栗　晗，凌鐵軍，張?zhí)N斐，祖子清，王　劍（國家海洋環(huán)境預報中心國家海洋局海洋災害預報技術研究重點實驗室，北京100081）

中國近海風場未來氣候變化統(tǒng)計降尺度預估

栗晗，凌鐵軍，張?zhí)N斐，祖子清，王劍
（國家海洋環(huán)境預報中心國家海洋局海洋災害預報技術研究重點實驗室，北京100081）

利用經驗正交分解和多元回歸相結合的方法，基于1992—2011年逐日0.25°×0.25°經緯度網格衛(wèi)星反演風場和歐洲中期數(shù)值預報中心1.5°×1.5°經緯度網格的再分析海表面風場和氣壓場資料，建立了中國近海海表面風場的統(tǒng)計降尺度模型，并對模型進行了驗證。將該模型應用到全球耦合模式比較計劃中的8個模式輸出場，對1986—2005年歷史氣候態(tài)模擬和2026—2045年3個不同排放情景下中國近海海表面風場的變化特征進行評估。結果表明：統(tǒng)計降尺度模型的交叉驗證顯示其較好的再現(xiàn)了海表面風場（SSWS）的氣候態(tài)空間分布；與觀測對比表明，利用模式模擬數(shù)據進行統(tǒng)計降尺度分析的空間分布型的模擬上要優(yōu)于直接插值結果；相對于歷史模擬參考時段，未來各RCP情景冬季SSWS整體變化不大，空間分布均表現(xiàn)為約25°N以南海域SSWS增加，夏季SSWS整體表現(xiàn)為略微的增加，增加主要區(qū)域為山東半島中國黃海海域，臺灣島以東中國東海海域以及南海部分海域，不同情景之間SSWS變化的幅度和區(qū)域大小均不相同。

統(tǒng)計降尺度；CMIP5模式；海表面風場；氣候變化預估

1　引言

海岸帶地區(qū)作為我國經濟力量的重要組成部分，對其未來區(qū)域氣候變化影響的評估是氣候變化影響的重點研究方向之一，涉及社會經濟、生態(tài)系統(tǒng)和自然災害等多個研究領域。伴隨全球氣候變化，海洋災害頻發(fā)，而其中由風暴潮、海浪等災害帶來的直接經濟損失最為嚴重。2014年《中國海洋災害公報》表明，2014年各類海洋災害造成直接經濟損失136.14億元，其中造成直接經濟損失最嚴重的是風暴潮災害，占全部直接經濟損失的99.7%。而風暴潮和災害性海浪與劇烈的大氣擾動（如登陸臺風、極端低壓中心等災害性天氣系統(tǒng)）聯(lián)系緊密，因此，科學的評估未來氣候情境下近海風場特征及其與海洋災害性活動的關系，對海岸帶社會經濟發(fā)展具有十分重要的意義。

政府間氣候變化專門委員會（IPCC）第四次評估報告關于近地面風場的研究指出，中緯度西風風速在南北半球均有增加，然而管理極端事件和災害風險推進氣候變化適應特別報告也指出，對于近地面尤其是海表面風場的觀測手段仍存在缺陷，導致關于近地面風場的未來氣候下變化趨勢的結論可信度仍然是較低的。

基于最新的國際耦合模式比較計劃第五階段（CMIP5）試驗數(shù)據，科研人員已經針對中國未來氣候變化開展了許多數(shù)值模擬試驗和預估工作［1-4］。姜大膀等［5］對21世紀東亞季風的變化進行了研究，指出東亞冬季風整體強度并沒有趨勢性變化，而夏季風環(huán)流在中國東部地區(qū)略有加強。劉蕓蕓等［6］也開展了針對西太平洋副熱帶高壓的研究，并指出CMIP5模式對東亞地區(qū)高度場和高空風場的空間形態(tài)和振幅均有較強的模擬能力。

然而，受限于全球氣候模式的分辨率較低，以往的研究工作多集中于對于整個東亞地區(qū)的整體氣候評估，區(qū)域性氣候特征再現(xiàn)力有待改進。同時對于氣候變化的影響和應對研究通常在較高的水平分辨率上開展［7］，而以往的基于全球氣候模式的多模式預估則大多對數(shù)據進行簡單的插值處理，因此本文嘗試利用降尺度的方法對CMIP5全球氣候模式（Global Climate Models，GCMs）輸出場的分辨率進行提高，從而開展更加有效的對中國近海區(qū)域海洋氣候變化研究。

