CMIP6 模式對(duì)歐亞大陸冬季雪水當(dāng)量的模擬能力評(píng)估及未來(lái)預(yù)估

陳紅 史學(xué)麗

1 中國(guó)科學(xué)院大氣物理研究所，北京 100029

2 中國(guó)氣象局地球系統(tǒng)數(shù)值預(yù)報(bào)中心，北京 100081

3 中國(guó)氣象局地球系統(tǒng)數(shù)值預(yù)報(bào)重點(diǎn)開放實(shí)驗(yàn)室，北京 100081

1 引言

積雪作為冰凍圈的主要組成部分，對(duì)全球氣候系統(tǒng)起著十分重要的調(diào)節(jié)作用。積雪具有高反照率、低導(dǎo)熱率及融化吸收大量潛熱等特性，不僅在積雪覆蓋期間，而且在積雪融化以后，都對(duì)氣候異常產(chǎn)生重要的影響（Barnett et al.,1988;Yasunari et al.,1991）。作為全球重要的積雪區(qū)，歐亞大陸積雪對(duì)亞洲季風(fēng)系統(tǒng)的變化起著十分重要的作用。歐亞大陸積雪對(duì)印度夏季風(fēng)降水和東亞氣候的影響近百年來(lái)也一直為氣候?qū)W家所關(guān)注。Hahn and Shukla（1976）、Dickson（1984）等先后對(duì)積雪異常與印度季風(fēng)的關(guān)系進(jìn)行了深入研究，我國(guó)學(xué)者則針對(duì)積雪對(duì)東亞氣候異常的影響，開展了大量富有成效的研究。結(jié)果表明歐亞大陸冬、春季積雪通過影響東亞夏季風(fēng)的變率，造成我國(guó)東部的夏季降水異常（羅勇,1995;陳興芳和宋文玲,2000;吳統(tǒng)文和錢正安,2000;張順利和陶詩(shī)言,2001;錢永甫等,2003;Wu and Qian,2003;Zhao et al.,2007），而冬季、春季歐亞大陸積雪可通過影響歐亞中高緯大氣環(huán)流系統(tǒng)進(jìn)而影響我國(guó)春季降水（Wu and Kirtman,2007;Zuo et al.,2012）。此外，冬季歐亞積雪異常則可通過積雪的輻射冷卻效應(yīng)，導(dǎo)致東亞冬季風(fēng)環(huán)流的異常（陳海山和孫照渤,2003;陳海山等,2003）。

鑒于歐亞大陸積雪對(duì)氣候的重要影響，未來(lái)歐亞大陸積雪將如何變化是一個(gè)非常值得關(guān)注的問題。數(shù)值模式作為模擬與預(yù)估氣候變化的有效工具，其結(jié)果已經(jīng)得到越來(lái)越廣泛的應(yīng)用。評(píng)估現(xiàn)階段氣候模式對(duì)歐亞大陸積雪的模擬性能，將為氣候模式的改進(jìn)、利用氣候模式開展氣候預(yù)測(cè)及預(yù)估未來(lái)氣候變化提供科學(xué)基礎(chǔ)。用氣候模式、尤其是耦合模式比較計(jì)劃（CMIP）試驗(yàn)結(jié)果開展積雪變化的模擬評(píng)估及預(yù)估研究很多?；诘谌务詈夏Ｊ奖容^計(jì)劃（CMIP3）結(jié)果的研究表明，氣候模式對(duì)北半球積雪具有一定的模擬能力，但模式模擬還存在明顯的不足，模式對(duì)積雪年際變化的模擬較差（Roesch,2006;馬麗娟等,2011;汪方和丁一匯,2011）。朱獻(xiàn)和董文杰（2013）基于23 個(gè)CMIP5 模式的結(jié)果分析表明，模式對(duì)北半球3～4 月積雪面積的空間分布具有一定的模擬能力，但模式對(duì)高原等復(fù)雜地形地區(qū)積雪的模擬偏差較大，未來(lái)幾十年北半球積雪變化呈減少趨勢(shì)。Brutel-Vuilmet et al.（2013）發(fā)現(xiàn)CMIP5 模式低估了1979～2005 年北半球春季積雪面積的變化趨勢(shì)。夏坤和王斌（2015）發(fā)現(xiàn)CMIP5氣候模式對(duì)歐亞大陸積雪覆蓋率的空間形態(tài)、季節(jié)變化及年際變化特征具有較好的模擬能力，多模式集合預(yù)估的歐亞大陸積雪覆蓋率為減少趨勢(shì)。楊笑宇等（2017）的研究表明CMIP5 耦合模式對(duì)歐亞大陸雪水當(dāng)量空間分布具有一定的模擬能力，但多數(shù)模式對(duì)雪水當(dāng)量的主要空間模態(tài)及時(shí)間演變的特征沒有模擬能力。

