結合模式性能和獨立性加權的全球增暖1.5／2 ℃下中國區域氣候的未來預估

周攀宇 江志紅 李童

摘要 基于耦合模式比較計劃第6階段（CMIP6）中的全球氣候模式的模擬結果，采用考慮模式性能和獨立性結合（Climate model Weighting by Independence and Performance，ClimWIP）的加權方案進行中國區域氣候的多模式集合預估及不確定性研究。結果表明，ClimWIP方案在歷史階段的模擬優于等權重方案，降低了多模式模擬的氣候態偏差。溫度指數的未來預估不確定性較大的區域主要集中在中國北方和青藏高原，而降水指數主要集中在華北和西北地區。ClimWIP方案的預估不確定性與等權重方案相比有所降低。ClimWIP方案預估的溫度指數的增溫大值區主要集中在中國北方和青藏高原;降水指數在西北和青藏高原增加最為顯著。全球額外0.5 ℃增暖時，中國區域平均的溫度指數變化更強，平均高于全球0.2 ℃，最低溫在東北部分地區的額外增溫甚至是全球平均的3倍;總降水額外增加5.2％;強降水額外增加10.5％。全球增暖2 ℃下，中國大部分區域溫度指數較當前氣候態增加可能超過1.5 ℃（概率>50％），在中國北方和青藏高原的部分地區增溫超過1.5 ℃的可能性更大（概率>90％）;總降水，強降水和連續干日在西北和華北增加幅度有可能超過10％、25％和-5 d（概率>50％）。

關鍵詞模式性能和獨立性;全球增暖1.5／2 ℃;預估不確定性;概率預估;CMIP6

全球增暖背景下自然生態系統和人類社會將面臨更大的挑戰。2011—2020年全球地表溫度較1850—1900年升高了1.09 ℃，并且在21世紀將持續上升，在高排放共享社會經濟路徑下，預計21世紀末全球氣溫升高約4.4（3.3～5.7） ℃（IPCC，2021）。隨著全球變暖，高溫熱浪、強降水事件頻發，強度更強，更易引發嚴重的氣象災害（Aslam et al.，2017;Guirguis et al.，2018;Sun et al.，2019;江曉菲等，2020;周波濤等，2020;孫雪榕等，2021;朱連華等，2023），對人類生命財產和國民經濟建設造成嚴重損害。為應對氣候變化的威脅，《巴黎協議》提出將全球平均氣溫升幅控制在較工業革命前2 ℃之內，并力爭控制在1.5 ℃范圍內（UNFCCC，2015）。眾多研究表明中國區域的升溫幅度和速率高于全球平均（胡婷等，2017;Shi et al.，2018），更容易受到極端氣候事件的影響。因此進一步探索中國區域未來氣候變化，給出更科學的未來預估具有重要意義。

全球氣候模式（Global Climate Models，GCM）在氣候模擬和未來氣候變化預估方面發揮著重要作用。新一代氣候模式對過去和當前氣候模擬能力的提升，將增強未來預估的可靠性（Palmer et al.，2005;Semenov and Stratonovitch，2010）。世界氣候研究計劃（WCRP）已經組織了多次耦合模式比較計劃（Coupled Model Intercomparison Projects，CMIP），旨在統一的框架下開展多模式比較，如今已經進行到第六階段（CMIP6），參與第六階段的模式比前一階段模式（CMIP5）在參數化方案和模式分辨率等方面有了較大的改進和提高，已有大量研究證明CMIP6比CMIP5能夠更好地模擬極端氣候指數及其趨勢變化特征（Zamani et al.，2020;Zhu et al.，2020;Li J J et al.，2021）。

氣候系統內部的自然變率，模式本身分辨率和參數化方案的限制，以及未來情景的不確定性等方面，使得模式預估結果存在較大不確定性。多模式集合已被證明可以有效降低區域氣候預估的模式間不確定性（Abramowitz and Bishop，2015;Sanderson et al.，2015）。簡單模式集合平均已經被廣泛用于未來氣候預估并且證明可以得到比單個模式更優的模擬（Tebaldi and Knutti，2007;Knutti，2010;Knutti et al.，2010;蔣帥等，2017;Eyring et al.，2019）。但是，由于每個模式的模擬性能不同，同等對待每個模式已不再是最優方案（Baumberger，2017;Eyring et al.，2019）?；谀Ｊ叫阅艿募戏桨傅玫搅诉M一步發展，例如，秩加權方案（Chen et al.，2011，Li et al.，2016）和可靠性集合平均方法（Giorgi and Mearns，2002，2003;朱歡歡等，2022）。隨后有研究指出很多模式的設計不完全獨立，因此有必要考慮模式間的相互依賴問題。Knutti et al.（2017）提出了一種考慮了模式性能和獨立性的方案，該方案的應用區域多集中于歐洲，被證明可以提高模擬性能并有效降低未來預估的不確定性（Knutti et al.，2017;Brunner et al.，2019;Brunner et al.，2020a）。

