刘旗洋, 乔枫雪, 朱奕婷, 等. 2021. 区域气候模式CWRF 对我国极端温度时空变化的模拟评估[J]. 气候与环境研究, 26(3): 333−350. LIU Qiyang, QIAO Fengxue, ZHU Yiting, et al. 2021. Evaluation of the Spatio–Temporal Variations of Extreme Temperature Simulations in China Based on the Regional Climate –Weather Research and Forecasting Model [J]. Climatic and Environmental Research (in Chinese), 26 (3): 333−350.doi:10.3878/j.issn.1006-9585.2021.20116
区域气候模式CWRF 对我国极端温度
时空变化的模拟评估
刘旗洋 1, 2
乔枫雪
1, 2, 3
朱奕婷 1, 2 梁信忠
4, 5, 6
柳雨佳 1, 2 张焓 4 王瑞
7
1 华东师范大学地理信息科学教育部重点实验室，上海 200241
2 华东师范大学地理科学学院，上海 200241
3 崇明生态研究所，上海 200062
4 南京信息工程大学大气科学学院，南京 210044
5 马里兰大学帕克分校大气与海洋科学系 美国
6 马里兰大学地球系统科学跨学科中心 美国
7 上海中心气象台，上海 200030
摘 要 基于中国均一化气温数据集CN05.1的观测数据，结合暖昼指数（TX90）、冷昼指数（TX10）、暖夜指数（TN90）、冷夜指数（TN10）、暖日持续指数（WSDI ）和冷日持续指数（CSDI ）6个极端温度指数，从气候平均、概率分布、年际变率和年际趋势方面，系统评估区域气候模式（Climate–Weather Research and Forecasting model, CWRF ）对1980～2015年间我国极端温度指
数区域分布和年际变化的模拟能力，为改进并利用模式研究我国未来区域极端温度的预测提供科学依据。结果显示：观测的冷暖指数在北方的年际变率幅度高于南方，其中暖指数在我国大部分地区为增暖趋势，冷指数在北方地区的变冷趋势显著，尤其暖夜增暖、冷夜变冷，极端暖事件 （WSDI ）的持续性比冷事件（CSDI ）显著。CWRF 模式较好再现了极端温度指数的年均分布和年际变化趋势特征，尤其对暖日和冷日持续指数的模拟优势显著，但仍存在系统性的区域偏差，如低估暖昼和冷夜的极值强度；对华东地区暖（冷）指数变暖（冷）的趋势存在低（高）估；尤其是低估青藏高原地区暖、冷指数的强度，并且高估其暖昼变冷、暖夜变暖的年际变化趋势。因此，该模式对华东及高原地区极端温度的强度和年际变率的模拟仍亟需改善。关键词 极端温度指数 区域气候模式 时空分布 年际趋势 模拟评估
文章编号 1006-9585(2021)03-0333-18 中图分类号 P435+.1 文献标识码 A doi:10.3878/j.issn.1006-9585.2021.20116
Evaluation of the Spatio–Temporal Variations of Extreme Temperature
Simulations in China Based on the Regional Climate–Weather
Research and Forecasting Model
LIU Qiyang 1, 2
, QIAO Fengxue 1, 2, 3
, ZHU Yiting 1, 2
, LIANG Xinzhong
4, 5, 6
,
LIU Yujia 1, 2, ZHANG Han 4, and WANG Rui
7
收稿日期 2020-09-13；网络预出版日期 2021-02-01
作者简介 刘旗洋，男，1998年出生，硕士研究生，主要从事区域气候模式研究。E-mail: ********************.edu 通讯作者 乔枫雪，E-mail: ***************.edu
资助项目 国家重点研发计划“重大自然灾害监测预警与防范”重点专项资助项目2018YFC1507702，国家自然科学基金项目41730646，
国家自然科学基金项目41605079
Funded by National Key R&D Program of China (Grant 2018YFC1507702), National Natural Science Foundation of China (Grant 41730646),
National Natural Science Foundation for Young Scientist of China (Grant 41605079)
第 26 卷第 3 期气 候 与 环 境 研 究
Vol. 26 No. 32021 年 5 月
Climatic and Environmental Research
May 2021
1 Key Laboratory of Geographic Information Science, Ministry of Education, East China Normal University, Shanghai
200241
2 School of Geographic Sciences, East China Normal University, Shanghai 200241
