周攀宇 江志紅 李童

摘要 基于耦合模式比較計(jì)劃第6階段（CMIP6）中的全球氣候模式的模擬結(jié)果，采用考慮模式性能和獨(dú)立性結(jié)合（Climate model Weighting by Independence and Performance，ClimWIP）的加權(quán)方案進(jìn)行中國(guó)區(qū)域氣候的多模式集合預(yù)估及不確定性研究。結(jié)果表明，ClimWIP方案在歷史階段的模擬優(yōu)于等權(quán)重方案，降低了多模式模擬的氣候態(tài)偏差。溫度指數(shù)的未來(lái)預(yù)估不確定性較大的區(qū)域主要集中在中國(guó)北方和青藏高原，而降水指數(shù)主要集中在華北和西北地區(qū)。ClimWIP方案的預(yù)估不確定性與等權(quán)重方案相比有所降低。ClimWIP方案預(yù)估的溫度指數(shù)的增溫大值區(qū)主要集中在中國(guó)北方和青藏高原;降水指數(shù)在西北和青藏高原增加最為顯著。全球額外0.5 ℃增暖時(shí)，中國(guó)區(qū)域平均的溫度指數(shù)變化更強(qiáng)，平均高于全球0.2 ℃，最低溫在東北部分地區(qū)的額外增溫甚至是全球平均的3倍;總降水額外增加5.2％;強(qiáng)降水額外增加10.5％。全球增暖2 ℃下，中國(guó)大部分區(qū)域溫度指數(shù)較當(dāng)前氣候態(tài)增加可能超過(guò)1.5 ℃（概率>50％），在中國(guó)北方和青藏高原的部分地區(qū)增溫超過(guò)1.5 ℃的可能性更大（概率>90％）;總降水，強(qiáng)降水和連續(xù)干日在西北和華北增加幅度有可能超過(guò)10％、25％和-5 d（概率>50％）。

關(guān)鍵詞模式性能和獨(dú)立性;全球增暖1.5／2 ℃;預(yù)估不確定性;概率預(yù)估;CMIP6

全球增暖背景下自然生態(tài)系統(tǒng)和人類社會(huì)將面臨更大的挑戰(zhàn)。2011—2020年全球地表溫度較1850—1900年升高了1.09 ℃，并且在21世紀(jì)將持續(xù)上升，在高排放共享社會(huì)經(jīng)濟(jì)路徑下，預(yù)計(jì)21世紀(jì)末全球氣溫升高約4.4（3.3～5.7） ℃（IPCC，2021）。隨著全球變暖，高溫?zé)崂?、?qiáng)降水事件頻發(fā)，強(qiáng)度更強(qiáng)，更易引發(fā)嚴(yán)重的氣象災(zāi)害（Aslam et al.，2017;Guirguis et al.，2018;Sun et al.，2019;江曉菲等，2020;周波濤等，2020;孫雪榕等，2021;朱連華等，2023），對(duì)人類生命財(cái)產(chǎn)和國(guó)民經(jīng)濟(jì)建設(shè)造成嚴(yán)重?fù)p害。為應(yīng)對(duì)氣候變化的威脅，《巴黎協(xié)議》提出將全球平均氣溫升幅控制在較工業(yè)革命前2 ℃之內(nèi)，并力爭(zhēng)控制在1.5 ℃范圍內(nèi)（UNFCCC，2015）。眾多研究表明中國(guó)區(qū)域的升溫幅度和速率高于全球平均（胡婷等，2017;Shi et al.，2018），更容易受到極端氣候事件的影響。因此進(jìn)一步探索中國(guó)區(qū)域未來(lái)氣候變化，給出更科學(xué)的未來(lái)預(yù)估具有重要意義。

全球氣候模式（Global Climate Models，GCM）在氣候模擬和未來(lái)氣候變化預(yù)估方面發(fā)揮著重要作用。新一代氣候模式對(duì)過(guò)去和當(dāng)前氣候模擬能力的提升，將增強(qiáng)未來(lái)預(yù)估的可靠性（Palmer et al.，2005;Semenov and Stratonovitch，2010）。世界氣候研究計(jì)劃（WCRP）已經(jīng)組織了多次耦合模式比較計(jì)劃（Coupled Model Intercomparison Projects，CMIP），旨在統(tǒng)一的框架下開展多模式比較，如今已經(jīng)進(jìn)行到第六階段（CMIP6），參與第六階段的模式比前一階段模式（CMIP5）在參數(shù)化方案和模式分辨率等方面有了較大的改進(jìn)和提高，已有大量研究證明CMIP6比CMIP5能夠更好地模擬極端氣候指數(shù)及其趨勢(shì)變化特征（Zamani et al.，2020;Zhu et al.，2020;Li J J et al.，2021）。

氣候系統(tǒng)內(nèi)部的自然變率，模式本身分辨率和參數(shù)化方案的限制，以及未來(lái)情景的不確定性等方面，使得模式預(yù)估結(jié)果存在較大不確定性。多模式集合已被證明可以有效降低區(qū)域氣候預(yù)估的模式間不確定性（Abramowitz and Bishop，2015;Sanderson et al.，2015）。簡(jiǎn)單模式集合平均已經(jīng)被廣泛用于未來(lái)氣候預(yù)估并且證明可以得到比單個(gè)模式更優(yōu)的模擬（Tebaldi and Knutti，2007;Knutti，2010;Knutti et al.，2010;蔣帥等，2017;Eyring et al.，2019）。但是，由于每個(gè)模式的模擬性能不同，同等對(duì)待每個(gè)模式已不再是最優(yōu)方案（Baumberger，2017;Eyring et al.，2019）?；谀Ｊ叫阅艿募戏桨傅玫搅诉M(jìn)一步發(fā)展，例如，秩加權(quán)方案（Chen et al.，2011，Li et al.，2016）和可靠性集合平均方法（Giorgi and Mearns，2002，2003;朱歡歡等，2022）。隨后有研究指出很多模式的設(shè)計(jì)不完全獨(dú)立，因此有必要考慮模式間的相互依賴問(wèn)題。Knutti et al.（2017）提出了一種考慮了模式性能和獨(dú)立性的方案，該方案的應(yīng)用區(qū)域多集中于歐洲，被證明可以提高模擬性能并有效降低未來(lái)預(yù)估的不確定性（Knutti et al.，2017;Brunner et al.，2019;Brunner et al.，2020a）。

