孔祥慧 王愛慧 畢訓(xùn)強(qiáng) 李星雨 張賀

1 中國科學(xué)院大氣物理研究所竺可楨—南森國際研究中心，北京 100029

2 中國科學(xué)院大氣物理研究所氣候變化中心，北京 100029

3 中國科學(xué)院大氣物理研究所大氣科學(xué)和地球流體力學(xué)數(shù)值模擬國家重點(diǎn)實(shí)驗(yàn)室，北京 100029

4 重慶市巴南區(qū)氣象局，重慶 401320

5 中國科學(xué)院大氣物理研究所國際氣候與環(huán)境科學(xué)中心，北京 100029

1 引言

降水是地球水循環(huán)過程最重要的組成之一。通常降水對自然環(huán)境和人類社會都有積極的作用，但在極端條件下可能帶來自然災(zāi)害與風(fēng)險(xiǎn)。例如，連續(xù)的降水不足可能導(dǎo)致干旱，持續(xù)的強(qiáng)降水可能可引發(fā)洪水（Pendergrass and Knutti,2018）。降水的特征（如降水量、頻率、強(qiáng)度和日變化等）發(fā)生異常時(shí)，會給農(nóng)業(yè)、工業(yè)、水利和交通等產(chǎn)生巨大影響（黃榮輝等,2006）。在全球氣候變化的背景下，降水頻率、強(qiáng)度和極端降水等特征在全球或局地尺度上都可能發(fā)生變化（Trenberth et al.,2003）。因此，在全球或局地尺度上深入研究降水和極端降水的特征及變化規(guī)律，有助于認(rèn)識和理解降水發(fā)生及發(fā)展的物理過程，從而對防災(zāi)減災(zāi)、水資源管理和降低風(fēng)險(xiǎn)提供重要的科學(xué)依據(jù)。

數(shù)值模式是氣候變化及其演變規(guī)律的重要研究工具之一，已被廣泛用于各種研究中，如古氣候的重建（如Kutzbach et al., 1989;蘇寶煌等,2018）、當(dāng)代氣候的模擬和預(yù)測（如Xue et al.,2001;Li et al.,2007;李星雨等,2018）以及未來氣候變化的預(yù)估（如姜大膀等,2004;Ding et al.,2007;Duan et al.,2019;Luo et al.,2020）等領(lǐng)域。在全球或區(qū)域尺度上，數(shù)值模式能提供時(shí)空連續(xù)的降水資料，從而能細(xì)致地研究降水及其特征的規(guī)律和變化。隨著現(xiàn)代科學(xué)技術(shù)的發(fā)展、氣象觀測站分布的日趨完善和數(shù)值模式能力的不斷提高，已有不少研究通過與觀測資料的對比和分析，評估和檢驗(yàn)?zāi)Ｊ侥M的降水特征（如Sun et al.,2006;Zhang and Zhai,2011;宇如聰?shù)?2014;吳佳等,2015;Miao et al.,2016;楊萍等,2017;Han et al.,2019;Zhou et al.,2019;Kong et al.,2020）。在數(shù)值模式中，涉及降水模擬的物理過程十分復(fù)雜，包括空間分辨率、積云對流過程、云微物理過程、輻射傳輸過程、陸面蒸發(fā)和潛熱過程等（Dai,2006）。這些復(fù)雜的過程會在不同程度上影響數(shù)值模式對降水特征（如降水量、頻率和強(qiáng)度等）和極端降水的模擬性能。例如，Sun et al.（2006）利用全球模式的逐日降水結(jié)果與觀測資料分析發(fā)現(xiàn)，模式能較好地再現(xiàn)平均降水量的空間分布，但模擬的降水偏多，高估了小雨的頻率，低估了強(qiáng)降水的強(qiáng)度。目前，數(shù)值模式對降水特征的模擬能力有限，模擬性能還有待提高（Yuan et al.,2013）。通常，全球模式中水平分辨率較粗，這可能是在降水研究中的不確定性來源之一。通過增加全球模式整體或局部空間分辨率，可以更好地刻畫與降水有關(guān)的地形、土地利用和海岸線等中尺度過程的細(xì)節(jié)，提高模式的模擬性能（如Wu et al., 2017）。然而，也有許多研究指出，僅僅提高全球模式的水平分辨率，并不是總能改善或提高降水氣候態(tài)、日變化和雙赤道輻合帶（double ITCZ）現(xiàn)象等的模擬性能（Yuan et al.,2013;Bacmeister et al.,2014），關(guān)鍵是減少存在于降水相關(guān)的物理過程參數(shù)化方案中的不確定性問題（Williamson and Olson,2003;宇如聰?shù)?2014）。

2 試驗(yàn)設(shè)計(jì)、資料和方法

本研究使用中國科學(xué)院大氣物理研究所自主研發(fā)的CAS-ESM模式1.0版本，它是由中國科學(xué)院大氣物理研究所內(nèi)/外聯(lián)合團(tuán)隊(duì)開發(fā)的模式。其中大氣分量模式是IAPAGCM 4.1版本，動力框架采用有限差分格式（Finite-difference dynamical core），水平分辨率可選用典型分辨率1.4°×1.4°和高水平分辨率0.5°×0.5°，物理過程選用不同的參數(shù)化方案，其他模式細(xì)節(jié)參考Zhang et al.（2013）。此外，本研究還使用了美國國家大氣研究中心（NCAR）研發(fā)的CESM模式（1.2.2版本），以更好地對比分析CAS-ESM模式的模擬性能。本研究共設(shè)計(jì)了四組試驗(yàn)，如表1所示。其中，第一組試驗(yàn)（記為CESM）使用NCAR CESM模式，水平分辨率為1.9°×2.5°，物理過程采用美國國家大氣研究中心發(fā)展的CAM5（Community Atmosphere Model version 5）的物理參數(shù)化方案；第二至第四組試驗(yàn)均使用了CAS-ESM模式，其中第二組試驗(yàn)（記為Lcam4）水平分辨率為1.4°×1.4°，物理過程采用美國國家大氣研究中心發(fā)展的CAM4（Community Atmosphere Model version 4）的物理參數(shù)化方案組合；第三組試驗(yàn)（記為Lcam5）的水平分辨率也為1.4°×1.4°，但物理過程采用的是CAM5的物理參數(shù)化方案；第四組試驗(yàn)（記為Hcam5）的水平分辨率為0.5°×0.5°，物理過程采用CAM5的物理參數(shù)化方案。在垂直方向上，CESM的模式層數(shù)為30層，模式層頂氣壓為2.9 hPa。在CAS-ESM模式進(jìn)行的試驗(yàn)中，Lcam4試驗(yàn)的模式層數(shù)為26層，Lcam5和Hcam5的模式層數(shù)都是30層，模式層頂氣壓為2.2 hPa。圖1給出了本文選取的研究區(qū)域和不同試驗(yàn)的地形高度場。圖1顯示，水平分辨率越高，對地形的描述越細(xì)致。此外，圖1a中還選了四個(gè)子區(qū)域：南歐地區(qū)（SEU）、印度半島（IND）、亞洲東南部（SEA）和亞洲東北部（NEA），以供后文更細(xì)致地分析。

