基于统计降尺度的长江上游流域降水和气温的时空变化趋势研究

郑巍斐，程雪蓉，杨肖丽，王雨茜，张梦如

(1. 河海大学水文水资源学院，南京 210098；2. 河海大学水文水资源与水利工程科学国家重点实验室，南京 210098；3. 江西省上饶市水文局，江西 上饶 334000)

气候变化是世界共同关注的问题，气候变化导致的洪涝、干旱等问题不仅影响人类生存环境，而且制约世界经济发展和社会进步[1]。气候变化导致的水资源时空特征的变化直接影响着处于中国经济持续发展重要战略地位的长江经济带。因此，分析和预估长江上游流域气候变化趋势对于合理规划配置长江流域水资源、制定预防灾害措施以及研究气候影响评价和决策系统具有重要意义。

全球气候模式(Global Climate Models,GCMs)是进行区域未来气候特征研究的常用手段，通过降尺度方法可有效提高时空分辨率，从而减少GCMs对研究区域气候变化预估的不确定性[2]。统计降尺度方法由于计算量相对较小、方法多、应用灵活，在国内外得到了广泛的应用[3-5]。Li等[6]提出一种基于分位数函数法的等距离累积分布函数法(Equidistant cumulative distribution function matching method, EDCDFm)，利用GCMs模拟的气候要素与区域观测的气候要素的累积分布特征之间的差异，对气候模式模拟的气候要素进行偏差校正，能有效捕捉气候要素的极值，进而提高气候要素的模拟精度，近年来受到越来越多的关注。本研究基于长江上游流域CMIP5发布的2种排放情景下 (RCP4.5、RCP8.5) 8个气候模式的月降水和气温，采用EDCDFm进行统计降尺度，并结合实测站点数据评价降尺度历史时期(1961-2005年)的模拟精度，分析和预估未来时期(2010-2099年)该流域降水和气温的变化趋势，以期为长江流域气候变化对水资源的影响研究及其水资源规划配置提供科学依据。

1 数据及方法

本研究收集了长江上游流域82个气象站的1961-2005年逐日降水和平均气温实测资料(http:∥data.cma.cn/)(见图1), 8个CMIP5气候模式历史时期(1961-2005年)和未来时期(2006-2099年)2种气候情景(RCP4.5、RCP8.5)的逐月降水和气温数据(http:∥pcmdi-cmip.llnl.gov/cmip5/availability.htm)(见表1)。由于实测资料和各模式分辨率不同，故使用双线性插值法，将研究区气温、降水观测数据和气候模式模拟的气候要素插值到长江流域0.5°×0.5° 网格上。

图1 长江上游流域及其气象站、水文站空间分布Fig.1 Distribution of meteorological station and hydrological station in the upper reaches of Changjiang River

序号模式名称模式所在国家空间分辨率1bcc-csm1-1中国2.8°×2.8°2CanESM2加拿大2.8°×2.8°3CCSM4美国1.25°×0.9°4CSIRO-Mk-3-6-0澳大利亚1.875°×1.875°56GISS-E2-RMPI-ESM-LR美国德国2.5°×2°1.875°×1.875°7MRI-CGCM3日本1.125°×1.125°8NorESM1-M挪威2.5°×1.875°

2 研究方法

2.1 统计降尺度方法

等距离分位数法(EDCDFm)考虑气温、降水在历史时期和未来时期不同的累积分布特征，分别构建气候要素观测值、GCMs 历史时期模拟值和未来时期模拟值的累积分布函数(Fo-c、Fm-c和Fm-p)。利用Fo-c、Fm-c和Fm-p的分位数图，来协调Fo-c、Fm-c和Fm-p各阶矩(均值和高阶矩)的变化得到偏差校正后的模式模拟的历史时期气候要素值和未来时期气候要素值,其公式为：

xm-c,adjust=F-1o-c[Fm-c(xm-c)]

(1)

