中国近海风场未来气候变化统计降尺度预估

栗　晗，凌铁军，张蕴斐，祖子清，王　剑（国家海洋环境预报中心国家海洋局海洋灾害预报技术研究重点实验室，北京100081）

中国近海风场未来气候变化统计降尺度预估

栗晗，凌铁军，张蕴斐，祖子清，王剑
（国家海洋环境预报中心国家海洋局海洋灾害预报技术研究重点实验室，北京100081）

利用经验正交分解和多元回归相结合的方法，基于1992—2011年逐日0.25°×0.25°经纬度网格卫星反演风场和欧洲中期数值预报中心1.5°×1.5°经纬度网格的再分析海表面风场和气压场资料，建立了中国近海海表面风场的统计降尺度模型，并对模型进行了验证。将该模型应用到全球耦合模式比较计划中的8个模式输出场，对1986—2005年历史气候态模拟和2026—2045年3个不同排放情景下中国近海海表面风场的变化特征进行评估。结果表明：统计降尺度模型的交叉验证显示其较好的再现了海表面风场（SSWS）的气候态空间分布；与观测对比表明，利用模式模拟数据进行统计降尺度分析的空间分布型的模拟上要优于直接插值结果；相对于历史模拟参考时段，未来各RCP情景冬季SSWS整体变化不大，空间分布均表现为约25°N以南海域SSWS增加，夏季SSWS整体表现为略微的增加，增加主要区域为山东半岛中国黄海海域，台湾岛以东中国东海海域以及南海部分海域，不同情景之间SSWS变化的幅度和区域大小均不相同。

统计降尺度；CMIP5模式；海表面风场；气候变化预估

1　引言

海岸带地区作为我国经济力量的重要组成部分，对其未来区域气候变化影响的评估是气候变化影响的重点研究方向之一，涉及社会经济、生态系统和自然灾害等多个研究领域。伴随全球气候变化，海洋灾害频发，而其中由风暴潮、海浪等灾害带来的直接经济损失最为严重。2014年《中国海洋灾害公报》表明，2014年各类海洋灾害造成直接经济损失136.14亿元，其中造成直接经济损失最严重的是风暴潮灾害，占全部直接经济损失的99.7%。而风暴潮和灾害性海浪与剧烈的大气扰动（如登陆台风、极端低压中心等灾害性天气系统）联系紧密，因此，科学的评估未来气候情境下近海风场特征及其与海洋灾害性活动的关系，对海岸带社会经济发展具有十分重要的意义。

政府间气候变化专门委员会（IPCC）第四次评估报告关于近地面风场的研究指出，中纬度西风风速在南北半球均有增加，然而管理极端事件和灾害风险推进气候变化适应特别报告也指出，对于近地面尤其是海表面风场的观测手段仍存在缺陷，导致关于近地面风场的未来气候下变化趋势的结论可信度仍然是较低的。

基于最新的国际耦合模式比较计划第五阶段（CMIP5）试验数据，科研人员已经针对中国未来气候变化开展了许多数值模拟试验和预估工作［1-4］。姜大膀等［5］对21世纪东亚季风的变化进行了研究，指出东亚冬季风整体强度并没有趋势性变化，而夏季风环流在中国东部地区略有加强。刘芸芸等［6］也开展了针对西太平洋副热带高压的研究，并指出CMIP5模式对东亚地区高度场和高空风场的空间形态和振幅均有较强的模拟能力。

然而，受限于全球气候模式的分辨率较低，以往的研究工作多集中于对于整个东亚地区的整体气候评估，区域性气候特征再现力有待改进。同时对于气候变化的影响和应对研究通常在较高的水平分辨率上开展［7］，而以往的基于全球气候模式的多模式预估则大多对数据进行简单的插值处理，因此本文尝试利用降尺度的方法对CMIP5全球气候模式（Global Climate Models，GCMs）输出场的分辨率进行提高，从而开展更加有效的对中国近海区域海洋气候变化研究。

