宋帥峰 延曉冬

北京師范大學(xué)地理科學(xué)學(xué)部地表過程與資源生態(tài)國家重點實驗室，北京100875

1 引言

全球氣候變化是人類共同面對的巨大挑戰(zhàn)。IPCC第五次評估報告指出，1880～2012年，全球海陸表面平均氣溫呈線性上升趨勢，升高了0.85°C（IPCC, 2013）；與氣候平均態(tài)相比，極端氣候事件具有突發(fā)性和不可預(yù)見性，對全球變暖更為 敏 感（Aguilar et al., 2009; Ha and Yun, 2012;Schoetter et al., 2015; Lewis et al., 2017）。極 端 氣候事件的頻率和強(qiáng)度也在增加（Sui et al., 2018），并對生態(tài)環(huán)境和人類生活產(chǎn)生深刻影響（Easterling et al., 2000）。寒潮是一種極端低溫事件，其爆發(fā)往往會伴隨強(qiáng)降溫、雨雪、大風(fēng)和霜凍等天氣現(xiàn)象，嚴(yán)重的寒潮直接影響農(nóng)業(yè)生產(chǎn)、國民經(jīng)濟(jì)和人體健康等（Sun and Zhao, 2010; Ma et al., 2011; Zhou et al., 2011）。中國是受寒潮影響較為嚴(yán)重的國家之一。例如，2020年冬季寒潮多次入侵我國不同地區(qū)，導(dǎo)致通信和輸電線路中斷，交通運輸受阻等，造成了嚴(yán)重的經(jīng)濟(jì)損失。因此，研究我國寒潮的變化具有重要的現(xiàn)實意義。

根據(jù)已有的觀測資料，一些學(xué)者對中國寒潮頻次的時空格局進(jìn)行了研究。近幾十年來，中國發(fā)生寒潮的頻次呈下降趨勢（錢維宏和張瑋瑋, 2007;Ding et al., 2009; 羅繼等, 2017; Gao et al., 2019; 齊慶華等, 2019），但是區(qū)域間差異顯著，甚至有些區(qū)域呈現(xiàn)增加趨勢（Zhou and Ren, 2011; 滿蘇爾·沙比提, 2012）。關(guān)于中國寒潮形成的機(jī)制，早在20世紀(jì)50年代，李憲之（1955）將寒潮劃分為甲、乙、丙三種類型。隨后，陶詩言（1957）對我國寒潮發(fā)生的源地與路徑進(jìn)行了研究。王遵婭和丁一匯 （2006）認(rèn)為，西伯利亞高壓和冬季風(fēng)強(qiáng)度的減弱使得中國地表溫度持續(xù)升高，進(jìn)而使得中國寒潮頻次減少。另外，北極濤動（Arctic Oscillation, AO）可以通過影響西伯利亞高壓來影響冬季風(fēng)（Gong et al., 2001），當(dāng)AO處于負(fù)位相時更有利于寒潮的爆發(fā)（Park et al., 2011; Woo et al., 2012; He et al.,2017）。海冰的變化對中國寒潮也有一定影響，唐孟琪和曾剛（2017）、武炳義等（1999）認(rèn)為北極海冰的變化通過歐亞遙相關(guān)波列引起中國冬季風(fēng)強(qiáng)弱的變化，進(jìn)而影響中國寒潮頻次年代際變化。

