拟的ENSO周期在此范围内,但有些模式的主要周期偏短,为2年左右。个别模式的ENSO主要周期为11年,已超出2—7年的范围。(4)多数模式模拟的厄尔尼诺及拉尼娜的峰值出现在冬季(11—2月),与观测基本吻合。另有少数模式模拟的峰值出现在9—10月,比观测略提前。只有个别模式模拟的峰值出现在夏季,与观测相差太大。     

CMIP6模式对中国气温日较差的模拟能力评估北大核心CSCD

利用CRU_TS v4.04观测数据作为验证,对28个CMIP6(Coupled Model Intercomparison Project 6)模式模拟中国区域内气温日较差(Diurnal Temperature Range,DTR)年际变化、气候平均态变化以及不同区域和不同季节尺度变化的能力进行评估。结果表明:在百年尺度上,CMIP6模式能够反映出年际变化中DTR下降的演变趋势,模式与观测之间的相关系数在0.1~0.7,均方根误差在0.6~1.5,Taylor评分(Taylor Score,TS)在0.2~0.7,MRI-ESM2-0模式与观测之间的相关系数(0.65)最大,均方根误差(0.8)最小,TS(0.67)最高,模拟能力最好;在30年气候平均态尺度上,CMIP6模式符合观测呈现的DTR北方地区高、南方地区低,西部地区高、东部地区低,内陆地区高、沿海地区低,高原地区高、平原盆地地区低的空间分布特征,基本可以再现中国大范围区域内DTR下降的空间分布特征,对不同区域和不同季节DTR变化也有较好的模拟,以EC-Earth3模式的模拟能力最好。然而,单模式存在不同程度的高估或低估DTR变化的现象,多模式中位数集合能够模拟出DTR在年际变化和气候平均态变化中的一些特征,对于春季和冬季的模拟,多模式集合优于单模式模拟。     

8个CMIP5模式对中国极端气温的模拟和预估

利用8个耦合模式比较计划第五阶段（CMIP5）模式结果,采用加权平均方法进行多模式集合,并与NCEP再分析资料进行对比分析,评估了CMIP5模式对中国极端气温的模拟效果,在此基础上,对未来极端气温进行预估。CMIP5模式对中国8个极端气温指数和20年一遇最高（低）气温有模拟能力,所有极端气温指数模拟和观测结果的时间相关均达到0.10显著性水平,20年一遇最高、最低气温模拟和观测结果空间相关系数均超过0.98。在中等排放RCP4.5情景下,未来中国极暖（冷）日数增多（减少）,到21世纪中期热浪指数增加2.6倍,到21世纪末期寒潮指数减少71%,20年一遇最高（低）气温在中国地区均呈现升高趋势,局部升温幅度达到4℃。     

CMIP5气候模式对东亚夏季平均环流场模拟能力的评估

利用第五次耦合模式比较计划(Phase 5 of Coupled Model Intercomparison Project,CMIP5)提供的30个全球气候模式模拟的1961~2005年的夏季逐月环流场资料及同期NCEP再分析资料,引入泰勒图及各种评估指标,探讨全球气候模式对东亚夏季平均大气环流场的模拟能力,寻求具有较好东亚夏季环流场模拟能力的气候模式。结果表明:1)全球气候模式能够模拟出东亚夏季平均大气环流的基本特征,CMIP5模式的总体模拟能力较第三次耦合模式比较计划(CMIP3)有较大程度的提高,如CMIP5模式对东亚大部分地区夏季海平面气压(Sea Level Pressure,SLP)场的模拟偏差在6 h Pa以内。2)模式对不同层次环流场的模拟能力存在差异,500 h Pa高度场的模拟能力最强,其次为100 h Pa高度场、850 h Pa风场,SLP场最弱;对东亚夏季主要环流系统的模拟对比发现,模式对印度热低压及东伸槽强度指数的模拟能力最好。3)综合CMIP5模式对东亚夏季各层次平均环流场以及主要环流系统的模拟能力,发现模拟较好的5个模式为CESM1-CAM5、MPI-ESM-MR、MPI-ESM-LR、MPI-ESM-P和Can ESM2。4)相对于单一模式,多模式集合平均(MME)模拟能力较强,但较优选的前5个模式集合平均的模拟能力弱。     