常用的降尺度方法包括两种：第一种方法是利用区域气候模式输入GCMs大尺度气候信息进行的动力降尺度区域气候模拟，第二种方法是统计降尺度，即基于大尺度气候状态和局地小尺度气候特征之间的统计相关关系建立统计模型并应用于GCMs输出场，从而把大尺度气候信息转化为局地小尺度的气候信息。虽然动力降尺度模拟物理意义更明确，但其计算量巨大，消耗计算机时长，并且其模拟结果受GCMs提供的边界条件影响较大，很难对气候变化进行多模式集合评估。因此，本文利用经验正交分析（EOF）和多元回归相结合的统计降尺度方法对GCMs输出场进行降尺度分析，从而对比未来气候情景下中国近海海表面风场的特征变化。虽然统计降尺度技术在气候变化的研究中已经有了一定的应用，包括对陆地气温、降水或风能等的研究［8-10］，但对于区域性的海洋气候变化的研究相对较少，截至目前为止还没有开展针对中国近海海表面风速统计降尺度研究的先例，而且对未来排放情景下基于统计降尺度模型的区域海洋气候变化的预估也多基于单一模式结果［11］。因此，本文将统计降尺度技术结合CMIP5多模式输出结果对中国近海海域海洋气候变化展开研究，首先尝试构建适用于目标海域的统计降尺度模型，同时利用该模型基于气候模式结果对未来2026—2045年不同排放情境下的目标海域气候变化特征进行降尺度预估并对比模式和情景之间的差异，以期为目标海域气候和环境未来变化的科学评估提供参考依据。

2　数据资料和方法

2.1数据选取

应用统计降尺度方法对预报量进行预测时，需要选择相应的大尺度气候预报因子，建立其与局地小尺度环流之间的统计关系。本文需要高分辨率的海表面风场数据为基础，计算局地尺度预报变量。对于海表面风场来说高分辨率的数据多来自于卫星观测，如QuickSCAT、ASCAT和CCMP（Cross-Calibrated Multi-Platform）等卫星反演风场，并且已经开展了许多基于这些卫星观测资料的研究工作［12-14］。基于资料时间长度和空间分辨率的考虑，本文选取了CCMP卫星观测海表面风场风速数据作为统计降尺度模型的预报变量，用来构建局地尺度和大尺度之间的统计关系，其空间分辨率为0.25°。大尺度的预报因子则使用欧洲中期数值预报中心（ECMWF）发布的再分析数据集（ERAInterim），其包括海表面气压（Sea Level Pressure，SLP）、海表面风速（Sea Surface Wind Speed，SSWS）等气象要素，空间分辨率为1.5°。两组数据的时间维保持一致，均为1992—2011年。

对未来气候情景的预估则选用CMIP5全球耦合模式比较计划中的8个模式的模拟输出结果。模式信息见表1。CMIP5计划中采用的新一代排放情景称为“典型浓度目标”，包含4种排放情景由高到低分别为RCP8.5、RCP6.0、RCP4.5和RCP2.6［15］。其中RCP4.5作为未来最有可能发生的排放情景，而RCP2.6和RCP8.5则分别代表了未来气候的相对极端变化，因此，本文选择这3个排放情景下的模式数据作为未来气候变化的研究对象。

表1　本文研究所用CMIP5各模式信息

首先，为方便统计模型的建立以及后续各GCMs输出场的计算，需要对原始数据进行处理。（1）统计降尺度模型的建立和应用需要各输入输出数据保持统一的时空分辨率，而各GCMs模拟的分辨率存在差异，本文为方便起见，将所有GCMs输出数据的时间轴统一调整为一年360 d，方法为去除每年最后5 d或6 d的数据。同时将各GCMs模拟结果双线性插值到1.5°分辨率。（2）除CCMP卫星风场以外，ECMWF再分析数据和GCMs模拟输出数据均包含了陆地格点，因此，本文利用1.5°对应分辨率的海陆分布数据对其进行处理，只保留海表面数据格点。

