針對江蘇省氣溫和降水的高分辨率降尺度模擬及預估

惠品宏 陳燕 楊杰 韋芬芬 魯明欣宇

(1 江蘇省氣候中心，南京 210019;2 蘇州市氣象臺，江蘇 蘇州 215131;3 南京信息工程大學 大氣物理學院，南京 210044)

引 言

江蘇省位于我國沿海地區中部，在太陽輻射、大氣環流以及特定地理位置、地貌特征的綜合影響下，具有氣候溫和、四季分明的特點[1]，不但農業生產條件得天獨厚，在中國經濟版圖中也占有重要的位置。近年來，由于全球氣候變暖，江蘇氣候也在發生著明顯的變化。從全省平均而言，春季、秋季和冬季3個季節平均氣溫均呈現一致的增暖趨勢，其中冬季最為顯著[2]。夏露等[3]指出，1960—2012年間江南較江北更加暖濕，且江南經濟發達地區更為明顯，這是由于城市化程度導致的氣溫升高。在氣候變暖的大背景下，高影響天氣氣候事件的特征也發生了顯著變化，劉梅等[4]研究表明，2001—2007年沿江蘇南地區高溫日數年際變化呈增加趨勢；1961—2012年江蘇日最低溫度低于0 ℃的低溫日數明顯減少，年極端最低氣溫全省呈一致增高趨勢，梅雨期暴雨、雷電、大霧等氣象災害發生的頻次和強度也有增加的趨勢[5]。

氣候變化所導致的極端天氣氣候事件增加對江蘇省農業、生態系統、水資源等各方面都產生了不同程度的影響。由于氣候變暖，高溫熱害增加將使得江蘇水稻減產[6]，潘敖大等[7]的研究也表明降水和氣溫的變化對江蘇省糧食產量產生影響，蘇北和蘇中均有減產。在生態系統方面，歸一化植被指數NDVI與氣溫和降水具有顯著的相關性，其中與氣溫的相關性更高[8]，江蘇省2000—2012年植被面積基本保持穩定[9]。1950—2004年間，淮河流域中下游徑流呈減少趨勢[10]，這與整個淮河流域降水呈明顯下降趨勢有關[11]。

為了應對氣候變化對江蘇帶來的影響，近年來諸多學者對過去幾十年的氣候要素進行了系統全面的分析，為相關行業提供了較為完善的應對決策。而對于未來應對氣候變化決策的制定卻需要對未來氣候進行預估，這一方面的研究目前主要有CMIP5(Coupled Model Intercomparison Project Phase 5)計劃[12]提供的全球模式預估結果以及運用區域氣候模式[13]所做的動力降尺度預估結果。CMIP5全球模式的模擬和預估結果[14]在江蘇以及全國其他區域[15-16]得到了廣泛的應用。但是由于全球模式分辨率較低，在區域尺度上的模擬能力仍有所欠缺。研究證明區域氣候模式能夠提供可信的氣候模擬和預估，尤其是在一些氣候受地形和地表異質性影響顯著的地區。近年來，區域氣候模式在國內外氣候預估領域得到了廣泛的應用[17-22]。HUI，et al[23]運用RegCM3模式在IPCC A1B情景模式下對黃河源區近代1980—2000年的氣候進行模擬，證明該模式對該地區降水和氣溫的空間分布具有很好的模擬能力；進一步對2010—2098年的氣候預估，發現溫度的概率分布函數譜在未來顯著向高溫端移動。BAO，et al[17]運用WRF模式對全國范圍內的氣候進行降尺度模擬和預估，結果表明WRF模式能夠顯著降低全球模式對降水的高估；在對未來氣候的預估中發現長江流域以及華南地區的強降水頻率將升高。

《江蘇省氣候變化評估報告》對已有區域模式結果在江蘇地區進行了解釋應用。GAO，et al[24]利用RegCM4模式單向嵌套BCC_CSM1.1全球模式輸出結果對我國的氣候進行了模擬和預估，就江蘇省而言，模式對降水存在明顯高估，對平均氣溫有所低估，對極端溫度和降水出現頻率的模擬也存在一定偏差；對未來氣候的預估方面，在RCP8.5情景下，江蘇省的年平均氣溫至2020、2030和2050年分別上升1 ℃、1.4 ℃和2.1 ℃，年平均降水在未來增率為1.5 mm/(10 a)，變化不顯著。

