doi10.12006/j.issn.1673-1719.2017.202江晓菲 , 李伟 , 游庆龙 . 中国未来极端气温变化的概率预估及其不确定性 [J]. 气候变化研究进展 , 2018, 14 3 228-236中国未来极端气温变化的概率预估及其不确定性江晓菲1，李 伟2，游庆龙21 南京信息工程大学滨江学院，南京 210044；2 南京信息工程大学气象灾害教育部重点实验室 / 气候与环境变化国际合作联合实验室 / 气象灾害预报预警与评估协同创新中心，南京 210044气候变化研究进展第 14 卷 第 3 期 2018 年 5 月 CLIMATE CHANGE RESEARCHVol. 14 No. 3May 2018摘 要 本文基于第五次耦合模式比较计划的 23 个全球气候模式所提供的最高气温与最低气温在 RCP4.5 情景下的逐日格点资料，根据模式对 5 个极端气温指数的模拟能力，使用秩加权方法研究了中国未来极端气温变化的概率预估及其不确定性。结果表明， 21 世纪中期（ 2046 2065 年）中国区域平均最高气温和平均最低气温的增加幅度相对于历史时期（ 1986 2005 年）可能超过 2.0℃（概率 66，增加的大值区主要位于青藏高原南部。暖夜指数在中国大部分地区增加超过 15，西南和东南部沿海是增加的大值区，增幅超过 20。霜冻日数在全国范围内减少，减少的大值区位于青藏高原周围，减少日数超过了 20 d。热浪指数在整个中国区域可能增加 10 d 以上，大值区位于西藏西南部，可达30 d。不确定性的结果表明，除热浪指数的可信度较低外，其余指数都有较高的可信度。到 21 世纪末期（ 2081 2100年 ，中国区域极端气温增加幅度超过前期，平均最高气温和平均最低气温很可能增加超过 2.0℃（概率 90，大值区除中国西部地区外，还扩展到了东北和青藏高原西南地区。中国大部分地区的暖夜指数增加超过 15，西南和南部沿海可能超过 25。大部分地区的霜冻日数减少 20 d，青藏高原周围减少超过 40 d。热浪指数在中国范围内增加 20 d，青藏高原西南部增加 40 d 以上。除霜冻指数的信噪比略比 21 世纪中期大外，其余指数的信噪比与中期基本一致。关键词 CMIP5；极端气温；概率预估；不确定性 收稿日期 2017-09-27； 修回日期 2017-11-20资助项目 国家重点研发计划（ 2017YFA0603804；国家自然科学基金重点项目（ 41230528；江苏省高等学校大学生创新创业训练计划（ 201613982008Y）作者简介 江晓菲，女，本科生， ；游庆龙（通信作者 ，男，教授， 引 言极端气候事件对人类社会、经济和自然生态系统有显著影响，因此它受到政策制定者和公众的广泛关注。政府间气候变化专门委员会（ IPCC）在2011 年发布的特别报告，适应气候变化的极端事件和灾害的风险管理（ SREX）也再一次强调了对极端气候事件进行研究的重要性。 20 世纪 70 年代后期以来，全球变暖加剧，中国气候发生了很大的变化，主要表现为大范围干旱、洪涝、高温等极端气候灾害的频繁发生。相对于平均气温，极端气温的变化对人类社会、经济和自然生态系统的影响更大。极端低温事件的增加会造成生物冻害，极端高温事件的增加会使农作物减产，使人们生活受到影响，并给社会经济带来巨大的损失[1-3]。近期研究表明，中国区域极端暖事件有增加的趋势，极端冷事件呈减少趋势[4-6]。因此在全球变暖背景下，如何对极端气温事件进行准确的预估倍受关注。气 候 系 统 变 化3 期 229江晓菲，等中国未来极端气温变化的概率预估及其不确定性表 1 CMIP5 的 23 个气候模式的基本信息以及基于模式模拟性能的权重Table 1 Model identification, modeling center/nation, and atmospheric resolution of 23 CMIP5 global climate models, as well as the weights of each model according to their perance利用全球气候系统模式对未来极端气温变化进行未来排放情景下的预估，是目前最普遍的方法[7-10]。世界气候研究计划（ WCRP）组织的第五次耦合模式比较计划（ Fifth Coupled Model Intercomparison Project, CMIP5）提供了来自全球不同气候研究机构耦合模式的模拟数据，较之前参与第四次评估报告的模式有了较大的改进[11]。基于 CMIP5 模式的预估结果，有很多研究围绕中国区域极端气温事件的未来预估展开[12-16]。但这些研究大多是通过简单算术平均而得到的多模式集合结果，并不考虑模式对当前气候模拟能力的优劣。由于不同模式之间在动力框架、物理过程以及时空分辨率等方面存在不同，特别是中国处于东亚季风区，地形复杂多变，不同模式对这个区域的气候变化模拟存在较大的差异，因此在进行未来预估时，应考虑到模式对当前气候的模拟能力，消除或降低一些模拟能力较差模式的权重，来降低预估的不确定性，从而提高预估结果的可信度[17-21]。目前，概率预估作为一种减少气候变化不确定性的方法，被广泛应用于区域气候预估， Giorgi等[22-23]提出可靠性加权平均方法（ Reliability Ensemble Averaging，简称 REA，根据模式对当前气候的模拟能力和未来预估结果的收敛性赋予不同模式相应的权重，在此基础上得到未来变化的概率预估， Xu 等[24]对该方法进行了优化，给出了中国区域气候变化的概率预估。 