倫玉蕊，王若彤，劉 瀏,2

(1.中國(guó)農(nóng)業(yè)大學(xué) 水利與土木工程學(xué)院， 北京 100083；2.中國(guó)農(nóng)業(yè)大學(xué) 中國(guó)農(nóng)業(yè)水問(wèn)題研究中心， 北京 100083)

氣候變化關(guān)系著人類生存和發(fā)展，是當(dāng)今社會(huì)關(guān)注的重點(diǎn)問(wèn)題之一[1-4]。近年來(lái)，隨著全球氣候變暖趨勢(shì)加劇，人們對(duì)區(qū)域未來(lái)氣候變化精準(zhǔn)預(yù)估的需求也在不斷提高。當(dāng)前研究主要借助大氣環(huán)流模式GCMs(General Circulation Models，GCMs)[5-7]來(lái)進(jìn)行未來(lái)氣候變化情景的構(gòu)建，但由于其空間分辨率較低，如果直接應(yīng)用于尺度較小的研究區(qū)域，會(huì)導(dǎo)致模擬結(jié)果存在很大不確定性。因此，將大尺度的GCMs輸出結(jié)果轉(zhuǎn)化為合適的區(qū)域尺度是進(jìn)行未來(lái)氣候變化預(yù)估的重要過(guò)程，動(dòng)力降尺度[8]和統(tǒng)計(jì)降尺度方法也應(yīng)運(yùn)而生。其中，具有計(jì)算量較小、結(jié)果精度較高等優(yōu)點(diǎn)的統(tǒng)計(jì)降尺度方法應(yīng)用相對(duì)更為廣泛[9-13]。模型輸出估計(jì)MOS(Model Output Statistics，MOS)作為常用的統(tǒng)計(jì)降尺度方法之一，在區(qū)域氣候變化預(yù)估研究中發(fā)揮了重要作用[14-16]。值得關(guān)注的是，諸多不確定因素都會(huì)給降尺度結(jié)果帶來(lái)偏差。常見(jiàn)的不確定因素主要包括人類活動(dòng)等外界強(qiáng)迫作用的不確定性，GCMs模式的不確定性，以及氣候內(nèi)部自然變異的不確定性[17]。隨著相關(guān)技術(shù)手段的進(jìn)步，前兩種不確定性要素帶來(lái)的影響逐漸可以人為減弱或可控，但是氣候自然變異帶來(lái)的影響卻不易控制或改變[18]。自然變異是指在沒(méi)有外界人為脅迫的情況下，由于大氣、海洋等固有周期性運(yùn)動(dòng)變化導(dǎo)致氣候系統(tǒng)內(nèi)部產(chǎn)生的一定程度變異[19]，影響著不同國(guó)家和地區(qū)的氣候變化情況。在使用統(tǒng)計(jì)降尺度方法進(jìn)行氣候變化影響研究時(shí)，應(yīng)當(dāng)充分考慮到氣候自然變異的影響，如果氣候模式的模擬偏差小于自然變異的范圍，那么應(yīng)被視為無(wú)明顯偏差，可直接運(yùn)用于未來(lái)氣候變化預(yù)估研究。

位于我國(guó)中南部地區(qū)的漳河流域，下游為大型水庫(kù)灌區(qū)，由氣候變化導(dǎo)致的旱澇災(zāi)害頻發(fā)對(duì)灌區(qū)生產(chǎn)影響重大。因此，本文聚焦于該地區(qū)未來(lái)氣候變化情景預(yù)估，除考慮氣候模式和方法帶來(lái)的不確定性以外，同時(shí)考慮自然變異帶來(lái)的影響，主要開(kāi)展以下研究：(1)采用基于秩評(píng)分和多準(zhǔn)則決策排序結(jié)合的多模式評(píng)估方法，優(yōu)選出合適的GCMs模式，降低模式選擇的不確定性；(2)結(jié)合研究區(qū)域氣候特點(diǎn)，選擇合適的統(tǒng)計(jì)降尺度方法，并對(duì)比分析考慮自然變異與否給模擬結(jié)果造成的影響，以期提高降尺度精度；(3)基于典型濃度路徑RCPs(Representative Concentration Pathways,RCPs)情景RCP2.6、RCP4.5和RCP8.5，對(duì)漳河流域未來(lái)2021年—2050年降水、最高和最低氣溫進(jìn)行集合預(yù)估，從而為流域下游的漳河灌區(qū)可持續(xù)發(fā)展提供科學(xué)參考。

