陳威霖，江志紅，黃強

(1.南京信息工程大學氣象災(zāi)害省部共建教育部重點實驗室，江蘇南京210044;2.南京信息工程大學大氣科學學院，江蘇南京210044;3.浙江省海寧市氣象局，浙江海寧314400)

0 引言

全球氣候系統(tǒng)模式是進行氣候模擬和未來氣候變化情景預(yù)估的重要工具，近年來各國科學家使用不同的全球氣候系統(tǒng)模式，進行了大量模擬和預(yù)估試驗，取得了很多重要成果(趙宗慈，2006;Meehl et al.，2007;趙宗慈，2009;Sun and Ding，2010)。如:Sun and Ding(2010)利用參與IPCC AR4的新一代氣候模式結(jié)果，考察了未來百年SRES A1B情景下東亞夏季降水和季風環(huán)流的未來演變特征。但目前全球模式的分辨率一般較低(如IPCC AR4模式水平分辨率一般在100 km至幾百千米)，從而在區(qū)域尺度尤其是局地尺度的氣候模擬及氣候變化預(yù)估等方面產(chǎn)生較大偏差，此外全球耦合模式普遍存在降水過于頻繁，導(dǎo)致模擬的降水強度偏低的問題(Sun et al.，2006)。特別是中國位于東亞季風區(qū)，地形復(fù)雜多變，全球模式對該區(qū)域氣候的模擬與預(yù)估存在較大的不確定性(高學杰等，2004;Jiang et al.，2005;Zhou and Yu，2006;江志紅等，2009a)。但眾所周知，區(qū)域尺度的氣候變化信息對于氣候變化影響評價與制定應(yīng)對氣候變化決策至關(guān)重要，因此，迫切需要解決全球氣候模式的粗分辨率與高分辨區(qū)域尺度氣候預(yù)測需求之間的矛盾。

目前有3種方法可以彌補GCM預(yù)測區(qū)域氣候變化情景的不足(Christensen et al.，2007)，一是發(fā)展更高分辨率的AGCM模式，但需要很高的計算資源，或采用可變網(wǎng)格大氣環(huán)流模式(Zhou and Li，2002;Chen et al.，2011a);第二種方法就是動力降尺度法，即利用嵌套在全球氣候模式中的高分辨率區(qū)域氣候模式，進一步預(yù)估各區(qū)域或局地不同排放方案下未來氣候變化的細節(jié)(高學杰等，2003a，2003b;張勇等，2007;石英和高學杰，2008);最后一種是經(jīng)驗—統(tǒng)計降尺度法(范麗軍等，2005;Fowler et al.，2007)，該方法通過多年的觀測資料建立大尺度氣候要素(主要是大氣環(huán)流)和區(qū)域氣候要素之間的統(tǒng)計關(guān)系，并用獨立的觀測資料檢驗這種關(guān)系，最后將這種關(guān)系應(yīng)用于GCM輸出的大尺度氣候信息，進行區(qū)域未來的氣候變化的情景預(yù)估。常用的統(tǒng)計降尺度方法主要有以下3種(范麗軍等，2005;Maraun et al.，2010):1)轉(zhuǎn)換函數(shù)法;2)環(huán)流分型技術(shù);3)天氣發(fā)生器。

由于統(tǒng)計降尺度方法相對簡便易行，且就目前而言其精度并不亞于動力方法，其研究區(qū)域及具體實施方案又有較大的靈活性。故目前統(tǒng)計降尺度方法在國外已被廣泛應(yīng)用于區(qū)域氣候的模擬和預(yù)估研究(Haylock et al.，2006;Schmidli et al.，2007;Maraun et al.，2010)，如歐盟的STARDEX(statistical and regional dynamical downscaling of extremes for European regions)計劃(Goodess，2003)，專門研究了各種統(tǒng)計降尺度方法對不同氣候區(qū)不同季節(jié)極端溫度、降水指數(shù)的模擬能力。作為該計劃的一部分，Goodess et al.(2011)評估了22種統(tǒng)計降尺度方法對不同指數(shù)模擬能力，指出一般冬季效果最好，夏季最差，且溫度指數(shù)好于降水，但哪種統(tǒng)計降尺度方法較好則隨不同氣候區(qū)有所差別。國內(nèi)陸續(xù)有學者利用統(tǒng)計降尺度方法進行中國區(qū)域氣候的模擬和情景預(yù)估(Wetterhall et al.，2006;范麗軍等，2007;趙芳芳和徐宗學，2007;范麗軍，2010;崔妍等，2010;Chu et al.，2010)。如范麗軍等(2007)采用主分量分析與逐步回歸分析相結(jié)合的多元線性回歸模型統(tǒng)計降尺度方法對華北地區(qū)1月和7月49個氣象觀測站的未來月平均溫度變化情景進行預(yù)估。Wetterhall et al.(2006)考察了4種不同統(tǒng)計降尺度方法對中國3個不同氣候區(qū)逐日降水的模擬能力，并指出在預(yù)報因子中增加濕度場變量能顯著改善降尺度模式對逐日降水的模擬性能。但總體上統(tǒng)計降尺度方法在中國地區(qū)的應(yīng)用尚不多見。特別缺乏將統(tǒng)計降尺度模式應(yīng)用于區(qū)域極端氣候事件的模擬和預(yù)估。