2.2统计模型建立

本文采用主分量分析EOF和多元回归MLR相结合的方法构建统计降尺度模型。即采用EOF分解的降维优点，从分解得到的序列中选取显著模态，再通过多元回归的方法，建立局地尺度预报量（Predictand）和大尺度预报因子（Predictor）间的统计关系。首先，对预报量进行选取，由于目标区域（中国近海海域）位于东亚季风区，冬夏季季风特征明显，均有盛行风向主导，而统计降尺度方法主要针对气候因子的异常信息，考虑到风向在短期气候尺度上的异常特征较不明显，本文考虑将风向信息从经纬向风中去除，而只保留海表面风速大小信息。其次，对大尺度预报因子的选取则考虑两个方面，（1）与预报变量之间存在较强的物理联系，（2）GCMs能够输出较可靠的变量数据。同时，Zorita等［16］也指出海表面气压（SLP）与地表面气候变量的关系是较稳定的。本文选择SLP作为除SSWS以外的第二个预报因子。范丽军［17］指出多变量联合场EOF分解的统计降尺度方法能够更好的揭示多变量场之间的物理联系，使统计模型的物理意义更明确。因此，本文的统计模型建立采用SLP和SSWS作为联合场预报因子。

本文建立的统计降尺度模型基于1992—2011年的CCMP卫星风场数据以及ECMWF的再分析风场资料，模型的预报变量矩阵为1992—2011年间的CCMP观测SSWS，预报因子矩阵为1992—2011年ECMWF再分析SSWS和SLP的联合场。其中需要说明的是，为了消除GCMs和再分析数据以及卫星观测风场之间的平均值和标准差上的系统误差，预报变量和预报因子均进行了标准化处理。

对于预报变量矩阵和预报因子联合矩阵分别进行EOF分解，并提取对应的EOF空间模态和主成分时间序列PC，然后基于多元回归的方法，对于每一个预报变量矩阵的主成分，分别建立其与预报因子矩阵各主成分间的多元线性回归模型，其过程见图1。

2.3 GCMs输出场降尺度投影

图1　联合EOF分解与多元回归结合的统计降尺度流程图

基于上述高分辨率卫星观测风场和低分辨率再分析场（风场、气压场等）建立的中国近海区域统计降尺度模型，将全球气候模式输出海表面风场投影到高分辨率网格，从而得到一套高分辨率的中国近海风场数据资料。

具体过程如图1第2）步所示，X为输入的大尺度GCMs预报因子矩阵（SSWS、SLP联合场），为ECMWF联合预报因子的第j个空间模态，两者的空间格点数保持一致，则可以得到一个新的主成分序列，其包含了大尺度输入场GCMs模拟结果的气候信息。第3）步，将新的主成分P与小尺度SSWS的空间模态EO相乘，对预测目标量（GCMs输出场投影）完成重构。

需要注意的是，在统计降尺度方法的应用研究中，常会出现降尺度后的变量结果方差比实际值的方差偏低，气候研究中常常需要估计值的方差与长期气候态保持一致，因此需要对预测结果的方差进行放大处理。本文采用人为修正的方法［17-19］，即在预测结果的基础上进行修正，具体方法为将统计模型的输出的预测结果除以自身的标准差，然后将预测结果乘以1992—2011年的CCMP卫星观测风场的标准差，从而对预测结果的方差进行放大。

3　统计降尺度模型验证

本文建立统计降尺度模型的目的是为了能够对未来气候变化作出预估，因此需要利用交叉验证的方法来检验该模型对于基础数据（时间）选择的敏感性。本文的具体做法是：采用10组交叉验证的方法，即将1992—2011年的ERA和CCMP数据每两年一组分为10组，随后首先选择1992—1993年的数据作为一个样本数据，用其余9组样本建立统计降尺度模型，对选择的样本进行估计，这个过程重复10次即可得到10组通过不同的统计降尺度模型得到的估计值，最后用这10组模式估计值与原CCMP观测风场进行对比，其相关系数、解释方差、均方根误差等结果见图2。

从图2a相关系数来看，SSWS的全场平均相关系数约为0.87，其中中国大陆的沿海地区，包括渤海沿海、海南岛以西北部湾沿海区域相关系数偏低，约为0.7—0.75，这是由于沿岸附近的海域，存在包括地形等的影响风场的因子较多，同时中小尺度过程在此区域内也相对频繁，因此模型的误差可能较大。其他海域沿海地区风场的相关系数均可达0.8以上，相关系数超过0.9的区域则位于大洋内区，并且存在的两个高值区分别位于中国南海和西太平洋菲律宾东部海域，其相关性均可达0.95。