Chen 等[25]引入综合考察模式气温、降水气候平均场和年际变率模拟能力的指标，提出了一种基于模式性能排序（秩加权法）的权重构建方法，得到了关于未来中国气温、降水的概率预估信息。 Li 等[26]使用秩加权方法给出了未来中国区域极端降水的概率预估，并且发现，相比于等权，加权方法能够增加未来预估的可信度。因此，相比于 REA 方法，基于模式性能排序权重构建方法由于计算简单，并且可以减少模式间的不确定性，在未来预估研究中更具优势。以前的工作综合评估了 CMIP5 模式对中国区域极端气温的气候平均场和趋势空间场的模拟能力[27]。因此本文在此基础上，采用基于模式性能排序的秩加权方法给出中国区域未来极端气温的变化概率预估结果，以期能够提供关于未来极端气温预估更为准确的结果。1 资料和方法1.1 模式数据本文使用的模式资料为参与 CMIP5 的 23 个全球气候模式模拟的逐日最高气温与最低气温资料。模式基本信息如表 1 所示。将历史模式时间模式名称 国家ACCESS1.0BCC-CMS1.1BCC-CMS1.1mBNU-ESMCanESM2CCSM4CESM1CAM5CMCC-CMCMCC-CMSCNRM-CM5GFDL-ESM2MGFDL-CM3GFDL-ESM2GHadGEM2-CCIPSL-CM5A-LRIPSL-CM5A-MRMIROC5MIROC-ESMMIROC-ESM-CHEMMPI-ESM-LRMPI-ESM-MRMRI-CGCM3NorESM1-M模式分辨率 权重澳大利亚中国中国中国加拿大美国美国意大利意大利法国美国美国美国英国法国法国日本日本日本德国德国日本挪威1.8747 1.25002.8123 2.79051.1249 1.12152.8123 2.79052.8123 2.79051.2500 0.94221.2500 0.94220.75 0.751.8747 1.86541.4061 1.40082.5 2.02.5 2.02.5 2.01.8747 1.25003.75 1.89462.5 1.26781.4061 1.40082.8123 2.79052.8123 2.79051.8747 1.86541.8747 1.86541.1249 1.12152.5 1.89460.030.010.020.010.020.050.040.130.030.020.010.020.010.020.090.270.020.010.010.030.070.040.02段 1986 2005 年作为基准时间段，预估时段为2046 2065 年（ 21 世纪中期）和 2081 2100 年（ 21世纪末期 。1.2 极端指数本文所选用的 5 个极端气温指数包括平均最高气温、平均最低气温、霜冻指数、热浪指数和暖夜指数，气温极端指数的定义见表 2。利用各模式的逐日最高气温、最低气温模拟资料，可计算得到上述各极端指数，由于不同模式的时空分辨率不同，所以利用双线性插值的方法，将不同模式资料气温结果统一插值到 1 1的网格点上。1.3 秩加权和概率预估方法1.3.1 权重的计算前期的工作定量评估了 CMIP5 模式对中国区域极端气温的空间结构和时间变率的模拟能力[27]。发现模式对气候态空间场和趋势空间场的模拟能力存在较显著的差别，且模式对趋势的模拟能力相对较差。因此本文主要根据模式气候态空间场的模拟能力进行未来极端气温的概率预估研究。由前述工作可以得到各个模式模拟能力的排名，气温通过标准化，可以得到各模式所占的权重（ wi）[25-26]。模式权重的结果见表 1。1.3.2 给定阈值的概率预估由模式权重（ wi）得到未来气温指数变化（DI）超过某一阈值（DIth）的概率 P，具体如下表 2 本文使用的 5 个极端气温指数的定义Table 2 The definition of five extreme temperature indices used in this paper缩写指数名称TNAVTXAVTNF90FDHWDI平均最低气温平均最高气温暖夜指数霜冻日数热浪指数指数定义单位℃℃dd日最低气温的平均值日最高气温的平均值日最低气温大于基准期（ 1971 2000 年）第 90 百分位的天数百分率每年日最低气温低于 0℃的总天数连续 5 d 最高气温高于气候态（ 1961 2005 年）相同日期 5℃的总天数PDIDI i wi DI DIth 。 1thS气温DI小于某一阈值（DIth）时的概率可用 1-P求得。1.4 信噪比利用信噪比（ signal to noise ratio， SNR来评估在非等权下未来预估的可信程度，信噪比定义为式中 xi为每个模式在 RCP4.5 情景下未来时段输出结果与历史情景下基准时段输出结果的差值。N 是模式数量。该指标利用加权模式集合和加权模式间标准差的比值来反映信号和噪音之间的关系，进而反映未来预估的可信度。如果s1，则表明信号大于噪音，即未来预估结果较为可信。s越大表明可信度越高[28-30]。2 基于秩加权方法的未来极端气温概率预估及其不确定性2.1 区域平均的概率预估气温按照 IPCC 对不同概率区间变化给出的不确定性定义[31-32]，分析未来极端气温指数的变化。如当 66 99 则表示“几乎确定”会变化； 33 90，同样增加3.0℃的概率接近 66。而对于 TXAV，在两个时间段的增幅差异不大。 TXAV“可能”会增加 1.5℃（概率达到 89，接近“很可能”，增加 2.5℃的图 1 RCP4.5 情形下预估中国区域 TNAV（左）和 TXAV（右）在 21 世纪中期及末期变化超过某一阈值的概率分布Fig. 