最近由Wilby et al.(2002)、Wilby and Dawson(2007)研制的一種統(tǒng)計降尺度模型(statistical downscaling model，SDSM)，采用隨機天氣發(fā)生器與多元回歸的有機結(jié)合，已廣泛應(yīng)用于歐洲、北美和東南亞等地的氣象要素場降尺度分析中(Haylock et al.，2006;Wetterhall et al.，2006，2007;)。一些對比研究(Harpham and Wilby，2005;Wetterhall et al.，2006)表明，該方案的模擬精度相對較高。本文引入統(tǒng)計降尺度模型SDSM，考察SDSM對江淮流域各極端氣候指數(shù)的模擬能力，在此基礎(chǔ)上，結(jié)合SRES A2排放情景下HadCM3和CGCM3模式的結(jié)果，通過SDSM模型，進行該情形下21世紀末期江淮流域極端氣候事件的預(yù)估，以便為氣候變化的影響評價與應(yīng)對決策提供依據(jù)。

1 資料與方法簡介

1.1 站點資料和大尺度預(yù)報因子介紹

選取了江淮流域(110～122°E，28～34°N)分布較為均勻，且具有1961—2000年完整逐日序列的29個站點，其分布如圖1所示。用于建立統(tǒng)計降尺度模型的大尺度環(huán)流因子主要有:海平面氣壓，表面風(風速，風向)、濕度、渦度，850 hPa和500 hPa位勢高度、風、濕度、渦度，以及2 m高度溫度等一共26個變量。在進行情景預(yù)估時，為減少不確定性，大尺度預(yù)報因子從以下兩個海氣耦合模式中選取:1)HadCM3模式(Gordon et al.，2000)，該模式是Hadley中心發(fā)展的海氣耦合模式，具有大氣部分垂直分層19層，其水平分辨率為3.75°×2.5°;2)加拿大CGCM3.1(T47)耦合模式(Flato et al.，2000)，其水平分辨率為3.75°×3.75°。以上大尺度環(huán)流場資料可從http://www.cccsn.ca/index-e.html下載，更詳細的說明參見文獻(Gachon and Dibike，2007;Dibike et al.，2008)，與SDSM在其他世界氣候區(qū)的應(yīng)用一樣，預(yù)報因子變量取自與研究區(qū)內(nèi)各站點經(jīng)緯度最接近的模式網(wǎng)格值。鑒于利用耦合模式環(huán)流場建模的降尺度精度與耦合模式環(huán)流場的模擬效果有關(guān)，故本文同時利用NCEP資料的大尺度環(huán)流場，以便與耦合模式驅(qū)動的降尺度效果進行對比，為便于敘述，將NCEP資料、HadCM3模式和CGCM3模式驅(qū)動的SDSM分別記為SDSMNCEP，SDSM-HadCM3和SDSM-CGCM3(下同)。

圖1 江淮流域(110～122°E，28～34°N)的29個代表站點分布Fig.1 Distribution of the 29 stations in the Yangtze and Huaihe River Basins(28—34°N，110—122°E)

1.2 極端氣候指數(shù)介紹

對極端氣候，可有兩種方法來表征，一種基于極端值理論(Ding et al.，2008)，另一種是通過一些具有顯著意義的極端氣候指數(shù)(Frich et al.，2002;Alexander et al.，2006)，本文利用后者來研究江淮流域的極端氣候變化。與Chen et al.(2011a)一致，主要選取了一些對經(jīng)濟、社會和自然生態(tài)系統(tǒng)具有較大影響的極端氣候指數(shù)，如霜凍(frost days，F(xiàn)D)指數(shù)，熱浪(heat waves，HW)指數(shù)，日降水強度(simple daily intensity，SDII)指數(shù)，最大持續(xù)無雨期(consecutive dry days，CDD)指數(shù)，連續(xù)5 d最大降水量指數(shù)(maximum 5 days rainfall，R5d)和極端降水貢獻率指數(shù)(heavy precipitation fraction，R95t)，此外還統(tǒng)計了季節(jié)平均的最高溫度(Tmax)、最低溫度(Tmin)和平均降水(Pav)，其單位、定義如表1所示。

表1 極端氣候指數(shù)的定義Table 1 Definition of climate extremes indices used in this study

1.3 SDSM簡介

統(tǒng)計降尺度模型SDSM是Wilby et al.(1999，2002，2003)、Wilby and Dawson(2007)研制的一種新的統(tǒng)計降尺度方法。通過采用多元線性回歸方法與隨機天氣發(fā)生器的有機結(jié)合，克服了僅用前者會過低估計年際變率的弱點，同時又借助隨機模擬技術(shù)使逐日序列的方差更接近觀測值。目前已被世界各地廣泛用于氣象、水文及環(huán)境評價等諸多領(lǐng)域(Haylock et al.，2006;Khan et al.，2006;Wetterhall et al.，2006;Gachon and Dibike，2007;Dibike et al.，2008;Chu et al.，2010)。其基本原理如公式(1)、(2)所示。式中:Oi為降水概率;Ri為降水量;Ti是溫度變量(如逐日最高、最低溫度);Pij為大尺度預(yù)報因子;n為預(yù)報因子個數(shù);α、β、γ為模式參數(shù);ei為模式誤差。