圖1 研究區(qū)域和（a）CESM、（b）Lcam4和Lcam5、（c）Hcam5試驗(yàn)的地形（填色，單位：m）。圖1 a中SEU、IND、SEA、NEA表示南歐、印度半島、亞洲東南部、亞洲東北部Fig.1 Model domain and topography(shadings,units: m)for experiments(a)CESM[NCAR CESM(Community Earth System Model, National Center for Atmospheric Research)with the CAM5(Community Atmosphere Model version 5) packageat a resolution of 1.9°×2.5°],(b)Lcam4 [CASESM with the CAM4(Community Atmosphere Model version 4) package at a resolution of 1.4°×1.4°]and Lcam5(CAS-ESM with the CAM5 package at a resolution of 1.4°×1.4°),(c)Hcam5(CAS-ESM with the CAM5 package at a resolution of 0.5°×0.5°).In Fig.1a,the red boxes denote the four sub-regions:SEU (South Europe),IND(India Peninsula),SEA (South and East Asia), NEA (North and East Asia)

表1 CAS-ESM模式的四組試驗(yàn)設(shè)置Table 1 Design of four experiments for CAS-ESM(Earth S ystem Model,Chinese Academy of Sciences)

CAM4和CAM5物理過程參數(shù)化方案組合配置見表2。這兩個(gè)參數(shù)化方案的組合均使用Zhangand McFarlane（1995）提出的深對流方案，它們主要的區(qū)別是使用了不同的淺對流、云微物理過程、邊界層湍流和輻射傳輸過程。四組試驗(yàn)的模擬時(shí)間均為1996～2016年，其中1996～1997年是spin up時(shí)間。CESM的時(shí)間步長是1800 s，Lcam4和Lcam5的時(shí)間步長是1200 s，Hcam5的時(shí)間步長是900 s。利用NCAR CESM和CAS-ESM，本文開展的試驗(yàn)類型是AMIP（global Atmospheric Model Intercomparison Project,Gates,1992）。在海洋上，利用Hurrell et al.（2008）提出的方法，將Hadley中心的月平均海溫/海冰（Rayner et al., 2003）和NOAA的每周平均海溫資料（Reynolds et al.,2002）合并計(jì)算所得的結(jié)果作為下邊界條件。在陸地上，四組試驗(yàn)的陸面過程分量模式均使用CLM4.5（Community Land Surface model,Oleson et al.,2013）模式。

表2 CAM4和CAM5的物理參數(shù)化方案組合配置Table 2 Description of physical parameterization schemes in CAM4(Community Atmosphere Model version 4)and CAM5(Community Atmosphere Model version 5)

為了驗(yàn)證模式的模擬結(jié)果，并分析水平分辨率及物理過程參數(shù)化方案對逐日降水特征的影響，本文采用了以下觀測資料：（1）1998～2016年逐日的GPCC（Global Precipitation Climatology Centre）降水資料（Schamm et al.,2014），分辨率為1°×1°；（2）CMORPH（CPC MORPHing）衛(wèi)星觀測降水資料（Joyce et al.,2004;Xie et al.,2017），其空間分辨率為0.07275°（緯度）×0.07277°（經(jīng)度），時(shí)間分辨率為30 min。在本文的分析中，CMORPH處理成逐日資料進(jìn)行分析，其覆蓋范圍是南北緯60°之間。由于GPCC、CMORPH、CESM和CAS-ESM模擬的降水空間分辨率不同，本文將所有資料都利用守恒算法插值到1°×1°的水平格點(diǎn)上進(jìn)行分析和比較。特別說明，盡管降水的特征（降水量、頻率和強(qiáng)度）會受到時(shí)間和空間分辨率的影響（Chen and Dai,2018），但本文的主要結(jié)論并不受分辨率的不同而改變。因此，考慮篇幅，本文僅呈現(xiàn)了1°×1°的結(jié)果。

降水事件的定義為：逐日降水量≥0.5 mm（可測量的降水）表明發(fā)生了降水?；诖耍疚闹衅骄邓浚▎挝唬簃m d?1）的定義是1998～2016年累積總降水量與總?cè)諗?shù)的比值；平均降水頻率（單位：d）是1998～2016年年平均的有效降水總?cè)諗?shù)；平均降水強(qiáng)度（單位：mm d?1）是1998～2016年年平均的有效降水總量除以總?cè)諗?shù)。針對極端降水的強(qiáng)度和頻率，采用了世界氣象組織（WMO）氣候變化檢測/指標(biāo)專家組（ETCCDI）定義的日最大降水量（Rx1day）和大雨日數(shù)（R25；日降水量超過25 mm的天數(shù)）分別表示，它們在前人的許多研究中已經(jīng)被使用（如Easterling et al.,2000;Zhou et al.,2014;吳佳等,2015）。