目前使用該全面考慮模式性能和獨立性的集合方案在中國區域的研究還較少，Zhao et al.（2022）基于該方案研究了青藏高原的降水變化，發現該方案預估的降水，在季節上，春季的降水增加趨勢增強;在空間上，高原西北部是降水量增加的響應大值區。Li T et al.（2021）基于此方案進行了全球增暖1.5／2 ℃下中國區域降水與極端降水的預估，發現加權后預估的未來降水增幅總體更強，降水的局地響應更明顯。該研究僅以105°E為界，將中國進行東西分區，并選擇參數建模，考慮到中國區域氣候差異大，僅東西分區無法兼顧模式在更為局地尺度上的性能差異，因此或許并不是最優的集合方案。故本文在已有研究的基礎上，使用最新一代的CMIP6模式數據，進一步在更為細致的局地尺度進行多模式建模分析，對全球增暖1.5／2 ℃背景下中國區域的溫度和降水進行集合預估，并進一步給出預估不確定性的分析及概率預估結果。

1 資料和方法

1.1 資料

本文使用的觀測數據集為中國區域的格點日資料CN05.1，使用的變量為逐日平均、最高、最低氣溫和逐日降水量，關注的歷史時間段為1961—2014年。該數據集是由吳佳和高學杰（2013）基于中國2 416個地面氣象站的觀測資料插值得到的分辨率為0.25°×0.25°的格點數據集。本文使用的模式資料為CMIP6模式資料，與觀測資料使用了相同的變量，考慮了其歷史模擬（1850—2014年）和未來SSP5-8.5情景（2015—2100年）的逐日數據，其中SSP5-8.5情景是共享社會經濟路徑（Shared Socio-economic Pathways，SSPs）下的高耗能發展排放情景（ONeill et al.，2016;Riahi et al.，2017）。根據以上條件篩選出了25個CMIP6模式資料，各模式信息如表1所示，本文僅使用每個模式的第一個集合成員。

1.2 氣候指數

本文關注了6個氣候指數，包括3個氣溫指數：年平均氣溫、日最低溫年最小值（以下簡寫為最低溫）和日最高溫年最大值（以下簡寫為最高溫），以及3個降水指數：年總降水、強降水量和連續干日。指數的定義源于氣候變化檢測和指標專家組定義（ExpertTeam on Climate Change Detection and Indices，ETCCDI）（http：／／etccdi.pacificclimate.org／），各指數具體信息如表2所示。由于各模式數據的空間分辨率不同，我們首先在觀測和模式資料的原網格上計算各指數，后采用雙線性插值的方法，將觀測和模式資料計算得到的氣候指數結果統一插值到1°×1°的網格點上，許多關于未來氣候變化的相關研究也使用了這樣的插值方案（Zhou et al.，2014;Yang et al.，2021;Zhu et al.，2021）。

1.3 方法

1.3.1 考慮模式性能和獨立性的模式加權方案

本文使用的是由Knutti et al.（2017）提出的考慮模式性能和獨立性加權方案（Climate model Weighting by Independence and Performance，ClimWIP）。它對模式的權重賦予遵循兩個原則：1）與觀測結果不一致的模式權重較小;2）重復現有模式結果的模式均分權重。

首先我們需要計算模式i與觀測的“距離”Di，以及模式i和模式j之間的“距離”Sij。本文中“距離”主要基于各模式對溫度和降水的空間模態以及年際變率的模擬評估，通過標準化的空間均方根誤差（RMSE）和標準化的年際變率技能評分（Interannual Variability Skill，IVS）計算得到，本文利用模式的中值進行標準化。

