黄芳，甘淼，于洋，他志杰，张海燕，皮原月，孙凌霄，于瑞德

(1 中国科学院新疆生态与地理研究所 荒漠与绿洲生态国家重点实验室， 乌鲁木齐 830011； 2 中国科学院大学， 北京 100049； 3 西北农林科技大学， 西安 712100)(2019年7月25日收稿； 2019年11月21日收修改稿)

政府间气候变化组织第5次评估报告表明，工业化革命以来全球气候变暖毋庸置疑[1]。气候变暖将带来干旱、洪涝、海平面上升、极端气候事件等自然灾害，严重威胁人类生存环境及社会经济发展。而对未来气候进行模拟和预估则可提前进行灾害防范，从而降低损害，保障经济发展。全球气候模式是进行未来气候模拟及预估的重要工具，各国科学家利用全球气候模式对气候变化预估进行了大量研究。赵天保等[2]选取17个CMIP5模式研究，发现全球及不同干旱半干旱区的未来气温变化均以显著增温为主，而降水的未来变化情景基本上呈现出“干愈干、湿愈湿”的时空特征。姚遥等[3]对中国未来极端气温进行多模式集合预估，发现20年一遇最高(低)气温在中国地区均呈现升高趋势。张芳等[4]评估17个CMIP5模式对厄尔尼诺—南方涛动(ENSO)的模拟能力，结果表明，这些模式基本上能模拟出ENSO现象的一些主要特征。但是，由于气候系统的复杂性以及模型建立条件的局限性等因素，气候模式对气候变化的模拟及预估存在很多的不确定性。如Grotch等[5]的研究表明，全球平均模拟气温与观测值之差小于0.9 ℃；董文杰等[6]研究发现CMIP5模式对全球尺度的气候现象变化模拟能力较强，但对区域尺度的气候现象及其相关的区域气候的模拟能力存在较大的区域差异。不少学者对未来气候变化的预估进行了研究，但对未来气候变化预估不确定性的研究还相对较少，为减少灾害损失，以及为其他陆面过程等研究提供参考，对未来气候的较准确预估十分必要。

中亚位于亚欧大陆中部，为“一带一路”建设的重要支点地区，狭义的中亚包括哈萨克斯坦、吉尔吉斯斯坦、塔吉克斯坦、乌兹别克斯坦、土库曼斯坦5个国家，图1为中亚地区数字高程与行政区划图。由于中亚地处欧亚大陆腹地，尤其是东南缘高山阻隔了来自印度洋、太平洋的暖湿气流，气候干旱，生态环境脆弱，为典型温带大陆性气候[7]。作为全球最大的非地带性干旱区，中亚对气候系统的变化异常敏感[8]，在全球气候变暖的大背景下，对中亚未来气候变化的研究十分必要。陈鹏翔等[9]评估多个气候模式对中亚地区春季降水的模拟能力，并对中亚未来春季降水进行预估。姜燕敏等[10]评估20个CMIP5模式对中亚气温的模拟能力，表明各模式能较好地模拟中亚温度变化趋势以及年平均气温的空间分布特点。吴昊旻等[11]利用10个CMIP5模式对中亚降水特征参数进行系统评估，同时预估未来中亚年降水将呈增加趋势。已有学者运用气候模式对中亚气候变化进行模拟及预估的研究。然而，对中亚气候模拟及预估的误差研究较少，本文对中亚降水的模式模拟误差进行分析，以期为学者进行更准确的中亚气候变化预估、为决策者提供更准确的信息以及为中亚陆面过程等其他生态地理的研究提供更准确的参考与依据。

图1 中亚地区数字高程和行政区划图Fig.1 Digital elevation map for Central Asia and administrative divisions

1 数据与方法

1.1 数据来源

本研究采用英国东英吉利大学气候研究中心(Climatie Research Unit，CRU)提供的2006年1月至2017年12月的再分析全球逐月降水量数据集(水平分辨率为0.5°×0.5°)作为参考观测数据，该数据集在中亚地区的适用性已经过研究及检验[12-15]。

第5次耦合模式比较计划(CMIP5)气候模式的试验数据，大多数模式对历史气候的模拟时段为1850—2005年，未来预估试验时段为2006—2100年。对未来气候变化的预估，CMIP5采用以稳定浓度为特征的典型浓度路径(RCPs)排放情景，包括RCP8.5、RCP4.5、RCP2.6等多种情景试验[16-19]。每种情景提供一种受社会以及经济发展条件影响的温室气体的排放路径，且给出直到2100年的相应辐射强迫序列值。本研究将参照时段选定为2006年1月至2017年12月，根据这一时段降水数据的可利用性和完整性，共选取24个CMIP5气候模式在RCP4.5排放情景下的未来预估试验数据。有关模式基本信息详见表1，包括模型名称、来源和水平分辨率。为了与CRU数据进行比较，将24种CMIP5模型的水平分辨率回归到0.5°×0.5°格点上进行误差分析。

表1 选取的24个CMIP5气候模型Table 1 24 CMIP5 climate models selected

1.2 研究方法

由于气候模型没有相同的水平分辨率，因此有必要通过双线性插值将气候模型数据插值到0.5°×0.5°网格，以减少不同水平分辨率对比较结果的影响。多模式集合方法(multi-model ensemble, MME)是将简单模型进行等权重集合平均，可以包含比单个模型更全面的信息，预估结果更接近于观测值，因此它通常被认为优于单个模型，并被广泛使用。