全球氣候模式是進(jìn)行氣候模擬和預(yù)估未來氣候變化的重要工具（Yang et al., 2018）。世界氣候研究計劃（World Climate Research Program, WCRP）推出的耦合模式比較計劃（Coupled Model Intercomparison Project, CMIP）自成立以來經(jīng)歷了CMIP1 （1995年）、CMIP2（1997年）、CMIP3（2004年）和CMIP5（2013年）。如今，耦合模式比較計劃進(jìn)入了CMIP6階段，CMIP6提供了來自全球近33個研發(fā)機(jī)構(gòu)約112個氣候模式對于當(dāng)前模擬和未來預(yù)估的數(shù)據(jù)（周天軍等, 2019）。與上一代CMIP5模式相比，CMIP6在空間分辨率、物理過程、耦合碳循環(huán)等方面有了明顯改進(jìn)（Eyring et al., 2016）。模式對當(dāng)前氣候模擬能力的好壞，會影響對未來預(yù)估的信心。因此，需要對其模擬能力進(jìn)行必要的檢驗，并客觀評價模擬結(jié)果的精度和不確定性（Grose et al., 2020）。眾多學(xué)者已經(jīng)評估了CMIP6模式對氣溫（Luo et al., 2020）、降水 （Yazdandoost et al., 2021）、極端氣候指數(shù)（Kim et al., 2020）、海冰范圍（Shu et al., 2020）、印度洋偶極子（McKenna et al., 2020）、東亞夏季風(fēng)指數(shù)（Xin et al., 2020）、風(fēng) 速（Wu et al., 2020）、積雪覆蓋度（Mudryk et al., 2020）等變量的模擬能力。在極端氣溫模擬方面，Zhu et al.（2020）利用12個CMIP6模式評估了中國氣溫變化，結(jié)果表明，CMIP6模式可以很好地模擬中國年平均氣溫、日最高氣溫和日最低氣溫，但是對冷夜方面模擬存在困難?；贑MIP6全球氣候模式結(jié)果發(fā)現(xiàn)，不同模式對中國極端氣溫的模擬性能存在較大差異，其中EC-Earth3-Veg模式對中國地區(qū)極端氣溫模擬最好（向竣文等, 2021）。另外，CMIP6多模式集合平均可以很好地模擬中國極端氣溫變化的趨勢，但并沒有捕捉到中國極端氣溫變化趨勢的空間格局 （Han et al., 2020）。眾多學(xué)者利用CMIP6模式評估了對極端氣溫的模擬能力, 并指出CMIP6模式對極端氣溫的模擬能力相比于CMIP5有顯著提高 （Chen et al., 2020; Fan et al., 2020; Zhu et al.,2020）。關(guān)于模式對寒潮的模擬評估，Yang et al. （2020）利用CMIP6模式對東亞地區(qū)寒潮路徑進(jìn)行了性能評估和未來預(yù)估，結(jié)果表明，模式可以很好地再現(xiàn)寒潮的路徑，預(yù)計到21世紀(jì)后期，寒潮的西北路徑和西部路徑將減少60%左右。然而，CMIP5模式對東亞地區(qū)寒潮發(fā)生頻次的模擬普遍被低估了（Park et al., 2017）。

因此，關(guān)于CMIP6模式對中國不同氣象要素或變量模擬的評估研究已經(jīng)較為廣泛，但是關(guān)于CMIP6模式對中國冬季寒潮頻次模擬能力的評估研究相對較少，尤其是不同CMIP6模式對中國不同區(qū)域的寒潮頻次模擬情況是否一樣，多模式等權(quán)重集合平均、多模式中位數(shù)集合平均與單模式模擬寒潮頻次性能孰優(yōu)孰劣尚不清楚。鑒于此，本文利用觀測資料和32個CMIP6全球氣候模式數(shù)據(jù)對中國冬季不同區(qū)域的寒潮頻次模擬能力進(jìn)行評估，篩選出模擬能力較好的模式，以便不斷改進(jìn)氣候模式模擬性能，為氣候模式改進(jìn)和預(yù)估中國未來寒潮頻次提供了可靠的科學(xué)依據(jù)。

2 方法與數(shù)據(jù)

2.1 觀測資料

觀測數(shù)據(jù)來源于國家氣象信息中心基于2416個中國地面氣象臺站的逐日最低氣溫資料，數(shù)據(jù)經(jīng)過嚴(yán)格的質(zhì)量檢查和控制?？紤]到1961年之前中國氣象臺站空間分布較稀疏，缺少穩(wěn)定的臺站資料，并且缺測值較多。因此，本文研究時間段為1961～2013年冬季（冬季定義時間為12月至次年2月），最終共選擇了1652個氣象站。為更好地評估模式對中國不同地區(qū)寒潮頻次的模擬能力，本文根據(jù)中國不同地區(qū)之間的自然地理環(huán)境和行政區(qū)劃的完整性，將中國劃分為7個區(qū)域，分別為東北地區(qū)、西北地區(qū)、華北地區(qū)、華中地區(qū)、華東地區(qū)、華南地區(qū)和西南地區(qū)（陳佑啟等, 2000; 賀偉等, 2013），氣象站空間分布如圖1所示。

2.2 模式資料

本文所使用的氣候模式數(shù)據(jù)為CMIP6全球氣候模式模擬的1961～2013年全球逐日最低氣溫數(shù)據(jù)，選擇試驗為“historical”，初始條件為“r1i1p1f1”，共計32個模式，各模式詳細(xì)信息如表1所示。數(shù)據(jù)下載網(wǎng)址為https://esgf-node.llnl.gov/search/cmip6/[2020-09-21]。