空間均方根誤差定義為：

其中：MK和OK分別表示模式與觀測的氣候態均值;N表示區域內空間點的個數。RMSE值越小，說明模式與觀測的空間模態一致性越好。

對年際變率的模擬評估使用的是Chen et al.（2011）定義的技能評分IVS，該指標由模式與觀測的時間序列年際標準差的相似程度確定，具體如下所示：

其中：STDm和STDo分別表示模式和觀測的時間序列年際標準差。IVS值越小，說明模擬的年際變率與觀測結果越接近。

以上關于RMSE和IVS描述以得到模式i與觀測之間的“距離”Di為例，類似的，我們可以得到模式i與模式j之間的“距離”Sij。

接下來可以基于公式（3）計算得到模式i的權重wi：

其中：M是模式總數;參數σD和σS用于約束模式的性能和相似度。較大的σD使模式權重趨于相等，而較小的σD使得僅有少數模式得到較大權重;σS確定了一個模式與另一個模式相似的標準距離。確定參數σD和σS使用了交叉驗證方法（Brunner et al.，2019），具體步驟如下：針對σD和σS，首先選擇合適的范圍區間（參照前人的研究，本文選擇的范圍區間為0.2～1.4）和迭代步長（0.02）;而后將對應的每一組σD和σS帶入權重公式（3），利用交叉驗證方法，將每個模式依次視為“偽觀測”，利用其余模式進行模式集合，選擇使得“偽觀測”的預估值落在加權方案的5％～95％百分位數范圍內的比例超過90％的最小的一組σD和σS作為最優參數。該參數優選步驟，在一定程度上可以確保加權模型應用于未來時段的適用性。該參數確定步驟和思想與已有文獻類似（Lorenz et al.，2018;Brunner et al.，2019，2020b;Amos et al.，2020）。Brunner et al.（2019）的研究表明交叉驗證方法在較小區域會選擇更高的σD值，從而使權重更均勻地分布，來避免在格點尺度建模的過度擬合問題，為進一步考慮模式在更為局地尺度上的性能差異，我們選取了各格點上優選參數并確定權重的方案（以下簡稱ClimWIP_grid方案）。同時與Li T et al.（2021）采用的僅考慮中國東西部分區的建模方案（以下簡稱ClimWIP_we方案）進行對比。等權多模式集合方案（Multi-Model Ensemble，MME）也作為對比方案之一。

1.3.2 泰勒圖

本文使用泰勒圖（Taylor，2001）和泰勒技巧評分（Taylor Skill Score，TSS;Wang et al.，2018）來綜合評估各方案對氣候指數空間特征的模擬能力。泰勒圖主要包括3個指標：相關系數、均方根誤差和相對標準差。相關系數越大、均方根誤差越小、相對標準差越接近于1，表明模擬結果與觀測更為接近，模式模擬能力越強。泰勒技巧評分是泰勒圖的定量化表示：

其中：Rm是模擬結果與觀測的氣候態空間場的相關系數;R0是此處可達到的最大相關系數，設為0.999;σm和σo分別是模擬和觀測的氣候態空間場的標準差。TSS值越接近1，模擬與觀測的一致性越好。

1.3.3 未來預估的不確定性

本文利用“模式離差”來定量表示模式未來預估的不確定性（李博和周天軍，2010），其定義為：

其中：N是模式數;wi是第i個模式的權重;Δxi是第i個模式預估的未來變化。模式離差越小，說明未來預估的不確定性越小。

1.3.4 給定閾值的概率預估

加權集合方案的給定閾值下的概率預估值P可以由超過該閾值的模式權重和表征，其數學表達式為：

其中：i代表模式;wi為該模式權重;ΔTth為設定的關注閾值;ΔTi為模式i的變化值。

1.3.5 全球增暖達到1.5 ℃和2 ℃的定義

模式到達1.5／2 ℃的時間段參考了以往的研究（Shi et al.，2018;Zhu et al.，2021），首先計算全球平均地表溫度21 a滑動平均的時間序列，以此確定一個相對穩定的氣候態，而后選擇各個模式的全球增溫首次達到相對于工業化前（1861—1900年）1.5／2 ℃的時間，取達到時間的前9 a和后10 a共20 a的時間段表征未來增暖1.5／2 ℃下的氣候態。

2 結果

2.1 集合方案對氣候指數歷史氣候態模擬能力的評估

首先，在歷史階段進行集合方案對中國當前氣候指數的模擬能力的評估。圖1給出了ClimWIP_grid、ClimWIP_we和MME三種方案模擬的驗證期1995—2014年3個溫度指數與觀測場的絕對偏差空間分布及空間分布對應的箱線圖。結果表明，ClimWIP_grid方案的模擬能力最優，其模擬偏差較原始模式集合顯著更低。3種方案模擬的年平均氣溫（最低溫）在中國大部分區域表現為冷偏差，冷偏差的大值區主要集中在青藏高原和四川盆地，MME方案的冷偏差最大值超過了4.5 ℃（9 ℃），ClimWIP_we方案在青藏高原的模擬較MME方案有明顯改善，而ClimWIP_grid方案模擬效果最優，在全國范圍的偏差都較小，即使在冷偏差最大的青藏高原和四川盆地地區，其值也沒有超過2.5 ℃（5 ℃）。對于年最高溫，3種方案在華北和西北地區存在暖偏差，在青藏高原和長江以南以冷偏差為主，ClimWIP_we方案和MME方案的偏差分布整體類似，ClimWIP_we方案在華北的偏差較小，而ClimWIP_grid方案在全國大部分地區的偏差都在0.5 ℃以下。整體來看，集合方案模擬的偏差大值區集中在西北和青藏高原地區。由對應箱線圖發現，ClimWIP_grid方案對較大的冷偏差改善尤為明顯，當關注第10百分位數時，MME方案對應平均氣溫、最低溫和最高溫的值分別為-3.47、-7.75和-2.45 ℃，而ClimWIP_grid方案模擬的偏差大小僅為-1.17、-2.47和-0.96 ℃，分別降低了2.3、5.28和1.49 ℃。