需要指出的是，以上關(guān)于歐亞大陸積雪的模擬和評(píng)估研究主要是基于以往的CMIP3 和CMIP5 耦合模式結(jié)果。目前最新的CMIP6 耦合模式結(jié)果，與之前的CMIP5 相比有了較大的改進(jìn)，代表了當(dāng)前國(guó)際主要先進(jìn)模式的最新版本，模擬試驗(yàn)的設(shè)計(jì)也更為完善（周天軍等,2019）。那么，新一代的耦合模式對(duì)于當(dāng)代積雪的模擬能力以及未來(lái)積雪的預(yù)估情況如何呢？截至目前，利用CMIP6 試驗(yàn)結(jié)果開展的針對(duì)積雪評(píng)估預(yù)估工作還不多。Mudryk et al.（2020）利用CMIP6 試驗(yàn)結(jié)果對(duì)北半球半球平均的積雪變化趨勢(shì)進(jìn)行了模擬評(píng)估及未來(lái)預(yù)估。目前還缺少專門針對(duì)歐亞大陸積雪開展的評(píng)估及預(yù)估工作，而歐亞大陸積雪無(wú)論對(duì)我國(guó)、東亞還是整個(gè)北半球的短期氣候預(yù)測(cè)和氣候變化都有重要影響，對(duì)未來(lái)歐亞大陸積雪的合理預(yù)估，不僅有助于對(duì)區(qū)域（或大陸）尺度的生態(tài)、水資源等進(jìn)行預(yù)估，還為適應(yīng)氣候變化和制定相應(yīng)氣候變化政策提供重要科學(xué)依據(jù)。因此，本研究旨在基于CMIP6 試驗(yàn)中新一代氣候（或地球）系統(tǒng)模式對(duì)歐亞大陸雪水當(dāng)量模擬能力全面評(píng)估的基礎(chǔ)上，采用多模式算術(shù)集合平均的方法對(duì)未來(lái)不同溫室氣體排放情景下歐亞大陸雪水當(dāng)量進(jìn)行預(yù)估，以期能夠?yàn)榻窈笾贫夂蜃兓蜌夂蜻m應(yīng)政策提供科學(xué)依據(jù)。

2 資料和方法

2.1 資料

本文使用的積雪觀測(cè)資料為歐洲宇航局GlobSnow-2 衛(wèi)星遙感雪水當(dāng)量資料（http://www.globsnow.info/index.php?page=Data[2020-06-25]），資料空間分辨率為25 km，范圍為北半球35°N～85°N，時(shí)間范圍為1980～2014 年。該資料結(jié)合了衛(wèi)星微波遙感觀測(cè)和臺(tái)站觀測(cè)數(shù)據(jù)信息，研究表明GlobSnow資料相對(duì)于美國(guó)國(guó)家冰雪數(shù)據(jù)中心（National Snow and Ice Data Center,NSIDC）資料而言是最好的全球雪水當(dāng)量資料（Hancock et al.,2013），而且已被用于歐亞大陸雪水當(dāng)量的模擬評(píng)估中（He et al.,2018;Chen et al.,2020）。另外本文還使用了CRU（Climate Research Unit at the University of East Anglia）提供的月平均陸地降水和氣溫資料，其分辨率為0.5°（緯度）×0.5°（經(jīng)度）（New et al.,2002）。

研究所用的積雪模擬和預(yù)估資料來(lái)源于CMIP6多模式結(jié)果（https://esgf-node.llnl.gov/search/cmip6/[2020-5-10]）。分析采用15 個(gè)參與CMIP6 試驗(yàn)計(jì)劃的耦合模式結(jié)果，各模式的信息詳見表1。選用的試驗(yàn)包括歷史試驗(yàn)（historical，1850～2014 年）結(jié)果和情景模式比較計(jì)劃（ScenarioMIP）中的SSP126、SSP245、SSP370 及SSP585 四種排放情景預(yù)估結(jié)果；選取的氣象要素包括雪水當(dāng)量、氣溫和降水。由于參與CMIP6 試驗(yàn)的各模式共享的樣本數(shù)并不相同，這里選用各模式的第一個(gè)樣本（r1i1p1f1）的模擬與預(yù)估結(jié)果。根據(jù)可用觀測(cè)資料的時(shí)段，選用的CMIP6 歷史模擬數(shù)據(jù)時(shí)段為1980～2014 年，預(yù)估時(shí)段為2015～2099 年。歐亞大陸的積雪以冬季為主，所以下面主要分析冬季（12 月至次年2 月平均）的雪水當(dāng)量，觀測(cè)和模擬的SWE 氣候態(tài)取為1995～2014 年。鑒于GlobSnow 資料空間范圍，本文只針對(duì)歐亞大陸中高緯度積雪進(jìn)行分析。

表1 CMIP6 模式基本信息Table 1 Information of the CMIP6 models used in this study

2.2 方法

對(duì)氣候模式的模擬能力進(jìn)行全面評(píng)估，是開展氣候模擬、預(yù)測(cè)和預(yù)估的基礎(chǔ)性工作。本文從多個(gè)角度考察了CMIP6 耦合模式對(duì)歐亞大陸SWE 的模擬能力。首先對(duì)SWE 氣候態(tài)空間分布的模擬能力進(jìn)行評(píng)估，然后評(píng)估模式對(duì)SWE 變化趨勢(shì)的模擬能力，其次采用經(jīng)驗(yàn)正交函數(shù)（Empirical Orthogonal Function,EOF）分解方法評(píng)估模式對(duì)積雪主要模態(tài)時(shí)空變化特征的模擬能力，最后通過計(jì)算時(shí)間相關(guān)系數(shù)考察了模式對(duì)積雪與氣候要素關(guān)系的模擬能力。在評(píng)估模式模擬能力的基礎(chǔ)上，本文對(duì)未來(lái)不同排放情景下，21 世紀(jì)歐亞大陸冬季SWE 的變化進(jìn)行了預(yù)估。

