王 慧,肖 登 攀*,趙 彥 茜,柏 會(huì) 子,張 可 慧,唐 建 昭,劉 劍 鋒,郭 風(fēng) 華,劉 德 立

(1.河北省科學(xué)院地理科學(xué)研究所/河北省地理信息開(kāi)發(fā)應(yīng)用工程技術(shù)研究中心，河北 石家莊 050011；2.澳大利亞新南威爾士州初級(jí)產(chǎn)業(yè)部Wagga Wagga農(nóng)業(yè)研究所，Wagga Wagga 2650)

0 引言

氣候變化成為影響人類社會(huì)可持續(xù)發(fā)展的重大問(wèn)題。IPCC研究報(bào)告[1]指出:全球氣候變暖趨勢(shì)顯著，近50年氣溫上升速率達(dá)0.13 ℃/10 a。隨著氣候持續(xù)變暖，極端氣候事件(熱浪、干旱等)的發(fā)生頻率和強(qiáng)度迅速增加，對(duì)人類生存、社會(huì)經(jīng)濟(jì)與生態(tài)環(huán)境影響巨大，引起各國(guó)政府和學(xué)者的高度重視[2]。

全球氣候模式(GCM)是探究歷史氣候變化機(jī)理和預(yù)估未來(lái)氣候變化的重要工具，其預(yù)測(cè)結(jié)果不僅為研究多時(shí)空尺度下氣候變化及其影響提供必要的數(shù)據(jù)支撐，也為人類應(yīng)對(duì)和適應(yīng)未來(lái)氣候變化提供科學(xué)依據(jù)[3]。目前世界氣候研究計(jì)劃(WCRP)耦合模式工作組(WGCM)發(fā)起了第六次國(guó)際耦合模式比較計(jì)劃(CMIP6)，CMIP6 是CMIP計(jì)劃實(shí)施 20 多年來(lái)參與模式數(shù)量最多、設(shè)計(jì)數(shù)值試驗(yàn)最豐富、提供模擬數(shù)據(jù)最龐大的氣候模式比較計(jì)劃[4]，其對(duì)氣候系統(tǒng)的模擬更接近觀測(cè)值，模式間不確定性減小[5,6]，在模擬極端氣候及其變化趨勢(shì)方面相比CMIP5氣候模式有明顯改進(jìn)[7]，已在溫度、降水的模擬和預(yù)測(cè)等領(lǐng)域得到廣泛應(yīng)用。

全球氣候變暖背景下，極端氣候事件的發(fā)生頻率和強(qiáng)度均會(huì)顯著增加，預(yù)估和評(píng)價(jià)極端氣候事件的發(fā)生及影響成為氣候科學(xué)領(lǐng)域的熱點(diǎn)和難點(diǎn)。通常情況下，單個(gè)GCM的模擬機(jī)理和性能可能存在一定的局限性，多氣候模式集合平均法可有效提升模擬或預(yù)測(cè)效果[8,9]。例如：Sun等[10]集合14個(gè)GCMs預(yù)測(cè)了中國(guó)未來(lái)極端氣候事件的變化，指出集合模式能有效模擬極端氣候指數(shù)的空間分布，且極端氣溫指數(shù)的模擬效果優(yōu)于極端降水指數(shù)；Lin等[11]采用泰勒?qǐng)D系統(tǒng)評(píng)估了12個(gè)GCMs集合對(duì)極端降水的模擬能力，指出多模式集合平均相比單個(gè)氣候模式能更好地模擬極端降水指數(shù)的平均態(tài)和變化趨勢(shì)，模擬結(jié)果與觀測(cè)值相關(guān)系數(shù)更高；Xiao等[12]集合28個(gè)GCMs對(duì)漢江流域16個(gè)極端氣溫指數(shù)進(jìn)行模擬，并基于多模式算術(shù)平均分析研究區(qū)極端氣溫的時(shí)空變化特征。多模式集合平均法假設(shè)各氣候模式相互獨(dú)立，多個(gè)模式的平均結(jié)果會(huì)抵消誤差，從而提升氣候模式的模擬效果[13]。然而不同氣候模式往往不完全獨(dú)立，尤其是同一單位開(kāi)發(fā)的系列模型模擬機(jī)理的相似性較高，而加權(quán)集合平均法考慮各氣候模式的差異，通過(guò)配置不同權(quán)重系數(shù)以體現(xiàn)模式性能的差異，其模擬結(jié)果較算術(shù)平均法更可靠[14]。