圖2給出了3種集合方案模擬的1995—2014年總降水和強降水與觀測場的相對偏差以及連續干日與觀測場的絕對偏差空間分布及其對應的箱線圖。從中國區域整體來看，總降水和強降水的偏差分布特征較為類似，降水指數以濕偏差為主，在青藏高原外圍和新疆南部濕偏差最大;干偏差主要集中在準噶爾盆地和柴達木盆地，強降水在華南地區有約15％的干偏差。ClimWIP_we方案在青藏高原外圍的濕偏差大值區范圍比MME方案略有減少，而ClimWIP_grid方案顯著減少了模擬的濕偏差大值區范圍，總降水在除青藏高原外圍的中國大部分地區濕偏差降至15％以下。對于連續干日，三種方案的偏差空間分布特征類似，ClimWIP_grid方案在青藏高原外圍的濕偏差大值區范圍相對較小。整體來看，ClimWIP_grid方案的模擬最優，對濕偏差大值的改善尤為明顯。以第90百分位數為例，MME方案對應總降水、強降水和連續干日的偏差值分別為232％、314％和-78 d，而ClimWIP_grid方案僅為68％、126％和-48 d，分別降低了164％、188％和30 d。

進一步利用泰勒圖綜合評估對比三種方案對氣候指數空間特征的模擬能力。由圖3a容易看出3種方案對溫度指數的模擬都相對較好，空間相關系數均在0.95以上，能更好地再現溫度指數的空間結構;對總降水和強降水空間結構的模擬比溫度指數稍差，但相關系數也在0.85以上。其中ClimWIP_grid方案模擬最優，3個溫度指數相關系數在0.98以上;相對標準差接近1，在空間變率方面的模擬與觀測非常接近;均方根誤差在0.15左右，與觀測的偏差較小。降水指數除連續干日外的相關系數超過0.92，相對標準差在0.8～1.0之間，均方根誤差在0.55～0.6之間。TSS指標（圖3（b））也顯示ClimWIP_grid方案最優，溫度指數都在0.98以上，降水指數也比其他兩種方案提高了至少0.1，總降水和強降水提高到了0.93和0.9。

從以上分析可知ClimWIP_grid方案在歷史時期的模擬能力最優，因此接下來將ClimWIP_grid方案應用于全球增暖1.5／2 ℃下中國區域的未來預估。

2.2 未來預估

2.2.1 未來預估的不確定性

由于氣候模式的未來預估存在模式間不確定性，ClimWIP_grid方案是否可以降低未來預估不確定性是我們關注的重點。圖4和圖5給出了SSP5-8.5情景下全球增暖1.5 ℃時，ClimWIP_grid方案和MME方案模擬的溫度和降水指數離差的空間分布，以及兩者離差的差異。

對于溫度指數（圖4），總的來看，溫度指數在中國北方和青藏高原地區的離差相對較大，說明在這些地方不確定性較大;平均溫度的離差低于最低溫和最高溫，說明極端溫度的不確定性相對更大。ClimWIP_grid方案與MME方案相比，在全國大部分地區的離差都是減小的，平均溫度、最低溫和最高溫的區域平均離差分別減小了20％、20.2％和12.1％。針對3個溫度指數，離差減小較多的區域分別集中在中國長江以南地區、長江流域和青藏高原西部，降低幅度可達80％以上，總的來說溫度指數在中國南方和青藏高原不確定性減小較多。

從圖5可以看出，降水指數在華北和西北的離差較大，說明在該地區降水的預估不確定性較大。對比ClimWIP_grid方案與MME方案的預估不確定性差異，發現總降水和強降水的空間分布特征較為類似，ClimWIP_grid方案在中國大部分區域的離差都小于MME方案，總降水和強降水區域平均的離差分別減小了11.7％和12％，其中在東北和新疆西北部的離差減小更多，最多可超過80％;對于連續干日，ClimWIP_grid方案的預估不確定性相比MME方案整體改善不明顯，僅在中國的東南部和新疆西北部的離差減小較大。

全球增暖2 ℃下的結論與增暖1.5 ℃類似（圖略），但是整體離差大于增暖1.5 ℃時。全球增暖2 ℃時，與MME方案相比，ClimWIP_grid方案預估的平均氣溫、最低溫和最高溫區域平均離差分別降低了19.2％、22.1％和17.8％，總降水和強降水區域平均的離差分別降低了3.3％和4.7％。整體而言，ClimWIP_grid方案較MME方案可以降低未來預估不確定性。

2.2.2 未來預估空間分布

由上述分析可知，ClimWIP_grid方案對歷史氣候態的模擬是最優的，并且能夠有效降低未來預估的不確定性，因此我們基于該方案，探究全球增暖1.5／2 ℃下我國的未來氣候變化特征。圖6給出了SSP5-8.5情景下全球增暖1.5、2 ℃和額外0.5 ℃增暖時，ClimWIP_grid方案預估的3個溫度指數較歷史參考期（1995—2014年）變化的空間分布。3個溫度指數的增溫變化在中國幾乎所有區域都通過了置信度為95％的顯著性檢驗，這表明未來增溫較當前在統計意義上顯著?；贑limWIP_grid集合方案的預估顯示，平均溫度的未來增溫在北方更強，在東北、華北和新疆北部的增溫最明顯;最低溫的增溫大值區集中在中國北方和青藏高原外圍，全球增暖2 ℃下增幅最高超過2.5 ℃，而在四川盆地增溫幅度最低;對于最高溫，增溫大值區主要集中在西北和青藏高原。全球增暖1.5 ℃（2 ℃）時，平均氣溫，最低溫和最高溫的中國區域平均變化為1.07、1.32和1.17 ℃（1.79、2.13和1.95 ℃）。額外的0.5 ℃增暖將使得3個溫度指數的中國區域平均增溫幅度都超過0.7 ℃，其中東北和西北增溫最強，最低氣溫在東北部分地區增溫甚至超過了1.5 ℃，是全球額外增暖幅度的3倍。

