CMIP5模式对淮河流域气候要素的模拟评估及未来情景预估

林慧，王景才，蒋陈娟

(扬州大学水利科学与工程学院，江苏扬州225009)

近年来，随着经济的快速发展及人口的急速增长，全球气候变暖有加重的趋势，气候变化问题越来越引起国际社会的广泛关注，气候变化对陆地水循环过程[1]、水资源量分布[2-3]、洪水[4]和干旱[5]、农业生产稳定性和可持续性[3]等具有深远影响，需要加强全球气候变化应对以及不同地区未来气候变化趋势的研究。全球气候模式是研究气候变化机理和预测未来气候变化的重要工具，目前已经得到广泛应用，经历了CMIP1、CMIP2、CMIP3、CMIP4等阶段的发展过程，国际耦合模式比较计划CMIP5(The Fifth Phase of Coupled Model Intercomparison Project)应运而生，2013—2014年完成的第5次评估报告确定使用一套不同于SRES(Special Report on Emissions Scenarios)情景的基准排放情景，即以稳定浓度为特征的新情景——典型浓度路径RCPs(Representative Concentration Pathways)[5]。CMIP5气候模式至今已汇集60多种模式，相对于早期其他模式，具有更高的时空分辨率和更加完善或者优化的物理和化学参数化方案、耦合器技术、计算能力，同时还有相当一部分模式增加了动态植被模式和碳循环模式[6-7]。

目前有不少学者利用CMIP5模式对中国各区域进行了分析评估。高峰等[8]研究发现最适合模拟中国区域降水的模式是HadGEM2-ES模式。杨绚等[9]利用30个CMIP5模式研究发现中国北方地区变暖趋势比南方高，中国降水普遍增加。赵天宝等[10]]利用17个CMIP5模式模拟全球干旱半干旱区气候变化，发现中国北部干旱地区是未来气温上升，降水增加的显著性地区之一。陈晓晨等[11]基于多种观测资料和43个CMIP5模式数据对中国降水特征评估，发现CMIP5多模式能模拟出中国地区降水的地域特征和季节性变化特征。姚遥等[12]利用8个CMIP5模式的集合评估中国极端气温的模拟效果，发现未来中国极暖(极冷)日数增多(减少)。通过以上分析，发现大多数学者均是对全中国进行预估分析，为研究模拟结果的准确性需要加强地区适用性和比较研究。

淮河流域位于黄河流域和长江流域之间，地处中国南北气候过渡带，是中国重要的流域单元和粮食产区。由于特殊的地理位置，旱涝灾害频繁发生，对区域粮食生产安全、水旱灾害管理等具有重要影响，需要加强流域气候变化特征的分析以及未来气候变化的预估。当前基于CMIP5针对淮河流域气候变化的研究相对较少，由于CMIP5模式在机理、初始条件的设置、分辨率等因素，导致同流域和地区的模拟能力呈现不同的精度特点，本文基于诸多学者对适用于中国的CMIP5模式的研究中选取6个气候模式进行淮河中上游流域气候要素的模拟能力评估，并从中选取精度较优的3种模式在RCP4.5(中等排放情景)和RCP8.5(高排放情景)下研究流域未来气候要素变化的趋势。研究结果有助于了解区域气候变化及水热资源分布特征，对于农业生产布局和种植制度制定、生态资源保护、水旱灾害管理等具有重要参考意义[13]。

1 数据和方法

1.1 数据

淮河上中游流域位置及地面气象站点分布见图1。流域面积约16×104km2，占淮河流域总面积(约27×104km2)的59.3%。地面19个站点1960—2005年的月降水和气温数据观测数据来源于中国气象数据网(http://data.cma.cn/)，用于评估CMIP5模式对历史降水和气温的模拟精度。数据集中的缺测和部分异常值已按照数据集说明文档进行了质量控制和缺测值插补。CMIP5模式数据来源于http://pcmdi3.llnl.gov/es-gect/home.htm，综合文献分析选择了中国区域相对较优的6个气候模式，CMIP5模式数据文件格式为nc文件，本文基于R语言进行截取。6种模式在模拟计算时考虑了外强迫因子，其中自然强迫如尘埃Ds、黑炭BC、矿物尘埃、太阳辐射SI以及MD火山活动气溶胶VI，人类活动考虑了温室气体GHG以及硫化物气溶胶SD等[14]，且6种模式模拟的分辨率有所不同。各模式的空间分辨率、历史模拟时段和未来预估时段等基本信息见表1。

