考慮自然變異的漳河流域未來氣候變化情景預估

倫玉蕊，王若彤，劉 瀏,2

(1.中國農業大學 水利與土木工程學院， 北京 100083；2.中國農業大學 中國農業水問題研究中心， 北京 100083)

氣候變化關系著人類生存和發展，是當今社會關注的重點問題之一[1-4]。近年來，隨著全球氣候變暖趨勢加劇，人們對區域未來氣候變化精準預估的需求也在不斷提高。當前研究主要借助大氣環流模式GCMs(General Circulation Models，GCMs)[5-7]來進行未來氣候變化情景的構建，但由于其空間分辨率較低，如果直接應用于尺度較小的研究區域，會導致模擬結果存在很大不確定性。因此，將大尺度的GCMs輸出結果轉化為合適的區域尺度是進行未來氣候變化預估的重要過程，動力降尺度[8]和統計降尺度方法也應運而生。其中，具有計算量較小、結果精度較高等優點的統計降尺度方法應用相對更為廣泛[9-13]。模型輸出估計MOS(Model Output Statistics，MOS)作為常用的統計降尺度方法之一，在區域氣候變化預估研究中發揮了重要作用[14-16]。值得關注的是，諸多不確定因素都會給降尺度結果帶來偏差。常見的不確定因素主要包括人類活動等外界強迫作用的不確定性，GCMs模式的不確定性，以及氣候內部自然變異的不確定性[17]。隨著相關技術手段的進步，前兩種不確定性要素帶來的影響逐漸可以人為減弱或可控，但是氣候自然變異帶來的影響卻不易控制或改變[18]。自然變異是指在沒有外界人為脅迫的情況下，由于大氣、海洋等固有周期性運動變化導致氣候系統內部產生的一定程度變異[19]，影響著不同國家和地區的氣候變化情況。在使用統計降尺度方法進行氣候變化影響研究時，應當充分考慮到氣候自然變異的影響，如果氣候模式的模擬偏差小于自然變異的范圍，那么應被視為無明顯偏差，可直接運用于未來氣候變化預估研究。

位于我國中南部地區的漳河流域，下游為大型水庫灌區，由氣候變化導致的旱澇災害頻發對灌區生產影響重大。因此，本文聚焦于該地區未來氣候變化情景預估，除考慮氣候模式和方法帶來的不確定性以外，同時考慮自然變異帶來的影響，主要開展以下研究：(1)采用基于秩評分和多準則決策排序結合的多模式評估方法，優選出合適的GCMs模式，降低模式選擇的不確定性；(2)結合研究區域氣候特點，選擇合適的統計降尺度方法，并對比分析考慮自然變異與否給模擬結果造成的影響，以期提高降尺度精度；(3)基于典型濃度路徑RCPs(Representative Concentration Pathways,RCPs)情景RCP2.6、RCP4.5和RCP8.5，對漳河流域未來2021年—2050年降水、最高和最低氣溫進行集合預估，從而為流域下游的漳河灌區可持續發展提供科學參考。

1 材料和方法

1.1 研究區概況

漳河流域位于我國中南部地區，介于111 °～113 °E，30 °～32 °N之間，總面積為8 524 km2(見圖1)。流域以庫區為界，上游為一不規則長方形，面積約2 980 km2；下游是以漳河水庫為供水主體，其他中小水利設施聯合運用的大型灌區，面積約5 543.93 km2，地形主要為平原和丘陵，總耕地面積16.32萬hm2，主要作物為水稻，是湖北省重要產糧基地之一。流域屬長江中游亞熱帶季風氣候，溫暖濕潤，雨量豐沛，年平均降水量為932.9 mm，但年內降水分布極不均勻，其中4月—10月降水量約占全年降水量的85%左右；年際分配也較為懸殊，年最大與年最小降水量相差5～7倍，導致灌區旱澇災害頻發，給當地的農業生產、水資源和糧食安全等民生問題產生了嚴重的不利影響。因此，預估灌區未來氣候變化，正確認識該區域水資源的變化成因，對當地水資源優化配置和保護生態環境等具有十分重要的現實意義。