綜上，本研究基于統(tǒng)計(jì)降尺度方法對(duì)CMIP6中20個(gè)GCMs數(shù)據(jù)進(jìn)行時(shí)空降尺度，采用獨(dú)立權(quán)重均值法(Independence Weighted Mean,IWM)[15]優(yōu)化各氣候模式的加權(quán)系數(shù)，獲得相對(duì)合理的集合預(yù)估模型，從而預(yù)估華北平原未來(lái)氣候情景下極端氣溫指數(shù)的時(shí)空變化特征，以期為應(yīng)對(duì)極端氣溫事件帶來(lái)的災(zāi)害風(fēng)險(xiǎn)提供科學(xué)依據(jù)。

1 材料與方法

1.1 研究區(qū)概況

華北平原跨越京、津、冀、魯、豫、皖、蘇7省市(北抵燕山，西倚太行山，東臨渤海和黃海，南以淮河干流和蘇北灌渠為界)，東部屬于海陸過(guò)渡帶，南部為氣候過(guò)渡區(qū)，氣候條件復(fù)雜，是極端氣候事件的多發(fā)區(qū)[16]；同時(shí)，華北平原地勢(shì)平坦，雨熱同期，適宜農(nóng)作物生長(zhǎng)，是我國(guó)重要的糧食生產(chǎn)區(qū)。因此，預(yù)估華北平原未來(lái)極端氣溫的變化趨勢(shì)，有助于了解全球氣候變暖可能對(duì)農(nóng)業(yè)生產(chǎn)帶來(lái)的極端氣候風(fēng)險(xiǎn)，從而可穩(wěn)定農(nóng)業(yè)生產(chǎn)水平，保證區(qū)域糧食安全[17,18]。

1.2 數(shù)據(jù)來(lái)源

研究區(qū)內(nèi)1961-2014年54個(gè)氣象站點(diǎn)(圖1)的氣溫(包括最高溫度、最低溫度和平均溫度)逐日觀測(cè)數(shù)據(jù)源于中國(guó)氣象科學(xué)數(shù)據(jù)服務(wù)共享網(wǎng)；1961-2100年不同氣候模式的模擬和預(yù)估數(shù)據(jù)源于CMIP6中的20個(gè)GCMs(https://esgf-node.llnl.gov/search/cmip6/)(表1)。本文采用澳大利亞沃加沃加農(nóng)業(yè)研究所開(kāi)發(fā)的統(tǒng)計(jì)降尺度方法[16,19]對(duì)選取的20個(gè)GCMs逐月柵格數(shù)據(jù)進(jìn)行時(shí)間和空間降尺度處理，獲得以日為單位的站點(diǎn)數(shù)據(jù)。

圖1 華北平原54個(gè)氣象站點(diǎn)空間分布Fig.1 Spatial distribution of 54 meteorological stations in the North China Plain

