-
气候系统变暖是毋庸置疑的事实，自20世纪50年代以来, 观测到的许多变化在几十年乃至上千年时间里都前所未有[1]。在全球变暖的背景下, 黄淮海流域气候也发生了显著变化。由于黄淮海流域在中国经济社会和战略格局中占有重要的地位, 针对此流域的研究已有很多, 如郭军和任国玉[2]利用1956—2000年117个气象台站的小型蒸发皿观测资料, 分析了黄淮海流域蒸发量的变化趋势及其可能原因；Yan等[3]基于黄淮海流域171个气象台站的日平均数据, 对整个流域及7个分区内不同程度干旱事件进行分析, 重点研究了不同程度干旱事件与降雨强度的关系, 以及不同年份干旱次数的变化；杨志勇等[4]根据黄淮海流域及其周边地区204个气象站点1961—2010年的逐日降水资料, 分析了黄淮海流域旱涝面积的时间变化特征, 并对黄淮海地区的易旱区、易涝区进行了划分, 同时给出流域内季节间旱涝交替的易发区；Yin等[5]基于观测的月平均气温数据, 对黄淮海平原气温变化进行分析；Sun等[6]基于淮河流域内153个气象台站最高气温和最低气温的日平均数据, 分析了极端事件指数的变化及其对全球变暖的响应。
已有的研究主要是针对观测数据进行分析, 对未来黄淮海流域气候变化预估工作相对较少, 且预估主要使用的是全球气候模式模拟结果[7]。受计算机发展水平的限制, 目前全球气候模式的分辨率仍然相对较低, 在应用于区域尺度气候变化分析和极端事件研究时, 尚存在较大的不足[8-9]。区域气候模式(以下简称区域模式)具有较高分辨率, 在区域尺度的气候模拟及气候变化研究方面, 表现出明显的优势。以往研究中, 主要关注区域模式对整个中国地区[10-11]以及其他一些关键区, 如雄安新区和京津冀地区[12-13]、新疆地区[14]、粤港澳大湾区[15]等的模拟能力和未来气候变化预估, 涉及黄淮海流域的研究相对较少。
本文采用耦合了陆面过程CLM4. 5的区域模式RegCM4, 在ERA-Interim再分析资料驱动下, 对CORDEX-East Asia (东亚区域)[16]进行2种不同分辨率(50 km和25 km)当代(1990—2010年)的长时间连续积分模拟, 在此基础上, 重点评估耦合CLM4. 5的RegCM4区域模式对黄淮海流域的模拟能力及不同分辨率对模拟结果的影响, 为后续使用此版本的区域模式进行黄淮海流域气候变化研究提供参考。
-
检验模式所需的观测资料, 采用了吴佳和高学杰[17]研发的中国区域高分辨率格点化数据集(CN05. 1)。CN05. 1是CN05[18]的更新版, 基于2 416个气象台站的数据经过插值后得到, 分辨率有2种, 分别为0.5°×0.5°和0.25°×0.25°。
选用的模式为在意大利国际理论物理研究中心(ICTP)所研发的区域模式RegCM4[19]基础上, 耦合了包含碳氮循环和动态植被过程的陆面模式CLM4. 5的版本(RCM-CLM-CN-DV)[20]。RegCM4-CLM4. 5模式在中国区域气候模拟方面已经得到了一些应用[21-23]。本研究使用上述版本的区域模式, 在欧洲中期天气预报中心的再分析资料ERA-Interim[24]驱动下, 进行水平分辨率分别为50 km和25 km的CORDEX-EA区域长时间(1990—2010年)连续积分模拟(以下简称50 km模拟和25 km模拟)。
试验中模式垂直方向分为18层, 顶层高度为10 hPa。模式的各物理过程采用如下的参数化方案配置: 辐射采用NCAR CCM3方案[25]、海表通量参数化方案使用Zeng方案[26]、行星边界层方案使用Holtslag方案[27]、积云对流参数化方案选择Emanuel方案[28]。此外, 由于CLM默认的植被数据与中国区域实际植被覆盖有较大差异, 研究中采用了韩振宇等[29]研发的基于CLM植被功能型分类的中国实际土地覆盖资料。分析区域集中于黄淮海流域, 流域内地形分布如图 1所示。
图 1 黄淮海流域地形分布
Figure 1. Spatial distribution of Huang-Huai-Hai (HHH) River basin and the topography
-
为对模拟结果进行定量检验, 计算了模式模拟与观测空间分布上的相关系数及模拟与观测的偏差, 并对相关系数和偏差显著性进行了t检验。其中相关系数(r)定义如下:
$$ r=\frac{\sum\limits_{i=1}^{N}\left(x_{i}-\bar{x}\right)\left(y_{i}-\bar{y}\right)}{\sqrt{\sum\limits_{i=1}^{N}\left(x_{i}-\bar{x}\right)^{2} \sum\limits_{i=1}^{N}\left(y_{i}-\bar{y}\right)^{2}}} $$ (1) 式中: xi、yi分别为各格点上的模拟值和观测值; x、y分别为模拟和观测的区域平均值; N为格点数。
-
基于观测和2种不同分辨率的模拟结果, 计算了国际上通用的27个极端气候事件指数[30]。本研究将主要给出其中6个极端气候事件指数的模拟结果, 包括3个与气温相关的极端气候事件指数(日最高气温最高值、日最低气温最低值、夏季日数)和3个与降水相关的极端气候事件指数(连续干旱日数、最大连续5日降水量、强降水量), 具体定义见表 1。
表 1 极端气候事件指数定义
Table 1. Definition of climate extreme indices