图2a中等值线给出了方差贡献（解释方差）的空间分布，其代表了模型结果对原观测风场的解释程度，从图中可以看出其与相关系数分布相似，全场平均的解释方差约为73.5%，在中国大陆沿海区域则较低，模型结果的解释方差在65%—70%左右。高值区同样出现在中国南海和西太平洋菲律宾东部大洋内区海域，最高值可达90%左右。

图2模式估计值与原CCMP观测风场对比

图2b给出了模型结果与观测风场的绝对误差（RMSE）以及观测风场的标准差（RMS），两者也有较一致的空间分布形态。其中，模型结果与观测绝对误差RMSE在台湾海峡存在一个高值区约为2.5 m/s，而台湾海峡海域常年风速较大，与其相对应观测风场的标准差也在此区域存在高值达4.5 m/s，同时，该区域的相关系数可达0.8，解释方差约为70%左右，因此其相对误差依然较小。而对于其他沿海区域，绝对误差RMSE均小于2 m/s，特别对于海南岛以东广东沿海、浙江、江苏沿海沿岸RMSE则均小于1.5 m/s。以上结果说明本文中所构建的统计降尺度模能够很好的再现中国南海以及东部太平洋海域的风场时空特征，而对于中国大陆沿岸区域，模型也能够有较好的表现。

4　气候模式与统计降尺度模型模拟能力评估

基于上文已经构建并检验的统计模型，将CMIP5各全球气候模式各情景的模拟SSWS和SLP联合场进行统计降尺度处理，得到中国近海区域各个气候模式的SSWS降尺度结果。由于本文的关注区域集中在中国大陆沿岸附近，本节选择（105°—130°E，10°—40°N）作为研究区域。为了评估统计降尺度后的各个模式结果对中国近海区域SSWS大小的模拟能力，本文分别计算各模式结果相对于ERA再分析SSWS的气候态（1986—2005年平均）的空间分布相关系数和标准差之比以及中心化均方根误差，并将所有信息绘制在Taylor图中（见图3）。同时，为了对比统计降尺度（Statistical Downscaling，SD）结果与直接插值（Bilinear Interpolation，BI）结果之间的差异性，图3中也给出了各个模式SSWS场经过直接双线性插值得到的相同区域的结果，由蓝色数字表示。与图3相对应，表2列出了各个模式统计降尺度结果与ERA气候态空间分布的空间相关系数和标准差之比，受篇幅所限，插值结果的空间系数和相对标准差并未列出。

比较两种方案的计算结果，如图3所示，相对于BI结果而言SD结果更好的再现了SSWS气候态的空间分布特征。就空间相关系数而言，BI结果在冬季与ERA再分析场的空间相关系数为-0.2—0.73，SD结果则提高为0.55—0.79，平均为0.73左右；BI结果在夏季的空间相关系数为-0.06—0.61，SD结果则升至为0.58—0.76，平均为0.66左右。而对于目标区域观测空间变率（即相对标准差）的模拟能力在有些模式中变的更加合理，而另一些则变差，除BCC-CSM1.1-M的BI结果的标准差约为1以外，其他的无论BI还是SD的计算结果所有模式的标准差均大于1，这说明CMIP5模式的两种结果普遍高估了中国大陆近海SSWS的空间变率，但相对而言，SD的结果其各模式平均相对标准差为冬季1.41、夏季1.68，相对于BI结果冬季1.69、夏季1.77更接近于1。