然而，以上區域氣候模擬結果在江蘇仍然存在很大的不確定性，參數化方案的選取是否適合江蘇本地，模式分辨率是否足以提供針對各市區的模擬結果，這些問題都有待商榷。因此，運用高分辨率區域氣候模式對江蘇氣候進行更加具有針對性的降尺度模擬和預估非常必要，同時也有著以往模擬結果不能取代的重要價值。本研究將在已有區域模式模擬結果的基礎上，進一步進行高分辨率降尺度模擬，通過選取合適的參數得到最優的模式配置，并對未來氣候變化進行預估，建立起一套完整的具有江蘇本地特色的未來氣候變化預估數據集。

1 研究方法及數據介紹

1.1 觀測資料介紹

本文中用來檢驗模式模擬效果的觀測資料來源于江蘇省70個氣象站相同時段的逐日觀測資料，時段為1990—2004年，包括日降水量、日平均氣溫、日最高、最低氣溫4個變量，利用這些觀測氣象要素，檢驗模式對多年平均降水、氣溫及其極端狀態的模擬效果。

70個氣象站點分布于全省13個地級市，覆蓋全省各縣級市，如圖1所示，全省站點根據不同的地理分布和氣候特征分為蘇北、江淮、蘇南3個區域。氣象臺站對降水和氣溫的觀測嚴格按照中華人民共和國氣象行業標準——地面氣象觀測規范(標準編號：QX/T 45-2007—QX/T66-2007)的要求進行，觀測站址布設、觀測儀器選型、觀測手段、儀器維護、數據采集、數據審核、質量控制等均符合國家相關規范要求，所獲得的數據真實、可靠。

圖1 江蘇省70個站點位置

1.2 模式驅動場資料介紹

本研究中降尺度模擬所采用的初始邊界條件為WRF(Weather Research and Forecasting)模式對GFDL(Geophysical Fluid Dynamics Laboratory)的ESM2M全球模式輸出結果的降尺度區域模擬結果，該套模擬結果覆蓋整個東亞地區，為CORDEX(Coordinated Regional Climate Downscaling Experi￣ment)計劃第二階段的成果之一，采用25 km分辨率，包括現代模擬和未來RCP8.5排放情景預估，其模擬區域中心位于36°N、116°E，經向和緯向分別為385和253個格點。模擬時段現代模擬覆蓋1975—2005年，未來預估時段為2030—2060年，滿足本研究的模擬時段要求。

GFDL在IPCC(Intergovernmental Panel on Climate Change)歷次評估報告中都發揮著重要的作用，是CMIP計劃的重要成員之一。ESM(Earth System Model)系列模式由GFDL團隊開發，包括ESM2M和ESM2G兩種模式，本文中所采用的東亞區域降尺度模擬結果的驅動場為ESM2M模式的模擬結果。在全球模式的模擬預估基礎上，世界氣候研究計劃(World Climate Research Program，WCRP)聯合全球眾多高校和研究機構開展了區域氣候降尺度試驗(CORDEX)，該計劃包含全球多個不同區域，其中東亞區域(CORDEX-EA)覆蓋整個東亞大陸以及部分印度洋和西北太平洋。本文在江蘇地區的區域降尺度模擬所采用的初始邊界條件為南京大學大氣科學學院參與CORDEX-EA計劃的成果之一。

1.3 試驗方案設計

本文降尺度模擬試驗所采用的區域氣候模式為WRF，該模式從中小尺度到全球尺度的數值預報和模擬都有廣泛的應用，既可以用于數值天氣預報，也可以用于大氣數值模擬研究領域。WRF模式分為ARW(the Advanced Research WRF)和NMM(the Nonhydrostatic Mesoscale Model)兩種，即研究用和業務用兩種形式，本文所采用的WRF模式為ARW。