3 Institute of Eco-Chongming (IEC), Shanghai 200062
4 College of Atmospheric Science, Nanjing University of Information Science and Technology, Nanjing 210044
5 Department of Atmospheric & Oceanic Science, University of Maryland at College Park, USA
6 Earth System Science Interdisciplinary Center, University of Maryland, Maryland, USA
7 Shanghai meteorological Bureau, Shanghai 200030
Abstract This study evaluates the capability of the regional Climate-Weather Research and Forecasting model (CWRF) in simulating the spatiotemporal variations of daily extreme temperature indices from 1980 to 2015 over eight key regions in China based on the homogenization temperature dataset (CN05.1) to provide a scientific basis for improving the model in predicting regional extreme temperatures in China. In this study, we focus on the four percentile-based threshold indices (TX90, TX10, TN90, and TN10) and two duration indices (warm spell duration indicator, WSDI and cold spell duration indicator, CSDI) defined by an expert team on climate change detection and indices. From observation, the annual mean distributions of extreme indices show distinct regional features, and extr
eme warm events persist longer than extreme cold events. Both warm and cold indices have larger interannual variability in the north, but the warm index shows a warmer trend in most parts of China and the cold index shows a colder trend in North China, where has a more pronounced changing trend of warm and cold nights. The CWRF generally reproduces the observed annual mean distributions of these extreme indices, especially exhibiting superiority in simulating extreme events duration indices, and well simulates the interannual variability and changing trends of extreme indices in most regions. However, several regional biases still exist. For instance, CWRF underestimates the intensity of extremely warm days and cold nights but overestimates WSDI in Central East China and CSDI in Northwest China. In the Qinghai–Tibet Plateau, CWRF tends to underestimate both indices but overestimates the cooling and warming trends of warm days and cold nights, respectively.
In East China, CWRF underestimates the cooling trend of cold nights but overestimates the warming trend of warm days and nights.