表1 CMIP6全球氣候模式基本信息Table 1 Information on the CMIP6 models used in this study

2.3 寒潮定義

本文依據(jù)《寒潮等級（GB/T21987-2017）》 （http://www.sac.gov.cn/[2020-09-21]）把一次降溫過程定義為寒潮：即日最低氣溫24 h 內(nèi)降溫幅度≥8°C，或48 h內(nèi)降溫幅度≥10°C ，或72 h 內(nèi)降溫幅度≥12°C，且日最低氣溫≤4°C的冷空氣活動，若滿足以上3條標(biāo)準(zhǔn)中的其中一條，則可判定為一次寒潮（劉美嬌等, 2020; 王珂依等, 2020）。

2.4 研究方法

2.4.1 雙線性插值

由于全球氣候模式的各個分辨率不同，本文利用雙線性插值方法將各個模式數(shù)據(jù)統(tǒng)一插值到氣象站上，然后將模式模擬結(jié)果與觀測結(jié)果進(jìn)行對比，以評估氣候模式對中國寒潮頻次的模擬能力（張艷武等, 2016）。

2.4.2 線性趨勢分析

時間序列的寒潮頻次長期變化趨勢采用線性傾向估計方法分析（魏鳳英, 2007），建立寒潮頻次變量（y）與所對應(yīng)時間（x）的一元線性回歸方程：

其中，a為線性回歸系數(shù)，表示寒潮頻次變化速率；b為截距。a值正負(fù)分別表示寒潮頻次隨時間變化呈上升或下降趨勢，即a為正值表示寒潮頻次呈上升趨勢，a為負(fù)值表示寒潮頻次呈下降趨勢。利用t檢驗法對變化趨勢結(jié)果進(jìn)行顯著性檢驗，顯著性水平為0.05。

2.4.3 多模式集合方法

本文選擇兩種多模式集合平均方法，即多模式等權(quán)重集合平均和多模式中位數(shù)集合平均。多模式等權(quán)重集合平均方法可以有效消除各模式之間的偏差，降低模式模擬的不確定性（Wang et al., 2009;陳活潑, 2013; Almazroui et al., 2017）。多模式中位數(shù)集合平均方法不受極值的影響，使得與觀測結(jié)果更為接近（胡芩等, 2014; 李佳瑞等, 2020）。

2.4.4 評估方法

為了評估模型模擬性能，選擇偏差（BIAS）、平均絕對誤差（MAE） 、均方根誤差（RMSE）和空間相關(guān)系數(shù)（R）作為模式模擬能力的評估指標(biāo)（Gleckler et al., 2008; Radi? and Clarke, 2011; 吳晶等, 2014）：

其中，Oi和Mi分 別表示觀測和模擬寒潮頻次，Omi和Mmi表示觀測和模擬寒潮頻次的平均值。BIAS和RMSE越接近0，R越接近1，說明模式模擬能力越好；i為 第i個年份；n為總年份，本文n=53。

2.4.5 綜合評級指標(biāo)

根據(jù)偏差、均方根誤差、絕對誤差和空間相關(guān)系數(shù)4個評估指標(biāo)可得到各模式的排名，引入綜合評級指標(biāo)（MR）分別計算模式的綜合排名（田亮等, 2016; 蔣帥等, 2017），計算公式參考Schuenemann and Cassano （2009）中的定義標(biāo)準(zhǔn)：

其中，p為模式個數(shù)，n為 用于評估的指標(biāo)個數(shù)，ri為基于第i個評估指標(biāo)的模式模擬能力的排名。由此可見，ri越 接近1，MR越接近1，說明模式的模擬效果越好。

3 寒潮頻次的模擬評估

3.1 氣候平均態(tài)

3.1.1 空間分布

觀測結(jié)果表明，1961～2013年中國冬季寒潮頻次平均為2.47次，空間上呈現(xiàn)自北向南逐級遞減的特征。從不同區(qū)域看，東北地區(qū)冬季寒潮發(fā)生頻次最多，為7.78次，其次為華北地區(qū)、西北地區(qū)和華東地區(qū)，冬季寒潮發(fā)生頻次為3.76～1.40次，華中地區(qū)、西南地區(qū)和華南地區(qū)冬季寒潮發(fā)生頻次最少，不足1.0 次。