指数 定义 单位 夏季日数(SU) 每年日最高气温＞25 ℃的全部天数 d 日最高气温最高值(TXx) 每年日最高气温的最大值 ℃ 日最低气温最低值(TNn) 每年日最低气温的最小值 ℃ 连续干旱日数(DCD) 每年最长连续无降水日数(日降水量Rd≤1 mm) d 5日最大降水量(R5d) 每年最大的连续5 d降水量 mm 强降水量(R95p) 每年大于基准期内95%分位点的日降水量的总和 mm 在分析过程中, 为比较不同分辨率间模拟结果的差异, 将所需数据进行插值。本文分别计算并分析了2种分辨率(0.5°×0.5°和0.25°×0.25°)和插值方法(双线性和区域平均方法)下模拟结果与观测数据的差异, 结果显示无论是在空间分布还是量级大小上, 模拟偏差均表现出较好的一致性。为方便起见, 文中选用的数据为使用双线性插值方法插值到0.5°×0.5°的结果。
-
图 2和图 3(点绘区域表示模拟与观测差值通过95%显著性检验)给出观测和区域模式模拟冬季、夏季平均气温的空间分布及模拟与观测的差。可以看出, 区域模式基本能够再现观测中冬季平均气温由西北向东南逐渐增加的分布, 50 km和25 km模拟与观测的空间相关系数分别为0.98和0.99。但与观测相比, 2个模拟均存在一定的偏差, 且在整个区域内以冷偏差为主。50 km模拟中, 黄河下游、淮河和海河东部地区是偏差的大值区, 偏差值一般在-2.5 ℃~-1.0 ℃之间, 黄河上游偏差值相对较小, 基本在-1.0 ℃~0.5 ℃之间; 25 km模拟与50 km模拟偏差分布基本一致, 大部分地区偏差值在-5.0 ℃~-1.0 ℃之间。观测的夏季气温基本呈从西向东逐渐增加的分布, 西部黄河源区气温较低, 数值低于15 ℃, 东部海河和淮河流域气温较高, 数值高于24 ℃。区域模式模拟的夏季气温也呈西低东高的分布, 模拟与观测的空间相关系数均为0.99, 模拟效果较好。但与模拟冬季气温在大部分地区存在冷偏差不同, 模拟的夏季气温在大部分地区较观测偏高, 其中50 km模拟偏差值一般在1.0 ℃~5.0 ℃之间, 25 km模拟偏差值一般在1.0 ℃~2.5 ℃之间, 且2组模拟中淮河流域西部均为暖偏差的大值区, 数值在2.5 ℃以上。2组模拟结果对比来看, 无论是从气温的空间分布, 还是量级大小来看, 25 km模拟均表现更好。这与董思言等[31]、Hui等[32]的研究结果类似, 即分辨率的提高可以使区域模式对复杂地形和局地过程有更好的描述, 从而改进对气温的模拟效果。
图 2 观测和区域模式模拟的黄淮海流域冬季、夏季平均气温分布
Figure 2. Observed and simulated mean temperature in winter (DJF) and summer (JJA) over the Huang-Huai-Hai River basin
图 3 区域模式模拟的黄淮海流域冬季、夏季平均气温差值分布
Figure 3. Bias of mean temperature in winter (DJF) and summer (JJA) over the Huang-Huai-Hai River basin
图 4和图 5(点绘区域表示模拟与观测差值通过95%显著性检验)给出观测和区域模式模拟冬、夏季平均降水的空间分布及模拟与观测的差。可以看出, 2组模拟中除黄河源头区外, 冬季降水基本呈由西北向东南逐渐增加的分布, 与观测较为吻合, 50 km和25 km模拟与观测的空间相关系数分别为0.86和0.34。具体到2组模拟的冬季偏差值分布来看, 50 km模拟除淮河流域南部为负偏差外, 其他区域存在较观测偏多的情况, 其中黄河流域西北部分地区在观测中降水不足5 mm, 而模拟的降水在10 mm以上, 模拟与观测的偏差值达到1倍甚至2倍以上, 其他地区偏差值也在50%以上；25 km模拟中, 冬季偏差值分布与50 km模拟较为类似, 偏差值由西北向东南逐渐减少, 淮河流域是偏差较小的地区, 黄河和海河流域西北部偏差值较大, 基本都在1倍以上。与冬季降水相比, 2组模拟的夏季降水空间分布与观测差异较大, 50 km和25 km模拟与观测的相关系数分别为0.44和0.30。整体来看, 50 km模拟在黄河和海河流域较观测偏多, 在淮河流域则较观测偏少, 模拟与观测的偏差值基本在±50%之间；25 km模拟偏差的分布与50 km模拟基本相同, 但降水偏多更为明显, 最大偏差值在1倍以上。2组模拟结果对比来看, 50 km模拟要优于25 km模拟，这与Guo等[33]的结论类似, 高分辨率模拟中更细致的地形条件和局部的水动力机制变化可能是造成降水偏多的原因之一。
图 4 观测和区域模式模拟的黄淮海流域冬季、夏季平均降水分布
Figure 4. Observed and simulated mean precipitation in winter (DJF) and summer (JJA) over the Huang-Huai-Hai River basin
图 5 区域模式模拟的黄淮海流域冬季、夏季平均降水偏差分布
Figure 5. Bias of mean precipitation in winter (DJF) and summer (JJA) between the simulation and observation over the Huang-Huai-Hai River basin