表1 6种CMIP5模式的基本信息

1.2 研究方法

研究对象主要基于流域面平均值进行分析，地面站点采用泰森多边形法计算面平均值[15]，CMIP5模式基于栅格数据采用算术平均法计算面平均值。四季划分按照春季(3—5 月)、夏季(6—8月)、秋季(9—11月)、冬季(12月至次年2月)进行。

1.2.1气候模式历史模拟数据的精度检验

CMIP5历史模拟数据拟采用皮尔逊相关系数R、标准差Sd、均值相对误差Rmean、标准差相对误差Rsd等4种指标进行精度检验。

皮尔逊相关系数R是最早由统计学家卡尔·皮尔逊设计的统计指标，是研究变量之间线性相关程度的量，具体计算见式(1)。标准差Sd(Standard Deviation)，又称均方差，是离均差平方的算术平均数的平方根，反映一个数据集的离散程度，用σ表示。

(1)

(2)

相对误差Re(Relative Error)能够判别模拟数据与实测值之间的误差大小，具体计算见式(3)。本文分别计算时间序列数据的均值相对误差Rmean和标准差相对误差Rsd。

(3)

1.2.2气候模式未来气候要素预估能力分析

CMIP5气候模式对未来降水和气温预估能力的分析采用年、季节、年代际的均值对比和年、季节时间序列的Mann-Kendall趋势检验进行。Mann-Kendall是世界气象组织推荐并已广泛使用的一种非参数检验方法，既可以检验时间序列变化趋势的显著性也可以进行突变检验[16]，优点是不需要样本遵从一定的分布，也不受少数异常值的干扰[17]。此检验的基础统计量U，给定显著性水平α，可在标准正态分布表中查出临界值Uα/2，常取α=0.05 或0.01。当α=0.05 时Uα/2=1.96，当α=0.01 时Uα/2=2.58。若|U|>Uα/2，则存在显著变化趋势，U为负值时为下降趋势，U为正值时为上升趋势。若|U|

2 CMIP5模式历史模拟数据的精度检验

2.1 降水的精度检验

根据表1，将地面观测值与CMIP5模式历史模拟值在1960—2005年内进行精度检验。年降水均值统计特征以及地面观测值与历史模拟值时间序列的相关系数R见表2，CCSM4、CNRM-CM5和MIROC4h模式降水的时间序列相关系数均达到了0.40以上；MIROC5和HadGEM2-ES效果最好达到0.50以上；CMCC-CM效果最差仅为0.13。模式年降水均值中HadGEM2-ES的年降水均值低于观测年降水均值，其余5种模式年降水均值都高于观测年降水均值。HadGEM2-ES、CNRM-CM5和MIROC4h模式的年降水均值相对误差分别为-0.01、0.12和0.21，说明这3种模式最接近年降水均值。各模式的年降水标准差中仅MIROC4h和MIROC5模式比观测年降水标准差低。通过年降水标准差的相对误差Rsd对各模式基准期内的年降水均值进一步进行了精度检验。检验发现CNRM-CM5、HadGEM2-ES、MIROC4h以及MIROC5模式的Rsd最小，这4种模式的降水标准差与观测降水标准差较接近。

表2 6种模式基准期内降水和气温年均值统计特征值和时间序列相关系数R

年均降水的相对误差和时间序列相关系数散点见图2，其中，相对误差越接近于0，时间序列相关系数越接近于1，则表明该模式模拟效果越好。可看出6种模式按模拟效果由好到坏依次为HadGEM2-ES、CNRM-CM5、MIROC4h、MIROC5、CCSM4、CMCC-CM。