在以往針對中國以及整個東亞區域的區域氣候模擬研究中[19，21，23-24]，WSM5(WRF Single-Moment 5-class)微物理方案[24]，Noah陸面過程模型[26]和YSU行星邊界層方案[27]得到廣泛的應用，其對東亞地區的區域氣候模擬具有較好的效果，因此本文的模擬試驗采用了這幾種物理參數化方案。另外，HUI，et al[28]的研究表明，對流參數化方案的選取對于我國不同區域的區域氣候模擬具有比較顯著的影響，輻射參數化方案的選取在很大程度上影響東亞地區氣溫的模擬[30]，因此在進行現代模擬和未來預估之前，針對對流參數化方案和輻射方案進行了模擬測試，模擬區域如圖2所示，模擬時段均為1989年7月—1990年12月，其中前半年作為模式的調整時間，僅分析1990年1—12月時段。測試結果表明，對于氣溫而言，RRTMG[30]輻射方案具有明顯的優勢，模擬的氣溫負偏差明顯小于CAM[31]輻射方案模擬，并且其模擬的氣溫季節循環與觀測之間的相關系數也更高。降水的模擬在一定程度上受到對流參數化方案的影響，Grell-Freitas[32]方案對江蘇降水的模擬較其他兩個方案更優。因此，之后的現代氣候降尺度模擬和未來氣候變化降尺度預估采用采用RRTMG輻射方案和Grell-Freitas對流參數化方案?，F代模擬和未來預估的模擬時段分別為1989年7月—2004年12月和2029年7月—2044年12月，其中前半年作為模式調整時間不進行分析。

圖2 模擬試驗區域及其地形

1.4 分析方法

本文中所采用的極端指數由ETCCDI(Expert Team on Climate Change Detection and Indices，http:∥cccma.seos.uvic.ca/ETCCDI)提供[33]，分別選取4個降水極端指數和4個氣溫極端指數對江蘇省的極端氣候狀態進行分析，降水極端指數包括連續干旱日數(Consecutive Dry Days，CDD)，連續濕潤日數(Consecutive Wet Days，CWD)，最大連續5 d降水量(Maximum 5-day Precipitation Amount，Rx5)，極端強降水(Very Wet Days，R95)；氣溫極端指數包括極端高溫(max Tmax，TXx)，極端低溫(min Tmin，TNn)，暖持續日數(Warm Spell Duration Indicator，WSDI)，冷持續日數(Cold Spell Duration Indicator，CSDI)。極端指數具體定義見表1。在計算基于分位數的極端指數時，每一天的分位數閾值由參考時段內多年來以該天為中心的5 d滑動日數據進行計算，在本文中參考時段取現代模擬時段，即1990—2004年。

表1 降水與氣溫極端指數定義

增值(Added Value，AV)用來評估降尺度模擬相對于原始驅動場的效果提升情況，本文中采用由Luca，et al[34]提出并由Dosio，et al[35]進行改進的計算方法，公式如下：

(1)

其中：X代表不同數據中的空間場；本研究對區域模式低分辨率降尺度模擬的結果進行進一步的高分辨率降尺度，其中XLoRes代表原始驅動數據中的空間場，XHiRes則代表高分辨率降尺度后的空間場，當高分辨率降尺度模擬的平方誤差小于驅動場的平方誤差時，即AV>0，則認為高分辨率模擬對其驅動場有提高。公式采用了標準化處理，使得-1≤AV≤1。

2 現代氣候降尺度模擬檢驗

2.1 氣候平均態

為了對高分辨率降尺度模擬的效果進行評估，圖3給出了5 km高分辨率降尺度模擬的不同季節降水相對于25 km模擬的增值AV。除春季(3—5月)以外，高分辨率模擬對其他季節和全年平均降水的模擬的增值均為正值，說明高分辨率降尺度模擬對于江蘇降水的展現具有顯著的提高。在4個不同季節中，高分辨率模擬的降水增值在冬季最為顯著，尤其在江蘇東北部地區，標準化的增值可達到0.8以上，計算高分辨率模擬降水增值為正的站點比例，其在夏(6—8月)、秋(9—11月)、冬季(12—次年2月)分別為97.1%、75.7%和100%。對于全年平均降水，高分辨率模擬同樣具有顯著的提升，增值為正的站點比例為100%，標準化增值在江蘇東北部地區也可達0.8以上。

圖3 5 km高分辨率降尺度模擬不同季節以及全年平均日降水量對25 km模擬的增值(虛等值線表示負值)：(a)春季；(b)夏季；(c)秋季；(d)冬季；(e)全年