目前使用該全面考慮模式性能和獨(dú)立性的集合方案在中國(guó)區(qū)域的研究還較少，Zhao et al.（2022）基于該方案研究了青藏高原的降水變化，發(fā)現(xiàn)該方案預(yù)估的降水，在季節(jié)上，春季的降水增加趨勢(shì)增強(qiáng);在空間上，高原西北部是降水量增加的響應(yīng)大值區(qū)。Li T et al.（2021）基于此方案進(jìn)行了全球增暖1.5／2 ℃下中國(guó)區(qū)域降水與極端降水的預(yù)估，發(fā)現(xiàn)加權(quán)后預(yù)估的未來(lái)降水增幅總體更強(qiáng)，降水的局地響應(yīng)更明顯。該研究?jī)H以105°E為界，將中國(guó)進(jìn)行東西分區(qū)，并選擇參數(shù)建模，考慮到中國(guó)區(qū)域氣候差異大，僅東西分區(qū)無(wú)法兼顧模式在更為局地尺度上的性能差異，因此或許并不是最優(yōu)的集合方案。故本文在已有研究的基礎(chǔ)上，使用最新一代的CMIP6模式數(shù)據(jù)，進(jìn)一步在更為細(xì)致的局地尺度進(jìn)行多模式建模分析，對(duì)全球增暖1.5／2 ℃背景下中國(guó)區(qū)域的溫度和降水進(jìn)行集合預(yù)估，并進(jìn)一步給出預(yù)估不確定性的分析及概率預(yù)估結(jié)果。

1 資料和方法

1.1 資料

本文使用的觀測(cè)數(shù)據(jù)集為中國(guó)區(qū)域的格點(diǎn)日資料CN05.1，使用的變量為逐日平均、最高、最低氣溫和逐日降水量，關(guān)注的歷史時(shí)間段為1961—2014年。該數(shù)據(jù)集是由吳佳和高學(xué)杰（2013）基于中國(guó)2 416個(gè)地面氣象站的觀測(cè)資料插值得到的分辨率為0.25°×0.25°的格點(diǎn)數(shù)據(jù)集。本文使用的模式資料為CMIP6模式資料，與觀測(cè)資料使用了相同的變量，考慮了其歷史模擬（1850—2014年）和未來(lái)SSP5-8.5情景（2015—2100年）的逐日數(shù)據(jù)，其中SSP5-8.5情景是共享社會(huì)經(jīng)濟(jì)路徑（Shared Socio-economic Pathways，SSPs）下的高耗能發(fā)展排放情景（ONeill et al.，2016;Riahi et al.，2017）。根據(jù)以上條件篩選出了25個(gè)CMIP6模式資料，各模式信息如表1所示，本文僅使用每個(gè)模式的第一個(gè)集合成員。

1.2 氣候指數(shù)

本文關(guān)注了6個(gè)氣候指數(shù)，包括3個(gè)氣溫指數(shù)：年平均氣溫、日最低溫年最小值（以下簡(jiǎn)寫為最低溫）和日最高溫年最大值（以下簡(jiǎn)寫為最高溫），以及3個(gè)降水指數(shù)：年總降水、強(qiáng)降水量和連續(xù)干日。指數(shù)的定義源于氣候變化檢測(cè)和指標(biāo)專家組定義（ExpertTeam on Climate Change Detection and Indices，ETCCDI）（http：／／etccdi.pacificclimate.org／），各指數(shù)具體信息如表2所示。由于各模式數(shù)據(jù)的空間分辨率不同，我們首先在觀測(cè)和模式資料的原網(wǎng)格上計(jì)算各指數(shù)，后采用雙線性插值的方法，將觀測(cè)和模式資料計(jì)算得到的氣候指數(shù)結(jié)果統(tǒng)一插值到1°×1°的網(wǎng)格點(diǎn)上，許多關(guān)于未來(lái)氣候變化的相關(guān)研究也使用了這樣的插值方案（Zhou et al.，2014;Yang et al.，2021;Zhu et al.，2021）。

1.3 方法

1.3.1 考慮模式性能和獨(dú)立性的模式加權(quán)方案

本文使用的是由Knutti et al.（2017）提出的考慮模式性能和獨(dú)立性加權(quán)方案（Climate model Weighting by Independence and Performance，ClimWIP）。它對(duì)模式的權(quán)重賦予遵循兩個(gè)原則：1）與觀測(cè)結(jié)果不一致的模式權(quán)重較小;2）重復(fù)現(xiàn)有模式結(jié)果的模式均分權(quán)重。

首先我們需要計(jì)算模式i與觀測(cè)的“距離”Di，以及模式i和模式j(luò)之間的“距離”Sij。本文中“距離”主要基于各模式對(duì)溫度和降水的空間模態(tài)以及年際變率的模擬評(píng)估，通過(guò)標(biāo)準(zhǔn)化的空間均方根誤差（RMSE）和標(biāo)準(zhǔn)化的年際變率技能評(píng)分（Interannual Variability Skill，IVS）計(jì)算得到，本文利用模式的中值進(jìn)行標(biāo)準(zhǔn)化。

空間均方根誤差定義為：

其中：MK和OK分別表示模式與觀測(cè)的氣候態(tài)均值;N表示區(qū)域內(nèi)空間點(diǎn)的個(gè)數(shù)。RMSE值越小，說(shuō)明模式與觀測(cè)的空間模態(tài)一致性越好。

對(duì)年際變率的模擬評(píng)估使用的是Chen et al.（2011）定義的技能評(píng)分IVS，該指標(biāo)由模式與觀測(cè)的時(shí)間序列年際標(biāo)準(zhǔn)差的相似程度確定，具體如下所示：

其中：STDm和STDo分別表示模式和觀測(cè)的時(shí)間序列年際標(biāo)準(zhǔn)差。IVS值越小，說(shuō)明模擬的年際變率與觀測(cè)結(jié)果越接近。