图3　1986—2005年CMIP5模式历史模拟统计降尺度/双线性插值相对于ERA再分析场的区域近地面10 m风场气候态分布的Taylor图

表2　模式与ERA的空间相关系数和标准差之比

对比模式模拟性能最直观的指标中心化均方根误差，冬季BI结果的模式集合平均的均方根误差为1.38，SD结果则减小为0.95；夏季BI结果为1.61，SD结果则减小为1.27。此外，BI结果中均方根误差较小的模式，其对应的SD的结果并没有明显的变化，如BCC-CSM1.1、BCC-CSM1.1-M、CNRM-CM5模式；其他BI结果中均方根误差较大的模式，其统计降尺度的结果均方根误差均有不同程度的减小，如GFDL和MRI-CGCM3模式。综合以上各项结果来看，对于中国大陆近海海表面风场，通过统计降尺度方法得到的高分辨率区域风场数据对于观测场的空间分布型模拟的已较好，并且其相对于直接插值得到的结果有着较明显的优势。

5　未来情景预估

东亚区域气候季风特征明显，本节分别对冬夏两季中国大陆近海SSWS在不同排放情景下年际变化和空间分布特征进行讨论，并结合模式模拟的大尺度环境场气候变化来分析其原因。同时，为了更好的研究未来情景下的气候变化，各模式结果分别从未来排放情景中除去1986—2005年的历史气候态，以便尽可能的消除模式之间由于参照时段气候不同所产生的影响。

5.1冬季

首先将西北太平洋中国大陆近海（105°—130°E，10°—40°N）海域所有格点的年均SSWS进行面积加权平均，得到各模式未来不同排放情景（RCP）下的预估结果的年际变化（图4b—d）。从年际变化趋势来看，2026—2045年冬季SSWS在RCP2.6、RCP4.5、RCP8.5情景下模式集合平均均表现为增强。但是上述变化大多都很小，其中仅有HADGEM2在RCP2.6排放情景下和CCSM4在RCP8.5情景下的增强趋势通过了90%信度水平的t检验；考虑相对于参考时段的RCP情景下平均SSWS的变化，无论是单个模式还是他们的集合平均，冬季各情景下SSWS总体上是围绕0值的小幅上下波动，并没有明显整体的增加或减少；根据冬季区域平均SSWS年际变化的标准差相对于参考时段的变化来看，其有较明显的增加，并且随情景排放量的增加表现出一致的变化，这意味着冬季SSWS的年际变率在未来排放情境下有所增加。

图4　相对于1986—2005年历史模拟参考时段各模式各情景区域海表面风速大小变化

就平均SSWS变化的空间分布而言，未来3个排放情景出现了较一致的区域分布（图5i），均表现为冬季25°N以南海域风速增大，以北除渤海湾一带风速有所增大以外，其余海域风速减小；根据90%信度水平的t检验结果显示，各情景下冬季年均SSWS变大的海域其显著性也均较高，主要为25°N以南海域（也包括渤海湾海域），而其他海域则显著性较弱。就图5a—h中各模式结果的一致性来看，RCP2.6、RCP4.5和RCP8.5情景下均有超过半数（5个、6个、7个）的模式表现出25°N以南海域的SSWS增大现象且多数模式较为显著，而对于25°N以北风速的略微减弱各模式间差异性较大，且多数模式表现出的减弱没有通过90%信度水平的t检验。以上结果可以看出多模式的平均预估未来情境下的冬季SSWS变化，在25°N以南增加较为明显，在25°N以北海域有所减弱但其幅度较小且显著性较弱，这与之前基于CMIP3和CMIP5的多模式对东亚冬季风（冬季近地面10 m风速）的预估结果是较一致的［5］。

图5　相对于1986—2005年historical模拟参考时段，2026—2045年时段各模式各情境冬季平均海表面10 m风速的变化

未来排放情景下所造成的全球变暖导致冬季海陆热力差异减小（陆地升温较快，图6a—c）理论上应该导致冬季季风的减弱，中国近海SSWS也相应减小，而根据图5i结果来看，中国近海南部海域SSWS反而增加。结合图6a—c中给出的近地面气温和海平面气压的异常气候变化来看，随排放情景排放量的增加，西北太平洋中纬度地区逐渐形成一个西南-东北向的异常高压反气旋环流并逐渐范围增大，其西侧偏南气流带西伸至中国大陆沿海海域，造成原有的冬季偏北风减弱。而25°N以南南海海域SSWS的增强可能来自于该异常高压环流南侧的东风异常向西与东亚盛行的西北风交汇产生的南下气流。对于单个模式模拟的气候变化结果来看，HADGEM2的冬季平均SSWS变化在中国近海南部海域的增大幅度大于模式集合平均，其对应的西北太平洋海平面气压的高压异常也高达0.8 hPa大于模式平均的0.2 hPa，而图5b和图5g中所示RCP4.5情景下MRI-CGCM3和BCC-CSM1.1-M出现的大面积风速减弱，其对应模式和情景下所模拟的该异常高压环流也相应较弱，这也进一步说明了该异常高压环流对中国近海SSWS的影响。