序號(hào)GCM名稱GCM縮寫(xiě)單位國(guó)家/地區(qū)1ACCESS-CM2ACC1CSIRO-BOM澳大利亞2ACCESS-ESM1-5ACC2CSIRO-BOM澳大利亞3BCC-CSM2-MRBCCBCC中國(guó)4CanESM5CAN1CCCMA加拿大5CanESM5-CanOECAN2CCCMA加拿大6CNRM-CM6-1CNR1CNRM法國(guó)7CNRM-ESM2-1CNR2CNRM法國(guó)8EC-Earth3-VegECE1EC-EARTH歐洲9EC-Earth3ECE2EC-EARTH歐洲10FGOALS-g3FGOFGOALS中國(guó)11GFDL-ESM4GFDNOAA-GFDL美國(guó)12GISS-E2-1-GGISNASA-GISS美國(guó)13INM-CM4-8INM1INM俄羅斯14INM-CM5-0INM2INM俄羅斯15IPSL-CM6A-LRIPSIPSL法國(guó)16MIROC6MIR1MIROC日本17MIROC-ES2LMIR2MIROC日本18MPI-ESM1-2-HRMPI1MPI-M德國(guó)19MPI-ESM1-2-LRMPI2MPI-M德國(guó)20MRI-ESM2-0MRIMRI日本

考慮未來(lái)氣候情景的代表性和相應(yīng)氣候情景下數(shù)據(jù)的完整性，本研究選取如下4個(gè)典型氣候情景：SSP585為更新后的RCP8.5情景，可實(shí)現(xiàn)2100年人為輻射強(qiáng)迫8.5 W/m2的高強(qiáng)迫情景；SSP370情景下，2100年輻射強(qiáng)迫穩(wěn)定在7.0 W/m2；SSP245為更新后的RCP4.5情景，為中等強(qiáng)迫情景，2100年輻射強(qiáng)迫穩(wěn)定在4.5 W/m2；SSP126為更新后的RCP2.6情景，2100年輻射強(qiáng)迫穩(wěn)定在2.6 W/m2[20]。

1.3 極端氣溫指數(shù)

本研究選取氣候變化檢測(cè)和指數(shù)專家組(ETCCDI)定義的9種極端氣溫指數(shù)(表2)(http://etccdi.pacificclimate.org)，所選指數(shù)均與華北平原極端氣候?yàn)?zāi)害密切相關(guān)，并采用R軟件包“climdex.pcic”對(duì)極端氣溫指數(shù)進(jìn)行計(jì)算。

表2 9種極端氣溫指數(shù)名稱及釋義Table 2 Name and interpretation of the nine extreme temperature indices

1.4 多氣候模式集合平均方法

(1)

(2)

則式(2)的解可表示為：

(3)

(4)

式中：1T=[1，1，…，1]；A為協(xié)方差矩陣。

另外，本文采用均方根誤差(RMSE)和相對(duì)標(biāo)準(zhǔn)偏差(RSD)評(píng)價(jià)IWM方法和算術(shù)平均法的計(jì)算結(jié)果，公式為：

(5)

(6)

2 結(jié)果與分析

2.1 華北平原歷史期極端氣溫指數(shù)模擬與評(píng)估

由1961-2014年華北平原極端氣溫指數(shù)模擬值和觀測(cè)值(OBS)的變化趨勢(shì)(圖2，彩圖見(jiàn)附錄1)可知，6種極端高溫指數(shù)(SU、TN90p、TX90p、TNx、TXx和TR)在該階段均呈微弱波動(dòng)上升趨勢(shì)，2種極端低溫指數(shù)(ID、FD)和DTR則呈波動(dòng)下降趨勢(shì)。由表3可知，20個(gè)氣候模式和多模式算術(shù)平均(MEAN)模擬的9種極端氣溫指數(shù)與觀測(cè)值之間的RMSE和RSD均顯著大于IWM方法模擬值的RMSE和RSD。由圖2和表4可知，IWM方法的模擬值在年際變化上的不確定性較小，可較好地反演極端氣溫指數(shù)的時(shí)間變化趨勢(shì)，模擬值與觀測(cè)值一致性較好，適用于華北平原地區(qū)極端氣溫事件的評(píng)估和預(yù)測(cè)。

