陈威霖，江志红，黄强

(1.南京信息工程大学气象灾害省部共建教育部重点实验室，江苏南京210044;2.南京信息工程大学大气科学学院，江苏南京210044;3.浙江省海宁市气象局，浙江海宁314400)

0 引言

全球气候系统模式是进行气候模拟和未来气候变化情景预估的重要工具，近年来各国科学家使用不同的全球气候系统模式，进行了大量模拟和预估试验，取得了很多重要成果(赵宗慈，2006;Meehl et al.，2007;赵宗慈，2009;Sun and Ding，2010)。如:Sun and Ding(2010)利用参与IPCC AR4的新一代气候模式结果，考察了未来百年SRES A1B情景下东亚夏季降水和季风环流的未来演变特征。但目前全球模式的分辨率一般较低(如IPCC AR4模式水平分辨率一般在100 km至几百千米)，从而在区域尺度尤其是局地尺度的气候模拟及气候变化预估等方面产生较大偏差，此外全球耦合模式普遍存在降水过于频繁，导致模拟的降水强度偏低的问题(Sun et al.，2006)。特别是中国位于东亚季风区，地形复杂多变，全球模式对该区域气候的模拟与预估存在较大的不确定性(高学杰等，2004;Jiang et al.，2005;Zhou and Yu，2006;江志红等，2009a)。但众所周知，区域尺度的气候变化信息对于气候变化影响评价与制定应对气候变化决策至关重要，因此，迫切需要解决全球气候模式的粗分辨率与高分辨区域尺度气候预测需求之间的矛盾。

目前有3种方法可以弥补GCM预测区域气候变化情景的不足(Christensen et al.，2007)，一是发展更高分辨率的AGCM模式，但需要很高的计算资源，或采用可变网格大气环流模式(Zhou and Li，2002;Chen et al.，2011a);第二种方法就是动力降尺度法，即利用嵌套在全球气候模式中的高分辨率区域气候模式，进一步预估各区域或局地不同排放方案下未来气候变化的细节(高学杰等，2003a，2003b;张勇等，2007;石英和高学杰，2008);最后一种是经验—统计降尺度法(范丽军等，2005;Fowler et al.，2007)，该方法通过多年的观测资料建立大尺度气候要素(主要是大气环流)和区域气候要素之间的统计关系，并用独立的观测资料检验这种关系，最后将这种关系应用于GCM输出的大尺度气候信息，进行区域未来的气候变化的情景预估。常用的统计降尺度方法主要有以下3种(范丽军等，2005;Maraun et al.，2010):1)转换函数法;2)环流分型技术;3)天气发生器。

由于统计降尺度方法相对简便易行，且就目前而言其精度并不亚于动力方法，其研究区域及具体实施方案又有较大的灵活性。故目前统计降尺度方法在国外已被广泛应用于区域气候的模拟和预估研究(Haylock et al.，2006;Schmidli et al.，2007;Maraun et al.，2010)，如欧盟的STARDEX(statistical and regional dynamical downscaling of extremes for European regions)计划(Goodess，2003)，专门研究了各种统计降尺度方法对不同气候区不同季节极端温度、降水指数的模拟能力。作为该计划的一部分，Goodess et al.(2011)评估了22种统计降尺度方法对不同指数模拟能力，指出一般冬季效果最好，夏季最差，且温度指数好于降水，但哪种统计降尺度方法较好则随不同气候区有所差别。国内陆续有学者利用统计降尺度方法进行中国区域气候的模拟和情景预估(Wetterhall et al.，2006;范丽军等，2007;赵芳芳和徐宗学，2007;范丽军，2010;崔妍等，2010;Chu et al.，2010)。如范丽军等(2007)采用主分量分析与逐步回归分析相结合的多元线性回归模型统计降尺度方法对华北地区1月和7月49个气象观测站的未来月平均温度变化情景进行预估。Wetterhall et al.(2006)考察了4种不同统计降尺度方法对中国3个不同气候区逐日降水的模拟能力，并指出在预报因子中增加湿度场变量能显著改善降尺度模式对逐日降水的模拟性能。但总体上统计降尺度方法在中国地区的应用尚不多见。特别缺乏将统计降尺度模式应用于区域极端气候事件的模拟和预估。