圖7給出了SSP5-8.5情景下全球增暖1.5、2 ℃和額外0.5 ℃增暖時ClimWIP_grid方案預估的降水指數相較歷史時期的變化，可以看出，總降水和強降水變化的空間分布較為類似，未來以降水增多為主，其大值區位于西北和青藏高原，兩個指數的變化極大值分別超過了24％和48％;預估的總降水減少出現在東北部分地區和云南，強降水減少主要集中在東北地區。連續干日在長江以南的變化以增多為主，說明該地區未來降水將減少，其中在云南增加最多，極大值超過4 d;在長江以北區域以減少為主，在西北減少最多，最多減少超過16 d。全球增暖1.5 ℃（2 ℃）時，總降水、強降水和連續干日的全國區域平均變化為6.58％、22.04％和-2.94 d（11.75％、32.54％和-5.34 d）。全球增暖2 ℃時相較1.5 ℃，降水總體以增加為主，總降水和強降水的中國區域平均值分別增加了5.2％和10.5％，連續干日減少2.4 d，在青藏高原北部和新疆南部增加最明顯，總降水和強降水增加分別超過16％和32％，連續干日減少高于8 d。

2.2.3 概率預估

由上述分析可知，不同區域之間的不確定性有明顯差異，ClimWIP_grid方案可以減小未來預估的不確定性，為此，我們進一步給出ClimWIP_grid方案的中國區域氣候指數的概率預估，結合上文未來預估空間分布的分析，針對各指數選擇了不同的閾值。

圖8和圖9給出了在SSP5-8.5情景下全球增暖1.5／2 ℃時各指數超過對應閾值概率的空間分布。對于各溫度指數，在1.5 ℃增暖背景下，我們關注的閾值為較當前（1995—2014年）增溫1.0 ℃;在2 ℃增暖背景下，關注的閾值為較當前增溫1.5 ℃。由圖8很容易看出溫度指數在全球增暖1.5和2 ℃超過對應閾值概率的空間分布特征相似，且增暖2 ℃時超過對應閾值的概率更高，這說明在額外的0.5 ℃增暖下，中國區域的增溫更強。平均溫度和最低溫的概率分布特征相似，全球增暖1.5／2 ℃時長江以北的大部分區域的增幅都有可能超過1.0／1.5 ℃（概率>50％），其中在青藏高原東部的橫斷山脈附近以及華北部分地區增幅極有可能超過1.0／1.5 ℃（概率>90％）。最高溫在除東北和華北以外的大部分區域增幅有可能超過1.0／1.5 ℃（概率>50％），在西北和青藏高原增溫的可能性更大，其中部分區域概率大于90％。

對于降水指數，1.5／2 ℃增暖背景下，總降水關注閾值為0％、5％和10％，強降水的關注閾值為5％、15％和25％，連續干日的關注閾值為-1、-3和-5 d。由圖9可知全球增暖2 ℃時，總降水在除云南外的地區都有可能增加（概率>50％），在西北、青藏高原和華北部分區域增加的可能性更高，概率超過了90％;當關注的閾值為較當前增加5％時，概率超過90％的區域明顯減少;而閾值增加到10％時，僅西北、青藏高原和華北部分區域增加可能超過該閾值（概率>50％）。與之進行對比，強降水的增加更為顯著，在幾乎全國所有區域都可能增加超過5％（概率>50％）;當關注的閾值為15％時，除東北及秦嶺附近區域外的其他地區有可能增加超過該閾值（概率>50％）;閾值增加到25％時，僅青藏高原和西北部分區域可能增加超過該閾值（概率>50％）。連續干日在長江以北可能減少（概率<50％），說明未來降水可能增加，在華北和西北部分地區減小的可能性更高，概率可以達到90％，閾值為-3 d時，概率超過90％的區域明顯減少;而當關注閾值為-5 d時，僅西北和華北部分區域連續干日減少可能大于5 d（概率>50％）?？傮w來說，降水指數在西北和華北增加的概率更高。全球增暖1.5與2 ℃的分布特征相似，但是超過對應閾值的概率稍小，特別是在東北地區概率明顯更小。

3 結論與討論

本文基于25個CMIP6模式的模擬結果，采用考慮模式性能和獨立性（ClimWIP）結合的加權方案進行了中國區域溫度和降水指數的多模式集合預估，在歷史階段與已有的加權方案對比，并給出了中國區域氣候指數未來預估的不確定性分析及概率預估結果，主要結論如下：