图6　相对于1986—2005年历史模拟参考时段，2026—2045年RCP情景模拟时段各模式集合平均近地面

5.2夏季

夏季各模式未来不同排放情景（RCP）下的预估结果的年际变化如图4f—h所示。从各个模式的年际变化趋势来看，夏季风与冬季风结果相类似并没有出现明显的风速量值随时间的增加或减小的趋势。而从图4中阴影区的范围来看，SSWS在夏季的不确定性要小于冬季，降尺度结果的模式间一致性也相对较高；考虑相对于参考时段RCP情景下平均SSWS的变化，其中RCP2.6、RCP4.5和RCP8.5情景分别有6个、5个和6个模式的平均风速变化为正，而各情景下各模式平均SSWS的变化范围分别为-1.6%—2.7%、-1%—2.7%和-1%—1.8%，相对应的模式集合平均变化分别为0.96%、0.97%和0.7%；另外，相对于参考时间段，夏季SSWS年际变化标准差在RCP2.6情景下减小，RCP4.5和RCP8.5情景均增大。综上来看，相对于参考时段，未来排放背景下2026—2045年中国大陆近海区域平均SSWS在夏季表现为略微增加，并且其年际变率在RCP4.5和RCP8.5情景下均增大。

图7　相对于1986—2005年历史模拟参考时段，2026—2045年时段各模式各情境夏季平均海表面10 m风速的变化

就图7i中给出的模式平均夏季SSWS空间分布来看，中国近海主要表现为增大，增加较显著的区域则分布在山东半岛中国黄海海域，台湾岛以东中国东海海域以及南海部分海域，且均通过了90%信度水平的t检验，在其余海域则仅出现较小幅度的变化且不显著。同冬季类似，3个不同情景之间风速变化的空间分布类似，但其变幅和区域大小有差异。而根据夏季平均SSWS变化空间分布各模式结果一致性来看（图7a—h），HADGEM2模式在3个排放情景下表现出了东亚22°N以南较大区域的SSWS减小；BCC-CM1.1-M的RCP8.5结果在台湾岛附近中国大陆沿海区域及其东南区域出现较明显的减小；其他模式在排放情景下均在中国大陆近海海域出现不同程度的增大的SSWS变化。对于集合平均结果中出现的SSWS显著性增大的3个区域山东半岛附近海域、台湾岛以东中国东海和海南岛附近及其以南南海海域，RCP2.6情景下分别有6个、4个和6个模式与集合平均结果一致，RCP4.5（8.5）情景下则分别有6（4）个、4（4）个和5（4）个模式一致。综上所述，夏季大多数模式在未来排放情景下均表现出了SSWS增大的现象。

结合图6d—e中夏季的近地面气温和海平面气压排放情景下的气候变化情况分析夏季SSWS增大的原因，一方面，增暖情境下东亚地区大陆升温要高于西太平洋海洋区域，因此东西向海陆热力差异加大，导致夏季东亚大陆热低压加强幅度超过西太平洋副热带高压的减弱幅度，另一方面中国大陆与南海相比，其增暖幅度也更大，因此南北向的海陆热力差异也加大，同样导致南北气压差相应增大，引起偏南气流异常。两者共同作用，均会加大东亚夏季偏南季风的强度，从而增加中国大陆近海海域夏季SSWS量值。但针对单个模式结果来看，HADGEM2模拟的各情景结果以及BCC-CSM1.1-M的RCP8.5情景和CNRM-CM5的RCP4.5情景结果均出现了大面积的风速减小现象，但其对应的未来情景下近地面气温和海平面气压异常与集合平均相比并没有明显差异，因此在对未来情境下气候进行预估还要考虑模式本身对于情景差异（增暖）的响应的不同。