最近由Wilby et al.(2002)、Wilby and Dawson(2007)研制的一种统计降尺度模型(statistical downscaling model，SDSM)，采用随机天气发生器与多元回归的有机结合，已广泛应用于欧洲、北美和东南亚等地的气象要素场降尺度分析中(Haylock et al.，2006;Wetterhall et al.，2006，2007;)。一些对比研究(Harpham and Wilby，2005;Wetterhall et al.，2006)表明，该方案的模拟精度相对较高。本文引入统计降尺度模型SDSM，考察SDSM对江淮流域各极端气候指数的模拟能力，在此基础上，结合SRES A2排放情景下HadCM3和CGCM3模式的结果，通过SDSM模型，进行该情形下21世纪末期江淮流域极端气候事件的预估，以便为气候变化的影响评价与应对决策提供依据。

1 资料与方法简介

1.1 站点资料和大尺度预报因子介绍

选取了江淮流域(110～122°E，28～34°N)分布较为均匀，且具有1961—2000年完整逐日序列的29个站点，其分布如图1所示。用于建立统计降尺度模型的大尺度环流因子主要有:海平面气压，表面风(风速，风向)、湿度、涡度，850 hPa和500 hPa位势高度、风、湿度、涡度，以及2 m高度温度等一共26个变量。在进行情景预估时，为减少不确定性，大尺度预报因子从以下两个海气耦合模式中选取:1)HadCM3模式(Gordon et al.，2000)，该模式是Hadley中心发展的海气耦合模式，具有大气部分垂直分层19层，其水平分辨率为3.75°×2.5°;2)加拿大CGCM3.1(T47)耦合模式(Flato et al.，2000)，其水平分辨率为3.75°×3.75°。以上大尺度环流场资料可从http://www.cccsn.ca/index-e.html下载，更详细的说明参见文献(Gachon and Dibike，2007;Dibike et al.，2008)，与SDSM在其他世界气候区的应用一样，预报因子变量取自与研究区内各站点经纬度最接近的模式网格值。鉴于利用耦合模式环流场建模的降尺度精度与耦合模式环流场的模拟效果有关，故本文同时利用NCEP资料的大尺度环流场，以便与耦合模式驱动的降尺度效果进行对比，为便于叙述，将NCEP资料、HadCM3模式和CGCM3模式驱动的SDSM分别记为SDSMNCEP，SDSM-HadCM3和SDSM-CGCM3(下同)。

图1 江淮流域(110～122°E，28～34°N)的29个代表站点分布Fig.1 Distribution of the 29 stations in the Yangtze and Huaihe River Basins(28—34°N，110—122°E)

1.2 极端气候指数介绍

对极端气候，可有两种方法来表征，一种基于极端值理论(Ding et al.，2008)，另一种是通过一些具有显著意义的极端气候指数(Frich et al.，2002;Alexander et al.，2006)，本文利用后者来研究江淮流域的极端气候变化。与Chen et al.(2011a)一致，主要选取了一些对经济、社会和自然生态系统具有较大影响的极端气候指数，如霜冻(frost days，FD)指数，热浪(heat waves，HW)指数，日降水强度(simple daily intensity，SDII)指数，最大持续无雨期(consecutive dry days，CDD)指数，连续5 d最大降水量指数(maximum 5 days rainfall，R5d)和极端降水贡献率指数(heavy precipitation fraction，R95t)，此外还统计了季节平均的最高温度(Tmax)、最低温度(Tmin)和平均降水(Pav)，其单位、定义如表1所示。

表1 极端气候指数的定义Table 1 Definition of climate extremes indices used in this study

1.3 SDSM简介

统计降尺度模型SDSM是Wilby et al.(1999，2002，2003)、Wilby and Dawson(2007)研制的一种新的统计降尺度方法。通过采用多元线性回归方法与随机天气发生器的有机结合，克服了仅用前者会过低估计年际变率的弱点，同时又借助随机模拟技术使逐日序列的方差更接近观测值。目前已被世界各地广泛用于气象、水文及环境评价等诸多领域(Haylock et al.，2006;Khan et al.，2006;Wetterhall et al.，2006;Gachon and Dibike，2007;Dibike et al.，2008;Chu et al.，2010)。其基本原理如公式(1)、(2)所示。式中:Oi为降水概率;Ri为降水量;Ti是温度变量(如逐日最高、最低温度);Pij为大尺度预报因子;n为预报因子个数;α、β、γ为模式参数;ei为模式误差。

对于降水(式(1))，先对降水发生概率(Oi)进行模拟，如果发生降水，再用随机天气发生器来模拟降水量(Ri)。注意到与单一天气发生器不同，SDSM中降水概率取决于当天的大尺度环流因子，一定程度上克服了天气发生器物理涵义不明确的缺点(Katz and Parlange，1998)。对于温度，则直接用公式(2)来模拟。有关SDSM的更详细说明可以参见文献(Wilby et al.，1999，2002，2003)。