以上關(guān)于RMSE和IVS描述以得到模式i與觀測(cè)之間的“距離”Di為例，類似的，我們可以得到模式i與模式j(luò)之間的“距離”Sij。

接下來(lái)可以基于公式（3）計(jì)算得到模式i的權(quán)重wi：

其中：M是模式總數(shù);參數(shù)σD和σS用于約束模式的性能和相似度。較大的σD使模式權(quán)重趨于相等，而較小的σD使得僅有少數(shù)模式得到較大權(quán)重;σS確定了一個(gè)模式與另一個(gè)模式相似的標(biāo)準(zhǔn)距離。確定參數(shù)σD和σS使用了交叉驗(yàn)證方法（Brunner et al.，2019），具體步驟如下：針對(duì)σD和σS，首先選擇合適的范圍區(qū)間（參照前人的研究，本文選擇的范圍區(qū)間為0.2～1.4）和迭代步長(zhǎng)（0.02）;而后將對(duì)應(yīng)的每一組σD和σS帶入權(quán)重公式（3），利用交叉驗(yàn)證方法，將每個(gè)模式依次視為“偽觀測(cè)”，利用其余模式進(jìn)行模式集合，選擇使得“偽觀測(cè)”的預(yù)估值落在加權(quán)方案的5％～95％百分位數(shù)范圍內(nèi)的比例超過(guò)90％的最小的一組σD和σS作為最優(yōu)參數(shù)。該參數(shù)優(yōu)選步驟，在一定程度上可以確保加權(quán)模型應(yīng)用于未來(lái)時(shí)段的適用性。該參數(shù)確定步驟和思想與已有文獻(xiàn)類似（Lorenz et al.，2018;Brunner et al.，2019，2020b;Amos et al.，2020）。Brunner et al.（2019）的研究表明交叉驗(yàn)證方法在較小區(qū)域會(huì)選擇更高的σD值，從而使權(quán)重更均勻地分布，來(lái)避免在格點(diǎn)尺度建模的過(guò)度擬合問(wèn)題，為進(jìn)一步考慮模式在更為局地尺度上的性能差異，我們選取了各格點(diǎn)上優(yōu)選參數(shù)并確定權(quán)重的方案（以下簡(jiǎn)稱ClimWIP_grid方案）。同時(shí)與Li T et al.（2021）采用的僅考慮中國(guó)東西部分區(qū)的建模方案（以下簡(jiǎn)稱ClimWIP_we方案）進(jìn)行對(duì)比。等權(quán)多模式集合方案（Multi-Model Ensemble，MME）也作為對(duì)比方案之一。

1.3.2 泰勒?qǐng)D

本文使用泰勒?qǐng)D（Taylor，2001）和泰勒技巧評(píng)分（Taylor Skill Score，TSS;Wang et al.，2018）來(lái)綜合評(píng)估各方案對(duì)氣候指數(shù)空間特征的模擬能力。泰勒?qǐng)D主要包括3個(gè)指標(biāo)：相關(guān)系數(shù)、均方根誤差和相對(duì)標(biāo)準(zhǔn)差。相關(guān)系數(shù)越大、均方根誤差越小、相對(duì)標(biāo)準(zhǔn)差越接近于1，表明模擬結(jié)果與觀測(cè)更為接近，模式模擬能力越強(qiáng)。泰勒技巧評(píng)分是泰勒?qǐng)D的定量化表示：

其中：Rm是模擬結(jié)果與觀測(cè)的氣候態(tài)空間場(chǎng)的相關(guān)系數(shù);R0是此處可達(dá)到的最大相關(guān)系數(shù)，設(shè)為0.999;σm和σo分別是模擬和觀測(cè)的氣候態(tài)空間場(chǎng)的標(biāo)準(zhǔn)差。TSS值越接近1，模擬與觀測(cè)的一致性越好。

1.3.3 未來(lái)預(yù)估的不確定性

本文利用“模式離差”來(lái)定量表示模式未來(lái)預(yù)估的不確定性（李博和周天軍，2010），其定義為：

其中：N是模式數(shù);wi是第i個(gè)模式的權(quán)重;Δxi是第i個(gè)模式預(yù)估的未來(lái)變化。模式離差越小，說(shuō)明未來(lái)預(yù)估的不確定性越小。

1.3.4 給定閾值的概率預(yù)估

加權(quán)集合方案的給定閾值下的概率預(yù)估值P可以由超過(guò)該閾值的模式權(quán)重和表征，其數(shù)學(xué)表達(dá)式為：

其中：i代表模式;wi為該模式權(quán)重;ΔTth為設(shè)定的關(guān)注閾值;ΔTi為模式i的變化值。

1.3.5 全球增暖達(dá)到1.5 ℃和2 ℃的定義

模式到達(dá)1.5／2 ℃的時(shí)間段參考了以往的研究（Shi et al.，2018;Zhu et al.，2021），首先計(jì)算全球平均地表溫度21 a滑動(dòng)平均的時(shí)間序列，以此確定一個(gè)相對(duì)穩(wěn)定的氣候態(tài)，而后選擇各個(gè)模式的全球增溫首次達(dá)到相對(duì)于工業(yè)化前（1861—1900年）1.5／2 ℃的時(shí)間，取達(dá)到時(shí)間的前9 a和后10 a共20 a的時(shí)間段表征未來(lái)增暖1.5／2 ℃下的氣候態(tài)。

2 結(jié)果

2.1 集合方案對(duì)氣候指數(shù)歷史氣候態(tài)模擬能力的評(píng)估

首先，在歷史階段進(jìn)行集合方案對(duì)中國(guó)當(dāng)前氣候指數(shù)的模擬能力的評(píng)估。圖1給出了ClimWIP_grid、ClimWIP_we和MME三種方案模擬的驗(yàn)證期1995—2014年3個(gè)溫度指數(shù)與觀測(cè)場(chǎng)的絕對(duì)偏差空間分布及空間分布對(duì)應(yīng)的箱線圖。結(jié)果表明，ClimWIP_grid方案的模擬能力最優(yōu)，其模擬偏差較原始模式集合顯著更低。3種方案模擬的年平均氣溫（最低溫）在中國(guó)大部分區(qū)域表現(xiàn)為冷偏差，冷偏差的大值區(qū)主要集中在青藏高原和四川盆地，MME方案的冷偏差最大值超過(guò)了4.5 ℃（9 ℃），ClimWIP_we方案在青藏高原的模擬較MME方案有明顯改善，而ClimWIP_grid方案模擬效果最優(yōu)，在全國(guó)范圍的偏差都較小，即使在冷偏差最大的青藏高原和四川盆地地區(qū)，其值也沒(méi)有超過(guò)2.5 ℃（5 ℃）。對(duì)于年最高溫，3種方案在華北和西北地區(qū)存在暖偏差，在青藏高原和長(zhǎng)江以南以冷偏差為主，ClimWIP_we方案和MME方案的偏差分布整體類似，ClimWIP_we方案在華北的偏差較小，而ClimWIP_grid方案在全國(guó)大部分地區(qū)的偏差都在0.5 ℃以下。整體來(lái)看，集合方案模擬的偏差大值區(qū)集中在西北和青藏高原地區(qū)。由對(duì)應(yīng)箱線圖發(fā)現(xiàn)，ClimWIP_grid方案對(duì)較大的冷偏差改善尤為明顯，當(dāng)關(guān)注第10百分位數(shù)時(shí)，MME方案對(duì)應(yīng)平均氣溫、最低溫和最高溫的值分別為-3.47、-7.75和-2.45 ℃，而ClimWIP_grid方案模擬的偏差大小僅為-1.17、-2.47和-0.96 ℃，分別降低了2.3、5.28和1.49 ℃。