表3 9種極端氣溫指數(shù)模擬值與觀測(cè)值的均方根誤差(RMSE)和相對(duì)標(biāo)準(zhǔn)偏差(RSD)Table 3 Root mean square error (RMSE) and relative standard deviation (RSD) between simulations and observed values for the nine extreme temperature indices

表4 1961-2014年華北平原9種極端氣溫指數(shù)變化趨勢(shì)Table 4 Trends in nine extreme temperature indices in the North China Plain during 1961-2014

注：OBS代表觀測(cè)值，IWM代表多氣候模式獨(dú)立權(quán)重平均值。

2.2 未來(lái)氣候情景下極端氣溫指數(shù)的時(shí)間變化特征

如圖3(彩圖見(jiàn)附錄1)所示，在整個(gè)預(yù)測(cè)時(shí)期(2015-2100年)4種氣候情景(SSP126、SSP245、SSP370、SSP585)下，極端高溫指數(shù)(TXx、TNx、TX90p、TN90p、TR和SU)均明顯上升，而極端低溫指數(shù)(FD、ID)下降趨勢(shì)明顯。2040年之前，4種氣候情景下的極端氣溫指數(shù)變化趨勢(shì)相近；2040年之后，不同氣候情景下的極端氣溫指數(shù)變化速率差異逐漸增大。其中,極端高溫指數(shù)在SSP585氣候情景下上升最快(如2100年TN90p將超過(guò)70 d)，而在SSP126氣候情景下上升較平緩，趨于穩(wěn)定(2100年TN90p最小值約為38.4 d)。極端低溫指數(shù)在SSP585氣候情景下下降最快(FD下降約23 d)，而在SSP126氣候情景下下降較平緩(FD僅下降3 d左右)，趨于穩(wěn)定。此外，DTR在預(yù)測(cè)期變幅較小。

圖3 4個(gè)未來(lái)氣候情景下華北平原9種極端氣溫指數(shù)變化趨勢(shì)Fig.3 Trends in nine extreme temperature indices in the North China Plain under four future climate scenarios

2.3 華北平原極端氣溫指數(shù)空間變化特征

由于地理位置、地形、生態(tài)環(huán)境等因素存在差異，華北平原基準(zhǔn)期內(nèi)(1971-2010年)極端氣溫指數(shù)存在明顯的空間差異(圖4)。DTR呈北高南低的空間分布特征，但南北差異較小，除局部區(qū)域外，整體在9～11.0 ℃之間；TX90p、TN90p的南北差異相對(duì)較大；TNx、TR的空間分布特征與DTR相反，為南高北低，南北差異在30～60 d之間；TXx、SU由西向東遞減，東西差異分別在3.1～5.6 ℃和31～53 d之間；FD和ID南北差異突出，如南部地區(qū)FD普遍在90 d以下，部分地區(qū)甚至低于70 d，北部地區(qū)則普遍超過(guò)90 d。

圖4 1971-2010年華北平原極端氣溫指數(shù)空間分布特征Fig.4 Spatial characteristics of extreme temperature indices in the North China Plain during 1971-2010

未來(lái)(2061-2100年)4種氣候情景下極端氣溫指數(shù)的空間變化特征如圖5-圖8所示。在SSP126氣候情景下(圖5)，TXx呈現(xiàn)“中部低，南北高”的空間變化特征，華北平原南部和北部相對(duì)于基準(zhǔn)期增加了1.3 ℃以上，中部增幅在0.2～1.2 ℃之間；TNx、TX90p、TN90p、TR和SU整體呈上升趨勢(shì)，但南部與北部存在一定的空間差異；FD、ID兩種極端低溫指數(shù)整體呈下降趨勢(shì)，降幅分別在15～25 d和1.5～6.0 d之間，空間差異并不顯著；DTR在南部呈上升趨勢(shì)，在北部則呈下降趨勢(shì)，變幅均在1.0 ℃以內(nèi)。SSP245、SSP370、SSP585氣候情景下極端氣溫指數(shù)的空間變化特征與SSP126情景相似，但變幅更大，尤其是在SSP585高強(qiáng)迫氣候情景下(圖6-圖8)。例如，SSP585氣候情景下TXx在華北平原南部和北部增幅均大于1.7 ℃，中部增幅在0.5～1.7 ℃之間(圖8)；TNx、TX90p、TN90p、TR、SU等極端高溫指數(shù)和FD、ID等極端低溫指數(shù)的變幅較SSP126氣候情景下更大，空間差異更突出。未來(lái)不同氣候情景下的DTR變幅差異較小，高強(qiáng)迫氣候情景下北部降幅有所增大。

