英语原文共 6 页，剩余内容已隐藏，支付完成后下载完整资料

评估GCM模拟的区域差异

Ximing Cai,Dingbao Wang,Tingju Zhu,and Claudia Ringler

收于2008年10月23日;修订于2008年12月1日;接受于2008年12月12日;发表于2009年1月28日。

尽管大气环流模式（GCM）在全球范围内模拟较好，个别区域通常仍会显示出较大的变化。这项研究评估了17个基于高分辨率的GCM对1961至1990以及1931至1960年期间温度和降水的模拟性能。技术评分绘制在2°times;2°格点上来呈现模拟性能的“区域”性。在与全球气候区，土地覆盖和高程图这些图重叠之后的技能图体现了GCM性能与地理变量分布之间的关系。全世界范围内没有哪一种GCM在预报温度和降水上更具有优越性，但也有一些GCM在某些特定区域模拟家较好。对于为GCM结果和根据GCM预测结果制定决策的决策人的研究人员来说，技能得分地图可能提供有益的指导；而对于GCM开发者，技巧评分地图可以为进一步研究打开新的领域以改善他们的模型。引文：Cai, X., D. Wang, T. Zhu, and C. Ringler(2009), Assessing the regional variability of GCM simulations,Geophys. Res. Lett., 36, L02706, doi:10.1029/2008GL036443.

1引言

[1]气候变化预测是通过高复杂的大气环流模型产生的。虽然这些模型收敛比较好，在全球范围内，在个别地区不同模式之间的结果仍可能显著不同 [Giorgi and Mearns, 2003; Schmittner et al., 2005; Connolley and Bracegirdle, 2007; Laurent and Cai, 2007; Whetton et al.,2007]。这种区域的变化是有问题的，影响了区域一级的评估，并已被确认为气候变化预测的不确定性的主要来源之一 [Giorgi and Francisco; 2000; Murphy et al.,2004]。模型模拟之间的差异通常是由于不同地区对于全球气候变化和多年代际变化模拟中混乱的行为嵌入的反应。本研究提出的GCM性能对温度和降水的气候变化模拟的全球地图（除南极），是基于相对模型模拟的均方根误差（RMSE）观测到的气温和降水。文章进一步显示了GCM技术评分与一些地理变量，如土地覆盖，地表海拔和气候带的空间关联。不再是评估大气环流模型的质量，我们认为，GCM模型结构，参数和模型验证的做法都可能受这些地理变量的分布的影响。

2、方法

[3]大气环流的表现是根据评估他们的“技能分数”[Murphy et al., 2004; Mu uml;ller et al., 2005;Connolley and Bracegirdle, 2007]，我们计算了基于模型的仿真与温度和降水的观测误差的技能成绩，每个S1表格列出了17个大气环流模式每月气温和降水的模拟，包括从世界备数据库中下载的“20世纪气候实验”（20C3M），为气候研究计划的耦合模式比较计划（CMIP3）做准备[Program for Climate Model Diagnosisand Intercomparison, 2008]。对于这些模型，用不同的初始条件（20C3M）准备气候实验有几点体会。在没有损害的情况下，一个单一的方案（方案1）使用相同的初始条件对所有模式进行研究。从东安格利亚大学气候研究小组1901年至1995年每月的气候时间序列CRU05 0.5°中观测到的气温和降水资料[New et al., 2000]，大气环流模型模拟和观测之间的比较是基于从1961-1990期间每个月的平均变量值。而1931年至1960年这段时期被用来验证结果。

[4]技能分数的计算用于全球陆地表面（除南极洲外）的2°times; 2°网格单元内。对于给定的周期（1961-990和1931年-1960年），17个GCM都要进行均方根误差计算，以及在这个研究中用逆均方差误差作为技能分数。此外，将逆RMES归一化到0和1之间的值（一个GCM的逆RMSE是17个环流模型的逆RMSE的平均），其代表的相对技能分数，而不是绝对的。归一化值的总和等于1，且平均技术得分为1/17asymp;0.06。因此，一个技巧评分高于0.06的GCM高于平均水平。

[5]技术得分图随着地理信息系统（GIS）而发展，被用作叠加土地覆盖图，数字高程模型（DEM），以及地图气候带这些地图之后进一步的空间分析，确定GCM区域差异和地理变量的可能关联。此外，每个GCM使用频率分析的方法对全球整体性能的评估。