圖2給出了3種集合方案模擬的1995—2014年總降水和強(qiáng)降水與觀測(cè)場(chǎng)的相對(duì)偏差以及連續(xù)干日與觀測(cè)場(chǎng)的絕對(duì)偏差空間分布及其對(duì)應(yīng)的箱線圖。從中國(guó)區(qū)域整體來(lái)看，總降水和強(qiáng)降水的偏差分布特征較為類似，降水指數(shù)以濕偏差為主，在青藏高原外圍和新疆南部濕偏差最大;干偏差主要集中在準(zhǔn)噶爾盆地和柴達(dá)木盆地，強(qiáng)降水在華南地區(qū)有約15％的干偏差。ClimWIP_we方案在青藏高原外圍的濕偏差大值區(qū)范圍比MME方案略有減少，而ClimWIP_grid方案顯著減少了模擬的濕偏差大值區(qū)范圍，總降水在除青藏高原外圍的中國(guó)大部分地區(qū)濕偏差降至15％以下。對(duì)于連續(xù)干日，三種方案的偏差空間分布特征類似，ClimWIP_grid方案在青藏高原外圍的濕偏差大值區(qū)范圍相對(duì)較小。整體來(lái)看，ClimWIP_grid方案的模擬最優(yōu)，對(duì)濕偏差大值的改善尤為明顯。以第90百分位數(shù)為例，MME方案對(duì)應(yīng)總降水、強(qiáng)降水和連續(xù)干日的偏差值分別為232％、314％和-78 d，而ClimWIP_grid方案僅為68％、126％和-48 d，分別降低了164％、188％和30 d。

進(jìn)一步利用泰勒?qǐng)D綜合評(píng)估對(duì)比三種方案對(duì)氣候指數(shù)空間特征的模擬能力。由圖3a容易看出3種方案對(duì)溫度指數(shù)的模擬都相對(duì)較好，空間相關(guān)系數(shù)均在0.95以上，能更好地再現(xiàn)溫度指數(shù)的空間結(jié)構(gòu);對(duì)總降水和強(qiáng)降水空間結(jié)構(gòu)的模擬比溫度指數(shù)稍差，但相關(guān)系數(shù)也在0.85以上。其中ClimWIP_grid方案模擬最優(yōu)，3個(gè)溫度指數(shù)相關(guān)系數(shù)在0.98以上;相對(duì)標(biāo)準(zhǔn)差接近1，在空間變率方面的模擬與觀測(cè)非常接近;均方根誤差在0.15左右，與觀測(cè)的偏差較小。降水指數(shù)除連續(xù)干日外的相關(guān)系數(shù)超過(guò)0.92，相對(duì)標(biāo)準(zhǔn)差在0.8～1.0之間，均方根誤差在0.55～0.6之間。TSS指標(biāo)（圖3（b））也顯示ClimWIP_grid方案最優(yōu)，溫度指數(shù)都在0.98以上，降水指數(shù)也比其他兩種方案提高了至少0.1，總降水和強(qiáng)降水提高到了0.93和0.9。

從以上分析可知ClimWIP_grid方案在歷史時(shí)期的模擬能力最優(yōu)，因此接下來(lái)將ClimWIP_grid方案應(yīng)用于全球增暖1.5／2 ℃下中國(guó)區(qū)域的未來(lái)預(yù)估。

2.2 未來(lái)預(yù)估

2.2.1 未來(lái)預(yù)估的不確定性

由于氣候模式的未來(lái)預(yù)估存在模式間不確定性，ClimWIP_grid方案是否可以降低未來(lái)預(yù)估不確定性是我們關(guān)注的重點(diǎn)。圖4和圖5給出了SSP5-8.5情景下全球增暖1.5 ℃時(shí)，ClimWIP_grid方案和MME方案模擬的溫度和降水指數(shù)離差的空間分布，以及兩者離差的差異。

對(duì)于溫度指數(shù)（圖4），總的來(lái)看，溫度指數(shù)在中國(guó)北方和青藏高原地區(qū)的離差相對(duì)較大，說(shuō)明在這些地方不確定性較大;平均溫度的離差低于最低溫和最高溫，說(shuō)明極端溫度的不確定性相對(duì)更大。ClimWIP_grid方案與MME方案相比，在全國(guó)大部分地區(qū)的離差都是減小的，平均溫度、最低溫和最高溫的區(qū)域平均離差分別減小了20％、20.2％和12.1％。針對(duì)3個(gè)溫度指數(shù)，離差減小較多的區(qū)域分別集中在中國(guó)長(zhǎng)江以南地區(qū)、長(zhǎng)江流域和青藏高原西部，降低幅度可達(dá)80％以上，總的來(lái)說(shuō)溫度指數(shù)在中國(guó)南方和青藏高原不確定性減小較多。

從圖5可以看出，降水指數(shù)在華北和西北的離差較大，說(shuō)明在該地區(qū)降水的預(yù)估不確定性較大。對(duì)比ClimWIP_grid方案與MME方案的預(yù)估不確定性差異，發(fā)現(xiàn)總降水和強(qiáng)降水的空間分布特征較為類似，ClimWIP_grid方案在中國(guó)大部分區(qū)域的離差都小于MME方案，總降水和強(qiáng)降水區(qū)域平均的離差分別減小了11.7％和12％，其中在東北和新疆西北部的離差減小更多，最多可超過(guò)80％;對(duì)于連續(xù)干日，ClimWIP_grid方案的預(yù)估不確定性相比MME方案整體改善不明顯，僅在中國(guó)的東南部和新疆西北部的離差減小較大。