1 Probability for a change relative to 1986-2005 in TNAV left and TXAV right exceeding a given threshold on the x axis in the mid and end of the 21st century under RCP4.5 scenario1.000.750.500.2501℃ 2℃ 3℃ 4℃0℃气温变化 /℃1℃ 2℃ 3℃ 4℃0℃气温变化 /℃21 世纪末期21 世纪中期概率/1.000.750.500.250概率/a TNAV b TXAV概率接近 66。2.2 多模式集合预估的概率分布为了给出中国不同区域极端气温事件的概率变化特征，考虑到在 IPCC 报告中“可能”的含义，本文给出了发生概率 66 时不同极端气温指数的变化（图 2。图中 21 世纪中期和末期， TNAV以增加为主，且增幅由东南向西北逐渐变大。 21世纪中期，大部分的西部地区增温超过 2.0℃。最高增幅位于青藏高原南部，可能超过 2.5℃。到 21世纪后期，增幅显著升高，整个西部区域及东北超过了 2.5℃，东北北部以及青藏高原周围甚至超过图 2 21 世纪中期 a 以及末期 b TNAV 变化概率超过 66 的空间分布Fig. 2 Geographic distribution of TNAV change relative to baseline period 1986-2005 with probability larger than 66 for the mid a and end b of the 21st century50˚N80˚E40˚N30˚N20˚N50˚N40˚N30˚N20˚N100˚E 120˚E 80˚E 100˚E 120˚Ea TNAV 2046-2065 年 b TNAV 2081-2100 年 1.0 1.5 2.0 2.5 3.0 3.5 ℃3 期 231江晓菲，等中国未来极端气温变化的概率预估及其不确定性3.0℃，青藏高原南部增温幅度最大，超过 3.5℃。图 3 为 21 世纪中期和末期 TXAV 变化概率超过 66 的空间分布，可以看到， TXAV 在两个时段增加的差异不大。在 21 世纪中期，除东南沿海以外，全国增温幅度都超过了 2.0℃，西藏西南部分地区增温超过 2.5℃。而在 21 世纪后期，增温幅度超过 2.5℃的区域范围扩大到整个青藏高原西南部，西藏西南增温超过 3.0℃。从 TNF90 变化概率超过 66 的空间分布（图4）可以看到， 21 世纪中期，整个中国区域 TNF90都在增加，且增加幅度由北向南递增。除东北以外的整个中国区域增加超过 15，西南地区以及东南沿海增加超过 20。到 21 世纪后期，整个中国地区 TNF90 增幅都超过 15，西南地区和东南沿图 3 21 世纪中期 a 以及末期 b TXAV 变化概率超过 66 的空间分布Fig. 3 Geographic distribution of TXAV change with probability larger than 66 for the mid a and end b of the 21st century图 4 21 世纪中期 a 以及末期 b TNF90 变化概率超过 66 的空间分布Fig. 4 Geographic distribution of TNF90 change with probability larger than 66 for the mid a and end b of the 21st century海增幅则超过 25。图 5 为 21 世纪中期和末期中国区域 FD 变化概率超过 66 的空间分布，可见全国区域 FD 以的减少为主。在 21 世纪中期，中国大部分区域减少 10 d，其中青藏高原附近减少 20 d 以上。到了21 世纪末期， FD 减少的幅度显著增加，中国大部分区域减少 20 d，而青藏高原周围减少 40 d 以上。图 6 为 21 世纪中期和末期 HWDI 变化概率超过 66 的空间分布。 21 世纪中期， HWDI 在整个中国区域增加，除了东南沿海，东北地区和西北地区中部增加 10 d 外，其他地区都在 20 d 以上，西藏地区西南部增幅超过 30 d。而到了 21 世纪末期，整个区域增加幅度加大，全国范围内的增加幅度超过 20 d。在西北西部以及青藏高原西南部， HWDI50˚N80˚E40˚N30˚N20˚N50˚N40˚N30˚N20˚N100˚E 120˚E 80˚E 100˚E 120˚Ea TXAV 2046-2065 年 b TXAV 2081-2100 年 1.5 2.0 2.5 3.0 3.5 4.0 ℃50˚N80˚E40˚N30˚N20˚N50˚N40˚N30˚N20˚N100˚E 120˚E 80˚E 100˚E 120˚Ea TNF90 2046-2065 年 b TNF90 2081-2100 年 5 10 15 20 25 30 气候变化研究进展 2018 年气 候 系 统 变 化图 5 21 世纪中期 a 以及末期 b FD 变化概率超过 66 的空间分布Fig. 5 Geographic distribution of FD change with probability larger than 66 for the mid a and end b of the 21st century图 6 21 世纪中期 a 以及末期 b HWDI 变化概率超过 66 的空间分布Fig. 