對流層增暖熱帶放大現象：基于FGOALS-g3 的模擬研究

劉士嘉 周天軍 江潔 左萌 巫明娜

1 中國科學院大氣物理研究所大氣科學和地球流體力學數值模擬國家重點實驗室(LASG), 北京100029

2 中國科學院大學地球與行星科學學院, 北京100049

1 引言

大氣是地球氣候系統的重要組成部分，正確認識大氣溫度垂直廓線的長期變化趨勢，對于理解氣候變化成因至關重要（Steiner et al., 2020）。作為人類活動的主要區域，對流層內不同高度上的氣溫變化趨勢受到科學界的廣泛關注（Lindzen and Giannitsis, 2002; Santer et al., 2017a）。近20 年來，氣候學界一直致力于使用氣候系統模式模擬對流層大氣溫度的歷史變化，模式對不同高度上大氣溫度變化趨勢的模擬能力是氣候模式研發領域重點關注的問題（Santer et al., 2005, 2008; Fu et al., 2011; Po-Chedley and Fu, 2012）。

器測資料揭示的全球平均地表溫度自1880 年以來顯著增高，增幅約為0.85°C，且記錄中的最暖時段出現在近30 年（Santer et al., 2017b）?；跐窠^熱過程的基礎理論，熱帶地區的濕絕熱過程會放大地表的增暖幅度，在約200 hPa 高度上產生增暖峰值，這種現象被稱為“熱帶對流層放大”（Stone and Carlson, 1979）。熱帶對流層放大是21 世紀氣候變化的顯著特征之一。水汽、氣溫遞減率以及云反饋等物理過程，在很大程度上受到熱帶對流層溫度及其垂直結構變化的調控。因此，熱帶對流層放大現象對于大氣環流變化以及氣候敏感度均有重要影響。能否合理再現熱帶對流層放大現象，是評估氣候模式模擬性能的重要指標，模式模擬和觀測結果的差異及其成因，是科學界關注的熱點問題（Fu et al., 2011; Po-Chedley and Fu, 2012;Santer et al., 2017b）。

全球變暖背景下，多套觀測資料均揭示熱帶地區對流層中高層的增溫幅度大于低層（Steiner et al., 2020）。研究表明，大多數氣候系統模式高估了氣溫趨勢放大率，即氣候系統模式模擬的熱帶對流層高低層增溫趨勢之比明顯大于觀測結果，這一偏差在第三次和第五次“國際耦合模式比較計劃”（Coupled Model Intercomparison Project，CMIP3/5）的模擬結果中均存在（Santer et al., 2005, 2008,2017b; Po-Chedley and Fu, 2012）。例如，針對1979年以來的熱帶對流層增溫現象，Fu et al.（2011）通過比較CMIP3 耦合模式歷史模擬試驗與衛星觀測資料的結果，發現耦合模式模擬的增溫趨勢強于觀測，并認為這是導致模式模擬的熱帶對流層上下層靜力穩定度變化與觀測不同的主要原因?；贑MIP5 耦合模式歷史模擬試驗和單獨大氣模式試驗（即“AMIP”模擬試驗）也得到類似的結論（Po-Chedley and Fu, 2012）。

造成模式模擬與觀測差異的因素包括：（1）氣候模式外強迫資料的誤差（Solomon et al., 2011;Santer et al., 2017a）；（2）模擬和觀測的海表溫度趨勢分布型（Tuel, 2019）；（3）氣候系統內部變率（Santer et al., 2019）；（4）空間垂直權重函數對衛星資料反演的影響（Santer et al., 2017b）。例如，耦合模式的歷史模擬試驗中海洋與大氣自由耦合所產生的氣候系統內部變率難免與觀測不一致，使得內部變率導致的溫度變化掩蓋外強迫的信號，從而導致耦合模式結果與觀測結果在溫度趨勢上存在差異。相比之下，在觀測海溫驅動的單獨大氣模式試驗中，海溫變化的空間分布受觀測約束，故能將氣候系統內部變率對于模式和觀測之間差異的影響最小化。

衛星微波探測儀能夠提供1978 年末至今的全球大氣溫度估計值（Mears and Wentz, 2017）。通過對原始資料進行反演得到的數據提供了相對于傳統器測資料獨立的全球對流層增暖的觀測證據，由于該資料具有全球空間覆蓋率高和數據質量均勻的特點，目前已被作為重要的大氣觀測資料廣泛地應用于氣溫趨勢的研究（Johanson and Fu, 2006;Santer et al., 2008; Po-Chedley et al., 2015; Mears and Wentz, 2016; Steiner et al., 2020）。然而，由于衛星資料的質量受均一化和后處理過程的影響，當前微波探測衛星產品的氣溫趨勢放大率小于氣候模式模擬值，也弱于根據濕絕熱遞減率計算所得的理論值（Santer et al., 2005, 2017b）。得益于對衛星軌道漂移訂正與星載儀器校準方法的改進，近年來，衛星探測估算的大氣溫度資料質量得到了明顯提升（Mears and Wentz, 2016; Zou et al., 2018）。