Keywords Extreme temperature indices, Regional climate model, Spatio–temporal distribution, Interannual trend, Simulation assessment
1 引言
政府间气候变化专门委员会第五次评估报告（AR5）指出，全球平均陆地和海洋表面温度的线性趋势计算结果表明，在1880～2012年期间温度升高了0.85°C（0.65～1.06°C）（IPCC, 2013），全球气候正经历以变暖为主要特征的变化。《中国气候变化蓝皮书（2019）》指出，1951～2018年中国年平均气温上升速率为0.24°C/10 a，升温率明显高于同期全球平均水平，其中1980年以来的升温尤为显著（中国气象局气候变化中心, 2019）。全球变暖不仅体现在平均气温的升高，更重要的是极端气候事件的变化。极端气候事件具有突发性、难预测性和强破坏性的特点，其中区域性的极端高温或低温事件直接影响农业生产和人体健康，对生态环境和社会经济可持续发展构成巨大的挑战，从而引发人们更多的关注。2000年以来，我国区域性极端温度事件频发，且影响范围大、持续时间长，例如我国2008年南方持续性低温雨雪事件和2013年华东异常罕见的连续高温事件，造成了巨大的经济损失（马宁等, 2011; 邹海波等, 2015）。
已有大量研究基于观测数据，利用不同的极端气候指数，分析我国极端温度阈值或事件的变化趋势和时空分布，这些研究显示我国极端温度指数的变化趋势对气候变化的响应较为复杂，存在显著的区域差异（翟盘茂和潘晓华, 2003; 马柱国等, 2003；周雅清和任国玉, 2010; You et al., 2011）。自1960年以来，我国整体上极端温度指数表现为冷指数的变暖幅度大于暖指数，夜指数的变暖幅度大于昼指数（杨萍等, 2010; 王琼等, 2013; 王晓利和侯西勇, 2017），极端低温事件的频次、强度和范围呈减弱趋势（王晓娟等, 2012），但冷日持续指数（CSDI）的变化趋势不显著；各极端温度指数在南方地区的变化幅度
小于北方，且随着海拔的升高变化幅度变大（张大任等, 2019）。极端最高/最低温度的升温幅度在东北地区最显著，暖日和暖夜在西南地区逐
气 候 与 环 境 研 究26 卷334Climatic and Environmental Research Vol. 26
步增加，高温日数在中部地区显著增加；北方的冷昼和冷夜指数大幅减少而暖昼和暖夜指数显著增加，中部地区的各极端温度指数年际变化较不显著（Zhou and Ren, 2011; 肖冰霜等, 2016）；青藏高原地区的最低温度极小值的上升速率最快，最高温度极大值的上升速率最慢，存在显著的冷暖不对称性（周玉科等, 2017）。我国极端低温和极端高温的年代际变化趋势较为一致，但具有明显的阶段性特征，不同区域极端气温指数主周期介于2～8年，无显著的年代际振荡周期变化，不同区域的极端温度指标在1986～2015年的变化趋势相对1956～1985年更为显著，突变集中发生在1980年代和1990年代期间（Zhou and Ren, 2011; 王晓利和侯西勇, 2017; 张大任等, 2019）。因此，本研究着眼变化趋势显著的1980～2015年，较为细致的研究我国8个气候区域基于阈值的极端温度指数的变化特征。
全球气候模式（Global Climate System，GCM）和降尺度的区域气候模式（Regional Climate System，RCM）是研究气候过程和气候变化机理的重要方式，为了准确可靠地预测未来极端温度的变化，需要对数值模式的模拟结果进行评估。已有大量的研究对耦合模式比较计划（Coupled Model Intercomparison Project，CMIP）的多模式结果进行温度模拟评估和未来变化的预估（Jiang et al., 201
5）。王冀等（2008）指出7个全球海气耦合模式模拟平均结果优于单个模式，但对我国平均霜冻、暖夜和热浪的空间分布都存在系统性高估；姚遥等（2012）评估了8个CMIP5 耦合模式对我国极端气温的模拟效果，表明模式集合能够模拟极端温度指数的平均状态和年际变化特征，但对气候极值的模拟存在较大的不确定性，高温热浪指数的模拟偏差超过8%，暖指标的年际趋势模拟优于冷指标。GCM对大尺度环流特征的模拟较好，但受制于分辨率较低，无法细致地描述天气气候过程，对极端温度的区域及年际变化特征的模拟及预测能力有限，需要进行多模式集合和偏差订正对输出结果进行修正（Seo and Ok, 2013; 高谦, 2017）。经过动力降尺度后的RCM具有较高的分辨率，对于刻画我国区域性的气温、降水的分布及变化有一定优势，能较好地模拟到四川盆地的高值中心，而且对青藏高原平均气温的低估得到明显的改善（Gao et al., 2011, 2013; Liu et al., 2013; Wang et al., 2015; Yu et al., 2015）。其中，RegCM （Regional Climate Modeling system）系列模式在我国极端温度模拟和变化预估上有着广泛的应用（Feng et al., 2011; Gao et al., 2012, 2017; 高学杰等, 2012; Xu et al., 2013; Ji and Kang, 2015）。李东欢等（2017）指出RegCM3对日最高气温极大值模拟偏差表现为西部2～4°C的冷偏差和长江流域1～3°C的暖偏差；日最低气温极小值模拟在大部分地区存在3°C的冷偏差，在青藏高原达到5°C 以上；Kong et al.（2019）比较了WRF和RegCM4对我国极端温度的模拟结果，WRF对极端温度指数的年际趋势模拟较好，RegCM4对我国极端气温的平均气候态模拟较好，但低估了青藏高原极端高温的年际变化的增暖趋势；高谦（2017）指出经过动力降尺度的LMDZ4模式对我国极端温度的平均模拟偏差减少且空间相关系数提高，一定程度上体现了青藏高原、四川盆地等复杂地形的极值中心；张玉