對于降水(式(1))，先對降水發(fā)生概率(Oi)進行模擬，如果發(fā)生降水，再用隨機天氣發(fā)生器來模擬降水量(Ri)。注意到與單一天氣發(fā)生器不同，SDSM中降水概率取決于當天的大尺度環(huán)流因子，一定程度上克服了天氣發(fā)生器物理涵義不明確的缺點(Katz and Parlange，1998)。對于溫度，則直接用公式(2)來模擬。有關(guān)SDSM的更詳細說明可以參見文獻(Wilby et al.，1999，2002，2003)。

2 SDSM模式的建立與獨立檢驗

2.1 預(yù)報因子的選擇

對每個站點，利用逐步回歸的方法，通過計算偏相關(guān)，從與該站點最鄰近的格點上的26個大尺度預(yù)報因子中選取最優(yōu)因子(Hessami et al.，2008)，表2給出了利用NCEP資料對逐日最高溫度、最低溫度和逐日降水建模時，江淮流域6個典型站點選取的最優(yōu)建模因子(需要指出的是，不同站點不同氣象要素的最優(yōu)大尺度因子略有不同，這里限于篇幅僅給出6個站點的情形)。由表2可以看出，入選的主要有對流層中低層的大尺度變量，如海平面氣壓、850 hPa位勢高度場、850 hPa相對濕度場等，注意到對于降水的模擬，其最優(yōu)因子都包括濕度變量，這與先前的一些研究結(jié)論是一致的(Wetterhall et al.，2006)。此外，不同站點得到的回歸方程的解釋方差不一致，對于降水，其值在10%～30%;而對最高溫度、最低溫度，對各站的解釋方差介于47%～67%。

2.2 模式獨立檢驗

對于統(tǒng)計降尺度模型，有兩種方法可以檢驗?zāi)Ｊ降姆€(wěn)定性(范麗軍等，2005)，一種是交叉檢驗的方法，另外一種就是采用不參與建模的獨立數(shù)據(jù)。本文采用后一種方法，即用1961—1990年數(shù)據(jù)來建立模型的參數(shù)，而用1991—2000的數(shù)據(jù)來檢驗?zāi)Ｊ綄Ξ斍皻夂蚰M的穩(wěn)定性。

2.2.1 年循環(huán)的模擬

圖2給出了獨立驗證期(1991—2000年)江淮流域各月最高、最低溫度和降水量的觀測值和模擬值，其中Raw-HadCM3和Raw-CGCM3分別代表耦合模式HadCM3和CGCM3的直接輸出值，可以看出，對于月平均最高溫度和最低溫度，耦合模式HadCM3和CGCM3都存在冷偏差，尤以CGCM3模式更甚，而利用這兩個模式大尺度環(huán)流場驅(qū)動的SDSM模式，即SDSM-HadCM3和SDSM-CGCM3，則更接近實況，此外，SDSM-NCEP模擬的最高、最低氣溫年循環(huán)也與實況較為一致。對于月平均降水，則比較復(fù)雜，江淮流域觀測月降水量的極值出現(xiàn)在6月(主要是梅雨)，NCEP資料驅(qū)動的SDSM模型能比較好地模擬出來，但不論耦合模式HadCM3和CGCM3的直接輸出降水，還是利用這兩個模式大尺度環(huán)流場資料驅(qū)動的SDSM，模擬的月降水極值都不在6月，且量級偏小，這也說明耦合模式對處于季風區(qū)的江淮流域降水及相關(guān)大尺度環(huán)流場年變化的模擬存在困難(張莉等，2008)。

表2 江淮流域6個典型站點的最優(yōu)建模因子Table 2 Best NCEP predictors selected for daily maximum temperature and precipitation of the six representative stations over the Yangtze-Huaihe River Basins

圖2 觀測與模擬的江淮流域各月平均最低溫度(a)、最高溫度(b)和降水量(c)的對比Fig.2 Comparison of monthly mean(a)minimum temperature，(b)maximum temperature and(c)precipitation between the observed and simulated values(both downscaled and raw GCMs)

2.2.2 對極端指數(shù)的模擬能力

為檢驗SDSM對各極端氣候指數(shù)的模擬能力，首先計算了CGCM3模式、SDSM-NCEP、SDSMCGCM3模擬的1991—2000年江淮區(qū)域29個代表站點平均各季最高、最低溫度、霜凍和熱浪天數(shù)及其對應(yīng)觀測值的偏差(模擬值減去觀測值)。由表3可以看出，如前所述，CGCM3模式在江淮流域存在較大的冷偏差，且以冬季最為顯著，如CGCM3模式模擬的冬季最高溫度，最低溫度分別比實況偏低4.4℃和5.9℃;這種冷偏差導(dǎo)致其模擬的霜凍日數(shù)較實況大幅偏多，如年霜凍日數(shù)較觀測偏多約63 d。但降尺度模型SDSM-NCEP和SDSM-CGCM3則能顯著糾正這種冷偏差，模擬的最高、最低溫度，更接近實況，如SDSM-CGCM3模擬的冬季最高溫度，最低溫度與觀測值的偏差分別為－1.4℃和－0.4℃，比降尺度前的CGCM3模式的偏差分別減少4℃和5.5℃。SDSM-CGCM3模擬的年霜凍日數(shù)的偏差為2.4 d，比CGCM3減少約60 d。對于熱浪天數(shù)，由于其計算是根據(jù)自身序列的90%分位點計算(表1)，故這里看不出降尺度模型的明顯改善。

