區(qū)域氣候模式CWRF對我國極端溫度時空變化的模擬評估

劉旗洋 喬楓雪 ,3 朱奕婷 梁信忠 柳雨佳 張焓 王瑞

1 華東師范大學(xué)地理信息科學(xué)教育部重點實驗室，上海 200241

2 華東師范大學(xué)地理科學(xué)學(xué)院，上海 200241

3 崇明生態(tài)研究所，上海 200062

4 南京信息工程大學(xué)大氣科學(xué)學(xué)院，南京 210044

5 馬里蘭大學(xué)帕克分校大氣與海洋科學(xué)系 美國

6 馬里蘭大學(xué)地球系統(tǒng)科學(xué)跨學(xué)科中心 美國

7 上海中心氣象臺，上海 200030

1 引言

政府間氣候變化專門委員會第五次評估報告（AR5）指出，全球平均陸地和海洋表面溫度的線性趨勢計算結(jié)果表明，在1880～2012年期間溫度升 高 了 0.85°C（0.65～ 1.06°C）（IPCC,2013），全球氣候正經(jīng)歷以變暖為主要特征的變化?！吨袊鴼夂蜃兓{皮書（2019）》指出，1951～2018年中國年平均氣溫上升速率為0.24°C/10 a，升溫率明顯高于同期全球平均水平，其中1980年以來的升溫尤為顯著（中國氣象局氣候變化中心,2019）。全球變暖不僅體現(xiàn)在平均氣溫的升高，更重要的是極端氣候事件的變化。極端氣候事件具有突發(fā)性、難預(yù)測性和強破壞性的特點，其中區(qū)域性的極端高溫或低溫事件直接影響農(nóng)業(yè)生產(chǎn)和人體健康，對生態(tài)環(huán)境和社會經(jīng)濟可持續(xù)發(fā)展構(gòu)成巨大的挑戰(zhàn)，從而引發(fā)人們更多的關(guān)注。2000年以來，我國區(qū)域性極端溫度事件頻發(fā)，且影響范圍大、持續(xù)時間長，例如我國2008年南方持續(xù)性低溫雨雪事件和2013年華東異常罕見的連續(xù)高溫事件，造成了巨大的經(jīng)濟損失（馬寧等,2011; 鄒海波等,2015）。

已有大量研究基于觀測數(shù)據(jù)，利用不同的極端氣候指數(shù)，分析我國極端溫度閾值或事件的變化趨勢和時空分布，這些研究顯示我國極端溫度指數(shù)的變化趨勢對氣候變化的響應(yīng)較為復(fù)雜，存在顯著的區(qū)域差異（翟盤茂和潘曉華,2003; 馬柱國等,2003;周雅清和任國玉,2010; You et al.,2011）。自 1960年以來，我國整體上極端溫度指數(shù)表現(xiàn)為冷指數(shù)的變暖幅度大于暖指數(shù)，夜指數(shù)的變暖幅度大于晝指數(shù)（楊萍等,2010; 王瓊等,2013; 王曉利和侯西勇,2017），極端低溫事件的頻次、強度和范圍呈減弱趨勢（王曉娟等,2012），但冷日持續(xù)指數(shù)（CSDI）的變化趨勢不顯著；各極端溫度指數(shù)在南方地區(qū)的變化幅度小于北方，且隨著海拔的升高變化幅度變大（張大任等,2019）。極端最高/最低溫度的升溫幅度在東北地區(qū)最顯著，暖日和暖夜在西南地區(qū)逐步增加，高溫日數(shù)在中部地區(qū)顯著增加；北方的冷晝和冷夜指數(shù)大幅減少而暖晝和暖夜指數(shù)顯著增加，中部地區(qū)的各極端溫度指數(shù)年際變化較不顯著（Zhou and Ren,2011; 肖冰霜等,2016）；青藏高原地區(qū)的最低溫度極小值的上升速率最快，最高溫度極大值的上升速率最慢，存在顯著的冷暖不對稱性（周玉科等,2017）。我國極端低溫和極端高溫的年代際變化趨勢較為一致，但具有明顯的階段性特征，不同區(qū)域極端氣溫指數(shù)主周期介于2～8年，無顯著的年代際振蕩周期變化，不同區(qū)域的極端溫度指標(biāo)在1986～2015年的變化趨勢相對1956～1985年更為顯著，突變集中發(fā)生在1980年代和1990年代期間（Zhou and Ren,2011; 王曉利和侯西勇,2017; 張大任等,2019）。因此，本研究著眼變化趨勢顯著的1980～2015年，較為細致的研究我國8個氣候區(qū)域基于閾值的極端溫度指數(shù)的變化特征。