图 6给出观测和区域模式模拟的整个黄淮海流域及各子流域气温年循环分布及模拟与观测的差。可以看出, 模式能够再现观测的季节循环, 即夏季气温高, 冬季气温低, 但也存在一定的偏差。总体来看, 50 km模拟在各子流域及整个黄淮海流域模拟的夏季(6—8月)气温较观测偏高, 其他月份则大多较观测偏低。具体到各个流域, 黄河流域月平均气温偏差值基本在-2.0 ℃~2.0 ℃之间, 最大和最小偏差值分别出现在7月(1.4 ℃)和10月(-2.0 ℃); 淮河流域的月平均气温整体比黄河流域要高, 模拟偏差值也较大, 最大的冷、暖偏差分别出现在12月(-3.4 ℃)和7月(3.4 ℃); 海河流域与黄河流域分布更为类似, 但模拟偏差较黄河流域要大, 最大的冷、暖偏差分别为12月(-3.3 ℃)和7月(1.6 ℃)。整个黄淮海流域的偏差分布与各流域类似, 偏差值在-2.5 ℃~2.0 ℃之间, 冷、暖偏差最大值分别为11月(-2.5 ℃) 和7月(1.9 ℃)。与50 km模拟结果类似, 25 km模拟在各子流域及整个黄淮海流域以冷偏差为主。其中，黄河流域在冬季、春季冷偏差较为显著, 夏季暖偏差较为明显, 最大的冷、暖偏差分别为3月(-2.9 ℃)和7月(1.4 ℃); 淮河流域暖偏差更为明显, 冬季冷偏差更大, 最大暖偏差出现在7月(2.4 ℃), 最大冷偏差为12月(-3.4 ℃); 海河流域夏季为暖偏差, 其他3个季节均为冷偏差, 冷、暖偏差最大值分别出现在12月(-3.1 ℃)和7月(1.4 ℃); 整个黄淮海流域的偏差分布也呈现出夏季为暖偏差, 其他季节为冷偏差, 冷、暖偏差最大值分别为12月(-2.6 ℃)和7月(1.6 ℃)。2组模拟对比来看, 50 km模拟偏差值整体要小于25 km模拟。
图 6 观测和区域模式模拟的黄淮海流域及各子流域气温年循环分布及模拟与观测的差
Figure 6. Annual cycle of observed and simulated mean temperature and temperature biases averaged over the Huang-Huai-Hai River basin and the three subregions
观测和区域模式模拟的整个黄淮海流域及各子流域降水年循环分布及模拟与观测的差见图 7。总体来看, 在各子流域及整个黄淮海流域模拟的夏半年(4—9月)降水较多, 冬半年降水较少。50 km模拟在黄河、海河和整个黄淮海流域均能够再现观测的季节变化, 但模拟较观测降水偏多; 在淮河流域, 模拟的降水峰值出现在夏季的6月份, 而非观测的7月份, 相较于其他流域来说, 模拟效果相对较差。具体到各个流域来说, 黄河流域月平均降水偏差值基本在10%~200%之间, 最大和最小偏差值分别出现在2月(214%)和10月(10%); 淮河流域模拟月平均降水量在1月、7—9月和11—12月较观测偏少, 偏少值在-50%以内, 其他月份则较观测偏多; 海河流域与黄河流域模拟结果较为类似, 均为在各个月份较观测偏多, 偏差最大值为2月(274%), 最小值出现在10月(13%)。整个黄淮海流域的偏差分布与黄河、海河流域类似, 偏差值在10%~150%之间, 偏差最大和最小值分别为2月(136%)和10月(11%)。25 km模拟在各子流域和整个黄淮海流域均能够再现观测中的季节变化, 但模拟较观测降水明显偏多, 且大部分月份模拟值也较50 km模拟更大。25 km模拟大部分流域的偏差最大值出现在2月(黄河流域为241%、海河流域为200%、黄淮海流域为111%), 最小值则大多出现在10月(黄河流域为30%、海河流域为18%、黄淮海流域为15%), 与50 km模拟表现一致。
图 7 观测和区域模式模拟的黄淮海流域及各子流域降水年循环分布及模拟与观测的偏差
Figure 7. Annual cycle of observed and simulated mean precipitation and precipitation biases averaged over the Huang-Huai-Hai River basin and the three subregions
-
图 8给出观测和区域模式模拟黄淮海流域与气温有关的极端事件的空间分布。可以看出, 观测的夏季日数在西部数值较低, 最小值为0, 东部数值较高, 最大值在125 d以上。区域模式基本能够再现观测中夏季日数西低东高的分布, 50 km和25 km模拟与观测的空间相关系数分别为0.97和0.98, 模拟效果较好。但也存在一定的偏差, 2组模拟中, 黄河中下游及海河和淮河流域大部分地区夏季日数较观测偏少, 黄河上游少部分地区则较观测偏多, 偏多值一般为10~25 d, 偏少值一般在10 d以上。与50 km模拟相比, 25 km模拟中较观测偏多的区域有所扩大。与夏季日数分布类似, 观测的日最高气温最高值也呈西低东高的分布, 数值从黄河源区的低于21 ℃增加到东部淮河和海河流域的36 ℃以上。区域模式能够再现观测中的TXx分布, 50 km和25 km模拟与观测的空间相关系数均为0.98。但与观测相比, 2组模拟在整个流域均存在暖偏差, 海河西南部、淮河流域是偏差的高值区, 最大偏差值在5 ℃以上。观测的日最低气温最低值在整个流域内除黄河源区外, 基本呈由西北向东南逐渐增加的分布。区域模式的模拟与观测较为类似, 模拟与观测的空间相关系数均为0.96, 但与观测相比, 2组模拟值在整个黄淮海流域偏低, 最大偏差值在-5 ℃以上。综合以上分析可以看出, 对与气温有关的极端事件分布2组模拟差异较小, 25 km模拟在TXx分布上有所改进, 但改进不大。
图 8 观测和区域模式模拟的黄淮海流域与气温有关的极端事件空间分布
