CMIP5全球氣候模式統計降尺度數據對遼寧省極端氣溫模擬能力評估*

龐靜漪，劉布春，劉 園，邱美娟，王珂依

CMIP5全球氣候模式統計降尺度數據對遼寧省極端氣溫模擬能力評估*

龐靜漪1,2，劉布春1**，劉 園1，邱美娟1，王珂依1

（1. 中國農業科學院農業環境與可持續發展研究所/作物高效用水與抗災減損國家工程實驗室/農業部農業環境重點實驗室，北京 100081；2. 遼寧省營口市氣象局，營口 115001）

利用1971?2010年遼寧地區32個氣象臺站觀測資料，采用SS指標和M2指標，評估CMIP5氣候預估降尺度數據集中31個模式對遼寧省全年和4個季節極端氣溫指數時空變化特征的模擬能力，并經MR綜合評級，篩選模擬效果最好的模式。極端溫度指數選用平均最高氣溫（TXm）、平均最低氣溫（TNm）、霜凍日數（FD0）、夏日日數（SU25）、最低氣溫極小值（TNn）、最高氣溫極大值（TXx）和極端氣溫范圍（ETR）。結果表明：對單一極端氣溫指數而言，所有模式對表征氣溫平均特征的指數模擬效果較好，對表征連續極端氣溫事件的指數模擬效果一般，而對氣溫的極端特征模擬能力不足。由于模式對全年、各季節各極端氣溫指數的排名無一致性，引入MR評級指標進行排序，優選的3個模式為MPI-ESM-LR、GFDL-ESM2M和MIROC-ESM-CHEM。比較發現，優選模式集合平均結果相對于觀測值的誤差百分率整體上明顯優于所有模式的集合平均結果，具有可用性。研究結果可為預估未來區域極端氣溫提供理論參考，建立的逐日模式資料可為開展遼寧農業氣象災害風險相關研究提供數據支撐。

CMIP5氣候預估降尺度數據集；遼寧；極端氣溫指數；模式評估；優選模式

近百年來，地球氣候系統正在經歷一次以全球變暖為主要特征的顯著變化。在此背景下，中國大陸地區極端高溫和極端低溫整體呈上升趨勢，且極端低溫上升尤為顯著[1?2]，中國與異常偏冷相關的極端事件顯著減少，而與異常偏暖相關的極端事件則顯著增多[3]。農業作為受氣候變暖影響最大的領域之一，極端氣溫的變化對其產生了很大影響，一方面，極端最高氣溫的不斷升高，不僅使農作物生育期發生改變，還會導致高溫災害天氣頻繁出現，使作物的生長發育以及產量均受到不利影響；另一方面，極端低溫帶來的凍害在一定程度上造成農作物減產。

全球氣候模式（Global Climate Models，GCM）作為氣候模擬和未來氣候變化情景預估的重要工具[4]，被廣泛用于探索和預測氣候變化。利用全球模式開展未來氣候情景預估，首先必須評估模式對氣候的模擬能力，以篩選模擬能力強的全球模式[5]。基于新一代全球氣候模式CMIP5（Coupled Model Intercomparison Project Phase 5, CMIP5）模擬結果，眾多學者在極端氣溫氣候變化評估與預估方面開展了一系列工作，發現CMIP5中各模式對中國區域極端氣溫[6?8]具有一定的模擬能力，但不同模式的模擬能力存在很大差異，使用優選模式集合平均可以明顯改善模擬結果[7?9]。在此基礎上預估未來中國地區極端氣溫的時間變化時發現，RCP4.5情景下中國極端低溫事件將會減少，極端暖高溫事件將會增加[8]。這些結果類似于氣候平均態的變化[10?11]。但對于區域極端氣溫未來預估的研究主要在上海[12]、貴州[13]、長江黃河流域[14]等地，在東北地區的研究主要以氣候平均態[15]的評估和預估為主。

遼寧省由于耕地面積廣闊，是中國重要糧食產區，特殊的地理位置使該省農業發展迅速[16]。受氣候變暖的影響，遼寧省極端高溫事件呈上升趨勢，極端低溫事件呈下降趨勢[17]。氣溫升高及極端氣溫的變化對遼寧地區的農業種植、生產等方面均有一定影響。因此，基于極端氣溫指數對全球氣候模式進行評估，選擇適合當地的預測模式，可提高未來氣候資源及災害風險分析的準確性，然而目前對遼寧地區極端氣溫的評估工作仍存在空白。本研究使用1971?2010年遼寧地區32個氣象站點的觀測數據和CMIP5統計降尺度數據集中的31個模式結果，評估并分析CMIP5統計降尺度模式對遼寧省極端氣溫指數的模擬能力。通過研究，確定模擬研究區域基準期氣候變化的最優模式，為區域極端氣溫未來預估提供參考，同時為下一步預估未來氣候變暖背景下遼寧農業災害風險并進行災損風險區劃提供數據支撐。