全球增暖2 ℃下的結(jié)論與增暖1.5 ℃類似（圖略），但是整體離差大于增暖1.5 ℃時(shí)。全球增暖2 ℃時(shí)，與MME方案相比，ClimWIP_grid方案預(yù)估的平均氣溫、最低溫和最高溫區(qū)域平均離差分別降低了19.2％、22.1％和17.8％，總降水和強(qiáng)降水區(qū)域平均的離差分別降低了3.3％和4.7％。整體而言，ClimWIP_grid方案較MME方案可以降低未來(lái)預(yù)估不確定性。

2.2.2 未來(lái)預(yù)估空間分布

由上述分析可知，ClimWIP_grid方案對(duì)歷史氣候態(tài)的模擬是最優(yōu)的，并且能夠有效降低未來(lái)預(yù)估的不確定性，因此我們基于該方案，探究全球增暖1.5／2 ℃下我國(guó)的未來(lái)氣候變化特征。圖6給出了SSP5-8.5情景下全球增暖1.5、2 ℃和額外0.5 ℃增暖時(shí)，ClimWIP_grid方案預(yù)估的3個(gè)溫度指數(shù)較歷史參考期（1995—2014年）變化的空間分布。3個(gè)溫度指數(shù)的增溫變化在中國(guó)幾乎所有區(qū)域都通過(guò)了置信度為95％的顯著性檢驗(yàn)，這表明未來(lái)增溫較當(dāng)前在統(tǒng)計(jì)意義上顯著?；贑limWIP_grid集合方案的預(yù)估顯示，平均溫度的未來(lái)增溫在北方更強(qiáng)，在東北、華北和新疆北部的增溫最明顯;最低溫的增溫大值區(qū)集中在中國(guó)北方和青藏高原外圍，全球增暖2 ℃下增幅最高超過(guò)2.5 ℃，而在四川盆地增溫幅度最低;對(duì)于最高溫，增溫大值區(qū)主要集中在西北和青藏高原。全球增暖1.5 ℃（2 ℃）時(shí)，平均氣溫，最低溫和最高溫的中國(guó)區(qū)域平均變化為1.07、1.32和1.17 ℃（1.79、2.13和1.95 ℃）。額外的0.5 ℃增暖將使得3個(gè)溫度指數(shù)的中國(guó)區(qū)域平均增溫幅度都超過(guò)0.7 ℃，其中東北和西北增溫最強(qiáng)，最低氣溫在東北部分地區(qū)增溫甚至超過(guò)了1.5 ℃，是全球額外增暖幅度的3倍。

圖7給出了SSP5-8.5情景下全球增暖1.5、2 ℃和額外0.5 ℃增暖時(shí)ClimWIP_grid方案預(yù)估的降水指數(shù)相較歷史時(shí)期的變化，可以看出，總降水和強(qiáng)降水變化的空間分布較為類似，未來(lái)以降水增多為主，其大值區(qū)位于西北和青藏高原，兩個(gè)指數(shù)的變化極大值分別超過(guò)了24％和48％;預(yù)估的總降水減少出現(xiàn)在東北部分地區(qū)和云南，強(qiáng)降水減少主要集中在東北地區(qū)。連續(xù)干日在長(zhǎng)江以南的變化以增多為主，說(shuō)明該地區(qū)未來(lái)降水將減少，其中在云南增加最多，極大值超過(guò)4 d;在長(zhǎng)江以北區(qū)域以減少為主，在西北減少最多，最多減少超過(guò)16 d。全球增暖1.5 ℃（2 ℃）時(shí)，總降水、強(qiáng)降水和連續(xù)干日的全國(guó)區(qū)域平均變化為6.58％、22.04％和-2.94 d（11.75％、32.54％和-5.34 d）。全球增暖2 ℃時(shí)相較1.5 ℃，降水總體以增加為主，總降水和強(qiáng)降水的中國(guó)區(qū)域平均值分別增加了5.2％和10.5％，連續(xù)干日減少2.4 d，在青藏高原北部和新疆南部增加最明顯，總降水和強(qiáng)降水增加分別超過(guò)16％和32％，連續(xù)干日減少高于8 d。

2.2.3 概率預(yù)估

由上述分析可知，不同區(qū)域之間的不確定性有明顯差異，ClimWIP_grid方案可以減小未來(lái)預(yù)估的不確定性，為此，我們進(jìn)一步給出ClimWIP_grid方案的中國(guó)區(qū)域氣候指數(shù)的概率預(yù)估，結(jié)合上文未來(lái)預(yù)估空間分布的分析，針對(duì)各指數(shù)選擇了不同的閾值。

圖8和圖9給出了在SSP5-8.5情景下全球增暖1.5／2 ℃時(shí)各指數(shù)超過(guò)對(duì)應(yīng)閾值概率的空間分布。對(duì)于各溫度指數(shù)，在1.5 ℃增暖背景下，我們關(guān)注的閾值為較當(dāng)前（1995—2014年）增溫1.0 ℃;在2 ℃增暖背景下，關(guān)注的閾值為較當(dāng)前增溫1.5 ℃。由圖8很容易看出溫度指數(shù)在全球增暖1.5和2 ℃超過(guò)對(duì)應(yīng)閾值概率的空間分布特征相似，且增暖2 ℃時(shí)超過(guò)對(duì)應(yīng)閾值的概率更高，這說(shuō)明在額外的0.5 ℃增暖下，中國(guó)區(qū)域的增溫更強(qiáng)。平均溫度和最低溫的概率分布特征相似，全球增暖1.5／2 ℃時(shí)長(zhǎng)江以北的大部分區(qū)域的增幅都有可能超過(guò)1.0／1.5 ℃（概率>50％），其中在青藏高原東部的橫斷山脈附近以及華北部分地區(qū)增幅極有可能超過(guò)1.0／1.5 ℃（概率>90％）。最高溫在除東北和華北以外的大部分區(qū)域增幅有可能超過(guò)1.0／1.5 ℃（概率>50％），在西北和青藏高原增溫的可能性更大，其中部分區(qū)域概率大于90％。