1 材料和方法

1.1 研究區(qū)概況

漳河流域位于我國(guó)中南部地區(qū)，介于111 °～113 °E，30 °～32 °N之間，總面積為8 524 km2(見(jiàn)圖1)。流域以庫(kù)區(qū)為界，上游為一不規(guī)則長(zhǎng)方形，面積約2 980 km2；下游是以漳河水庫(kù)為供水主體，其他中小水利設(shè)施聯(lián)合運(yùn)用的大型灌區(qū)，面積約5 543.93 km2，地形主要為平原和丘陵，總耕地面積16.32萬(wàn)hm2，主要作物為水稻，是湖北省重要產(chǎn)糧基地之一。流域?qū)匍L(zhǎng)江中游亞熱帶季風(fēng)氣候，溫暖濕潤(rùn)，雨量豐沛，年平均降水量為932.9 mm，但年內(nèi)降水分布極不均勻，其中4月—10月降水量約占全年降水量的85%左右；年際分配也較為懸殊，年最大與年最小降水量相差5～7倍，導(dǎo)致灌區(qū)旱澇災(zāi)害頻發(fā)，給當(dāng)?shù)氐霓r(nóng)業(yè)生產(chǎn)、水資源和糧食安全等民生問(wèn)題產(chǎn)生了嚴(yán)重的不利影響。因此，預(yù)估灌區(qū)未來(lái)氣候變化，正確認(rèn)識(shí)該區(qū)域水資源的變化成因，對(duì)當(dāng)?shù)厮Y源優(yōu)化配置和保護(hù)生態(tài)環(huán)境等具有十分重要的現(xiàn)實(shí)意義。

圖1 漳河流域位置及氣象站點(diǎn)分布

1.2 數(shù)據(jù)來(lái)源

(1) 實(shí)測(cè)氣象站點(diǎn)數(shù)據(jù)。本研究實(shí)測(cè)數(shù)據(jù)來(lái)源于漳河流域及其周邊5個(gè)國(guó)家基本氣象站點(diǎn)，分布如圖1所示。數(shù)據(jù)時(shí)間跨度為1961年—2005年。為進(jìn)行統(tǒng)計(jì)降尺度模型率定與驗(yàn)證，將其分為1961年—1990年的率定期和1991年—2005年的驗(yàn)證期。選取的氣候要素包括日降水、平均、最高和最低氣溫(http://data.cma.cn/)。

(2) GCMs數(shù)據(jù)。從CEDA( Centre for Environmental Data Analysis,CEDA)選取了CMIP5(Coupled Model Intercomparison Project phase 5,CMIP5)中序列較長(zhǎng)的26種月尺度和日尺度的GCMs 數(shù)據(jù)資料。其中，月尺度數(shù)據(jù)長(zhǎng)度為1961年—2000年，用于氣候模式的區(qū)域適應(yīng)性評(píng)估；日尺度數(shù)據(jù)在基準(zhǔn)期長(zhǎng)度為1961年—2005年，用于降尺度模型的率定和驗(yàn)證；在未來(lái)期長(zhǎng)度為2021年—2050年 , 用于生成RCP2.6、RCP4.5、RCP8.5三種典型濃度路徑下的未來(lái)氣候變化情景。GCMs模式詳細(xì)信息參見(jiàn)參考文獻(xiàn)[20]，本文在此基礎(chǔ)上增加3種模式，如表1所示。由于 GCMs 的分辨率各不相同，在研究中統(tǒng)一插值成1.5 °×1.5 °。

表1 附加3種GCMs信息

1.3 研究方法

1.3.1 GCMs適應(yīng)性評(píng)估

由于各GCMs模式之間模擬結(jié)果差異較大，且在不同地區(qū)的適應(yīng)性也不盡相同，為優(yōu)選出適合于漳河流域的氣候模式，采用秩評(píng)分與多準(zhǔn)則決策排序相結(jié)合的方法來(lái)進(jìn)行模式選擇。