CMIP5全球气候模式对青藏高原地区气候模拟能力评估

青藏高原是气候变化的敏感和脆弱区,全球气候模式对于这一地区气候态的模拟能力如何尚不清楚。为此,本文使用国际耦合模式比较计划第五阶段（CMIP5）的历史模拟试验数据,评估了44 个全球气候模式对1986~2005 年青藏高原地区地表气温和降水两个基本气象要素的模拟能力。结果表明,CMIP5 模式低估了青藏高原地区年和季节平均地表气温,年均平均偏低2.3℃,秋季和冬季冷偏差相对更大;模式可较好地模拟年和季节平均地表气温分布型,但模拟的空间变率总体偏大;地形效应校正能够有效订正地表气温结果。CMIP5 模式对青藏高原地区降水模拟能力较差。尽管它们能够模拟出年均降水自西北向东南渐增的分布型,但模拟的年和季节降水量普遍偏大,年均降水平均偏多1.3 mm d-1,这主要是源于春季和夏季降水被高估。同时,模式模拟的年和季节降水空间变率也普遍大于观测值,尤其表现在春季和冬季。相比较而言,44 个模式集合平均性能总体上要优于大多数单个模式;等权重集合平均方案要优于中位数平均;对择优挑选的模式进行集合平均能够提高总体的模拟能力,其中对降水模拟的改进更为显著。     

Assessment of Historical Climate Trends of Surface Air Temperature in CMIP5 Models

This study assesses the historical climate trends of surface air temperature（SAT）, their spatial distributions, and the hindcast skills for SAT during 1901– 2000 from 24 Coupled Model Intercomparison Project Phase 5（CMIP5） models. For the global averaged SAT, most of the models（17/24） effectively captured the increasing trends（0.64°C/century for the ensemble mean） as the observed values（- 0.6°C/century） during the period of 1901–2000, particularly during a rapid warming period of 1970–2000 with the small model spread. In addition, most of the models（22/24） showed high hindcast skills（the correlation coefficient, R 〉 0.8）. For the spatial pattern of SAT, the models better simulated the relatively larger warming at the middle-to-high latitudes in the Northern Hemisphere than that in the Southern Hemisphere and the greater warming on the land than that in the ocean between 40°S and 40°N. The simulations underestimated the warming along some ocean boundaries but overestimated warming in the Arctic Ocean. Most of the coupled models were able to reproduce the large-scale features of SAT trends in most regions excluding Antarctica, some parts of the Pacific Ocean, the North Atlantic Ocean near Greenland, the southwestern Indian Ocean, and the Arctic Ocean. The outgoing longwave radiation（OLR） and incoming shortwave radiation（ISR） at the top of the atmosphere（TOA） and the downward longwave（LW） radiation and sensible heat flux at the surface had positive contributions to the increasing trends in most of the models.     

CMIP5模式对中国年平均气温模拟及其与CMIP3模式的比较

利用CRUT3v和CN05两套观测资料,评估25个CMIP5模式对1906-2005年中国年平均气温变化的模拟能力,并与CMIP3模式对比。结果表明：1906-2005年中国平均温升速率为0.84℃/100a,CMIP5多模式集合平均模拟的增温率为0.77℃/100a。模式对20世纪后期温升模拟好于前期,仅有两个模式能模拟中国20世纪40年代异常增暖。模式对气温气候态空间分布模拟较好,但在中国西部地区存在最大模拟冷偏差和不确定性。1961-1999年,中国北方增暖大于南方。多模式集合平均可以较好地模拟气温变化线性趋势的空间分布,但对南北气温变化趋势的差异模拟过小。总体说来,在中国平均气温变化趋势、气温气候态空间分布和气温变化趋势空间分布三方面,CMIP5模式都较CMIP3模式有所提高。     