1 資料與方法

1.1 基本資料

遼寧省（118°?125°E，38°?43°N）位于中國東北地區南部，地形復雜多樣。該地區為典型的溫帶大陸性季風氣候，年平均氣溫6.0～11.0℃，年平均降水量在400～1100mm，境內雨熱同季，日照充足，四季分明。研究區域及站點分布如圖1所示。

1.2 研究資料

評估CMIP5氣候預估降尺度數據集，該數據集使用澳大利亞新南威爾士州初級產業部Wagga Wagga農業研究所劉德立研究團隊開發的統計降尺度方法[18]對CMIP5中的31個GCMs逐月柵格數據進行時空降尺度處理，產生RCP4.5及RCP8.5情景下的1900?2100年逐日站點氣溫數據。31個模式的基本信息見表1，具體資料可由http:// stdownagrivy. com/## 網站下載。實測數據為遼寧省32個氣象站點1971?2010年逐日氣溫觀測數據，來源于中國氣象數據網。選用基準期（1971?2010年）模式數據與觀測數據進行比較，評估RCP4.5情景下模式對極端氣溫指數的模擬能力。

圖1 遼寧省32個氣象站點(·)分布

表1 31個CMIP5氣候預估降尺度數據模式的基本信息

1.3 極端氣溫指數計算方法

極端氣溫指數包括年和季兩種時間尺度。日最高氣溫平均值（TXm）和日最低氣溫平均值（TNm），用于表征一段時間極端氣溫的平均特征；霜凍日數（FD0）和夏日日數（SU25），用于表征連續的極端氣溫事件；最低氣溫極小值（TNn）、最高氣溫極大值（TXx）和極端氣溫范圍（ETR）代表氣溫的極端特征。各指數定義如表2所示。

表2 極端氣溫指數定義

Note:Tmax is the daily maximum temperature, Tmin is the daily minimum temperature.

1.4 模式模擬能力評估指標

1.4.1 空間評估指標

空間能力評分（spatial skill score, SS）是評價模擬場模擬空間分布能力的指數[7]。計算式為

其中

在計算SS指數大小的基礎上，根據SS值接近1的程度進行模式排序。SS值越接近1，模擬場偏差越小，即模式對該極端指數場的模擬能力越好，模式排名越靠前。

1.4.2 時間評估指標

時間評估指標M2[18]是評價模擬場上每一個氣象站點的時間序列相對于該站點上觀測時間序列的年際變率差值的指數。主要以標準差來衡量，計算式為

式中，STD為模擬場和觀測場樣本數據時間序列的標準差，下腳標m和o分別表示模擬場和觀測場。當模擬場標準差等于觀測場標準差時，M2為0，表明模擬結果最好，M2值越小（即越接近0），說明模式模擬能力越好，模式排名越靠前，M2越大，說明模擬變率與觀測變率相差越大，模擬效果越差。

1.4.3 綜合評級指標（MR）

綜合評級指標（MR）[19]是基于各評級指標排名，判斷其一致性并得到綜合排名的一種方法。即

式中，m為參與評估的模式個數，m=31，n為用于評估的指標個數，ri為每種評估指標中各模式模擬能力的排名(i=1,2,...,31)，模擬能力最強的模式其ri值為1。可見，0≤MR<1，且其值越接近1，說明模式綜合模擬能力越強。

2 結果與分析

2.1 各模式對極端氣溫指數的空間模擬效果評估

2.1.1 單一指數空間模擬效果評估

圖2給出了1971?2010年多年平均的遼寧地區31個模式模擬全年各極端氣溫指數的SS指數值。可以看到，對指數而言，SS指數值從大到小依次為TXm、TNm、ETR、TNn、FD0、SU25以及TXx，其中TXm、TNm、ETR指數的SS值均在0.9以上，說明各模式模擬氣溫平均特征的空間分布效果較好；而對于連續的極端氣溫事件和氣溫的極端特征，各模式模擬低溫相關指數空間分布效果一般，最低氣溫極小值和霜凍日數的SS值平均分別為0.86和0.83；模擬高溫相關指數空間分布效果較差，夏季日數的SS值平均為0.62，最高氣溫極大值的SS值平均僅?0.16，即模擬場與觀測場相差較多，且各模式模擬差異較大。