為了方便與觀測(cè)數(shù)據(jù)對(duì)比和計(jì)算模式集合平均，采用反距離權(quán)重法將所有模式結(jié)果和觀測(cè)數(shù)據(jù)統(tǒng)一插值到1.0°（緯度）×1.0°（經(jīng)度）分辨率的格點(diǎn)上。對(duì)空間模擬能力的評(píng)估采用Oshima and Tanimoto（2009）使用的綜合評(píng)估指數(shù)S，該指數(shù)能綜合反應(yīng)模式對(duì)SWE 形態(tài)和空間振幅的模擬性能，具體表示為

其中，σf、σr為模擬和觀測(cè)場(chǎng)的空間標(biāo)準(zhǔn)差，空間標(biāo)準(zhǔn)差表征模式的空間變率。Rs為觀測(cè)和模擬場(chǎng)間的空間相關(guān)系數(shù)，常數(shù)R0取為1。

本文利用一元線性回歸來(lái)得到積雪的變化趨勢(shì)（魏鳳英,2007），一元線性回歸方程表示為

其中，X為時(shí)間變量，Y為積雪變量，通過最小二乘法可確定回歸方程常數(shù)項(xiàng)A和變量的變化趨勢(shì)B。

對(duì)模式模擬能力進(jìn)行評(píng)估時(shí)，本文還利用了EOF 分解方法。EOF 分解方法能夠?qū)⒁貓?chǎng)的時(shí)間和空間變化分離，把隨時(shí)間變化的要素場(chǎng)分解為不隨時(shí)間變化的空間函數(shù)和只依賴時(shí)間變化的時(shí)間函數(shù)的乘積之和，并用盡可能少的模態(tài)表達(dá)出變量場(chǎng)主要的空間和時(shí)間變化，從而定量地反映要素場(chǎng)的主要時(shí)空分布特征（魏鳳英,2007）。

此外，本文還利用到的評(píng)估指標(biāo)包括空間相關(guān)系數(shù)（Spatial Correlation Coefficients,SCC）和時(shí)間相關(guān)系數(shù)（Temporal Correlation Coefficients,TCC）。SCC 用于表征模擬場(chǎng)與觀測(cè)場(chǎng)在空間上的相似程度，計(jì)算公式如下：

其中，N為區(qū)域總格點(diǎn)數(shù)，xi和yi分別為i格點(diǎn)上積雪模擬和觀測(cè)值，x和y分別為模擬和觀測(cè)積雪的區(qū)域平均值。TCC 用于檢驗(yàn)?zāi)Ｊ綄?duì)各格點(diǎn)年際變化的模擬能力，計(jì)算公式為

其中，K為總年數(shù)，fi和ri分別為檢驗(yàn)區(qū)域各格點(diǎn)第i年積雪模擬值和觀測(cè)值，分別為各格點(diǎn)模擬和觀測(cè)積雪的多年平均值。

3 結(jié)果分析

3.1 雪水當(dāng)量氣候態(tài)的模擬

圖1 為GlobSnow 觀測(cè)、多模式集合的冬季歐亞大陸中高緯雪水當(dāng)量氣候態(tài)及其模擬與觀測(cè)之間的差值。可以發(fā)現(xiàn)，觀測(cè)的SWE 在整個(gè)歐亞大陸呈現(xiàn)北多南少的特征，大值區(qū)域主要位于東歐平原東部到西西伯利亞一帶，西西伯利亞是歐亞大陸中高緯SWE 的最大值中心，中心值超過160 mm（圖1a）。此外在斯堪的納維亞半島和東西伯利亞的東部地區(qū)存在大值中心，中心值為100 mm 以上。多模式集合對(duì)雪水當(dāng)量的空間分布有很好的再現(xiàn)能力，3 個(gè)大值區(qū)域都能較好地模擬出來(lái)。觀測(cè)和多模式模擬結(jié)果之間的相關(guān)為0.73。但對(duì)于斯堪的納維亞半島、東西伯利亞區(qū)域，模式模擬的SWE 要高于觀測(cè)，中心值超過140 mm。歐亞大陸中高緯冬季積雪與降水密切相關(guān)，冬季降水多，在低溫下有利于積雪的增多。從模式模擬結(jié)果看，模式高估了斯堪的納維亞半島和東西伯利亞區(qū)域的降水（圖略），因此在一定程度上導(dǎo)致了這兩個(gè)區(qū)域積雪模擬的偏高。此外，貝加爾湖北側(cè)中西伯利亞積雪模擬與觀測(cè)相比偏少。從各模式結(jié)果來(lái)看（見圖2），基本上所有模式都可以模擬出歐亞大陸SWE北多南少的特征，3 個(gè)大值區(qū)域也基本能再現(xiàn)出來(lái)。15 個(gè)模式與遙感觀測(cè)的相關(guān)均比較顯著，空間相關(guān)系數(shù)從IPSL-CM6A-LR 的0.56至MPI-ESM1-2-LR的0.80（見表2），表明CMIP6 耦合模式對(duì)雪水當(dāng)量空間分布特征的模擬效果較好。就空間標(biāo)準(zhǔn)差的比值而言，11 個(gè)模式高估了雪水當(dāng)量的空間變率，4 個(gè)模式低估了雪水當(dāng)量的空間變率。有10模式模擬的空間變率與遙感觀測(cè)的偏差絕對(duì)值在20%以內(nèi)；CESM2、CESM2-WACCM 和NorESM2-MM 則大大高估了雪水當(dāng)量的空間變率，模式模擬結(jié)果為遙感反演的1.6 倍以上。由于CMIP6 模式對(duì)雪水當(dāng)量空間變率的高估更為普遍，所以15 個(gè)模式集合平均的SWE 空間變率高于遙感反演的結(jié)果，偏高幅度為17%。不同模式模擬結(jié)果的綜合評(píng)分指數(shù)差異較大，從表2 可以發(fā)現(xiàn)，對(duì)空間分布模擬最好的模式MPI-ESM 綜合技巧評(píng)分（S指數(shù)）為0.66，最差的模式IPSL-CM6A-LR 為0.36。多模式集合技巧評(píng)分為0.54，處于中等偏上水平。