除衛星觀測資料以外，覆蓋時間較長的再分析資料也是研究大氣溫度變化的重要數據源。按照對觀測資料和數值預報模式的依賴程度，再分析資料的輸出變量通?？煞譃槿?，其中大氣溫度屬于第一類，主要受到同化的觀測資料影響，可視為“真實情況”（Kalnay et al., 1996）。因此，再分析資料已被用于研究大氣溫度變化趨勢，作為檢驗模式結果的“觀測”證據。

FGOALS-g 是中國科學院大氣物理研究所大氣科學和地球流體力學數值模擬國家重點實驗室（LASG/IAP）發展的氣候系統模式，該模式參加了CMIP3、CMIP5 以及進行中的CMIP6，被廣泛應用于各類氣候變率和氣候變化的研究（周天軍等, 2014, 2020）。其中，參加CMIP5 的版本為FGOALS-g2，參加CMIP6 的最新版本為FGOALSg3。從FGOALS-g2 到FGOALS-g3，該模式從大氣分量到海洋分量都得到諸多改進（Li et al.,2020b）。然而，目前尚不清楚FGOALS-g3 能否合理再現全球大氣溫度的變化趨勢以及熱帶對流層放大現象。

本文基于國際上最新的衛星和再分析資料，以及FGOALS-g 新舊版本歷史模擬試驗和新版本AMIP 試驗（GAMIL3）的模擬結果，擬重點回答以下關鍵科學問題：（1）FGOALS-g3 能否合理再現全球大氣溫度的變化趨勢和熱帶對流層放大現象？若存在偏差，則模擬偏差產生的原因是什么？（2）FGOALS-g 新版本較舊版本性能是否有提升？若有提升，主要表現在哪些方面？（3）海氣耦合過程（氣候系統內部變率）對模擬結果有何影響？

2 模式、資料和方法

2.1 模式簡介

FGOALS-g 是由LASG/IAP 發展的耦合氣候系統模式，包含了大氣、海洋、陸面和海冰四個模塊。本文分析的兩個版本分別是FGOALS-g2 和FGOALSg3，二者間的差異一是在大氣模式，具體如表1 所示（Li et al., 2020a）。二是在海洋模式，FGOALSg3 的海洋模式分量為LICOM3，相對于LICOM2的改進主要包括兩個方面：（1）動力框架由原來的經緯度格點框架改為適用于任意正交曲面坐標并采用了三極格點，有效解決了北極點引起的一系列計算穩定性問題；（2）改進了潮汐混合以及渦旋混合的物理過程（Lin et al., 2016, 2020）。FGOALSg3 的陸面分量為CAS-LSM（Xie et al., 2020），海冰分量為Los Alamos sea ice model Version 4.0。FGOALS-g3 采用NCAR 開發的CPL7 進行耦合。有關FGOALS-g3 相較于FGOALS-g2 模式改進的詳細介紹和整體性能評估詳見Li et al.（2020a）。

表1 GAMIL2 和GAMIL3 模式的主要差異Table 1 Main difference points between GAMIL2 model and GAMIL3 model

本文使用到的模式數據為FGOALS-g3 的歷史模擬試驗和單獨大氣模式GAMIL3 的AMIP 試驗結果。其中，按照CMIP6 的標準設定，歷史模擬試驗使用歷史外強迫（包括溫室氣體、氣溶膠等）驅動耦合模式，模擬1850～2015 年的歷史氣候，給定初始場后海洋和大氣自由耦合；單獨大氣模式試驗利用1979～2015 年的觀測海溫和海冰作為邊界條件，驅動大氣模式GAMIL3，即AMIP 試驗（周天軍等, 2019）。為比較FGOALS-g 耦合模式新舊版本的差異，本文還使用了FGOALS-g2 歷史模擬試驗數據。上述每組試驗均選取第一個集合成員，研究時段為1979～2015 年。

由于FGOALS-g2 的歷史模擬試驗截止于2005 年12 月，而典型濃度路徑情景RCP8.5（Representative Concentration Pathways，RCP）未來預估試驗是以歷史模擬試驗的終止年作為起始場進行模擬的，為便于比較，本文將FGOALS-g2 的歷史模擬試驗數據和RCP8.5 數據進行拼接，得到1850～2015 年的歷史模擬數據。為方便討論，以下分別用FGOALS-g2，FGOALS-g3 和GAMIL3來表示兩個耦合模式的歷史模擬試驗和單獨大氣試驗。