2.1.2 指數空間模擬效果綜合評估

根據SS指數接近1的程度對各模式模擬各個年極端氣溫指數的空間模擬能力進行排名，結果見圖3。由圖中可知，對全年TXm、TNm、ETR、FD0、SU25、TNn以及TXx指數模擬最好的模式分別為HadGEM2-AO、BNU-ESM、GISS-E2-R、CESM1-CAM5、MIROC-ESM、MIROC5及MIROC-ESM。由于模式對各極端氣溫指數的排名無一致性，尤其是排名靠前和靠中的模式，因此，為了得出各模式模擬效果的綜合排名，引入MR評級指標，其中共有31個模式、7個極端氣溫指數參與評估，即n=31，m=7，帶入式（5）計算，根據MR指標大小進行排序。以圖3中橫坐標從左至右順序依次表示MR評價模擬效果的好至差，其中對各極端氣溫指數綜合模擬效果前三名的模式分別為FIO-ESM、MPI-ESM-LR及MIROC5。

同理，計算基于SS指數的各模式對春、夏、秋、冬四季的極端指數模擬能力排名（圖4）。由于夏季日最低氣溫均高于0℃，冬季日最高氣溫均低于25℃，即夏季FD0和冬季SU25均為0，因此不進行排名。從圖4可以看到，在SS指數中，對TXm、TNm和ETR指數春、夏、秋、冬四季模擬最好的模式分別為CMCC-CMS、INM-CM4、GFDL-CM3、GFDL- ESM2G，BNU-ESM、INM-CM4、MIROC-ESM- CHEM、BNU-ESM以及MIROC5、MIROC-ESM- CHEM、CESM1-CAM5、IPSL-CM5A-MR；對FD0指數春、秋、冬季模擬最好的模式分別為CMCC-CM、CESM1-BGC和CESM1-BGC，對SU25指數春、夏、秋季模擬最好的模式分別為CESM1-BGC、MPI-ESM-LR和ACCESS1-0；對TNn和TXx指數四季模擬最好的模式分別為CanESM2、CESM1-BGC、CESM1-CAM5、GISS-E2-H和GISS-E2-R、MIROC-ESM、MIROC5、CESM1-BGC。除少數幾個指數外，大部分季節尺度的極端氣溫指數排名一致性較差，采用MR評級指標大小進行排序，其中共有31個模式、28個極端氣溫指數參與評估，即n=31，m=28。排名結果見圖4，對各季節尺度的極端氣溫指數綜合模擬效果前三名的模式分別為MPI-ESM-LR、MIROC5及CMCC-CM。

圖2 31個模式模擬遼寧地區1971?2010年年極端氣溫指數的空間模擬能力評分（SS值）

圖3 31個模式對年尺度7個極端氣溫指數空間變率的模擬能力排名

注：數據表示排名。圖4、6、7同。

Note: The data for ranking. The same as Fig.4, Fig.6 and Fig.7.

圖4 31個模式對季節尺度7個極端氣溫指數空間變率的模擬能力排名

注：各極端氣溫指數下對應4列從左至右分別為春、夏、秋、冬季排名，標黑表示無數據。圖7同。

Note: Under each extreme temperature index, the corresponding 4 columns from left to right are the ranking of spring, summer, autumn,winter , and the black column is because the index has no data in this season. The same as Fig.7.

2.2 各模式對極端氣溫指數的時間模擬效果評估

2.2.1 單一指數時間模擬效果評估

圖5為1971?2010年遼寧區域平均的31個模式模擬全年各極端氣溫指數的M2指數值。由圖可見，對指數而言，M2指數值從小到大依次為TXm、SU25、TNm、FD0、TXx、TNn以及ETR，除ETR指數的M2值明顯偏大外，其他6個指數的M2指數均小于1，尤其是TXm、SU25、TNm、FD0指數的M2值平均小于0.1，說明各模式可以很好地模擬極端氣溫平均特征和連續極端氣溫事件的時間變率，而對于氣溫的極端特征模擬效果一般，尤其是ETR指數與最低氣溫極小值和最高氣溫極大值相關，兩者誤差疊加使ETR指數的誤差更大。

