2020, Vol. 46 
2. 中山大学大气科学学院，广州 510275；
3. 中山大学一带一路研究院，珠海 519082
2. School of Atmospheric Sciences, Sun Yat-Sen University, Guangzhou 510275;
3. Institute of One Belt One Road, Sun Yat-Sen University, Zhuhai 519082
自从工业革命以来，全球变暖问题日趋严重，并且对全球的生态系统和人类社会产生了不可忽视的影响(丁婷等，2017；董李丽等，2015；黄海玲等，2015；Schneider et al, 2007；王萌等2016；王铭昊等，2018；向辽元和陈星，2006)。随着影响的逐渐增加，全球温度变化的研究受到越来越多的政府和研究机构的重视，成为气候变化研究中的重要议题(苏京志等，2016；Stocker et al, 2013)。
气候系统模式可以模拟和预估未来的温度变化，其可靠性一直以来受大家所关注，耦合模式比较计划(Coupled Model Intercomparison Project, CMIP)由世界气候研究计划所组织，其目的是在统一的框架下进行多模式的比较(张莉等，2013；赵宗慈等，2018)。目前，政府间气候系化专门委员会(IPCC)已发布5次评估报告(AR)。相对于CMIP3(AR4评估中的模式)，CMIP5(AR5中的气候系统模式)对表面温度的模拟在许多重要方面得到改善。通过在同样水平分辨率上评估25个气候模式对中国年均地表气温1906—2005年气候态和变化趋势的模拟能力，郭彦等(2013)指出CMIP5模式具备合理的模拟能力，同时较CMIP3模式有所改进。全球年平均表面温度的历史时期的变化过程，尤其是迅速增暖期(20世纪下半叶)以及迅速降温期(几次大火山爆发后)，都被CMIP5模式较好地重现出来。但AR5也指出，模式模拟与观测的温度趋势在1998—2012年期间存在较大的差异，大多数模式低估了过去30多年来平流层长期的降温趋势，却高估了热带对流层的增温趋势。虽然AR5中指出近十几年全球的增温趋势有明显的“减缓”，但已有学者指出全球温度持续升高仍然是不可否认的(Schmidt et al, 2014)；而近期更多的研究表明，这种所谓的“减缓”实际是在一段时期内的阶段性特征而已(Huang et al, 2017；2018；Li et al, 2019)。
许多学者在关于全球和区域性模式模拟的评估方面取得了一系列有价值的结论。由于观测序列数据存在一定的误差，以往的模拟研究并不能很好地反映气温的长期变化趋势，现今评估气候模式的基准数据则更加精确(Li et al, 2017)。Kim et al(2012)认为大部分CMIP5气候模式高估了1960—2010年全球平均表面温度的增暖趋势；魏萌和乔方利(2016)利用集合经验模态分解方法分析了CMIP5模式模拟的1851—2014年全球温度变化，认为模式无法模拟出最近的增暖减缓现象主要是由于其在长期趋势和多年代际尺度上的不足；Li et al(2017)通过比较1900年以来的中国气温变化序列(经均一化和抽样偏差纠正)和CMIP5模拟结果，发现模式能够较好地模拟出气温变化的年代际特征与长期趋势，同时也使得经均一化订正的观测数据和模拟结果的可信程度得到进一步提升；Gao et al(2012)通过分析1901—1999年中国平均气温，表明CMIP5的模拟结果较CMIP3更接近于观测值，即CMIP5的模拟结果优于CMIP3；Xu and Xu(2012)分析CMIP5模式近45年中国气温、降水变化，评估中国当前气候的模拟效果，并指出模型在再现变暖趋势方面表现良好，但对降水的模拟能力有限；陶纯苇等(2016)利用观测资料和CMIP5模式模拟结果，分析中国东北三省(1961—2005年)模式的气温和降水的模拟能力，同样认为模式对气温的模拟效果优于降水，此外，他们还发现模式对空间分布的模拟能力优于时间变化；周秀华和肖子牛(2014)基于CMIP5未来50年的预估数据，发现CMIP5对于云南及周边地区气温和降水的空间分布具有一定的模拟能力，与Xu and Xu(2012)相同，他们也认为气温模拟优于降水模拟模式，此外他们还指出模式集合模拟效果优于单一模式。
基于Li et al(2017)的研究成果，本文将研究区域扩充到更大尺度上的亚洲区域(包括陆地和海洋)。采用最新发展的全球数据集产品，考察CMIP5模式能否将该区域表面温度变化较好的模拟出来，从而减小温度变化的不确定性，为未来温度变化预估提供更为可靠的支撑。
1 资料和方法本文研究区域为亚洲地区(5°~60°N、60°~180°E)，区域划分参考Jones and Moberg(2003)。在该区域中，陆地占总面积的53.5%，海洋占46.5%(海陆分布数据①由美国UCAR提供)。