常用的降尺度方法包括兩種：第一種方法是利用區(qū)域氣候模式輸入GCMs大尺度氣候信息進行的動力降尺度區(qū)域氣候模擬，第二種方法是統(tǒng)計降尺度，即基于大尺度氣候狀態(tài)和局地小尺度氣候特征之間的統(tǒng)計相關關系建立統(tǒng)計模型并應用于GCMs輸出場，從而把大尺度氣候信息轉化為局地小尺度的氣候信息。雖然動力降尺度模擬物理意義更明確，但其計算量巨大，消耗計算機時長，并且其模擬結果受GCMs提供的邊界條件影響較大，很難對氣候變化進行多模式集合評估。因此，本文利用經驗正交分析（EOF）和多元回歸相結合的統(tǒng)計降尺度方法對GCMs輸出場進行降尺度分析，從而對比未來氣候情景下中國近海海表面風場的特征變化。雖然統(tǒng)計降尺度技術在氣候變化的研究中已經有了一定的應用，包括對陸地氣溫、降水或風能等的研究［8-10］，但對于區(qū)域性的海洋氣候變化的研究相對較少，截至目前為止還沒有開展針對中國近海海表面風速統(tǒng)計降尺度研究的先例，而且對未來排放情景下基于統(tǒng)計降尺度模型的區(qū)域海洋氣候變化的預估也多基于單一模式結果［11］。因此，本文將統(tǒng)計降尺度技術結合CMIP5多模式輸出結果對中國近海海域海洋氣候變化展開研究，首先嘗試構建適用于目標海域的統(tǒng)計降尺度模型，同時利用該模型基于氣候模式結果對未來2026—2045年不同排放情境下的目標海域氣候變化特征進行降尺度預估并對比模式和情景之間的差異，以期為目標海域氣候和環(huán)境未來變化的科學評估提供參考依據。

2　數(shù)據資料和方法

2.1數(shù)據選取

應用統(tǒng)計降尺度方法對預報量進行預測時，需要選擇相應的大尺度氣候預報因子，建立其與局地小尺度環(huán)流之間的統(tǒng)計關系。本文需要高分辨率的海表面風場數(shù)據為基礎，計算局地尺度預報變量。對于海表面風場來說高分辨率的數(shù)據多來自于衛(wèi)星觀測，如QuickSCAT、ASCAT和CCMP（Cross-Calibrated Multi-Platform）等衛(wèi)星反演風場，并且已經開展了許多基于這些衛(wèi)星觀測資料的研究工作［12-14］。基于資料時間長度和空間分辨率的考慮，本文選取了CCMP衛(wèi)星觀測海表面風場風速數(shù)據作為統(tǒng)計降尺度模型的預報變量，用來構建局地尺度和大尺度之間的統(tǒng)計關系，其空間分辨率為0.25°。大尺度的預報因子則使用歐洲中期數(shù)值預報中心（ECMWF）發(fā)布的再分析數(shù)據集（ERAInterim），其包括海表面氣壓（Sea Level Pressure，SLP）、海表面風速（Sea Surface Wind Speed，SSWS）等氣象要素，空間分辨率為1.5°。兩組數(shù)據的時間維保持一致，均為1992—2011年。

對未來氣候情景的預估則選用CMIP5全球耦合模式比較計劃中的8個模式的模擬輸出結果。模式信息見表1。CMIP5計劃中采用的新一代排放情景稱為“典型濃度目標”，包含4種排放情景由高到低分別為RCP8.5、RCP6.0、RCP4.5和RCP2.6［15］。其中RCP4.5作為未來最有可能發(fā)生的排放情景，而RCP2.6和RCP8.5則分別代表了未來氣候的相對極端變化，因此，本文選擇這3個排放情景下的模式數(shù)據作為未來氣候變化的研究對象。

表1　本文研究所用CMIP5各模式信息

首先，為方便統(tǒng)計模型的建立以及后續(xù)各GCMs輸出場的計算，需要對原始數(shù)據進行處理。（1）統(tǒng)計降尺度模型的建立和應用需要各輸入輸出數(shù)據保持統(tǒng)一的時空分辨率，而各GCMs模擬的分辨率存在差異，本文為方便起見，將所有GCMs輸出數(shù)據的時間軸統(tǒng)一調整為一年360 d，方法為去除每年最后5 d或6 d的數(shù)據。同時將各GCMs模擬結果雙線性插值到1.5°分辨率。（2）除CCMP衛(wèi)星風場以外，ECMWF再分析數(shù)據和GCMs模擬輸出數(shù)據均包含了陸地格點，因此，本文利用1.5°對應分辨率的海陸分布數(shù)據對其進行處理，只保留海表面數(shù)據格點。