2.2.2 各模式空間模擬效果評估

根據M2指數接近0的程度對各模式模擬各個年極端氣溫指數的時間模擬能力進行排名，由圖6可見，對全年TXm、TNm、FD0、SU25、TNn、TXx以及ETR指數模擬最好的模式分別為FIO-ESM、BNU-ESM、CESM1-CAM5、GISS-E2-H-CC、GISS-E2-R、CESM1-BGC及GISS-E2-R。除后3名外，各模式對各極端氣溫指數的排名一致性較差，計算MR評級指標進行排名可知，對各極端氣溫指數綜合模擬效果居前三名的模式分別為CESM1- CAM5、FIO-ESM及GISS-E2-R。

計算基于M2指數的各模式對春、夏、秋、冬四季的極端指數模擬能力排名。由圖7可以看到，在M2指數中，對TXm、TNm指數而言春、夏、秋、冬四季模擬最好的模式分別為MIROC-ESM- CHEM、MIROC-ESM、MPI-ESM-LR、GISS-E2-R以及MPI-ESM-LR、GFDL-ESM2M、CESM1-CAM5、ACCESS1-3；對FD0指數春、秋、冬季模擬最好的模式分別為CESM1-BGC、CESM1-CAM5和ACCESS1-0；對SU25指數春、夏、秋季模擬最好的模式分別NorESM1-ME、ACCESS1-3和BCC-CSM1-1-m；對TNn、TXx和ETR指數四季模擬最好的模式分別為GFDL-ESM2G、BCC-CSM1-1、CESM1-CAM5、FIO- ESM，GFDL-ESM2G、BCC-CSM1-1、CESM1-CAM5、FIO-ESM和BNU-ESM、IPSL-CM5A-MR、ACCESS1- 3、GISS-E2-H。進一步計算MR評級指標大小并進行排序可見，對各季節尺度的極端氣溫指數綜合模擬效果前三名的模式分別為GFDL-ESM2G、NorESM1-M及BCC-CSM1-1-m。

圖5 31個模式模擬遼寧地區1971?2010年年極端氣溫指數的時間模擬能力評分（M2值）

圖6 31個模式對年尺度7個極端氣溫指數時間變率的模擬能力排名

圖7 31個模式對季節尺度7個極端氣溫指數時間變率的模擬能力排名

2.3 各模式對極端指數模擬能力的綜合評估

對于同一指數，不同模式模擬結果之間存在較大差異，而同一模式對不同極端指數的模擬能力也存在差異。所以，需比較模式對各個指數的綜合模擬能力從而優選模式。分別以7個極端氣溫指數為評估指標，計算其MR綜合評級指標，可以得到各模式基于SS指數和M2指數的全年、四季排名。由圖 8可以看到，基于同一評估指標的全年和四個季節模擬能力的排名差異較大，例如基于SS指數排名中，ACCESS1-0模式模擬極端氣溫指數在全年排名為第14名，春季、夏季、秋季、冬季分別排名第12、24、1、19名；基于不同評估指標的同一時間段的排名也有不同，例如NorESM1-M模式模擬全年極端氣溫指數，基于SS指數排名第17，而基于M2指數排名第14。因此需要進一步進行評估。

以全年以及4個季節排名為評估指標（m=5），計算各模式模擬SS指數和M2指數的MR綜合排名，再以SS指數和M2指數的綜合排名為評估指標（m=2），計算各模式對遼寧地區極端氣溫指數時空模擬能力的綜合排名，結果如圖9所示。由圖可見，大部分模式的時間模擬能力與空間模擬能力間存在差異，兩者相關系數僅為0.06，少部分模式存在時間、空間的模擬能力一致性，如BCC-CSM1-1-m、FIO-ESM和GISS-E2-H三個模式兩者排名相同，但存在模擬效果均偏差的現象。為保證排名的準確性，分別對時間、空間兩類指標進行時空綜合排名，各模式對極端氣溫指數的時空模擬從強到弱前5名的排名為MPI-ESM-LR、GFDL-ESM2M、MIROC-ESM-CHEM、BCC-CSM1-1-m和GISS-E2-H-CC/MIROC5。