季节降水均值及其相对误差见表3。春季6种模式的降水均值比观测降水均值高。除了HadGEM2-ES模式的降水均值相对误差为0.28，其他模式的相对误差都很高；6种模式中CNRM-CM5和HadGEM2-ES模式的春季降水模拟效果较好。夏季CCSM4和MIROC5模式的降水均值比观测降水均值大，其余模式降水均值都小；各模式夏季降水均值的相对误差显示HadGEM2-ES(-0.13)、CNRM-CM5(-0.14)、MIROC4h(-0.09)、MIROC5(0.12)4种模式较好。秋季HadGEM2-ES模式的降水均值比观测降水均值低，其他模式都比观测值高。CMCC-CM(0.05)模式在秋季降水模拟效果最好，除此以外HadGEM2-ES(-0.18)、MIROC4h(0.13)以及MIROC5(0.18)模式的模拟效果其次。冬季所有模式的降水均值比观测降水均值高，模拟效果除了CMCC-CM、CNRM-CM5相对误差大于1.07外，其他各模式相对误差均低于0.42。

表3 6种模式基准期1960—2005年四季降水均值及其相对误差Rmean

2.2 气温的精度检验

年气温均值统计特征以及地面观测值与历史模拟值时间序列的相关系数R见表2，6种模式的气温时间序列相关系数均达到了0.90以上。CCSM4、CNRM-CM5、HadGEM2-ES、MIROC4H和MIROC5模式的气温时间序列相关系数高达0.97-0.98。MIROC5的气温标准差与观测气温标准差最接近，且气温标准差相对误差为0.000 1。表明该模式的气温模拟效果最好。

年均气温的相对误差和时间序列相关系数散点见图2，可看出6种模式按模拟效果由好到坏依次为CCSM4、HadGEM2-ES、CNRM-CM5、CMCC-CM、MIROC4h、MIROC5。

表4 6种模式基准期1960—2005年四季气温均值及其相对误差Rmean

季节平均气温及其相对误差见表4。春季只有MIROC4h和MIROC5模式的平均气温比观测平均气温高。6种模式的平均气温相对误差均在0.1左右波动，所有模式气温模拟效果较好，CCSM4(0.003)的气温模拟效果最好。夏季只有CCSM4、MIROC4h、MIROC5模式的平均气温较观测平均气温高，6种模式的平均气温相对误差很低，气温模拟效果均好。秋冬两季仅MIROC4h和MIROC5模式的平均气温比观测平均气温高。秋季各模式相对误差很低，6种模式气温模拟效果较好。冬季各模式平均气温相对误差出现较大变动，6种模式的气温模拟效果比其他季节差，但CNRM-CM5(-0.36)和MIROC5(0.55)模式的气温模拟效果相对较好。

综合以上6个模式降水、气温精度检验结果的分析， HadGEM2-ES模式结合其年和四季时间尺度下的均值、相对误差、标准差以及时间序列相关系数，模拟效果最优，MIROC4h模式其次。CNRM-CM5的气温模拟在季节性时间尺度下表现突出，具有代表性。MIROC5在降水精度检验中具有代表性，但气温精度检验中表现一般。可以发现虽然CMIP5 在试验设计等很多方面都做了改进，特别是改进物理参数化和提高模式分辨率方面，在一定程度上能提高对气温以及一些大气环流演变特征等的模拟效果，但对降水模拟似乎并未得到很好的改善，甚至变差。由于MIROC4h的未来时段仅有2020—2035年的气候模拟值，为使得未来评估具有对比性，要求用于未来评估的模式处于同一时间序列。因此，选择评估精度相对于较优的HadGEM2-ES、CNRM-CM5、MIROC5 3种模式进行未来气候变化情景的分析和评估。