圖4為5 km高分辨率降尺度模擬的不同季節氣溫相對于25 km模擬的增值AV。除春季以外，高分辨率模擬對其他季節和全年平均氣溫的模擬的增值均為正值，即高分辨率降尺度模擬對于江蘇氣溫的展現也具有顯著的提高。在4個不同季節中，高分辨率模擬的氣溫增值在秋季最為顯著，標準化的增值在全省大部分地區可達到0.9以上。計算高分辨率模擬氣溫增值為正的站點比例，其在夏、秋、冬季分別為98.6%、98.6%和100%。對于全年平均氣溫，高分辨率模擬同樣具有顯著的提升，增值為正的站點比例為100%，標準化增值在江蘇東南部地區也可達0.7以上。

2.2 概率分布

觀測與模擬的降水概率分布如圖5所示，在分析中只考慮日降水量大于等于0.1 mm·d-1的日期，降水量被分為8個等級來計算其概率分布。由圖4可見，降水概率隨著降水強度的增大而減小，概率分布譜在整個江蘇省及其不同區域比較類似，0～1 mm·d-1的微弱降水和1～5 mm·d-1小雨發生概率遠大于其他強度范圍的降水，約為30%，5～10 mm·d-1和10～15 mm·d-1的降水發生概率分別約為15%和10%，15～20 mm·d-1、20～30 mm·d-1、30～50 mm·d-1以及50 mm·d-1以上的降水概率均在10%以下。WRF模式25 km分辨率模擬嚴重高估了0～1 mm·d-1的微弱降水概率，高達55%，而低估了其他強度降水的概率，5 km高分辨率降尺度模擬則在很大程度上提升了模擬效果，0～1 mm·d-1降水概率降低至35%，與觀測的偏差明顯減小，1～5 mm·d-1降水的發生概率約為30%，與觀測非常接近，對于其他強度的降水概率，5 km高分辨率模擬同樣存在低估，但是與25 km模擬相比與觀測的差距顯著縮小。

圖4 5 km高分辨率降尺度模擬不同季節以及全年平均氣溫對25 km模擬的增值同圖3新增部分(虛等線表示負值)：(a)春季；(b)夏季；(c)秋季；(d)冬季；(e)全年

圖5 觀測及模擬日降水量在江蘇省(a)以及3個不同區域的概率分布：(b)蘇北；(c)江淮;(d)蘇南

江蘇省及其不同區域日平均氣溫的概率如圖6所示，計算的氣溫間隔為1 ℃。觀測顯示江蘇省日平均氣溫分布在-10～36 ℃之間，概率分布譜呈雙峰結構，就全省而言，氣溫概率峰值分別出現在5 ℃和22 ℃，概率分別為3.5%和4.5%。對于幾個不同的區域，江淮地區的日平均氣溫概率分布與全省平均類似，而蘇北和蘇南的氣溫概率分布譜則存在一定的差異，對于蘇北地區，概率譜的兩個峰值分別在4 ℃和27 ℃，另外0 ℃以下的氣溫總概率明顯比全省平均要大，30 ℃以上的氣溫總概率則較??；蘇南地區的氣溫概率峰值出現在5 ℃和22 ℃，與全省平均類似，但是其0 ℃以下的氣溫總概率明顯較小，而30 ℃以上的氣溫總概率則較大。WRF模式能夠很好地模擬出江蘇省及其不同區域的氣溫概率分布的雙峰結構，但是其分布譜明顯向低溫方向偏移，對于全省而言，25 km分辨率模擬試驗所展示的氣溫概率峰值分別出現在0 ℃和20 ℃，并且顯著高估0 ℃以下的氣溫概率，低估20 ℃以上的氣溫概率，5 km高分辨率降尺度模擬試驗效果有顯著的提升，氣溫概率分布譜向觀測靠近，尤其對20℃以上氣溫概率的低估顯著減小，對于幾個不同區域，5km高分辨率模擬同樣具有更好的模擬效果。