圖1 漳河流域位置及氣象站點分布

1.2 數據來源

(1) 實測氣象站點數據。本研究實測數據來源于漳河流域及其周邊5個國家基本氣象站點，分布如圖1所示。數據時間跨度為1961年—2005年。為進行統計降尺度模型率定與驗證，將其分為1961年—1990年的率定期和1991年—2005年的驗證期。選取的氣候要素包括日降水、平均、最高和最低氣溫(http://data.cma.cn/)。

(2) GCMs數據。從CEDA( Centre for Environmental Data Analysis,CEDA)選取了CMIP5(Coupled Model Intercomparison Project phase 5,CMIP5)中序列較長的26種月尺度和日尺度的GCMs 數據資料。其中，月尺度數據長度為1961年—2000年，用于氣候模式的區域適應性評估；日尺度數據在基準期長度為1961年—2005年，用于降尺度模型的率定和驗證；在未來期長度為2021年—2050年 , 用于生成RCP2.6、RCP4.5、RCP8.5三種典型濃度路徑下的未來氣候變化情景。GCMs模式詳細信息參見參考文獻[20]，本文在此基礎上增加3種模式，如表1所示。由于 GCMs 的分辨率各不相同，在研究中統一插值成1.5 °×1.5 °。

表1 附加3種GCMs信息

1.3 研究方法

1.3.1 GCMs適應性評估

由于各GCMs模式之間模擬結果差異較大，且在不同地區的適應性也不盡相同，為優選出適合于漳河流域的氣候模式，采用秩評分與多準則決策排序相結合的方法來進行模式選擇。

首先，秩評分方法通過計算模擬與實測數據間統計特征值的擬合程度進行0～10的評分，以此判斷GCMs模式在區域的適應程度[21-22]，其計算公式如下：

(1)

式中：Rsi為評分結果；i為模式序號；xi為模擬序列與實測序列統計特征值的相對誤差；xmax和xmin分別為誤差的最大值和最小值；當xi越小時，Rsi越大。

為保證模式選擇的合理性，同時運用多準則決策排序法進行同步優選。該方法原理為先利用熵值法計算各模式的歸一化均方根誤差(NRMSE)、時間序列的PEARSON相關系數(rtom)、空間序列的PEARSON相關系數(rspa)、概率密度函數PDF(Probability Density Functions,PDF)的統計變量BS(Brier Score,BS)SS(Skill Score,SS)5個指標的權重，然后采用PROMETHEE-2法來對GCMs進行-1～1的評分以判斷優劣。

將兩種評分方法結合起來得到GCMs的綜合排名，優選前五個模式作為漳河流域未來氣候變化情景預估的驅動數據集。

1.3.2 MOS統計降尺度模型

MOS法中對于降水使用DBC(Daily Bias Correction,DBC)法，氣溫使用DT(Daily translation,DT)法。DBC是結合DT和LocI(Local Intensity Scaling,LocI)的混合方法，此方法能同時兼顧校正降水的發生頻率與降水量的偏差[9]，研究[23]表明，該方法對于降水較多的漳河流域具有良好的適用性。

(1) 基于DBC法的降水降尺度。首先運用LocI方法來進行降水頻率校正，以保證實測和模擬降水序列具有相同的濕日頻率；接著使用DT法進行降水量校正，按照百分位數劃分原則計算比例因子S，對率定和驗證期的實測和優選GCMs模擬數據進行偏差校正。計算公式如下：

(2)

(3)

(2) 基于DT法的氣溫降尺度。區別于降水氣候要素，對氣溫要素直接采用DT法進行偏差校正，逐月計算未來時期降尺度后的氣溫值，公式如下：

Tadj,fut=TGCM,fut+

(4)

式中：Tadj,fut為未來每日修正氣溫；TGCM,fut為GCM模式直接輸出的未來時期每日氣溫；Tobs為觀測數據每日氣溫；TGCM,bas為GCM直接輸出的歷史時期每日氣溫； 為觀測數據與GCM歷史時期之間的平均溫度差值。