2.2 觀測及再分析資料

本文用到的觀測和再分析資料如下：

（1）MSU/AMSU 衛星溫度資料。1978 年末以來，美國國家海洋和大氣管理局（NOAA）的極軌衛星開始使用微波大氣探測儀（Microwave Sounding Unit，MSU）和升級版的微波大氣探測儀（Advanced Microwave Sounding Unit，AMSU）對氧分子的微波輻射進行測量（Mears and Wentz,2017; Zou et al., 2018）。MSU/AMSU 通過在不同微波頻率下進行測量，得到不同高度層的微波輻射信息，進一步處理得到不同高度層的溫度反演信息。本文使用的是美國加利福尼亞州的遙感系統公司（Remote Sensing Systems）提供的MSU/AMSU 衛星微波資料v4.0 版本（以下統稱RSS4.0）。該數據集提供了分層逐月溫度資料，覆蓋時間段為1979 年至今，水平分辨率為2.5°×2.5（Mears and Wentz, 2016）。本文用到的變量為平流層低層溫度（TLS）、對流層中高層溫度（TMT）和對流層低層溫度（TLT）。其權重函數峰值對應高度（氣壓）分別為17 km（75 hPa）、5 km（540 hPa）和2 km（795 hPa），與平流層低層、對流層中高層和對流層低層的典型高度相對應（Steiner et al.，2020）。

（2）歐洲中期天氣預報中心（European Centre for Medium-Range Weather Forecasts，ECMRWF）新一代再分析資料ERA5（Hersbach et al., 2020）。用到的變量為逐月的氣溫、地表溫度、表面氣壓、海陸分布和海冰范圍，覆蓋時間段為1979 年至今，水平分辨率為1°×1°，氣溫垂直高度有37 層。本文使用的ERA5.1 氣溫數據訂正了原ERA5 數據在2000～2006 年期間的冷偏差，平流層和對流層上層溫度更為可靠（Simmons et al., 2020）。

基于不同資料的覆蓋時段，本文的分析時段統一為1979～2015 年。

2.3 分析方法

2.3.1 合成衛星溫度計算方法

為方便將模式結果與衛星數據進行比較，本文使用了RSS 開發的局地權重函數法，分別將模式輸出數據和ERA5.1 再分析數據轉換為合成衛星溫度（Santer et al., 2017b）。該方法在每個經緯網格點上將模式和再分析數據的溫度廓線同局地權重函數進行卷積。權重取決于該格點的表面氣壓、下墊面類型（陸地、海洋或海冰）以及選取的層平均溫度（TLS、TMT 或TLT）。該方法較全球平均權重函數法能夠提供更為準確的合成衛星溫度，其在高海拔地區準確度的提升效果尤為明顯（Santer et al., 2017a）。

2.3.2 TMT 訂正方法

星載微波探測儀反演的TMT 變化趨勢受到平流層低層降溫的顯著影響（Fu and Johanson, 2004,2005; Johanson and Fu, 2006）。平流層降溫對TMT的大部分影響可以通過回歸技術去除（Fu et al., 2004）。該方法的可靠性在觀測和模式氣溫數據中都得到了驗證（Fu and Johanson, 2004; Gillett et al., 2004）。參考Fu and Johanson（2005），本文采用這一訂正方法，具體如下：

其中，a24的選取參考Santer et al.（2017a），在所有緯度均為1.1。

2.3.3 理論廓線計算方法

為得到氣溫變化趨勢隨高度變化的理論結果，利用1979～2015 年的ERA5.1 再分析數據，基于1000 hPa 溫度和80%相對濕度分別作為初始條件，計算得到兩條濕絕熱線，做差即可得到氣溫垂直廓線的理論值（Santer et al., 2005; Steiner et al.,2020）。所用公式如下：

其中，k=0.286，T為氣溫，p為 氣壓，L為蒸發潛熱，cp為 定壓比熱，ws為飽和混合比。

2.3.4 滑動線性趨勢計算方法

不同分析時段的選取會對溫度變化趨勢的估算產生影響，為了減小線性趨勢對于分析時段的依賴性，本文參考Santer et al.（2011, 2017b）提出的最大重疊L-年趨勢計算方法，選取L=10 和L=20 兩個時段進行分析。這種方法可以有效去除季節尺度和年際尺度“噪音”對于溫度趨勢的影響，從而突出溫度變化在年代際時間尺度上的基本特征。

以L=10 為例，用于計算第一個10 年線性趨勢的時段為1979 年1 月至1988 年12 月，隨后起止月份逐次后移1 個月，最后一次計算時段為2006 年1 月至2015 年12 月。

2.3.5 顯著性檢驗方法

本文使用非參數Thei-Sen 趨勢估計法（Ohlson and Kim, 2015）計算線性趨勢，線性趨勢的顯著性檢驗使用了非參數Mann-Kendall（MK）檢驗方法。