6 Geographic distribution of HWDI change with probability larger than 66 for the mid a and end b of the 21st century增加 40 d 以上。2.3 未来预估的不确定性图 7 给出了 21 世纪中期 5 个极端气温指数信噪比的空间分布，可以看到， TNAV 和 TXAV 的信噪比分布并没有太大的差别，大值区都主要位于中国中部地区（ 4.0，且 TNAV 的信噪比略大于 TXAV。 TNF90 的信噪比相比于 FD、 TNAV和 TXAV 较低，大值区主要位于南部地区。对于FD，其信噪比越大，说明未来 FD 减小的可信度越高。 FD 信噪比由南向北递增， 28 N 以北的信噪比 2.0，长江流域沿线的信噪比能够达到 5.0，但是 28℃以南的信噪比 90，且有“可能”增加超过 2.0℃（概率 66，大值区位于青藏高原西南部。暖夜指数增加的大值区在中国西南和南部沿海，增幅超过20。霜冻日数在全国范围内减少，减少的大值区在青藏高原周围，减少幅度超过了 20 d。热浪指数在全国范围内增大，青藏高原西南部增大天数最多，达到了 30 d。不确定性的结果表明，除热浪指数的可信度较低外，其余指数都有较高的可信度。气候变化研究进展 2018 年气 候 系 统 变 化2 21 世纪末期（ 2081 2100 年）中国区域极端气温增温幅度超过中期。平均最高气温和平均最低气温增加幅度“很可能”超过 2.0 ℃（概率 90。中国大部分地区的暖夜指数增加达到 15，其中西南和南部沿海地区增温幅度超过25。青藏高原周围霜冻日数减少可达 40 d 以上，中国大部分地区热浪指数增加 20 d 以上。信噪比与中期分布大致相同，除霜冻日数的可信度有显著增加外，其余指数都无明显差异。本文基于模式模拟能力的优劣，给出了中国区域未来极端气温事件的概率预估结果，在一定程度上减少了由模式本身带来的不确定性，提高了模式预估结果的可信度。但是由于模式本身在模拟能力上还有待提高，对气候系统内部各种反馈过程的理解也有待完善，因此相应的预估结果也就存在一定程度的不确定性。基于动力以及统计降尺度技术，期望能够得到未来预估更为准确的结果[33-34]。参考文献Kunkel K E, Pielke R A J, Changnon S A. Temporal fluctuations in weather and climate extremes that cause economic and human health impacts a review [J]. Bulletin of the American Meteorological Society, 1999, 80 6 1077-1098Easterling D R, Evans J L, Groisman P Y, et al. Observed variability and trends in extreme climate events a brief review [J]. Bulletin of the American Meteorological Society, 2000, 81 3 417-426Meehl G A, Karl T, Easterling D R, et al. An introduction to trends in extreme weather and climate events observations, socioeconomic impacts, terrestrial ecological impacts, and model projections [J]. Bulletin of the American Meteorological Society, 2000, 81 3 413-416王岱 , 游庆龙 , 江志红 , 等 . 基于均一化资料的中国极端地面气温变化分析 [J]. 高原气象 , 2016, V35 5 1352-1363黄小燕 , 王小平 , 王劲松 , 等 . 1960 2013 年中国沿海极端气温事件变化特征 [J]. 地理科学 , 2016, 36 4 612-620肖冰霜 , 马玉霞 , 赵天保 , 等 . 基于均一化资料的中国大陆极端温度的长期趋势 [J]. 气象 , 2016, 42 3 339-346Ou T, Chen D, Linderholm H W, et al. uation of global climate models in simulating extreme precipitation in China [J]. Tellus A Dynamic Meteorology and Oceanography, 2013, 65 5 1393-1399Kharin V V, Zwiers F W, Zhang X, et al. Changes in temperature and precipitation extremes in the IPCC ensemble of global coupled model simulations [J]. Climatic Change, 2013, 119 2 345-357Zhou B, Wen Q H, Xu Y, et al. Projected changes in temperature and [1][4][3][5][6][2][9][7][8][10][11][12][13][14][17][15][16]precipitation extremes in China by the CMIP5 multimodel ensembles [J]. Journal of Climate, 2014, 27 17 6591-6611Yang S, Feng J, Dong W, et al. Analyses of extreme climate events over China based on CMIP5 historical and future simulations [J]. Advances in Atmospheric Sciences, 2014, 31 5 1209-1220Maslin M, Austin P. Uncertainty climate models at their limit [J]. Nature, 2012, 486 7402 183-184姚遥 , 罗勇 , 黄建斌 . 