1.3.3 自然變異估算方法

本文采用長序列歷史觀測數據法對每個站點依次進行逐月各氣候要素自然變異值的估算，步驟如下：(1)將1961年—2010年觀測數據每二十年一組交叉劃分為四組，即 1961年—1980年、1971年—1990年、1981年—2000年與1991年—2010年；(2)以每月的日降水、日平均氣溫、日最高以及最低氣溫的均值最大值與最小值的差值來估算四個時期的變化范圍，將其作為自然變異值；(3)判斷GCMs輸出數據與實測數據的剩余偏差是否在自然變異范圍內，如果在自然變異范圍內，認為該偏差不需要校正；若在自然變異范圍之外，則除去自然變異之后重新進行偏差校正。這種基于自然變異的模型偏差校正可以避免因模型的過度校正造成的降尺度結果的不確定性。

2 結果與討論

2.1 GCMs適應性評估

通過秩評分和多準則決策排序方法全面評估了CMIP5中的26個GCM模式對漳河流域各氣候要素的適應性，結果如圖2所示。可以看出，兩種方法的評估結果均表明不同模式對不同氣候要素的模擬效果存在較大差異，因此，本研究進一步采用熵值法對各氣候要素賦予不同權重，分別為：降水0.25，平均氣溫0.27，最高氣溫0.21，最低氣溫0.27。然后將兩種方法的結果進行綜合，最終優選出排名前5的氣候模式(對數據缺失的模式依次順延)，分別為： BCC-CSM1-1-M、FGOALS-g2、CESM1-CAM5、MPI-ESM-MR、MIROC5。以此作為構建漳河流域未來氣候變化情景的驅動數據集。

圖2 漳河流域26個GCMs適應性評估結果

2.2 未來氣候變化情景構建

2.2.1 MOS模型率定與驗證

在MOS模型的率定和驗證中，對降水要素選取均值、90%分位數、標準差、降水頻率和降水強度共5個指標，對三個氣溫要素選取均值、90%分位數、10%分位數和方差共4個指標來評估模型在再現觀測平均值、標準偏差和分布特征方面的性能。為更為完整的表現模擬效果，將各指標按1月—12月和多年日平均進行劃分并依次編號，降水共計65個評價指標，氣溫共計52個評價指標，具體如表2所示。

以在漳河流域表現最優的BCC-CSM1-1-M模式輸出的降水、平均氣溫、最高氣溫以及最低氣溫數據為例，分別計算5個站點在率定和驗證期各氣候要素的實測與模擬評價指標之差，做出標準化誤差熱點圖如圖3所示，圖中y軸表示漳河流域的5個氣象站點，自上而下分別是南漳、襄樊、鐘祥、宜昌以及荊州；x軸表示表2中的各評價指標編號，不同指標之間以實線分隔。圖中色塊的深淺代表誤差大小，以此來體現兩種情況下MOS降尺度模型的偏差校正能力。

表2 MOS模型降水及氣溫評價指標編號

由圖3可知，整體上考慮自然變異(見圖3(a))的率定與驗證結果優于不考慮自然變異(見圖3(b))，并主要體現在驗證期結果得到顯著提升。具體來看，對于降水，其均值、標準差以及90%分位數在兩種情況下均沒有較大的變化，但當考慮自然變異時，作為降水要素中最難以捕捉的降水強度和降水頻率在率定期的誤差有低幅增加，整體在2.5以內，在驗證期的誤差值減少明顯，最大誤差由5.14和3.7分別降低為3.3和1.9；因此，可以認為在降尺度模型中考慮自然變異的結果優于不考慮自然變異。對于平均氣溫，考慮自然變異與否在率定期的降尺度結果無明顯差異，而在驗證時期，標準差和90%分位數指標的最大誤差分別從3.6和4.6降低到了2.2和3.2。對于最高氣溫，考慮自然變異時，率定期的標準差指標最大誤差從2.2變為2.7，有較低幅度的增加；但在驗證時期除南漳站4月份的均值和10%分位數誤差增大外，其他站點各月份指標誤差都得到明顯改善，其中標準差的誤差值接近于0，校正結果明顯優于其他統計指標。對于最低氣溫，在率定期兩種情況下的結果比較一致，但在驗證期，考慮自然變異的情況下1月—4月氣溫較低時期的指標誤差相對更小。

以上分析表明，考慮自然變異的情況下MOS降尺度模型對降水、平均氣溫、最高氣溫和最低氣溫的偏差校正結果整體更好，尤其在驗證期模型效果得到顯著提升，可以用于漳河流域未來氣候變化情景預估。