圖6 觀測及模擬日平均氣溫在江蘇省(a)以及3個不同區域的概率分布：(b)蘇北；(c)江淮；(d)南蘇

2.3 極端指數

極端降水指數的空間分布如圖7所示，干指數CDD呈現由北向南遞減的分布，數值在28～40 d，說明江蘇南部連續無降水日數較北部小，WRF模式25 km分辨率模擬能夠表現出CDD由北向南遞減的分布型態，但是數值上存在較大的高估，在全省范圍內大于50 d，5 km高分辨率降尺度模擬與25 km分辨率模擬所呈現的CDD空間分布型態類似，其在一定程度上降低了CDD的模擬偏差，使得CDD的數值與觀測更為接近，但是仍存在較大的高估。對于3個濕指數，CWD和R95的空間分布類似，均為由北向南遞增，說明江蘇南部連續降水的天數較北部長，并且極端降水量較北部大，Rx5則在江蘇東北部存在大值區，數值在170 mm以上，另外蘇南地區也存在次大值區。WRF模式25 km分辨率模擬所展示的3個濕指數均為由北向南遞增的空間分布，其中CWD和R95與觀測相符，Rx5則沒有展示出東北部的高值區，在數值上，CWD在全省大部分地區存在高估，Rx5低估，R95則在北部低估南部高估。5 km高分辨率模擬的3個濕指數的空間分布與25 km分辨率模擬類似，其在很大程度上降低了Rx5的數值低估，但是增大了CWD的數值高估。

圖7 觀測及模擬的降水極端指數空間分布，指數包括CDD(單位：d)、CWD(單位：d)、Rx5(單位mm)以及R95(單位：mm)

除CWD以外，高分辨率模擬對其他幾個降水極端指數的模擬均有顯著的提升，說明高分辨率降尺度模擬對于江蘇極端降水的展現具有一定的優勢。在幾個不同的極端指數中，高分辨率模擬對CDD的增值最為顯著，標準化的增值在全省絕大部分站點均為正值，比例達87%；對于Rx5，高分辨率模擬除了在蘇南部分地區增值為負外，在其他大部分地區增值為正，比例為73%，R95增值為正的站點比例為56%(圖略)。

圖8所示為極端氣溫指數的空間分布，TXx在東北地區存在低值區，數值在36～37 ℃之間，其他區域的TXx普遍在37 ℃以上；TNn由西北向東南遞增，數值大致分布在-11～-5 ℃，最低值位于宿遷地區；WSDI和CSDI在全省的分布存在多個低值區，WSDI的多年平均值大致在1～3 d之間，高值區位于南通地區，CSDI的多年平均值約為0.5～2 d，在西北地區的徐州、宿遷一帶數值較大。WRF模式25 km分辨率模擬對TXx存在明顯的高估，而對于TNn則顯著低估，因此模式對日平均氣溫模擬的冷偏差主要來源于夜間氣溫的模擬偏差，模式能夠模擬出TNn北部低南部高的分布特征，但是沒有表現出TXx在東北部的低值區，5 km高分辨率模擬對25 km的模擬效果沒有表現出顯著的改善，同樣存在TXx的高估和TNn的低估；對于WSDI和CSDI，WRF模式分別表現出低估和高估，這主要是由模式的冷偏差造成的，25 km分辨率模擬呈現的WSDI和CSDI空間分布與觀測存在較大的偏差，5 km高分辨模擬則有很大程度的改善，其能夠模擬出WSDI在江蘇北部、鹽城、南京周邊等區域的低值區和淮安一帶、南通周邊等區域的高值區，并且對CSDI在北部的高值區和東部沿海的低值區也有很好的呈現。

圖8 觀測及模擬的氣溫極端指數空間分布，指數包括TXx(單位：℃)、TNn(單位：℃)、WSDI(單位：d)以及CSDI(單位：d)

除TXx以外，高分辨率模擬對其他幾個氣溫極端指數的模擬均有顯著的提升。在幾個不同的極端指數中，高分辨率模擬對TNn的增值最為顯著，標準化的增值在全省絕大部分站點均為正值，比例達67%；對于CSDI，高分辨率模擬除了在蘇北部分地區和南京地區增值為負外，在其他大部分地區增值為正，比例為60%；WSDI在部分地區增值為正，站點比例為51%(圖略)。