圖1 （a）GlobSnow 觀測(cè)、（b）CMIP6 多模式模擬的歐亞大陸中高緯地區(qū)冬季雪水當(dāng)量（Snow Water Equivalent,SWE）的氣候態(tài)及（c）模擬與觀測(cè)間的差值Fig.1 Winter Snow Water Equivalent (SWE) climatology of the mid-high latitude Eurasian continent from (a) GlobSnow observation,(b) ensemble mean of CMIP6 multi-models,and (c) the bias between simulation and observation

圖2 各CMIP6 模式模擬的冬季雪水當(dāng)量氣候態(tài)Fig.2 Simulated climatology of Winter SWE in CMIP6 models

表2 CMIP6 耦合模式對(duì)冬季SWE 氣候態(tài)和趨勢(shì)的模擬技巧評(píng)分Table 2 Predictive skill for winter SWE climatology and trend of CMIP6 models

3.2 雪水當(dāng)量變化趨勢(shì)的模擬

圖3 給出CMIP6 多個(gè)模式模擬和GlobSnow觀測(cè)的冬季SWE 線性變化趨勢(shì)。衛(wèi)星遙感觀測(cè)結(jié)果表明，1981～2014 年間中西伯利亞、東歐平原和斯堪的納維亞半島等地積雪為顯著減少趨勢(shì)，其中東歐平原和斯堪的納維亞半島積雪減少趨勢(shì)超過1 mm/a。積雪增加的區(qū)域主要位于貝加爾湖北部、東北亞及俄羅斯遠(yuǎn)東地區(qū)，中心值超過0.5 mm/a。從單個(gè)模式來(lái)看，CMIP6 不同模式間的結(jié)果差異很大，但多數(shù)模式模擬結(jié)果與觀測(cè)間的空間相關(guān)系數(shù)為正值（表2）。由圖3 可見，多數(shù)模式都能模擬出東歐平原和斯堪的納維亞半島積雪的減少趨勢(shì)及俄羅斯遠(yuǎn)東地區(qū)積雪的增加趨勢(shì)。15 個(gè)模式中模擬最好的是NorESM2-LM 模式，空間相關(guān)為0.27。最差的是GFDL-ESM4 模式，該模式對(duì)東歐平原積雪變化趨勢(shì)的模擬較差。多模式集合結(jié)果對(duì)歐亞中高緯冬季積雪趨勢(shì)的空間分布有較好的模擬能力，能成功再現(xiàn)東歐平原和斯堪的納維亞半島積雪的顯著減少趨勢(shì)及貝加爾湖北部、東北亞和俄羅斯遠(yuǎn)東地區(qū)積雪的增加趨勢(shì)。觀測(cè)與MME 結(jié)果間的空間相關(guān)為0.28，表明CMIP6 多模式集合對(duì)歐亞大陸積雪中高緯積雪的變化趨勢(shì)具有較好的再現(xiàn)能力。但是多模式集合對(duì)中西伯利亞地區(qū)模擬的不理想，與實(shí)況相反。此外，從量值來(lái)看，模式模擬結(jié)果相比觀測(cè)偏弱。多模式集合平均的結(jié)果SCC高于所有15 個(gè)單獨(dú)模式，說(shuō)明多模式集合能改善耦合模式對(duì)趨勢(shì)的模擬能力，由此表明進(jìn)行多模式集合的必要性。

圖3 1981～2014 年GlobSnow 觀測(cè)（Obs）和15 個(gè)CMIP6 模式模擬的歐亞大陸冬季SWE 線性變化趨勢(shì)（MME 為15 個(gè)模式的集合平均結(jié)果），圖中右上角的數(shù)字為觀測(cè)與模擬變化趨勢(shì)的空間相關(guān)系數(shù)Fig.3 Linear trends of Eurasian winter SWE for GlobSnow observation (Obs) and the 15 CMIP6 models during 1981-2014 (MME indicates multimodel ensemble).Spatial correlation coefficients between simulation and observation are shown at the top right of each panel