全球氣候模式（Global Climate System，GCM）和降尺度的區(qū)域氣候模式（Regional Climate System，RCM）是研究氣候過程和氣候變化機理的重要方式，為了準(zhǔn)確可靠地預(yù)測未來極端溫度的變化，需要對數(shù)值模式的模擬結(jié)果進行評估。已有大量的研究對耦合模式比較計劃（Coupled Model Intercomparison Project，CMIP）的多模式結(jié)果進行溫度模擬評估和未來變化的預(yù)估（Jiang et al.,2015）。王冀等（2008）指出7個全球海氣耦合模式模擬平均結(jié)果優(yōu)于單個模式，但對我國平均霜凍、暖夜和熱浪的空間分布都存在系統(tǒng)性高估；姚遙等（2012）評估了8個CMIP5 耦合模式對我國極端氣溫的模擬效果，表明模式集合能夠模擬極端溫度指數(shù)的平均狀態(tài)和年際變化特征，但對氣候極值的模擬存在較大的不確定性，高溫?zé)崂酥笖?shù)的模擬偏差超過8%，暖指標(biāo)的年際趨勢模擬優(yōu)于冷指標(biāo)。GCM對大尺度環(huán)流特征的模擬較好，但受制于分辨率較低，無法細致地描述天氣氣候過程，對極端溫度的區(qū)域及年際變化特征的模擬及預(yù)測能力有限，需要進行多模式集合和偏差訂正對輸出結(jié)果進行修正（Seo and Ok,2013; 高謙,2017）。經(jīng)過動力降尺度后的 RCM 具有較高的分辨率，對于刻畫我國區(qū)域性的氣溫、降水的分布及變化有一定優(yōu)勢，能較好地模擬到四川盆地的高值中心，而且對青藏高原平均氣溫的低估得到明顯的改善（Gao et al.,2011,2013; Liu et al.,2013; Wang et al.,2015; Yu et al.,2015）。其中，RegCM（Regional Climate Modeling system）系列模式在我國極端溫度模擬和變化預(yù)估上有著廣泛的應(yīng)用（Feng et al.,2011; Gao et al.,2012,2017; 高學(xué)杰等,2012; Xu et al.,2013; Ji and Kang,2015）。李東歡等（2017）指出RegCM3對日最高氣溫極大值模擬偏差表現(xiàn)為西部2～4°C的冷偏差和長江流域1～3°C的暖偏差；日最低氣溫極小值模擬在大部分地區(qū)存在3°C的冷偏差，在青藏高原達到5°C以上；Kong et al.（2019）比較了 WRF 和 RegCM4對我國極端溫度的模擬結(jié)果，WRF對極端溫度指數(shù)的年際趨勢模擬較好，RegCM4對我國極端氣溫的平均氣候態(tài)模擬較好，但低估了青藏高原極端高溫的年際變化的增暖趨勢；高謙（2017）指出經(jīng)過動力降尺度的LMDZ4模式對我國極端溫度的平均模擬偏差減少且空間相關(guān)系數(shù)提高，一定程度上體現(xiàn)了青藏高原、四川盆地等復(fù)雜地形的極值中心；張玉靜（2017）指出 PRECIS（Providing Regional Climates for Impacts Studies）模式能夠模擬極端溫度閾值的空間分布特征，但對西北、東北和四川盆地等的高溫閾值模擬高估2°C，對青藏高原南部和東部的高溫閾值模擬低估超過5°C，對我國大部分的低溫閾值存在普遍的低估。雖然RCM模式模擬分辨率有所提升，但對青藏高原等高復(fù)雜地形區(qū)域的溫度模擬仍存在較大的挑戰(zhàn)，除了模式物理過程參數(shù)化的不足以外，也與氣象觀測站稀疏且海拔較低有關(guān)（Yu et al.,2015）。

本研究著重評估基于中國本地化季節(jié)氣候預(yù)測的區(qū)域氣候模式 CWRF（regional Climate–Weather Research and Forecasting model）（Liang et al.,2019），該模式引入了較完備的物理過程參數(shù)化方案，同時增加了對溫度模擬影響最為直接的云—氣溶膠—輻射（Cloud–Aerosol–Radiation，CAR）相互作用的耦合模塊（劉冠州和梁信忠,2017）。已有研究表明CWRF具有模擬東亞季風(fēng)區(qū)大氣環(huán)流與氣候特征的能力，對中國地區(qū)季節(jié)平均降水、夏季極端降水的模擬能力較好（劉術(shù)艷等,2008; 董曉云等,2019）。Liang et al.(2019)目前只初步分析了控制方案對平均溫度與日最高、最低溫度的季節(jié)模擬偏差，尚未進行基于不同極端溫度指標(biāo)的區(qū)域分布及變化特征的模擬評估。因此，本文將基于1980～2015年的全國氣溫觀測數(shù)據(jù)和模式控制版本的連續(xù)積分結(jié)果，從空間分布、概率分布、年際變率和年際趨勢方面，系統(tǒng)地評估區(qū)域氣候模式CWRF對我國不同區(qū)域的極端溫度指數(shù)的模擬能力及偏差所在，為完善模式的物理過程、提升模式模擬預(yù)測能力提供依據(jù)。

2 數(shù)據(jù)和方法

2.1 模式介紹及模擬數(shù)據(jù)