①下载地址：http://www.ncl.ucar.edu/Applications/Data/cdf/landsea.nc
在CMIP5的众多模式中，参与历史和未来全球气候变化模拟试验的共有50多个。本文选取了其中同时含有历史气候模拟试验以及不同浓度路径(representative concentration pathways, RCP②)的RCP2.6、RCP4.5和RCP8.5情景下的气候变化预估数据的27个气候模式(表 1，考虑到RCP6.0试验的模式较少，本文没有采用该浓度路径的结果)进行评估和分析。模式评估数据均选取全强迫试验(包括历史模拟试验和典型RCP未来情景预估试验)的模拟结果，27个耦合模式模拟和预估数据均为公开提供下载的数据③。规定历史模拟试验的时间段为1900年1月至2005年12月(其中HadGEM2-ES模式历史模拟试验的时间段为1900年1月至2005年11月，年时间序列为1900—2004年)。而对不同情景下的模式预估，时间段则都为2006年1月至2099年12月。为了方便比较，参考赵天保等(2014)研究，首先计算表面温度的距平值④，然后利用双线性插值方法将该数据插值到1°×1°的网格上。
② RCP代表未来可能的排放路径。根据人口增长和能源生产、粮食生产和土地利用的发展，各种排放路径都是可能的。通过简单的碳循环气候模型，计算了二氧化碳、其他温室气体和气溶胶的浓度。这些浓度对应于辐射变化，每个浓度路径名称对应于2100年达到的辐射强迫(2.6、4.5和8.5 W·m-2)。
③下载地址：https://cera-www.dkrz.de/WDCC/ui/cerasearch/
④本文计算结果均为距平值，除特别标注外，均以1961—1990年作为参考时期。
|
表 1 本文选用的27个模式及其模拟数据概况 Table 1 Description of the 27 models selected in this paper |
验证模式所使用的全球表面温度观测数据为CMST(China merged surface temperature)(Li et al, 2019；Yun et al, 2019)，该数据集的陆地部分数据来自中国、英国、加拿大、澳大利亚和美国等联合团队研发的全球陆地均一化和整合逐月气温数据C-LSAT(Xu et al, 2018)，海洋数据来自美国国家海洋和大气管理局国家环境信息中心最新升级订正的逐月海洋表面温度数据ERSSTv5(Huang et al, 2017)。C-LSAT数据集在亚洲地区，尤其是亚洲陆地地区的站点多于其他英、美研发的全球陆地气温数据集产品，且具有较好的数据质量(Xu et al, 2018；Yun et al, 2019)，全球海洋表面温度数据ERSSTv5采用了更为准确的浮标数据作为订正基准，所以使用该数据集检验各模式对亚洲地区近表面温度的模拟情况。该数据集的空间分辨率为5°×5°，起始时间为1900年1月，目前已更新到2017年12月。
2 亚洲区域表面温度的时间变化图 1给出表面温度月平均距平值的时间演变特征，所有模式的集合平均值称为MAM(mean all models)。模式与观测之间以及各模式之间在20世纪60年代之前的差异很大；在此之后一致性都有所提高。此外，20世纪20—40年代实际观测的温度略低于模式模拟，其原因可能是，与其他海洋表面温度数据(比如HadSST3、COBE)相比，ERSSTv5略有低估(Huang et al, 2017)。
|
图 1 1900—2005年亚洲地区27个模式、MAM和观测的温度距平时间序列 Fig. 1 Time series of 27 models, MAM and observation temperature anomalies in Asia from 1900 to 2005 |
与其他的研究相似，采用泰勒图(Taylor, 2001)的方法定量评估各个模式与观测值的差异。根据标准偏差、中心模式均方根误差[计算方法见Taylor(2001)]和相关系数的比值，泰勒图可以简要统计模拟与观测之间的匹配性，从而直观地反映多模式模拟能力及彼此之间的差异。图 2a为1900—2005年历史模拟，图 2b~2d分别为1900—2017年RCP衔接模拟(其中，1900—2005年采用历史模拟，2006—2017年分别使用不同排放情景预估)。从图中可以看出：除个别模式外，大部分模式历史模拟和RCP衔接模拟的标准偏差为0.2~0.4, 与观测值的标准偏差相差±0.1；模拟结果的变率都比较小，多数模式历史模拟和RCP衔接模拟的中心模式均方根误差在0.2~0.3；值得指出的是，RCP衔接模拟的模式与观测的相关性优于历史模拟(前者相关系数0.6~0.9，后者0.3~0.9)。并且，与任意某个模式相比，在历史模拟中亦或在RCP衔接模拟中，MAM均更接近于观测值。从上述分析看来，增加2006—2017年的预估数据后，CMIP5模式能更好、更真实地反映亚洲地区真实的温度变化特征。