圖8 各模式基于SS指數(a)以及M2指數(b)的全年、四季極端氣溫指數排名

圖9 各模式基于SS指數的空間綜合排名、基于M2指數的時間綜合排名以及時空綜合排名

2.4 優選模式的結果分析

由于各模式的結構框架差異、選取物理參數不同等原因，因此，模式的不確定性客觀存在。CMIP5統計降尺度數據集中各個模式對極端溫度指數模擬能力體現出了很大的不確定性。所以，需比較模式對各個指數的綜合模擬能力的評估結果去優選模式。比較31個模式的綜合模擬能力（圖9）后發現，MPI-ESM-LR、GFDL-ESM2M和MIROC-ESM- CHEM模式對極端溫度指數的時空綜合模擬能力較強。因此，將這3個模式作為優選模式。

比較31個模式集合平均和優選模式集合平均對遼寧地區1971?2010年多年平均各極端氣溫指數的模擬結果，并計算其相對于觀測值的誤差百分率，由圖10可以看到，無論是所有模式集合還是優選模式集合均可以模擬TXm指數，誤差百分率在±1%之內；而對于TNm指數，31個模式集合平均模擬其空間分布在海城附近有一個正的高值中心，其誤差百分率為34.3%，在興城附近有一個負的高值中心，其誤差百分率為?248.9%，其他地區總體誤差百分率為負，全省均值為?17.5%，誤差較大，經優選后，誤差百分率在?15.1%～3.2%，全省均值降為2.0%，模擬效果有了明顯改進；對于FD0指數，所有模式集合平均誤差百分率在?4.0%～21.0%，尤其是在遼寧東部地區模擬誤差較大，經優選后遼寧東部地區誤差百分率降為?3.0%，其他地區誤差百分率在± 1%之內；對于SU25指數，所有模式集合平均模擬結果較觀測值偏高，全省平均偏高10%左右，優選模式集合平均模擬結果較觀測值偏低，總體誤差程度有所降低；對于TXx指數，優選后全省誤差百分率由1.7%降為0.4%，模擬效果提升；所有模式集合平均模擬TNn指數誤差百分率在?26.7%～0.4%，全省平均為?12.4%，優選后誤差百分率在0.5%～11.0%，全省平均為4.5%，模擬結果由偏低轉為偏高，但模擬誤差有所減小；對于ETR指數，優選后全省平均誤差百分率由4.3%降至2.0%，模擬效果有所提高。

綜合來看，上述7種極端氣溫指數的模擬上，優選模式集合平均與觀測值的誤差明顯低于所有模式的集合平均。所以，在對遼寧地區未來極端溫度的預估以及相關研究中，選擇優選模式集合可以使結果可行性得到一定提高，增加研究的可信度。

圖10 31個模式集合平均（1）和優選模式集合平均（2）模擬1971?2010年遼寧地區各極端氣溫指數多年平均值的誤差百分率

3 結論與討論

3.1 結論

利用1971?2010年遼寧地區地面氣象臺站觀測的氣溫數據，選用平均最高（低）氣溫、霜凍日數、夏日日數、最高（低）氣溫極大（小）值和極端氣溫范圍指數表征極端溫度事件的變化，評估了31個CMIP5統計降尺度模式對遼寧省極端氣溫指數的模擬能力。

（1）就指數而言，各模式模擬極端氣溫指數時間變率的效果要優于空間變化。具體而言，各模式模擬氣溫平均特征的空間分布效果較好，模擬連續的極端氣溫事件和氣溫的極端特征的空間分布中，模擬低溫相關指數效果一般，模擬高溫相關指數效果較差；除ETR指數外，其他6個指數的時間變率模擬效果較好，尤其是模擬極端氣溫平均特征和連續極端氣溫事件的指數，M2值小于0.1。

（2）由于模式對全年各極端氣溫指數的排名無一致性，分別計算SS指標和M2指標的MR評級排名可知，對全年各極端氣溫指數綜合的空間模擬效果前三名的模式分別為FIO-ESM、MPI-ESM-LR及MIROC5，對時間模擬效果前三名的模式分別為CESM1-CAM5、FIO-ESM及GISS-E2-R。進一步分析四季的極端指數模擬能力排名，對各季節尺度的極端氣溫指數綜合的空間模擬效果前三名的模式分別為MPI-ESM-LR、MIROC5及CMCC-CM，而時間模擬效果前三名的模式分別為GFDL-ESM2G、NorESM1-M及BCC-CSM1-1-m。