對(duì)于降水指數(shù)，1.5／2 ℃增暖背景下，總降水關(guān)注閾值為0％、5％和10％，強(qiáng)降水的關(guān)注閾值為5％、15％和25％，連續(xù)干日的關(guān)注閾值為-1、-3和-5 d。由圖9可知全球增暖2 ℃時(shí)，總降水在除云南外的地區(qū)都有可能增加（概率>50％），在西北、青藏高原和華北部分區(qū)域增加的可能性更高，概率超過(guò)了90％;當(dāng)關(guān)注的閾值為較當(dāng)前增加5％時(shí)，概率超過(guò)90％的區(qū)域明顯減少;而閾值增加到10％時(shí)，僅西北、青藏高原和華北部分區(qū)域增加可能超過(guò)該閾值（概率>50％）。與之進(jìn)行對(duì)比，強(qiáng)降水的增加更為顯著，在幾乎全國(guó)所有區(qū)域都可能增加超過(guò)5％（概率>50％）;當(dāng)關(guān)注的閾值為15％時(shí)，除東北及秦嶺附近區(qū)域外的其他地區(qū)有可能增加超過(guò)該閾值（概率>50％）;閾值增加到25％時(shí)，僅青藏高原和西北部分區(qū)域可能增加超過(guò)該閾值（概率>50％）。連續(xù)干日在長(zhǎng)江以北可能減少（概率<50％），說(shuō)明未來(lái)降水可能增加，在華北和西北部分地區(qū)減小的可能性更高，概率可以達(dá)到90％，閾值為-3 d時(shí)，概率超過(guò)90％的區(qū)域明顯減少;而當(dāng)關(guān)注閾值為-5 d時(shí)，僅西北和華北部分區(qū)域連續(xù)干日減少可能大于5 d（概率>50％）?？傮w來(lái)說(shuō)，降水指數(shù)在西北和華北增加的概率更高。全球增暖1.5與2 ℃的分布特征相似，但是超過(guò)對(duì)應(yīng)閾值的概率稍小，特別是在東北地區(qū)概率明顯更小。

3 結(jié)論與討論

本文基于25個(gè)CMIP6模式的模擬結(jié)果，采用考慮模式性能和獨(dú)立性（ClimWIP）結(jié)合的加權(quán)方案進(jìn)行了中國(guó)區(qū)域溫度和降水指數(shù)的多模式集合預(yù)估，在歷史階段與已有的加權(quán)方案對(duì)比，并給出了中國(guó)區(qū)域氣候指數(shù)未來(lái)預(yù)估的不確定性分析及概率預(yù)估結(jié)果，主要結(jié)論如下：

1）格點(diǎn)建模的ClimWIP_grid方案在歷史時(shí)期的模擬較區(qū)域建模ClimWIP_we與等權(quán)重集合MME方案相比更優(yōu)，其模擬的氣溫和降水指數(shù)的中國(guó)區(qū)域偏差最小，更好地模擬出了氣溫和降水指數(shù)的空間分布。

2）SSP5-8.5情景下全球增暖1.5／2 ℃時(shí)，溫度指數(shù)在中國(guó)北方和青藏高原地區(qū)的預(yù)估不確定性相對(duì)較大，降水指數(shù)在華北和西北的不確定性較大。ClimWIP_grid方案的預(yù)估不確定性較MME方案有所降低，中國(guó)南方和青藏高原溫度不確定性減小較多，降水則在東北和新疆西北部的不確定性減小明顯。

3）基于ClimWIP_grid方案的預(yù)估結(jié)果，在全球增暖1.5／2 ℃時(shí)，平均氣溫的未來(lái)增溫在東北、華北和新疆北部最明顯;最低溫的增溫大值區(qū)集中在中國(guó)北方和青藏高原邊緣地區(qū);最高溫的增溫大值區(qū)集中在西北地區(qū)和青藏高原;極端氣溫的增溫幅度大于平均氣溫。3個(gè)降水指數(shù)的變化大值區(qū)都在中國(guó)西北地區(qū)和青藏高原。額外0.5 ℃增暖下，中國(guó)區(qū)域平均的溫度指數(shù)增溫都將達(dá)到0.7 ℃及以上，其中東北和西北增溫更強(qiáng)，最低溫在東北部分地區(qū)增溫甚至達(dá)到全球額外增暖的3倍以上;總降水的增加幅度為5.2％，強(qiáng)降水的增加幅度為10.5％。

4）全球增暖2 ℃下，中國(guó)大部分地區(qū)溫度指數(shù)增溫都可能超過(guò)1.5 ℃（概率>50％），在中國(guó)北方和青藏高原的部分地區(qū)增溫超過(guò)1.5 ℃的可能性更大（概率>90％）;總降水，強(qiáng)降水和連續(xù)干日在西北和華北增加幅度有可能超過(guò)10％、25％和-5 d（概率>50％）。

值得注意的是，本文在建模時(shí)僅使用了每個(gè)模式的第一個(gè)集合成員，若利用模式的多集合成員可以進(jìn)一步考量?jī)?nèi)部變率的作用。本研究使用的全球氣候模式分辨率較低，對(duì)中國(guó)西部尤其是地形復(fù)雜地區(qū)的模擬較差，使用高分辨率的氣候模式或者結(jié)合動(dòng)力及統(tǒng)計(jì)降尺度技術(shù)有望改善在地形復(fù)雜區(qū)域的模擬，從而給出更為可靠的未來(lái)預(yù)估。

參考文獻(xiàn)（References）

Abramowitz G，Bishop C H，2015.Climate model dependence and the ensemble dependence transformation of CMIP projections［J］.J Climate，28（6）：2332-2348.doi：10.1175／jcli-d-14-00364.1.

Amos M，Young P J，Hosking J S，et al.，2020.Projecting ozone hole recovery using an ensemble of chemistry-climate models weighted by model performance and independence［J］.Atmos Chem Phys，20（16）：9961-9977.doi：10.5194／acp-20-9961-2020.

Aslam A Q，Ahmad S R，Ahmad I，et al.，2017.Vulnerability and impact assessment of extreme climatic event：a case study of southern Punjab，Pakistan［J］.Sci Total Environ，580：468-481.doi：10.1016／j.scitotenv.2016.11.155.