|
图 2 年平均温度距平在历史模拟和不同辐射强迫路径下预估的泰勒图* (a)历史模拟，(b)RCP2.6衔接模拟，(c)RCP4.5衔接模拟，(d)RCP8.5衔接模拟(横坐标红点代表观测值) 注：历史模拟：1900—2005年的模式模拟；rcp衔接模拟：从1900—2017年的模式模拟2006"注：历史模拟：1900—2005年的模式模拟；RCP衔接模拟：从1900—2017年的模式模拟，其中1900—2005年使用历史模拟，2006—2017年分别使用RCP2.6、RCP4.5、RCP8.5下的情景预估，下同) Fig. 2 Taylor diagram of annual average temperature anomalies under historical and different RCPs scenarios* (a) historical simulation, (b) RCP2.6 scenario, (c) RCP4.5 scenario, (d) RCP8.5 scenario (Red dot on the abscissa represents observation) (Note:The historical simulation is from 1900 to 2005. And the RCP scenarios are from 1900 to 2017 in which 1900-2005 is historical simulation and 2006-2017 are the forecasting from RCP2.6, RCP4.5, and RCP8.5, the same below) |
在泰勒图中，往往通过中心模式均方根误差来统计与观测值的接近程度，该值越小，意味着与观测值越接近(Taylor, 2001)。所以，我们对中心模式均方根误差(历史模拟以及RCP衔接模拟)排序，该值排名前十的模式用阴影标记(表 2)。然后，统计各模式在历史模拟和RCP衔接模拟中，中心模式均方根误差排在前十的次数。无论是历史模拟还是衔接模拟中，模拟效果都较好的模式是比较稳定的，这也说明这些模式对亚洲地区温度长期变化的模拟是相对比较成功的。根据表 2，选出次数≥3次的模式共9个：BCC-CSM1.1、FGOALS-g2、FIO-ESM、GFDL-ESM2M、GISS-E2-H、GISS-E2-R、MPI-ESM-MR、NorESM1-M和CESM1(CAM5)，将这9个模式记为Top9。
|
|
表 2 温度距平在历史模拟和不同RCP下衔接模拟的中心模式均方根误差 (单位：℃) Table 2 The centered pattern RMS (root-mean-square) difference (unit:℃) of annual average temperature anomalies under historical and different RCPs scenarios |
将Top9模式的集合平均值记为MT9(mean top 9 models)。分别在历史模拟和RCP衔接模拟下，计算观测与MT9、MAM年时间序列之间的均方根误差[计算方法见张宏芳和陈海山(2011)]、平均绝对误差、相关系数、中心模式均方根误差，以便定量比较MT9、MAM与观测值的相似性，计算结果见表 3。在历史模拟和RCP衔接模拟中，与MAM相比，MT9的均方根误差减小0.04，平均绝对误差减小0.03左右，相关系数均有所增加，所以从时间序列列的分析来看，MT9与观测值的一致性更好；此外，MT9的中心模式均方根误差比MAM小(前者比后者小0.02左右)，根据前面的分析可知，若绘制泰勒图，则在图中MT9更接近于观测值(图略)；对于不同RCP衔接模拟的MT9，虽然RCP2.6和RCP4.5的均方根误差和平均绝对误差较小，RCP4.5的相关系数较大，但不同RCP衔接模拟之间的差异很小，所以说明3种衔接模拟的预估值差异较小，与观测也较为接近。
|
|
表 3 MT9、MAM年平均温度距平的中心模式均方根误差、均方根误差、平均绝对误差 |