對于降水，圖3給出了江淮流域各季節(jié)各極端降水指數(shù)的模擬偏差百分率((模擬值－觀測值)/觀測值×100%)，可以看出，降尺度模型對4個季節(jié)平均降水、月降水強度和連續(xù)5 d最大降水量的模擬偏差率，都較耦合模式CGCM3的偏差率小。如CGCM3對于各個季節(jié)的降水強度模擬都偏低，夏季偏低幅度達到60%，這也是耦合模式的一個普遍問題(Sun et al.，2006;江志紅等，2009a)，但SDSMNCEP和SDSM-CGCM3對月降水強度的模擬則大有改善，夏季的偏低幅度皆在10%以內(nèi)。此外對于夏季ICDD和R95t指數(shù)，SDSM也更接近觀測值。

2.2.3 對極端指數(shù)時間變化的模擬能力

為考察SDSM-NCEP對極端氣候指數(shù)時間變化的模擬能力，圖4給出了1991—2000年不同季節(jié)SDSM-NCEP模擬各指數(shù)序列與實況序列之間的相關(guān)系數(shù)(圖4a)以及均方差比值(圖4b，模擬序列均方差/觀測序列均方差)?？梢钥闯觯傮w上SDSMNCEP對各季節(jié)平均降水、平均最高和最低溫度的年際變化具有較好的模擬能力，相關(guān)系數(shù)都在0.8以上，此外對于兩個極端溫度指數(shù)年際變化的模擬能力總體上好于極端降水總數(shù)。圖4b給出了SDSM-NCEP對各指數(shù)不同季節(jié)的1991—2000年模擬序列均方差與觀測序列均方差之間的比值?？梢钥闯觯斜戎刀夹∮?，說明SDSM-NCEP模擬的年際變率小于觀測值，注意到這也是很多統(tǒng)計降尺度方法的普遍問題(Storch，1999;Hundecha and Bardossy，2008)，但總體來說，模式對最高溫度、最低溫度的年際變率模擬較好，接近實況，而對降水及其相關(guān)極端指數(shù)則相對較差。而SDSM-CGCM3，對于極端指數(shù)的年際變化模擬能力較差(圖略)。

表3 獨立驗證期(1991—2000年)SDSM對各極端溫度指數(shù)的模擬偏差Table 3 Domain-averaged biases of extreme temperature indices during the validation period(1991—2000)

圖3 1991—2000年江淮流域冬(a)、春(b)、夏(c)、秋(d)季各極端降水指數(shù)的模擬偏差百分率Fig.3 Histograms of simulated domain-averaged biases(by percentage)of extreme precipitation indices in(a)winter，(b)spring，(c)summer and(d)autumn during the validation period(1991—2000)

圖4 SDSM-NCEP對各指數(shù)不同季節(jié)的1991—2000年模擬序列與觀測序列之間的相關(guān)系數(shù)(a)和模擬序列均方差與觀測序列均方差之間的比值(b)Fig.4 Histograms of(a)correlation coefficients between the observed and SDSM-NCEP downscaled in dices of daily maximum，minimum temperature and precipitation and(b)ratio of standard deviations of the simulated and observed indices during the validation period

總之，SDSM降尺度模型能較好地模擬出年循環(huán)，且模擬效果的確好于嵌套的GCM;此外，對耦合模式的冷偏差有顯著的改進，模擬的極端降水的強度也更接近實況，說明降尺度模型的確可以起到增加值的作用。

3 SRES A2排放情景下江淮地區(qū)未來極端氣候變化的預(yù)估

全球變暖背景下極端氣候事件將如何響應(yīng)，這是全球變化研究領(lǐng)域中的重要問題。本文將前述建立的SDSM統(tǒng)計降尺度模型分別應(yīng)用于21世紀SRES A2排放情景下，HadCM3和CGCM3模式的大尺度環(huán)流場因子，得出江淮地區(qū)在該排放情景下各站點逐日最高、最低溫度、逐日降水信息，然后計算極端氣候指數(shù)。選擇21世紀末期2070—2099年(記為2080s，下同)的統(tǒng)計降尺度結(jié)果與氣候基準時段(1961—1990年)的統(tǒng)計降尺度的結(jié)果進行比較，即用各個季節(jié)各指數(shù)2070—2099年的均值減去基準時段的對應(yīng)值，得到極端氣候指數(shù)的變化信息。

3.1 極端溫度變化

表4給出了江淮流域區(qū)域平均21世紀80年代的極端指數(shù)變化情況(相對于1961—1990年)，可以看出，對比所嵌套的兩個不同耦合模式，SDSMHadCM3和SDSM-CGCM3模擬的極端溫度變化不僅在變化符號，而且在變化幅度上都有較好的一致性。SRES A2情景下21世紀末期，江淮流域各個季節(jié)的極端最高，最低溫度顯著增加，且增加幅度在夏季最大，如SDSM-HadCM3和SDSM-CGCM3模擬的夏季最高溫度將分別增加4.2℃和4.1℃，夏季最低溫度分別增加3.2℃和3.3℃。逐日最高氣溫的增加導(dǎo)致熱浪天數(shù)大幅增加，如夏季SDSMHadCM3和SDSM-CGCM3模擬的熱浪天數(shù)將分別增加約8 d和10 d;由于逐日最低氣溫的增加，霜凍天數(shù)將大幅減少，如冬季兩個模式模擬的霜凍天數(shù)分別減少約16 d和20 d。