2 SDSM模式的建立与独立检验

2.1 预报因子的选择

对每个站点，利用逐步回归的方法，通过计算偏相关，从与该站点最邻近的格点上的26个大尺度预报因子中选取最优因子(Hessami et al.，2008)，表2给出了利用NCEP资料对逐日最高温度、最低温度和逐日降水建模时，江淮流域6个典型站点选取的最优建模因子(需要指出的是，不同站点不同气象要素的最优大尺度因子略有不同，这里限于篇幅仅给出6个站点的情形)。由表2可以看出，入选的主要有对流层中低层的大尺度变量，如海平面气压、850 hPa位势高度场、850 hPa相对湿度场等，注意到对于降水的模拟，其最优因子都包括湿度变量，这与先前的一些研究结论是一致的(Wetterhall et al.，2006)。此外，不同站点得到的回归方程的解释方差不一致，对于降水，其值在10%～30%;而对最高温度、最低温度，对各站的解释方差介于47%～67%。

2.2 模式独立检验

对于统计降尺度模型，有两种方法可以检验模式的稳定性(范丽军等，2005)，一种是交叉检验的方法，另外一种就是采用不参与建模的独立数据。本文采用后一种方法，即用1961—1990年数据来建立模型的参数，而用1991—2000的数据来检验模式对当前气候模拟的稳定性。

2.2.1 年循环的模拟

图2给出了独立验证期(1991—2000年)江淮流域各月最高、最低温度和降水量的观测值和模拟值，其中Raw-HadCM3和Raw-CGCM3分别代表耦合模式HadCM3和CGCM3的直接输出值，可以看出，对于月平均最高温度和最低温度，耦合模式HadCM3和CGCM3都存在冷偏差，尤以CGCM3模式更甚，而利用这两个模式大尺度环流场驱动的SDSM模式，即SDSM-HadCM3和SDSM-CGCM3，则更接近实况，此外，SDSM-NCEP模拟的最高、最低气温年循环也与实况较为一致。对于月平均降水，则比较复杂，江淮流域观测月降水量的极值出现在6月(主要是梅雨)，NCEP资料驱动的SDSM模型能比较好地模拟出来，但不论耦合模式HadCM3和CGCM3的直接输出降水，还是利用这两个模式大尺度环流场资料驱动的SDSM，模拟的月降水极值都不在6月，且量级偏小，这也说明耦合模式对处于季风区的江淮流域降水及相关大尺度环流场年变化的模拟存在困难(张莉等，2008)。

表2 江淮流域6个典型站点的最优建模因子Table 2 Best NCEP predictors selected for daily maximum temperature and precipitation of the six representative stations over the Yangtze-Huaihe River Basins

图2 观测与模拟的江淮流域各月平均最低温度(a)、最高温度(b)和降水量(c)的对比Fig.2 Comparison of monthly mean(a)minimum temperature，(b)maximum temperature and(c)precipitation between the observed and simulated values(both downscaled and raw GCMs)

2.2.2 对极端指数的模拟能力

为检验SDSM对各极端气候指数的模拟能力，首先计算了CGCM3模式、SDSM-NCEP、SDSMCGCM3模拟的1991—2000年江淮区域29个代表站点平均各季最高、最低温度、霜冻和热浪天数及其对应观测值的偏差(模拟值减去观测值)。由表3可以看出，如前所述，CGCM3模式在江淮流域存在较大的冷偏差，且以冬季最为显著，如CGCM3模式模拟的冬季最高温度，最低温度分别比实况偏低4.4℃和5.9℃;这种冷偏差导致其模拟的霜冻日数较实况大幅偏多，如年霜冻日数较观测偏多约63 d。但降尺度模型SDSM-NCEP和SDSM-CGCM3则能显著纠正这种冷偏差，模拟的最高、最低温度，更接近实况，如SDSM-CGCM3模拟的冬季最高温度，最低温度与观测值的偏差分别为－1.4℃和－0.4℃，比降尺度前的CGCM3模式的偏差分别减少4℃和5.5℃。SDSM-CGCM3模拟的年霜冻日数的偏差为2.4 d，比CGCM3减少约60 d。对于热浪天数，由于其计算是根据自身序列的90%分位点计算(表1)，故这里看不出降尺度模型的明显改善。

对于降水，图3给出了江淮流域各季节各极端降水指数的模拟偏差百分率((模拟值－观测值)/观测值×100%)，可以看出，降尺度模型对4个季节平均降水、月降水强度和连续5 d最大降水量的模拟偏差率，都较耦合模式CGCM3的偏差率小。如CGCM3对于各个季节的降水强度模拟都偏低，夏季偏低幅度达到60%，这也是耦合模式的一个普遍问题(Sun et al.，2006;江志红等，2009a)，但SDSMNCEP和SDSM-CGCM3对月降水强度的模拟则大有改善，夏季的偏低幅度皆在10%以内。此外对于夏季ICDD和R95t指数，SDSM也更接近观测值。