從CMIP6模擬結(jié)果比較來看，絕大多數(shù)模式可以很好地模擬出中國冬季寒潮頻次由北向南逐級遞減的空間特征（圖2），統(tǒng)計的32個CMIP6所有模式的空間相關(guān)系數(shù)均通過了0.01的置信度檢驗，觀測結(jié)果都在模式的上下限之間（圖3）。其中有24個模式相關(guān)系數(shù)超過0.6，尤其以FGOALSf3-L模式模擬效果最好，相關(guān)系數(shù)為0.81。從七大區(qū)統(tǒng)計結(jié)果看，東北、華北、華南和西北地區(qū)空間相關(guān)系數(shù)普遍在0.6以上，除華南地區(qū)外，華東、華中和西南地區(qū)相關(guān)系數(shù)普遍在0.6以下。這說明CMIP6模式可以很好地模擬出中國北方地區(qū)以及華南地區(qū)寒潮頻次的空間格局。

圖2 CMIP6模式模擬1961～2013年中國冬季寒潮頻次空間分布Fig. 2 Spatial distribution of simulating the winter cold wave frequency in China during 1961-2013 by CMIP6 models

圖3 中國不同區(qū)域1961～2013年冬季寒潮發(fā)生頻次箱線圖Fig. 3 Box plots for the frequency of the winter cold wave in different regions of China during 1961-2013

多模式等權(quán)重集合平均可以提高CMIP6模式對中國寒潮頻次空間分布的模擬能力，空間相關(guān)系數(shù)為0.81，高于任何一個單模式，多模式中位數(shù)集合平均結(jié)果優(yōu)于80%以上的單模式模擬結(jié)果。區(qū)域分析結(jié)果表明，多模式等權(quán)重集合平均結(jié)果普遍優(yōu)于多模式中位數(shù)集合平均，除華南地區(qū)外，兩種多模式集合平均的空間相關(guān)系數(shù)普遍高于60%以上的單模式模擬結(jié)果，尤其是在東北、華北和西北地區(qū)（圖4）。這表明多模式集合平均可以提高模式對冬季寒潮頻次的模擬性能，尤其是對于寒潮頻次較多地區(qū)空間格局模擬能力較好。

3.1.2 空間差異

CMIP6不同模式模擬中國寒潮頻次仍然存在顯著的偏差，各模式對冬季寒潮頻次模擬與觀測結(jié)果的偏差如圖4所示。結(jié)果表明，17個模式模擬結(jié)果與觀測結(jié)果存在負(fù)偏差，為-1.86（ACCESSESM1-5）～-0.02次（EC-Earth3-Veg），15個模式模擬結(jié)果與觀測結(jié)果存在正偏差，為0.01 （NESM3）～ 5.17次（CanESM5）。因此，從偏差結(jié)果看，NESM3模式對中國冬季寒潮發(fā)生頻次整體模擬較好，與觀測相比僅偏高了0.01次。從中國七大區(qū)統(tǒng)計結(jié)果看，CMIP6各模式對東北、西北和華北地區(qū)模擬結(jié)果以負(fù)偏差為主，約占模式總數(shù)的65.63%～75.00%，西南、華東、華中和華南地區(qū)模擬結(jié)果以正偏差為主，約占模式總數(shù)的71.88%～96.88%。由此可得，與觀測相比，絕大多數(shù)CMIP6模式模擬結(jié)果低估了中國北方地區(qū)冬季發(fā)生寒潮的頻次，卻高估了南方地區(qū)冬季發(fā)生寒潮的頻次。CMIP6不同單模式對中國不同區(qū)域寒潮發(fā)生頻次模擬效果不同。其中，F(xiàn)GOALS-g3模式對華北地區(qū)模擬效果最好，偏差為0.13次；MIROC-ES2L模式對西北地區(qū)模擬效果最好，偏差為-0.09次；華南地區(qū)和西南地區(qū)模擬最好的模式為ACCESS-ESM1-5和AWI-CM-1-1-MR，偏差分別為0.07次和0.001次；INM-CM4-8模式則對東北、華東和華中地區(qū)模擬結(jié)果最好，偏差為-0.14 ～ -0.03次；

圖4 不同指標(biāo)對1961～2013年中國冬季寒潮頻次模擬性能的評估結(jié)果Fig. 4 Evaluation results of different indicators on the simulation performance of the winter cold wave frequency in China during 1961-2013