Baumberger C，Knutti R，Hirsch Hadorn G，2017.Building confidence in climate model projections：an analysis of inferences from fit［J］.Wires Clim Change，8（3）：e454.doi：10.1002／wcc.454.

Brunner L，Lorenz R，Zumwald M，et al.，2019.Quantifying uncertainty in European climate projections using combined performance-independence weighting［J］.Environ Res Lett，14（12）：124010.doi：10.1088／1748-9326／ab492f.

Brunner L，McSweeney C，Ballinger A P，et al.，2020a.Comparing methods to constrain future European climate projections using a consistent framework［J］.J Climate，33（20）：8671-8692.doi：10.1175／jcli-d-19-0953.1.

Brunner L，Pendergrass A G，Lehner F，et al.，2020b.Reduced global warming from CMIP6 projections when weighting models by performance and independence［J］.Earth Syst Dynam，11（4）：995-1012.doi：10.5194／esd-11-995-2020.

Chen W L，Jiang Z H，Li L，2011.Probabilistic projections of climate change over China under the SRES A1B scenario using 28 AOGCMs［J］.J Climate，24（17）：4741-4756.doi：10.1175／2011jcli4102.1.

Eyring V，Cox P M，F(xiàn)lato G M，et al.，2019.Taking climate model evaluation to the next level［J］.Nat Clim Change，9：102-110.doi：10.1038／s41558-018-0355-y.

Giorgi F，Mearns L O，2002.Calculation of average，uncertainty range，and reliability of regional climate changes from AOGCM simulations via the “reliability ensemble averaging” （REA） method［J］.J Climate，15（10）：1141-1158.doi：10.1175／1520-0442（2002）015<1141：coaura>2.0.co;2.

Giorgi F，Mearns L O，2003.Probability of regional climate change based on the Reliability Ensemble Averaging （REA） method［J］.Geophys Res Lett，30（12）：1629.doi：10.1029／2003gl017130.

Guirguis K，Gershunov A，Cayan D R，et al.，2018.Heat wave probability in the changing climate of the Southwest US［J］.Climate Dyn，50（9）：3853-3864.doi：10.1007／s00382-017-3850-3.

IPCC，2021.Summary for Policymakers［M］／／Climate change 2021：the physical science basis.Cambridge：Cambridge University Press.

胡婷，孫穎，張學(xué)斌，2017.全球1.5和2 ℃溫升時(shí)的氣溫和降水變化預(yù)估［J］.科學(xué)通報(bào)，62（26）：3098-3111. Hu T，Sun Y，Zhang X B，2017.Temperature and precipitation projection at 1.5 and 2 ℃ increase in global mean temperature［J］.Chin Sci Bull，62（26）：3098-3111.doi：10.1360／N972016-01234.（in Chinese）.

蔣帥，江志紅，李偉，等，2017.CMIP5模式對(duì)中國(guó)極端氣溫及其變化趨勢(shì)的模擬評(píng)估［J］.氣候變化研究進(jìn)展，13（1）：11-24. Jiang S，Jiang Z H，Li W，et al.，2017.Evaluation of the extreme temperature and its trend in China simulated by CMIP5 models［J］.Clim Change Res，13（1）：11-24.doi：10.12006／j.issn.1673-1719.2016.053.（in Chinese）.

江曉菲，江志紅，李偉，2020.全球增溫1.5和2 ℃下中國(guó)東部極端高溫風(fēng)險(xiǎn)預(yù)估［J］.大氣科學(xué)學(xué)報(bào)，43（6）：1056-1064. Jiang X F，Jiang Z H，Li W，2020.Risk estimation of extreme high temperature in Eastern China under 1.5 and 2 ℃ global warming［J］.Trans Atmos Sci，43（6）：1056-1064.doi：10.13878／j.cnki.dqkxxb.20201011001.（in Chinese）.

Knutti R，2010.The end of model democracy？［J］.Clim Change，102（3）：395-404.doi：10.1007／s10584-010-9800-2.

Knutti R，F(xiàn)urrer R，Tebaldi C，et al.，2010.Challenges in combining projections from multiple climate models［J］.J Climate，23（10）：2739-2758.doi：10.1175／2009jcli3361.1.

Knutti R，Sedlcˇek J，Sanderson B M，et al.，2017.A climate model projection weighting scheme accounting for performance and interdependence［J］.Geophys Res Lett，44（4）：1909-1918.doi：10.1002／2016GL072012.

Li J J，Huo R，Chen H，et al.，2021.Comparative assessment and future prediction using CMIP6 and CMIP5 for annual precipitation and extreme precipitation simulation［J］.Front Earth Sci，9：430.doi：10.3389／feart.2021.687976.

Li T，Jiang Z H，Zhao L L，et al.，2021.Multi-model ensemble projection of precipitation changes over China under global warming of 1.5 and 2 ℃ with consideration of model performance and independence［J］.J Meteorol Res，35（1）：184-197.doi：10.1007／s13351-021-0067-5.

Li W，Jiang Z H，Xu J J，et al.，2016.Extreme precipitation indices over China in CMIP5 models.part II：probabilistic projection［J］.J Climate，29（24）：8989-9004.doi：10.1175／jcli-d-16-0377.1.

Lorenz R，Herger N，Sedlcˇek J，et al.，2018.Prospects and caveats of weighting climate models for summer maximum temperature projections over North America［J］.J Gcophys Res：Atmos，123（9）：4509-4526.doi：10.1029／2017jd027992.

李博，周天軍，2010.基于IPCC A1B情景的中國(guó)未來(lái)氣候變化預(yù)估：多模式集合結(jié)果及其不確定性［J］.氣候變化研究進(jìn)展，6（4）：270-276. Li B，Zhou T J，2010.Projected climate change over China under SRES A1B scenario：multi-model ensemble and uncertainties［J］.Adv Clim Change Res，6（4）：270-276.doi：10.3969／j.issn.1673-1719.2010.04.007.（in Chinese）.

ONeill B C，Tebaldi C，van Vuuren D P，et al.，2016.The scenario model intercomparison project （ScenarioMIP） for CMIP6［J］.Geosci Model Dev，9（9）：3461-3482.doi：10.5194／gmd-9-3461-2016.

Palmer T N，Shutts G J，Hagedorn R，et al.，2005.Representing model uncertainty in weather and climate prediction［J］.Annu Rev Earth Planet Sci，33：163-193.doi：10.1146／annurev.earth.33.092203.122552.