2.2.3 对极端指数时间变化的模拟能力

为考察SDSM-NCEP对极端气候指数时间变化的模拟能力，图4给出了1991—2000年不同季节SDSM-NCEP模拟各指数序列与实况序列之间的相关系数(图4a)以及均方差比值(图4b，模拟序列均方差/观测序列均方差)。可以看出，总体上SDSMNCEP对各季节平均降水、平均最高和最低温度的年际变化具有较好的模拟能力，相关系数都在0.8以上，此外对于两个极端温度指数年际变化的模拟能力总体上好于极端降水总数。图4b给出了SDSM-NCEP对各指数不同季节的1991—2000年模拟序列均方差与观测序列均方差之间的比值。可以看出，所有比值都小于1，说明SDSM-NCEP模拟的年际变率小于观测值，注意到这也是很多统计降尺度方法的普遍问题(Storch，1999;Hundecha and Bardossy，2008)，但总体来说，模式对最高温度、最低温度的年际变率模拟较好，接近实况，而对降水及其相关极端指数则相对较差。而SDSM-CGCM3，对于极端指数的年际变化模拟能力较差(图略)。

表3 独立验证期(1991—2000年)SDSM对各极端温度指数的模拟偏差Table 3 Domain-averaged biases of extreme temperature indices during the validation period(1991—2000)

图3 1991—2000年江淮流域冬(a)、春(b)、夏(c)、秋(d)季各极端降水指数的模拟偏差百分率Fig.3 Histograms of simulated domain-averaged biases(by percentage)of extreme precipitation indices in(a)winter，(b)spring，(c)summer and(d)autumn during the validation period(1991—2000)

图4 SDSM-NCEP对各指数不同季节的1991—2000年模拟序列与观测序列之间的相关系数(a)和模拟序列均方差与观测序列均方差之间的比值(b)Fig.4 Histograms of(a)correlation coefficients between the observed and SDSM-NCEP downscaled in dices of daily maximum，minimum temperature and precipitation and(b)ratio of standard deviations of the simulated and observed indices during the validation period

总之，SDSM降尺度模型能较好地模拟出年循环，且模拟效果的确好于嵌套的GCM;此外，对耦合模式的冷偏差有显著的改进，模拟的极端降水的强度也更接近实况，说明降尺度模型的确可以起到增加值的作用。

3 SRES A2排放情景下江淮地区未来极端气候变化的预估

全球变暖背景下极端气候事件将如何响应，这是全球变化研究领域中的重要问题。本文将前述建立的SDSM统计降尺度模型分别应用于21世纪SRES A2排放情景下，HadCM3和CGCM3模式的大尺度环流场因子，得出江淮地区在该排放情景下各站点逐日最高、最低温度、逐日降水信息，然后计算极端气候指数。选择21世纪末期2070—2099年(记为2080s，下同)的统计降尺度结果与气候基准时段(1961—1990年)的统计降尺度的结果进行比较，即用各个季节各指数2070—2099年的均值减去基准时段的对应值，得到极端气候指数的变化信息。

3.1 极端温度变化

表4给出了江淮流域区域平均21世纪80年代的极端指数变化情况(相对于1961—1990年)，可以看出，对比所嵌套的两个不同耦合模式，SDSMHadCM3和SDSM-CGCM3模拟的极端温度变化不仅在变化符号，而且在变化幅度上都有较好的一致性。SRES A2情景下21世纪末期，江淮流域各个季节的极端最高，最低温度显著增加，且增加幅度在夏季最大，如SDSM-HadCM3和SDSM-CGCM3模拟的夏季最高温度将分别增加4.2℃和4.1℃，夏季最低温度分别增加3.2℃和3.3℃。逐日最高气温的增加导致热浪天数大幅增加，如夏季SDSMHadCM3和SDSM-CGCM3模拟的热浪天数将分别增加约8 d和10 d;由于逐日最低气温的增加，霜冻天数将大幅减少，如冬季两个模式模拟的霜冻天数分别减少约16 d和20 d。

表4 SRES A2情形下2070—2099年江淮流域极端气温指数的变化(相对于1961—1990年)Table 4 Projected changes of temperature-related in dices during 2070 and 2099(A2 scenario)compared with current climate(1961—1990)