為了進(jìn)一步檢測CMIP6各模式對中國七大區(qū)域模擬性能是否一致，本研究設(shè)定，若CMIP6模式對中國七個區(qū)域中的任意6個及以上區(qū)域模擬結(jié)果偏差一致，即認(rèn)為該模式對中國各個區(qū)域模擬性能一致。結(jié)果表明，ACCESS-CM2和ACCESSESM1-5模式對中國各個區(qū)域寒潮模擬結(jié)果一致偏低，而BCC-CSM2-MR、BCC-ESM1、CanESM5、FGOALS-f3-L、FGOALS-g3、GISS-E2-1-G、MRIESM2-0、NorCPM1和SAM0-UNICON模式對中國各個區(qū)域寒潮模擬結(jié)果一致偏高。這表明，僅個別模式對于中國不同區(qū)域寒潮模擬結(jié)果一致性較好，絕大多數(shù)模式對中國不同區(qū)域模擬偏差正負(fù)不同。

多模式集合平均模擬結(jié)果同樣可以再現(xiàn)中國冬季寒潮頻次北多南少的空間格局，等權(quán)重集合平均高估了中國冬季寒潮頻次的17.35%，偏差為0.43次；而中位數(shù)集合平均低估了中國寒潮頻次的15.32%，偏差為0.38次。對于不同區(qū)域而言，多模式等權(quán)重集合平均對于東北、西北和華北地區(qū)模擬效果較好，優(yōu)于81.13%的單模式模擬結(jié)果。特別是西北地區(qū)，與觀測相比僅偏低了0.004%，優(yōu)于任何一個單模式模擬結(jié)果；多模式中位數(shù)集合平均對于華東、華中和華南地區(qū)模擬效果較好，優(yōu)于78.13%的單模式模擬結(jié)果。由此可得，CMIP6多模式集合平均方法在一定程度上可以提高中國寒潮頻發(fā)地區(qū)的模擬能力，但是存在區(qū)域差異。多模式等權(quán)重集合平均適用于中國北方寒潮頻發(fā)的地區(qū)，而多模式中位數(shù)集合平均適用于中國南方寒潮頻次較少的地區(qū)。

與偏差結(jié)果不同的是，均方根誤差和絕對誤差兩個指標(biāo)評估CMIP6模式模擬中國冬季寒潮頻次能力的結(jié)果基本一致。CMIP6模式模擬中國冬季寒潮頻次與觀測的均方根誤差為0.97（MIROCES2L）～ 5.39（CanESM5），平均絕對誤差為0.75 （MIROC-ES2L）～5.17（CanESM5）。由此可以看出，兩個評估指標(biāo)篩選的最優(yōu)模式一致。通過對中國不同區(qū)域的分析同樣可以得出類似的結(jié)論。東北地區(qū)模擬與觀測的均方根誤差與平均絕對誤差普遍高于其他地區(qū)，分別為2.64（IPSL-CM6A-LR）～8.28（GISS-E2-1-G）和2.00（SAM0-UNICON）～7.37（GISS-E2-1-G)。對于我國西北地區(qū)，ECEarth-Consortium的四個模式（EC-Earth3、ECEarth3-AerChem、EC-Earth3-Veg和EC-Earth3-Veg-LR）和GFDL的兩個模式（GFDL-CM4和GFDLESM4）模擬與觀測的均方根誤差和平均絕對誤差相對較小。MIROC-ES2L、AWI-ESM-1-1-LR和KACE-1-0-G模式對我國華北、西南和華南地區(qū)模擬最好，均方根誤差分別為1.96、0.43和0.62，平均絕對誤差分別為1.57、0.35和0.43。對于我國華東和華中地區(qū)， ACCESS-CM2和ACCESS-ESM1-5的模擬與觀測的均方根誤差和平均絕對誤差相對較小。值得注意的是，多模式集合平均模擬中國寒潮頻次與觀測的均方根誤差和絕對誤差顯著優(yōu)于CMIP6單模式，其中，中位數(shù)集合平均優(yōu)于等權(quán)重集合平均。我國東北、西北和華北地區(qū)多模式等權(quán)重集合平均模擬寒潮頻次效果最好，而西南地區(qū)多模式中位數(shù)集合平均效果最好。