3 結(jié)果和分析

3.1 平均降水量、頻率和強(qiáng)度

圖2給出了GPCC和CMORPH多年（1998～2016年）年平均降水量空間分布（圖2a、b）；CESM和CAS-ESM模擬的降水分別與GPCC的偏差分布（圖2d–f）；Lcam4、Hcam5分別與Lcam5的平均降水量差異場（2g、h）。從圖2a和2b可以發(fā)現(xiàn)，受季風(fēng)或地形的影響，GPCC和CMORPH的降水主要位于亞洲東部和南部、歐洲地中海北岸的陸地和大西洋東岸。強(qiáng)降水中心出現(xiàn)在中國東南沿海、南亞東部、印度半島西岸、青藏高原南麓和阿爾卑斯山周圍。CESM的降水整體比GPCC偏大，尤其是在俄羅斯遠(yuǎn)東、中國大部、印度半島南部和阿拉伯半島南部地區(qū)。其中在青藏高原南部和東部地區(qū)，CESM的降水明顯偏多。與之相反，在中國東南沿海、東南亞、印度半島北部和歐洲南部地區(qū)，CESM的降水偏少。CAS-ESM模擬的平均降水量比GPCC偏高，但與CESM的偏差分布有明顯區(qū)別。例如，在中國，CESM的降水正偏差比CASESM的結(jié)果更明顯。Lcam5與GPCC的降水偏差（0.02 mm d?1）顯然比CESM與GPCC的偏差（0.18 mm d?1）更小。CAS-ESM的不同試驗(yàn)也有明顯的區(qū)域性特征和差異。兩組低分辨率試驗(yàn)Lcam4（圖2d）和Lcam5（圖2e）模擬的降水量在歐亞大陸最東端鄂霍茨克海周圍、青藏高原四周、斯堪的維亞半島西岸都偏大。然而，與Lcam5相比，Lcam4的降水量在印度半島、伊朗高原、阿拉伯半島和歐洲大部分地區(qū)、西西伯利亞平原到貝加爾湖地區(qū)明顯更強(qiáng)（圖2d、e、g）。當(dāng)水平分辨率從1.4°提高到0.5°后，Hcam5顯然減小了Lcam5中在歐洲、西西伯利亞平原、貝加爾湖周圍地區(qū)和青藏高原南部降水量的負(fù)偏差（圖2f），提高了模式的模擬性能。在青藏高原地區(qū)、中國華北和東北地區(qū)，Hcam5的降水量呈現(xiàn)為正偏差。在青藏高原南側(cè)，Lcam4和Lcam5都是降水負(fù)偏差，而在Hcam5中負(fù)偏差覆蓋的區(qū)域明顯減小。

圖2 1998～2016年多年平均降水量（單位：mm d?1）分布：（a）GPCC；（b）CMORPH；（c）CESM、（d）Lcam4、（e）Lcam5、（f）Hcam5與GPCC的偏差場；（g）Lcam4、（h）Hcam5與Lcam5的差異場。圖右上角的數(shù)值是區(qū)域平均值Fig.2 Spatial distributions of mean precipitation(units:mm d?1)derived from(a)GPCC(Global Precipitation Centre)data,(b)CMORPH[Climate Prediction Center(CPC)MORPHing]data, the differences between schemes(c)CESM,(d)Lcam4,(e)Lcam5,(f)Hcam5 and GPCC,differences between (g)Lcam4,(h)Hcam5 and Lcam5 during 1998–2016.Area-weighted averaged valueof precipitation amount or biases are shown in theupperright of each panel

圖3展示了GPCC和CMORPH降水頻率的氣候態(tài)分布、以及四組模擬的偏差分布。從圖3a、b可以看出，在中國南方地區(qū)、印度半島東部和南亞半島，降水頻率相對較大，超過了100天。在歐亞大陸約40°N以北的廣大地區(qū)，出現(xiàn)降水的平均日數(shù)亦超過100天，部分沿海的地區(qū)甚至超過了200天（圖3a）。降水日數(shù)相對較少的地區(qū)位于中國西北地區(qū)、伊朗高原和阿拉伯半島。與GPCC相比，CMORPH的降水日數(shù)整體呈現(xiàn)偏少的分布，尤其是在歐洲地區(qū)、亞洲50°～60°N之間的緯度帶、中國南部和東南亞地區(qū)。從圖3c可以看出，在歐亞大陸大多數(shù)地區(qū)CESM的降水頻率比GPCC更高，尤其是在青藏高原地區(qū)。CAS-ESM也高估了歐亞大陸逐日降水的頻率，但與CESM的偏差分布不同。例如，在青藏高原地區(qū)，CAS-ESM模擬的降水頻率與GPCC的偏差比CESM對應(yīng)的偏差明顯更小。在使用CAM5的物理參數(shù)化組合方案下，CESM在歐洲東部和亞洲東北部的降水頻率偏差為正；而CAS-ESM在這些地區(qū)的降水頻率偏差為負(fù)。在歐洲地區(qū)、鄂霍茨克海北部和亞洲東南部，Lcam4的降水頻率（圖3d）明顯偏大（最大正偏差超過了70天）。在歐洲和西西伯利亞地區(qū)，Lcam5模擬的降水日數(shù)（圖3e）比GPCC更少，但在其他地區(qū)（如中國東部、印度半島）則偏多。從圖3g可知，物理參數(shù)化方案由CAM4變?yōu)镃AM5后，模式模擬的降水日數(shù)在歐亞大陸北部、阿拉伯半島和伊朗高原均增加，但在中國東部地區(qū)則減少，后文將分析原因。水平分辨率提高后，盡管Hcam5模擬的降水日數(shù)比GPCC更多，但它減小了歐洲和西西伯利亞平原的負(fù)偏差，同時(shí)也減小了中國東部和青藏高原地區(qū)降水日數(shù)的正偏差（圖3f、h）。比較圖3d–h，可以發(fā)現(xiàn)物理參數(shù)化方案對歐亞大陸中高緯地區(qū)的降水日數(shù)影響較為顯著，而水平分辨率則對地形顯著的地區(qū)和中國東部地區(qū)的降水頻率的結(jié)果有較大影響。

圖3 同圖2 ，但為1998～2016年多年平均降水頻率（單位：d）分布Fig.3 As in Fig.2,but for mean precipitation frequency (units:d)during 1998–2016

圖4展示了GPCC和CMORPH降水強(qiáng)度的氣候態(tài)分布、以及四組試驗(yàn)的偏差分布結(jié)果。GPCC和CMORPH的降水強(qiáng)度空間分布整體接近。與GPCC相比，CMORPH衛(wèi)星觀測的降水強(qiáng)度整體偏強(qiáng)。CESM的降水強(qiáng)度在阿拉伯半島南部和青藏高原南部與東部偏強(qiáng)，其余地區(qū)的降水強(qiáng)度則偏弱（圖4c）。與CESM相比，Lcam5的降水強(qiáng)度與GPCC的負(fù)偏差更大，這表明其降水強(qiáng)度比CESM更弱。除了在歐亞大陸最東邊的半島和青藏高原四周，CAS-ESM的降水強(qiáng)度均小于GPCC的降水強(qiáng)度（圖4d–f）。在低分辨率下，Lcam4（圖4d）和Lcam5（圖4e）模擬的降水強(qiáng)度偏差分布十分相似。提高水平分辨率后，即Hcam5（圖4f）模擬的降水強(qiáng)度負(fù)偏差整體上都減小，偏差顯然比Lcam4和Lcam5都更弱，模擬性能得以改善。從圖4中可以看出，與降水頻率不同的是，利用CAS-ESM進(jìn)行數(shù)值試驗(yàn)時(shí)，物理參數(shù)化方案的改變對降水強(qiáng)度的影響相對較??；而水平分辨率對降水強(qiáng)度的影響相對較大，尤其是在歐洲、印度、中國東部和俄羅斯南部貝加爾湖所處的緯度帶區(qū)域。