2.2統(tǒng)計模型建立

本文采用主分量分析EOF和多元回歸MLR相結合的方法構建統(tǒng)計降尺度模型。即采用EOF分解的降維優(yōu)點，從分解得到的序列中選取顯著模態(tài)，再通過多元回歸的方法，建立局地尺度預報量（Predictand）和大尺度預報因子（Predictor）間的統(tǒng)計關系。首先，對預報量進行選取，由于目標區(qū)域（中國近海海域）位于東亞季風區(qū)，冬夏季季風特征明顯，均有盛行風向主導，而統(tǒng)計降尺度方法主要針對氣候因子的異常信息，考慮到風向在短期氣候尺度上的異常特征較不明顯，本文考慮將風向信息從經緯向風中去除，而只保留海表面風速大小信息。其次，對大尺度預報因子的選取則考慮兩個方面，（1）與預報變量之間存在較強的物理聯(lián)系，（2）GCMs能夠輸出較可靠的變量數(shù)據。同時，Zorita等［16］也指出海表面氣壓（SLP）與地表面氣候變量的關系是較穩(wěn)定的。本文選擇SLP作為除SSWS以外的第二個預報因子。范麗軍［17］指出多變量聯(lián)合場EOF分解的統(tǒng)計降尺度方法能夠更好的揭示多變量場之間的物理聯(lián)系，使統(tǒng)計模型的物理意義更明確。因此，本文的統(tǒng)計模型建立采用SLP和SSWS作為聯(lián)合場預報因子。

本文建立的統(tǒng)計降尺度模型基于1992—2011年的CCMP衛(wèi)星風場數(shù)據以及ECMWF的再分析風場資料，模型的預報變量矩陣為1992—2011年間的CCMP觀測SSWS，預報因子矩陣為1992—2011年ECMWF再分析SSWS和SLP的聯(lián)合場。其中需要說明的是，為了消除GCMs和再分析數(shù)據以及衛(wèi)星觀測風場之間的平均值和標準差上的系統(tǒng)誤差，預報變量和預報因子均進行了標準化處理。

對于預報變量矩陣和預報因子聯(lián)合矩陣分別進行EOF分解，并提取對應的EOF空間模態(tài)和主成分時間序列PC，然后基于多元回歸的方法，對于每一個預報變量矩陣的主成分，分別建立其與預報因子矩陣各主成分間的多元線性回歸模型，其過程見圖1。

2.3 GCMs輸出場降尺度投影

圖1　聯(lián)合EOF分解與多元回歸結合的統(tǒng)計降尺度流程圖

基于上述高分辨率衛(wèi)星觀測風場和低分辨率再分析場（風場、氣壓場等）建立的中國近海區(qū)域統(tǒng)計降尺度模型，將全球氣候模式輸出海表面風場投影到高分辨率網格，從而得到一套高分辨率的中國近海風場數(shù)據資料。

具體過程如圖1第2）步所示，X為輸入的大尺度GCMs預報因子矩陣（SSWS、SLP聯(lián)合場），為ECMWF聯(lián)合預報因子的第j個空間模態(tài)，兩者的空間格點數(shù)保持一致，則可以得到一個新的主成分序列，其包含了大尺度輸入場GCMs模擬結果的氣候信息。第3）步，將新的主成分P與小尺度SSWS的空間模態(tài)EO相乘，對預測目標量（GCMs輸出場投影）完成重構。

需要注意的是，在統(tǒng)計降尺度方法的應用研究中，常會出現(xiàn)降尺度后的變量結果方差比實際值的方差偏低，氣候研究中常常需要估計值的方差與長期氣候態(tài)保持一致，因此需要對預測結果的方差進行放大處理。本文采用人為修正的方法［17-19］，即在預測結果的基礎上進行修正，具體方法為將統(tǒng)計模型的輸出的預測結果除以自身的標準差，然后將預測結果乘以1992—2011年的CCMP衛(wèi)星觀測風場的標準差，從而對預測結果的方差進行放大。

3　統(tǒng)計降尺度模型驗證

本文建立統(tǒng)計降尺度模型的目的是為了能夠對未來氣候變化作出預估，因此需要利用交叉驗證的方法來檢驗該模型對于基礎數(shù)據（時間）選擇的敏感性。本文的具體做法是：采用10組交叉驗證的方法，即將1992—2011年的ERA和CCMP數(shù)據每兩年一組分為10組，隨后首先選擇1992—1993年的數(shù)據作為一個樣本數(shù)據，用其余9組樣本建立統(tǒng)計降尺度模型，對選擇的樣本進行估計，這個過程重復10次即可得到10組通過不同的統(tǒng)計降尺度模型得到的估計值，最后用這10組模式估計值與原CCMP觀測風場進行對比，其相關系數(shù)、解釋方差、均方根誤差等結果見圖2。