表4 SRES A2情形下2070—2099年江淮流域極端氣溫指數(shù)的變化(相對于1961—1990年)Table 4 Projected changes of temperature-related in dices during 2070 and 2099(A2 scenario)compared with current climate(1961—1990)

以上給出的是江淮區(qū)域整體平均的極端溫度及其相關(guān)指數(shù)的變化，為考察不同站點變化幅度的差異，圖5給出了SDSM-HadCM3和SDSM-CGCM3模擬的江淮流域29站2070—2099年不同季節(jié)最高、最低溫度的變化幅度的框型圖?？蛐蛨D可用于統(tǒng)計一組或多組數(shù)據(jù)中心位置和分散情況，該統(tǒng)計圖提供了一種只用5個點對數(shù)據(jù)集做簡單總結(jié)的方式。這5個點包括中位數(shù)、上四分位數(shù)、下四分位數(shù)、最大，最小值(范麗軍，2010)。因此框型圖可以很好地反映不同站點之間變化幅度的差異。由圖5可以看出，四季及年平均最高溫度、最低溫度在所有站點都有顯著的增加，且以夏季增加最為明顯。與之相應(yīng)的是，所有站點的霜凍大幅減少，而熱浪天數(shù)大幅增加(圖6)，如不同站點間冬季霜凍天數(shù)減少幅度為5～25 d(中位數(shù)為17 d)，夏季熱浪天數(shù)增加幅度為4～14 d。注意到本文的統(tǒng)計降尺度結(jié)果與利用動力降尺度的結(jié)果類似(張勇等，2007;Chen et al.，2011a)。此外對比兩個不同的大尺度模式HadCM3和CGCM3驅(qū)動SDSM的預(yù)估結(jié)果，不同站點極端溫度指數(shù)變化方向和幅度都具有較高的一致性，這也說明全球變暖背景下與溫度有關(guān)的指數(shù)的變化不確定性比較低。

圖5 21世紀末期(2070—2099年)江淮流域29站不同季節(jié)最高溫度(a，b)、最低溫度(c，d)變化的框型圖a，c.SDSM-HadCM3;b，d.SDSM-CGCM3Fig.5 Box plots of projected changes of(a，b)maximum and(c，d)minimum temperature simulated by(a，c)SDSM-HadCM3 and(b，d)SDSM-CGCM3 during 2070 and 2099 under IPCC A2 scenario，compared with 1961—1990(For each box，the lower，middle，and upper bounds denote the 25th，50th，and 75th percentiles of the 29-station network)

3.2 極端降水變化

以往的研究表明，全球變暖背景下，溫度增加將導(dǎo)致大氣可容納水汽的增加，降水強度將增加(Meehl et al.，2005);同時區(qū)域平均溫度的改變也可導(dǎo)致區(qū)域極端降水概率分布特征的變動(江志紅等，2009b)。對于江淮流域，圖7給出冬、夏季和年內(nèi)江淮區(qū)域平均的平均降水和各極端降水指數(shù)的變化，可以看出，21世紀后期，除在冬季CDD指數(shù)略有減少，其他幾個指數(shù)都呈增加趨勢，且增加幅度在夏季最大，如在江淮流域夏季，SDSM-HadCM3和SDSM-CGCM3預(yù)估的ISDI將分別增加22%和19%;極端降水貢獻率指數(shù)R95t也將分別增加26%和27%;R5d分別增加17%和24%;最大無雨日數(shù)指數(shù)ICDD也將分別增加27%和19%。對于春季和秋季，總體上各極端降水指數(shù)也是增加的(圖略)。

對于各個單站的極端降水指數(shù)變化，圖8給出了SDSM-HadCM3和SDSM-CGCM3模擬的江淮流域29站不同季節(jié)平均降水以及降水強度變化幅度的框型圖?？梢钥闯觯^之溫度指數(shù)，各個站點不同季節(jié)平均降水變化的符號和幅度具有較大的差異，如各站點夏季平均降水變化的幅度在－25%～25%之間，此外在兩個HadCM3和CGCM3模式驅(qū)動SDSM的預(yù)估結(jié)果間，也具有較大的差異。而對降水強度指數(shù)ISDI，以及R5d和R95t(圖9)對于絕大部分站點，各個季節(jié)都是增加的。說明未來全球變暖背景下，江淮流域降水有極端化的趨勢(Meehl et al.，2005;崔妍等，2010;Chen et al.，2011a)。

綜上，未來SRES A2情形下，SDSM統(tǒng)計降尺度結(jié)果表明，江淮流域極端高溫熱浪事件將顯著增多，而極端降水也更為頻繁，強度更強，這與利用全球耦合模式(江志紅等，2009a)、動力降尺度模式(Zhang et al.，2006;Chen et al.2011a)以及其他統(tǒng)計降尺度方法(崔妍等，2010)得出的預(yù)估結(jié)果是一致的，故該區(qū)未來的防災(zāi)減災(zāi)形勢可能會更嚴峻。