本文所涉及的空間相關系數、時間相關系數等相關分析均使用了雙側Studentt檢驗，自由度為樣本數減2。

3 結果分析

本文首先針對不同高度上全球平均溫度的長期變化，通過模式與觀測和再分析的比較來評估模式性能。隨后，分析對流層中高層與下層溫度序列的回歸系數空間分布，將研究區域聚焦于熱帶（海洋），重點關注該地區增溫趨勢隨高度升高而增大的現象。對于該現象，本文選取4 個指標來檢驗模式的性能并分析內部變率對結果的影響，包括對流層高低層溫度回歸場的空間相關系數、放大系數（高低層平均溫度的回歸系數）的年代際尺度變化、對流層高低層平均溫度序列的長期趨勢和年際變率、熱帶平均溫度的垂直廓線。

3.1 全球溫度變化趨勢

圖1 給出了1979～2015 年不同高度層（TLS、TMT 和TLT）全球平均溫度隨時間演變情況。觀測中平流層低層呈降溫趨勢（圖1a），主要由人類活動引起的平流層臭氧消耗造成，大氣CO2濃度升高也有一定貢獻（Aquila et al., 2016; Maycock et al., 2018）。平流層低層的降溫趨勢有兩次突變，分別與1982 年El Chichón 和1991 年Pinatubo 火山爆發引起的強增暖信號有關?；鹕奖l使得大量硫酸鹽氣溶膠進入平流層，通過吸收近紅外和長波輻射導致平流層增溫（Robock, 2000）。

FGOALS-g3 和GAMIL3 均能再現平流層低層的長期變冷趨勢以及火山爆發引起的兩次增溫，但都低估了El Chichón 火山爆發造成的平流層增暖，同時高估了Pinatubo 火山的影響，原因是驅動模式的平流層火山氣溶膠強迫資料對于兩次火山爆發強度的估計不夠準確（Rieger et al., 2020）。FGOALSg2 由于未考慮火山氣溶膠強迫（Zhou and Song,2014），故無法再現平流層低層的突變增暖信號，FGOALS-g3 較FGOALS-g2 增加了對于平流層火山氣溶膠強迫的響應。

圖1b 和c 分別為1979～2015 年全球平均TMT和TLT 距平序列。在觀測中，對流層（上下兩層）在1979～2015 年間主要表現出較為一致的增暖特征。

圖1 1979～2015 年全球平均溫度距平序列（單位：°C）：（a）平流層低層（TLS）；（b）對流層中高層（TMT）；（c）對流層低層（TLT）Fig.1 Global mean temperature anomalies series (units: °C) from 1979 to 2015: (a) Lower stratosphere temperature; (b) mid-to-upper troposphere temperature; (c) lower troposphere temperature

定量比較結果表明（表2），觀測和模式一致表現為平流層低層降溫、對流層增溫。具體而言，衛星資料和再分析資料揭示的對流層中高層增溫幅度分別為0.17°C (10 a)-1、0.12°C (10 a)-1，對流層 低 層 增 溫 幅 度 分 別 為0.20°C (10 a)-1、0.14°C(10 a)-1。FGOALS-g2 和FGOALS-g3 均 可 再 現 觀測中的對流層顯著增暖趨勢，但均高估了觀測的增溫趨勢值，原因與氣候系統內部變率有關。前人研究表明若歷史模擬試驗與觀測的內部變率位相相似，則模擬的對流層增溫趨勢與觀測更為接近（Po-Chedley et al., 2021）。注意FGOALS-g3 較FGOALSg2 表現出更強的增溫趨勢，這與二者模擬的內部變率位相不同以及驅動模式的歷史模擬外強迫存在差異有關。GAMIL3 的AMIP 試驗由于受歷史觀測海溫驅動，其內部變率位相與觀測一致，故模擬的對流層增溫幅度與衛星觀測結果基本一致。

表2 5 套數據1979～2015 年全球平均平流層低層（TLS）、對流層中高層（TMT）和對流層低層（TLT）線性趨勢 [單位：°C (10 a)-1]，所有趨勢均通過99%的信度水平檢驗Table 2 Linear trend of the global averages of Temperature of Lower Stratosphere (TLS), Temperature of Mid-to-upper Troposphere (TMT), and Temperature of Lower Troposphere (TLT) from 1979 to 2015 [units: °C (10 a)-1], all the linear trends are significant at the 99% confidence level

不同分析時段的選取會對溫度變化趨勢的估算產生影響，為減小線性趨勢對于分析時段的依賴性，參考Santer et al.（2011, 2017b）的方法，圖2 比較了模式和觀測中不同高度層溫度的滑動線性趨勢。在觀測中，平流層低層溫度的10 年滑動趨勢主要反映了平流層低層溫度對El Chichón 和Pinatubo 火山爆發的響應（圖2a），其最大增溫趨勢出現在El Chichón 火山爆發造成的小幅增暖時期結束與Pinatubo 火山爆發造成的大幅增暖時期之間，最大降溫趨勢值出現在Pinatubo 火山造成的平流層低層增暖峰值期之后。FGOALS-g3 的結果與觀測較為一致，而FGOALS-g2 由于未包含火山氣溶膠輻射強迫模塊故與觀測結果差距較大。GAMIL3 與FGOALS-g3 結果相近，均能夠合理再現觀測特征。圖2b 中平流層低層溫度20 年滑動趨勢則主要反映的是氣溫在平流層臭氧消耗期和臭氧恢復期的年代際變化。