（3）由各模式基于SS指數以及M2指數的全年、四季MR綜合排名可以看出，基于同一評估指標的全年和4季模擬能力的排名差異性較大，基于不同評估指標的同一時間段的排名也有不同，因此需要進一步進行評估。模式空間、時間模擬能力綜合排名表明，MPI-ESM-LR、GFDL-ESM2M和MIROC- ESM-CHEM對極端氣溫指數的時空綜合模擬能力均較強。因此，將這3個模式作為本研究的優選模式。

（4）由所有模式和優選模式的集合平均模擬結果相對于觀測值的誤差百分率可以看到，優選模式集合平均模擬各極端氣溫指數的誤差明顯低于所有模式的集合平均。

3.2 討論

（1）MPI-ESM-LR、GFDL-ESM2M和MIROC- ESM-CHEM對遼寧地區極端氣溫指數的模擬能力較強，而蔣帥等[9，20]認為全國極端氣溫的優選模式為BCC-CSM1.1、Can ESM2和CCSM4，這與本研究結果有一定差異，原因一是選取的研究區域差異，以往研究多以全國為研究區域，消除了區域間的誤差，本研究以遼寧地區為研究區域進行評估，得到的優選模式可以更好地為遼寧地區農業生產及風險評估等提供參考，二是選取的評估指標不同。但所有研究均表明[5?9，12?17]，相比于所有集合模式平均，優選模式集合平均的模擬能力有一定程度的提高。

（2）雖然優選模式可以在一定程度上減少模式的模擬偏差，但優選模式集合的不確定性依舊存在[21]。氣候模式本身存在較大的不確定性，模式的物理參數化過程、氣候強迫、模式分辨率以及排放情景設計等存在差異，對氣候變化的模擬性能也有較大不同[12，22]。在未來的工作中，可以通過提高分辨率和改進動力過程提高氣候模式本身的模擬能力，如目前進行的新一代全球模式（CMIP6）[23]，也可以通過降尺度等方法[24?25]，盡可能降低這種不確性。

[1]付冬雪,孫照渤,李忠賢,倪東鴻.1955-2006冬半年中國極端低溫的時空變化特征[J].氣象科學,2011(3):274-281.

Fu D X,Sun Z B,Li Z X,Ni D H.Spatial and temporal features of China extreme minimum temperature in winter half year during 1955-2006[J].Journal of the Meteorological Sciences,2011(3):274-281.(in Chinese)

[2]周雅清,任國玉.中國大陸1956-2008年極端氣溫事件變化特征分析[J].氣候與環境研究,2010,15(4):405-417.

Zhou Y Q,Ren G Y.Variation characteristics of extreme temperature indices in mainland China during 1956- 2008[J].Climatic and Environmental Research,2010,15(4): 405-417.(in Chinese)

[3]任國玉,封國林,嚴中偉.中國極端氣候變化觀測研究回顧與展望[J].氣候與環境研究,2010,15(4):337-353.

Ren G Y,Feng G L,Yan Z W.Progresses in observation studies of climate extremes and changes in mainland China[J].Climatic and Environmental Research,2010, 15(4):337-353.(in Chinese)

[4]趙宗慈.全球氣候變化預估最新研究進展[J].氣候變化研究進展,2006(2):22-24.

Zhao Z C.Latesr advances in global climate projections[J]. Climate Change Research,2006(2):22-24.(in Chinese)

[5]王冀,江志紅,宋潔,等.基于全球模式對中國極端氣溫指數模擬的評估[J].地理學報,2008,63(3):227-236.

Wang Y,Jiang Z H,Song J,et al.Evaluating the simulation of the GCMS on the extreme temperature indices in China[J].Acta Geographica Sinica,2008,63(3):227-236.(in Chinese)

[6]姚遙,羅勇,黃建斌.8個CMIP5模式對中國極端氣溫的模擬和預估[J].氣候變化研究進展,2012(4):250-256.

Yao Y,Luo Y,Huang J B.Evaluation and projection of temperature extremes over China based on 8 modeling data from CMIP5[J].Climate Change Research,2012(4):250-256. (in Chinese)

[7]杭月荷.CMIP5多模式對中國極端降水的模擬評估及未來情景預估[D].南京:南京信息工程大學,2013.

Hang Y H.Projection and evaluation of the precipitation extremes indices over China by CMIP5 models[D]. Nanjing:Nanjing University of Information Science & Technology,2013.(in Chinese)

[8]沈雨辰.CMIP5模式對中國極端氣溫指數模擬的評估及其未來預估[D].南京:南京信息工程大學,2014.