首先，秩評(píng)分方法通過(guò)計(jì)算模擬與實(shí)測(cè)數(shù)據(jù)間統(tǒng)計(jì)特征值的擬合程度進(jìn)行0～10的評(píng)分，以此判斷GCMs模式在區(qū)域的適應(yīng)程度[21-22]，其計(jì)算公式如下：

(1)

式中：Rsi為評(píng)分結(jié)果；i為模式序號(hào)；xi為模擬序列與實(shí)測(cè)序列統(tǒng)計(jì)特征值的相對(duì)誤差；xmax和xmin分別為誤差的最大值和最小值；當(dāng)xi越小時(shí)，Rsi越大。

為保證模式選擇的合理性，同時(shí)運(yùn)用多準(zhǔn)則決策排序法進(jìn)行同步優(yōu)選。該方法原理為先利用熵值法計(jì)算各模式的歸一化均方根誤差(NRMSE)、時(shí)間序列的PEARSON相關(guān)系數(shù)(rtom)、空間序列的PEARSON相關(guān)系數(shù)(rspa)、概率密度函數(shù)PDF(Probability Density Functions,PDF)的統(tǒng)計(jì)變量BS(Brier Score,BS)SS(Skill Score,SS)5個(gè)指標(biāo)的權(quán)重，然后采用PROMETHEE-2法來(lái)對(duì)GCMs進(jìn)行-1～1的評(píng)分以判斷優(yōu)劣。

將兩種評(píng)分方法結(jié)合起來(lái)得到GCMs的綜合排名，優(yōu)選前五個(gè)模式作為漳河流域未來(lái)氣候變化情景預(yù)估的驅(qū)動(dòng)數(shù)據(jù)集。

1.3.2 MOS統(tǒng)計(jì)降尺度模型

MOS法中對(duì)于降水使用DBC(Daily Bias Correction,DBC)法，氣溫使用DT(Daily translation,DT)法。DBC是結(jié)合DT和LocI(Local Intensity Scaling,LocI)的混合方法，此方法能同時(shí)兼顧校正降水的發(fā)生頻率與降水量的偏差[9]，研究[23]表明，該方法對(duì)于降水較多的漳河流域具有良好的適用性。

(1) 基于DBC法的降水降尺度。首先運(yùn)用LocI方法來(lái)進(jìn)行降水頻率校正，以保證實(shí)測(cè)和模擬降水序列具有相同的濕日頻率；接著使用DT法進(jìn)行降水量校正，按照百分位數(shù)劃分原則計(jì)算比例因子S，對(duì)率定和驗(yàn)證期的實(shí)測(cè)和優(yōu)選GCMs模擬數(shù)據(jù)進(jìn)行偏差校正。計(jì)算公式如下：

(2)

(3)

(2) 基于DT法的氣溫降尺度。區(qū)別于降水氣候要素，對(duì)氣溫要素直接采用DT法進(jìn)行偏差校正，逐月計(jì)算未來(lái)時(shí)期降尺度后的氣溫值，公式如下：

Tadj,fut=TGCM,fut+

(4)

式中：Tadj,fut為未來(lái)每日修正氣溫；TGCM,fut為GCM模式直接輸出的未來(lái)時(shí)期每日氣溫；Tobs為觀測(cè)數(shù)據(jù)每日氣溫；TGCM,bas為GCM直接輸出的歷史時(shí)期每日氣溫； 為觀測(cè)數(shù)據(jù)與GCM歷史時(shí)期之間的平均溫度差值。