本研究使用的區(qū)域氣候模式CWRF自2001年研發(fā)以來，結(jié)合衛(wèi)星遙感數(shù)據(jù)，考慮人類活動、植被等動態(tài)演變，優(yōu)化30 km水平分辨率的下墊面及側(cè)邊界數(shù)據(jù)（Liang et al.,2019）；針對關(guān)鍵物理過程，在WRF模式的基礎(chǔ)上，集成了多種參數(shù)化方案（劉冠州和梁信忠，2017）。CWRF模式的模擬區(qū)域中心點位于（35.18°N，118°E），采用地形跟隨坐標(biāo)系，垂直方向包括36層；水平網(wǎng)格采用Lambert投影的232（緯向）×172（經(jīng)向）個格點的30 km的等距網(wǎng)格。海溫數(shù)據(jù)采用歐洲中心再分析資料ECMWF-Interim日平均海表溫度（1979～1980年）和美國國家海洋大氣管理局NOAA的最優(yōu)插值日海表溫度（OISST，1981～2015年，0.25°）（Reynolds et al.,2007; Banzon et al.,2016）。經(jīng)過多次敏感性試驗和驗證，確定了基于中國地區(qū)氣候模擬預(yù)測的控制實驗方案，包括ECP對流方案（Qiao and Liang,2016,2017）、GSFCGCE 微物理方案（Tao et al.,2003）、GSFCLXZ 輻射方案（Chou et al.,2001）、CAM3 邊界層方案（Rontu,2006）、CSSP 陸面方案（Liang et al.,2005）和XRL 氣溶膠方案（Liang et al.,2004）。關(guān)于該模式在中國地區(qū)的相關(guān)改進及具體物理方案的設(shè)置詳見 Liang et al.(2019)。研究使用 ERA-Interim（Dee et al.,2011）作為初始場和邊界場驅(qū)動CWRF模式，從1979年11月1日連續(xù)積分至2015年12月31日的3 h模擬數(shù)據(jù)，前兩個月為模式的啟動時段，著重評估1980年1月1日至2015年12月31日的溫度數(shù)據(jù)。

2.2 觀測資料和極端溫度指數(shù)

歷史氣溫觀測數(shù)據(jù)來自中國地面氣象臺站觀測的格點化逐日平均氣溫、日最高氣溫、日最低氣溫觀測資料（CN05.1），水平分辨率為0.25°（緯度）×0.25°（經(jīng)度），其原始數(shù)據(jù)來自我國2000多個站點的均一化長序列氣溫數(shù)據(jù)，能夠較真實地反映歷史極端溫度的趨勢和變率（Xu et al.,2009;吳佳和高學(xué)杰,2013）。本文選取的時間范圍為1980～2015年的日資料，為了便于與模式的比較，利用雙線性插值將格點觀測數(shù)據(jù)插值到與模式對應(yīng)的等間距30 km的Lambert投影格點。由于我國南北跨度大，氣候、地形和下墊面因子復(fù)雜多變，參照了 Hui et al.（2015）、Yu et al.（2015）、Zhou et al.（2016）等的研究分區(qū)，本文劃分8個區(qū)域?qū)O端溫度的區(qū)域差異特征進行細致的研究（圖1），包括東北、華北、華東、華南、西南、青藏高原、西北、西北東部。

合適的極端溫度指數(shù)需要同時具有對氣候變化敏感且穩(wěn)定性高的特點，對于研究結(jié)論的可靠性具有重要作用。氣候變化檢測和指數(shù)專家組（ETCCDI）和“歐洲地區(qū)極端事件統(tǒng)計和區(qū)域動力降尺度”（STARDEX）提出的極端氣候指數(shù)，是國際上常用的極端氣候評價指標(biāo)，能夠定量描述極端溫度事件的變化，具有低噪聲和強指示性的優(yōu)勢（Alexander et al.,2006; 胡彩虹等,2013）。本文參照陳正洪等（2010）提出的極端溫度指數(shù)計算方法，首先是將1981～2010年作為氣候基準(zhǔn)期，得到某一天及其前后兩天（共計5天）在30年氣候基準(zhǔn)期內(nèi)共計150天的日最高、最低氣溫數(shù)據(jù)，對樣本取90%或10%的分位值作為閾值，并以超過90%或低于10%分位值的氣溫作為極端溫度，相比采用絕對閾值得到的極端氣候指數(shù)，該方法能同時體現(xiàn)我國區(qū)域性和季節(jié)性的極端溫度差異。本文選用暖晝指數(shù)（TX90）、冷晝指數(shù)（TX10）、暖夜指數(shù)（TN90）、冷夜指數(shù)（TN10）、暖日持續(xù)指數(shù)（WSDI）和冷日持續(xù)指數(shù)（CSDI）來研究中國極端溫度的變化（表1）。

圖1 中國 8 個子區(qū)域的地理位置劃分Fig.1 Geographic locations of eight subregions in China

表1 極端溫度指數(shù)的定義Table 1 Definition of extreme temperature indices used in this study

2.3 統(tǒng)計分析方法

（1）泰勒圖

泰勒圖（Taylor,2001）可以全面直觀地比較模擬的極端溫度與觀測的極端溫度的一致性，它是由模擬場與觀測場的空間相關(guān)系數(shù)、相對標(biāo)準(zhǔn)差及其中心化的均方根誤差組成的極坐標(biāo)圖，中心化的均方根誤差越接近0，空間相關(guān)系數(shù)和相對標(biāo)準(zhǔn)差越接近1，模式模擬能力越好。本文利用泰勒圖綜合評估CWRF模式對不同區(qū)域極端溫度指數(shù)的模擬效果。

（2）概率分布模擬

為了衡量兩個分布之間的相似性，常用的方法有 KL散度（Kullback-Leibler divergence）和 JS散度（Jensen-Shannon divergence），常用作模型的擬合損失評價指標(biāo)。JS散度的計算基于KL散度做了改進，解決了KL散度非對稱的問題。對于兩個概率分布p(x)和q(x)，JS散度計算公式如下：