3 未來氣候變化降尺度預估

3.1 氣候平均態

圖9所示為模擬的未來時段不同季節以及年平均降水強度相對于現代時段的變化，差異通過α=0.05顯著性檢驗的格點用黑色圓點標出?？梢?，不同季節的降水存在不同的變化特征，夏季降水在全省范圍內均有所減少，并通過顯著性檢驗，其中南京和江蘇中北部夏季降水減少最顯著，在-1.2 mm·d-1以上。春季降水在全省大部分地區有所增加，除徐州和蘇南部分地區外，其他地區降水增加均通過顯著性檢驗，增加幅度在0.2 mm·d-1以上，鹽城南部和南通部分地區可達0.6 mm·d-1以上。秋冬季降水變化不顯著，其中秋季降水在徐州、連云港地區有所增加并通過顯著性檢驗，增加幅度在0.2～0.6 mm·d-1，在蘇南個別區域降水有所減少，其余大部分地區的秋季降水變化沒有通過顯著性檢驗；冬季降水存在微弱的增加，在少數格點通過顯著性檢驗。對于全年平均降水，全省以減少為主，在南京、無錫和蘇州南部、宿遷、淮安等地區通過顯著性檢驗，減少幅度在-0.2～-0.6 mm·d-1。

圖9 不同季節及年平均日降水量在2030—2044年時段相對于1990—2004年時段的變化(單位：mm·d-1；黑點代表降水變化通過α=0.05顯著性檢驗的格點)(虛等值線表示負值)：(a)春季；(b)夏季；(c)秋季；(d)冬季；(e)全年

模擬的未來時段不同季節以及年平均氣溫相對于現代時段的變化如圖10所示，差異通過α=0.05顯著性檢驗的格點用黑色圓點標出。除了秋季以外，其他季節氣溫均以升高為主，其中春季氣溫升高幅度最大，在4～6 ℃，并在全省范圍內通過顯著性檢驗，宿遷、徐州、連云港地區升溫最顯著，在5.2 ℃以上。夏季氣溫在全省范圍內也存在顯著的升高，并且在所有格點均通過顯著性檢驗，升溫幅度由東向西逐漸增大，大部分地區升溫幅度在2 ℃以上，僅在南通和蘇州東部的少數地區升溫幅度小于2 ℃。冬季氣溫升高不顯著，在全省范圍內均沒有通過顯著性檢驗，升溫幅度小于0.2 ℃。秋季氣溫存在顯著的降低，在全省范圍內均通過顯著性檢驗，降溫幅度由南向北遞增，在-2.5～-3.8 ℃，其中徐州、宿遷、連云港地區降溫幅度在-3.2 ℃以上。對于全年平均氣溫，全省以上升為主，并且均通過顯著性檢驗，升溫幅度由沿海向內陸逐漸增大，在南京和徐州周邊地區升溫幅度較大，在1.1 ℃以上。

圖10 不同季節及年平均氣溫在2030—2044年時段相對于1990—2004年時段的變化(單位：℃；黑點代表降水變化通過α=0.05顯著性檢驗的格點)(虛等值線表示負值)：(a)春季；(b)夏季；(c)秋季；(d)冬季；(e)全年

3.2 概率分布

圖11所示為不同強度降水的概率在未來時段相對于現代時段的變化，可見江蘇省及其不同區域的降水均體現出微弱降水概率增加中到大雨概率減小的特征。對于全省而言，0～1 mm·d-1的微弱降水概率增加了1.6%左右，1～5 mm·d-1和5～10 mm·d-1的小雨概率分別減小0.6%和0.5%，中到大雨的概率總體而言有輕微的減小，50 mm·d-1以上的暴雨概率減小0.3%左右。江淮和蘇南地區同樣是0～1 mm·d-1的微弱降水概率增加，1～5 和5～10 mm·d-1的小雨概率有所減少，蘇北地區則有所不同，0～1和1～5 mm·d-1的降水概率均有所增加，5～10 mm·d-1的小雨概率減小，3個不同區域的中到大雨概率總體而言都有所減小，其中蘇北地區減小較為明顯，蘇南地區中雨概率有所增加，50 mm·d-1以上的暴雨概率在3個區域均有所減少，蘇南地區減少最為明顯，約為0.5%左右。