圖3 漳河流域考慮自然變異與否的率定期和驗證期模型誤差熱點圖

2.2.2 未來降水變化情景預估

以優選的5種GCM模式輸出數據為驅動，采用考慮自然變異的MOS降尺度模型，將1991年—2005年作為基準期，模擬生成了漳河流域未來時期(2021年—2050年)3種RCP情景下各模式和集合平均(Multi-Model Ensembles,MMEs)的降水變化。

圖4展示了不同時間尺度漳河流域未來時期降水量相對于基準期的變化情景。由圖4可知，在月尺度上，不同模式不同情景下的未來降水量主要在-30%～20%之間變化，僅有個別模式出現較大波動。其中，最大增幅和最大減幅均由BCC-CSM1-1-M模式模擬所得，分別為RCP4.5情景下的12月份，達到186%；和RCP8.5情景下的8月份，達到-70%。在季節尺度上，秋季的變化幅度相對明顯，在-60.7%～16.8%之間。在年尺度上，降水量變幅在-29%～10%之間，主要呈下降趨勢。結合多模式集合平均結果來看，未來時期漳河流域降水在不同排放情景下整體上都呈減幅略大于增幅的趨勢，且存在季節性差異，應注重由此給灌區作物不同生長期灌溉帶來的影響。

將漳河流域5個站點未來及基準期的多年平均降水量進行空間插值，得到了不同模式不同情景下漳河流域上下游較基準期的降水量變化空間分布(見圖5)。結果表明，大多數GCMs在全流域呈現出降水減少的趨勢。在RCP2.6情景下，除CESM1-CAM5與MIROC5模式模擬的未來降水相較于基準期增加以外，其余模式皆表現為未來時期降水減少，并且與上游相比，下游的降水量增幅下降而減幅增加。大多數模式在RCP4.5及RCP8.5情景下的降水呈減少趨勢，且下游的降幅略大于上游。值得注意的是， BCC-CSM1-1-M模式在三種排放情景下模擬的上下游降水量下降幅度最明顯，上游減幅為-28.01%，下游達到-28.69%。總體來說，漳河流域上游降水量變化幅度范圍在-28.01%～13.08%之間，下游在-28.69%～10.91%之間，流域未來時期降水變化減幅大于增幅。

圖4 漳河流域未來時期降水量變幅

圖5 多模式多情景下漳河流域未來降水量變化空間分布圖

2.2.3 未來最高氣溫變化情景預估

研究漳河流域各個模式在RCP2.6、RCP4.5、RCP8.5三種情景下的最高氣溫月、季、年變化。在月尺度上，不同排放情景下各模式模擬的最高氣溫相對于基準期在0.5℃～2.0℃之間變化，基本呈增溫趨勢。其中，FGOALS-g2模式的結果波動幅度最大，其在RCP8.5排放情景下的3月份出現了3.5℃的最大增幅，在RCP2.6情景下的9月份出現-1.0℃的最大減幅。在季節尺度上，秋、冬兩季的變化波動較大，秋季最高氣溫變幅在-1℃～3.1℃之間，冬季變幅在0.1℃～2.3℃之間。在年尺度上，各個模式在三種情景下模擬生成的最高氣溫均呈現增加趨勢，增幅在2.0℃以內。多模式集合平均結果表明，最高氣溫的增幅隨溫室氣體排放的增多而變大。

通過空間插值得到不同模式在不同情景下預估的漳河流域上下游最高氣溫變化空間分布。在三種排放情景下未來最高氣溫變化空間分布皆呈現增溫趨勢，且隨著排放濃度的增加而增幅變大(RCP8.5>RCP4.5>RCP2.6)。其中，BCC-CSM1-1-M模式在RCP8.5排放情景下增幅最大，上游增幅達到了1.03℃，下游增幅達到1.34℃；MPI-ESM-MR模式在所有模式中增溫幅度最小，其在排放濃度最高的RCP8.5情景下的上下游增幅分別為0.22℃和0.46℃，在RCP2.6情景下生成的上游增溫幅度約為0.19℃，在下游增溫幅度也低至0.22℃。整體而言，大部分組合情景模擬結果表明上游最高氣溫的增幅要略低于下游，上游增溫幅度在0.19℃～1.39℃之間，下游增幅在0.22℃～1.44℃之間。