Shen Y C.Projection and evaluation of the temperature extremes indices over China by CMIP5 models[D]. Nanjing:Nanjing University of Information Science & Technology,2014.(in Chinese)

[9]蔣帥,江志紅,李偉,等.CMIP5模式對中國極端氣溫及其變化趨勢的模擬評估[J].氣候變化研究進展,2017(13): 11-24.

Jiang S, Jiang Z H, Li W,et al. Evaluation of the extreme temperature and its trend in China simulated by CMIP5 Models[J].Climate Change Research,2017(13):11-24.(in Chinese)

[10]Chen L,Frauenfeld O W.Surface air temperature changes over the twentieth and twenty-first centuries in China simulated by 20 CMIP5 models[J].Journal of Climate,2014, 27(11):3920-3937.

[11]梁玉蓮,延曉冬.RCPs情景下中國21世紀氣候變化預估及不確定性分析[J].熱帶氣象學報,2016,32(2):183-192.

Liang Y L,Yan X D.Prediction of climate change over China and uncertainty analysis during the 21st century under RCPS[J].Journal of Tropical Meteorology,2016, 32(2):183-192.(in Chinese)

[12]吳蔚,穆海振,梁卓然,等.CMIP5全球氣候模式對上海極端氣溫和降水的情景預估[J].氣候與環境研究,2016, 21(3):269-281.

Wu W,Mu H Z,Liang Z R,et al.Projected changes in extreme temperature and precipitation events in Shanghai based on CMIP5 simulations[J].Climatic and Environmental Research,2016,21(3):269-281.(in Chinese)

[13]張嬌艷,李揚,張東海,等.基于CMIP5全球氣候模式的21世紀貴州省極端降水事件預估[J].中國農業氣象, 2017,38(10):655-662.

Zhang J Y,Li Y,Zhang H D,et al.Projected changes in extreme precipitation events in Guizhou based on CMIP5 simulations over the 21st century[J].Chinese Journal of Agrometeorology,2017,38(10):655-662.(in Chinese)

[14]李佳瑞,牛自耕,馮嵐,等.CMIP5模式對長江和黃河流域極端氣溫指標的模擬與預估[J].地球科學,2020,45(6): 1887-1904.

Li J R,Niu Z G,Feng L,et al.Simulation and prediction of extreme temperature indices in Yangtze and Yellow river basins by CMIP5 models[J].Earth Science,2020,45(6): 1887-1904.(in Chinese)

[15]敖雪,翟晴飛,崔妍,等.東北地區氣候變化CMIP5模式預估[J].氣象科技,2017,45(2):298-306.

Ao X,Zhai Q F,Cui Y,et al.Climate projection in Northeast China based on CMIP5 Data[J].Meteorological Science and Technology,2017,45(2):298-306.(in Chinese)

[16]黃寧.遼寧農業發展現狀與障礙[J].新農業,2019(9):88-89.

Huang N.Present situation and obstacle of agricultural development in Liaoning[J].New Agricultural,2019(9): 88-89.

[17]曹永強,袁立婷,鄭爽,等.近50年遼寧省極端氣候事件的趨勢變化及空間特征[J].水利水電技術,2018,49(7):45-53.

Cao Y Q,Yuan L T,Zheng S,et al.Trend variation and spatial characteristics of extreme climate events in Liaoning Province in recent 50 years[J].Water Resources and Hydropower Engineering,2018,49(7):45-53.(in Chinese)

[18]Liu D L,Zuo H.Statistical downscaling of daily climate variables for climate change impact assessment over New South Wales,Australia[J].Climatic Change,2012,115(3-4): 629-666.

[19]Schuenemann K C,Cassano J J.Changes in synoptic weather patterns and greenland precipitation in the 20th and 21st centuries 1:evaluation of late 20th century simulations from IPCC models[J]J Geophys Res,2009, 114(D20):311

[20]李林超.極端氣溫、降水和干旱事件的時空演變規律及其多模式預測[D].楊凌:西北農林科技大學,2019.

Li L C.Temporal-spatial evolution of extreme temperature, precipitation and drought event and its projection by multi-model ensemble[D].Yangling:Northwest A＆F University,2019.(in Chinese)

[21]靳澤輝,苗峻峰,張永瑞,等.華北地區極端降水變化特征及多模式模擬評估[J].氣象科技,2017,45(1):91-100.