CMIP5气候模式对亚洲升温幅度的模拟与预估

基于新的全球表面温度数据集CMST(China merged surface temperature),全面评估了参加国际耦合模式比较计划第5阶段(CMIP5)的27个全球气候模式1900—2017年的气候模拟结果(1900—2005年为模式历史模拟,2006—2017年为不同典型浓度路径下的预估)。泰勒图及各种统计参数的对比表明,一些模式无论在历史模拟时段,还是在历史模拟和近期预估拼接时段,都稳定、较好地模拟出了观测序列的变化特征。利用筛选出模拟效果相对较优的9个模式,系统比较了其集合平均MT9(mean model top 9)与所有模式的集合平均MAM(mean all models)。分析结果表明:无论在哪种排放路径下,不管是时间变化,还是从空间分布方面,多数模式可能高估了亚洲区域增暖趋势,导致MAM过高估计了亚洲区域温度变化幅度与长期趋势,而优选的模式集合MT9明显比MAM更接近于观测值。进一步,采用了MT9的预估结果分析了2018—2099年的亚洲区域预估的地表升温幅度:到2099年,在RCP2.6浓度路径下,MT9预估亚洲地区的升温幅度较小,约为0.08℃;在RCP4.5浓度路径下,升温约为1.20℃;在RCP8.5浓度路径下,升温将达3.54℃,这些结果均略小于所有模式集合MAM的升温幅度,因而更加合理;同时还基于MT9预估分析了2018—2099年的温度距平的空间变化。     

Historical Trends in Surface Air Temperature Estimated by Ensemble Empirical Mode Decomposition and Least Squares Linear Fitting

Ensemble empirical mode decomposition(EEMD) and least squares linear fitting(LSLF) are applied to estimate the historical trends of surface air temperature(SAT) from observations and Coupled Model Intercomparison Project Phase 5(CMIP5) simulations during the period 1901–2005. The magnitudes of trends estimated by the two approaches are comparable. The trend calculated by the EEMD approach is larger than that by the LSLF approach in most(23/27) of the models during 1901–2005. During the slow warming period, the EEMD trend is smaller than the LSLF trend. The rootmean-square errors(RMSEs) between the raw and reconstructed times series by the LSLF approach are larger than those by the EEMD trend component and multi-decadal variability components during 1901–2005 in most of the models and observations. During 1901–70(or 1971–2005), the RMSEs between the raw and reconstructed times series by LSLF are larger than those by the EEMD trend component. In this sense, the EEMD trend is a better choice to obtain the climate trends in observations and CMIP5 models, especially for short time periods. This is because the trend estimated by LSLF cannot capture the internal variability and the cooling in some years. The estimated global warming rates(trend) are consistently larger(smaller) than those from observations in 11 of 27 CMIP5 models during 1901–2005 in the slow and rapid warming periods. This implies these 11 models have consistent responses to greenhouse gases for any period.     

2006～2013年CMIP5模式中国降水预估误差分析

用第五次耦合模式比较计划（CMIP5）的10个模式模拟结果与英国东安格利亚大学（UEA）气候研究机构（CRU）的最新降水格点分析资料比较,评估了三种典型浓度路径（RCPs）排放情景下模式集合对2006～2013年中国降水预估误差,结果发现模式间年降水预估在西北和东部沿海地区差异较明显,在沿海地区模式降水估计偏少,在西部和北方大部分地区偏多;冬半年大部分地区模式降水明显偏多,部分地区甚至偏多一倍以上;夏半年东部季风区降水估计偏少,但西部仍然偏多。模式降水误差随时间变化,夏半年误差变化明显的区域主要集中在北方和东部地区,冬半年在东北南部、华东及华南等地。此外,提高排放情景对年降水量估计影响明显的地区主要集中在我国西部的部分地区,加剧了西北模式降水估计偏多程度,但对东部地区影响不大。El Ni?o与La Ni?a年的模式降水误差分布相似,仅在沿海部分地区和华北北部差异较明显,逐年误差分布特征也与此相似。各种误差的对比分析表明,模式降水误差可能多来自模式本身存在的问题,如积云对流参数化、固体降水物理过程、地形处理及分辨率等。这些误差特征说明,直接使用CMIP5模式集合情景输出资料估计未来降水的方法存在较大的不确定性,必须对其进行评估,以降低潜在用户或决策者们制定未来规划的风险。     