式中：Fo-c为观测气候要素的累积分布函数；Fm-c为模式模拟气候要素历史时期的累积分布函数；xm-c为模式模拟历史时期的气候要素值；xm-c,adjust为经过偏差校正后的模式模拟的历史时期气候要素值。

xm-p,adjust=xm-p+F-1o-c[Fm-p(xm-p)]-F-1m-c[Fm-p(xm-p)]

(2)

式中：Fm-p为模式模拟气候要素未来时期的累积分布函数；xm-p为模式模拟未来时期的气候要素值；xm-p,adjust为经过偏差校正后的模式模拟的未来时期气候要素值。

2.2 降尺度精度分析

本研究分析降尺度模型的模拟结果采用平均绝对误差(Mean Absolute Error，MAE)相对偏差(Relative Deviation,RD)相关系数(Correlation Coefficient,CC)作为评价指标。

(1)平均绝对误差MAE：

(3)

(2)相对偏差RD：

(4)

(3)相关系数CC：

(5)

式中：Mi和Oi分别是模式模拟值和实测值；n是网格序列。

3 统计降尺度精度评价

利用长江上游的实测数据和8个气候模式数据，采用EDCDFm统计降尺度方法，获得长江上游流域月平均降水和气温的数据集；通过对比分析8个降尺度模式及其多模式集合(Ensemble)模拟结果与该流域实测站点数据(observation)的平均绝对误差MAE、相对偏差RD、相关系数CC来分析评估EDCDFm统计降尺度方法的模拟精度。从长江上游流域8个模式及其集合统计降尺度降水和实测降水散点图(见图2)可以看出，8个模式及其模式集合与实测降水拟合度较高，相关系数均为0.898～0.957，模式模拟的降水与实测数据的MAE值为 15.644～17.953 mm，RD值为-0.06%左右。其中，模式bcc-csm1-1[图2(a)]与实测数据的MAE为17.953，模拟降水量较其他模式偏高；模式MRI-CGCM3[图2(g)]的MAE最小，模拟的降水量最接近实测值；模式CSIRO-Mk3-6-0[图2(d)]的RD值为-0.013%，远低于其他模式。8个模式的CC值都在0.89以上，除了模式bcc-csm1-1和GISS-E2-R与实测数据相关系数略低外(0.898)，其余的模式都和实测数据拟合较好(0.903以上)。多模式集合Ensemble[图2(i)]模拟的降水精度明显高于单个模式，Ensemble的MAE和CC值为11.345和0.957，拟合效果要优于单个模式。

图2 1961-2005年降水实测月值与降尺度模式月值散点图Fig.2 The scatter plot of observed and downscaling model monthly precipitation from 1961 to 2005注：实线表示降尺度模式的趋势线，黑色虚线的斜率为1。

对比8个降尺度模式以及其多模式集合(Ensemble)模拟的平均绝对误差MAE、相对偏差RD、相关系数CC(见表2)可知：8个模式模拟的气温与实测数据的MAE值为0.907～0.997 ℃，RD值为-0.08%左右，CC值在0.98左右，表明各个模式对气温的模拟都比较吻合。其中模式bcc-csm1-1与实测数据的MAE值为0.997，模拟气温较其他模式偏高；模式CSIRO-Mk3-6-0和NorESM1-M的相对偏差要远低于其他模式。多模式集合(Ensemble)模拟气温的MAE为0.692，比8个模式的MAE都要小，CC高达0.991，与实测气温的拟合优于8个模式。表明EDCDFm统计降尺度方法获得的月尺度多模式集合的降水和气温与实测数据吻合较好，该方法可以用于未来时期长江上游降水和气温的降尺度，预估该区域降水和气温的变化趋势。

表2 1961-2005年月平均气温实测值与降尺度模式月值统计Tab.2 Statistics of observed and downscaling model monthlymean temperature from 1961 to 2005