從圖2a相關系數(shù)來看，SSWS的全場平均相關系數(shù)約為0.87，其中中國大陸的沿海地區(qū)，包括渤海沿海、海南島以西北部灣沿海區(qū)域相關系數(shù)偏低，約為0.7—0.75，這是由于沿岸附近的海域，存在包括地形等的影響風場的因子較多，同時中小尺度過程在此區(qū)域內也相對頻繁，因此模型的誤差可能較大。其他海域沿海地區(qū)風場的相關系數(shù)均可達0.8以上，相關系數(shù)超過0.9的區(qū)域則位于大洋內區(qū)，并且存在的兩個高值區(qū)分別位于中國南海和西太平洋菲律賓東部海域，其相關性均可達0.95。

圖2a中等值線給出了方差貢獻（解釋方差）的空間分布，其代表了模型結果對原觀測風場的解釋程度，從圖中可以看出其與相關系數(shù)分布相似，全場平均的解釋方差約為73.5%，在中國大陸沿海區(qū)域則較低，模型結果的解釋方差在65%—70%左右。高值區(qū)同樣出現(xiàn)在中國南海和西太平洋菲律賓東部大洋內區(qū)海域，最高值可達90%左右。

圖2模式估計值與原CCMP觀測風場對比

圖2b給出了模型結果與觀測風場的絕對誤差（RMSE）以及觀測風場的標準差（RMS），兩者也有較一致的空間分布形態(tài)。其中，模型結果與觀測絕對誤差RMSE在臺灣海峽存在一個高值區(qū)約為2.5 m/s，而臺灣海峽海域常年風速較大，與其相對應觀測風場的標準差也在此區(qū)域存在高值達4.5 m/s，同時，該區(qū)域的相關系數(shù)可達0.8，解釋方差約為70%左右，因此其相對誤差依然較小。而對于其他沿海區(qū)域，絕對誤差RMSE均小于2 m/s，特別對于海南島以東廣東沿海、浙江、江蘇沿海沿岸RMSE則均小于1.5 m/s。以上結果說明本文中所構建的統(tǒng)計降尺度模能夠很好的再現(xiàn)中國南海以及東部太平洋海域的風場時空特征，而對于中國大陸沿岸區(qū)域，模型也能夠有較好的表現(xiàn)。

4　氣候模式與統(tǒng)計降尺度模型模擬能力評估

基于上文已經構建并檢驗的統(tǒng)計模型，將CMIP5各全球氣候模式各情景的模擬SSWS和SLP聯(lián)合場進行統(tǒng)計降尺度處理，得到中國近海區(qū)域各個氣候模式的SSWS降尺度結果。由于本文的關注區(qū)域集中在中國大陸沿岸附近，本節(jié)選擇（105°—130°E，10°—40°N）作為研究區(qū)域。為了評估統(tǒng)計降尺度后的各個模式結果對中國近海區(qū)域SSWS大小的模擬能力，本文分別計算各模式結果相對于ERA再分析SSWS的氣候態(tài)（1986—2005年平均）的空間分布相關系數(shù)和標準差之比以及中心化均方根誤差，并將所有信息繪制在Taylor圖中（見圖3）。同時，為了對比統(tǒng)計降尺度（Statistical Downscaling，SD）結果與直接插值（Bilinear Interpolation，BI）結果之間的差異性，圖3中也給出了各個模式SSWS場經過直接雙線性插值得到的相同區(qū)域的結果，由藍色數(shù)字表示。與圖3相對應，表2列出了各個模式統(tǒng)計降尺度結果與ERA氣候態(tài)空間分布的空間相關系數(shù)和標準差之比，受篇幅所限，插值結果的空間系數(shù)和相對標準差并未列出。

比較兩種方案的計算結果，如圖3所示，相對于BI結果而言SD結果更好的再現(xiàn)了SSWS氣候態(tài)的空間分布特征。就空間相關系數(shù)而言，BI結果在冬季與ERA再分析場的空間相關系數(shù)為-0.2—0.73，SD結果則提高為0.55—0.79，平均為0.73左右；BI結果在夏季的空間相關系數(shù)為-0.06—0.61，SD結果則升至為0.58—0.76，平均為0.66左右。而對于目標區(qū)域觀測空間變率（即相對標準差）的模擬能力在有些模式中變的更加合理，而另一些則變差，除BCC-CSM1.1-M的BI結果的標準差約為1以外，其他的無論BI還是SD的計算結果所有模式的標準差均大于1，這說明CMIP5模式的兩種結果普遍高估了中國大陸近海SSWS的空間變率，但相對而言，SD的結果其各模式平均相對標準差為冬季1.41、夏季1.68，相對于BI結果冬季1.69、夏季1.77更接近于1。