3 成果

[6]图1表示基于预报的17个GCM的温度模拟技巧评分图。GMC1，16，14和13分别在高，中，低纬度地区具有最高技能评分。

图1 个别大气环流的技能的空间分布得分温度。

图2.GCM的69个区相对于温度的适宜性。在每个区域中，GCM数字代表那些技能得分介于三个最高并且比该区域中的平均值（即1/17）更大的GCM。

图3 GCM区，土地覆盖，气候带和海拔。对于气候带符号和定义标准的说明，请参见表S2。

一些在特定区域得分高的GCM，如模拟澳大利亚和欧洲的GCM1；模拟冰雪覆盖的格陵兰岛GCM5和GCM9；模拟北美，南美和南部非洲西部沿海地区的GCM13；GCM16和17模拟亚马逊地区以及欧洲中部和东部地区； GCM6模拟北非和北美落基山脉东侧；GCM14模拟加拿大伊丽莎白女王群岛。此外，GCM5，6和7对北美，亚马逊地区，北非和中东具有类似的分布，可能是因为这三种模式是由同一研究所开发。

[7]对于一些区域，如南亚，此研究中使用的技能得分技术中没有GCM是优选的。一种可能的解释是因为这一地区复杂的气候，如季风，在季度，每年，两年和年际时间尺度内进行周期性和高振幅的变化。正如Webster等人提出[1998]，亚洲季风的平均结构的模拟已被证明难以实现，以及观察到的ENSO季风关系很难复制。

[8]从技能评分图开始（图1），考虑到附近多达三个GCM的最高技能得分像素聚集，我们最终划定温度“最佳全球环流区”，如图2。这样的划分可在GIS(地理信息系统)通过叠置图1的十七个技能分数地图，然后在其中一至三个具有最高技能分数GCM中生成多边形。由于模式显而易见地来自技能得分地图的大部分地区，我们通过在视觉上区别不同地区的技能得分。例如，在非洲北部GCM6,7和11有最好的技能分数。因此，该区域标上这些环流模型的数目（即，6，7，11）。其中，只有一个或两个具有高性能得分区的GCM具有相应标记。除了南极洲，六十九个区被确定为全球陆地表面。

图4温度和降水的最大技巧评分的空间分布。

[9]图3a，3b和3c分别显示覆盖这些GCM区的气候区，土地覆盖和高度。如图3a所示，GCM区域与最近开发的气候区匹配良好[Peel et al.,2007]。例如，区域（6，7，11）和（1,3）位于干旱热沙漠的气候区；区域（2,6，10）和（1，13，17）位于冬天非常寒冷，没有干燥季节的气候区；区（2）位于夏季炎热无旱季的气候温和地区。气候区取决于全球地形形态和土地覆盖，因为这些变量影响大规模的大气环流[Peel等，2007]。在图3b中，大多数GCM区与世界各地土地覆盖联系紧密，例如，区（6，7，11）在非洲北部贫瘠的土地匹配好；区（1，8,10）涉及到庄稼地；区（16，17）和林地有关；区（7,4，13），涉及灌木林地。土地覆盖取决于气候区，但也提供了气候动态的反馈效果。

[10]此外，GCM似乎也与高程有关。特别在美国的太平洋地区以及几乎所有的亚洲和非洲（图3c）。例如，区域（15，17），（5,9）涉及到的高海拔区域和区域（1，16），（11，15，9），（5,13），涉及的低海拔地区。因此，在温度方面的GCM区域可能反映某些生物-物理模式。

[11]为了验证效果，技术评分图开发了另一个测试期，1931年至1960年（图S1）。这些地图在测试期间（1961年至1990年）显示相似的初步结果。

[12]不同于温度，什么是关于GCM模拟的降水区域差异？我们计算技术评分并对同一组GCM降水模拟进行类似的空间分析，如显示于图S2和S3的两个测试期内。比较降水量图与温度图，在大多数区域甚至全球GCM两个变量的评分是一致的；例如GCM1，GCM14和GCM17对温度和降水都有更高的技术评分；GCM8对温度和降水具有更低的技能评分。但一些GCM，如GCM2，GCM10，GCM11和GCM16对世界大部分地区的气温和降水的模拟具有不同的性能得分。