圖6 21世紀末期(2070—2099年)SDSM-HadCM3和SDSM-CGCM3模擬的江淮流域29站不同季節(jié)霜凍(a，b)、熱浪(c，d)天數(shù)變化的框型圖a，c.SDSM-HadCM3;b，d.SDSM-CGCM3Fig.6 Box plots of projected changes in(a，b)FD and(c，d)HW simulated by(a，c)SDSM-HadCM3 and(b，d)SDSM-CGCM3 during 2070 and 2099 under IPCC A2 scenario，compared with 1961—1990(For each box，the lower，middle，and upper bounds denote the 25th，50th，and 75th percentiles of the 29-station network)

圖7 極端降水指數(shù)的變化率(相對于1961—1990年)(SDSM-H和SDSM-C分別代表用HadCM3和CGCM3耦合模式大尺度預(yù)報因子驅(qū)動SDSM;單位:%)Fig.7 Projected fractional changes(units:%)of precipitation-related indices(A2 scenario)compared with current climate(1961—1990)

圖8 21世紀末期(2070—2099年)江淮流域29站不同季節(jié)平均降水Pav(a，b)、日降水強度(c，d)變化的框型圖a，c.SDSM-HadCM3;b，d.SDSM-CGCM3Fig.8 Box plots of projected changes in(a，b)Pavand(c，d)ISDIsimulated by(a，c)SDSM-HadCM3 and(b，d)SDSM-CGCM3 during 2070 and 2099 under IPCC A2 scenario，compared with 1961—1990(For each box，the lower，middle，and upper bounds denote the 25th，50th，and 75th percentiles of the 29-station network)

4 結(jié)論與討論

利用江淮流域29個代表站點1961—2000年逐日最高溫度、最低溫度和逐日降水資料，以及NCEP逐日大尺度環(huán)流場資料，引入基于多元線性回歸與隨機天氣發(fā)生器相結(jié)合的統(tǒng)計降尺度模型SDSM，通過對每個站點建模，確立SDSM參數(shù)，并將該模型應(yīng)用于SRES A2排放情景下HadCM3和CGCM3模式，得到了江淮流域各代表臺站21世紀的逐日最高、最低溫度和降水序列以及熱浪、霜凍、強降水等極端氣候指數(shù)。結(jié)果表明如下。

圖9 21世紀末期(2070—2099年)江淮流域29站不同季節(jié)降水R5d(a，b)、R95t(c，d)變化的框型圖a，c SDSM-HadCM3;b，d.SDSM-CGCM3Fig.9 Box plots of projected changes in(a，b)R5dand(c，d)R95tsimulated by(a，c)SDSM-HadCM3 and(b，d)SDSM-CGCM3 during 2070 and 2099 under IPCC A2 scenario，compared with 1961—1990(For each box，the lower，middle，and upper bounds denote the 25th，50th，and 75th percentiles of the 29-station network)

1)當前氣候下，統(tǒng)計降尺度方法模擬的極端溫度與觀測值有很好的一致性，能有效糾正耦合模式的“冷偏差”，如SDSM對江淮平均的冬季最高、最低溫度的模擬偏差較CGCM3模式分別減少3℃和4.5℃;對于極端降水則能顯著糾正耦合模式模擬的降水強度偏低的問題，說明降尺度模型SDSM的確有“增加值”的作用。

2)未來SRES A2情景下，對于極端溫度，無論HadCM3模式還是CGCM3模式驅(qū)動統(tǒng)計降尺度模型，江淮流域所有代表臺站，各個季節(jié)的最高最、低溫度都顯著增加，且以夏季最為顯著，增幅在2～4℃;與之相應(yīng)霜凍天數(shù)將大幅減少，熱浪天數(shù)大幅增多，如各站點冬季霜凍天數(shù)減少幅度為5～25 d，夏季熱浪天數(shù)增加幅度為4～14 d;對于極端降水指數(shù)，在兩個不同耦合模式驅(qū)動下，大部分站點各個季節(jié)極端強降水事件將增多，強度增強。說明未來江淮流域夏季高溫熱浪，旱澇災(zāi)害將更加頻繁，防災(zāi)形勢不容樂觀。

由于極端氣候事件本身的復(fù)雜性，尤其是極端降水，不僅受高空大尺度環(huán)流場影響，還受局地因子影響(如地形)，同時SDSM降尺度模型本身也存在缺陷，如在選擇預(yù)報因子時，僅取最鄰近站點，此外根據(jù)當前氣候建立的預(yù)報因子與預(yù)報量之間的統(tǒng)計關(guān)系，在未來全球變暖背景下是否依然適用，也需要慎重考慮。這都導(dǎo)致對于極端氣候事件的預(yù)估結(jié)果存在較大的不確定性。未來需要綜合利用多種統(tǒng)計尺度方法，并與動力統(tǒng)計降尺度結(jié)合進行，以盡可能減少降尺度方法產(chǎn)生的不確定性;而同時利用多個GCM模式的大尺度環(huán)流場來進行降尺度分析，給出概率預(yù)估結(jié)果(Chen et al.，2011b)，也不失為一種減少大尺度背景場帶來的不確定性的好途徑。

崔妍，江志紅，陳威霖.2010.典型相關(guān)分析方法對21世紀江淮流域極端降水的預(yù)估試驗［J］.氣候變化研究進展，6(6):405-410.