在觀測資料中，對流層上下兩層的溫度變化趨勢較為一致（圖2c-f）。當滑動時長取10 年時，觀測數據表現出雙峰結構特征（圖2c，e）。雙峰結構是由火山爆發后的溫度恢復和人為活動造成的全球變暖共同引起的。觀測資料受厄爾尼諾—南方濤動（ENSO）等年際變率的掩蓋，雙峰結構不如模擬明顯（Santer et al., 2014）。在兩個耦合模式（FGOALS-g2 和FGOALS-g3）的結果中，雙峰結構較觀測更為明顯。GAMIL3 的結果與觀測一致，雙峰結構不明顯，原因是受到年際變率的影響。對于20 年滑動趨勢，FGOALS-g3 模擬的增溫速率在1990s 顯著高于觀測值，主要是由于受到了驅動模式的外強迫系統性偏差（Li et al., 2020b）以及氣候系統內部變率（Po-Chedley et al., 2021）的影響。

圖2 全球平均氣溫10 年（左列）和20 年（右列）滑動趨勢 [單位：°C (10 a)-1]：（a，b）平流層低層；（c，d）對流層中高層；（e，f）對流層低層。橫坐標為起始時間Fig.2 10 years’ (left) and 20 years’ (right) sliding trend of the global mean temperature [units: °C (10 a)-1]: (a, b) Lower stratosphere; (c, d) midto-upper troposphere; (e, f) lower troposphere.The abscissa is the starting time

圖3a-f 給出了RSS4.0 衛星、ERA5.1 再分析和GAMIL3 單獨大氣模式試驗中對流層中高層及對流層低層溫度趨勢的全球空間分布。三套數據所揭示的對流層溫度趨勢的空間分布型較為一致，增暖趨勢大值區均位于北半球中高緯，以及西南太平洋等地區。定量估算對流層中高層和低層全球平均溫度的趨勢，RSS4.0 衛星數據的結果分別為0.15°C(10 a)-1和0.19°C (10 a)-1，ERA5.1 再分析數據結果為0.12°C (10 a)-1和0.13°C (10 a)-1，GAMIL3 的結果均為0.18°C (10 a)-1。因此，GAMIL3 與RSS4.0衛星數據的結果一致，而ERA5.1 再分析數據所揭示的全球平均增溫趨勢相對較小。三套數據各自的對流層中高層和對流層低層溫度變化趨勢的空間分布也較為一致，反映在空間相關系數上，RSS4.0、ERA5.1 和GAMIL3 的 結 果 分 別 為0.75、0.88 和0.90（均通過99%的信度水平）。

對于全球平均而言，對流層上下層溫度變化趨勢比較接近。其中利用RSS4.0 衛星和ERA5.1 再分析數據估算的全球平均對流層上下層溫度變化趨勢之比分別為0.82 和0.91，GAMIL3 的結果為1.0，三套數據的結果均不大于1。溫度變化趨勢因緯度而異，在高緯地區，對流層中高層溫度增暖趨勢弱于低層，而在低緯地區，對流層中高層溫度的增暖趨勢則強于低層，呈現出“熱帶對流層放大”現象。

圖3g-j 給出了FGOALS-g2 和FGOALS-g3 歷史模擬試驗的對流層中高層及對流層低層溫度變化趨勢的全球空間分布。FGOALS-g2 和FGOALSg3 模擬的空間分布型存在一定差異，可能與CMIP6和CMIP5 采用的歷史模擬外強迫資料差異有關。相較于CMIP5，CMIP6 歷史模擬外強迫的氣溶膠冷卻效應減弱并增加了溫室氣體的空間分布，外強迫資料的差異會引起增溫趨勢空間分布的差異（Nie et al., 2019; Li et al., 2020b）。

圖3 1979～2015 年對流層中高層（左列）和對流層低層（右列）氣溫變化趨勢 [單位：°C (10 a)-1]：（a，b）RSS4.0 衛星資料；（c，d）ERA5.1 再分析資料；（e，f）GAMIL3；（g，h）FGOALS-g2；（i，j）FGOALS-g3。打點區域表示通過95%的信度水平檢驗Fig.3 Temperature variation trends in the mid-to-upper troposphere (left) and lower troposphere (right) in 1979-2015 [units: °C (10 a)-1]: (a,b) RSS4.0; (c, d) ERA5.1; (e, f) GAMIL3; (g, h) FGOALS-g2; (i, j) FGOALS-g3.The dotted area indicates the significant values at the 95%confidence level