圖4 同圖2 ，但為1998～2016年多年平均降水強(qiáng)度（單位：mm d?1）分布Fig.4 As in Fig.2,but for mean precipitation intensity (units:mm d?1)during 1998–2016

3.2 極端降水頻率和強(qiáng)度

圖5給出了GPCC和CMORPH在1998～2016年多年平均日最大降雨量（Rx1day）空間分布，以及四組試驗(yàn)分別與GPCC的偏差分布。GPCC和CMORPH兩種觀測顯示，Rx1day的空間分布與降水強(qiáng)度十分相似。在亞洲東部、南部以及歐洲地中海北岸Rx1day較大，中國西北內(nèi)陸、咸海周圍地區(qū)和歐亞大陸北邊界地區(qū)對應(yīng)的值較小。在中國東南沿海、青藏高原南麓和印度半島等地區(qū)Rx1day都達(dá)到了80 mm以上，但在中國西北地區(qū)卻不足8 mm。CESM的結(jié)果顯示，在俄羅斯遠(yuǎn)東地區(qū)、中國中西部和阿拉伯半島南部，Rx1day的偏差為正，其余地區(qū)為負(fù)。與CESM相比，CASESM在中國中部地區(qū)的正偏差更小，但在亞洲南部的負(fù)偏差更大。Lcam4和Lcam5的結(jié)果顯示（圖5d、e），二者表征的Rx1day與GPCC的偏差分布相似：在鄂霍茨克海周圍的陸地、青藏高原和伊朗高原一些地區(qū)存在正偏差，其他地區(qū)則是負(fù)偏差。在印度半島的兩組試驗(yàn)的差異相對明顯（圖5g）。提高分辨率后，Hcam5的結(jié)果（圖5f）顯然與另外三組低分辨率的試驗(yàn)結(jié)果不同，它有效減小了CESM、Lcam4和Lcam5模擬的負(fù)偏差。然而，在亞洲東北部和青藏高原，它模擬的Rx1day為正偏差，在印度半島和南亞是負(fù)偏差?？傮w而言，Hcam5模擬的Rx1day比Lcam5的更大（圖5h），從而減小了Lcam5的負(fù)偏差。因此，水平分辨率提高后，極端降水強(qiáng)度的模擬性能提高，這與前人的研究結(jié)論一致（Zarzycki et al.,2014;Kong et al.,2020）。此外，對比圖4和圖5可以發(fā)現(xiàn)，降水強(qiáng)度和日最大降水量的空間分布十分相似。同樣的，水平分辨率的改變對Rx1day的影響相對明顯，而物理參數(shù)化方案的影響相對較小。

白新歡提出馬克思共產(chǎn)主義思想具有科學(xué)、現(xiàn)實(shí)和哲學(xué)三個(gè)基本維度，其中前兩個(gè)維度使共產(chǎn)主義成為科學(xué)。他同時(shí)強(qiáng)調(diào)了馬克思人道主義思想是共產(chǎn)主義思想的重要出發(fā)點(diǎn)。[12]

圖5 同圖2 ，但為1998～2016年多年平均日最大降水量（Rx1day，單位：mm）分布Fig.5 Asin Fig.2, but for mean maximum daily precipitation (Rx1day, units:mm)during 1998–2016

圖6給出了不同數(shù)據(jù)表征的降水量超過25 mm的大雨日數(shù)（R25）的氣候態(tài)分布和偏差分布。由GPCC和CMORPH可知，印度半島、南亞東部、中國南部和日本等地區(qū)的R25均超過了20天，阿爾卑斯山脈周圍地區(qū)能達(dá)到12天。CESM的R25在青藏高原南部和東部明顯比GPCC偏多，正偏差可達(dá)11天以上；在秦嶺淮河一帶CESM的R25也偏多。在歐洲、印度、東南亞和中國東南沿海地區(qū)，CESM的R25比GPCC偏小。CAS-ESM的模擬偏差分布與CESM分布類似，但存在區(qū)域差異。例如，在秦嶺淮河一帶，與GPCC相比，CESM的R25偏多，CAS-ESM的R25整體偏少。Lcam4（圖6d）和Lcam5（圖6e）模擬的R25偏差分布十分相似，在歐洲和亞洲南部均比GPCC的更小。比較而言，在印度半島、中國南方地區(qū)和東南亞，Lcam4比Lcam5的R25更大，最大可達(dá)5天以上的差異（圖6g）。在青藏高原、中國東北和外大興安嶺地區(qū)，Hcam5模擬的R25（圖6f）比GPCC更大。在歐洲地區(qū)、印度半島、東南亞和中國南部，Hcam5模擬的R25和前面低分辨率的結(jié)果一致的偏小，但Hcam5明顯減小了負(fù)偏差（圖6h）。

圖6 同圖2 ，但為1998～2016年多年平均大雨日數(shù)（R25，單位：d）分布Fig.6 As in Fig.2,but for mean number of heavy rain days(R25, units:d)during 1998–2016

綜合分析圖2～6，首先可以發(fā)現(xiàn)，GPCC的降水強(qiáng)度、Rx1day和R25的空間分布相對接近，CMORPH和四組試驗(yàn)的降水強(qiáng)度、Rx1day和R25與GPCC的偏差在空間分布上也較為接近。因此，降水強(qiáng)度與極端降水的強(qiáng)度（如Rx1day）和極端降水的頻率（如R25）之間可能存在一定的聯(lián)系。針對CAS-ESM的兩組低分辨率的試驗(yàn)，比較圖2d和圖3d（或圖2e和圖3e），平均降水量和降水頻率的差異分布類似。因此，改變物理參數(shù)化方案和水平分辨率后，降水量的變化可能主要與降水頻率相關(guān)。此外，當(dāng)物理參數(shù)化方案組合由CAM4變成CAM5時(shí)，降水強(qiáng)度、Rx1day和R25在印度半島、中國南部和南亞地區(qū)，前者（Lcam4）比后者（Lcam5）的模擬結(jié)果都更大，在其他地區(qū)物理參數(shù)化方案的影響則相對較小。當(dāng)水平分辨率從1.4°提高到0.5°時(shí)，Hcam5的降水強(qiáng)度、Rx1day和R25比Lcam5的模擬結(jié)果都更大，這使得模式誤差得以減小，尤其是在歐洲、亞洲東部和南部。最后，為了定量地評估四組試驗(yàn)的模擬性能，表3給出了在歐亞大陸上，不同試驗(yàn)?zāi)M的降水指數(shù)分別與GPCC的空間相關(guān)系數(shù)和標(biāo)準(zhǔn)化方差。CESM的降水頻率和R25的空間相關(guān)系數(shù)最大，表明這兩種降水特征，CESM的模擬性能相對較好。Hcam5的平均降水量、降水強(qiáng)度和Rx1day的空間相關(guān)系數(shù)最大，表明其相應(yīng)的模擬性能較好。針對標(biāo)準(zhǔn)化的方差，四組試驗(yàn)?zāi)M的降水頻率的結(jié)果均大于1，這表明兩個(gè)模式模擬的降水頻率空間變化比GPCC更大。然而，模式模擬的降水強(qiáng)度、Rx1day和R25的標(biāo)準(zhǔn)化方差都小于1，說明模式模擬的這些降水特征的空間變率比GPCC更小。這與圖2～6的空間分布結(jié)果一致。