静（2017）指出PRECIS（Providing Regional Climates for Impacts Studies）模式能够模拟极端温度阈值的空间分布特征，但对西北、东北和四川盆地等的高温阈值模拟高估2°C，对青藏高原南部和东部的高温阈值模拟低估超过5°C，对我国大部分的低温阈值存在普遍的低估。虽然RCM模式模拟分辨率有所提升，但对青藏高原等高复杂地形区域的温度模拟仍存在较大的挑战，除了模式物理过程参数化的不足以外，也与气象观测站稀疏且海拔较低有关（Yu et al., 2015）。
本研究着重评估基于中国本地化季节气候预测的区域气候模式CWRF（regional Climate–Weather Research and Forecasting model）（Liang et al., 2019），该模式引入了较完备的物理过程参数化方案，同时增加了对温度模拟影响最为直接的云—气溶胶—辐射（Cloud–Aerosol–Radiation，CAR）相互作用的耦合模块（刘冠州和梁信忠, 2017）。已有研究表明CWRF具有模拟东亚季风区大气环流与气候特征的能力，对中国地区季节平均降水、夏季极端降水的模拟能力较好（刘术艳等, 2008; 董晓云等, 2019）。Liang et al. (2019)目前只初步分析了控制方案对平均温度与日最高、最低温度的季节模拟偏差，尚未进行基于不同极端温度指标的区域分布及变化特征的模拟评估。因此，本文将基于1980～2015年的全国气温观测数据和模式控制版本的连续积分结果，从空间分布、概率分布、年际变率和年际趋势方面，系统地评估区域气候模式CWRF 对我国不同区域的极端温度指数的模拟能力及偏差
3 期刘旗洋等：区域气候模式CWRF对我国极端温度时空变化的模拟评估
No. 3LIU Qiyang et al. Evaluation of the Spatio–Temporal Variations of Extreme Temperature Simulations (335)
中国的气候所在，为完善模式的物理过程、提升模式模拟预测能力提供依据。
2 数据和方法
2.1 模式介绍及模拟数据
本研究使用的区域气候模式CWRF自2001年研发以来，结合卫星遥感数据，考虑人类活动、植被等动态演变，优化30 km水平分辨率的下垫面及侧边界数据（Liang et al., 2019）；针对关键物理过程，在WRF模式的基础上，集成了多种参数化方案（刘冠州和梁信忠，2017）。CWRF模式的模拟区域中心点位于（35.18°N，118°E），采用地形跟随坐标系，垂直方向包括36层；水平网格采用Lambert投影的232（纬向）×172（经向）个格点的30 km的等距网格。海温数据采用欧洲中心再分析资料ECMWF-Interim日平均海表温度（1979～1980年）和美国国家海洋大气管理局NOAA的最优插值日海表温度（OISST，1981～2015年，0.25°）（Reynolds et al., 2007; Banzon et al., 2016）。经过多次敏感性试验和验证，确定了基于中国地区气候模拟预测的控制实验方案，包括ECP对流方案（Qiao and Liang, 2016, 2017）、GSFCGCE微物理方案（Tao et al., 2003）、GSFCLXZ辐射方案（Chou et al., 2001）、CAM3边界层方案（Rontu, 2006）、CSSP陆面方案（Liang et al., 2005）和XRL气溶胶方案
（Liang et al., 2004）。关于该模式在中国地区的相关改进及具体物理方案的设置详见 Liang et al. (2019)。研究使用ERA-Interim（Dee et al., 2011）作为初始场和边界场驱动CWRF模式，从1979年11月1日连续积分至2015年12月31日的3 h模拟数据，前两个月为模式的启动时段，着重评估1980年1月1日至2015年12月31日的温度数据。
2.2 观测资料和极端温度指数
历史气温观测数据来自中国地面气象台站观测的格点化逐日平均气温、日最高气温、日最低气温观测资料（CN05.1），水平分辨率为0.25°（纬度）×0.25°（经度），其原始数据来自我国2000多个站点的均一化长序列气温数据，能够较真实地反映历史极端温度的趋势和变率（Xu et al., 2009；吴佳和高学杰, 2013）。本文选取的时间范围为1980～2015年的日资料，为了便于与模式的比较，利用双线性插值将格点观测数据插值到与模式对应的等间距30 km的Lambert投影格点。由于我国南北跨度大，气候、地形和下垫面因子复杂多变，参照了Hui et al.（2015）、Yu et al.（2015）、Zhou et al.（2016）等的研究分区，本文划分8个区域对极端温度的区域差异特征进行细致的研究（图1），包括东北、华北、华东、华南、西南、青藏高原、西北、西北东部。