Figure 8. Spatial distribution of temperature-related extremes based on observation, the simulation at 50 km and 25 km resolutions
观测和区域模式模拟黄淮海流域与降水有关的极端事件空间分布见图 9。观测的连续干旱日数在黄淮海流域西北部数值较高, 东部数值相对较低。50 km模拟DCD值在大部分地区较观测偏少, 偏少值大都为10%~75%, 淮河流域南部部分地区则较观测偏多, 模拟与观测的空间相关系数为-0.05, 模拟效果相对较差; 25 km模拟的空间分布及偏差值均与50 km模拟类似, 模拟与观测的空间相关系数为-0.16。与DCD相比, 区域模式模拟的5日最大降水量空间分布与观测较为接近, 均呈现出由西北向东南逐渐增加的趋势, 50 km和25 km模拟与观测的空间相关系数分别为0.65和0.62。但与观测相比, 50 km模拟在除淮河流域部分地区较观测偏少外, 其他大部分地区较观测偏多, 部分地区偏多值在1倍以上; 25 km模拟偏差分布与50 km模拟类似, 在整个流域上基本都较观测偏多, 偏差值在1倍以上的区域较50 km模拟有所扩大。与R5d的分布类似, 观测中强降水量也表现为由西北向东南逐渐增加, 黄河流域西部是低值区, 淮河流域是高值区。区域模式较好地再现了观测中的R95p分布, 50 km和25 km模拟与观测的空间相关系数分别为0.55和0.52, 但2组模拟均表现为在整个流域大部分地区较观测偏多, 部分地区偏差值在1倍甚至2倍以上。与对气温有关的极端事件模拟结果相比, 区域模式对与降水有关的极端事件模拟性能较差, 且25 km模拟与50 km模拟结果类似, 分辨率对模拟结果影响较小。
图 9 观测和区域模式模拟的黄淮海流域与降水有关的极端事件空间分布
Figure 9. Spatial distribution of precipitation-related extremes based on observation, the simulation at 50 km and 25 km resolutions
-
综合以上分析可得, 相对于低分辨率模拟结果来说, 高分辨率并没有表现出明显的优势。相反, 高分辨率模拟的降水无论在平均态还是年循环中都表现为模拟偏差较低分辨率模拟更为显著, 这一结论与Guo等[33]的研究结果类似。理论上说, 模式分辨率越高, 由对动力框架进行离散化数值表达而引起的截断误差也会越小, 模拟结果应越接近实际, 如高学杰等[34]的研究结果显示, 东亚地区降水的模拟效果取决于模式水平分辨率, 模式分辨率越高, 模拟效果越好。但实际上, 区域模式模拟效果与选取的物理参数化方案、模拟区域和缓冲区、侧边界方案乃至采用的资料等方面都有很大关系, 并不是提高水平分辨率就能解决一切问题[35]。如骆燕和曾新民[36]使用RegCM3区域气候模式进行了3种不同水平分辨率(30 km、60 km和90 km)的模拟, 结果表明, 水平分辨率提高, 模拟准确率并不一定提高; 基于上述模拟结果, Zeng等[37]进一步研究指出, 中等分辨率(60 km)对降水的模拟表现最好, 而高分辨率(30 km)对气温的模拟最佳。在使用公里尺度分辨率对地面风场的模拟试验中也得到了类似的结论, 即分辨率的提高并不能完全减小模拟误差, 对于地形、地貌特征相对复杂区域而言, 分辨率的提高, 反而会加大模拟偏差[38]。此外, 在对CCSM4全球模式不同分辨率模拟结果的评估中, 低分辨率对一些变量如温度、850 hPa东亚冬季风和夏季风等的模拟要优于中、高分辨率[39]。因此, 全面提高模式模拟性能不仅需要提高分辨率, 而且同时要对其他方面(如对流、积云等)进行改进。
-
使用耦合了陆面过程CLM4. 5的区域气候模式RegCM4, 完成了ERA-Interim再分析资料驱动下2种水平分辨率(50 km和25 km)、CORDEX-EA区域当代(1990—2010年)气候模拟, 通过将模拟结果与观测资料进行对比, 评估了区域模式对黄淮海流域平均气候和极端气候事件的模拟能力, 同时分析了分辨率对模拟结果的影响, 主要结论如下:
(1) 区域模式对黄淮海流域平均气温的模拟较好, 模拟与观测的空间相关系数均在0.98以上。但也存在一定的偏差, 其中冬季气温的模拟主要表现为冷偏差, 夏季则大多为暖偏差。模拟的冬季、夏季平均降水在流域大部分地区较观测偏多, 其中冬季部分地区偏差值在1倍甚至2倍以上, 夏季偏差值相对较小, 大部分地区在±50%之间。对气温和降水的年循环变化模拟效果也较好，且2组模拟结果差异不大。
(2) 区域模式对于黄淮海流域极端事件的模拟, 50 km和25 km模拟表现基本一致, 即对与气温有关的极端气候事件指数(夏季日数、日最高气温最高值、日最低气温最低值)模拟效果较好, 模拟与观测的空间相关系数都在0.90以上; 对与降水有关的极端气候事件指数(连续干旱日数、5日最大降水量、强降水量)的模拟则与观测显示出较大的差异, 其中对表征强降水事件的5日最大降水量和强降水量模拟效果相对较好, 连续干旱日数的模拟则相对较差。
(3) 2组模拟结果对比来看, 分辨率对黄淮海流域模拟性能的影响较小, 除高分辨率模式对气温的模拟要优于低分辨率模式外, 其他大部分变量的评估结果两者的差异较小, 且部分变量(如气温年循环等)低分辨率模式的模拟结果要优于高分辨率模式的模拟结果。