表 4为1900—2005年历史模拟的温度趋势和1900—2017年3种RCP衔接模拟的平均值(由于1900—2017年RCP2.6、RCP4.5和RCP8.5温度趋势差异不大，所以取三者的平均值)，不确定区间均已通过0.05的显著性水平检验。为了便于比较与观测温度趋势的接近程度，我们分别计算了各模式、MT9和MAM与观测温度趋势差值的绝对值。观测在1900—2005年的温度趋势为0.081±0.005 ℃·(10 a)-1，历史模拟中MT9的温度趋势比23个模式、MAM的温度趋势比20个模式更接近于观测(前者优于85.19%的模式，后者优于74.07%的模式)。观测在1900—2017年的温度趋势为0.097±0.005 ℃·(10 a)-1，RCP衔接模拟中MT9比24个模式、MAM比22个模式更接近观测的温度趋势(前者优于88.89%的模式，后者优于81.48%的模式)。综上，与绝大多数的模式相比，MT9和MAM的温度趋势式更接近观测。此外，从温度趋势方面看，MT9与观测的一致性比MAM更好。
|
|
表 4 1900—2005年和1900—2017年各模式、MT9、MAM的线性温度趋势 [单位：℃·(10 a)-1] Table 4 Temperature linear trends of 27 models, MT9 and MAM from 1900 to 2005, and from 1900 to 2017 [unit: ℃·(10 a)-1] |
1900—2017年不同浓度路径下各模式、MT9集合、MAM集合模拟和观测的时间序列如图 3所示。其中，1900—2005年为各模式的历史模拟，2006—2017年为各模式在不同浓度路径下的预估。虽然各模式和观测均表现出一致的升温特征，但是MAM模拟的升温幅度一直大于实际上温度上升的幅度，也就是说MAM的预估略高估了CMST观测温度的变化。这和Kim et al(2012)认为大多数模式对近几十年的全球表面温度变化趋势模拟偏高的结果也非常一致。从图 3中还可以看到，在2006— 2017年间，即使最小的辐射强迫路径下MAM衔接模拟的升温幅度依旧大于实际升温幅度，而MT9则与观测值则更加接近，甚至在近两三年，在各种不同浓度路径下MT9都基本与观测值重合。由此可以认为MT9的结果比MAM更为可靠。
|
图 3 1900—2017年亚洲地区27个模式、MT9、MAM和观测年平均温度距平时间序列 (a)RCP2.6，(b)RCP4.5，(c)RCP8.5 Fig. 3 Time series of 27 models, MT9, MAM and observation annual temperature anomalies in Asia from 1900 to 2017 (a) RCP2.6, (b) RCP4.5, (c) RCP8.5 |
总体来说，历史模拟(图 4a、4b)、RCP衔接模拟(图 4c~4h)中，MT9和MAM与观测的正相关程度均较高，具体表现为在太平洋低纬度地区、阿拉伯海和孟加拉湾相关系数达0.7以上；但是仍有局部地区(比如太平洋中纬度地区、亚洲大陆的东南区域和印度半岛)相关性略低。从图 4直观来看，MT9与MAM相关系数空间分布差异并不大。但是通过计算相关系数的空间平均值，发现无论是历史模拟(MT9为0.476，MAM为0.453)还是RCP衔接模拟(RCP2.6：0.599，0.575；RCP4.5：0.597，0.580；RCP8.5：0.596，0.578)，MT9均略大于MAM；此外，还发现任一RCP衔接模拟与观测值的一致性均优于历史模拟。
|
图 4 亚洲地区MT9(a，c，e，g)，MAM(b, d, f, h)模式模拟与观测的年平均温度距平时间序列相关系数空间分布 (a，b)历史模拟，(c，d)RCP2.6衔接模拟，(e，f)RCP4.5衔接模拟，(g，h)RCP8.5衔接模拟 Fig. 4 Spatial distribution of correlation coefficient between the MT9 (a, c, e, g) and MAM (b, d, f, h) simulated and observed annual average temperature anomalies in Asia (a, b) historical, (c, d) RCP2.6, (e, f) RCP4.5, (g, h) RCP8.5 |
与相关系数空间分布相似，在亚洲区域温度距平的空间分布上，MT9也略优于MAM。2006—2017年观测平均温度距平显示：除印度半岛外，亚洲陆地的大部分格点的温度距平都在0.6℃以上，亚洲海洋的温度距平在0.3℃以上(图 5a)。虽然在模式模拟中，MAM、MT9在亚洲海面上都存在温度距平值在0.6℃以上的格点，但在不同浓度路径下的MAM温度距平大于0.6℃的格点更多；与MT9相比，MAM在不同路径下都过高估计了亚洲海洋地区和西西伯利亚平原附近的温度距平(图 5b~5g)。所以在温度距平的空间分布中，MT9对温度距平的模拟更接近观测值。除此之外，在三种不同浓度路径中，RCP4.5的浓度路径的温度距平与观测值最为接近。