1）格點建模的ClimWIP_grid方案在歷史時期的模擬較區域建模ClimWIP_we與等權重集合MME方案相比更優，其模擬的氣溫和降水指數的中國區域偏差最小，更好地模擬出了氣溫和降水指數的空間分布。

2）SSP5-8.5情景下全球增暖1.5／2 ℃時，溫度指數在中國北方和青藏高原地區的預估不確定性相對較大，降水指數在華北和西北的不確定性較大。ClimWIP_grid方案的預估不確定性較MME方案有所降低，中國南方和青藏高原溫度不確定性減小較多，降水則在東北和新疆西北部的不確定性減小明顯。

3）基于ClimWIP_grid方案的預估結果，在全球增暖1.5／2 ℃時，平均氣溫的未來增溫在東北、華北和新疆北部最明顯;最低溫的增溫大值區集中在中國北方和青藏高原邊緣地區;最高溫的增溫大值區集中在西北地區和青藏高原;極端氣溫的增溫幅度大于平均氣溫。3個降水指數的變化大值區都在中國西北地區和青藏高原。額外0.5 ℃增暖下，中國區域平均的溫度指數增溫都將達到0.7 ℃及以上，其中東北和西北增溫更強，最低溫在東北部分地區增溫甚至達到全球額外增暖的3倍以上;總降水的增加幅度為5.2％，強降水的增加幅度為10.5％。

4）全球增暖2 ℃下，中國大部分地區溫度指數增溫都可能超過1.5 ℃（概率>50％），在中國北方和青藏高原的部分地區增溫超過1.5 ℃的可能性更大（概率>90％）;總降水，強降水和連續干日在西北和華北增加幅度有可能超過10％、25％和-5 d（概率>50％）。

值得注意的是，本文在建模時僅使用了每個模式的第一個集合成員，若利用模式的多集合成員可以進一步考量內部變率的作用。本研究使用的全球氣候模式分辨率較低，對中國西部尤其是地形復雜地區的模擬較差，使用高分辨率的氣候模式或者結合動力及統計降尺度技術有望改善在地形復雜區域的模擬，從而給出更為可靠的未來預估。

參考文獻（References）

Abramowitz G，Bishop C H，2015.Climate model dependence and the ensemble dependence transformation of CMIP projections［J］.J Climate，28（6）：2332-2348.doi：10.1175／jcli-d-14-00364.1.

Amos M，Young P J，Hosking J S，et al.，2020.Projecting ozone hole recovery using an ensemble of chemistry-climate models weighted by model performance and independence［J］.Atmos Chem Phys，20（16）：9961-9977.doi：10.5194／acp-20-9961-2020.

Aslam A Q，Ahmad S R，Ahmad I，et al.，2017.Vulnerability and impact assessment of extreme climatic event：a case study of southern Punjab，Pakistan［J］.Sci Total Environ，580：468-481.doi：10.1016／j.scitotenv.2016.11.155.

Baumberger C，Knutti R，Hirsch Hadorn G，2017.Building confidence in climate model projections：an analysis of inferences from fit［J］.Wires Clim Change，8（3）：e454.doi：10.1002／wcc.454.

Brunner L，Lorenz R，Zumwald M，et al.，2019.Quantifying uncertainty in European climate projections using combined performance-independence weighting［J］.Environ Res Lett，14（12）：124010.doi：10.1088／1748-9326／ab492f.

Brunner L，McSweeney C，Ballinger A P，et al.，2020a.Comparing methods to constrain future European climate projections using a consistent framework［J］.J Climate，33（20）：8671-8692.doi：10.1175／jcli-d-19-0953.1.

Brunner L，Pendergrass A G，Lehner F，et al.，2020b.Reduced global warming from CMIP6 projections when weighting models by performance and independence［J］.Earth Syst Dynam，11（4）：995-1012.doi：10.5194／esd-11-995-2020.

Chen W L，Jiang Z H，Li L，2011.Probabilistic projections of climate change over China under the SRES A1B scenario using 28 AOGCMs［J］.J Climate，24（17）：4741-4756.doi：10.1175／2011jcli4102.1.

Eyring V，Cox P M，Flato G M，et al.，2019.Taking climate model evaluation to the next level［J］.Nat Clim Change，9：102-110.doi：10.1038／s41558-018-0355-y.

Giorgi F，Mearns L O，2002.Calculation of average，uncertainty range，and reliability of regional climate changes from AOGCM simulations via the “reliability ensemble averaging” （REA） method［J］.J Climate，15（10）：1141-1158.doi：10.1175／1520-0442（2002）015<1141：coaura>2.0.co;2.

Giorgi F，Mearns L O，2003.Probability of regional climate change based on the Reliability Ensemble Averaging （REA） method［J］.Geophys Res Lett，30（12）：1629.doi：10.1029／2003gl017130.

Guirguis K，Gershunov A，Cayan D R，et al.，2018.Heat wave probability in the changing climate of the Southwest US［J］.Climate Dyn，50（9）：3853-3864.doi：10.1007／s00382-017-3850-3.