1.3.3 自然變異估算方法

本文采用長(zhǎng)序列歷史觀測(cè)數(shù)據(jù)法對(duì)每個(gè)站點(diǎn)依次進(jìn)行逐月各氣候要素自然變異值的估算，步驟如下：(1)將1961年—2010年觀測(cè)數(shù)據(jù)每二十年一組交叉劃分為四組，即 1961年—1980年、1971年—1990年、1981年—2000年與1991年—2010年；(2)以每月的日降水、日平均氣溫、日最高以及最低氣溫的均值最大值與最小值的差值來(lái)估算四個(gè)時(shí)期的變化范圍，將其作為自然變異值；(3)判斷GCMs輸出數(shù)據(jù)與實(shí)測(cè)數(shù)據(jù)的剩余偏差是否在自然變異范圍內(nèi)，如果在自然變異范圍內(nèi)，認(rèn)為該偏差不需要校正；若在自然變異范圍之外，則除去自然變異之后重新進(jìn)行偏差校正。這種基于自然變異的模型偏差校正可以避免因模型的過(guò)度校正造成的降尺度結(jié)果的不確定性。

2 結(jié)果與討論

2.1 GCMs適應(yīng)性評(píng)估

通過(guò)秩評(píng)分和多準(zhǔn)則決策排序方法全面評(píng)估了CMIP5中的26個(gè)GCM模式對(duì)漳河流域各氣候要素的適應(yīng)性，結(jié)果如圖2所示。可以看出，兩種方法的評(píng)估結(jié)果均表明不同模式對(duì)不同氣候要素的模擬效果存在較大差異，因此，本研究進(jìn)一步采用熵值法對(duì)各氣候要素賦予不同權(quán)重，分別為：降水0.25，平均氣溫0.27，最高氣溫0.21，最低氣溫0.27。然后將兩種方法的結(jié)果進(jìn)行綜合，最終優(yōu)選出排名前5的氣候模式(對(duì)數(shù)據(jù)缺失的模式依次順延)，分別為： BCC-CSM1-1-M、FGOALS-g2、CESM1-CAM5、MPI-ESM-MR、MIROC5。以此作為構(gòu)建漳河流域未來(lái)氣候變化情景的驅(qū)動(dòng)數(shù)據(jù)集。

圖2 漳河流域26個(gè)GCMs適應(yīng)性評(píng)估結(jié)果

2.2 未來(lái)氣候變化情景構(gòu)建

2.2.1 MOS模型率定與驗(yàn)證

在MOS模型的率定和驗(yàn)證中，對(duì)降水要素選取均值、90%分位數(shù)、標(biāo)準(zhǔn)差、降水頻率和降水強(qiáng)度共5個(gè)指標(biāo)，對(duì)三個(gè)氣溫要素選取均值、90%分位數(shù)、10%分位數(shù)和方差共4個(gè)指標(biāo)來(lái)評(píng)估模型在再現(xiàn)觀測(cè)平均值、標(biāo)準(zhǔn)偏差和分布特征方面的性能。為更為完整的表現(xiàn)模擬效果，將各指標(biāo)按1月—12月和多年日平均進(jìn)行劃分并依次編號(hào)，降水共計(jì)65個(gè)評(píng)價(jià)指標(biāo)，氣溫共計(jì)52個(gè)評(píng)價(jià)指標(biāo)，具體如表2所示。

以在漳河流域表現(xiàn)最優(yōu)的BCC-CSM1-1-M模式輸出的降水、平均氣溫、最高氣溫以及最低氣溫?cái)?shù)據(jù)為例，分別計(jì)算5個(gè)站點(diǎn)在率定和驗(yàn)證期各氣候要素的實(shí)測(cè)與模擬評(píng)價(jià)指標(biāo)之差，做出標(biāo)準(zhǔn)化誤差熱點(diǎn)圖如圖3所示，圖中y軸表示漳河流域的5個(gè)氣象站點(diǎn)，自上而下分別是南漳、襄樊、鐘祥、宜昌以及荊州；x軸表示表2中的各評(píng)價(jià)指標(biāo)編號(hào)，不同指標(biāo)之間以實(shí)線分隔。圖中色塊的深淺代表誤差大小，以此來(lái)體現(xiàn)兩種情況下MOS降尺度模型的偏差校正能力。

表2 MOS模型降水及氣溫評(píng)價(jià)指標(biāo)編號(hào)