|
图 5 亚洲地区观测(a)和MT9(b，d，f)、MAM(c，e，g)模式预估的2006—2017年平均温度距平 (b，c)RCP2.6，(d，e)RCP4.5，(f，g)RCP8.5 Fig. 5 Average temperature anomalies for observation (a) and model estimates of MT9 (b, d, f) and MAM (c, e, g) in Asia from 2006 to 2017 (b, c) RCP2.6, (d, e) RCP4.5, (f, g) RCP8.5 |
综上，无论是从模式与观测的年平均温度距平的相关性，还是从温度距平分布来看，与历史模拟相比，衔接模拟与观测值的一致性更好(相关系数上还有所提高)；与MAM相比，MT9与观测的接近程度更高。此外，在MT9的3种RCP衔接模拟中，RCP4.5情景模拟下的预估最接近观测值(但三者差异很小)。
4 亚洲区域21世纪温度预估 4.1 升温幅度通过前面的分析，在长期(118 a)的模拟中，MT9比MAM更接近观测，说明这9个模式优于其他模式的模拟效果且较为稳定，因此以MT9作为未来温度变化预估的参考可能会更接近于真实的温度变化。所以，下面对比分析MAM、MT9对未来温度的预估的差别。
图 6为MAM、MT9分别在不同RCP下的预估结果。总的来说，MT9预估的未来的升温幅度都略小于MAM，也就是说MAM过高估计了未来温度的变化。在RCP2.6浓度路径下，温度距平从2018年开始一直上升，MAM和MT9分别在2049、2052年达到最大值(分别为1.693、1.397℃)，随后逐渐趋于平缓下降，到2099年升温幅度分别约为0.081、0.322℃，增温趋势(2018—2099年)分别为0.039±0.005、0.010±0.005 ℃·(10 a)-1；在RCP4.5浓度路径下，温度一直增加，到21世纪70年代增温趋势开始减缓，到2099年升温幅度分别为1.200、1.605℃，增温趋势(2018—2099年)分别为0.196±0.006、0.146±0.006 ℃·(10 a)-1；在RCP8.5浓度路径下，温度持续上升，到2099年升温幅度分别为3.541、4.184℃，增温趋势(2018—2099年)分别为0.510±0.004、0.432±0.003 ℃·(10 a)-1。
|
图 6 1900—2099年MAM、MT9在不同浓度路径下的预估的未来温度距平 (阴影区表示模式模拟±1.96倍标准误差) Fig. 6 Estimated future temperature anomalies for MAM and MT9 under different RCPs from 1900 to 2099 (Shaded areas indicate ±1.96 times of standard error) |
联合国气候变化框架公约的第21次缔约方会议上，将2℃阈值纳入国际条约《巴黎协定》，其中，除了要求较工业化前(1861—1900年)，升温幅度控制在2℃以内，还提出尽量把升温控制在1.5℃以内(胡婷等，2017)。通过MT9、MAM集合平均值工业化前的历史模拟数据，计算两者1861—1900年的平均距平温度(MT9：-0.318℃，MAM：-0.265℃)。在RCP2.6，RCP4.5和RCP8.5情景下，相对工业化前MAM亚洲地区平均气温距平升温首次大于1.5℃的时间分别出现在2023年，2025年和2023年；MT9升温首次大于1.5℃的时间分别出现在2027年，2026年和2025年。从低排放到高排放，MT9首次出现升温大于1.5℃的时间不断提前，因而更为合理。在RCP2.6浓度路径下，MAM、MT9的升温都不超过2℃，对于RCP4.5和RCP8.5浓度路径，MAM升温首次大于2℃的时间分别出现在2043年和2036年；MT9升温首次大于2℃的时间分别为2047年和2039年。不管是1.5℃阈值还是2℃阈值，MT9达到该阈值的时间均比MAM更晚。
4.2 空间分布通过MT9在这三种浓度路径下的平均温度距平分布预估未来温度的变化(图 7)。发现MT9在不同RCP下的预估的未来温度距平分布比较一致，增温幅度都呈现北高南低。若未来温室气体浓度不变的情况下，即在RCP2.6下，2018—2044年，2045—2071年和2072—2099年，亚洲的温度距平均在0~2.5℃。在这3个时间段内，在鄂霍次克海附近有较大的升温中心，随着时间的变化，升温中心覆盖范围先变大后变小。在帕米尔高原附近也有一个升温中心，随着时间的变化，升温中心覆盖范围同样先变大后变小。在RCP4.5下，2018—2044年的温度距平在0~2.5℃，其中0~1℃的格点远小于RCP2.5，2045—2071年的温度距平在1~3.5℃，2072—2099年温度距平在1~4℃。在鄂霍次克海和帕米尔高原附近依旧存在升温中心，随着时间变化，升温中心越来越强。在2018—2044年和2072—2099年西西伯利亚平原也存在升温中心。在RCP8.5下，2018—2044年的温度距平为0~3℃，在2045—2071年的温度距平为1~5℃，2072—2099年的温度距平为2.5~5℃，同样在帕米尔高原附近和鄂霍次克海附近存在升温中心。