就對流層中高層和低層全球平均溫度變化趨勢而 言，FGOALS-g2 的 結 果 為0.22°C (10 a)-1和0.21°C (10 a)-1，FGOALS-g3 的結果為0.25°C (10 a)-1和0.26°C (10 a)-1。兩個版本的耦合模式模擬結果均明顯高于觀測和GAMIL3 的結果。

關于全球平均對流層上下層溫度變化趨勢之比，FGOALS-g2 和FGOALS-g3 的結果分別為1.04 和0.96，與GAMIL3 的結果基本一致。此外，針對高緯地區對流層中高層增溫趨勢小于低層、低緯地區對流層中高層增溫趨勢大于低層這一特征，兩個耦合模式的結果與觀測相符。

3.2 熱帶對流層放大

為直觀描述高低緯地區在對流層上下層增溫特征上的不同，圖4 給出了對流層中高層溫度與低層溫度回歸系數的空間分布。觀測和模擬結果在熱帶地區（20°N～20°S）的回歸系數均大于1，一致表現出對流層中高層溫度變化相對于對流層低層放大的現象，且空間分布型表現較為穩健，大值區均出現在赤道輻合帶和南太平洋輻合帶等典型的熱帶海洋深對流旺盛區。

如圖4a 所示，RSS4.0 衛星數據揭示的西太平洋暖池區的熱帶對流層放大的強度明顯低于另外4套數據，其特征也與濕絕熱遞減率理論不符。據前人研究，這種現象可能是由于衛星資料自身的殘余非均勻誤差造成的（Mears and Wentz, 2016）。以ERA5.1 資 料 為 基 準，FGOALS-g3、GAMIL3 和FGOALS-g2 與其在熱帶地區（20°N～20°S）的空間相關系數分別為0.79、0.80 和0.72（均通過99%的信度水平）。這表明FGOALS-g3 與GAMIL3 均能較好地模擬出熱帶對流層放大現象的空間分布，FGOALS-g3 較FGOALS-g2 對熱帶對流層放大現象的模擬能力有明顯提升。

熱帶對流層放大現象有其理論基礎。熱帶地區深對流活動旺盛，基于濕絕熱遞減率理論，熱帶深對流旺盛海區的氣塊濕絕熱上升會放大地表增暖，在約200 hPa 高度上產生增暖峰值，從而呈現出對流層放大的特征（Stone and Carlson, 1979; Hegerl and Wallace, 2002）。下面我們將著重關注熱帶區域。

圖5a、b 給出了RSS4.0 衛星、ERA5.1 再分析和GAMIL3 單獨大氣模式試驗在熱帶地區（20°N～20°S）對流層中高層及低層溫度的距平序列。在觀測中，熱帶地區對流層（高低兩層）在1979～2015 年間主要表現出較為一致的增暖趨勢，同時疊加有年際尺度的波動。GAMIL3 模式的AMIP 試驗由于受歷史觀測海溫驅動，其內部變率位相與觀測一致，故模擬的熱帶地區對流層增溫幅度和年際尺度波動與觀測結果基本一致，反映在時間相關系數上，GAMIL3 與RSS4.0 和ERA5.1 在對流層中高層的結果分別為0.83 和0.81，在對流層低層為0.86 和0.83（均通過99%的信度水平）。

圖5c、d 給出了FGOALS-g2 和FGOALS-g3歷史模擬試驗模擬的熱帶地區對流層上下層溫度距平序列。FGOALS-g2 和FGOALS-g3 均可再現觀測中的升溫趨勢，但年際尺度波動與觀測結果差別較大，這種差異主要源于就內部變率的位相而言耦合模式與實際觀測不是嚴格對應的。

圖5 熱帶地區（a，c）對流層中高層和（b，d）對流層低層溫度距平序列（單位：°C）：（a，b）RSS4.0、ERA5.1 和GAMIL3 試驗；（c，d）FGOALS-g2 和FGOALS-g3 歷史模擬試驗Fig.5 Temperature anomalies series in the (a, c) mid-to-upper troposphere and (b, d) lower troposphere over the tropics (units: °C): (a,b) RSS4.0, ERA5.1, and GAMIL3; (c, d) FGOALS-g2 and FGOALSg3

定量比較結果表明（圖6），衛星資料和再分析資料揭示的熱帶地區對流層中高層增溫幅度分別為0.15°C (10 a)-1和0.12°C (10 a)-1，對流層低層增溫 幅 度 分 別 為0.14°C (10 a)-1和0.10°C (10 a)-1。GAMIL3 在對流層中高層的增溫幅度為0.22°C(10 a)-1，對流層低層為0.18°C (10 a)-1，FGOALSg3 和FGOALS-g2 在對流層中高層均為0.26°C(10 a)-1，低層均為0.22°C (10 a)-1。模式結果均可再現觀測中的熱帶地區對流層顯著增暖趨勢，但均高估了觀測的增溫趨勢值。