圖3　1986—2005年CMIP5模式歷史模擬統(tǒng)計降尺度/雙線性插值相對于ERA再分析場的區(qū)域近地面10 m風場氣候態(tài)分布的Taylor圖

表2　模式與ERA的空間相關系數(shù)和標準差之比

對比模式模擬性能最直觀的指標中心化均方根誤差，冬季BI結果的模式集合平均的均方根誤差為1.38，SD結果則減小為0.95；夏季BI結果為1.61，SD結果則減小為1.27。此外，BI結果中均方根誤差較小的模式，其對應的SD的結果并沒有明顯的變化，如BCC-CSM1.1、BCC-CSM1.1-M、CNRM-CM5模式；其他BI結果中均方根誤差較大的模式，其統(tǒng)計降尺度的結果均方根誤差均有不同程度的減小，如GFDL和MRI-CGCM3模式。綜合以上各項結果來看，對于中國大陸近海海表面風場，通過統(tǒng)計降尺度方法得到的高分辨率區(qū)域風場數(shù)據對于觀測場的空間分布型模擬的已較好，并且其相對于直接插值得到的結果有著較明顯的優(yōu)勢。

5　未來情景預估

東亞區(qū)域氣候季風特征明顯，本節(jié)分別對冬夏兩季中國大陸近海SSWS在不同排放情景下年際變化和空間分布特征進行討論，并結合模式模擬的大尺度環(huán)境場氣候變化來分析其原因。同時，為了更好的研究未來情景下的氣候變化，各模式結果分別從未來排放情景中除去1986—2005年的歷史氣候態(tài)，以便盡可能的消除模式之間由于參照時段氣候不同所產生的影響。

5.1冬季

首先將西北太平洋中國大陸近海（105°—130°E，10°—40°N）海域所有格點的年均SSWS進行面積加權平均，得到各模式未來不同排放情景（RCP）下的預估結果的年際變化（圖4b—d）。從年際變化趨勢來看，2026—2045年冬季SSWS在RCP2.6、RCP4.5、RCP8.5情景下模式集合平均均表現(xiàn)為增強。但是上述變化大多都很小，其中僅有HADGEM2在RCP2.6排放情景下和CCSM4在RCP8.5情景下的增強趨勢通過了90%信度水平的t檢驗；考慮相對于參考時段的RCP情景下平均SSWS的變化，無論是單個模式還是他們的集合平均，冬季各情景下SSWS總體上是圍繞0值的小幅上下波動，并沒有明顯整體的增加或減少；根據冬季區(qū)域平均SSWS年際變化的標準差相對于參考時段的變化來看，其有較明顯的增加，并且隨情景排放量的增加表現(xiàn)出一致的變化，這意味著冬季SSWS的年際變率在未來排放情境下有所增加。

圖4　相對于1986—2005年歷史模擬參考時段各模式各情景區(qū)域海表面風速大小變化

就平均SSWS變化的空間分布而言，未來3個排放情景出現(xiàn)了較一致的區(qū)域分布（圖5i），均表現(xiàn)為冬季25°N以南海域風速增大，以北除渤海灣一帶風速有所增大以外，其余海域風速減?。桓鶕?0%信度水平的t檢驗結果顯示，各情景下冬季年均SSWS變大的海域其顯著性也均較高，主要為25°N以南海域（也包括渤海灣海域），而其他海域則顯著性較弱。就圖5a—h中各模式結果的一致性來看，RCP2.6、RCP4.5和RCP8.5情景下均有超過半數(shù)（5個、6個、7個）的模式表現(xiàn)出25°N以南海域的SSWS增大現(xiàn)象且多數(shù)模式較為顯著，而對于25°N以北風速的略微減弱各模式間差異性較大，且多數(shù)模式表現(xiàn)出的減弱沒有通過90%信度水平的t檢驗。以上結果可以看出多模式的平均預估未來情境下的冬季SSWS變化，在25°N以南增加較為明顯，在25°N以北海域有所減弱但其幅度較小且顯著性較弱，這與之前基于CMIP3和CMIP5的多模式對東亞冬季風（冬季近地面10 m風速）的預估結果是較一致的［5］。