8 个 CMIP5 模式对中国极端气温的模拟和预估 [J]. 气候变化研究进展 , 2012, 8 4 250-256Li J, Zhang Q, Chen Y D, et al. GCMs based spatiotemporal evolution of climate extremes during the 21st century in China [J]. Journal of Geophysical Research Atmospheres, 2013, 118 19 11017-11035Sun Q, Miao C, Duan Q. Extreme climate events and agricultural climate indices in China CMIP5 model uation and projections [J]. International Journal of Climatology, 2016, 36 1 43-61Chen H, Sun J. Assessing model perance of climate extremes in China an intercomparison between CMIP5 and CMIP3 [J]. Climatic Change, 2015, 129 1-2 197-211Ying X U, Jie W U, Shi Y, et al. Change in extreme climate events over China based on CMIP5 [J]. Atmospheric and Oceanic Science Letters, 2015, 8 4 185-192Schmittner A, Latif M, Schneider B. Model projections of the North Atlantic thermohaline circulation for the 21st century assessed by observations [J]. Geophysical Research Letters, 2005, 32 136 170-177 Whetton P, Macadam I, Bathols J, et al. Assessment of the use of current climate patterns to uate regional enhanced greenhouse response patterns of climate models [J]. Geophysical Research Letters, 2007, 34 10.1029/2007GL030025Santer B D, Taylor K E, Gleckler P J, et al. Incorporating model quality ination in climate change detection and attribution studies [J]. Proceedings of the National Academy of Sciences, 2009, 106 35 14778-14783Perkins S E, Pitman A J. Do weak AR4 models bias projections of future climate changes over Australia [J]. Climatic Change, 2009, 93 3-4 527-558Knutti R. The end of model democracy [J]. Climatic Change, 2010, 102 3-4 395-404Giorgi F, Mearns L O. Calculation of average, uncertainty range, and reliability of regional climate changes from AOGCM simulations via the reliability ensemble averaging REA [J]. Journal of Climate, 2002, 15 10 1141-1158 Giorgi F, Mearns L O. Probability of regional climate change based on the Reliability Ensemble Averaging REA [J]. Geophysical Research Letters, 2003, 30 12 10.1029/2004GL017130Xu Y, Gao X, Giorgi F. Upgrades to the