其中，

因此，JS散度是對稱且有界的，其取值在0到1之間。利用上式，本文將極端溫度指數(shù)（TX90、TN90、TX10、TN10）的觀測和模擬概率分布分別作為P(x)和Q(x)，以此來定量評估CWRF對不同區(qū)域的極端溫度分布特征的模擬效果。JS散度值越小，則表示觀測和模擬的概率分布的越接近，模擬效果越好。

（3）年際變化趨勢分析

常用的趨勢分析方法包括最小二乘法線性回歸估計，該方法對離群值敏感且要求數(shù)據(jù)滿足正態(tài)分布，而Theil–Sen 的趨勢估計和Mann–Kendall（MK）檢驗要求時序數(shù)據(jù)不具有自相關(guān)性。張嘉儀和錢誠（2020）指出高溫?zé)崂藬?shù)據(jù)大多數(shù)不服從正態(tài)分布且存在較強自相關(guān)，傳統(tǒng)的趨勢分析方法存在一定缺陷?？紤]到極端溫度變化具有不連續(xù)性和突變性的特點，波動較大且離群點較多，Yue and Wang（2002）基于MK趨勢分析做了改進，對時間序列進行了預(yù)白化處理，不易受離群值影響且無需滿足正態(tài)分布，對于極端溫度的年際趨勢估計結(jié)果更具穩(wěn)定性和可靠性，因此本研究主要采用改進的MK趨勢分析方法，對我國不同區(qū)域極端溫度指數(shù)的年際變化趨勢進行分析。

3 區(qū)域極端溫度指數(shù)的時空分布特征及變化趨勢的模擬評估

3.1 年極端冷、暖指數(shù)的空間分布特征

圖2比較1980～2015年觀測和CWRF模擬的TX90、TX10、TN90、TN10的年平均空間分布特征。這4個指數(shù)著重體現(xiàn)日、夜的高溫和低溫的強度特征。首先從觀測中可看出，暖指數(shù)（暖晝、暖夜）、冷指數(shù)（冷晝、冷夜）具有顯著的不同的區(qū)域型分布特征。其中，暖指數(shù)（TX90、TN90）的極大值區(qū)均位于華南地區(qū)（年均閾值分別是34°C、28°C以上），高值區(qū)域向北擴展經(jīng)過華東華北，分別向東、西兩側(cè)伸展，在西北內(nèi)陸以及東北三省暖指數(shù)溫度均較高；暖指數(shù)的顯著低值區(qū)域均位于青藏高原地區(qū)。然而，冷指數(shù)（TX10、TN10）的高值區(qū)域集中分布在華南及華東（年均閾值分別是23°C、13°C以上）以及西北地區(qū)天山以南地區(qū)（年均閾值分別是18°C、5°C以上）；冷指數(shù)的低值區(qū)域主要位于高原以北—西北東部—東北偏北一線，其中冷晝TX10、冷夜TN10在高原北部、東北北部溫度最低（年均閾值分別在0°C、?15°C以下）。

圖2 1980～2015年平均 TX90、TX10、TN90、TN10 指數(shù)的觀測（OBS）、模擬（CWRF）、模式偏差（BIAS）和均方根誤差（RMSE）的空間分布Fig.2 Spatial distributions of annual mean extreme temperatures indices (TX90,TX10,TN90,and TN10) from 1980 to 2015 from observation(OBS),CWRF simulation,and model biases (BIAS) as well as the root mean square errors (RMSE)

從年空間分布的CWRF模式模擬來看，模式基本再現(xiàn)了觀測的暖、冷指數(shù)總體的空間分布特征?；谀M偏差的空間分布圖，可以發(fā)現(xiàn)：（1）模式對暖指數(shù)（暖晝、暖夜）的溫度模擬存在系統(tǒng)性的低估，青藏高原比較顯著，在全國大部分區(qū)域均有2°C左右的冷偏差；其中暖晝在華南、西南地區(qū)的低估偏多（局地超過?4°C）；（2）模式對冷指數(shù)（冷晝、冷夜）的溫度模擬偏差存在區(qū)域性的差異，在青藏高原南側(cè)均存在系統(tǒng)性的低估，但高估華東及華北地區(qū)的冷晝溫度（局地超過3°C），以及西北—東北地區(qū)冷夜溫度（局地超過4°C）；由此可見，CWRF模式對1980～2015年的暖指標(biāo)溫度較高的地區(qū)存在系統(tǒng)性低估，冷指標(biāo)溫度較低的地區(qū)存在系統(tǒng)性的高估，說明模式對這些地區(qū)的日最高溫度的模擬偏低，對日最低溫度的模擬偏高，但對青藏高原地區(qū)的日極值溫度（高溫、低溫）存在系統(tǒng)性的低估。對于高原以外地區(qū)極端溫度的變率模擬偏低的問題，原因可能比較復(fù)雜，Liang et al.（2019）指出模式對我國中部及南部地區(qū)夏季平均溫度的年際變化特征的模擬性能有限，并指出了該區(qū)域存在強的對流活動與復(fù)雜的海陸氣相互作用。因此，該地區(qū)極端溫度模擬的偏差，可能與大尺度環(huán)流的強迫與區(qū)域因素和物理過程之間的反饋相關(guān)，尤其需要進一步發(fā)展優(yōu)化的多物理過程集合來提高模式對關(guān)鍵的對流—微物理—輻射以及下墊面—大氣相互作用的表達。