以上给出的是江淮区域整体平均的极端温度及其相关指数的变化，为考察不同站点变化幅度的差异，图5给出了SDSM-HadCM3和SDSM-CGCM3模拟的江淮流域29站2070—2099年不同季节最高、最低温度的变化幅度的框型图。框型图可用于统计一组或多组数据中心位置和分散情况，该统计图提供了一种只用5个点对数据集做简单总结的方式。这5个点包括中位数、上四分位数、下四分位数、最大，最小值(范丽军，2010)。因此框型图可以很好地反映不同站点之间变化幅度的差异。由图5可以看出，四季及年平均最高温度、最低温度在所有站点都有显著的增加，且以夏季增加最为明显。与之相应的是，所有站点的霜冻大幅减少，而热浪天数大幅增加(图6)，如不同站点间冬季霜冻天数减少幅度为5～25 d(中位数为17 d)，夏季热浪天数增加幅度为4～14 d。注意到本文的统计降尺度结果与利用动力降尺度的结果类似(张勇等，2007;Chen et al.，2011a)。此外对比两个不同的大尺度模式HadCM3和CGCM3驱动SDSM的预估结果，不同站点极端温度指数变化方向和幅度都具有较高的一致性，这也说明全球变暖背景下与温度有关的指数的变化不确定性比较低。

图5 21世纪末期(2070—2099年)江淮流域29站不同季节最高温度(a，b)、最低温度(c，d)变化的框型图a，c.SDSM-HadCM3;b，d.SDSM-CGCM3Fig.5 Box plots of projected changes of(a，b)maximum and(c，d)minimum temperature simulated by(a，c)SDSM-HadCM3 and(b，d)SDSM-CGCM3 during 2070 and 2099 under IPCC A2 scenario，compared with 1961—1990(For each box，the lower，middle，and upper bounds denote the 25th，50th，and 75th percentiles of the 29-station network)

3.2 极端降水变化

以往的研究表明，全球变暖背景下，温度增加将导致大气可容纳水汽的增加，降水强度将增加(Meehl et al.，2005);同时区域平均温度的改变也可导致区域极端降水概率分布特征的变动(江志红等，2009b)。对于江淮流域，图7给出冬、夏季和年内江淮区域平均的平均降水和各极端降水指数的变化，可以看出，21世纪后期，除在冬季CDD指数略有减少，其他几个指数都呈增加趋势，且增加幅度在夏季最大，如在江淮流域夏季，SDSM-HadCM3和SDSM-CGCM3预估的ISDI将分别增加22%和19%;极端降水贡献率指数R95t也将分别增加26%和27%;R5d分别增加17%和24%;最大无雨日数指数ICDD也将分别增加27%和19%。对于春季和秋季，总体上各极端降水指数也是增加的(图略)。

对于各个单站的极端降水指数变化，图8给出了SDSM-HadCM3和SDSM-CGCM3模拟的江淮流域29站不同季节平均降水以及降水强度变化幅度的框型图。可以看出，较之温度指数，各个站点不同季节平均降水变化的符号和幅度具有较大的差异，如各站点夏季平均降水变化的幅度在－25%～25%之间，此外在两个HadCM3和CGCM3模式驱动SDSM的预估结果间，也具有较大的差异。而对降水强度指数ISDI，以及R5d和R95t(图9)对于绝大部分站点，各个季节都是增加的。说明未来全球变暖背景下，江淮流域降水有极端化的趋势(Meehl et al.，2005;崔妍等，2010;Chen et al.，2011a)。

综上，未来SRES A2情形下，SDSM统计降尺度结果表明，江淮流域极端高温热浪事件将显著增多，而极端降水也更为频繁，强度更强，这与利用全球耦合模式(江志红等，2009a)、动力降尺度模式(Zhang et al.，2006;Chen et al.2011a)以及其他统计降尺度方法(崔妍等，2010)得出的预估结果是一致的，故该区未来的防灾减灾形势可能会更严峻。

图6 21世纪末期(2070—2099年)SDSM-HadCM3和SDSM-CGCM3模拟的江淮流域29站不同季节霜冻(a，b)、热浪(c，d)天数变化的框型图a，c.SDSM-HadCM3;b，d.SDSM-CGCM3Fig.6 Box plots of projected changes in(a，b)FD and(c，d)HW simulated by(a，c)SDSM-HadCM3 and(b，d)SDSM-CGCM3 during 2070 and 2099 under IPCC A2 scenario，compared with 1961—1990(For each box，the lower，middle，and upper bounds denote the 25th，50th，and 75th percentiles of the 29-station network)

图7 极端降水指数的变化率(相对于1961—1990年)(SDSM-H和SDSM-C分别代表用HadCM3和CGCM3耦合模式大尺度预报因子驱动SDSM;单位:%)Fig.7 Projected fractional changes(units:%)of precipitation-related indices(A2 scenario)compared with current climate(1961—1990)