由圖3可知，整體上考慮自然變異(見(jiàn)圖3(a))的率定與驗(yàn)證結(jié)果優(yōu)于不考慮自然變異(見(jiàn)圖3(b))，并主要體現(xiàn)在驗(yàn)證期結(jié)果得到顯著提升。具體來(lái)看，對(duì)于降水，其均值、標(biāo)準(zhǔn)差以及90%分位數(shù)在兩種情況下均沒(méi)有較大的變化，但當(dāng)考慮自然變異時(shí)，作為降水要素中最難以捕捉的降水強(qiáng)度和降水頻率在率定期的誤差有低幅增加，整體在2.5以內(nèi)，在驗(yàn)證期的誤差值減少明顯，最大誤差由5.14和3.7分別降低為3.3和1.9；因此，可以認(rèn)為在降尺度模型中考慮自然變異的結(jié)果優(yōu)于不考慮自然變異。對(duì)于平均氣溫，考慮自然變異與否在率定期的降尺度結(jié)果無(wú)明顯差異，而在驗(yàn)證時(shí)期，標(biāo)準(zhǔn)差和90%分位數(shù)指標(biāo)的最大誤差分別從3.6和4.6降低到了2.2和3.2。對(duì)于最高氣溫，考慮自然變異時(shí)，率定期的標(biāo)準(zhǔn)差指標(biāo)最大誤差從2.2變?yōu)?.7，有較低幅度的增加；但在驗(yàn)證時(shí)期除南漳站4月份的均值和10%分位數(shù)誤差增大外，其他站點(diǎn)各月份指標(biāo)誤差都得到明顯改善，其中標(biāo)準(zhǔn)差的誤差值接近于0，校正結(jié)果明顯優(yōu)于其他統(tǒng)計(jì)指標(biāo)。對(duì)于最低氣溫，在率定期兩種情況下的結(jié)果比較一致，但在驗(yàn)證期，考慮自然變異的情況下1月—4月氣溫較低時(shí)期的指標(biāo)誤差相對(duì)更小。

以上分析表明，考慮自然變異的情況下MOS降尺度模型對(duì)降水、平均氣溫、最高氣溫和最低氣溫的偏差校正結(jié)果整體更好，尤其在驗(yàn)證期模型效果得到顯著提升，可以用于漳河流域未來(lái)氣候變化情景預(yù)估。

圖3 漳河流域考慮自然變異與否的率定期和驗(yàn)證期模型誤差熱點(diǎn)圖

2.2.2 未來(lái)降水變化情景預(yù)估

以優(yōu)選的5種GCM模式輸出數(shù)據(jù)為驅(qū)動(dòng)，采用考慮自然變異的MOS降尺度模型，將1991年—2005年作為基準(zhǔn)期，模擬生成了漳河流域未來(lái)時(shí)期(2021年—2050年)3種RCP情景下各模式和集合平均(Multi-Model Ensembles,MMEs)的降水變化。

圖4展示了不同時(shí)間尺度漳河流域未來(lái)時(shí)期降水量相對(duì)于基準(zhǔn)期的變化情景。由圖4可知，在月尺度上，不同模式不同情景下的未來(lái)降水量主要在-30%～20%之間變化，僅有個(gè)別模式出現(xiàn)較大波動(dòng)。其中，最大增幅和最大減幅均由BCC-CSM1-1-M模式模擬所得，分別為RCP4.5情景下的12月份，達(dá)到186%；和RCP8.5情景下的8月份，達(dá)到-70%。在季節(jié)尺度上，秋季的變化幅度相對(duì)明顯，在-60.7%～16.8%之間。在年尺度上，降水量變幅在-29%～10%之間，主要呈下降趨勢(shì)。結(jié)合多模式集合平均結(jié)果來(lái)看，未來(lái)時(shí)期漳河流域降水在不同排放情景下整體上都呈減幅略大于增幅的趨勢(shì)，且存在季節(jié)性差異，應(yīng)注重由此給灌區(qū)作物不同生長(zhǎng)期灌溉帶來(lái)的影響。