圖5　相對于1986—2005年historical模擬參考時段，2026—2045年時段各模式各情境冬季平均海表面10 m風速的變化

未來排放情景下所造成的全球變暖導致冬季海陸熱力差異減?。懙厣郎剌^快，圖6a—c）理論上應該導致冬季季風的減弱，中國近海SSWS也相應減小，而根據圖5i結果來看，中國近海南部海域SSWS反而增加。結合圖6a—c中給出的近地面氣溫和海平面氣壓的異常氣候變化來看，隨排放情景排放量的增加，西北太平洋中緯度地區(qū)逐漸形成一個西南-東北向的異常高壓反氣旋環(huán)流并逐漸范圍增大，其西側偏南氣流帶西伸至中國大陸沿海海域，造成原有的冬季偏北風減弱。而25°N以南南海海域SSWS的增強可能來自于該異常高壓環(huán)流南側的東風異常向西與東亞盛行的西北風交匯產生的南下氣流。對于單個模式模擬的氣候變化結果來看，HADGEM2的冬季平均SSWS變化在中國近海南部海域的增大幅度大于模式集合平均，其對應的西北太平洋海平面氣壓的高壓異常也高達0.8 hPa大于模式平均的0.2 hPa，而圖5b和圖5g中所示RCP4.5情景下MRI-CGCM3和BCC-CSM1.1-M出現(xiàn)的大面積風速減弱，其對應模式和情景下所模擬的該異常高壓環(huán)流也相應較弱，這也進一步說明了該異常高壓環(huán)流對中國近海SSWS的影響。

圖6　相對于1986—2005年歷史模擬參考時段，2026—2045年RCP情景模擬時段各模式集合平均近地面

5.2夏季

夏季各模式未來不同排放情景（RCP）下的預估結果的年際變化如圖4f—h所示。從各個模式的年際變化趨勢來看，夏季風與冬季風結果相類似并沒有出現(xiàn)明顯的風速量值隨時間的增加或減小的趨勢。而從圖4中陰影區(qū)的范圍來看，SSWS在夏季的不確定性要小于冬季，降尺度結果的模式間一致性也相對較高；考慮相對于參考時段RCP情景下平均SSWS的變化，其中RCP2.6、RCP4.5和RCP8.5情景分別有6個、5個和6個模式的平均風速變化為正，而各情景下各模式平均SSWS的變化范圍分別為-1.6%—2.7%、-1%—2.7%和-1%—1.8%，相對應的模式集合平均變化分別為0.96%、0.97%和0.7%；另外，相對于參考時間段，夏季SSWS年際變化標準差在RCP2.6情景下減小，RCP4.5和RCP8.5情景均增大。綜上來看，相對于參考時段，未來排放背景下2026—2045年中國大陸近海區(qū)域平均SSWS在夏季表現(xiàn)為略微增加，并且其年際變率在RCP4.5和RCP8.5情景下均增大。

圖7　相對于1986—2005年歷史模擬參考時段，2026—2045年時段各模式各情境夏季平均海表面10 m風速的變化

就圖7i中給出的模式平均夏季SSWS空間分布來看，中國近海主要表現(xiàn)為增大，增加較顯著的區(qū)域則分布在山東半島中國黃海海域，臺灣島以東中國東海海域以及南海部分海域，且均通過了90%信度水平的t檢驗，在其余海域則僅出現(xiàn)較小幅度的變化且不顯著。同冬季類似，3個不同情景之間風速變化的空間分布類似，但其變幅和區(qū)域大小有差異。而根據夏季平均SSWS變化空間分布各模式結果一致性來看（圖7a—h），HADGEM2模式在3個排放情景下表現(xiàn)出了東亞22°N以南較大區(qū)域的SSWS減??；BCC-CM1.1-M的RCP8.5結果在臺灣島附近中國大陸沿海區(qū)域及其東南區(qū)域出現(xiàn)較明顯的減??；其他模式在排放情景下均在中國大陸近海海域出現(xiàn)不同程度的增大的SSWS變化。對于集合平均結果中出現(xiàn)的SSWS顯著性增大的3個區(qū)域山東半島附近海域、臺灣島以東中國東海和海南島附近及其以南南海海域，RCP2.6情景下分別有6個、4個和6個模式與集合平均結果一致，RCP4.5（8.5）情景下則分別有6（4）個、4（4）個和5（4）個模式一致。綜上所述，夏季大多數(shù)模式在未來排放情景下均表現(xiàn)出了SSWS增大的現(xiàn)象。