图8 21世纪末期(2070—2099年)江淮流域29站不同季节平均降水Pav(a，b)、日降水强度(c，d)变化的框型图a，c.SDSM-HadCM3;b，d.SDSM-CGCM3Fig.8 Box plots of projected changes in(a，b)Pavand(c，d)ISDIsimulated by(a，c)SDSM-HadCM3 and(b，d)SDSM-CGCM3 during 2070 and 2099 under IPCC A2 scenario，compared with 1961—1990(For each box，the lower，middle，and upper bounds denote the 25th，50th，and 75th percentiles of the 29-station network)

4 结论与讨论

利用江淮流域29个代表站点1961—2000年逐日最高温度、最低温度和逐日降水资料，以及NCEP逐日大尺度环流场资料，引入基于多元线性回归与随机天气发生器相结合的统计降尺度模型SDSM，通过对每个站点建模，确立SDSM参数，并将该模型应用于SRES A2排放情景下HadCM3和CGCM3模式，得到了江淮流域各代表台站21世纪的逐日最高、最低温度和降水序列以及热浪、霜冻、强降水等极端气候指数。结果表明如下。

图9 21世纪末期(2070—2099年)江淮流域29站不同季节降水R5d(a，b)、R95t(c，d)变化的框型图a，c SDSM-HadCM3;b，d.SDSM-CGCM3Fig.9 Box plots of projected changes in(a，b)R5dand(c，d)R95tsimulated by(a，c)SDSM-HadCM3 and(b，d)SDSM-CGCM3 during 2070 and 2099 under IPCC A2 scenario，compared with 1961—1990(For each box，the lower，middle，and upper bounds denote the 25th，50th，and 75th percentiles of the 29-station network)

1)当前气候下，统计降尺度方法模拟的极端温度与观测值有很好的一致性，能有效纠正耦合模式的“冷偏差”，如SDSM对江淮平均的冬季最高、最低温度的模拟偏差较CGCM3模式分别减少3℃和4.5℃;对于极端降水则能显著纠正耦合模式模拟的降水强度偏低的问题，说明降尺度模型SDSM的确有“增加值”的作用。

2)未来SRES A2情景下，对于极端温度，无论HadCM3模式还是CGCM3模式驱动统计降尺度模型，江淮流域所有代表台站，各个季节的最高最、低温度都显著增加，且以夏季最为显著，增幅在2～4℃;与之相应霜冻天数将大幅减少，热浪天数大幅增多，如各站点冬季霜冻天数减少幅度为5～25 d，夏季热浪天数增加幅度为4～14 d;对于极端降水指数，在两个不同耦合模式驱动下，大部分站点各个季节极端强降水事件将增多，强度增强。说明未来江淮流域夏季高温热浪，旱涝灾害将更加频繁，防灾形势不容乐观。

由于极端气候事件本身的复杂性，尤其是极端降水，不仅受高空大尺度环流场影响，还受局地因子影响(如地形)，同时SDSM降尺度模型本身也存在缺陷，如在选择预报因子时，仅取最邻近站点，此外根据当前气候建立的预报因子与预报量之间的统计关系，在未来全球变暖背景下是否依然适用，也需要慎重考虑。这都导致对于极端气候事件的预估结果存在较大的不确定性。未来需要综合利用多种统计尺度方法，并与动力统计降尺度结合进行，以尽可能减少降尺度方法产生的不确定性;而同时利用多个GCM模式的大尺度环流场来进行降尺度分析，给出概率预估结果(Chen et al.，2011b)，也不失为一种减少大尺度背景场带来的不确定性的好途径。

崔妍，江志红，陈威霖.2010.典型相关分析方法对21世纪江淮流域极端降水的预估试验［J］.气候变化研究进展，6(6):405-410.

范丽军.2010.统计降尺度方法集合预估华东气温的初步研究［J］.高原气象，29(2):392-402.

范丽军，符淙斌，陈德亮.2005.统计降尺度法对未来区域气候变化情景预估的研究进展［J］.地球科学进展，20(3):320-329.

范丽军，符淙斌，陈德亮.2007.统计降尺度法对华北地区未来区域气温变化情景的预估［J］.大气科学，31(5):888-898.

高学杰，赵宗慈，丁一汇，等.2003a.温室效应引起的中国区域气候变化的数值模拟Ⅰ:模式对中国气候模拟能力的检验［J］.气象学报，61(1):20-28.

高学杰，赵宗慈，丁一汇，等.2003b.温室效应引起的中国区域气候变化的数值模拟Ⅱ:中国区域气候的可能变化［J］.气象学报，61(1):29-38.