Riahi K，van Vuuren D P，Kriegler E，et al.，2017.The shared socioeconomic pathways and their energy，land use，and greenhouse gas emissions implications：an overview［J］.Glob Environ Change，42：153-168.doi：10.1016／j.gloenvcha.2016.05.009.

Sanderson B M，Knutti R，Caldwell P，2015.Addressing interdependency in a multimodel ensemble by interpolation of model properties［J］.J Climate，28（13）：5150-5170.doi：10.1175／JCLI-D-14-00361.1.

Semenov M A，Stratonovitch P，2010.Use of multi-model ensembles from global climate models for assessment of climate change impacts［J］.Clim Res，41：1-14.doi：10.3354／cr00836.

Shi C，Jiang Z H，Chen W L，et al.，2018.Changes in temperature extremes over China under 1.5 ℃ and 2 ℃ global warming targets［J］.Adv Clim Change Res，9（2）：120-129.doi：10.1016／j.accre.2017.11.003.

Sun C X，Jiang Z H，Li W，et al.，2019.Changes in extreme temperature over China when global warming stabilized at 1.5 ℃ and 2.0 ℃［J］.Sci Rep，9（1）：14982.doi：10.1038／s41598-019-50036-z.

孫雪榕，葛非，羅浩林，等，2021.全球增暖1.5 ℃和2.0 ℃下成渝經(jīng)濟(jì)區(qū)及周邊地區(qū)極端溫度事件的變化預(yù)估［J］.大氣科學(xué)學(xué)報(bào)，44（6）：875-887. Sun X R，Ge F，Luo H L，et al.，2021.Projected changes of temperature extremes in Chengdu-Chongqing Economic Zone and its surrounding areas under 1.5 ℃ and 2.0 ℃global warming［J］.Trans Atmos Sci，44（6）：875-887.doi：10.13878／j.cnki.dqkxxb.20201221001.（in Chinese）.

Taylor K E，2001.Summarizing multiple aspects of model performance in a single diagram［J］.J Geophys Res，106（D7）：7183-7192.doi：10.1029／2000jd900719.

Tebaldi C，Knutti R，2007.The use of the multi-model ensemble in probabilistic climate projections［J］.Philos Trans A Math Phys Eng Sci，365（1857）：2053-2075.doi：10.1098／rsta.2007.2076.

The United Nations Framework Convention on Climate Change （UNFCCC），2015.Adoption of the Paris Agreement［C］／／UNFCCC Conference of the Parties.

Wang B，Zheng L H，Liu D L，et al.，2018.Using multi-model ensembles of CMIP5 global climate models to reproduce observed monthly rainfall and temperature with machine learning methods in Australia［J］.Int J Climatol，38（13）：4891-4902.doi：10.1002／joc.5705.

吳佳，高學(xué)杰，2013.一套格點(diǎn)化的中國(guó)區(qū)域逐日觀測(cè)資料及與其它資料的對(duì)比［J］.地球物理學(xué)報(bào)，56（4）：1102-1111. Wu J，Gao X J，2013.A gridded daily observation dataset over China region and comparison with the other datasets［J］.Chin J Geophys，56（4）：1102-1111.（in Chinese）.

Yang X L，Zhou B T，Xu Y，et al.，2021.CMIP6 evaluation and projection of temperature and precipitation over China［J］.Adv Atmos Sci，38（5）：817-830.doi：10.1007／s00376-021-0351-4.

Zamani Y，Hashemi Monfared S A，Azhdari moghaddam M，et al.，2020.A comparison of CMIP6 and CMIP5 projections for precipitation to observational data：The case of Northeastern Iran［J］.Theor Appl Climatol，142（3）：1613-1623.doi：10.1007／s00704-020-03406-x.

Zhao Y，Zhou T J，Zhang W X，et al.，2022.Change in precipitation over the Tibetan Plateau projected by weighted CMIP6 models［J］.Adv Atmos Sci，39（7）：1133-1150.doi：10.1007／s00376-022-1401-2.

Zhou B T，Wen Q H，Xu Y，et al.，2014.Projected changes in temperature and precipitation extremes in China by the CMIP5 multimodel ensembles［J］.J Clim，27（17）：6591-6611.doi：10.1175／jcli-d-13-00761.1.

周波濤，徐影，韓振宇，等，2020.“一帶一路”區(qū)域未來(lái)氣候變化預(yù)估［J］.大氣科學(xué)學(xué)報(bào)，43（1）：255-264. Zhou B T，Xu Y，Han Z Y，et al.，2020.CMIP5 projected changes in mean and extreme climate in the Belt and Road region［J］.Trans Atmos Sci，43（1）：255-264.doi：10.13878／j.cnki.dqkxxb.20191125009.（in Chinese）.

Zhu H H，Jiang Z H，Li J，et al.，2020.Does CMIP6 inspire more confidence in simulating climate extremes over China？［J］.Adv Atmos Sci，37（10）：1119-1132.doi：10.1007／s00376-020-9289-1.

Zhu H H，Jiang Z H，Li L，2021.Projection of climate extremes in China，an incremental exercise from CMIP5 to CMIP6［J］.Sci Bull，66（24）：2528-2537.doi：10.1016／j.scib.2021.07.026.

朱歡歡，姜?jiǎng)伲炯t，2022.基于可靠性集合平均方法的全球1.5／2.0 ℃變暖下中國(guó)極端氣候的未來(lái)預(yù)估［J］.地球科學(xué)進(jìn)展，37（6）：612-626. Zhu H H，Jiang S，Jiang Z H，2022.Projection of climate extremes over China in response to 1.5／2.0 ℃ global warming based on the reliability ensemble averaging［J］.Adv Earth Sci，37（6）：612-626.（in Chinese）.

朱連華，祝穎锜，姚壹壹，等，2023.全球增暖1.5／2 ℃下中國(guó)區(qū)域極端降水的風(fēng)險(xiǎn)變化及其影響因子［J］.大氣科學(xué)學(xué)報(bào)，46（1）：97-109. Zhu L H，Zhu Y Q，Yao Y Y，et al.，2023.Risk and impact analysis of extreme precipitation over China under 1.5 and 2℃global warming levels［J］.Trans Atmos Sci，46（1）：97-109.doi：10.13878／j.cnki.dqkxxb.20210811002.（in Chinese）.