表3 四組試驗(yàn)CESM、Lcam4、Lcam5、Hcam5分別與GPCC的空間相關(guān)系數(shù)（CC）及標(biāo)準(zhǔn)化方差（NSD）Table 3 Spatial correlation coefficients(CC)and normalized standardized deviations(NSD)between GPCC and CESM,Lcam4, Lcam5, Hcam5

3.3 子區(qū)域逐日降水的季節(jié)變化

降水的局地特征顯著，在中高緯度季節(jié)特征也明顯。因此，通過分析和對比典型降水子區(qū)域的局地降水模擬性能，能更細(xì)致地評估模式的模擬性能。從圖2a、b可知，在歐洲南部、印度半島和中國東部，降水量相對其他地區(qū)更大。與此同時(shí)，這些地區(qū)的人口相對稠密，降水特征的變化對社會經(jīng)濟(jì)生成和人類活動均有重要影響。為細(xì)致地檢驗(yàn)NCAR CESM和CAS-ESM模式在不同區(qū)域?qū)邓卣鞯哪M性能，圖1a給出了四個(gè)典型的子區(qū)域。其中，印度半島和中國東部均是典型季風(fēng)性氣候區(qū)，其降水特征受地形、南亞季風(fēng)、東亞季風(fēng)、西太平洋副熱帶高壓和熱帶氣旋等因素的影響（如Lu,2002;Ding et al.,2007;Ren et al., 2013;Qian and Zhou,2014）；南歐地區(qū)則是典型的地中海氣候，夏季炎熱干燥，冬季濕潤多雨，降水的變化受到NAO（North Atlantic Oscillation）和ENSO（El Ni?o–Southern Oscillation）等因素影響（如Rodóet al.,1997）。圖7給出了不同子區(qū)域四個(gè)季節(jié)（冬季：12～2月，DJF；春季：3～5月，MAM；夏季：6～8月，JJA；秋季：9～11月，SON）的平均降水量的區(qū)域平均值。其中圖7a–d分別表示四個(gè)區(qū)域GPCC、CMORPH和四組模擬試驗(yàn)的點(diǎn)狀圖結(jié)果；圖7e也表示同樣的結(jié)果，但用柱狀圖表示，以使得結(jié)果更直觀。

圖7 1998～2016年多年平均的四個(gè)子區(qū)域（a）SEU、（b）IND、（c）SEA、（d）NEA季節(jié)平均降水量分布，（e）季節(jié)平均降水量柱狀圖。DJF、MAM、JJA、SON分別表示春季、夏季、秋季、冬季Fig.7 Seasonal mean precipitation for(a)SEU,(b)IND,(c)SEA,(d) NEA,and(e)a histogram of seasonal mean precipitation averaged in 1998–2016.DJF,MAM,JJA,SON represent spring,summer,autumn,winter, respectively

在南歐地區(qū)（SEU），GPCC顯示在DJF和SON的降水量相對較大，是全年降水的主要季節(jié)，均達(dá)到2 mm d?1以上。CMORPH的區(qū)域平均降水比GPCC更少，尤其是在降水充沛的冬季負(fù)偏差較顯著。CESM的降水在4～11月都比GPCC的值更小，其他季節(jié)和GPCC大體相當(dāng)。利用CASESM進(jìn)行的試驗(yàn)中，除了JJA偏少外，Lcam4模擬的降水量都比GPCC更多。Lcam5模擬的降水量在DJF與GPCC幾乎一致，但其他三個(gè)季節(jié)都偏少，且偏差是試驗(yàn)中最大的一組。從圖3和圖4可知，這與它模擬的降水頻率和降水強(qiáng)度均偏弱有關(guān)。Hcam5在DJF偏多，JJA偏少，其他兩個(gè)季節(jié)與GPCC相對接近。

印度半島（IND）在南亞季風(fēng)影響下JJA的降水量最大，接近9 mm d?1。在JJA和SON，CESM的降水比GPCC偏大；CMORPH和CAS-ESM的三組試驗(yàn)?zāi)M的JJA降水均比GPCC更小，尤其是Lcam5。這主要與降水強(qiáng)度、極端降水強(qiáng)度和頻率偏小有關(guān)（圖4～6）。Lcam4的結(jié)果與GPCC更為接近；提高分辨率后，Hcam5的結(jié)果改善了Lcam5中偏少的誤差。SON的結(jié)果與JJA類似，模擬的結(jié)果均偏小。然而，在DJF和MAM兩個(gè)季節(jié)，CAS-ESM模擬的結(jié)果則偏大，這可能主要是由于降水頻率比GPCC偏更大引起的。

在中國東南部，觀測的GPCC結(jié)果在JJA降水量也最大，達(dá)到7 mm d?1左右。CMORPH和四組試驗(yàn)?zāi)M的結(jié)果幾乎重合，但比GPCC略小。除Lcam5外，SON觀測和模擬的結(jié)果幾乎重合。從這兩個(gè)結(jié)果也可以看到，在使用不同物理過程和水平分辨率時(shí)，盡管模式模擬的降水量差異不大，但其降水頻率、強(qiáng)度和極端降水的模擬結(jié)果卻可以很大，這也指出了模式對降水特征模擬性能的復(fù)雜性。在DJF和MAM兩個(gè)季節(jié)，CESM和CAS-ESM模擬的降水均比GPCC偏大，其中Lcam5模擬的偏差最大，Lcam4和Hcam5的降水量相對一致。