圖11 降水概率分布在未來時段相對于現代時段的變化：(a)全??；(b)蘇北；(c)江淮；(d)蘇南

日平均氣溫概率分布的變化如圖12所示?？傮w而言，高溫發生的概率有所增加，中低溫的概率則減小。對于全省而言，25 ℃以上的氣溫概率總體有所增加，概率增加的峰值在27.5 ℃附近，增加幅度約為0.7%，35 ℃以上的高溫概率也有微弱的增加；另一方面，0 ℃以下的低溫概率總體減小，概率減小峰值在-6℃附近，減小約0.4%；在0～25 ℃范圍內，除了0～5 ℃的氣溫概率有輕微的增加，其他溫度段概率均有所減小。3個區域的氣溫概率分布變化情況與全省類似，25 ℃以上的氣溫概率同樣有顯著的增加，概率增加峰值分別在30、26和26 ℃附近，概率增加值分別約為0.7%、0.8%和1.0%；對于低溫段，蘇北、江淮和蘇南地區分別在-2.5、2和2.5 ℃以下的氣溫概率有所減小。

圖12 日平均氣溫概率分布在未來時段相對于現代時段的變化：(a)全??；(b)蘇北；(c)江淮；(d)蘇南

3.3 極端指數

為了探討江蘇省極端降水和氣溫的變化情況，計算了4個極端降水指數和4個極端氣溫指數在未來相對于現代時段的變化，極端降水指數的變化情況如圖13所示。由圖13a可見，干指數CDD在江蘇中部和北部表現為減小的特征，減小幅度在0～-10 d之間，并在蘇北大部分地區通過α=0.05顯著性檢驗，蘇南地區的CDD存在增加的趨勢，意味著該區域在未來將會出現更長時間的連續無降水日，無錫和蘇州北部的CDD增加最為明顯，在4 d以上，并通過顯著性檢驗。CWD的變化特征與CDD存在相反的空間分布型態(圖13b)，即在中北部增加而在南部減小，說明中北部連續無降水日數將縮短而連續降水日數將延長，徐州、宿遷北部、連云港一帶的CWD增加最為明顯，在0.5 d以上，并且通過顯著性檢驗，另外南通東部和蘇州南部的CWD也有顯著的增加。Rx5在全省范圍內總體呈減小趨勢(圖13c)，在江蘇南部邊緣減小程度較大，可達-30 mm以上，并通過α=0.05顯著性檢驗；其在北部邊緣的少數格點呈增加趨勢，增加幅度在0～15 mm之間。圖13d顯示，R95在全省范圍內均表現為顯著的增加趨勢，并且除南京地區外在其他所有格點均通過α=0.05顯著性檢驗，增加幅度從內陸向沿海逐漸遞增，范圍在20～200 mm，這說明江蘇省的極端降水量將在未來呈現大幅增加。

圖13 降水極端指數在未來時段相對于現代時段的變化，包括CDD(a，單位：d)，CWD(b，單位：d)，Rx5(c，單位：mm)以及R95(d，單位：mm)，黑點代表極端指數變化通過α=0.05顯著性檢驗的格點(虛等值線表示負值)

極端氣溫指數的變化如圖14所示，極端高溫和極端低溫都有顯著的上升(圖14a、b)，極端高溫TXx升高幅度由沿海向內陸遞增，并在全省范圍內通過α=0.05顯著性檢驗，南京、徐州西部地區的TXx升高幅度最大，可達1.8 ℃以上。極端低溫TNn的變化呈現出與TXx不同的空間分布型態，高值區位于蘇北的徐州、宿遷、連云港地區，升高幅度在2 ℃以上，南京地區的TNn升高幅度較小，并且沒有通過顯著性檢驗。由于未來氣溫的普遍升高，暖持續日數WSDI也存在顯著的增加趨勢(圖14c)，其增加幅度由東北向西南逐漸遞增，蘇州、南京地區以及宿遷、淮安、徐州等3市的西部地區WSDI增加幅度較大，可達13 d以上，連云港、鹽城地區的WSDI增加幅度較小，在10 d以下。圖14d顯示冷持續日數CSDI在全省范圍內均為減小趨勢，并在大部分區域通過α=0.05顯著性檢驗，蘇北地區減小幅度更大，可達-1.5 d以上。