結合圖6d—e中夏季的近地面氣溫和海平面氣壓排放情景下的氣候變化情況分析夏季SSWS增大的原因，一方面，增暖情境下東亞地區(qū)大陸升溫要高于西太平洋海洋區(qū)域，因此東西向海陸熱力差異加大，導致夏季東亞大陸熱低壓加強幅度超過西太平洋副熱帶高壓的減弱幅度，另一方面中國大陸與南海相比，其增暖幅度也更大，因此南北向的海陸熱力差異也加大，同樣導致南北氣壓差相應增大，引起偏南氣流異常。兩者共同作用，均會加大東亞夏季偏南季風的強度，從而增加中國大陸近海海域夏季SSWS量值。但針對單個模式結果來看，HADGEM2模擬的各情景結果以及BCC-CSM1.1-M的RCP8.5情景和CNRM-CM5的RCP4.5情景結果均出現(xiàn)了大面積的風速減小現(xiàn)象，但其對應的未來情景下近地面氣溫和海平面氣壓異常與集合平均相比并沒有明顯差異，因此在對未來情境下氣候進行預估還要考慮模式本身對于情景差異（增暖）的響應的不同。

6　結論和討論

本文基于CCMP的高分辨率衛(wèi)星觀測風場和ECMWF的再分析海表面風場和氣壓場，對中國大陸近海海表面風速（SSWS）建立了統(tǒng)計降尺度模型，并對模型進行了驗證。利用CMIP5耦合模式比較計劃的8個全球氣候模式在不同排放情景下的模擬結果作為統(tǒng)計模型輸入場對中國近海氣候變化進行了預估研究。主要結論有：

（1）統(tǒng)計降尺度后的全球氣候模式結果與直接插值結果相比在氣候態(tài)的空間分布型模擬上有所改進；

（2）根據各情景下區(qū)域平均的風速年際變化來看，盡管冬夏季未來3個RCP情景下均有超過半數(shù)的模式出現(xiàn)和集合平均一致的線性增加趨勢，但大多數(shù)結果均較弱且不顯著。相比于1986—2005年參考時段，夏季區(qū)域平均風速略有增加，主要原因可能來自于增暖情境下東亞地區(qū)徑向和緯向的海陸熱力差異增大所致；

（3）從空間分布來看，相對于參考時段，未來3個RCP排放情景下出現(xiàn)了較一致的風速顯著增大區(qū)域的分布，冬季主要在25°N以南海域，其中RCP4.5情景增暖區(qū)域和幅度較小，這是因為排放情景下東亞地區(qū)出現(xiàn)了一個異常高壓環(huán)流，結合冬季海陸溫差的減小所造成。夏季則為山東半島中國黃海海域，臺灣島以東中國東海海域以及南海部分海域，而減弱區(qū)域的風速變化并不顯著。

作為EOF與MLR相結合的統(tǒng)計降尺度方法在中國大陸附近目標區(qū)域的首次嘗試，本文中統(tǒng)計降尺度模型的大尺度因子只選取了海表面風速本身和海平面氣壓，而選擇不同的預報因子（例如加入海表面溫度）對預報結果也會產生影響［17］。同時，本文對未來氣候情景的預估基于對CMIP5全球氣候模式的選取，受限于模式數(shù)據資料的獲取途徑限制和各情景數(shù)據的完整性，未能收集全部模式模擬結果并擇優(yōu)選取，因此，在解釋未來排放情景下中國近海SSWS的長期變化趨勢過程中，樣本代表性尚待進一步研究。另外需要注意的是，RCP各排放情景在2026—2045年之間的差別并不是非常顯著，同時對于1986—2005年以及2026—2045年之間，由于時間段較為接近，RCP各情景之間的差異對氣候變化的影響可能尚不顯著，因此在本文的評估結果中中國大陸近海SSWS的各模式各情景結果之間雖然有所差異，但并不明顯。綜上所述，對統(tǒng)計降尺度模式進行改進、進一步挑選更多的模式數(shù)據進行集合預估以及對比更長期的時間尺度上不同RCP情景下的氣候變化差異都值得進一步的研究。

［1］Chen H P，Sun J Q.Projected change in East Asian summer monsoon precipitation under RCP scenario［J］.Meteorology and Atmospheric Physics，2013，121（1-2）:55-77.

［2］金晨曦，周天軍.參加CMIP5的四個中國氣候模式模擬的東亞冬季風年際變率［J］.大氣科學，2014，38（3）:453-468.

［3］Zhang L，Wu T W，Xin X G，et al.Projections of annual mean air temperature and precipitation over the globe and in China during the 21st Century by the BCC climate system model BCC_CSM1.0［J］.Acta Meteorologica Sinica，2012，26（3）:362-375.

［4］董敏，吳統(tǒng)文，王在志，等.BCC_CSM1.0模式對20世紀降水及其變率的模擬［J］.應用氣象學報，2013，24（1）:1-11.

［5］Jiang D B，Tian Z P.East Asian monsoon change for the 21st century:results of CMIP3 and CMIP5 models［J］.Chinese Science Bulletin，2013，58（12）:1427-1435.