|
图 7 MT9在RCP2.6(a，b，c)，RCP4.5(d，e，f)，RCP8.5(g，h，i)浓度路径下预估的未来温度距平分布 (a，d，g)2018—2044年，(b，e，h)2045—2071年，(c，f，i)2072—2099年 Fig. 7 Distribution of MT9 estimated temperature anomalies under RCP2.6 (a, b, c), RCP4.6 (d, e, f) and RCP8.5 (g, h, i) (a, d, g) 2018-2044, (b, e, h) 2045-2071, (c, f, i) 2072-2099 |
总之, 不同RCP下, 未来的亚洲地区的温度变化距平分布基本相似, 都是以增温为主，高RCP下增温效应更为显著；温度距平的空间分布也基本相似，都是呈现北高南低的分布格局。在这三种不同浓度路径下，在帕米尔高原和鄂霍次克海均存在升温中心，不同浓度路径下升温中心的强度有所不同。
5 结论和讨论基于新研发的全球表面温度数据集CMST，系统性地评估CMIP5中的27个模式(这些模式均含有RCP2.6、RCP4.5、RCP8.5预估)，根据历史模拟和RCP衔接模拟下模式温度时间变化和空间分布的评估结果，进一步地预估分析未来的温度变化。主要结论如下：
20世纪60年代之前，亚洲地区模式与观测之间、各模式之的差异比较大。而20世纪60年代及之后，一致性均有所提高。无论历史模拟或RCP衔接模拟，一些模式的模拟能力较好且较稳定。根据各模式历史模拟的泰勒图分析，发现其中9个模式模拟结果较优，分别为BCC-CSM1.1、FGOALS-g2、FIO-ESM、GFDL-ESM2M、GISS-E2-H、GISS-E2-R、MPI-ESM-MR、NorESM1-M和CESM1(CAM5)。经过对比发现，筛选出的9个模式的集合平均值(MT9)在历史模拟和RCP衔接模拟均比MAM更接近于观测，同时发现亚洲地区表面温度的增暖幅度在MAM模拟中明显偏高。
2018—2099年的温度预估中，MAM在任何RCP情景模拟下均比MT9高估亚洲区域的升温幅度。在不同浓度路径下，亚洲地区均呈现一致的增温趋势，但增温幅度则明显有所不同。若以MT9预估2099年温度，在RCP2.6、RCP4.5、RCP8.5浓度路径下，亚洲地区的升温幅度将达到0.081、1.200、3.541℃，比MAM的预估分别减小0.241、0.404、0.643℃。与MAM相比，MT9升温较工业前达到1.5℃和2℃的时间均有所推迟。在RCP2.6、RCP4.5和RCP8.5浓度路径下，MT9平均温度距平值升温1.5℃[较工业化前(1861—1900年)]分别出现在2027年、2026年和2025年；RCP2.6浓度路径下升温没有达到2℃，在RCP4.5和RCP8.5浓度路径下，MT9分别在2047年和2039年达到2℃。结合MAM的模式对表面温度的模拟偏高的不足，本文选取的9个模式的预估结果更加可靠。从空间分布来看，MT9的温度都是呈现北高南低的分布，在帕米尔高原附近和鄂霍次克海附近都存在升温中心。
尽管MT9的模拟结果比MAM更接近于观测数据，但每种典型浓度路径下的预估仍存在一定的不确定性，并且预估结果的不确定性随着预估时间的增加而增大。气候模式预估是存在不确定性的，主要表现为模式本身的不确定性和未来排放情景设计中的不确定性。当前国际仍有很多研究针对以下几个方面进行探讨：如何准确估计未来气候变化预估的不确定性，如何确定模式模拟中产生不确定性的过程并定量评估，如何改进物理过程以减少不确定性等，这些问题仍然是今后模式研究努力的方向。因此，未来仍有很多气候变化的问题亟待解决。
丁婷, 王永光, 柯宗建, 等, 2017. 2016/2017年冬季北半球大气环流及对我国冬季气温的影响[J]. 气象, 43(7): 887-893. Ding T, Wang Y G, Ke Z J, et al, 2017. Northern Hemisphere atmosphe-ric circulation in winter 2016/2017 and its impact on temperature in China[J]. Meteor Mon, 43(7): 887-893 (in Chinese).