將漳河流域5個(gè)站點(diǎn)未來(lái)及基準(zhǔn)期的多年平均降水量進(jìn)行空間插值，得到了不同模式不同情景下漳河流域上下游較基準(zhǔn)期的降水量變化空間分布(見(jiàn)圖5)。結(jié)果表明，大多數(shù)GCMs在全流域呈現(xiàn)出降水減少的趨勢(shì)。在RCP2.6情景下，除CESM1-CAM5與MIROC5模式模擬的未來(lái)降水相較于基準(zhǔn)期增加以外，其余模式皆表現(xiàn)為未來(lái)時(shí)期降水減少，并且與上游相比，下游的降水量增幅下降而減幅增加。大多數(shù)模式在RCP4.5及RCP8.5情景下的降水呈減少趨勢(shì)，且下游的降幅略大于上游。值得注意的是， BCC-CSM1-1-M模式在三種排放情景下模擬的上下游降水量下降幅度最明顯，上游減幅為-28.01%，下游達(dá)到-28.69%。總體來(lái)說(shuō)，漳河流域上游降水量變化幅度范圍在-28.01%～13.08%之間，下游在-28.69%～10.91%之間，流域未來(lái)時(shí)期降水變化減幅大于增幅。

圖4 漳河流域未來(lái)時(shí)期降水量變幅

圖5 多模式多情景下漳河流域未來(lái)降水量變化空間分布圖

2.2.3 未來(lái)最高氣溫變化情景預(yù)估

研究漳河流域各個(gè)模式在RCP2.6、RCP4.5、RCP8.5三種情景下的最高氣溫月、季、年變化。在月尺度上，不同排放情景下各模式模擬的最高氣溫相對(duì)于基準(zhǔn)期在0.5℃～2.0℃之間變化，基本呈增溫趨勢(shì)。其中，F(xiàn)GOALS-g2模式的結(jié)果波動(dòng)幅度最大，其在RCP8.5排放情景下的3月份出現(xiàn)了3.5℃的最大增幅，在RCP2.6情景下的9月份出現(xiàn)-1.0℃的最大減幅。在季節(jié)尺度上，秋、冬兩季的變化波動(dòng)較大，秋季最高氣溫變幅在-1℃～3.1℃之間，冬季變幅在0.1℃～2.3℃之間。在年尺度上，各個(gè)模式在三種情景下模擬生成的最高氣溫均呈現(xiàn)增加趨勢(shì)，增幅在2.0℃以內(nèi)。多模式集合平均結(jié)果表明，最高氣溫的增幅隨溫室氣體排放的增多而變大。

通過(guò)空間插值得到不同模式在不同情景下預(yù)估的漳河流域上下游最高氣溫變化空間分布。在三種排放情景下未來(lái)最高氣溫變化空間分布皆呈現(xiàn)增溫趨勢(shì)，且隨著排放濃度的增加而增幅變大(RCP8.5>RCP4.5>RCP2.6)。其中，BCC-CSM1-1-M模式在RCP8.5排放情景下增幅最大，上游增幅達(dá)到了1.03℃，下游增幅達(dá)到1.34℃；MPI-ESM-MR模式在所有模式中增溫幅度最小，其在排放濃度最高的RCP8.5情景下的上下游增幅分別為0.22℃和0.46℃，在RCP2.6情景下生成的上游增溫幅度約為0.19℃，在下游增溫幅度也低至0.22℃。整體而言，大部分組合情景模擬結(jié)果表明上游最高氣溫的增幅要略低于下游，上游增溫幅度在0.19℃～1.39℃之間，下游增幅在0.22℃～1.44℃之間。

2.2.4 未來(lái)最低氣溫變化情景預(yù)估

不同時(shí)間尺度上漳河流域未來(lái)時(shí)期(2021年—2050年)的最低氣溫變化如圖6所示。在月尺度上，各模式在三種排放情景下基本呈0.3℃～1.6℃的增溫趨勢(shì)，其中最大增幅為RCP8.5排放情景下的FGOALS-g2模式的3月模擬結(jié)果，達(dá)到2.35℃；最大降幅為RCP8.5情景下BCC-CSM1-1-M模式的5月模擬結(jié)果，約為-1.64℃。在季節(jié)尺度上，夏季變化波動(dòng)較大，主要是由于BCC-CSM1-1-M模式的降幅明顯，達(dá)到-1.29℃，其余模式則主要呈0℃～1.28℃的增溫趨勢(shì)，這一現(xiàn)象與月尺度最低氣溫變化類似。在年尺度上，各個(gè)模式不同情景下模擬生成的最低氣溫均呈現(xiàn)增加的趨勢(shì)，增幅在0.3℃～1.3℃之間。和最高氣溫類似，多模式集合平均結(jié)果也表明最低氣溫增幅隨著溫室氣體排放濃度的增加而變大。