高学杰，林万涛，Fred K，等.2004.实况海温强迫的CCM3模式对中国区域气候的模拟能力［J］.大气科学，28(1):78-90.

江志红，陈威霖，宋洁，等.2009a.7个IPCC AR4模式对中国地区极端降水指数模拟能力的评估及其未来情景预估［J］.大气科学，33(1):109-120.

江志红，丁裕国，蔡敏.2009b.未来极端降水对气候平均变暖敏感性的蒙特卡罗模拟试验［J］.气象学报，67(2):272-279.

石英，高学杰.2008.温室效应对我国东部地区气候影响的高分辨率数值试验［J］.大气科学，32(5):1006-1018.

张莉，丁一汇，孙颖.2008.全球海气耦合模式对东亚季风降水模拟的检验［J］.大气科学，32(2):261-276.

张勇，许吟隆，董文杰，等.2007.SRES B2情景下中国区域最高、最低气温及日较差变化分布特征初步分析［J］.地球物理学报，50(3):714-723.

赵芳芳，徐宗学.2007.统计降尺度方法和Delta方法建立黄河源区气候情景的比较分析［J］.气象学报，65(4):653-662.

赵宗慈.2006.全球气候变化预估最新研究进展［J］.气候变化研究进展，2(2):68-70.

赵宗慈.2009.为IPCC第五次评估报告提供的全球气候模式预估［J］.气候变化研究进展，5(4):241-243.

Alexander L V，Zhang X，Peterson T C，et al.2006.Global observed changes in daily climate extremes of temperature and precipitation［J］.JGeophysRes，111(D5)，D05109.doi:10.1029/2005JD006290.

Chen Weilin，Jiang Zhihong，Li L，et al.2011a.Simulation of regional climate change under the IPCC A2 scenario in southeast China［J］.Climate Dyn，36:491-507.doi:10.1007/s00382-010-0910-3.

Chen Weilin，Jiang Zhihong，Li L.2011b.Probabilistic projections of climate change over China under the SRES A1B scenario using 28 AOGCMs［J］.JClimate.24:4741-4756.doi:10.1175/2011JCLI4102.1.

Christensen J H，Hewitson B，Busuioc A，et al.2007.Regional climate projections［R］//Solomon S，Qin D，Manning M，et al.Climate change 2007:The physical science basis.New York:Cambridge U-niversity Press.

Chu J T，Xia J，Xu C Y，et al.2010.Statistical downscaling of daily mean temperature，pan evaporation and precipitation for climate change scenarios in Haihe River of China［J］.Theor Appl Climatol，99(1):149-161.doi:10.1007/s00704-009-0129-6.

Dibike Y B，Gachon P，St-Hilaire A，et al.2008.Uncertainty analysis of statistically downscaled temperature and precipitation regimes in northern Canada［J］.Theor Appl Climatol，91:149-170.doi:10.1007/s00704-007-0299-z.

Ding Yuguo，Cheng Bingyan，Jiang Zhihong.2008.A newly-discovered GPD-GEV relationship together with comparing their models of extreme precipitation in summer［J］.Adv Atmos Sci，25(3):507-516.

Flato G M，Boer G J，Lee W G，et al.2000.The Canadian centre for climate modelling and analysis global coupled and its climate［J］.Climate Dyn，16(6):451-467.

Frich P，Alexander L V，Della-Marta P，et al.2002.Observed coherent changes in climatic extremes during the second half of the twentieth century［J］.Climate Res，19:193-212.

Fowler H J，Blenkinsop S，Tebaldi C.2007.Linking climate change modelling to impacts studies:Recent advances in downscaling techniques for hydrological modeling［J］.Int J Climatol，27(12):1547-1578.

Gachon P，Dibike Y.2007.Temperature change signals in northern Canada:Convergence of statistical downscaling results using two driving GCMs［J］.Int J Climatol，27:1623-1641.

Goodess C M.2003.Statistical and regional dynamical downscaling of extremes for European regions:STARDEX［J］.Eggs，6:25-29.

Goodess C M，Hall J，Best M，et al.2007.Climate scenarios and decision making under uncertainty［J］.Built Environment，33(1):10-30.doi:10.2148/benv.33.1.10.

Gordon C C，Cooper C A，Senior H，et al.2000.The simulation of SST，sea ice extents and ocean heat transport in a version of the hadley centre coupled model without flux adjustments［J］.Clim Dyn，16(2):147-168.doi:10.1007/s003820050010.

Harpham C，Wilby R L.2005.Multi-site downscaling of heavy daily precipitation occurrence and amounts［J］.J Hydrol，312(1/4):235-255.