比較相關(guān)系數(shù)、偏差、平均絕對誤差和均方根誤差4種評估指標(biāo)可以看出，不同指標(biāo)對中國冬季寒潮頻次的模擬性能的評估結(jié)果不同。為此本文基于綜合評級指標(biāo)方法對CMIP6各模式模擬能力進(jìn)行綜合排序，結(jié)果如表2所示?？梢钥闯觯珽CEarth3-Veg模式對于中國和華南地區(qū)冬季寒潮頻次氣候態(tài)模擬能力最好，東北地區(qū)模擬最好的模式為SAM0-UNICON模式，華東和華中地區(qū)模擬最好的模式為INM-CM4-8模式。多模式等權(quán)重集合平均方法對于西北和華北地區(qū)、多模式中位數(shù)集合平均方法對于西南地區(qū)模擬效果最好。

表2 基于綜合評級指標(biāo)的CMIP6各模式對寒潮氣候態(tài)模擬能力的綜合排序Table 2 Comprehensive ranking of CMIP6 models for the climatology simulation of cold wave based on comprehensive rating metrics (MR)

3.2 寒潮變化趨勢

3.2.1 區(qū)域平均

觀測結(jié)果表明，1961～2013年中國冬季寒潮呈顯著減少趨勢，速率為-0.15次/10 a （P＜0.05），近53年來中國冬季寒潮頻次減少了0.81次（圖5）。空間上，中國冬季寒潮頻次下降速率呈現(xiàn)自東北向西南逐級遞減的特征。從中國7個區(qū)域冬季寒潮頻次變化速率統(tǒng)計結(jié)果看，中國各個區(qū)域冬季寒潮頻次均呈下降趨勢，其中，東北地區(qū)冬季寒潮頻次下降速率最快，為-0.31次/10 a（P＞0.05），其次為華北地區(qū)，速率為-0.26次/10 a（P＜0.05）；西北地區(qū)冬季寒潮頻次下降速率最慢，為-0.07次/10 a （P＞0.05）。

圖5 1961～2013年中國寒潮頻次年際變化時間序列Fig. 5 Variation series of the winter cold wave frequency in China during 1961-2013

CMIP6模式比較來看，觀測結(jié)果在各模式模擬范圍內(nèi)（圖6），22個模式可以模擬出中國冬季寒潮頻次減少的趨勢，其中，AWI-ESM-1-1-LR、EC-Earth3、NorESM2-MM和SAM0-UNICON模式模擬中國寒潮頻次下降趨勢顯著，與觀測結(jié)果一致性較好。從中國七大區(qū)域看，超過1/2的模式可以模擬出中國各個區(qū)域冬季寒潮頻次下降趨勢的變化特征，其中AWI-ESM-1-1-LR、BCC-CSM2-MR、EC-Earth3-AerChem、EC-Earth3-Veg、MRI-ESM2-0、NorESM2-MM和SAM0-UNICON模式模擬中國各個區(qū)域冬季寒潮頻次均一致呈現(xiàn)下降趨勢，說明這些模式對中國各個區(qū)域寒潮變化趨勢模擬效果好。

圖6 1961～2013年中國不同區(qū)域冬季寒潮頻次變化趨勢箱線圖Fig. 6 Box plots for the variation trends of the winter cold wave frequency in different regions of China during 1961-2013

不同CMIP6模式對中國不同區(qū)域寒潮變化趨勢模擬有顯著差別。MRI-ESM2-0模式模擬中國冬季寒潮頻次變化趨勢與觀測結(jié)果最為接近，速率為-0.15次/10 a，與觀測相比僅偏低了0.003次/10 a。IPSL-CM6A-LR、MRI-ESM2-0和AWI-ESM-1-1-LR模式分別模擬西北、華南和西南地區(qū)冬季寒潮頻次效果最好，與觀測結(jié)果基本一致。NESM3和CanESM5模式分別模擬東北和華東地區(qū)冬季寒潮頻次性能最好，速率分別為-0.32次/10 a和-0.16次/10 a。華北和華中地區(qū)冬季寒潮頻次變化趨勢模擬效果最好的模式為BCC-CSM2-MR，速率分別為-0.24次/10 a和-0.15次/10 a，與觀測相比偏低了0.02次/10 a和0.01次/10 a。多模式等權(quán)重集合平均和多模式中位數(shù)集合平均模擬的中國寒潮頻次變化趨勢分別為-0.04次/10 a（P＜0.05）和-0.03次/10 a（P＞0.05），與觀測相比偏低了0.11次/10 a和0.12次/10 a（表3）。對于其他區(qū)域而言，多模式集合平均模擬效果不如絕大多數(shù)單模式模擬的結(jié)果，盡管可以模擬出寒潮頻次變化的下降趨勢，但是對下降速率大小的模擬要弱很多，與觀測結(jié)果相差較大。