Qi Z H,Miao J F,Zhang Y R,et al.Characteristics of extreme precipitation and its Multi-Model simulation evaluation in North China[J].Meteorological Science and Technology,2017,45(1):91-100.(in Chinese)

[22]張天宇,范莉,程炳巖,等.21世紀三峽庫區極端氣溫指數的情景預估[J].長江流域資源與環境,2010,19(5):590-596.

Zhang T Y,Fan L,Cheng B Y,et al.Scenarios projection of extreme temperature indices in the three gorges for the 21ST century[J].Resources and Environment in the Yangtze Basin,2010,19(5):590-596.(in Chinese)

[23]Veronika E,Sandrine B,Meehl G A,et al.Overview of the Coupled Model Intercomparison Project Phase 6 (CMIP6)experimental design and organization[J]. Geoscientific Model Development,2016,9(5):1937-1958.

[24]Tang J,Niu X,Wang S,et al.Statistical and dynamical downscaling of regional climate in China:present climate evaluations and future climate projections[J]. Journal of Geophysical Research Atmospheres,2016, 121(5):2110-2129.

[25]Kong X,Wang A,Bi X,et al.Assessment of temperature extremes in China using Reg CM4 and WRF[J].Advances in Atmospheric Sciences,2019,36(4):363-377.

Evaluation of the Ability of Statistical Downscaling Dataset from the CMIP5 Global Climate Models to Extreme Temperature Indices over Liaoning Province

PANG Jing-yi1,2, LIU Bu-chun1, LIU Yuan1, QIU Mei-juan1, WANG Ke-yi1

(1. Institute of Environment and Sustainable Development in Agriculture, CAAS/National Engineering Laboratory of Efficient Crop Water Use and Disaster Reduction/Key Laboratory of Agricultural Environment, Ministry of Agriculture and Rural Affairs, Beijing 100081, China; 2. Yingkou Meteorological Bureau, Yingkou Liaoning, 115001 )

Liaoning Province is one of the main grape production areas in China. Due to the increasing of temperature and the frequent occurrence of extreme temperature, it has a noticeable impact on the planting and production of grapes in Liaoning. Based on extreme temperature indices, Global Climate Models(GCM) are evaluated and the model with the best simulation effect in the study area are selected. It is helpful to improve the accuracy of future climate resource and disaster risk analysis. In this paper, the observation meteorological daily data during 1971?2010 was used, including 32 stations across Liaoning Province. 31 models in the CMIP5 climate downscaling dataset were assessed the simulation performance about the spatio-temporal variation characteristics of the extreme temperature indices in Liaoning Province (yearly and seasonally). And the locations of the meteorological stations were completely consistent with that of the model stations. After using SS/M2 indices and MRcomprehensive rating, the best model was selected. Seven extreme temperature indices, including mean maximum temperature(TXm), mean minimum temperature(TNm), frost days(FD0), summer days (SU25), minimum minimum temperature(TNn), maximum maximum temperature(TXx) and the range of extreme temperatures(ETR), were adopted to investigate the change of extreme temperature. There were the following conclusions: for the indices representing the characteristics of mean temperature, the performance of all models were better and closest to the observed values; For the indices representing continuous extreme temperature events, the simulated results of all models were ordinary; And for indices representing extreme temperature, the simulation results were very different from the observation values. Since there was no consistency in the ranking of extreme temperature indices among the different time and space scales, the three models with the best simulation ability were MPI-ESM-LR, GFDL-ESM2M and MIROC-ESM-Chem introduced by MR index. The three models were the first choice in this paper. Comparing the error, the results of the preferred model ensemble averages were significantly better than that of others. It is helpful to use the selected models to predict the future change of agricultural climate resources and to analyze disaster risks across Liaoning Province. It can help seek advantages and avoid disadvantages and reduce disaster losses.

Climate downscaling dataset from CMIP5;Liaoning; Extreme temperature index; Model evaluation; Optimal selection models

10.3969/j.issn.1000-6362.2021.05.001

龐靜漪,劉布春,劉園,等.CMIP5全球氣候模式統計降尺度數據對遼寧省極端氣溫模擬能力評估[J].中國農業氣象,2021,42(5):351-363

2020?11?06

國家重點研發計劃“重大自然災害監測預警與防范”重點專項（2017YFC1502804）

劉布春，研究員，從事農業氣象及災害風險評估研究，E-mail：liubuchun@caas.cn

龐靜漪，E-mail：464040668@qq.com