范麗軍.2010.統(tǒng)計降尺度方法集合預(yù)估華東氣溫的初步研究［J］.高原氣象，29(2):392-402.

范麗軍，符淙斌，陳德亮.2005.統(tǒng)計降尺度法對未來區(qū)域氣候變化情景預(yù)估的研究進展［J］.地球科學進展，20(3):320-329.

范麗軍，符淙斌，陳德亮.2007.統(tǒng)計降尺度法對華北地區(qū)未來區(qū)域氣溫變化情景的預(yù)估［J］.大氣科學，31(5):888-898.

高學杰，趙宗慈，丁一匯，等.2003a.溫室效應(yīng)引起的中國區(qū)域氣候變化的數(shù)值模擬Ⅰ:模式對中國氣候模擬能力的檢驗［J］.氣象學報，61(1):20-28.

高學杰，趙宗慈，丁一匯，等.2003b.溫室效應(yīng)引起的中國區(qū)域氣候變化的數(shù)值模擬Ⅱ:中國區(qū)域氣候的可能變化［J］.氣象學報，61(1):29-38.

高學杰，林萬濤，F(xiàn)red K，等.2004.實況海溫強迫的CCM3模式對中國區(qū)域氣候的模擬能力［J］.大氣科學，28(1):78-90.

江志紅，陳威霖，宋潔，等.2009a.7個IPCC AR4模式對中國地區(qū)極端降水指數(shù)模擬能力的評估及其未來情景預(yù)估［J］.大氣科學，33(1):109-120.

江志紅，丁裕國，蔡敏.2009b.未來極端降水對氣候平均變暖敏感性的蒙特卡羅模擬試驗［J］.氣象學報，67(2):272-279.

石英，高學杰.2008.溫室效應(yīng)對我國東部地區(qū)氣候影響的高分辨率數(shù)值試驗［J］.大氣科學，32(5):1006-1018.

張莉，丁一匯，孫穎.2008.全球海氣耦合模式對東亞季風降水模擬的檢驗［J］.大氣科學，32(2):261-276.

張勇，許吟隆，董文杰，等.2007.SRES B2情景下中國區(qū)域最高、最低氣溫及日較差變化分布特征初步分析［J］.地球物理學報，50(3):714-723.

趙芳芳，徐宗學.2007.統(tǒng)計降尺度方法和Delta方法建立黃河源區(qū)氣候情景的比較分析［J］.氣象學報，65(4):653-662.

趙宗慈.2006.全球氣候變化預(yù)估最新研究進展［J］.氣候變化研究進展，2(2):68-70.

趙宗慈.2009.為IPCC第五次評估報告提供的全球氣候模式預(yù)估［J］.氣候變化研究進展，5(4):241-243.

Alexander L V，Zhang X，Peterson T C，et al.2006.Global observed changes in daily climate extremes of temperature and precipitation［J］.JGeophysRes，111(D5)，D05109.doi:10.1029/2005JD006290.

Chen Weilin，Jiang Zhihong，Li L，et al.2011a.Simulation of regional climate change under the IPCC A2 scenario in southeast China［J］.Climate Dyn，36:491-507.doi:10.1007/s00382-010-0910-3.

Chen Weilin，Jiang Zhihong，Li L.2011b.Probabilistic projections of climate change over China under the SRES A1B scenario using 28 AOGCMs［J］.JClimate.24:4741-4756.doi:10.1175/2011JCLI4102.1.

Christensen J H，Hewitson B，Busuioc A，et al.2007.Regional climate projections［R］//Solomon S，Qin D，Manning M，et al.Climate change 2007:The physical science basis.New York:Cambridge U-niversity Press.

Chu J T，Xia J，Xu C Y，et al.2010.Statistical downscaling of daily mean temperature，pan evaporation and precipitation for climate change scenarios in Haihe River of China［J］.Theor Appl Climatol，99(1):149-161.doi:10.1007/s00704-009-0129-6.

Dibike Y B，Gachon P，St-Hilaire A，et al.2008.Uncertainty analysis of statistically downscaled temperature and precipitation regimes in northern Canada［J］.Theor Appl Climatol，91:149-170.doi:10.1007/s00704-007-0299-z.

Ding Yuguo，Cheng Bingyan，Jiang Zhihong.2008.A newly-discovered GPD-GEV relationship together with comparing their models of extreme precipitation in summer［J］.Adv Atmos Sci，25(3):507-516.

Flato G M，Boer G J，Lee W G，et al.2000.The Canadian centre for climate modelling and analysis global coupled and its climate［J］.Climate Dyn，16(6):451-467.

Frich P，Alexander L V，Della-Marta P，et al.2002.Observed coherent changes in climatic extremes during the second half of the twentieth century［J］.Climate Res，19:193-212.

Fowler H J，Blenkinsop S，Tebaldi C.2007.Linking climate change modelling to impacts studies:Recent advances in downscaling techniques for hydrological modeling［J］.Int J Climatol，27(12):1547-1578.