表3 CMIP6模式模擬中國冬季寒潮頻次的變化趨勢Table 3 Variation trend of the winter cold wave frequency in China by the CMIP6 model

3.2.2 趨勢空間場

為定量地看出模式對于中國各站點寒潮頻次變化的趨勢模擬是否一致，本文計算了CMIP6模式模擬的中國冬季寒潮頻次年際變化趨勢與觀測間的同號率。結(jié)果如圖7所示，從中可以得出，21個模式模擬與觀測的中國寒潮頻次變化趨勢同號率超過50%，這說明絕大多數(shù)模式可以模擬出中國寒潮頻次變化趨勢，尤其是NorESM2-MM最好，為71.43%。區(qū)域分析結(jié)果表明，超過1/2的模式模擬各區(qū)域與觀測的同號率在50%以上。其中，F(xiàn)GOALSf3-L模式對華南和西南地區(qū)模擬效果最好，分別為76.26%和63.18%；NorESM2-MM模式對華東和西北地區(qū)模擬效果最好，分別為86.00%和59.84%；東北、華北和華中地區(qū)模擬最好的模式分別為EC-Earth3、SAM0-UNICON和EC-Earth3-Veg，同號率分別為75.96%、84.34%和91.63%。多模式等權(quán)重集合平均模擬中國寒潮頻次變化趨勢與觀測的同號率為70.70%，僅次于EC-Earth3、EC-Earth3-Veg和NorESM2-MM單模式模擬結(jié)果。各區(qū)域結(jié)果也表明，多模式等權(quán)重集合平均結(jié)果優(yōu)于75%以上的單模式模擬結(jié)果。然而，多模式中位數(shù)集合平均模擬中國寒潮頻次變化趨勢與觀測的同號率僅為56.72%，各區(qū)域結(jié)果同樣不如多模式等權(quán)重集合平均（圖8）。

圖7 CMIP6模式模擬1961～2013中國冬季寒潮變化趨勢空間分布Fig. 7 Spatial distributions of simulating the winter cold wave frequency in China during 1961-2013 by CMIP6 models

圖8 CMIP6模式模擬與觀測中國冬季寒潮變化趨勢同號率對比Fig. 8 Comparison between the same symbol ratio of the winter cold wave change trend in China during 1961-2013 by CMIP6 models

利用CMIP6各模式對中國冬季寒潮頻次變化趨勢模擬的平均值和同號率評估結(jié)果，計算綜合評級指標(biāo)的綜合排序（結(jié)果如表4所示）。由此可以看出，模式對于中國寒潮頻次變化趨勢的模擬排序結(jié)果與氣候態(tài)排序結(jié)果有較大差異。其中，NorESM2-MM對中國寒潮頻次變化趨勢模擬性能最好。對于不同區(qū)域模擬能力較優(yōu)的模式為：SAM0-UNICON （東北）、KIOST-ESM（西北）、EC-Earth3（華北、西南）、EC-Earth3-Veg（華東、華南）、AWI-ESM-1-1-LR（華中）。多模式集合平均對趨勢的模擬并不突出，等權(quán)重集合平均效果優(yōu)于中位數(shù)集合平均。

表4 基于綜合評級指標(biāo)的CMIP6各模式對寒潮頻次變化趨勢模擬能力的綜合排序Table 4 Comprehensive ranking of the variation trends of the winter cold wave frequency in China based on MR