3.3 雪水當(dāng)量時(shí)空演變特征的模擬

利用EOF 方法對(duì) 1981～2014 年GlobSnow 冬季雪水當(dāng)量進(jìn)行分解，對(duì)CMIP6 15 個(gè)模式及所有模式的集合平均結(jié)果同樣進(jìn)行EOF 分解。主要分析EOF 分解的前兩個(gè)主要空間模態(tài)及其時(shí)間系數(shù)，來(lái)考察 CMIP6 模式對(duì) 1981～2014 年期間歐亞大陸SWE 時(shí)空演變特征的模擬能力。

表3 給出了耦合模式對(duì)EOF 前兩個(gè)主分量空間模態(tài)和時(shí)間系數(shù)的模擬技巧。對(duì)于第一模態(tài)，空間分布有6 個(gè)模式模擬技巧較高（SCC 超過0.3），分別為ACCESS-CM2、CanESM5、CESM2、CESM2-WACCM、NorESM2-LM 和NorESM2-MM。對(duì)于第一模態(tài)對(duì)應(yīng)的時(shí)間系數(shù)變化，具有較高空間相關(guān)系數(shù)的模式中，CESM2 和CESM2-WACCM 的時(shí)間相關(guān)大于0.3，能通過顯著性檢驗(yàn)，表明這兩個(gè)模式對(duì)SWE 的第一空間模態(tài)及其時(shí)間變化具有一定的模擬能力。對(duì)多模式集合結(jié)果，第一模態(tài)空間分布模擬技巧SCC 為0.3，時(shí)間系數(shù)變化模擬技巧TCC 為0.33，均高于大多數(shù)單個(gè)模式的結(jié)果，表明多模式集合可提高耦合模式對(duì)積雪時(shí)空演變特征的模擬能力。對(duì)于第二模態(tài)空間分布，多數(shù)CMIP6模式模擬結(jié)果依然很差，只有4 個(gè)模式的SCC 大于0.3，其中CESM2-WACCM 對(duì)第二模態(tài)空間分布的模擬最為理想，SCC 為0.58。對(duì)于第二模態(tài)時(shí)間系數(shù)的變化，除NorESM2-MM 外，所有模式模擬技巧TCC 均不能通過顯著性檢驗(yàn)。多模式集合對(duì)第二模態(tài)空間分布模擬較為理想，SCC 為0.56，但對(duì)時(shí)間變化模擬不夠理想，TCC 僅為0.06，但這個(gè)結(jié)果也要高于大多數(shù)單個(gè)模式的結(jié)果?？傮w來(lái)說(shuō)，無(wú)論對(duì)EOF 第一模態(tài)還是第二模態(tài)，多模式集合都能提高耦合模式對(duì)積雪時(shí)空演變特征的模擬能力。

表3 耦合模式對(duì)EOF 前兩個(gè)空間模態(tài)及對(duì)應(yīng)時(shí)間系數(shù)的模擬技巧Table 3 Simulation skill of coupled models for the first two EOF modes and Principal Components (PC) time series

圖4 給出了觀測(cè)和多模式集合模擬的雪水當(dāng)量EOF 分解第一空間模態(tài)及相應(yīng)的時(shí)間序列?？梢园l(fā)現(xiàn)，觀測(cè)的 EOF 第一模態(tài)在東歐平原、西伯利亞中西部為正值，貝加爾湖北側(cè)、東北亞地區(qū)及俄羅斯遠(yuǎn)東部分地區(qū)為負(fù)值，第一模態(tài)解釋方差為21.1%；對(duì)照?qǐng)D4c 的時(shí)間序列，可以發(fā)現(xiàn)該模態(tài)對(duì)應(yīng)的時(shí)間系數(shù)呈現(xiàn)出顯著的減弱趨勢(shì)。多模式結(jié)果集合的第一模態(tài)解釋方差為48.1%，空間分布能再現(xiàn)東歐平原和西伯利亞西部的正值，貝加爾湖北側(cè)、東北亞地區(qū)及俄羅斯遠(yuǎn)東地區(qū)為的負(fù)值分布，只是西伯利亞中部的積雪異常與GlowSnow 相反。從時(shí)間系列看，CMIP6 多模式集合的結(jié)果能再現(xiàn)觀測(cè)積雪的這種減弱趨勢(shì)。

圖4 觀測(cè)和CMIP6 多模式集合模擬的歐亞大陸冬季SWE 的EOF 第一模態(tài)：（a）GlobSnow 觀測(cè)的空間分布；（b）模擬的空間分布；（c）觀測(cè)和模擬的時(shí)間系數(shù)Fig.4 First leading EOF mode of Eurasian winter SWE in (a) observation and (b) CMIP6 multi-models ensemble；(c) the first PC (solid line) and its trend (dashed line) in the observation (red line) and simulation (green line)