从整个黄淮海流域和各子流域的对比来看, 区域模式对不同流域的模拟结果也表现出一定的差异, 如对降水年循环的模拟中, 区域模式能较好地再现观测的黄河流域、海河流域和整个黄淮海流域季节变化, 但模拟淮河流域的降水峰值出现在夏季的6月份, 而非观测中的7月份, 相较于其他流域来说, 模拟效果相对较差。区域模式在黄淮海流域模拟性能的综合评估结果, 可为后续使用此版本的区域模式进行未来气候变化预估及影响评估研究提供参考。
Role of horizontal resolution in regional climate simulations over the Huang-Huai-Hai River basin
-
摘要: 区域气候模式是进行流域尺度气候变化研究的重要工具，其中水平分辨率对流域模拟结果的影响亟待评估。本文使用区域气候模式RegCM4，在ERA-Interim再分析资料驱动下，进行2种水平分辨率（50 km和25 km）1990-2010年东亚区域的长时间连续积分模拟。通过与观测资料的对比，评估RegCM4对黄淮海流域的模拟性能，同时分析水平分辨率对模拟结果的影响。结果表明：① 2组模拟均可以较好地再现黄淮海流域冬季、夏季平均气温和降水的空间分布，以及气温和降水的年循环变化；对极端气候事件指数的分布模拟效果也较好，且对与气温有关的极端气候事件指数模拟效果优于与降水有关的极端气候事件指数。②与观测相比，也存在一定的偏差，如模拟的冬季气温存在冷偏差，夏季气温存在暖偏差，冬季、夏季降水在大部分地区偏多等。③ 2组模拟对比来看，对冬季、夏季平均气温的量级和空间分布，25 km模拟与观测更加接近；对冬季、夏季平均降水，50 km模拟与观测的空间相关系数分别为0.86和0.44，较25 km模拟有较大提高；对极端事件，2组模拟差别不大。模拟结果可为后续此版本模式在黄淮海流域气候变化研究中的应用提供参考。Abstract: As a primary tool in climate change research at the watershed scale, the role of horizontal resolution in regional climate simulations needs to be evaluated. This paper investigates the role over the Huang-Huai-Hai (HHH) River basin using a regional climate model, RegCM4, coupled with the National Center for Atmospheric Research (NCAR) Community Land Model, version 4.5 (CLM4.5) including the modules of CN and DV (RCM_CLM4.5). The model is driven by ERA-Interim reanalysis data, and the time period is 1990-2010. Model validation shows that RCM_CLM4.5 at 50 km and 25 km resolutions can reproduce the present climate well, including the spatial distribution of winter and summer mean temperature and precipitation, the annual cycles of temperature and precipitation, and the climate extremes. However, some biases can also be found. For example, compared with the observation, cold and warm biases are found in the winter and summer mean temperature, respectively; wet biases are found in the precipitation. Comparison between the two simulations, better performance of the magnitude and spatial distribution of mean temperature is found in the simulation at 25 km resolution; while for precipitation, better performance is observed in the one at 50 km resolution; little difference is found for the climate extremes. In general, results from this study indicate a very low sensitivity of present climate in this region to model resolution and can provide a reference for the application of this model in future climate change research over the HHH River basin.