［6］劉蕓蕓，李維京，左金清，等.CMIP5模式對西太平洋副熱帶高壓的模擬和預估［J］.氣象學報，2014，72（2）:277-290.

［7］胡芩，姜大膀，范廣洲.青藏高原未來氣候變化預估:CMIP5模式結果［J］.大氣科學，2015，39（2）:260-270.

［8］范麗軍，符淙斌，陳德亮.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估［J］.大氣科學，2007，31（5）:887-897.

［9］湯劍平，高紅霞，李艷，等.IPCC-A2情景下我國21世紀風能變化的統(tǒng)計降尺度方法研究［J］.太陽能學報，2009，30（5）:655-666.

［10］王亞男，智協(xié)飛.多模式降水集合預報的統(tǒng)計降尺度研究［J］.暴雨災害，2012，31（1）:1-7.

［11］Goubanova K，Echevin V，Dewitte B，et al.Statistical downscaling of sea-surface wind over the Peru-Chile upwelling region: diagnosing the impact of climate change from the IPSL-CM4 model［J］.Climate Dynamics，2010，36（7-8）:1365-1378.

［12］高留喜，朱蓉，常蕊.QuikSCAT和ASCAT衛(wèi)星反演風場在中國南海北部的適用性研究［J］.氣象，2014，40（10）:1240-1247.

［13］鄭崇偉.基于CCMP風場的近22年中國海海表風場特征分析［J］.氣象與減災研究，2011，34（3）:41-46.

［14］王慧，隋偉輝.基于CCMP風場的中國近海18個海區(qū)海面大風季節(jié)變化特征分析［J］.氣象科技，2013，41（4）:720-725.

［15］王紹武，羅勇，趙宗慈，等.新一代溫室氣體排放情景［J］.氣候變化研究進展，2012，8（4）:305-307.

［16］Zorita E，Von Storch H.The analog method as a simple statistical downscalingtechnique:comparisonwithmorecomplicated methods［J］.Journal of Climate，1999，12（8）:2474-2489.

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

［18］Von Storch H.On the use of“inflation”in statistical downscaling［J］.Journal of Climate，1999，12（12）:3505-3506.

［19］Huth R.Sensitivity of local daily temperature change estimates to the selection of downscaling models and predictors［J］.Journal of Climate，2004，17（3）:640-652.

Statistical downscaling projection of sea-surface wind near China under RCPs scenarios

LI Han，LING Tie-jun，ZHANG Yun-fei，ZU Zi-qing，WANG Jian
（National Marine Environmental Forecasting Center，Key Laboratory of Research on Marine Hazards forecasting of SOA，Beijing 100081 China）

The statistical downscaling method based on Empirical Orthogonal Function（EOF）and Multiple Linear Regression（MLR）is applied to downscale sea surface wind speed（SSWS）in the target region（TR）of North West Pacific near China in this paper.The statistical downscaling model（SDM）is derived from the low resolution ECMWF reanalyzes SSWS and sea level pressure（SLP）data and the high resolution Cross-Calibrated Multi-Platform（CCMP）SSWS data over an independent period 1992—2011，then tested by using cross-validation method.Finally，the multiple climate models within the phase five of the Coupled Model Intercomparison Project（CMIP5）under the Representative Concentration Pathway（RCP2.6，RCP4.5，RCP8.5）scenarios over 2026—2045 are downscaled to project the climate change for the 21st century.The results show that the SDM exhibits significant skill in reproducing the SSWS climatology with a high average spatial correlation coefficient of 0.87.Compared with observed data，the downscaling result of CMIP5 models output under historical scenario（1986—2005）show better performance than directly Bilinear Interpolation result.With respect to the reference period 1986—2005，the TR winter SSWS strengthens（weakens）in the north（south）of about 25°N，while change little as a whole.The TR summer SSWS slightly increase over the Yellow Sea near Shandong Peninsula，the East Sea near the east of Taiwan and certain regions of the South China Sea.These changes might result from decreased（increased）winter（summer）land-sea thermal contrast between the East Asia Continent and the western North Pacific.

statistical downscaling；CMIP5 models；sea surface wind speed；climate change projection

P732

A

1003-0239（2016）03-0034-12

10.11737/j.issn.1003-0239.2016.04.005

2015-10-19

國家科技支撐計劃（2012BAC19B08）；國家自然科學基金（41376016）；國家海洋局海洋公益性行業(yè)科研專項（201205182）。

栗晗（1992-），男，碩士在讀，主要從事氣候變化研究。E-mail∶hanli_1005@163.com