IPCC，2021.Summary for Policymakers［M］／／Climate change 2021：the physical science basis.Cambridge：Cambridge University Press.

胡婷，孫穎，張學斌，2017.全球1.5和2 ℃溫升時的氣溫和降水變化預估［J］.科學通報，62（26）：3098-3111. Hu T，Sun Y，Zhang X B，2017.Temperature and precipitation projection at 1.5 and 2 ℃ increase in global mean temperature［J］.Chin Sci Bull，62（26）：3098-3111.doi：10.1360／N972016-01234.（in Chinese）.

蔣帥，江志紅，李偉，等，2017.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，13（1）：11-24. Jiang S，Jiang Z H，Li W，et al.，2017.Evaluation of the extreme temperature and its trend in China simulated by CMIP5 models［J］.Clim Change Res，13（1）：11-24.doi：10.12006／j.issn.1673-1719.2016.053.（in Chinese）.

江曉菲，江志紅，李偉，2020.全球增溫1.5和2 ℃下中國東部極端高溫風險預估［J］.大氣科學學報，43（6）：1056-1064. Jiang X F，Jiang Z H，Li W，2020.Risk estimation of extreme high temperature in Eastern China under 1.5 and 2 ℃ global warming［J］.Trans Atmos Sci，43（6）：1056-1064.doi：10.13878／j.cnki.dqkxxb.20201011001.（in Chinese）.

Knutti R，2010.The end of model democracy？［J］.Clim Change，102（3）：395-404.doi：10.1007／s10584-010-9800-2.

Knutti R，Furrer R，Tebaldi C，et al.，2010.Challenges in combining projections from multiple climate models［J］.J Climate，23（10）：2739-2758.doi：10.1175／2009jcli3361.1.

Knutti R，Sedlcˇek J，Sanderson B M，et al.，2017.A climate model projection weighting scheme accounting for performance and interdependence［J］.Geophys Res Lett，44（4）：1909-1918.doi：10.1002／2016GL072012.

Li J J，Huo R，Chen H，et al.，2021.Comparative assessment and future prediction using CMIP6 and CMIP5 for annual precipitation and extreme precipitation simulation［J］.Front Earth Sci，9：430.doi：10.3389／feart.2021.687976.

Li T，Jiang Z H，Zhao L L，et al.，2021.Multi-model ensemble projection of precipitation changes over China under global warming of 1.5 and 2 ℃ with consideration of model performance and independence［J］.J Meteorol Res，35（1）：184-197.doi：10.1007／s13351-021-0067-5.

Li W，Jiang Z H，Xu J J，et al.，2016.Extreme precipitation indices over China in CMIP5 models.part II：probabilistic projection［J］.J Climate，29（24）：8989-9004.doi：10.1175／jcli-d-16-0377.1.

Lorenz R，Herger N，Sedlcˇek J，et al.，2018.Prospects and caveats of weighting climate models for summer maximum temperature projections over North America［J］.J Gcophys Res：Atmos，123（9）：4509-4526.doi：10.1029／2017jd027992.

李博，周天軍，2010.基于IPCC A1B情景的中國未來氣候變化預估：多模式集合結果及其不確定性［J］.氣候變化研究進展，6（4）：270-276. Li B，Zhou T J，2010.Projected climate change over China under SRES A1B scenario：multi-model ensemble and uncertainties［J］.Adv Clim Change Res，6（4）：270-276.doi：10.3969／j.issn.1673-1719.2010.04.007.（in Chinese）.

ONeill B C，Tebaldi C，van Vuuren D P，et al.，2016.The scenario model intercomparison project （ScenarioMIP） for CMIP6［J］.Geosci Model Dev，9（9）：3461-3482.doi：10.5194／gmd-9-3461-2016.

Palmer T N，Shutts G J，Hagedorn R，et al.，2005.Representing model uncertainty in weather and climate prediction［J］.Annu Rev Earth Planet Sci，33：163-193.doi：10.1146／annurev.earth.33.092203.122552.

Riahi K，van Vuuren D P，Kriegler E，et al.，2017.The shared socioeconomic pathways and their energy，land use，and greenhouse gas emissions implications：an overview［J］.Glob Environ Change，42：153-168.doi：10.1016／j.gloenvcha.2016.05.009.

Sanderson B M，Knutti R，Caldwell P，2015.Addressing interdependency in a multimodel ensemble by interpolation of model properties［J］.J Climate，28（13）：5150-5170.doi：10.1175／JCLI-D-14-00361.1.

Semenov M A，Stratonovitch P，2010.Use of multi-model ensembles from global climate models for assessment of climate change impacts［J］.Clim Res，41：1-14.doi：10.3354／cr00836.

Shi C，Jiang Z H，Chen W L，et al.，2018.Changes in temperature extremes over China under 1.5 ℃ and 2 ℃ global warming targets［J］.Adv Clim Change Res，9（2）：120-129.doi：10.1016／j.accre.2017.11.003.