-
Key words:
- regional climate model /
- RegCM4 /
- horizontal resolution /
- Huang-Huai-Hai River basin
-
图 1 黄淮海流域地形分布
Figure 1. Spatial distribution of Huang-Huai-Hai (HHH) River basin and the topography
图 2 观测和区域模式模拟的黄淮海流域冬季、夏季平均气温分布
Figure 2. Observed and simulated mean temperature in winter (DJF) and summer (JJA) over the Huang-Huai-Hai River basin
图 3 区域模式模拟的黄淮海流域冬季、夏季平均气温差值分布
Figure 3. Bias of mean temperature in winter (DJF) and summer (JJA) over the Huang-Huai-Hai River basin
图 4 观测和区域模式模拟的黄淮海流域冬季、夏季平均降水分布
Figure 4. Observed and simulated mean precipitation in winter (DJF) and summer (JJA) over the Huang-Huai-Hai River basin
图 5 区域模式模拟的黄淮海流域冬季、夏季平均降水偏差分布
Figure 5. Bias of mean precipitation in winter (DJF) and summer (JJA) between the simulation and observation over the Huang-Huai-Hai River basin
图 6 观测和区域模式模拟的黄淮海流域及各子流域气温年循环分布及模拟与观测的差
Figure 6. Annual cycle of observed and simulated mean temperature and temperature biases averaged over the Huang-Huai-Hai River basin and the three subregions
图 7 观测和区域模式模拟的黄淮海流域及各子流域降水年循环分布及模拟与观测的偏差
Figure 7. Annual cycle of observed and simulated mean precipitation and precipitation biases averaged over the Huang-Huai-Hai River basin and the three subregions
图 8 观测和区域模式模拟的黄淮海流域与气温有关的极端事件空间分布
Figure 8. Spatial distribution of temperature-related extremes based on observation, the simulation at 50 km and 25 km resolutions
图 9 观测和区域模式模拟的黄淮海流域与降水有关的极端事件空间分布
Figure 9. Spatial distribution of precipitation-related extremes based on observation, the simulation at 50 km and 25 km resolutions
表 1 极端气候事件指数定义
Table 1. Definition of climate extreme indices
指数 定义 单位 夏季日数(SU) 每年日最高气温＞25 ℃的全部天数 d 日最高气温最高值(TXx) 每年日最高气温的最大值 ℃ 日最低气温最低值(TNn) 每年日最低气温的最小值 ℃ 连续干旱日数(DCD) 每年最长连续无降水日数(日降水量Rd≤1 mm) d 5日最大降水量(R5d) 每年最大的连续5 d降水量 mm 强降水量(R95p) 每年大于基准期内95%分位点的日降水量的总和 mm 
下载: 导出CSV
-
[1] STOCKER T F, QIN D H, PLATTNER G-K, et al. Climate change 2013: the physical science basis. contribution of working group I to the fifth assessment report of the intergovernmental panel on climate change[M]. Cambridge: Cambridge University Press, 2013. [2] 郭军, 任国玉. 黄淮海流域蒸发量的变化及其原因分析[J]. 水科学进展, 2005, 16(5): 666-672. doi: 10.3321/j.issn:1001-6791.2005.05.009 GUO J, REN G Y. Recent change of pan evaporation and possible climate factors over the Huang-Huai-Hai watershed, China[J]. Advances in Water Science, 2005, 16(5): 666-672. (in Chinese) doi: 10.3321/j.issn:1001-6791.2005.05.009 [3] YAN D H, WU D, HUANG R, et al. Drought evolution characteristics and precipitation intensity changes during alternating dry-wet changes in the Huang-Huai-Hai River basin[J]. Hydrology and Earth System Sciences, 2013, 17(7): 2859-2871. doi: 10.5194/hess-17-2859-2013 [4] 杨志勇, 袁喆, 严登华, 等. 黄淮海流域旱涝时空分布及组合特性[J]. 水科学进展, 2013, 24(5): 617-625. http://skxjz.nhri.cn/article/id/2332 YANG Z Y, YUAN Z, YAN D H, et al. Study of spatial and temporal distribution and multiple characteristics of drought and flood in Huang-Huai-Hai River basin[J]. Advances in Water Science, 2013, 24(5): 617-625. (in Chinese) http://skxjz.nhri.cn/article/id/2332 [5] YIN Y Y, LIU H, YI X S, et al. Spatiotemporal variation and abrupt change analysis of temperature from 1960 to 2012 in the Huang-Huai-Hai Plain, China[J]. Advances in Meteorology, 2015, 2015: 1-11. http://ir.igsnrr.ac.cn/bitstream/311030/39002/1/Yin-2015-Spatiotemporal%20Varia.pdf [6] SUN P, ZHANG Q, YAO R, et al. Spatiotemporal patterns of extreme temperature across the Huai River basin, China, during 1961-2014, and regional responses to global changes[J]. Sustainability, 2018, 10(4): 1236. doi: 10.3390/su10041236 [7] LI X X, JU H, SARAH G, et al. Spatiotemporal variation of drought characteristics in the Huang-Huai-Hai Plain, China under the climate change scenario[J]. Journal of Integrative Agriculture, 2017, 16(10): 2308-2322. doi: 10.1016/S2095-3119(16)61545-9 [8] XU Y, GAO X, GIORGI F. Upgrades to the reliability ensemble averaging method for producing probabilistic climate-change projections[J]. Climate Research, 2010, 41: 61-81. doi: 10.3354/cr00835 [9] LI J, WANG B, YANG Y M. Diagnostic metrics for evaluating model simulations of the East Asian monsoon[J]. Journal of Climate, 2020, 33(5): 1777-1801. doi: 10.1175/JCLI-D-18-0808.1 [10] GAO X J, SHI Y, HAN Z Y, et al. Performance of RegCM4 over major river basins in China[J]. Advances in Atmospheric Sciences, 2017, 34(4): 441-455. doi: 10.1007/s00376-016-6179-7 [11] SHI Y, WANG G L, GAO X J. Role of resolution in regional climate change projections over China[J]. Climate Dynamics, 2018, 51(5/6): 2375-2396. http://www.onacademic.com/detail/journal_1000040326771810_bb33.html [12] 吴婕, 高学杰, 徐影. RegCM4模式对雄安及周边区域气候变化的集合预估[J]. 