3.4 雪水當(dāng)量與氣溫、降水關(guān)系的模擬

積雪的變化受氣溫、降水的影響比較明顯。因此，本研究也考察了模式對(duì)SWE 與氣溫和降水關(guān)系的模擬能力。圖5 展示的是觀測(cè)與模擬的冬季歐亞大陸雪水當(dāng)量與降水、氣溫之間的相關(guān)。就觀測(cè)而言，冬季歐亞大陸積雪與降水基本呈現(xiàn)正相關(guān)關(guān)系，降水多，積雪也多，顯著正相關(guān)區(qū)主要位于歐亞大陸中高緯50°E～105°E 之間的西伯利亞區(qū)域及東北亞。歐亞大陸冬季積雪與氣溫的相關(guān)呈現(xiàn)北正南負(fù)的分布特征，60°N 以南基本為負(fù)相關(guān)，氣溫偏低有利于降雨變?yōu)榻笛?，同時(shí)低溫也有利于積雪的累計(jì)，因此積雪偏多。顯著負(fù)相關(guān)區(qū)域位于東歐平原、中亞和東北亞區(qū)域。60°N 以北的西伯利亞區(qū)域觀測(cè)積雪與氣溫以正相關(guān)為主。冬季西伯利亞區(qū)域氣溫異常低，無(wú)論氣溫如何變化均在冰點(diǎn)以下，降水都以降雪形態(tài)出現(xiàn)。已有研究表明，高緯度地區(qū)氣溫升高，會(huì)增加大氣水分含量有利于降雪增加，積雪增加（Davis et al.,1999;Krasting et al.,2013;Diro and Lin,2020），因此氣溫與積雪呈現(xiàn)正相關(guān)關(guān)系。

15 個(gè)CMIP6 模式的集合結(jié)果表明，歐亞大陸中高緯積雪與降水的關(guān)系也以正相關(guān)為主。但與觀測(cè)不同的是，模式結(jié)果在歐亞大陸的東北部為顯著的正相關(guān)區(qū)，而觀測(cè)中除小部分區(qū)域外，相關(guān)不顯著，也就是說(shuō)模式高估了歐亞大陸東北部積雪與降水的正相關(guān)關(guān)系。此外，模式結(jié)果也低估了積雪與降水在西西伯利亞平原的顯著正相關(guān)關(guān)系。對(duì)歐亞大陸中高緯積雪與氣溫的相關(guān)關(guān)系，CMIP6 多模式集合結(jié)果也顯示了北正南負(fù)的分布特征。60°N以南基本為負(fù)相關(guān)，顯著相關(guān)區(qū)位于東歐平原、中亞和東北亞區(qū)域。除斯堪的納維亞半島外，60°N以北積雪與氣溫為正相關(guān)，但對(duì)130°E 以東區(qū)域，模式結(jié)果與觀測(cè)結(jié)果差異較大，模式中氣溫與積雪顯著正相關(guān)，但觀測(cè)中相關(guān)不顯著?？傮w來(lái)說(shuō)，CMIP6 多模式結(jié)果對(duì)冬季歐亞大陸積雪與降水、氣溫的關(guān)系具有很好的再現(xiàn)能力。

需要指出的是，多模式集合對(duì)中西伯利亞區(qū)域積雪變化趨勢(shì)模擬較差（見圖3），基于積雪與氣溫和降水的關(guān)系，對(duì)此進(jìn)行了初步原因分析。結(jié)果表明，中西伯利亞區(qū)域積雪與氣溫呈現(xiàn)顯著正相關(guān)關(guān)系（圖5b），而1981～2014 年中西伯利亞觀測(cè)氣溫為減弱趨勢(shì)（圖略），因此有利于該區(qū)域觀測(cè)積雪的減弱。模式能模擬出中西伯利亞區(qū)域積雪與氣溫的正相關(guān)關(guān)系（圖5d），但模式模擬該區(qū)域的氣溫為增加趨勢(shì)（圖略），氣溫增加有利于積雪的增加，這與該區(qū)域觀測(cè)積雪減少不一致。由此可見，模式模擬的中西伯利亞區(qū)域氣溫變化趨勢(shì)與觀測(cè)的偏差在一定程度上導(dǎo)致了該區(qū)域積雪趨勢(shì)模擬較差。

3.5 21 世紀(jì)雪水當(dāng)量的預(yù)估

上述結(jié)果表明，15 個(gè)CMIP6 耦合模式的集合平均對(duì)冬季歐亞大陸SWE 空間分布及時(shí)空變化特征均具有較好的模擬能力，所以可用來(lái)進(jìn)行未來(lái)氣候變化的預(yù)估試驗(yàn)。本節(jié)給出多模式集合在SSP126、SSP245、SSP370 及SSP585 四種不同排放情景下，對(duì) 21 世紀(jì)歐亞大陸冬季雪水當(dāng)量的預(yù)估結(jié)果。這里將21 世紀(jì)分成3 個(gè)時(shí)段，亦即21 早期世紀(jì)（2020～2040 年）、21 世紀(jì)中期（2040～2060 年）和 21 世紀(jì)后期（2080～2099 年）。預(yù)估變化的相對(duì)基準(zhǔn)期為1995～2014 年。