圖6 （a）1979～2015 年熱帶地區（20°N～20°S）平均對流層中高層和對流層低層溫度距平序列的最小二乘線性趨勢 [單位：°C(10 a)-1]，所有趨勢均通過99%的信度水平。（b）同（a），但為標準差（單位：°C）Fig.6 (a) Least-squares linear trend of mean temperature anomalies in the mid-to-upper and lower troposphere over the tropical region(20°N-20°S) from 1979 to 2015 [units: °C (10 a)-1]; all the linear trends are significant at the 99% confidence level.(b) Same as (a), except for the standard deviation (units: °C)

就對流層上下層熱帶平均溫度的年際變率而言，觀測和模式模擬的對流層中高層結果均大于對流層低層，說明熱帶對流層放大現象不僅表現在長期趨勢上，在年際變率上同樣有體現。此外，FGOALSg3 在對流層上下層的溫度序列標準差分別為0.28和0.23，明顯高于觀測、GAMIL3 和FGOALS-g2的結果。

為揭示觀測和模式在對熱帶對流層放大現象的刻畫方面產生差異的原因，本文參考Fu et al.（2011）提出的方法，采用公式TMT-TLT=c×TLT（TMT 和TLT 分別表示對流層中高層和低層溫度序列的趨勢或標準差）表征熱帶對流層放大的幅度。模式與觀測之間的差異由2 個因素決定：對流層低層自身的溫度變化（TLT）和增幅因子c。

就溫度變化趨勢而言，衛星和再分析資料揭示的增幅因子c分別為0.07 和0.18，GAMIL3、FGOALS-g3 和FGOALS-g2 的結果分別為0.19、0.20 和0.16。模式模擬的對流層低層溫度趨勢和增幅因子均大于衛星資料的結果，造成了模式與衛星觀測之間的差異。模式與再分析資料之間差異的主要原因是ERA5.1 數據中對流層增溫趨勢偏弱。就溫度年際變率而言，衛星和再分析資料揭示的增幅因子c分別為0.20 和0.17，GAMIL3、FGOALSg3 和FGOALS-g2 的結果分別為0.20、0.21 和0.20。FGOALS-g3 與觀測結果之間差異的主要原因是模式模擬的對流層低層溫度年際變率偏強。

由于分析時段會影響熱帶對流層放大的特征（Santer et al., 2017b），為考察熱帶對流層放大的時段依賴性，本文將對流層中高層與低層溫度序列的回歸系數在熱帶海區的平均值定義為“放大系數”b。此處的放大系數b和前文采用的增幅因子c均為衡量對流層中高層與對流層低層溫度變化相對大小的指標，二者所使用的計算方法不同，含義也有所區別：放大系數b為回歸系數，表征對流層中高層與對流層低層溫度序列自身變化的相對大??；增幅因子c為比值，表征對流層中高層溫度變化幅度（趨勢或標準差）較對流層低層放大的倍數。

圖7 給出了放大系數b隨分析時段的變化情況。衛星資料的b值較再分析資料明顯偏小，這與其在西太平洋暖池區的表現有關（圖4a），據前人研究，這可能是其自身殘余誤差造成的（Po-Chedley et al., 2015）。此外，衛星資料的結果在時間尺度超過15 年時出現減小趨勢，考慮其對不同微波探測儀信息融合方案的高度敏感，我們推測融合方案中含有影響其多年代際表現的殘余非均勻誤差。ERA5.1 再分析資料的結果始終穩定在1.22 附近。

圖7 5 套數據的熱帶海洋平均放大系數（b）隨選取時段的變化情況。橫坐標為選取時段長度（10 年至37 年）Fig.7 Variation of the mean amplification factor (b) of the tropical oceans with the selected period, and the abscissa is the selected period length (10 years to 37 years)

模擬和再分析數據的放大系數b均大于1，表明熱帶海區對流層增溫趨勢隨高度增加而增大，且均不隨選取時段的長短發生變化，這符合理論和基本的物理定律（Stone and Carlson, 1979; Santer et al., 2005）。FGOALS-g2 與ERA5.1 的結果在數值上基本一致，而FGOALS-g3 和GAMIL3 的結果均大于再分析資料。

需要指出的是，衛星資料無法顯示溫度廓線，而再分析資料揭示的廓線也因為同化了無線電探空儀數據而存在結構性偏差（Hersbach et al., 2020），因此模式模擬的溫度廓線與再分析數據結果有差異并不一定就意味著模式有偏差。參考Santer et al.（2005）和Steiner et al.（2020），本文引入了根據濕絕熱遞減率計算的理論結果。圖8a 給出了ERA5.1 再分析、GAMIL3、FGOALS-g3、FGOALSg2 中不同高度層的溫度變化趨勢與1000 hPa 對應值之比的廓線及理論結果。ERA5.1 再分析結果與理論值差異較大，這與其同化的無線電探空資料有關。前人基于無線電探空資料的分析與本文基于再分析數據的結果基本一致（Santer et al., 2008;Hersbach et al., 2020）。FGOALS-g3 和FGOALS-g2的結果均與理論值較為一致，表明兩代耦合模式對于放大率廓線的模擬能力較高。GAMIL3 單獨大氣試驗的結果明顯異于理論廓線，除1000 hPa 外，其各層比值均明顯大于理論結果。