|
董李丽, 李清泉, 丁一汇, 2015. 全球变暖背景下我国春季气温的时空变化特征[J]. 气象, 41(10): 1177-1189. Dong L L, Li Q Q, Ding Y H, 2015. Spatial and temporal characteristics of air temperature over China in spring under the background of global warming[J]. Meteor Mon, 41(10): 1177-1189 (in Chinese). DOI:10.7519/j.issn.1000-0526.2015.10.001
|
郭彦, 董文杰, 任福民, 等, 2013. CMIP5模式对中国年平均气温模拟及其与CMIP3模式的比较[J]. 气候变化研究进展, 9(3): 181-186. Guo Y, Dong W J, Ren F M, et al, 2013. Assessment of CMIP5 simulations for China annual average surface temperature and its comparison with CMIP3 simulations[J]. Adv Climate Change, 9(3): 181-186 (in Chinese). DOI:10.3969/j.issn.1673-1719.2013.03.004
|
胡婷, 孙颖, 张学斌, 2017. 2017.全球1.5和2℃温升时的气温和降水变化预估[J]. 科学通报, 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 (in Chinese).
|
黄海玲, 江志红, 王志福, 等, 2015. CMIP5模式对东亚500 hPa高度场主要模态时空结构模拟能力的评估[J]. 气象学报, 73(1): 110-127. Huang H L, Jiang Z H, Wang Z F, et al, 2015. The evaluation of the 500 hPa geopotential height's main modes in East Asia as done by the CMIP5 models[J]. Acta Meteor Sin, 73(1): 110-127 (in Chinese).
|
苏京志, 温敏, 丁一汇, 等, 2016. 全球变暖趋缓研究进展[J]. 大气科学, 40(6): 1143-1153. Su J Z, Wen M, Ding Y H, et al, 2016. Hiatus of global warming:a review[J]. Chin J Atmos Sci, 40(6): 1143-1153 (in Chinese).
|
陶纯苇, 姜超, 孙建新, 2016. CMIP5模式对中国东北气候模拟能力的评估[J]. 气候与环境研究, 21(3): 357-366. Tao C W, Jiang C, Sun J X, 2016. Evaluation of CMIP5 models performance on climate simulation in Northeast China[J]. Clim Environ Res, 21(3): 357-366 (in Chinese).
|
王萌, 武胜利, 郑伟, 等, 2016. 长时间序列卫星遥感渤海海冰时空分布特征及与气温关系分析[J]. 气象, 42(10): 1237-1244. Wang M, Wu S L, Zheng W, et al, 2016. Temporal spatial distribution of Bohai Sea sea ice in long time series and its correlation with air temperature[J]. Meteor Mon, 42(10): 1237-1244 (in Chinese). DOI:10.7519/j.issn.1000-0526.2016.10.008
|
王铭昊, 李焕连, 孙小婷, 2018. 中国6个CMIP5模式对全球降水年际-年代际变率模拟的定量评估[J]. 气象, 44(5): 634-644. Wang M H, Li H L, Sun X T, 2018. Quantitative evaluation on the interannual and interdecadal precipitation variability simulated by six CMIP5 models of China[J]. Meteor Mon, 44(5): 634-644 (in Chinese).
|
魏萌, 乔方利, 2016. CMIP5气候模式模拟的1850~2014年全球温度变化的集合经验模态分解[J]. 中国科学:地球科学, 46(12): 1675-1688. |
Wei M, Qiao F L, 2017. Attribution analysis for the failure of CMIP5 climate models to simulate the recent global warming hiatus[J]. Sci China:Earth Sci, 60(2): 397-408. DOI:10.1007/s11430-015-5465-y
|
向辽元, 陈星, 2006. 近55年中国大陆气温突变的区域特征和季节特征[J]. 气象, 32(6): 44-47. Xiang L Y, Chen X, 2006. Regional and seasonal features of abrupt temperature change in China in recent 55 years[J]. Meteor Mon, 32(6): 44-47 (in Chinese).
|
张莉, 丁一汇, 吴统文, 等, 2013. CMIP5模式对21世纪全球和中国年平均地表气温变化和2℃升温阈值的预估[J]. 气象学报, 71(6): 1047-1060. Zhang L, Ding Y H, Wu T W, et al, 2013. The 21st century annual mean surface air temperature change and the 2℃ warming threshold over the globe and China as projected by the CMIP5 models[J]. Acta Meteor Sin, 71(6): 1047-1060 (in Chinese).
|
张宏芳, 陈海山, 2011. 21个气候模式对东亚夏季环流模拟的评估Ⅰ:气候态[J]. 气象科学, 31(2): 119-128. Zhang H F, Chen H S, 2011. 2011.Evaluation of summer circulation simulation over East Asia by 21 climate models.Part Ⅰ:climatology[J]. J Meteor Sci, 31(2): 119-128 (in Chinese). DOI:10.3969/j.issn.1009-0827.2011.02.001
|
赵天保, 陈亮, 马柱国, 2014. CMIP5多模式对全球典型干旱半干旱区气候变化的模拟与预估[J]. 科学通报, 59(12): 1148-1163. Zhao T B, Chen L, Ma Z G, 2014. Simulation of historical and projected climate change in arid and semiarid areas by CMIP5 models[J]. Chin Sci Bull, 59(4): 412-429 (in Chinese).