圖3為1980～2015年平均的我國暖日持續(xù)指數(shù)（WSDI）和冷日持續(xù)指數(shù)（CSDI）的空間分布特征。這兩個指數(shù)與圖2中的閾值強度不同，著重表征暖冷指標(biāo)的持續(xù)性特征，能夠反映持續(xù)性極端溫度事件的區(qū)域性分布特征。由觀測可知：1980～2015我國年平均WSDI在西北、青藏高原和西南地區(qū)偏高，其中部分地區(qū)長達10 d以上；CSDI在西南南部、華南南部、東北北部和西北地區(qū)較高，長達8 d以上；整體而言，WSDI的持續(xù)性比CSDI更為明顯。

CWRF模式對我國大部分地區(qū)暖日和冷日持續(xù)指數(shù)的模擬偏差較小，存在顯著優(yōu)勢，尤其對西北地區(qū)天山一側(cè)、青藏高原南部、西南云貴的持續(xù)高溫事件，以及我國東部地區(qū)包括華東、華南以及東北地區(qū)的持續(xù)低溫事件模擬誤差普遍較小；WSDI的偏差范圍和偏差幅度都小于CSDI，模式對WSDI模擬優(yōu)于對CSDI模擬。然而，模式仍存在的問題是對華東中部地區(qū)的WSDI、西北地區(qū)的CSDI存在系統(tǒng)性的高估（年均3 d和5 d以上）。

圖3 1980～2015年平均WSDI指數(shù)（第一列）、CSDI指數(shù)（第二列）的（a、b）觀測、（c、d）模擬、（e、f）模式偏差的空間分布Fig.3 Spatial distributions of annual mean WSDI (warm spell duration indicator,first column) and CSDI (cold spell duration indicator first column,second column) from 1980 to 2015 from (a,b) observation,(c,d) CWRF simulation,and (e,f) model biases

3.2 區(qū)域模擬誤差統(tǒng)計特征評估

圖4為 1980～2015年 CWRF模擬的 TX90、TX10、TN90、TN10在8個不同區(qū)域的平均偏差盒須圖。結(jié)果顯示，暖指數(shù)的模擬在8個區(qū)域均為系統(tǒng)性的冷偏差，但偏差幅度存在區(qū)域差異。其中，暖晝TX90在西南和青藏高原地區(qū)的冷偏差較大（5°C以上），其余地區(qū)冷偏差約2～5°C；暖夜TN90相比于TX90，冷偏差幅度較小，在西南和青藏高原地區(qū)約偏低3～4°C；冷指數(shù)的模擬在青藏高原地區(qū)均為冷偏差，其余地區(qū)均以暖偏差為主；其中青藏高原地區(qū)，冷晝TX10和冷夜TN10的溫度模擬分別偏低 2°C和 1°C；除此之外，冷晝TX10在西南地區(qū)出現(xiàn)弱的冷偏差；對于西北—西北東部—東北地區(qū)，冷夜TN10的暖偏差超過2°C，普遍高于冷晝TX10的偏差幅度。該統(tǒng)計結(jié)果與前面模擬偏差的空間分布特征一致，表明模式對青藏高原地區(qū)的暖、冷指數(shù)的模擬均偏低；然而，對其他大部分地區(qū)，模式系統(tǒng)性低估暖指數(shù)的溫度，其中對暖日的低估幅度較大；模式系統(tǒng)性高估北方地區(qū)冷指數(shù)的溫度，尤其冷夜的高估幅度較大。

圖5是 CWRF模擬的 TX90、TN90、TX10、TN10在8個不同區(qū)域的極端溫度指數(shù)的JS散度，用于衡量極端溫度的觀測概率分布與模擬概率分布之間的差異，其數(shù)值越接近于0，說明兩個分布重合度越高，其數(shù)值越接近于1，則說明兩個分布重合度越低。結(jié)果顯示：（1）模式模擬的暖指標(biāo)（暖晝TX90、暖夜TN90）的概率JS評分均在南部地區(qū)（華南、西南、青藏高原）偏高，模擬偏差顯著，對應(yīng)圖2中暖指標(biāo)在對應(yīng)區(qū)域存在顯著的冷偏差；并且，模式對于暖晝TX90的JS評分普遍高于暖夜TN90，表明模式模擬的暖夜TN90的偏差相對較小，與圖2中兩者的區(qū)域偏差數(shù)值較一致；（2）模式模擬的冷指標(biāo)（冷晝TX10、冷夜TN10）的概率JS評分與圖2中的偏差分布也較為一致。其中，冷晝JS評分偏大的區(qū)域為華北和華東，對應(yīng)圖2中的TX10暖偏差高值區(qū)；冷夜JS評分偏大的區(qū)域為西北—西北東部—華北—東北的北部地區(qū)，對應(yīng)圖2中TN10暖偏差高值區(qū)；因此，模式模擬的JS評分也定量的指出，模式對暖指標(biāo)模擬冷偏差較大的地區(qū)主要在南部地區(qū)（華南、西南、青藏高原），且暖晝模擬的偏差比暖夜要大；然而，模式對冷指標(biāo)模擬暖偏差較大的區(qū)域分別在中部偏東（華北、華東）、北部地區(qū)（西北—西北東部—華北—東北）。