為揭示GAMIL3 放大率廓線異于理論結果的原因，圖8b 給出了熱帶地區平均的各層溫度變化趨勢廓線。GAMIL3 模擬的各層增溫趨勢值較理論值均偏弱，但在925 hPa 以上與再分析資料較為一致。這種長期趨勢的整體偏弱體現了海氣耦合過程對于模擬結果的直接影響：對流層溫度的長期變化趨勢主要受到外強迫變化（溫室氣體增加等）的影響，而GAMIL3 單獨大氣模式由于受到觀測海溫驅動，故無法通過海氣耦合過程體現出外強迫變化對于對流層增溫趨勢的作用，從而使得模擬結果出現負偏差。此外，1000 hPa 增溫趨勢明顯偏弱是GAMIL3 放大率廓線明顯異于理論結果的主要原因。

圖8 （a）1979～2015 年熱帶地區（20°N～20°S）平均各層溫度趨勢與1000 hPa 溫度趨勢之比（單位：1），黑線為根據假絕熱過程計算的理論值。（b）同圖（a），但為溫度趨勢 [單位：°C (10 a)-1]。（c）同圖（a），但為溫度的年際變率之比）Fig.8 (a) Ratio of the average temperature trend of each layer in the tropical region (20°N-20°S) to the temperature trend of 1000 hPa in 1979-2015(units: 1).The black line is the theoretical value calculated according to the pseudo-adiabatic process.(b) The same as figure (a), except for the temperature trend [units: °C (10 a)-1].(c) Same as fig.(a), except for the ratio of interannual variability

由于AMIP 型海溫驅動試驗在設計上主要適用于分析年際變率，而熱帶對流層放大現象在年際尺度上同樣存在（圖6b），故推測GAMIL3 在對流層溫度年際變率上的表現應更為合理。圖8c 給出了再分析資料和模式模擬的年際變率放大率廓線，GAMIL3 與再分析資料和耦合模式非常接近，這印證了上述推測。

4 結論

熱帶對流層放大現象是氣候變化的顯著特征，也是檢驗氣候模式性能的重要指標。FGOALS-g3是中國科學院大氣物理研究所大氣科學和地球流體力學數值模擬國家重點實驗室（LASG/IAP）發展的最新版本氣候系統模式。本文基于RSS4.0 衛星資料和ERA5.1 再分析資料,系統分析了FGOALSg3 對全球大氣溫度變化和熱帶對流層放大的模擬能力及偏差產生原因；并通過新舊版本（FGOALSg3 與FGOALS-g2）的比較揭示了新版本模式技巧的提升；通過比較FGOALS-g3 歷史模擬試驗與GAMIL3 單獨大氣試驗結果，揭示了海氣耦合過程對模擬結果的影響。主要結論歸納如下：

（1）在全球大氣溫度變化方面，FGOALS-g3能夠合理再現觀測中的全球對流層顯著增溫趨勢，但其模擬的增溫趨勢偏強，這與氣候系統內部變率以及兩代氣候系統模式所使用的歷史氣候外強迫資料存在差異有關。在熱帶對流層放大方面，FGOALSg3 能夠合理再現觀測中的空間分布模態、放大系數的年代際尺度變化以及熱帶平均溫度的垂直廓線，偏差產生的主要原因是其模擬的對流層低層溫度變化偏強。

（2）FGOALS-g3 較FGOALS-g2 在性能上有一定提升，主要表現為：由于增加了火山氣溶膠強迫，使得其在對于平流層火山氣溶膠強迫的響應方面實現了從無到有的跨越；模擬的熱帶對流層放大現象的空間分布更加接近觀測；模擬的熱帶地區平均氣溫趨勢的垂直廓線更加接近基于濕絕熱遞減率理論的結果。

（3）耦合模式和單獨大氣模式結果間的差異主要表現為兩個方面，一是GAMIL3 模擬的氣溫趨勢值較FGOALS-g3 更接近于觀測結果，其氣溫時間序列及空間分布與觀測值的相關系數也更高，原因在于AMIP 型試驗中海溫變化的空間分布給定了觀測值，能夠合理反應實際的年際變率；二是GAMIL3 較FGOALS-g3 在熱帶地區溫度長期趨勢方面存在結構性偏差，而在年際變率方面表現合理，原因是GAMIL3 的AMIP 試驗缺少海氣耦合過程，無法合理反映海洋在對流層增溫中的反饋作用。