4 长江上游区域降水和气温的变化趋势分析

4.1 降水的时空变化趋势

本研究将长江上游区域未来时期(2010-2099年)划分为3个时间段[2010-2039年(Ⅰ)、2040-2069年(Ⅱ)、2070-2099年(Ⅲ)]来分析降水的气温时空变化特征。2种排放情景下，各个模式模拟降水在未来不同时间段的变化趋势略有不同(见表3)。在第Ⅰ阶段，RCP4.5情景下，除了bcc-csm1-1、CanESM2这2个模式表现为降水减少趋势外，其余模式都呈现出增加趋势，多模式集合表现为降水增加趋势。RCP8.5情景下，CCSM4、MPI-ESM-LR、NorESM1-M1模式表现为降水增加趋势，其余模式和多模式集合均呈现降水减少的趋势；在第Ⅱ、Ⅲ阶段，RCP4.5情景下，除了bcc-csm1-1、CSIRO-Mk3-6-0这2个模式模拟的降水变化趋势不一致外，其余模式及多模式集合平均都呈现出相同的变化趋势，多模式集合平均表现为降水增加趋势。但第Ⅲ阶段降水增加的幅度低于第Ⅱ阶段，RCP8.5情景下，除了bcc-csm1-1、GISS-E2-R这2个模式模拟的降水变化趋势不一致外，其余模式及多模式集合都呈现出相同的变化趋势，多模式集合平均表现为降水增加趋势。但第Ⅲ阶段降水增加的幅度要高于第Ⅱ阶段，第Ⅱ、Ⅲ 2阶段的2个情景相比较，RCP8.5情景下线性趋势率增幅较为明显，尤其是在第Ⅲ阶段，为10.16 mm/(10 a)，远高于RCP4.5的1.66 mm/(10 a)。

表3 RCP4.5和RCP8.5情景下年平均降水变化趋势 mm/(10 a)

长江上游流域在Ⅰ、Ⅱ、Ⅲ 3个时间段的多模式集合平均年平均降水有着明显的空间变化特征(见图3)。在2种情景下，长江源头的降水在3个时间段的变化不大。第I阶段， RCP4.5情景下[图3(a)]，整个流域大部分地区降水增加，东部地区降水大约以20 mm/(10 a)的增长率增加，而RCP8.5情景下[图3(b)]整个流域大部分地区降水减少，中部和东部区域降水减少趋势比较明显；第Ⅱ阶段RCP4.5情景下[图3(c)]，中部地区的降水逐渐增多，且增加趋势高于Ⅰ，Ⅲ时间段[图3(a)、图3(e)]，东部地区降水则普遍减少，而RCP8.5情景下[图3(d)]除了中部地区降水减少外，其他地区略有增加；第Ⅲ阶段RCP4.5情景下[图3(e)]，东部地区降水呈减少趋势，东南地区的降水约以15 mm/(10 a)的速率减少，减少趋势在整个流域内最为强烈，RCP8.5情景下[图3(f)]，中部地区降水明显增加，增加速率在30 mm/(10 a)左右。

图3 长江上游流域三个时间段两种情景下多模式集合平均年平均降水线性趋势[单位：mm/(10 a)]Fig.3 The the ensemble precipitation linear trend of RCP4.5 and RCP8.5 during 2010-2039、2040-2069、2070-2099 in the upper reaches of Changjiang River

4.2 气温时空变化趋势

表4给出了2种情景下3个时间段的线性变化趋势。RCP4.5情景下，除了bcc-csm1-1在第Ⅲ阶段出现年平均气温降低现象之外，所有的模式及多模式集合平均均为气温升高，但2040年后大部分模式及多模式集合平均气温升高趋势减弱。RCP8.5情景下，所有的模式及多模式集合平均均表现为气温升高，第Ⅲ阶段的气温升高幅度最大，幅度达到0.62 ℃/(10 a)。

表4 RCP4.5和 RCP8.5情景下年平均气温变化趋势 ℃/(10 a)