3.3 綜合能力評估

本文采用不同評估指標(biāo)篩選了CMIP6單模式與多模式集合平均方法在模擬中國寒潮頻次和變化趨勢方面的最優(yōu)模式，為未來中國寒潮頻次年代際預(yù)估提供參考。結(jié)果如表5所示，利用不同的評估指標(biāo)篩選出的最優(yōu)模式不同，多模式等權(quán)重集合平均在模擬中國以及中國西北和華北地區(qū)寒潮頻次氣候態(tài)方面優(yōu)于任何一個單模式模擬結(jié)果，多模式中位數(shù)集合平均對模擬中國西南地區(qū)寒潮頻次效果最好。這主要是由于多模式集合平均減小了氣候模式間的偏差和不確定性，使得與觀測結(jié)果更接近（陳活 潑, 2013; Almazroui et al., 2017; Wang et al.,2018）。因此，多模式集合平均方法適合模擬中國寒潮頻次多發(fā)地區(qū)的氣候態(tài)。但是，在寒潮變化趨勢方面，CMIP6個別單模式模擬結(jié)果優(yōu)于多模式集合平均結(jié)果。值得注意的是，多模式集合平均模擬的寒潮變化趨勢低于觀測值。這可能是因為多模式集合平均中各模式互相抵消，平滑了氣候系統(tǒng)內(nèi)部的自然變率，從而低估了寒潮頻次變化的長期趨勢，這與趙天保等（2014）、李曉菲等（2019）對氣溫研究得出的結(jié)論一致。因此，在模擬寒潮頻次變化趨勢方面，多模式集合平均方法要慎用。綜合模式對中國冬季寒潮頻次的氣候態(tài)和趨勢的模擬性能評估，可以看出，EC-Earth3-Veg模式對中國冬季寒潮模擬性能最好，而多模式集合平均模擬在西北地區(qū)最適合。這與向竣文等（2021）認(rèn)為ECEarth3-Veg模式對中國極端氣溫模擬效果最好的結(jié)論基本一致。

表5 不同評估指標(biāo)對CMIP6最優(yōu)模式的篩選Table 5 Different evaluation indexes for the CMIP6 optimal mode selection

4 討論與結(jié)論

本文利用4種評估指標(biāo)和綜合評級指標(biāo)，結(jié)合中國逐日最低氣溫資料，定量地評估了32個CMIP6全球氣候模式對中國及中國不同地區(qū)冬季寒潮頻次氣候態(tài)和變化趨勢的模擬性能，并得出以下結(jié)論：

（1）總體上，CMIP6模式基本可以很好地模擬出中國冬季寒潮頻次由北向南逐級遞減的空間特征，但對于不同的評估指標(biāo)，模式的模擬能力存在差異。大部分模式模擬的寒潮頻次的空間相關(guān)系數(shù)在0.6以上，EC-Earth3-Veg模式整體模擬效果最好。模式普遍低估了中國寒潮頻次，尤其在東北、西北和華北地區(qū)。但通過多模式等權(quán)重集合平均的方法可以顯著提高中國東北、西北和華北地區(qū)寒潮頻次的模擬性能，多模式中位數(shù)集合平均方法可以提高華東、華中、華南和西南地區(qū)寒潮頻次的模擬性能。

（2）CMIP6模式模擬的中國冬季寒潮頻次變化趨勢與觀測相同，約21個模式模擬與觀測的中國寒潮頻次變化趨勢的同號率超過50%，綜合來看NorESM2-MM模式對中國寒潮變化趨勢模擬最好。多模式集合平均可以再現(xiàn)寒潮頻次變化的下降趨勢，但是對趨勢值模擬偏小。

（3）中國不同區(qū)域應(yīng)該用不同的CMIP6模式來模擬寒潮頻次，本文綜合寒潮頻次氣候態(tài)和趨勢的評估結(jié)果，得出EC-Earth3-Veg模式對中國、華東和華南地區(qū)模擬性能最好，AWI-ESM-1-1-LR模式對華中和西南地區(qū)模擬性能最好，東北地區(qū)和華北地區(qū)模擬最好的模式分別為SAM0-UNICON和EC-Earth3，而多模式等權(quán)重集合平均對西北地區(qū)模擬效果最好。

綜合而言，雖然CMIP6氣候模式可以再現(xiàn)中國冬季寒潮頻次的空間格局，但是不同的CMIP6模式對于寒潮頻次的模擬仍存在一定的偏差，尤其是低估了東北、西北和華北地區(qū)的寒潮頻次。已有研究表明，氣候模式的不確定性主要來自次網(wǎng)格參數(shù) 化 過 程（Bony and Dufresne, 2005; 欒 貽 花 等,2016）。為了消除模式的不確定性，可以通過提高氣候模式的分辨率，以減少對物理參數(shù)化過程的依賴性（Randall et al., 2003）。另外，觀測資料的不確定性也是造成偏差的主要原因，未來可以采用多源觀測資料進(jìn)行對比分析，以提高模式評估的精度 （Li and Yan, 2010）。本文采用的多模式集合平均方法為等權(quán)重集合，還可以將每個模式賦予不同的權(quán)重，來得到更準(zhǔn)確的模擬結(jié)果，這將是我們下一步研究的內(nèi)容。