最后在中國的華北、東北和外興安嶺地區(qū)，GPCC資料中JJA的降水仍最大，SON次之，DJF降水最少。除了在DJF降水量偏少外，CMORPH與GPCC的降水幾乎重合。四組試驗(yàn)?zāi)M的降水量都比GPCC和CMORPH更多。在MAM和SON兩個(gè)季節(jié)，CESM的正偏差最大。與Lcam4和Lcam5相比，Hcam5模擬的降水在四個(gè)季節(jié)都正偏差最大，這與Hcam5模擬的Rx1day和R25存在正偏差對應(yīng)。

圖8給出了GPCC、CMORPH和四組試驗(yàn)在四個(gè)子區(qū)域多年平均逐日降水的區(qū)域平均的變化。盡管不同的數(shù)據(jù)存在差異，但均能反映出不同區(qū)域降水的季節(jié)變化。在南歐地區(qū)，1～5月，以及11、12月，CMORPH的逐日降水量比GPCC更低，其他月份CMROPH的降水量與GPCC幾乎重合。在4～11月，CESM的降水量比GPCC和CMORPH兩種觀測資料的更少。6～9月，CAS-ESM的三組試驗(yàn)?zāi)M的降水量也比GPCC和CMORPH更少，且Lcam4的負(fù)偏差最小，Lcam5的負(fù)偏差最嚴(yán)重。在1～2月和11～12月，CESM和Lcam5的偏差較小。3～4月，Hcam5的偏差相對較小。此外，四組試驗(yàn)?zāi)M的標(biāo)準(zhǔn)差（STD）均比GPCC（0.28 mm d?1）大，其中Lcam5和Hcam5的結(jié)果偏大，達(dá)到0.43 mm d?1。在印度半島（圖8b）的3～6月，兩個(gè)模式模擬的降水量比GPCC更多；而在7～8月，兩個(gè)模式表征的降水量則比GPCC偏少。后者主要是由于地區(qū)平均降水強(qiáng)度和極端降水的強(qiáng)度與頻率均存在負(fù)偏差導(dǎo)致的。此外，與SEU不同，GPCC的STD為3.42 mm d?1，但CMORPH和CAS-ESM的結(jié)果都比GPCC小，依次為2.99 mm d?1、2.50 mm d?1、2.99 mm d?1和2.54 mm d?1，CESM的STD則比GPCC更大，為3.47 mm d?1。在亞洲東部的兩個(gè)子區(qū)域（圖8c、d），GPCC與CMORPH的季節(jié)變化曲線幾乎一致。這說明，該地區(qū)CMORPH表征的降水特征的可信度高。四組試驗(yàn)的結(jié)果在這兩個(gè)子區(qū)域的降水量全年整體偏大，但在6～8月，模式模擬的結(jié)果偏小。此外，SEA地區(qū)，Lcam5的STD比GPCC的值更小，其余試驗(yàn)的STD則結(jié)果相反。從SEU、IND和SEA三個(gè)子區(qū)域的結(jié)果來看，在7～8月，兩個(gè)模式的降水量偏少，尤其是在亞洲南部和東部，這主要與降水強(qiáng)度和極端降水偏低有關(guān)。然而，在NEA這個(gè)地區(qū)，兩個(gè)模式模擬的降水量偏大，這顯然與降水頻率偏大有關(guān)。這些結(jié)果說明，在不同的地區(qū)，造成降水量偏差的原因不同。

圖8 1998～2016年多年平均的逐日降水量（單位：mm d?1）在（a）SEU、（b）IND、（c）SEA、（d）NEA區(qū)域平均的時(shí)間序列。右側(cè)兩列數(shù)字分別表示平均值（MEAN）和標(biāo)準(zhǔn)差（STD）Fig.8 Timeseriesfor daily precipitation (units:mm d?1)averaged over (a)SEU,(b)IND,(c)SEA,(d)NEA during 1998–2016. Numberson theright side represent means(MEAN)and standard deviations (STD)for different data sets

4 對流性降水、大尺度降水和水汽通量的結(jié)果與分析

從前面的討論中，可以看出物理參數(shù)化方案和水平分辨率的變化都可以影響降水特征（平均量、頻率、強(qiáng)度、極端降水頻率和強(qiáng)度），但影響的程度和區(qū)域有所不同。根據(jù)降雨產(chǎn)生的不同物理過程及云的類型，Houze（1997）將降水分為兩種類型：對流性降水和層狀云降水（或大尺度降水）。在CESM和CAS-ESM中，總降水也是由對流性降水和大尺度降水兩個(gè)部分組成。因此，為探究前文變化的具體原因，圖9給出了1998～2016年四組試驗(yàn)對流性降水和大尺度降水的氣候態(tài)分布。圖10給出了前文所選的四個(gè)子區(qū)域?qū)α餍越邓痛蟪叨冉邓闹鹑兆兓€。從圖9能看到，四組試驗(yàn)?zāi)M的對流性降水在歐洲、印度半島、亞洲東部和東南亞地區(qū)相對較大，而在歐亞大陸北邊界、中國西北內(nèi)陸到里海東岸對流降水較小。CESM、Lcam4和Lcam5區(qū)域平均的對流性降水接近（依次是0.90 mm d?1、0.95 mm d?1和0.94mm d?1），但在不同地區(qū)有明顯差異。與低分辨率的結(jié)果相比，Hcam5的對流性降水明顯減小，區(qū)域平均值最小。這說明提高水平分辨率后，依賴對流參數(shù)化方案來產(chǎn)生降水減小（即對流性降水減?。?，這與前人逐月和逐小時(shí)降水的結(jié)果一致（Zarzyckiet al.,2014;Kong et al.,2020）。在歐洲，CESM的對流性降水比Lcam4和Lcam5整體偏少，這與4～10月CESM的結(jié)果偏小相關(guān)。Lcam5的對流性降水在空間分布上顯然小于Lcam4（圖9a、c），這與圖10a中Lcam5在5～10月的對流性降水比Lcam4少相關(guān)（圖10a）。與之對比，Hcam5的對流性降水最?。?～6月除外）。在印度地區(qū)（圖10c），盡管空間上四組試驗(yàn)的分布類似，但5～12月CESM的對流性降水最大，7～9月Lcam4和Hcam5產(chǎn)生的對流性降水也較大。在亞洲東部，從圖9e、g可以明顯看到，與Lcam4和Lcam5相比，Hcam5的對流性降水明顯減小。同時(shí)，在兩個(gè)子地區(qū)（圖9e、g），Lcam5的對流性降水都最大（2.80 mm d?1和1.08 mm d?1），而Hcam5的 對 流 性 降 水 最 小（1.75 mm d?1和0.69 mm d?1）。此外，在南歐地區(qū)，Lcam4模擬的對流性降水的STD最大。在印度地區(qū)則是CESM的對流性降水的STD最大。然而，在亞洲東部的兩個(gè)子區(qū)域，Lcam5表示的對流性降水的STD最大，而Hcam5的最小。