CMIP5 模式对中国极端气温及其变化趋势的模拟评估

本文基于中国区域逐日气温资料和CMIP5 中30 个全球气候模式资料,计算了平均日最高气温（TXAV)、平均日最低气温（TNAV)、热浪指数（HWDI)、霜冻日数（FD)、和暖夜指数（TNF90）5 个极端气温指数,评估各模式对中国区域极端气温的气候平均场和趋势的模拟能力。研究结果表明,大部分模式能够较好地模拟出极端指数的气候平均场,其中对TNAV、TXAV 和FD 平均场模拟能力较强,大部分模式平均场与观测场的相关系数超过0.90,但对TNF90 和HWDI 的模拟能力相对较低,相关系数均低于0.70,且各模式的模拟能力存在较大的差异。对极端指数的趋势模拟来说,模式模拟的中国区域平均各极端气温指数的线性变化趋势与观测相同,但大多数模式模拟趋势的强度偏弱。相比于气候平均场,模式对极端气温指数趋势空间场模拟较差,除TNAV 有1/3 的模式平均场与观测场的相关系数超过0.60 外,模式模拟其余指数的相关系数均低于0.60。模拟极端气温气候平均场的能力最优的5 个模式为：IPSL-CM5A-MR、CMCC-CM、IPSL-CM5A-LR、MPI-ESM-MR 和MPI-ESM-P。趋势空间场模拟最好的5 个模式为：MPI-ESM-P、CANESM2、ACCESS1-3、BCC-CSM1-1 和NorESM1-M。模式对极端气温指数的时空模拟能力一致性较差,但基于气候平均场或趋势空间场的优选模式,相比于所有集合模式平均,模拟能力均有一定程度的改善。     

中国CMIP5模式对未来北极海冰的模拟偏差

本文对中国参加CMIP5的6个气候模式对未来北极海冰的模拟情况进行了评估。通过与1979-2005年海冰的观测值以及2050年代的多模式集合平均值对比发现,中国的气候模式对海冰范围的模拟结果与CMIP5模式的平均水平存在一定差距,具体表现为：BNU-ESM和FGOALS-s2对当前海冰范围估计很好,但对温度敏感性略偏高;FIO-ESM对当前海冰范围估计很好,但由于海冰对温度的敏感性偏低,导致其模拟的未来海冰在各种RCP情景中都融化缓慢;FGOALS-g2（BCC-CSM1-1和BCC-CSM1-1-m）对当前海冰范围的模拟存在显著偏多（显著偏少）的问题,这导致其对未来海冰融化的估计也持续偏多（偏少）。中国模式对北极海冰的模拟偏差导致它们对极区地表大气温度和湿度的模拟出现偏差,并且这些极区气象要素的偏差会进一步通过动力过程传导到对秋、冬季西风带、极涡的模拟中去。研究表明：从对海冰本身的模拟以及海冰偏差带来的气候影响这两个角度看,BNU-ESM在中国模式中水平较高,但总体上中国6个气候模式在海冰分量的模拟上仍与世界平均水平存在差距,这需要中国各模式中心的持续改进。     

Robustness of Precipitation Projections in China:Comparison between CMIP5 and CMIP3 Models

Three sources of uncertainty in model projections of precipitation change in China for the 21st century were separated and quantified: internal variability,inter-model variability,and scenario uncertainty.Simulations from models involved in the third phase and the fifth phase of the Coupled Model Intercomparison Project(CMIP3 and CMIP5) were compared to identify improvements in the robustness of projections from the latest generation of models.No significant differences were found between CMIP3 and CMIP5 in terms of future precipitation projections over China,with the two datasets both showing future increases.The uncertainty can be attributed firstly to internal variability,and then to both inter-model and internal variability.Quantification analysis revealed that the uncertainty in CMIP5 models has increased by about 10%–60% with respect to CMIP3,despite significant improvements in the latest generation of models.The increase is mainly due to the increase of internal variability in the initial decades,and then mainly due to the increase of inter-model variability thereafter,especially by the end of this century.The change in scenario uncertainty shows no major role,but makes a negative contribution to begin with,and then an increase later.