圖14 氣溫極端指數在未來時段相對于現代時段的變化，包括TXx(a，單位：℃)，TNn(b，單位：℃)，WSDI(c，單位：d)以及CSDI(d，單位：d)，黑點代表極端指數變化通過α=0.05顯著性檢驗的格點(虛等值線表示負值)

4 結論

本文基于已有的25 km低分辨率數值模擬結果，運用WRF模式采用5km高分辨率對江蘇省現代15 a的氣候進行動力降尺度模擬，并在RCP8.5排放情景下對未來15 a的氣候進行預估。主要結論如下：

(1)5 km高分辨率降尺度模擬總體而言對25 km分辨率模擬有顯著的提高，降水的負偏差有所降低，氣溫冷偏差也有所改善，對于全年平均而言，全省平均降水偏差由-1.05 mm·d-1降低至-0.51 mm·d-1，氣溫偏差由-4.34 ℃降低至-2.59 ℃。

(2)高分辨率降尺度模擬顯著改善了25 km分辨率模擬對0～1 mm·d-1的微弱降水概率的高估，對其他強度降水的概率模擬也有一定的改善；模式模擬的氣溫概率分布譜相比觀測向低溫方向偏移，5 km高分辨率降尺度模擬試驗效果有顯著的提升，尤其對20 ℃以上氣溫概率的低估顯著減小。

(3)WRF模式能夠模擬出降水極端指數的基本分布，除CWD以外，高分辨率模擬對其他3個降水極端指數的模擬均有顯著的提升，并對TXx之外的其他3個極端氣溫指數的模擬效果也有所改善。

(4)在RCP8.5排放情景下，江蘇省降水在不同季節存在不同的變化特征，夏季降水以減少為主，減小幅度在-0.4～-2 mm·d-1，春季降水則以增加為主，增加幅度在0～0.8 mm·d-1，秋冬季節降水變化不顯著，全年平均而言，江蘇省降水在未來存在減少趨勢。

(5)對降水和氣溫的概率分布變化分析表明，小雨里的微弱降水發生概率將增加，強度稍高的小雨、中到大雨以及暴雨發生的概率則降低。雖然暴雨發生概率降低，但是暴雨強度增強，導致極端強降水R95顯著增加，幅度在20～200 mm。

(6)氣溫25 ℃以上高溫發生的概率在未來有所增加，而0 ℃以下的低溫發生概率則減小。極端高溫和極端低溫都有顯著的升高，升高幅度分別在0.6～2 ℃和0.3～2.7 ℃，由于高溫概率增加，從而導致暖持續日數也顯著增加，而冷持續日數則減小。

5 不確定性討論

本文采用GFDL全球模式結果驅動的區域氣候模擬結果作為初始邊界條件，采用WRF模式進一步進行高分辨率降尺度模擬，通過調整模擬區域和物理參數化方案得到了適合江蘇省高分辨率模擬的試驗方案，由于僅采用一種驅動場進行模擬研究，所采用的高分辨率模擬試驗方案是否適用于其他驅動場還存在一定的不確定性，另外，不同的全球模式結果對于不同氣象要素在不同區域的模擬效果也存在差異，因此，今后還需要對多種低分辨率模擬結果進行降尺度研究，從而分析其差異并減少不確定性。

另一方面，本文在對未來氣候變化進行高分辨率降尺度預估時，由于計算資源和數據來源的限制，僅針對RCP8.5一種排放情景進行研究，其預估結果也存在一定的不確定性，今后還需進一步針對不同排放情景進行高分辨率模擬預估，從而更加客觀地探討江蘇省未來氣候變化特征。

由于受模式系統誤差的影響，傳統動力降尺度的模擬結果往往會出現較大的偏差，這又在一定程度上限制了該方法在氣候變化影響評估中的應用。不管采用哪種動力降尺度方法，其模擬結果仍然強烈依賴于全球模式和區域模式本身的性能，尤其是模式對氣候的時間演變特征的模擬能力。隨著計算機技術的發展，未來在東亞地區開展小于3 km 分辨率區域氣候預測十分可行，在部分關鍵區域可以達到百米甚至更高分辨率，可以使得很多物理過程實現顯式計算，可以考慮更加真實的復雜地形的作用，區域氣候預測性能預期也會得到進一步提升。