合适的极端温度指数需要同时具有对气候变化敏感且稳定性高的特点，对于研究结论的可靠性具有重要作用。气候变化检测和指数专家组（ETCCDI）和“欧洲地区极端事件统计和区域动力降尺度”（STARDE
X）提出的极端气候指数，是国际上常用的极端气候评价指标，能够定量描述极端温度事件的变化，具有低噪声和强指示性的优势（Alexander et al., 2006; 胡彩虹等, 2013）。本文参照陈正洪等（2010）提出的极端温度指数计算方法，首先是将1981～2010年作为气候基准期，得到某一天及其前后两天（共计5天）在30年气候基准期内共计150天的日最高、最低气温数据，对样本取90%或10%的分位值作为阈值，并以超过90%或低于10%分位值的气温作为极端温度，相比采用绝对阈值得到的极端气候指数，该方法能同时体现我国区域性和季节性的极端温度差异。本文选用暖昼指数（TX90）、冷昼指数（TX10）、暖
图 1 中国8个子区域的地理位置划分
Fig. 1 Geographic locations of eight subregions in China
气 候 与 环 境 研 究26 卷336Climatic and Environmental Research Vol. 26
夜指数（TN90）、冷夜指数（TN10）、暖日持续指数（WSDI ）和冷日持续指数（CSDI ）来研究中国极端温度的变化（表1）。
2.3 统计分析方法
（1）泰勒图
泰勒图（Taylor, 2001）可以全面直观地比较模拟的极端温度与观测的极端温度的一致性，它是由模拟场与观测场的空间相关系数、相对标准差及其中心化的均方根误差组成的极坐标图，中心化的均方根误差越接近0，空间相关系数和相对标准差越接近1，模式模拟能力越好。本文利用泰勒图综合评估CWRF 模式对不同区域极端温度指数的模拟效果。
（2）概率分布模拟
为了衡量两个分布之间的相似性，常用的方法有KL 散度（Kullback-Leibler divergence ）和JS 散度（Jensen-Shannon divergence ），常用作模型的拟合损失评价指标。JS 散度的计算基于KL 散度做了改进，解决了KL 散度非对称的问题。对于两个概率分布p (x )和q (x )，JS 散度计算公式如下：
其中，
因此，JS 散度是对称且有界的，其取值在0到1之间。利用上式，本文将极端温度指数（TX90、TN90、TX10、TN10）的观测和模拟概率分布分别作为P (x )和Q (x )，以此来定量评估CWRF 对不同区域的极端温度分布特征的模拟效果。JS 散度值越小，则表示观测和模拟的概率分布的越接近，模拟效果越好。
（3）年际变化趋势分析
常用的趋势分析方法包括最小二乘法线性回归
估计，该方法对离值敏感且要求数据满足正态分布，而Theil–Sen 的趋势估计和Mann–Kendall （MK ）检验要求时序数据不具有自相关性。张嘉仪和钱诚 （2020）指出高温热浪数据大多数不服从正态分
布且存在较强自相关，传统的趋势分析方法存在一定缺陷。考虑到极端温度变化具有不连续性和突变性的特点，波动较大且离点较多，Yue and Wang （2002）基于MK 趋势分析做了改进，对时间序列进行了预白化处理，不易受离值影响且无需满足正态分布，对于极端温度的年际趋势估计结果更具稳定性和可靠性，因此本研究主要采用改进的MK 趋势分析方法，对我国不同区域极端温度指数的年际变化趋势进行分析。
3 区域极端温度指数的时空分布特征及变化趋势的模拟评估
3.1 年极端冷、暖指数的空间分布特征
图2比较1980～2015年观测和CWRF 模拟的TX90、TX10、TN90、TN10的年平均空间分布特征。这4个指数着重体现日、夜的高温和低温的强度特征。首先从观测中可看出，暖指数（暖昼、暖夜）、冷指数（冷昼、冷夜）具有显著的不同的区域型分布特征。其中，暖指数（TX90、TN90）的极大值区均位于华南地区（年均阈值分别是34°C 、28°C 以上），高值区域向北扩展经过华东华北，分别向东、西两侧伸展，在西北内陆以及东北三省暖指数温度均较高；暖指数的显著低值区域均位于青藏高原地区。然而，冷指数（TX10、TN10）的高值区域集中分布在华南及华东（年均阈值分别是23°C 、13°C 以上）以及西北地区天山以南地区 （年均阈值分别是18°C 、5°C 以上）；冷指数的低值区域主要位于高原以北—西北东部—东北偏北一线，其中冷昼TX10、冷夜TN10在高原北部、
表 1 极端温度指数的定义
Table 1 Definition of extreme temperature indices used in this study
指数名称
指数简写定义
单位暖昼指数TX90大于气候基准期内日最高气温的90%分位值°C 冷昼指数TX10小于气候基准期内日最高气温的10%分位值°C 暖夜指数TN90大于气候基准期内日最低气温的90%分位值°C 冷夜指数TN10小于气候基准期内日最低气温的10%分位值
°C 暖日持续指数WSDI 每年至少连续6天的日最高气温大于气候基准期90%分位数的累计日数d 冷日持续指数
CSDI
每年至少连续6天的日最低气温小于气候基准期10%分位数的累计日数
d
3 期刘旗洋等：区域气候模式CWRF 对我国极端温度时空变化的模拟评估
No. 3
LIU Qiyang et al. Evaluation of the Spatio–Temporal Variations of Extreme Temperature Simulations ...
337
发布评论