圖6為 CWRF模擬的 8個不同區(qū)域 1980～2015年的年平均的 TX90、TX10、TN90、TN10指數(shù)的泰勒圖。結(jié)果顯示，暖、冷指標(biāo)在8個區(qū)域的相關(guān)系數(shù)基本都超過0.8，表明模式對于這4個指數(shù)的區(qū)域空間分布基本特征模擬較好；標(biāo)準(zhǔn)差體現(xiàn)了模擬誤差的波動程度，結(jié)果表明CWRF模式對北方（西北、東北）和青藏高原的極端溫度模擬的標(biāo)準(zhǔn)差較大，而對南方（華南、西南和華東）的極端溫度模擬的標(biāo)準(zhǔn)差較小。結(jié)合圖5可知，與北方地區(qū)相比較，南方地區(qū)模擬的極端溫度指數(shù)的標(biāo)準(zhǔn)差較小，說明該地區(qū)極端溫度的變化閾值范圍小于北方地區(qū)；同時，南方地區(qū)的JS散度較大，說明該地區(qū)模式模擬極端溫度概率密度分布與觀測的分布不重合度較高。二者綜合分析得出，南方地區(qū)的極端溫度指數(shù)概率大值區(qū)的模擬存在較大偏差，對應(yīng)圖7中極端溫度指數(shù)，TX90，TX10，TN10在南方尤其是青藏高原、華東地區(qū)的極值溫度的較大偏差。

圖4 1980～2015年平均的（a）TX90和TN90、（b）TX10和TN10指數(shù)在中國8個不同區(qū)域的模擬偏差盒須圖Fig.4 Boxplot of model biases for annual mean (a) TX90 and TN90,(b),TX10 and TN10 indices over eight subregions in China from 1980 to 2015

圖5 CWRF模擬的中國8個區(qū)域極端溫度指數(shù)的概率分布JS散度Fig.5 Jensen –Shannon divergence of CWRF simulated probability distribution of extreme temperature indices over eight subregions in China

圖6 CWRF 模擬的中國 8 個不同區(qū)域 1980～2015年平均（a）TX90、（b）TN90、（c）TX10、（d）TN10 指數(shù)的空間分布泰勒圖Fig.6 Taylor diagrams of (a) TX90,(b) TN90,(c) TX10,and (d) TN10 indices simulated by CWRF averaged over eight regions in China from 1980 to 2015

3.3 極端溫度指數(shù)的年際變率空間分布特征

極端溫度指數(shù)年際變化的標(biāo)準(zhǔn)差可以反映區(qū)域極端溫度波動的特征，圖7為基于格點的1980～2015年觀測和CWRF模擬的TX90、TX10、TN90、TN10指數(shù)的年際變化的標(biāo)準(zhǔn)差分布及其偏差、二者相關(guān)系數(shù)的空間分布。1980～2015年觀測的4個極端溫度指數(shù)的年際變化的共性特征是北方的年際變率的幅度明顯高于南方。其中，暖指數(shù)中的TX90的年際變率在西北和東北地區(qū)顯著高于TN90，而冷指數(shù)的TX10和TN10的年際變率分布近似。CWRF模式對4個極端溫度指數(shù)年際變率的模擬較好，能夠體現(xiàn)北方地區(qū)年際變率大于南方的特征；然而CWRF模擬的偏差主要位于西北、青藏高原以及東北地區(qū)，在青藏高原地區(qū)和西北地區(qū)都出現(xiàn)了不同程度的高估；特別的是，東北地區(qū)的TX10出現(xiàn)高估，而TN10出現(xiàn)低估。從相關(guān)系數(shù)的分布來看，模式較好地模擬了我國大部分地區(qū)1980～2015年的4個極端溫度指數(shù)的年際變化特征。其中，在北方的相關(guān)系數(shù)整體高于南方，大部分地區(qū)達到0.98以上，而不同指數(shù)在南方的相關(guān)系數(shù)分布存在一定差異。西南地區(qū)的TX90、華南南部的TN90、華東地區(qū)的TX10和青藏高原的TN10相關(guān)系數(shù)較低。因此可見，對于年際變率較大的北方地區(qū)，CWRF模式能較好的模擬其大范圍地區(qū)觀測的極端溫度指數(shù)的年際變化，但低估（高估）了在東北偏北、西北偏西地區(qū)（青藏高原、華東地區(qū)）的極端指數(shù)的年際變率幅度。

圖7 1980～2015年觀測（OBS）和模擬（CWRF）的TX90、TX10、TN90、TN10指數(shù)年際變化的標(biāo)準(zhǔn)差分布（第一行、第二行）、模式偏差（BIAS，第三行）和年際變化相關(guān)系數(shù)（Temporal R，第四行）的空間分布Fig.7 Spatial distributions of the interannual variances (the first line and second line) of TX90,TX10,TN90,and TN10 indices from observation(OBS) and CWRF simulation (CWRF),and their biases (the third line) as well as the interannual correlation coefficients (the fourth line)