|
赵宗慈, 罗勇, 黄建斌, 2018. 从检验CMIP5气候模式看CMIP6地球系统模式的发展[J]. 气候变化研究进展, 14(6): 643-648. Zhao Z C, Luo Y, Huang J B, 2018. The detection of the CMIP5 climate model to see the development of CMIP6 earth system models[J]. Adv Climate Change, 14(6): 643-648 (in Chinese).
|
周秀华, 肖子牛, 2014. 基于CMIP5资料的云南及周边地区未来50年气候预估[J]. 气候与环境研究, 19(5): 601-613. Zhou X H, Xiao Z N, 2014. Climate projection over Yunnan Province and the surrounding regions based on CMIP5 data[J]. Clim Environ Res, 19(5): 601-613 (in Chinese).
|
Gao X J, Shi Y, Zhang D F, et al, 2012. Climate change in China in the 21st Century as simulated by a high resolution regional climate model[J]. Chin Sci Bull, 57(10): 1188-1195. DOI:10.1007/s11434-011-4935-8
|
Huang B Y, Angel W, Boyer T, et al, 2018. Evaluating SST analyses with independent ocean profile observations[J]. J Climate, 31(13): 5015-5030. DOI:10.1175/JCLI-D-17-0824.1
|
Huang B Y, Thorne P W, Banzon V F, et al, 2017. Extended reconstructed sea surface temperature, version 5 (ERSSTv5):upgrades, validations, and intercomparisons[J]. J Climate, 30(20): 8179-8205. DOI:10.1175/JCLI-D-16-0836.1
|
Jones P D, Moberg A, 2003. Hemispheric and large-scale surface air temperature variations:an extensive revision and an update to 2001[J]. J Climate, 16(2): 206-223. DOI:10.1175/1520-0442(2003)016<0206:HALSSA>2.0.CO;2
|
Kim H M, Webster P J, Curry J A, 2012. Evaluation of short-term climate change prediction in multi-model CMIP5 decadal hindcasts[J]. Geophys Res Lett, 39(10): L10701.
|
Li Q X, Yun X, Huang B Y, et al, 2019. An update evaluation on the global surface temperature change trends since the start of the 20th Century[J]. J Climate, in revision.
|
Li Q X, Zhang L, Xu W H, et al, 2017. Comparisons of time series of annual mean surface air temperature for China since the 1900s:observations, model simulations, and extended reanalysis[J]. Bull Amer Meteor Soc, 98(4): 699-711. DOI:10.1175/BAMS-D-16-0092.1
|
Schmidt G A, Shindell D T, Tsigaridis K, 2014. Reconciling warming trends[J]. Nat Geosci, 7(3): 158-160. DOI:10.1038/ngeo2105
|
Schneider S H, Semenov S, Patwardhan A, et al, 2007. Assessing key vulnerabilities and the risk from climate change[M].
//Parry M L, Canziani O F, Palutikof J P, et al.Climate Change 2007: Impacts, Adaptation and Vulnerability.Contribution of Working Group II to the Fourth Assessment Report of the Intergovernmental Panel on Climate Change.Cambridge, UK:Cambridge University Press: 779-810.
|
Stocker T F, Qin D, Plattner G K, et al, 2013. Climate Change 2013:The Physical Science Basis.Contribution of Working Group I to the Fifth Assessment Report of the Intergovernmental Panel on Climate Change[M].
Cambridge, UK: Cambridge University Press: 1535.
|
Taylor K E, 2001. Summarizing multiple aspects of model perfor-mance in a single diagram[J]. J Geophys Res:Atmos, 106(D7): 7183-7192. DOI:10.1029/2000JD900719
|
Xu W H, Li Q X, Jones P, et al, 2018. A new integrated and homogenized global monthly land surface air temperature dataset for the period since 1900[J]. Climate Dyn, 50(7-8): 2513-2536. DOI:10.1007/s00382-017-3755-1
|
Xu Y, Xu C H, 2012. Preliminary assessment of simulations of climate changes over China by CMIP5 multi-models[J]. Atmos Oceanic Sci Lett, 5(6): 489-494. DOI:10.1080/16742834.2012.11447041
|
Yun X, Huang B Y, Cheng J Y, et al, 2019. A new merge of global surface temperature datasets since the start of the 20th Century[J]. Earth Syst Sci Data. DOI:10.5194/essd-2019-80
|