圖9 1998～2016年多年平均對流性降水（左）和大尺度降水（右）空間分布（單位：mm d?1）：（a、b）CESM；（c、d）Lcam4；（e、f）Lcam5；（g、h）Hcam5Fig.9 Spatial distributions(units:mm d?1)of mean daily convective precipitation(left)and large-scale precipitation(right)during 1998–2016:(a, b)CESM;(c,d)Lcam4;(e,f)Lcam5;(g, h)Hcam5

圖10 1998～2016年多年平均的對流性降水（左）和大尺度降水（右）在（a）SEU、（b）IND、（c）SEA、（d）NEA區(qū)域平均的時(shí)間序列。圖中數(shù)字第一行為平均值，第二行為標(biāo)準(zhǔn)差Fig.10 Time series for daily convective precipitation(left)and large-scale precipitation(right)averaged over(a)SEU,(b)IND,(c)SEA,(d) NEA during 1998–2016. Numbersin thefirst row and second row are the means(MEAN) and standard deviations (STD)for different data sets

另一方面，四組試驗(yàn)?zāi)M的大尺度降水在斯堪的納維亞半島、青藏高原、中國東部和鄂霍茨克海周圍的陸地地區(qū)相對充沛。比較而言，Lcam5模擬的大尺度降水最小，平均是0.71mm d?1；Hcam5的大尺度降水最大，區(qū)域平均值是1.00 mm d?1。在南歐和印度兩個(gè)區(qū)域（圖10b、d），CESM的結(jié)果介于Lcam5和Hcam5之間。Lcam5的大尺度降水全年最小，這可能是歐洲降水強(qiáng)度和極端降水偏少的原因之一。Lcam4和Hcam5的結(jié)果則相對接近。在東亞兩個(gè)子區(qū)域，CESM和Hcam5模擬的大尺度降水較大，尤其是在降水較為明顯的4～9月。對比CAS-ESM的三組試驗(yàn)結(jié)果可知，提高水平分辨率后，其模擬的可解析降水（resolved rainfall）增加，依賴對流參數(shù)化方案產(chǎn)生的降水減小?？梢酝茢啵趤喼迻|部Hcam5降水頻率的減小主要是因?yàn)閷α餍越邓l率的減小導(dǎo)致的。與此同時(shí)，CESM的大尺度降水的STD在東亞兩個(gè)子區(qū)域最大，Hcam5的STD次之。與SEU和IND一致，Lcam5的大尺度降水最少。針對CAS-ESM的結(jié)果，我們還分析了Lcam4、Hcam5分別與Lcam5模擬的對流性降水和大尺度降水的差異場（圖略）。除了在中國長江沿岸地區(qū)外，Lcam4的大尺度降水比Lcam5的均更多。這可能導(dǎo)致Lcam4的降水量和降水頻率都高于Lcam5（圖2f和3f），尤其是在歐亞大陸的中高緯度地區(qū)、印度半島和南亞等熱帶地區(qū)。在中國東部，Lcam4的對流性降水顯著低于Lcam5的結(jié)果，這引起了該地區(qū)Lcam4的降水量和降水頻率都比Lcam5低。另一方面，與Lcam5相比，Hcam5的對流性降水減小，而大尺度降水卻增大。因此，在中國南部降水頻率的減小主要是由于對流性降水頻率降低引起的；而中國東部和歐洲的降水強(qiáng)度、極端降水的強(qiáng)度和頻率等，則主要是由于大尺度降水的增加引起的。

圖11和圖12依次給出了JJA和DJF、MAM和SON四個(gè)季節(jié)Lcam4和Hcam5分別與Lcam5模擬的水汽氣候態(tài)差異的空間分布。JJA的緯向水汽輸送結(jié)果顯示，在印度半島和中國東部Lcam4和Hcam5向東輸送的水汽都比Lcam5強(qiáng)；經(jīng)向輸送的結(jié)果顯示，Lcam4向北輸送的水汽比Lcam5更充沛；在中國東北地區(qū)，Hcam5向北輸送的水汽也比Lcam5的結(jié)果更強(qiáng)。這些不同導(dǎo)致對應(yīng)地區(qū)的降水量發(fā)生相應(yīng)的改變，最顯著的是Hcam5的降水量比Lcam5的更大。從DJF的緯向水汽輸送可知，在歐洲北部Lcam4和Hcam5向東輸送的水汽都比Lcam5強(qiáng)，而東南或南部地區(qū)的結(jié)果則相反，使得水汽差異在歐洲形成了輻合，從而引起該地區(qū)降水特征發(fā)生改變。這導(dǎo)致了Lcam4和Hcam5模擬的降水量、頻率、強(qiáng)度和極端降水特征都比Lcam5大。在MAM和SON兩個(gè)季節(jié)，在歐洲南部Lcam4和Hcam5向東輸送的水汽同樣比Lcam5強(qiáng)，從而導(dǎo)致這兩個(gè)季節(jié)的降水Lcam5和Hcam5的降水量均比Lcam5更多。在印度半島，Lcam4在MAM和SON兩個(gè)季節(jié)向北輸送的水汽均比Lcam5強(qiáng)，使得這兩個(gè)季節(jié)前者與后者的降水量相當(dāng)或偏強(qiáng)；而在MAM，Hcam5向東和向北輸送的水汽均比Lcam5弱，造成Hcam5的降水量偏小，在SON，Hcam5向東輸送的水汽顯然比Lcam5強(qiáng)，引起Hcam5的降水量也更大。在中國東部，MAM這三個(gè)月中，Lcam5向東輸送的水汽和向北輸送的水汽均比Lcam4和Lcam5強(qiáng)，因此Lcam5的降水量最大。在SON這個(gè)季節(jié)，中國東北地區(qū)，Lcam4和Hcam5向東輸送的水汽比Lcam5強(qiáng)，從而使得對應(yīng)的降水量更大。針對CAS-ESM模式，整體對比四個(gè)季節(jié)發(fā)現(xiàn)，Lcam4和Hcam5分別于Lcam5的水汽輸送差異分布類似，這說明改變物理參數(shù)化方案和水平分辨率可能引起相似的水汽輸送的變化，從而引起降水特征發(fā)生變化。