大气科学, 2018, 42(3): 696-705. https://www.cnki.com.cn/Article/CJFDTOTAL-DQXK201803016.htm WU J, GAO X J, XU Y. Climate change projection over Xiong'an District and its adjacent areas: an ensemble of RegCM4 simulations[J]. Chinese Journal of Atmospheric Sciences, 2018, 42(3): 696-705. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-DQXK201803016.htm [13] 石英, 韩振宇, 徐影, 等. 6.25 km高分辨率降尺度数据对雄安新区及整个京津冀地区未来极端气候事件的预估[J]. 气候变化研究进展, 2019, 15(2): 140-149. https://www.cnki.com.cn/Article/CJFDTOTAL-QHBH201902004.htm SHI Y, HAN Z Y, XU Y, et al. Future changes of climate extremes in Xiong'an New Area and Jing-Jin-Ji district based on high resolution(6.25 km) combined statistical and dynamical downscaling datasets[J]. Advances in Climate Change Research, 2019, 15(2): 140-149. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-QHBH201902004.htm [14] 王政琪, 高学杰, 童尧, 等. 新疆地区未来气候变化的区域气候模式集合预估[J]. 大气科学, 2021, 45(2): 407-423. https://www.cnki.com.cn/Article/CJFDTOTAL-DQXK202102012.htm WANG Z Q, GAO X J, TONG Y, et al. Future climate change projection over Xinjiang based on an ensemble of regional climate model simulations[J]. Chinese Journal of Atmospheric Sciences, 2021, 45(2): 407-423. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-DQXK202102012.htm [15] WANG Y J, HAN Z Y, GAO R. Changes of extreme high temperature and heavy precipitation in the Guangdong-Hong Kong-Macao Greater Bay Area[J]. Geomatics, Natural Hazards and Risk, 2021, 12(1): 1101-1126. doi: 10.1080/19475705.2021.1912834 [16] GIORGI F, JONES C, ASRAR G. Addressing climate information needs at the regional level: the CORDEX framework[J]. WMO Bulletin, 2009, 58(3): 175-183. http://www.wmo.int/pages/publications/bulletin_en/archive/58_3_en/documents/58_3_giorgi_en.pdf [17] 吴佳, 高学杰. 一套格点化的中国区域逐日观测资料及与其它资料的对比[J]. 地球物理学报, 2013, 56(4): 1102-1111. https://www.cnki.com.cn/Article/CJFDTOTAL-DQWX201304008.htm WU J, GAO X J. A gridded daily observation dataset over China region and comparison with the other datasets[J]. Chinese Journal of Geophysics, 2013, 56(4): 1102-1111. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-DQWX201304008.htm [18] XU Y, GAO X J, SHEN Y, et al. A daily temperature dataset over China and its application in validating a RCM simulation[J]. Advances in Atmospheric Sciences, 2009, 26(4): 763-772. doi: 10.1007/s00376-009-9029-z [19] GIORGI F, COPPOLA E, SOLMON F, et al. RegCM4: model description and preliminary tests over multiple CORDEX domains[J]. Climate Research, 2012, 52: 7-29. doi: 10.3354/cr01018 [20] WANG G L, YU M, PAL J S, et al. On the development of a coupled regional climate-vegetation model RCM-CLM-CN-DV and its validation in Tropical Africa[J]. Climate Dynamics, 2016, 46(1/2): 515-539. http://www.onacademic.com/detail/journal_1000037827428410_0dc8.html [21] SHI Y, YU M, ERFANIAN A, et al. Modeling the dynamic vegetation-climate system over China using a coupled regional model[J]. Journal of Climate, 2018, 31(15): 6027-6049. doi: 10.1175/JCLI-D-17-0191.1 [22] LIU W G, WANG G L, YU M, et al. Projecting the future vegetation-climate system over East Asia and its RCP-dependence[J]. Climate Dynamics, 2020, 55(9/10): 2725-2742. doi: 10.1007/s00382-020-05411-2 [23] 程全英. 基于RegCM-CLM4.5模式的新疆天山西部区域气候模拟适用性研究[D]. 北京: 中国林业科学研究院, 2017. CHENG Q Y. Performance of RegCM-CLM4.5 in simulating the regional climate of western Tianshan Mountain in Xinjiang, China[D]. Beijing: Chinese Academy of Forestry, 2017. (in Chinese) [24] DEE D P, UPPALA S M, SIMMONS A J, et al. The ERA-Interim reanalysis: configuration and performance of the data assimilation system[J]. Quarterly Journal of the Royal Meteorological Society, 2011, 137(656): 553-597. doi: 10.1002/qj.828 [25] KIEHL J T, HACK J J, BONAN G B, et al. The national center for atmospheric research community climate model: CCM3[J]. Journal of Climate, 1998, 11(6): 1131-1149. doi: 10.1175/1520-0442(1998)011<1131:TNCFAR>2.0.CO;2 [26] ZENG X B, ZHAO M, DICKINSON R E. Intercomparison of bulk aerodynamic algorithms for the computation of sea surface fluxes using TOGA COARE and TAO data[J]. Journal of Climate, 1998, 11(10): 2628-2644. doi: 10.1175/1520-0442(1998)011<2628:IOBAAF>2.0.CO;2 [27] HOLTSLAG A A M, de BRUIJN E I F, PAN H L. A high resolution air mass transformation model for short-range weather forecasting[J]. Monthly Weather Review, 1990, 118(8): 1561-1575. doi: 10.1175/1520-0493(1990)118<1561:AHRAMT>2.0.CO;2 [28] EMANUEL K A. A scheme for representing cumulus convection in large-scale models[J]. Journal of the Atmospheric Sciences, 1991, 48(21): 2313-2329. doi: 10.1175/1520-0469(1991)048<2313:ASFRCC>2.0.CO;2 [29] 韩振宇, 高学杰, 石英, 等. 