3.4 極端溫度指數(shù)的年際趨勢特征的模擬評估

圖8為1980～2015年觀測和CWRF模擬的區(qū)域平均的極端溫度指數(shù)年際變化的時間序列。觀測顯示極端溫度指數(shù)存在較大幅度的年際波動，暖指數(shù)（TX90、TN90）在我國大部分地區(qū)都是較為顯著的年際上升趨勢，但冷指數(shù)（TX10、TN10）主要在北方地區(qū)（西北、東北）為年際下降趨勢，而且不同暖冷指數(shù)的年際趨勢的變化幅度存在區(qū)域差異。結(jié)合表2，對于暖指數(shù)，青藏高原、西南和華南地區(qū)的暖夜上升幅度超過暖晝；西北東部地區(qū)的暖晝上升趨勢明顯，而暖夜無顯著的上升趨勢；對于冷指數(shù)，青藏高原地區(qū)，冷晝出現(xiàn)顯著的上升趨勢，冷夜表現(xiàn)為下降趨勢；西北和西北東部的冷夜下降幅度明顯超過冷晝。對于持續(xù)性極端溫度指數(shù)（WSDI、CSDI）的年際波動顯著，CSDI總體呈下降趨勢，WSDI總體呈上升趨勢且更為明顯。北方地區(qū)（西北、西北東部和青藏高原）的WSDI上升的趨勢和CSDI下降的趨勢均較大，而南方地區(qū)的WSDI和CSDI的變化趨勢并不顯著。CWRF模式能夠很好地模擬到我國大部分地區(qū)的極端溫度指數(shù)的年際變化趨勢，但對于暖冷指數(shù)的強度模擬在一些區(qū)域存在較大的偏差，如南方地區(qū)，包括青藏高原、西南、華南及華東地區(qū)普遍低估的暖晝和暖夜指數(shù)，以及青藏高原低估的冷晝等。

圖9進一步展示了基于改進的MK分析方法的觀測和CWRF模擬的TX90、TX10、TN90、TN10指數(shù)的年際變化趨勢的空間分布及模擬偏差；CWRF基本模擬到了觀測中4個極端溫度指數(shù)的氣候變化趨勢的總體分布特征及區(qū)域差異。首先，對于觀測中的暖指數(shù)（TX90、TN90），我國大部分地區(qū)表現(xiàn)出增暖趨勢。其中，模式模擬到暖晝TX90在西北、東北和四川盆地的顯著增暖（局地超過1°C/10 a），在華東和華南沿海的弱增暖，在青藏高原地區(qū)弱變冷的趨勢特征；然而在青藏高原和華東地區(qū)的趨勢模擬出現(xiàn)負偏差。同時，模式較好地模擬到了觀測中暖夜TN90在全國大部分地區(qū)顯著增暖的趨勢特征，但模式高估了青藏高原的變暖趨勢，低估了華東地區(qū)的變暖趨勢。其次，觀測中的冷指數(shù)（TX10、TN10）在北方地區(qū)普遍表現(xiàn)為顯著變冷的趨勢（Xu et al.,2020），尤其是 TN10 變冷幅度和范圍更廣；其中，模式模擬到冷晝TX10在西北、東北顯著變冷，而南方大部分地區(qū)增暖的年際趨勢特征，但模式低估了在西北和西北東部的冷晝TX10變冷趨勢，以及在華東地區(qū)冷晝TX10變暖的趨勢。同時，模式較好地模擬到冷夜TN10在西北、西北東部和華東顯著變冷，在華北、青藏高原東部、西南地區(qū)弱增暖趨勢，但對于西北、西北東部和華東的變冷趨勢模擬存在負偏差。

總體來說，暖指數(shù)在我國大部分地區(qū)為增暖趨勢，其中暖夜TN90增暖的幅度和范圍較廣，而暖晝TX90主要在西北、東北和四川盆地增暖顯著，模式能較好地捕捉到這些特征，但高估了青藏高原地區(qū)暖晝TX90變冷、暖夜TN90變暖的趨勢，低估暖晝TX90和暖夜TN90在華東地區(qū)均增暖的趨勢。然而，冷指數(shù)在我國北方地區(qū)的變冷趨勢顯著，其中冷夜TN10的變冷幅度和范圍更廣，而冷晝TX10主要在西北、東北變冷趨勢顯著，但在南方地區(qū)多為增暖趨勢；模式能捕捉到冷指數(shù)年際趨勢的空間分布特征，但低估冷晝TX10在西北、西北東部的變冷趨勢，高估冷夜TN10在西北、西北東部、華東的變冷趨勢。因此，CWRF模式模擬的暖指數(shù)趨勢偏差主要在青藏高原、華東地區(qū)；冷指數(shù)趨勢偏差主要在北方地區(qū)（西北、西北東部）和華東地區(qū)。

表2 1980～2015年8個不同區(qū)域的TX90、TN90、TX10、TN10指數(shù)的年際趨勢及模擬偏差Table 2 Interannual trend and simulation bias of TX90,TN90,TX10,and TN10 indices over eight regions from 1980 to 2015°C (10 a)?1