圖11 1998～2016年多年平均的Lcam4、Hcam5分別與Lcam5在緯向方向（左）和經(jīng)向方向（右）的水汽通量差異（單位：kg m?1 s?1）：（a–d）JJA；（e–h）DJFFig.11 Spatial distributions of mean differences between Lcam4,Hcam5 and Lcam5 for zonal(left)and meridional(right)water vapor fluxes(units:kg m?1 s?1)during 1998–2016:(a–d)JJA;(e–f)DJF

圖12 1998～2016年多年平均的Lcam4、Hcam5分別與Lcam5在緯向方向（左）和經(jīng)向方向（右）的氣候態(tài)水汽輸送差異（單位：kg m?1 s?1）：（a–d）MAM；（e–h）SONFig.12 Spatial distributions of annual mean differences between Lcam4,Hcam5 and Lcam5 for zonal (left)and meridional(right)water vapor fluxes(units:kg m?1 s?1)during 1998–2016:(a–d) MAM;(e–f) SON

5 結(jié)果和討論

利用中國科學(xué)院大氣物理研究所內(nèi)/外聯(lián)合團(tuán)隊(duì)研發(fā)的地球系統(tǒng)模式CAS-ESM模式和NCAR CESM模式，進(jìn)行了不同物理參數(shù)化方案和不同水平分辨率共四組19年（1996～2016，其中1996～1997是spin up）的AMIP類型數(shù)值積分試驗(yàn)。其中，NCAR CESM的水平分辨率是1.9°×2.5°，物理參數(shù)化方案組合是CAM5（簡稱為CESM），這一組試驗(yàn)主要用于與CAS-ESM模式的結(jié)果進(jìn)行對比。CAS-ESM模式的水平分辨率是1.4°×1.4°（使用了CAM4和CAM5物理參數(shù)化方案組合）和0.5°×0.5°（使用CAM5物理參數(shù)化方案組合），分別依次簡稱為Lcam4、Lcam5和Hcam5。利用基于臺站觀測的GPCC降水資料和衛(wèi)星觀測的CMORPH降水?dāng)?shù)據(jù)，評估和分析了四組試驗(yàn)?zāi)M的歐亞大陸逐日降水特征（平均量、頻率、強(qiáng)度和極端降水）的模擬性能。

從空間相關(guān)系數(shù)來看，四組試驗(yàn)?zāi)M的平均降水特征和Rx1day在空間分布上與GPCC較接近，但R25的空間分布形態(tài)與GPCC存在偏差。與GPCC相比，四組試驗(yàn)?zāi)M的平均降水量略偏大，降水更頻繁，但降水強(qiáng)度偏弱。極端降水的強(qiáng)度CESM、Lcam4和Lcam5的結(jié)果類似，Hcam5的結(jié)果則與Lcam4和Lcam5有較大不同。這說明，物理參數(shù)化方案和水平分辨率對逐日降水特征均有影響，但影響的降水特征變量和空間分布存在差異。針對不同物理參數(shù)化方案的結(jié)果，在歐亞大陸中高緯區(qū)域，Lcam4的降水量比Lcam5的更強(qiáng)，這與Lcam4的降水頻率更大相聯(lián)系。在低緯度如印度半島和東南亞半島地區(qū)，Lcam4的降水量比Lcam5的更大，主要與降水強(qiáng)度尤其是極端降水的強(qiáng)度和頻率更大有關(guān)。在中國東部，Lcam4的降水量比Lcam5的更小，則主要與降水頻率偏低有關(guān)。進(jìn)一步的分析發(fā)現(xiàn)，在歐亞大陸中高緯度，Lcam4的大尺度降水比Lcam5的更強(qiáng)，水汽更加充沛，從而引起了上述差異。在亞洲東部，Lcam4模擬的對流性降水低于Lcam5的對應(yīng)值，導(dǎo)致該地區(qū)Lcam4的降水量和降水頻率比Lcam5的更小。

不同模式的對比表明，低分辨率下，CASESM對歐亞大陸降水特征與GPCC的空間相關(guān)系數(shù)都不如CESM。然而，提高分辨率后，前人的研究結(jié)果顯示，CESM的降水頻率和降水強(qiáng)度性能反而有所降低（李星雨等,2018;Kong et al.,2020）。針對CAS-ESM，提高分辨率后，其模擬的逐日降水特征結(jié)果顯著提高。當(dāng)水平分辨率由粗變細(xì)后，Hcam5比Lcam5產(chǎn)生了更多的降水量，尤其是在歐洲、青藏高原南麓和中國東北地區(qū)。在中國南部，Hcam5的降水頻率比Lcam5更低，減小了降水頻率的誤差，這主要是由Hcam5的對流性降水頻率減小引起的。在歐洲，與Lcam5相比，Hcam5的降水量、頻率和強(qiáng)度都更大；在亞洲東部和歐洲，Hcam5的Rx1day和R25均比Lcam5更大，與觀測的偏差減小。這主要是因?yàn)镠cam5的大尺度降水比Lcam5的更大，水汽也更充足。已有許多研究（如Bacmeister et al.,2014;Kong et al.,2020）指出，提高水平分辨率后，模式模擬的極端降水頻率和強(qiáng)度的模擬性能均得到改善，本文的結(jié)果與前人的研究結(jié)果一致。

我們也可以看到，盡管試驗(yàn)中降水量的氣候態(tài)分布特征差異不大，但物理參數(shù)化方案和水平分辨率對降水強(qiáng)度、頻率和極端降水的模擬性能不同。針對CAS-ESM模式，不同的物理過程參數(shù)化方案的改進(jìn)、空間分辨率的提高以及二者的相互適應(yīng)仍是提高其模擬降水特征的一個(gè)方向。例如，Xie et al.（2020）指出，考慮地形拖曳的影響，在CASESM中修正地形各向異性參數(shù)化方案后，該模式在復(fù)雜地形的區(qū)域引起的地形波模擬性能得到了改善。此外，已有研究指出，時(shí)間積分步長也是影響降水特征的一個(gè)因素（Williamson,2013），因本試驗(yàn)中Lcam4、Lcam5的積分步長是1200 s，而水平分辨率提高后，為了模式積分穩(wěn)定，Hcam5的積分步長為900 s。未來工作中，我們將進(jìn)一步分析CAS-ESM模式更完善的物理參數(shù)化方案、更高的水平分辨率和積分步長對降水特征的模擬性能。