6　结论和讨论

本文基于CCMP的高分辨率卫星观测风场和ECMWF的再分析海表面风场和气压场，对中国大陆近海海表面风速（SSWS）建立了统计降尺度模型，并对模型进行了验证。利用CMIP5耦合模式比较计划的8个全球气候模式在不同排放情景下的模拟结果作为统计模型输入场对中国近海气候变化进行了预估研究。主要结论有：

（1）统计降尺度后的全球气候模式结果与直接插值结果相比在气候态的空间分布型模拟上有所改进；

（2）根据各情景下区域平均的风速年际变化来看，尽管冬夏季未来3个RCP情景下均有超过半数的模式出现和集合平均一致的线性增加趋势，但大多数结果均较弱且不显著。相比于1986—2005年参考时段，夏季区域平均风速略有增加，主要原因可能来自于增暖情境下东亚地区径向和纬向的海陆热力差异增大所致；

（3）从空间分布来看，相对于参考时段，未来3个RCP排放情景下出现了较一致的风速显著增大区域的分布，冬季主要在25°N以南海域，其中RCP4.5情景增暖区域和幅度较小，这是因为排放情景下东亚地区出现了一个异常高压环流，结合冬季海陆温差的减小所造成。夏季则为山东半岛中国黄海海域，台湾岛以东中国东海海域以及南海部分海域，而减弱区域的风速变化并不显著。

作为EOF与MLR相结合的统计降尺度方法在中国大陆附近目标区域的首次尝试，本文中统计降尺度模型的大尺度因子只选取了海表面风速本身和海平面气压，而选择不同的预报因子（例如加入海表面温度）对预报结果也会产生影响［17］。同时，本文对未来气候情景的预估基于对CMIP5全球气候模式的选取，受限于模式数据资料的获取途径限制和各情景数据的完整性，未能收集全部模式模拟结果并择优选取，因此，在解释未来排放情景下中国近海SSWS的长期变化趋势过程中，样本代表性尚待进一步研究。另外需要注意的是，RCP各排放情景在2026—2045年之间的差别并不是非常显著，同时对于1986—2005年以及2026—2045年之间，由于时间段较为接近，RCP各情景之间的差异对气候变化的影响可能尚不显著，因此在本文的评估结果中中国大陆近海SSWS的各模式各情景结果之间虽然有所差异，但并不明显。综上所述，对统计降尺度模式进行改进、进一步挑选更多的模式数据进行集合预估以及对比更长期的时间尺度上不同RCP情景下的气候变化差异都值得进一步的研究。

［1］Chen H P，Sun J Q.Projected change in East Asian summer monsoon precipitation under RCP scenario［J］.Meteorology and Atmospheric Physics，2013，121（1-2）:55-77.

［2］金晨曦，周天军.参加CMIP5的四个中国气候模式模拟的东亚冬季风年际变率［J］.大气科学，2014，38（3）:453-468.

［3］Zhang L，Wu T W，Xin X G，et al.Projections of annual mean air temperature and precipitation over the globe and in China during the 21st Century by the BCC climate system model BCC_CSM1.0［J］.Acta Meteorologica Sinica，2012，26（3）:362-375.

［4］董敏，吴统文，王在志，等.BCC_CSM1.0模式对20世纪降水及其变率的模拟［J］.应用气象学报，2013，24（1）:1-11.

［5］Jiang D B，Tian Z P.East Asian monsoon change for the 21st century:results of CMIP3 and CMIP5 models［J］.Chinese Science Bulletin，2013，58（12）:1427-1435.

［6］刘芸芸，李维京，左金清，等.CMIP5模式对西太平洋副热带高压的模拟和预估［J］.气象学报，2014，72（2）:277-290.

［7］胡芩，姜大膀，范广洲.青藏高原未来气候变化预估:CMIP5模式结果［J］.大气科学，2015，39（2）:260-270.

［8］范丽军，符淙斌，陈德亮.统计降尺度法对华北地区未来区域气温变化情景的预估［J］.大气科学，2007，31（5）:887-897.