圖6 給出了4 種排放情景下，模式預(yù)估的21世紀(jì)不同時(shí)期平均的雪水當(dāng)量與基準(zhǔn)期的差異，反映了不同區(qū)域SWE 的絕對(duì)變化量。從圖6a-6c 可以發(fā)現(xiàn)，在 SSP126 低排放情景下，多模式預(yù)估的21 世紀(jì)歐亞大陸東北大部分地區(qū)的雪水當(dāng)量均要高于基準(zhǔn)期，且21 世紀(jì)后期的增加要略高于21 世紀(jì)前期。對(duì)于90°E 以西的歐洲大陸，在SSP126情景下SWE 基本上呈現(xiàn)減少的特征，在21 世紀(jì)早期大部分地區(qū)的減少在5 mm 以下，部分地區(qū)減少在5～20 mm；在21 世紀(jì)后期，雪水當(dāng)量大于5 cm的區(qū)域有所增加。但總體來(lái)說(shuō)，低排放情景下，3個(gè)階段的結(jié)果差異不是很大。其他3 種中到高排放情景下，SWE 異常的分布與低排放情景基本一致，也表現(xiàn)為歐亞大陸東北部的積雪增多，90°E 以西的減少，大值區(qū)在東歐平原、西伯利亞西部及斯堪的納維亞半島。但隨著時(shí)間的推移，積雪增多或減少的量值有明顯增加。21 世紀(jì)后期SSP370 和SSP585排放情景下歐亞大陸西部積雪減少40 mm 以上，東北部區(qū)域積雪最多能增加40 mm 以上，而在前期各區(qū)的絕對(duì)值變化是小于20 mm 的。此外，從圖6 也可以看到，4 種排放情景下積雪變化在21世紀(jì)早期的差異不大，但到了21 世紀(jì)后期的差異變大，而且排放越高的情景下積雪變化幅度越大。

圖6 （a-c）SSP126、（d-f）SSP245、（g-i）SSP370 和（j-l）SSP585 四種情景下2020～2040 年（左列）、2040～2060 年（中列）、2080～2099 年平均（右列）積雪相對(duì)歷史時(shí)期的變化。相對(duì)基準(zhǔn)期為1995～2014 年Fig.6 Changes in Eurasian winter SWE projected by CMIP6 MME: (a-c) SSP126,(d-f) SSP245,(g-i) SSP370,and (j-l) SSP585 for early 21 century (2020-2040,left panel),middle 21 century (2040-2060,middle panel),and late 21 century (2080-2099,right panel) (the reference period is 1995-2014)

為考察多模式預(yù)估的不確定性，本文計(jì)算了15 個(gè)CMIP6 模式預(yù)估SWE 變化的標(biāo)準(zhǔn)差。由于積雪的變化在歐亞大陸中高緯地區(qū)具有明顯的區(qū)域差異性（圖6），歐亞大陸東北部積雪增多，90°E以西減少，減少大值區(qū)在東歐平原、西伯利亞西部及斯堪的納維亞半島，因此本文計(jì)算了積雪主要減少區(qū)（45°N～72°N，0°～90°E）和增多區(qū)（62°N～72°N，90°E～160°E）區(qū)域平均的積雪變化和標(biāo)準(zhǔn)差（表4）。由表可見，對(duì)這兩個(gè)區(qū)域的積雪變化，低排放情景下3 個(gè)階段的結(jié)果差異不是很大，但對(duì)中高排放情景，3 個(gè)階段的結(jié)果差異明顯加大，SSP585 排放情景下西部積雪減少區(qū)在21 世紀(jì)早期積雪減少-5.3 mm，21 世紀(jì)后期則減少-26.9，東北部積雪增多區(qū)則由早期的6.4 mm 增多到15.6 mm。此外，與圖6 結(jié)果類似，4 種排放情景下積雪變化在21 世紀(jì)早期的差異不大，但到了21 世紀(jì)后期差異明顯變大。對(duì)積雪變化多模式預(yù)估的不確定性，在21 世紀(jì)早期和中期，不同情景下差異不大，21世紀(jì)早期4 種排放情景下歐亞中高緯西部區(qū)域標(biāo)準(zhǔn)差分別為6.3～7.0 mm，中期為7.9～8.9 mm；積雪增多的東北區(qū)區(qū)域，4 種排放情景下早期標(biāo)準(zhǔn)差分別為7.6～8.8 mm，中期為8.3～9.0 mm。到21世紀(jì)后期，不同情景下標(biāo)準(zhǔn)差值差異明顯加大，且排放越高，不確定性越大，西部區(qū)域SSP126、SSP245、SSP370 和SSP85 四種情景下標(biāo)準(zhǔn)差值分別為8.3、9.6、11.5 和13.7，東北部區(qū)域標(biāo)準(zhǔn)差值分別為8.2、10.1、11.3 和13.0；此外，對(duì)這兩個(gè)區(qū)域，4 種排放情景下標(biāo)準(zhǔn)差值均隨著時(shí)間增加，說(shuō)明隨著時(shí)間的增加，積雪變化預(yù)估的不確定性增大，其中在SSP585 情景下的最大。

表4 SSP126、SSP245、SSP370 和SSP585 四種情景下21 世紀(jì)早期（2020～2040 年）、中期（2040～2060 年）和后期（2080～2099 年）積雪變化的區(qū)域平均值及模式預(yù)估結(jié)果的不確定性（相對(duì)于1995～2014 年）Table 4 Regionally averaged SWE changes and inter-model uncertainty of the projected SWE changes among the models under the SSP126,SSP245,SSP370,and SSP585 scenarios in the 21st century (2020-2040),middle 21st century (2040-2060),and late 21st century (2080-2099) relative to 1995-2014