3 CMIP5模式2种排放情景下未来气候要素的变化研究

根据表1选取1960—2005年作为基准期，以2020—2099年作为未来时段进行研究。以CNRM-CM5、HadGEM2-ES和MIROC5作为未来气候变化情景的驱动数据集，以RCP4.5和RCP8.5排放情景作为比较，分析未来降水和气温在年、四季和逐年代际的变化特征。其中，年代际的划分主要是将未来2020—2099年按照每10 a划分为8个年代际。

3.1 降水

淮河中上游流域RCP4.5和RCP8.5排放情景下降水的预估结果见表5和图3。

表5 排放情景RCP4.5/8.5未来2020—2099年的降水均值及M-K检验值Z

注： 表中数值形式A/B，A表示RCP4.5排放情景下的数值，B表示RCP8.5排放情景下的数值;+表示增加趋势，-表示减少趋势，*表示|Z|>1.96通过α=0.05显著性水平，**表示|Z|>2.58通过α=0.01显著性水平。

年均降水量方面，不论RCP4.5和RCP8.5排放情景，3种模式未来年均降水均大于基准期年均降水(907.0 mm)。MIROC5未来年均降水值最大，CNRM-CM5次之，HadGEM2-ES最小。这可能与模式模拟计算的参数设置和环境变量选择有关。通过对比发现，RCP4.5排放情景下的年均降水量略小于RCP8.5排放情景下的年均降水量，可见温室气体的排放状况会对流域的降水产生一定影响。

年降水量的趋势变化上，RCP8.5排放情景下CNRM-CM5、HadGEM2-ES和MIROC5的M-K检验值均大于2.58，年降水量在显著性α=0.01水平增加趋势显著。RCP4.5排放情景下仅有HadGEM2-ES的M-K检验值(2.60)大于2.58，年降水量在显著性水平α=0.01水平增加趋势显著；而CNRM-CM5和MIROC5的M-K检验值均小于1.96，增加趋势不显著。总体来讲，RCP8.5排放情景下的降水增加趋势较RCP4.5大，温室气体排放浓度的增加使得淮河流域的年降水量处于增加趋势。

季节降水量方面，未来3种模式春、冬季降水量均大于基准期；夏、秋季降水量除了MIROC5外，其他2个模式均小于基准期。经过3种气候模式的横向比较，MIROC5对季节降水量的预估结果总体较大(除了冬季小于CNRM-CM5)；HadGEM2-ES对春、冬季降水量的预估最小。3种模式在不同季节描述的差异上，可能与模式在不同时间段模拟计算的参数设置和环境变量选择有关。对比2种排放情景，CNRM-CM5除了秋季在RCP8.5情景下的降水量略小于RCP4.5外，其他季节均为RCP8.5情景降水量大于RCP4.5。HadGEM2-ES除了春季在RCP8.5情景下的降水量值小于RCP4.5外，其他季节均为RCP8.5情景降水量大于RCP4.5，尤以秋季增加更为突出。MIROC5除了夏季在RCP8.5情景下的降水量值略小于RCP4.5外，其他季节均为RCP8.5情景降水量大于RCP4.5。

季节降水量的趋势变化上，春季RCP8.5排放情景下CNRM-CM5(Z=2.27)和HadGEM2-ES(Z=2.26)在显著性水平α=0.05水平增加趋势显著，RCP4.5排放情景下只有HadGEM2-ES(Z=3.04)在显著性水平α=0.01水平增加趋势显著。夏季RCP8.5排放情景下CNRM-CM5(Z=3.36)、HadGEM2-ES(Z=2.24)分别在显著性水平α=0.01、0.05水平增加趋势显著，RCP4.5排放情景下3种气候模式均不显著且CNRM-CM5、MIROC5呈现下降趋势。秋季只有MIROC5在RCP8.5排放情景(Z=4.05)和RCP4.5排放情景(Z=2.75)增加趋势显著。冬季RCP8.5排放情景下HadGEM2-ES(Z=2.24)和MIROC5(Z=2.28)在显著性水平α=0.05水平增加趋势显著，RCP4.5排放情景下三者增加趋势均不显著。总体上，除了CNRM-CM5冬季和HadGEM2-ES春季外，RCP8.5排放情景下降水的增加趋势较RCP4.5大，温室气体排放浓度的增加使得淮河流域的降水处于增加趋势。