Gachon P，Dibike Y.2007.Temperature change signals in northern Canada:Convergence of statistical downscaling results using two driving GCMs［J］.Int J Climatol，27:1623-1641.

Goodess C M.2003.Statistical and regional dynamical downscaling of extremes for European regions:STARDEX［J］.Eggs，6:25-29.

Goodess C M，Hall J，Best M，et al.2007.Climate scenarios and decision making under uncertainty［J］.Built Environment，33(1):10-30.doi:10.2148/benv.33.1.10.

Gordon C C，Cooper C A，Senior H，et al.2000.The simulation of SST，sea ice extents and ocean heat transport in a version of the hadley centre coupled model without flux adjustments［J］.Clim Dyn，16(2):147-168.doi:10.1007/s003820050010.

Harpham C，Wilby R L.2005.Multi-site downscaling of heavy daily precipitation occurrence and amounts［J］.J Hydrol，312(1/4):235-255.

Haylock M R，Cawley G C，Harpham C，et al.2006.Downscaling heavy precipitation over the UK:A comparison of dynamical and statistical methods and their future scenarios［J］，Int J Climatol，26(10):1397-1415.

Hessami M，Gachon P，Ouarda T B，et al.2008.Automated regressionbased statistical downscaling tool［J］.Environmental Modeling and Software，23(6):813-834.

Hundecha Y，Bardossy A.2008.Statistical downscaling of extremes of daily precipitation and temperature and construction of their future scenarios［J］.Int J Climatol，28:589-610.doi:10.1002/joc.1563.

Jiang D，Wang H J，Lang X.2005.Evaluation of East Asian climatology as simulated by seven coupled models［J］.Adv Atmos Sci，22(4):479-495.

Katz R W，Parlange M B.1998.Overdis persion phenomenon in stochastic modeling of precipitation［J］.J Climate，11(4):591-601.

Khan M S，Coulibaly P，Dibike Y.2006.Uncertainty analysis of statistical downscaling methods［J］.J Hydrol，319(3):357-382.doi:10.1016/j.jhydrol.2005.06.035.

Maraun D，Wetterhall F，Ireson A M，et al.2010.Precipitation downscaling under climate change:Recent developments to bridge the gap between dynamical models and the end user［J］.Rev Geophys，48，RG3003.doi:10.1029/2009RG000314.

Meehl G A，Arblaster J M，Tebaldi C.2005.Understanding future patterns of increased precipitation intensity in climate model simulations［J］.GeophysResLett，32，L18719.doi:10.1029/2005GL023680.

Meehl G A，Stocker T F，Collins W D，et al.2007.Global climate projections［R］//Solomon S，Qin D，Manning M，et al.Climate change 2007:The physical science basis.New York:Cambridge U-niversity Press:747-846.

Schmidli J，Goodess C M，F(xiàn)rei C，et al.2007.Statistical and dynamical downscaling of precipitation:An evaluation and comparison of scenarios for the European Alps［J］.J Geophys Res，112，D04105.doi:10.1029/2005JD007026.

Storch V.1999.On the use of“Inflation”in statistical downscaling［J］.J Climate，12:3505-3506.

Sun Y，Ding Y H.2010.A projection of future changes in summer precipitation and monsoon in East Asia［J］.Sci Chin Ser D:Earth Sci，53:284-300.doi:10.1007/s11430-009-0123-y.

Sun Y，Susan S，Aiguo D，et al.2006.How often does it rain［J］?J Climate，19:916-934.doi:10.1175/JCLI3672.1.

Wetterhall F，Ba＇rdossy A，Chen D，et al.2006.Daily preci pitation downscaling techniques in three Chinese regions［J］.Water Resour Res，42，W11423.doi:10.1029/2005WR004573.

Wetterhall F，Halldin S，Xu C Y.2007.Seasonality properties of four statistical-downscaling methods in central Sweden［J］.Theor Appl Climatol，87(1):123-137.doi:10.1007/s00704-005-0223-3.

Wilby R L，Dawson C W.2007.SDSM 4.2——A decision support tool for the assessment of regional climate change impacts user manual［R/OL］.［2010-03-07］.https://co-public.lboro.ac.uk/cocwd/SDSM/SDSMManual.pdf.

Wilby R L，Hay L E，Leavesley G H.1999.A comparison of downscaled and raw GCM output:Implications for climate change scenarios in the San Juan River Basin，Colorado［J］.J Hydrol，225(1):67-91.doi:10.1016/S0022-1694(99)00136-5.

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

Wilby R L，Tomlinson O J，Dawson C W.2003.Multi-site simulation of precipitation by conditional resampling［J］.Climate Res，23:183-194.doi:10.3354/cr023183.

Zhang Y，Xu Y L，Dong W J.2006.A future climate scenario of regional changes in extreme climate events over China using the PRECIS climatemodel［J］.Geophys ResLett，33，L24702.doi:10.1029/2006GL027229.

Zhou T J，Li Z X，2002.Simulation of the East Asian summer monsoon by using a variable resolution atmospheric GCM［J］.Clim Dyn，19(2):167-180.doi:10.1007/s00382-001-0214-8.

Zhou T J，Yu R C.2006.Twentieth century surface air temperature over China and the globe simulated by coupled climate models［J］.J Climate，19(22):5843-5858.doi:10.1175/JCLI3952.1.