前面的歷史試驗(yàn)結(jié)果分析已表明，冬季歐亞大陸積雪的變化受氣溫、降水的影響比較明顯。未來(lái)排放情景下，歐亞大陸積雪變化與氣候要素的關(guān)系如何，又是如何受降水、氣溫變化的影響，有必要進(jìn)行進(jìn)一步的分析。以SSP370 情景為例，圖7 給出在21 世紀(jì)3 個(gè)不同階段氣溫和降水相對(duì)歷史時(shí)期的變化，可以看到在21 世紀(jì)早、中、晚3 個(gè)階段，歐亞大陸均表現(xiàn)為氣溫的增加及降水的增加。至于冬季積雪與氣溫、降水的相關(guān)關(guān)系，圖8 的結(jié)果表明，21 世紀(jì)早期歐亞東北部區(qū)域冬季積雪與氣溫、降水均呈現(xiàn)正相關(guān)，這與歷史時(shí)期的模擬結(jié)果比較一致，表示氣溫增高和降水的增多有利于該區(qū)域積雪的增多。而東歐平原一帶的積雪與氣溫呈顯著負(fù)相關(guān)，與降水的相關(guān)要弱于氣溫，表明氣溫的增加導(dǎo)致了這一帶積雪的減少。21 世紀(jì)中、晚期結(jié)果與早期相似（圖略）。

4 結(jié)論和討論

本文利用第六次耦合模式比較計(jì)劃（CMIP6）15 個(gè)耦合模式的歷史模擬與未來(lái)預(yù)估試驗(yàn)結(jié)果，對(duì)1981～2014 年歐亞大陸冬季雪水當(dāng)量（SWE）的模擬性能進(jìn)行了多維度的評(píng)估，并分析未來(lái)在不同情景下的SWE 變化趨勢(shì)。研究結(jié)果表明：

（1）與歐洲宇航局GlobSnow 衛(wèi)星遙感資料相比，CMIP6 耦合模式對(duì)冬季SWE 空間分布具有較好的再現(xiàn)能力，能模擬出歐亞大陸中高緯SWE北多南少，大值中心位于西西伯利亞、斯堪的納維亞半島、東西伯利亞的主要分布特征，但多數(shù)模式高估了雪水當(dāng)量的空間變率。不同模式間的差異較大，但多模式集合能提高模式對(duì)歐亞大部分地區(qū)SWE 變化趨勢(shì)的模擬能力。對(duì)SWE 主要模態(tài)特征的評(píng)估也顯示，單個(gè)模式的模擬能力存在較大差異，但多模式集合能提高對(duì)積雪第一模態(tài)時(shí)空演變特征的模擬能力。

（2）觀測(cè)的歐亞大陸冬季SWE 與氣候因子的相關(guān)關(guān)系表現(xiàn)為積雪與降水基本呈現(xiàn)正相關(guān)關(guān)系，但積雪對(duì)氣溫的響應(yīng)隨緯度不同而差異明顯，在60°N 以北基本為正相關(guān)，60°N 以南為負(fù)相關(guān)。CMIP6多模式集合結(jié)果對(duì)這種SWE 與降水、氣溫的關(guān)系有較好的再現(xiàn)能力。

（3）采用多模式集合平均方法預(yù)估CMIP6 未來(lái)4 種不同情景下 21 世紀(jì)歐亞大陸雪水當(dāng)量的變化。結(jié)果表明，歐亞大陸東北大部分地區(qū)的雪水當(dāng)量均要高于基準(zhǔn)期，而90°E 以西的歐洲大陸SWE基本上呈現(xiàn)減少的趨勢(shì)；隨著時(shí)間的增大，四種排放情景下積雪變化的差異也在變大，而且排放越高變化的幅度越大，模式不確定性也越大。造成歐亞大陸不同地區(qū)SWE 變化差異與全球變暖背景下局地氣溫、降水的變化密切相關(guān)。在歐亞大陸東北部地區(qū)，溫度升高會(huì)增加水汽有利于降水發(fā)生，導(dǎo)致積雪增加；而在其它區(qū)域未來(lái)的升溫導(dǎo)致了積雪的減少。

需要指出的是，與觀測(cè)相比CMIP6 多模式結(jié)果高估了歐亞大陸中高緯度130°E 以東區(qū)域SWE與降水、氣溫的正相關(guān)關(guān)系，因此該區(qū)域的預(yù)估結(jié)果具有一定的不確定性。數(shù)值模式中的積雪過程參數(shù)化方案繁簡(jiǎn)程度不一、仍有很大的改進(jìn)提升空間，所以CMIP6 模式之間的結(jié)果差異依然很明顯。關(guān)于積雪資料，因?yàn)閷?duì)其進(jìn)行站點(diǎn)觀測(cè)和遙感反演都存在諸多挑戰(zhàn)性的難題，因此不同數(shù)據(jù)產(chǎn)品之間的差異很大。此外，鑒于GlowSnow 衛(wèi)星遙感資料空間范圍為35°N～85°N 之間，本文研究未包括青藏高原區(qū)域。如何利用青藏高原臺(tái)站觀測(cè)積雪資料和其他遙感衛(wèi)星反演資料，對(duì)青藏高原積雪進(jìn)行模擬評(píng)估和預(yù)估，是下一步需要關(guān)注的問題。

致 謝所用CMIP6 多模式結(jié)果源自ESGF，觀測(cè)積雪資料來(lái)自歐洲宇航局GlobSnow，在此一并致謝。