圖5 2061-2100年SSP126情景下華北平原極端氣溫指數(shù)變化空間特征Fig.5 Spatial characteristics of changes in extreme temperature indices in the North China Plain during 2061-2100 under the SSP126 scenario

圖6 2061-2100年SSP245情景下華北平原極端氣溫指數(shù)變化空間特征Fig.6 Spatial characteristics of changes in extreme temperature indices in the North China Plain during 2061-2100 under the SSP245 scenario

圖7 2061-2100年SSP370情景下華北平原極端氣溫指數(shù)變化空間特征Fig.7 Spatial characteristics of changes in extreme temperature indices in the North China Plain during 2061-2100 under the SSP370 scenario

圖8 2061-2100年SSP585情景下華北平原極端氣溫指數(shù)變化空間特征Fig.8 Spatial characteristics of changes in extreme temperature indices in the North China Plain during 2061-2100 under the SSP585 scenario

3 結(jié)論與討論

本研究基于IWM方法集合20個(gè)統(tǒng)計(jì)降尺度處理的CMIP6氣候模式數(shù)據(jù)，模擬和預(yù)測(cè)了華北平原歷史和未來(lái)不同時(shí)期極端氣溫指數(shù)的時(shí)空變化特征，主要研究結(jié)論如下：1)相比單個(gè)GCM模式和算術(shù)平均法，多氣候模式獨(dú)立權(quán)重均值法的極端氣溫指數(shù)模擬值與觀測(cè)值一致性更好，適用于華北平原極端氣溫指數(shù)模擬和預(yù)測(cè)。2)在未來(lái)(2061-2100年)4個(gè)氣候情景下，TXx、TNx、TX90p、TN90p、TR和SU等極端高溫指數(shù)呈顯著上升趨勢(shì)，而極端低溫指數(shù)則明顯下降。其中SSP126氣候情景下的極端氣溫指數(shù)變化最小，SSP585氣候情景下極端氣溫指數(shù)變化最大。3)除DTR外，華北平原極端氣溫指數(shù)在歷史和未來(lái)時(shí)期均存在明顯的空間差異。隨著情景的輻射強(qiáng)迫升高，極端氣溫指數(shù)的變幅逐漸增大，空間差異更突出，在SSP585高強(qiáng)迫氣候情景下，變幅達(dá)到最大。

雖然CMIP6中GCM在模擬機(jī)理上有明顯改進(jìn)，但由于不同GCM反饋過(guò)程的差異，其對(duì)未來(lái)溫室氣體排放的響應(yīng)仍存在一定的不確定性，這極大地影響了預(yù)估結(jié)果的可信度[20,21]。另外，各GCM由于結(jié)構(gòu)原理、氣候強(qiáng)迫設(shè)置、排放情景設(shè)計(jì)以及模式分辨率等差異較大，對(duì)氣候變化的模擬性能會(huì)有明顯不同，模擬結(jié)果可能存在一定偏差，增加了未來(lái)氣候模擬難度和模擬結(jié)果的不確定性，而采用多GCMs集合方法可有效提升模擬效果，為氣候變化研究提供更可靠的數(shù)據(jù)支撐[22]。