［9］汤剑平，高红霞，李艳，等.IPCC-A2情景下我国21世纪风能变化的统计降尺度方法研究［J］.太阳能学报，2009，30（5）:655-666.

［10］王亚男，智协飞.多模式降水集合预报的统计降尺度研究［J］.暴雨灾害，2012，31（1）:1-7.

［11］Goubanova K，Echevin V，Dewitte B，et al.Statistical downscaling of sea-surface wind over the Peru-Chile upwelling region: diagnosing the impact of climate change from the IPSL-CM4 model［J］.Climate Dynamics，2010，36（7-8）:1365-1378.

［12］高留喜，朱蓉，常蕊.QuikSCAT和ASCAT卫星反演风场在中国南海北部的适用性研究［J］.气象，2014，40（10）:1240-1247.

［13］郑崇伟.基于CCMP风场的近22年中国海海表风场特征分析［J］.气象与减灾研究，2011，34（3）:41-46.

［14］王慧，隋伟辉.基于CCMP风场的中国近海18个海区海面大风季节变化特征分析［J］.气象科技，2013，41（4）:720-725.

［15］王绍武，罗勇，赵宗慈，等.新一代温室气体排放情景［J］.气候变化研究进展，2012，8（4）:305-307.

［16］Zorita E，Von Storch H.The analog method as a simple statistical downscalingtechnique:comparisonwithmorecomplicated methods［J］.Journal of Climate，1999，12（8）:2474-2489.

［17］范丽军.统计降尺度方法集合预估华东气温的初步研究［J］.高原气象，2010，29（2）:392-402.

［18］Von Storch H.On the use of“inflation”in statistical downscaling［J］.Journal of Climate，1999，12（12）:3505-3506.

［19］Huth R.Sensitivity of local daily temperature change estimates to the selection of downscaling models and predictors［J］.Journal of Climate，2004，17（3）:640-652.

Statistical downscaling projection of sea-surface wind near China under RCPs scenarios

LI Han，LING Tie-jun，ZHANG Yun-fei，ZU Zi-qing，WANG Jian
（National Marine Environmental Forecasting Center，Key Laboratory of Research on Marine Hazards forecasting of SOA，Beijing 100081 China）

The statistical downscaling method based on Empirical Orthogonal Function（EOF）and Multiple Linear Regression（MLR）is applied to downscale sea surface wind speed（SSWS）in the target region（TR）of North West Pacific near China in this paper.The statistical downscaling model（SDM）is derived from the low resolution ECMWF reanalyzes SSWS and sea level pressure（SLP）data and the high resolution Cross-Calibrated Multi-Platform（CCMP）SSWS data over an independent period 1992—2011，then tested by using cross-validation method.Finally，the multiple climate models within the phase five of the Coupled Model Intercomparison Project（CMIP5）under the Representative Concentration Pathway（RCP2.6，RCP4.5，RCP8.5）scenarios over 2026—2045 are downscaled to project the climate change for the 21st century.The results show that the SDM exhibits significant skill in reproducing the SSWS climatology with a high average spatial correlation coefficient of 0.87.Compared with observed data，the downscaling result of CMIP5 models output under historical scenario（1986—2005）show better performance than directly Bilinear Interpolation result.With respect to the reference period 1986—2005，the TR winter SSWS strengthens（weakens）in the north（south）of about 25°N，while change little as a whole.The TR summer SSWS slightly increase over the Yellow Sea near Shandong Peninsula，the East Sea near the east of Taiwan and certain regions of the South China Sea.These changes might result from decreased（increased）winter（summer）land-sea thermal contrast between the East Asia Continent and the western North Pacific.

statistical downscaling；CMIP5 models；sea surface wind speed；climate change projection

P732

A

1003-0239（2016）03-0034-12

10.11737/j.issn.1003-0239.2016.04.005

2015-10-19

国家科技支撑计划（2012BAC19B08）；国家自然科学基金（41376016）；国家海洋局海洋公益性行业科研专项（201205182）。

栗晗（1992-），男，硕士在读，主要从事气候变化研究。E-mail∶hanli_1005@163.com