中国高精度土地覆盖数据在RegCM4/CLM模式中的引入及其对区域气候模拟影响的分析[J]. 冰川冻土, 2015, 37(4): 857-866. https://www.cnki.com.cn/Article/CJFDTOTAL-BCDT201504001.htm HAN Z Y, GAO X J, SHI Y, et al. Development of Chinese high resolution land cover data for the RegCM4/CLM and its impact on regional climate simulation[J]. Journal of Glaciology and Geocryology, 2015, 37(4): 857-866. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-BCDT201504001.htm [30] ZHANG X B, ALEXANDER L, HEGERL G C, et al. Indices for monitoring changes in extremes based on daily temperature and precipitation data[J]. Wiley Interdisciplinary Reviews: Climate Change, 2011, 2(6): 851-870. doi: 10.1002/wcc.147 [31] 董思言, 熊喆, 延晓冬. RIEMS2.0模式提高分辨率对中国气温模拟能力的影响[J]. 气候与环境研究, 2014, 19(5): 627-635. https://www.cnki.com.cn/Article/CJFDTOTAL-QHYH201405009.htm DONG S Y, XIONG Z, YAN X D. Influence of increasing RIEMS2.0 model's resolution on mean air temperature over China[J]. Climatic and Environmental Research, 2014, 19(5): 627-635. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-QHYH201405009.htm [32] HUI P H, TANG J P, WANG S Y, et al. Impact of resolution on regional climate modeling in the source region of Yellow River with complex terrain using RegCM3[J]. Theoretical and Applied Climatology, 2016, 125(1/2): 365-380. doi: 10.1007/s00704-015-1514-y [33] GUO J H, HUANG G H, WANG X Q, et al. Evaluating the added values of regional climate modeling over China at different resolutions[J]. Science of the Total Environment, 2020, 718: 137350. doi: 10.1016/j.scitotenv.2020.137350 [34] 高学杰, 徐影, 赵宗慈, 等. 数值模式不同分辨率和地形对东亚降水模拟影响的试验[J]. 大气科学, 2006, 30(2): 185-192. doi: 10.3878/j.issn.1006-9895.2006.02.01 GAO X J, XU Y, ZHAO Z C, et al. Impacts of horizontal resolution and topography on the numerical simulation of East Asian precipitation[J]. Chinese Journal of Atmospheric Sciences, 2006, 30(2): 185-192. (in Chinese) doi: 10.3878/j.issn.1006-9895.2006.02.01 [35] 刘金波, 曾新民, 郑益群. 区域气候模式分辨率对中国夏季气温模拟影响的评估[J]. 气象学报, 2011, 69(3): 534-543. https://www.cnki.com.cn/Article/CJFDTOTAL-QXXB201103014.htm LIU J B, ZENG X M, ZHENG Y Q. An assessment of the effects of the resolution of a regional climate model on simulated summer temperatures in China[J]. Acta Meteorologica Sinica, 2011, 69(3): 534-543. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-QXXB201103014.htm [36] 骆燕, 曾新民. 模式水平分辨率对区域降水季尺度模拟的影响[J]. 解放军理工大学学报(自然科学版), 2007, 8(4): 404-408. https://www.cnki.com.cn/Article/CJFDTOTAL-JFJL200704019.htm LUO Y, ZENG X M. Sensitivity of seasonal-timescale simulation of regional precipitation to horizontal resolution[J]. Journal of PLA University of Science and Technology (Natural Science Edition), 2007, 8(4): 404-408. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-JFJL200704019.htm [37] ZENG X M, WANG M, ZHANG Y J, et al. Assessing the effects of spatial resolution on regional climate model simulated summer temperature and precipitation in China: a case study[J]. Advances in Meteorology, 2016, 2016: 1-12. http://gooa.las.ac.cn/external/download/1239388/4569971/7639567.pdf [38] 辛渝, 汤剑平, 赵逸舟, 等. 模式不同分辨率对新疆达坂城-小草湖风区地面风场模拟结果的分析[J]. 高原气象, 2010, 29(4): 884-893. https://www.cnki.com.cn/Article/CJFDTOTAL-GYQX201004008.htm XIN Y, TANG J P, ZHAO Y Z, et al. Simulation of surface wind using MM5 model with different resolustions: a case study of Dabancheng and Xiaocaohu wind farms from April to September 2006[J]. Plateau Meteorology, 2010, 29(4): 884-893. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-GYQX201004008.htm [39] 田芝平, 姜大膀. 不同分辨率CCSM4对东亚和中国气候模拟能力分析[J]. 大气科学, 2013, 37(1): 171-186. https://www.cnki.com.cn/Article/CJFDTOTAL-DQXK201301017.htm TIAN Z P, JIANG D B. Evaluation of the performance of low-to high-resolution CCSM4 over East Asia and China[J]. Chinese Journal of Atmospheric Sciences, 2013, 37(1): 171-186. (in Chinese) https://www.cnki.com.cn/Article/CJFDTOTAL-DQXK201301017.htm -
点击查看大图
图(9) / 表 (1)
计量
- 文章访问数: 305
- HTML全文浏览量: 44
- PDF下载量: 64
- 被引次数: 0