圖6 漳河流域未來(lái)時(shí)期最低氣溫變幅

漳河流域上下游最低氣溫變化的空間分布情況如圖7所示。結(jié)果表明，未來(lái)最低氣溫在流域上下游基本呈現(xiàn)增溫趨勢(shì)，且大部分組合情景模擬結(jié)果顯示上游增幅在-0.16℃～1.32℃之間，下游增幅在0.29℃～1.26℃之間，上游最低氣溫的增溫值要略大于下游。在不同情景下，BCC-CSM1-1-M模式預(yù)估的增幅最小，在0.5℃以內(nèi)；MIROC5模式增幅最大，在0.8℃～1.48℃之間；CESM1-CAM5模式隨溫室氣體排放濃度增加而增幅變大的趨勢(shì)最為明顯，其在RCP8.5情景下的上游增幅達(dá)到1.3℃，比RCP2.6和RCP4.5情景下分別增加了1.16℃和0.84℃；下游達(dá)到0.92℃，比RCP2.6和RCP4.5情景下分別增加了0.59℃和0.53℃。與最高氣溫變化相似，MPI-ESM-MR模式在所有模式中變幅最小，其在RCP2.6情景下上游呈現(xiàn)約0.16℃的減幅，下游呈現(xiàn)0.29℃的增幅。

圖7 多模式多情景下漳河流域未來(lái)最低氣溫變化(℃)空間分布圖

總體而言，多模式多情景下預(yù)估的漳河全流域未來(lái)時(shí)期最高和最低氣溫均存在不同程度的增加趨勢(shì)，且最高氣溫的增幅(0.5℃～2.0℃)略大于最低氣溫(0.3℃～1.6℃)，這一增溫確實(shí)將對(duì)灌區(qū)水稻作物生長(zhǎng)發(fā)育和光合生產(chǎn)等造成系列影響[24-26]。

3 結(jié) 論

本文以具有大型灌區(qū)的漳河流域?yàn)檠芯繉?duì)象，基于CMIP5中優(yōu)選的5個(gè)大氣環(huán)流模式，運(yùn)用考慮自然變異的MOS降尺度模型，以1961年—2005年為基準(zhǔn)期，模擬生成了2021年—2050年三種RCPs排放情景下的日降水、最高和最低氣溫?cái)?shù)據(jù)，對(duì)流域未來(lái)時(shí)期的氣候變化情景進(jìn)行預(yù)估，主要結(jié)論如下：

(1) GCM模式適應(yīng)性評(píng)估結(jié)果表明，BCC-CSM1-1-M、FGOALS-g2、CESM1-CAM5、MPI-ESM-MR、MIROC5五個(gè)模式在漳河流域的模擬能力最好。

(2) 率定和驗(yàn)證期考慮自然變異與否的模型指標(biāo)誤差對(duì)比分析表明，考慮自然變異的MOS降尺度模型具有更好的重現(xiàn)降水和各氣溫要素在均值、頻率、強(qiáng)度和極值方面的能力，且在驗(yàn)證期的模擬效果提升顯著，因此更適合運(yùn)用于漳河流域未來(lái)氣候變化情景預(yù)估，可以有效降低模擬的不確定性，提高預(yù)估精度。

(3) 多模式多情景下漳河流域未來(lái)年降水量較基準(zhǔn)期而言在-29%～10%之間變化，減幅要略大于增幅；未來(lái)年最高、最低氣溫均呈增加趨勢(shì)，分別在0.5℃～2.0℃和0.3℃～1.3℃之間變化，且增幅隨著溫室氣體排放濃度的增加而變大，即RCP8.5>RCP4.5>RCP2.6，空間變化上，上游最高氣溫增幅略小于下游，最低氣溫增幅略大于上游。