reliability ensemble averaging for producing probabilistic climate-change projections [J]. Climate Research, 2010, 41 1 61-81Chen W, Jiang Z, Li L. Probabilistic projections of climate change over China under the SRES A1B scenario using 28 AOGCMs [J]. Journal of Climate, 2011, 24 17 4741-4756 [18][19][20][21][22][23][24][25]3 期 235江晓菲，等中国未来极端气温变化的概率预估及其不确定性Probability projection and uncertainties of the temperature extreme indices change over China1 College of Binjiang, Nanjing University of Ination Science and Technology, Nanjing 210044, China;2 Key Laboratory of Meteorological Disaster, Ministry of Education KLME/ Joint International Research Laboratory of Climate and Environment Change ILCEC/ Collaborative Innovation Center on Forecast and uation of Meteorological Disasters CIC-FEMD/ Nanjing University of Ination Science and Technology, Nanjing 210044, ChinaAbstract Based on the daily maximum and minimum temperature from 23 climate models from Coupled Model Intercomparsion Project Phase 5 CMIP5 under RCP4.5 scenario, five temperature extreme indices including average maximum temperature TXAV, average minimum temperature TNAV, heat wave duration index HWDI, frost days FD and warm nights TNF90 were calculated, and the probability projection of extreme temperature indices were analyzed after uating the perance of models in simulating the extreme indices. The results show that there has a high probability more than 66 chance of increasing by 2.0℃ for TNAV and TXAV during mid of the 21st century. The increasing maximum regions are located over south of Tibetan Plateau region. TNF90 increases by 15 across the whole region, with the largest values over 20 in southwestern China and south coastal region. FD is projected to decrease with the largest negative magnitude over 20 d regions over the Tibetan Plateau. HWDI increase by 10 d occurs across the whole China region, with maximum value by 30 d located over southern Tibetan Plateau. The uncertainties results show that temperature indices change have large reliabilities except HWDI. For the end of the 21st century, the increase magnitude of indices is more remarkable than the er period, and both TNAV and TXAV have very high probabilities larger than 90 by 2.0℃ . Increasing magnitudes of TNF90 over southwestern China and south coastal regions are larger than 25 while TNF90 in most regions decreases by 15. FD de