4 結(jié)論及展望

本文基于1980～2015年的全國氣溫觀測數(shù)據(jù)和區(qū)域氣候模式CWRF控制版本的連續(xù)積分結(jié)果，結(jié)合暖晝指數(shù)（TX90）、暖夜指數(shù)（TN90）、冷晝指數(shù)（TX10）、冷夜指數(shù)（TN10）、暖日持續(xù)指數(shù)（WSDI）和冷日持續(xù)指數(shù)（CSDI）6個極端溫度指數(shù)，利用相關(guān)系數(shù)、均方根誤差、JS散度概率分布、改進的MK趨勢分析等多種統(tǒng)計方法，從年空間分布、概率分布、年際變率、年際趨勢方面，對我國東北、華北、華東、華南、西南、青藏高原、西北、西北東部8個不同氣候區(qū)域的極端溫度的觀測特征進行細致定量的研究，系統(tǒng)地評估區(qū)域氣候模式CWRF對1980～2015年我國不同區(qū)域的極端溫度指數(shù)的模擬能力及偏差所在。得出的主要結(jié)論如下：

（1）觀測的暖指數(shù)（TX90、TN90）和冷指數(shù)（TX10、TN10）的高值區(qū)均位于華南地區(qū)和西北內(nèi)陸，低值區(qū)位于青藏高原和東北；CWRF模式基本再現(xiàn)了觀測的暖冷指數(shù)的緯度地帶性分布特征，但在青藏高原地區(qū)無論暖、冷指數(shù)均較觀測顯著偏低，存在系統(tǒng)性的低估；然而，模式對暖指數(shù)高值區(qū)（如華南、西南）的暖晝指數(shù)低估顯著，說明該地區(qū)模擬的日最高溫度偏低；同時，模式較顯著高估冷指數(shù)低值區(qū)，即北方地區(qū)（西北—東北）的冷夜溫度，說明該地區(qū)模擬的日最低溫度偏低；

（2）觀測的極端溫度持續(xù)性指數(shù)（WSDI、CSDI）表明，暖事件的持續(xù)性比冷事件顯著，前者大值區(qū)位于西北、青藏高原和西南地區(qū)，后者大值區(qū)位于西南南部、華南南部、東北北部和西北地區(qū)；CWRF模式對我國大部分地區(qū)持續(xù)性指數(shù)的模擬偏差小于3天，尤其對西北地區(qū)天山一側(cè)、青藏高原南部、西南云貴的持續(xù)高溫事件，以及我國東部地區(qū)包括華東、華南以及東北地區(qū)的持續(xù)低溫事件模擬誤差普遍較?。蝗欢?，模式仍存在的問題是對華東中部地區(qū)的暖日持續(xù)指數(shù)、西北地區(qū)的冷日持續(xù)指數(shù)存在高估；

（3）觀測的極端溫度指數(shù)在北方的年際變率的幅度明顯高于南方，暖指數(shù)中的暖晝TX90的年際變率在北部地區(qū)顯著高于暖夜TN90，而冷指數(shù)的冷晝TX10和冷夜TN10的年際變率分布近似。CWRF模式較好地模擬到4個極端溫度指數(shù)在北方地區(qū)年際變率大于南方地區(qū)的特征，且對北方地區(qū)的極端溫度的變化模擬更有優(yōu)勢，相關(guān)系數(shù)整體高于南方。然而，CWRF模擬的偏差主要位于西北、青藏高原以及東北地區(qū)，在前兩個地區(qū)均為不同程度的高估，但高估東北地區(qū)的冷晝指數(shù)，低估冷夜指數(shù)；

（4）模式能夠較好地模擬到暖指數(shù)在我國大部分地區(qū)的增暖趨勢，以及冷指數(shù)在我國北方地區(qū)顯著的變冷趨勢以及冷晝指數(shù)在南方地區(qū)的增暖趨勢。然而，模式高估青藏高原地區(qū)暖晝變冷、暖夜變暖的趨勢，高估冷夜在北方地區(qū)和華東的變冷趨勢；低估暖晝和暖夜在華東地區(qū)均增暖的趨勢，低估冷晝在西北的變冷趨勢。

盡管本文從氣候平均、概率分布、年際變率和年際趨勢方面評估了CWRF對極端溫度指數(shù)的模擬能力，但本研究尚未深入分析誤差的來源與成因。區(qū)域氣候模式的誤差主要來源于對物理過程和側(cè)邊界條件的描述不夠準(zhǔn)確（劉術(shù)艷等,2008），由于極端溫度受到氣候系統(tǒng)內(nèi)部與外部強迫過程的復(fù)雜影響（黃榮輝,2006），因此模式中多個物理過程參數(shù)化方案間復(fù)雜的相互作用也十分重要，例如，陸面/海洋—對流—微物理過程、云—氣溶膠—輻射過程等，都會從不同程度上影響區(qū)域極端溫度變化的模擬和預(yù)測（王樂,2018）。因此，在本研究的基礎(chǔ)上，需要結(jié)合精度更高的觀測數(shù)據(jù)，利用CWRF模式較全面的物理過程及方案，進行不同物理過程的敏感性實驗，分析關(guān)鍵區(qū)域模式模擬的誤差來源，并對典型的區(qū)域持續(xù)性的極端溫度事件個例進行物理機制和成因探究，進一步加深對極端溫度事件形成機制的理解，改進模式對極端氣候事件的模擬和變化的預(yù)估。