从长江上游流3个时间段的气温在空间上的变化(见图4)可以看出，长江上游流域平均气温有着明显的空间差异。RCP4.5情景下[图4(a)、图4(c)、图4(e)]，源头地区在第Ⅰ阶段[图4(a)]以0.2～0.6 ℃/(10 a)的速率持续升温，在第II阶段[图4(c)]以-0.4 ℃/(10 a)左右降温，第Ⅲ阶段[图4(e)]也呈升温趋势，但整体的变化幅度不大。中部区域在第II阶段表现为降温趋势，Ⅰ、Ⅲ阶段为升温趋势，且Ⅰ阶段气温升高的幅度高于Ⅲ阶段。东部区域在第I阶段气温增加的趋势要高于第Ⅱ、Ⅲ阶段。RCP8.5情景下[图4(b)、图4(d)、图4(f)]，东部区域在3个阶段气温为增加趋势，第Ⅱ阶段[图4(d)]以0.6～1.0 ℃/(10 a)持续升温,增加的幅度要高于第Ⅰ阶段[图4(b)]，第Ⅲ阶段[图4(f)]增加的幅度高于第I阶段但低于第Ⅱ阶段。源头区域在第Ⅰ阶段气温呈增加趋势，到第Ⅱ阶段又呈气温降低趋势，第Ⅲ阶段约以1.5 ℃/(10 a)的速率持续升温，远高于第I阶段的0.6 ℃/(10 a)。中部区域变化趋势和源头一致，也是在第I阶段呈气温升高趋势，第II阶段呈气温降低趋势，第Ⅲ阶段呈气温升高趋势。对于Ⅰ、Ⅱ、Ⅲ每一个时间段，RCP8.5情景下的气温线性趋势明显大于RCP4.5情景下的线性趋势。

5 结 语

(1)时间和空间尺度上，等距离分位数法(EDCDFm)降尺度模型的模拟结果与82个气象站点的实测数据拟合性较好，多模式集合平均Ensemble模拟结果比单个模式的降尺度数据更接近实测值。

图4 长江上游流域3个时间段2种情景下多模式集合平均年平均气温线性趋势[单位：℃/(10 a)]Fig.4 The ensemble temperature linear trend of RCP4.5 and RCP8.5 during 2010-2039、2040-2069、2070-2099 in the upper reaches of Changjiang River

(2)未来2种排放情景下，除源头降水增加趋势不明显外，整个长江上游流域降水呈现显著增加的趋势；研究区域的大部分地区在未来时期气温呈现升高的趋势，而且RCP8.5气温增加的趋势要明显高于RCP4.5。

□

[1] 丁一汇, 任国玉, 石广玉. 气候变化国家评估报告(Ⅰ):中国气候变化的历史和未来趋势[J]. 气候变化研究进展, 2007,3(S1):1-5.

[2] Wilby R L, Dawson C W, Barrow E M. SDSM——a decision support tool for the assessment of regional climate change impacts[J]. Environmental Modelling & Software, 2002,17(2):145-157.

[3] WOOD A W, LEUNG L R, SRIDHAR V, et al. Hydrologic implications of dynamical and statistical approaches to downscaling climate model outputs[J]. Climatic Change, 2004,62(1):189-216.

[4] 范丽军, 符淙斌, 陈德亮.统计降尺度法对未来区域气候变化情景预估的研究进展[J]. 地球科学进展, 2005,20(3):320-329.

[5] 郭家力，郭生练，郭 靖．鄱阳湖流域未来降水变化预测分析[J].长江科学院院报，2010,27(8):20-24.

[6] LI H, SHEFFIELD J, WOOD E F. Bias correction of monthly precipitation and temperature fields from Intergovernmental Panel on Climate Change AR4 models using equidistant quantile matching[J]. Journal of Geophysical Research Atmospheres, 2010, 115(D10):985-993.