2.2.4 未來最低氣溫變化情景預估

不同時間尺度上漳河流域未來時期(2021年—2050年)的最低氣溫變化如圖6所示。在月尺度上，各模式在三種排放情景下基本呈0.3℃～1.6℃的增溫趨勢，其中最大增幅為RCP8.5排放情景下的FGOALS-g2模式的3月模擬結果，達到2.35℃；最大降幅為RCP8.5情景下BCC-CSM1-1-M模式的5月模擬結果，約為-1.64℃。在季節尺度上，夏季變化波動較大，主要是由于BCC-CSM1-1-M模式的降幅明顯，達到-1.29℃，其余模式則主要呈0℃～1.28℃的增溫趨勢，這一現象與月尺度最低氣溫變化類似。在年尺度上，各個模式不同情景下模擬生成的最低氣溫均呈現增加的趨勢，增幅在0.3℃～1.3℃之間。和最高氣溫類似，多模式集合平均結果也表明最低氣溫增幅隨著溫室氣體排放濃度的增加而變大。

圖6 漳河流域未來時期最低氣溫變幅

漳河流域上下游最低氣溫變化的空間分布情況如圖7所示。結果表明，未來最低氣溫在流域上下游基本呈現增溫趨勢，且大部分組合情景模擬結果顯示上游增幅在-0.16℃～1.32℃之間，下游增幅在0.29℃～1.26℃之間，上游最低氣溫的增溫值要略大于下游。在不同情景下，BCC-CSM1-1-M模式預估的增幅最小，在0.5℃以內；MIROC5模式增幅最大，在0.8℃～1.48℃之間；CESM1-CAM5模式隨溫室氣體排放濃度增加而增幅變大的趨勢最為明顯，其在RCP8.5情景下的上游增幅達到1.3℃，比RCP2.6和RCP4.5情景下分別增加了1.16℃和0.84℃；下游達到0.92℃，比RCP2.6和RCP4.5情景下分別增加了0.59℃和0.53℃。與最高氣溫變化相似，MPI-ESM-MR模式在所有模式中變幅最小，其在RCP2.6情景下上游呈現約0.16℃的減幅，下游呈現0.29℃的增幅。

圖7 多模式多情景下漳河流域未來最低氣溫變化(℃)空間分布圖

總體而言，多模式多情景下預估的漳河全流域未來時期最高和最低氣溫均存在不同程度的增加趨勢，且最高氣溫的增幅(0.5℃～2.0℃)略大于最低氣溫(0.3℃～1.6℃)，這一增溫確實將對灌區水稻作物生長發育和光合生產等造成系列影響[24-26]。

3 結 論

本文以具有大型灌區的漳河流域為研究對象，基于CMIP5中優選的5個大氣環流模式，運用考慮自然變異的MOS降尺度模型，以1961年—2005年為基準期，模擬生成了2021年—2050年三種RCPs排放情景下的日降水、最高和最低氣溫數據，對流域未來時期的氣候變化情景進行預估，主要結論如下：

(1) GCM模式適應性評估結果表明，BCC-CSM1-1-M、FGOALS-g2、CESM1-CAM5、MPI-ESM-MR、MIROC5五個模式在漳河流域的模擬能力最好。

(2) 率定和驗證期考慮自然變異與否的模型指標誤差對比分析表明，考慮自然變異的MOS降尺度模型具有更好的重現降水和各氣溫要素在均值、頻率、強度和極值方面的能力，且在驗證期的模擬效果提升顯著，因此更適合運用于漳河流域未來氣候變化情景預估，可以有效降低模擬的不確定性，提高預估精度。

(3) 多模式多情景下漳河流域未來年降水量較基準期而言在-29%～10%之間變化，減幅要略大于增幅；未來年最高、最低氣溫均呈增加趨勢，分別在0.5℃～2.0℃和0.3℃～1.3℃之間變化，且增幅隨著溫室氣體排放濃度的增加而變大，即RCP8.5>RCP4.5>RCP2.6，空間變化上，上游最高氣溫增幅略小于下游，最低氣溫增幅略大于上游。