[13]图4表示用于每个像素的最高技术评分。对于温度而言，大约全球陆地表面面积的3.8％最高技术评分在0.06至0.12之间，面积的27.5％最高技术评分超过0.16。另一方面，对降水而言，土地面积的52.3％的最高技术评分在0.06和0.12之间，并且只有14.2％的土地最高技术评分高于0.16。这证实了降水量少的模型比其他的执行更好，不同于气温，尤其在在高纬度地区执行得更好。

[14]对全世界不同GCM的总体评分，我们研究每个GCM技能评分的超越概率，如图5所示，关于温度和降水。超越概率是利用超过世界上所有像素频率的GCM的分数进行分析计算（样品的总数被设定为象素的数目，4461）。例如，GCM 1对温度而言技评分在0.06分以上的超越概率（17个GCM的平均值）为54%，这意味着GCM 1表现高于平均水平为全球土地面积的54%（不包括南极洲）。17个GCM中温度的预测成绩最好是GCM1，GCM14，GCM17。在平均评分（1 / 17% 0.06），超越概率为0.25（GCM9）到0.54（GCM1）；而在较高的技能分数门槛例如0.2——没有GCM已经大于0.05的超越概率。17个GCM中，GCM5，GCM8，GCM9在全世界大多数地区得分最低。我们发现，不同于温度和降水的超越概率曲线， GCM1的性能优于基于超越概率的温度和降水模拟。

图5 每个GCM相对于温度和降水的技能得分的超越概率。

[15]为了进一步显示技能成绩的空间分布，图4描绘了除南极洲以外的世界陆地最高技术评分。根据定义，任何像素的最高技术得分应该是大于1 / 0.06asymp;17%的平均技术得分。如果一个像素的最高技术评分仅略高于0.06，并没有哪一个GCM在那个像素下具有优越性。在这种情况下，所有的模式应该相似地运行，GCM的选择不会对模拟结果有显著性差异。另一方面，如果在一个像素最高的得分远远超过0.06，那么一个或几个环流模型表现比其他人要好得多。例如，在一些高纬度地区和非洲北部，有很高的技巧评分的GCM1似乎对模拟区域温度和降水最佳。一些大气环流表现明显优于其他高、中纬度地区的气温和降水量，而所有17个大气环流也有类似的技能评分接近0.06的平均值，在除澳大利亚西部的低纬度地区一般情况下，温度和降水需要在内部一致的方式同时进行，这意味着同样的模式应该用于温度和降水的模拟。

[16]最后，应该指出的是，我们不打算证明任何大气环流模式的质量，因为我们只评估了17个GCM有限的性能指标和有效期。大气环流的区域尺度的评估需要更多分配基于后报分析的技能评分[Whetton et al., 2007; Laurent and Cai,2007]。然而，本文提出的技巧评分地图针对特定地区和降雨与气温关系就大气环流模式进行更好的重演过去和当前气候观测等方面提供一些指导，有望成为研究人员研究GCM和政策制定者们利用GCM预测成果进行决策工作的有用信息。

4.结论

[17]该评估GCM模拟技巧评分的区域图表明，温度模拟模型的表现似乎与土地覆盖，地形形态和气候区有关。没有任何一个GCM得分高于整个全球陆地表面，虽然在特定区域一些大气环流模型得分高。大多数大气环流模式模拟降水和气温相似，虽然几个大气环流模型存在不一致性。是否由于地理变量，如土地覆盖，地表高程和气候带的影响，GCM技能评分的空间格局是GCM模型结构的化参数和模型验证的做法？这已经超出了本文讲解GCM表现的空间模式的范围，进一步研究应留给GCM 研发者。我们希望技能评分图提供一些提示给GCM开发人员来检查和进一步提高他们的模型。此外，我们的结果表明，世界各地个单个大气环流模式表现良好。这可以为区域气候模式（RCM）嵌套提供有用信息。通常RCM建模都面临着必须选择一个特定区域的GCM的窘境。
[18] 致谢。作者感谢三位匿名审稿人的意见和建议，提高了原来的本文的版本。

参考文献

Claussen, M., et al. (2000), Earth system models of intermediate complexity:Closing the gap in the spectrum of climate system models, Clim. Dyn., 18,579 – 586.

Connolley, W. M., and T. J. Bracegirdle (2007), An Antarctic assessment of IPCC AR4 coupled models, Geophys. Res. Lett., 34, L22505,doi:10.1029/2007GL031648.

Giorgi, F., and R. Francisco (2000), Evaluating uncertainties in the prediction of regional climate change, Geo

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[30028]，资料为PDF文档或Word文档，PDF文档可免费转换为Word