Haylock M R，Cawley G C，Harpham C，et al.2006.Downscaling heavy precipitation over the UK:A comparison of dynamical and statistical methods and their future scenarios［J］，Int J Climatol，26(10):1397-1415.

Hessami M，Gachon P，Ouarda T B，et al.2008.Automated regressionbased statistical downscaling tool［J］.Environmental Modeling and Software，23(6):813-834.

Hundecha Y，Bardossy A.2008.Statistical downscaling of extremes of daily precipitation and temperature and construction of their future scenarios［J］.Int J Climatol，28:589-610.doi:10.1002/joc.1563.

Jiang D，Wang H J，Lang X.2005.Evaluation of East Asian climatology as simulated by seven coupled models［J］.Adv Atmos Sci，22(4):479-495.

Katz R W，Parlange M B.1998.Overdis persion phenomenon in stochastic modeling of precipitation［J］.J Climate，11(4):591-601.

Khan M S，Coulibaly P，Dibike Y.2006.Uncertainty analysis of statistical downscaling methods［J］.J Hydrol，319(3):357-382.doi:10.1016/j.jhydrol.2005.06.035.

Maraun D，Wetterhall F，Ireson A M，et al.2010.Precipitation downscaling under climate change:Recent developments to bridge the gap between dynamical models and the end user［J］.Rev Geophys，48，RG3003.doi:10.1029/2009RG000314.

Meehl G A，Arblaster J M，Tebaldi C.2005.Understanding future patterns of increased precipitation intensity in climate model simulations［J］.GeophysResLett，32，L18719.doi:10.1029/2005GL023680.

Meehl G A，Stocker T F，Collins W D，et al.2007.Global climate projections［R］//Solomon S，Qin D，Manning M，et al.Climate change 2007:The physical science basis.New York:Cambridge U-niversity Press:747-846.

Schmidli J，Goodess C M，Frei C，et al.2007.Statistical and dynamical downscaling of precipitation:An evaluation and comparison of scenarios for the European Alps［J］.J Geophys Res，112，D04105.doi:10.1029/2005JD007026.

Storch V.1999.On the use of“Inflation”in statistical downscaling［J］.J Climate，12:3505-3506.

Sun Y，Ding Y H.2010.A projection of future changes in summer precipitation and monsoon in East Asia［J］.Sci Chin Ser D:Earth Sci，53:284-300.doi:10.1007/s11430-009-0123-y.

Sun Y，Susan S，Aiguo D，et al.2006.How often does it rain［J］?J Climate，19:916-934.doi:10.1175/JCLI3672.1.

Wetterhall F，Ba＇rdossy A，Chen D，et al.2006.Daily preci pitation downscaling techniques in three Chinese regions［J］.Water Resour Res，42，W11423.doi:10.1029/2005WR004573.

Wetterhall F，Halldin S，Xu C Y.2007.Seasonality properties of four statistical-downscaling methods in central Sweden［J］.Theor Appl Climatol，87(1):123-137.doi:10.1007/s00704-005-0223-3.

Wilby R L，Dawson C W.2007.SDSM 4.2——A decision support tool for the assessment of regional climate change impacts user manual［R/OL］.［2010-03-07］.https://co-public.lboro.ac.uk/cocwd/SDSM/SDSMManual.pdf.

Wilby R L，Hay L E，Leavesley G H.1999.A comparison of downscaled and raw GCM output:Implications for climate change scenarios in the San Juan River Basin，Colorado［J］.J Hydrol，225(1):67-91.doi:10.1016/S0022-1694(99)00136-5.

Wilby R L，Dawson C W，Barrow E M.2002.SDSM——a decision support tool for the assessment of regional climate change impacts［J］.Environ Modell Softw，17(2):145-157.

Wilby R L，Tomlinson O J，Dawson C W.2003.Multi-site simulation of precipitation by conditional resampling［J］.Climate Res，23:183-194.doi:10.3354/cr023183.

Zhang Y，Xu Y L，Dong W J.2006.A future climate scenario of regional changes in extreme climate events over China using the PRECIS climatemodel［J］.Geophys ResLett，33，L24702.doi:10.1029/2006GL027229.

Zhou T J，Li Z X，2002.Simulation of the East Asian summer monsoon by using a variable resolution atmospheric GCM［J］.Clim Dyn，19(2):167-180.doi:10.1007/s00382-001-0214-8.

Zhou T J，Yu R C.2006.Twentieth century surface air temperature over China and the globe simulated by coupled climate models［J］.J Climate，19(22):5843-5858.doi:10.1175/JCLI3952.1.