年代际方面，通过图3发现MIROC5无论在RCP8.5还是在RCP4.5排放情景下，未来各个年代际的值在3种模式中均为最大；MIROC5除了在2030、2040、2060年代RCP8.5情景下的值低于RCP4.5情景下的值外，其他年代际均为RCP8.5>RCP4.5。RCP8.5情景下CNRM-CM5、HadGEM2-ES、MIROC5在21世纪后期(2080s、2090s)年代际均值大于21世纪前期(2020s、2030s)；RCP4.5情景下CNRM-CM5、HadGEM2-ES中后期年代际均值大于21世纪中前期。

3.2 气温

淮河中上游流域RCP4.5和RCP8.5排放情景下气温的预估结果见表6和图4。

表6 排放情景RCP4.5/8.5未来2020—2099年的气温均值及M-K检验值Z

注：表中数值形式A/B，A表示RCP4.5排放情景下的数值，B表示RCP8.5排放情景下的数值;+表示增加趋势，-表示减少趋势，*表示|Z|>1.96通过α=0.05显著性水平，**表示|Z|>2.58通过α=0.01显著性水平。

年均、夏、秋、冬气温方面，3种模式无论哪种排放情景，未来气温均高于基准期平均气温(年14.93℃、夏26.46℃、秋15.71℃、冬2.64℃)。春季气温，除了CNRM-CM5模式RCP4.5情景(14.69℃)、HadGEM2-ES模式RCP8.5情景(12.31℃)低于基准期气温(14.89℃)，其他均大于基准期气温。无论年和四季方面，3种气候模式相同排放情景下气温预估值大小次序均为：MIROC5>HadGEM2-ES> CNRM-CM5。RCP8.5排放情景年和四季的平均温度，除了HadGEM2-ES在春季和夏季的预估结果，其他均大于RCP4.5排放情景的平均温度，可见温室气体浓度增加导致绝大部分时期呈现增温状况。

年和四季平均气温全部呈现升温趋势。RCP8.5和RCP4.5排放情景上M-K检验值Z均大于4，呈现强烈的升温趋势。

年代际方面，通过图4发现在RCP4.5排放情景下，以上3个模式未来气温在2020s—2070s均呈现逐年代际增加的现象，CNRM-CM5在2080s后开始走低但下降幅度不大，HadGEM2-ES在2080s继续增加但2090s开始略有下降，MIROC5在2080s年代后略微偏低后又在2090s有所升高。在RCP8.5排放情景下，以上3个模式未来气温均呈现逐年代际增加的现象。同时在各个相同年代际上，3种气候模式年代际气温大小依次排列为：MIROC5>HadGEM2-ES> CNRM-CM5。通过比较可以发现，RCP8.5排放情景普遍比RCP4.5排放情景下的年代际气温要高，可见温室气体CO2浓度的增加对温度的增加效应较为显著，需要全球在应对气候变化及温室气体排放活动方面有所行动。

4 结语

a) 6种模式对气温的模拟能力优于降水，其中CNRM-CM5、HadGEM2-ES 和MIROC5的气温、降水拟合效果相对较优。

b) 在2种未来情景(RCP4.5、RCP8.5)预估结果中的年、春、冬季平均降水量均大于基准期，但夏、秋季CNRM-CM5、HadGEM2-ES模式的降水量均小于基准期。RCP4.5年均降水量略少于RCP8.5。

c) 在不同RCP 情景下，淮河中上游流域未来气温的变化情景均是以显著增温为主要特征，特别是高端浓度路径下的增温幅度更大，3种模式年和四季平均气温全部呈现升温趋势。

d) 淮河中上游流域未来降水和气温的研究表明，未来流域降水量随时间序列既有增加也有减少的趋势，气温升温迅速，流域未来气候演变中出现洪旱灾害的风险较大，需要加强水资源的管理和洪旱灾害的应急管理能力研究。