Sun C X，Jiang Z H，Li W，et al.，2019.Changes in extreme temperature over China when global warming stabilized at 1.5 ℃ and 2.0 ℃［J］.Sci Rep，9（1）：14982.doi：10.1038／s41598-019-50036-z.

孫雪榕，葛非，羅浩林，等，2021.全球增暖1.5 ℃和2.0 ℃下成渝經濟區及周邊地區極端溫度事件的變化預估［J］.大氣科學學報，44（6）：875-887. Sun X R，Ge F，Luo H L，et al.，2021.Projected changes of temperature extremes in Chengdu-Chongqing Economic Zone and its surrounding areas under 1.5 ℃ and 2.0 ℃global warming［J］.Trans Atmos Sci，44（6）：875-887.doi：10.13878／j.cnki.dqkxxb.20201221001.（in Chinese）.

Taylor K E，2001.Summarizing multiple aspects of model performance in a single diagram［J］.J Geophys Res，106（D7）：7183-7192.doi：10.1029／2000jd900719.

Tebaldi C，Knutti R，2007.The use of the multi-model ensemble in probabilistic climate projections［J］.Philos Trans A Math Phys Eng Sci，365（1857）：2053-2075.doi：10.1098／rsta.2007.2076.

The United Nations Framework Convention on Climate Change （UNFCCC），2015.Adoption of the Paris Agreement［C］／／UNFCCC Conference of the Parties.

Wang B，Zheng L H，Liu D L，et al.，2018.Using multi-model ensembles of CMIP5 global climate models to reproduce observed monthly rainfall and temperature with machine learning methods in Australia［J］.Int J Climatol，38（13）：4891-4902.doi：10.1002／joc.5705.

吳佳，高學杰，2013.一套格點化的中國區域逐日觀測資料及與其它資料的對比［J］.地球物理學報，56（4）：1102-1111. Wu J，Gao X J，2013.A gridded daily observation dataset over China region and comparison with the other datasets［J］.Chin J Geophys，56（4）：1102-1111.（in Chinese）.

Yang X L，Zhou B T，Xu Y，et al.，2021.CMIP6 evaluation and projection of temperature and precipitation over China［J］.Adv Atmos Sci，38（5）：817-830.doi：10.1007／s00376-021-0351-4.

Zamani Y，Hashemi Monfared S A，Azhdari moghaddam M，et al.，2020.A comparison of CMIP6 and CMIP5 projections for precipitation to observational data：The case of Northeastern Iran［J］.Theor Appl Climatol，142（3）：1613-1623.doi：10.1007／s00704-020-03406-x.

Zhao Y，Zhou T J，Zhang W X，et al.，2022.Change in precipitation over the Tibetan Plateau projected by weighted CMIP6 models［J］.Adv Atmos Sci，39（7）：1133-1150.doi：10.1007／s00376-022-1401-2.

Zhou B T，Wen Q H，Xu Y，et al.，2014.Projected changes in temperature and precipitation extremes in China by the CMIP5 multimodel ensembles［J］.J Clim，27（17）：6591-6611.doi：10.1175／jcli-d-13-00761.1.

周波濤，徐影，韓振宇，等，2020.“一帶一路”區域未來氣候變化預估［J］.大氣科學學報，43（1）：255-264. Zhou B T，Xu Y，Han Z Y，et al.，2020.CMIP5 projected changes in mean and extreme climate in the Belt and Road region［J］.Trans Atmos Sci，43（1）：255-264.doi：10.13878／j.cnki.dqkxxb.20191125009.（in Chinese）.

Zhu H H，Jiang Z H，Li J，et al.，2020.Does CMIP6 inspire more confidence in simulating climate extremes over China？［J］.Adv Atmos Sci，37（10）：1119-1132.doi：10.1007／s00376-020-9289-1.

Zhu H H，Jiang Z H，Li L，2021.Projection of climate extremes in China，an incremental exercise from CMIP5 to CMIP6［J］.Sci Bull，66（24）：2528-2537.doi：10.1016／j.scib.2021.07.026.

朱歡歡，姜勝，江志紅，2022.基于可靠性集合平均方法的全球1.5／2.0 ℃變暖下中國極端氣候的未來預估［J］.地球科學進展，37（6）：612-626. Zhu H H，Jiang S，Jiang Z H，2022.Projection of climate extremes over China in response to 1.5／2.0 ℃ global warming based on the reliability ensemble averaging［J］.Adv Earth Sci，37（6）：612-626.（in Chinese）.

朱連華，祝穎锜，姚壹壹，等，2023.全球增暖1.5／2 ℃下中國區域極端降水的風險變化及其影響因子［J］.大氣科學學報，46（1）：97-109. Zhu L H，Zhu Y Q，Yao Y Y，et al.，2023.Risk and impact analysis of extreme precipitation over China under 1.5 and 2℃global warming levels［J］.Trans Atmos Sci，46（1）：97-109.doi：10.13878／j.cnki.dqkxxb.20210811002.（in Chinese）.