本文中的模式预估误差指所选24个CMIP5模式输出的2006—2017年平均降水量与对应CRU格点的分析降水量之差，偏多或正误差则表示模式降水预估值高于观测值，反之，则表示低于观测值。此外，还计算了中亚降水预估的误差百分率、各模式间标准差来刻画模式预估误差偏离程度及模式间预估结果的离散度，从而分析模式集合预估的不确定性。为避免趋势估计中的小样本问题，模式降水预估误差趋势均采用每一格点2012—2017年模式集合降水误差平均值减去2006—2011年的对应值，来近似表示。

2 降水空间分布特征

由于研究区常年受西风环流的影响，降水具有西风区降水的特征[20]，即冬季与春季是亚洲中部干旱区的主要雨期。因此本文对降水季节的分析仅将一年划分为冬半年和夏半年，同时考虑到研究的序列长度太短，故计算冬半年降水时，将当年1—5月和12月的降水合并，近似作为冬半年降水，6—11月定义为夏半年。

图2是CRU观测资料的中亚2006—2017多年平均及夏半年、冬半年平均降水空间分布图。从图2(a)可以看出，在中亚地区CRU资料的年均降水空间分布整体呈现东南高、东北次之、西南降水量较低的特征，同时主要表现为一个高值中心和一个低值中心，高值中心出现在乌兹别克斯坦、塔吉克斯坦与吉尔吉斯斯坦交界区域，降水年均最大可达722 mm·a-1，低值中心则出现在土库曼斯坦、乌兹别克斯坦和哈萨克斯坦西南地区，年均最小值93 mm·a-1。图2(b)夏半年降水空间分布没有明显的高值中心和低值中心，降水主要呈现为西南向东北递增的分布特征。图2(c)的冬半年降水分布无明显低值中心，高值中心位于乌兹别克斯坦、塔吉克斯坦与吉尔吉斯斯坦交界区域，降水整体呈东南高、西北次之、中部较低的分布特征。

图2 CRU观测的中亚2006—2017多年平均降水空间分布Fig.2 CRU observation of the spatial distribution of the average precipitation in Central Asia from 2006 to 2017

3 年降水预估误差

因3种排放情景下模式年降水预估误差的分布相似(图略)，这里仅对中等排放情景即RCP4.5情景下的预估误差特征进行分析。

从图3(a)可看出模式集合对中亚大部分地区的降水预估偏多，尤其是吉尔吉斯斯坦、塔吉克斯坦及哈萨克斯坦东部区域，平均偏多200 mm以上，预估偏少的区域主要位于哈萨克斯坦南部与乌兹别克斯坦和吉尔吉斯斯坦的交界区域。同时由图3(b)降水预估误差百分率看出，模式对哈萨克斯坦东部区域及乌兹别克斯坦与土库曼斯坦大部分区域的降水模拟效果好于中亚西北及东南部，预估误差百分率50%以上的区域大部分位于东南部高原以及西北山区。中亚年降水量有山区多、平原少的分布特点[21-23]，以往研究表明提高模式分辨率可明显改善气候模式对中亚降水变化模拟能力，且模式分辨率的提高，能够更好地表现出地形的影响[9-11]，模式分辨率及对地形的处理是引起中亚降水模式预估误差的原因之一。24个模式各自对中亚降水的预估偏差不一致，图3(c)计算的模式间降水预估标准差表明，各模式对中亚中西部及北部区域降水预估的一致性较高，对中亚东部及南部等地区模式间预估差异较大，尤其东南部帕米尔高原差异可达600 mm·a-1，这种模拟的不确定性主要是由于全球气候模式的分辨率较低，对陡峭地形难以进行细致描述。

图3(d)为2006—2017中亚多年平均降水预估误差趋势，图中显示中亚大部分区域的多年平均降水预估误差呈减少的趋势，仅东部与西部的少数区域降水预估误差有增大趋势。由于气候系统或模式自身的原因，图3(a)模式集合对中亚大部分地区多年平均的降水预估偏多，而中亚地区年降水整体上表现出增加趋势[22-23]，可能为图3(d)模式集合对中亚大部分地区降水预估误差有减少趋势的主要原因。这些模式降水预估误差的复杂特征增加了使用CMIP5模式输出资料来预估未来中亚降水长期变化的不确定性。

图3 RCP4.5情景下中亚2006—2017年均降水预估误差分析Fig.3 Analysis of precipitation estimation error in Central Asia from 2006 to 2017 under scenario RCP4.5

4 季节降水预估误差

同样因3种排放情景下模式预估季节降水量误差的分布较相似(图略)，这里仅对RCP4.5情景下的季节降水预估误差进行分析，夏半年及冬半年降水预估误差趋势由其2012—2017年均误差值减去2006—20011年的平均值算得。

4.1 夏半年降水预估误差

中亚夏季副热带环流较稳定，秋季西风较弱，中亚整体在夏秋季降水偏少，地形与局部小气候是形成夏半年降水的主要原因[24]。从图4(a)可以看出，在中亚大部分区域，模式对中亚夏半年降水的预估呈正误差，即预估降水量比观测偏多，尤其东南部高原山地区域，平均偏多达100 mm以上，预估误差偏少区域则大部分位于哈萨克斯坦东部。同时模式对中亚中西部及北部哈萨克斯坦模拟效果，较东南部以及南部区域好(图4(b))。模式各自对中亚夏半年降水的预估偏差计算表明，各模式对中亚夏半年整体预估的一致性较高，模式间标准差由中亚东部及东南部向西北减小，帕米尔高原地区预估差异最大(图4(c))。图4(d)为夏半年中亚降水预估误差趋势，图中显示除西北、东部少数区域呈增大趋势外，中亚中部、东北及东南部大部分区域夏半年降水预估误差呈负趋势，即预估误差有减少的趋势。

4.2 冬半年降水预估误差

冬季中亚主要受地中海—咸海长波槽控制，春季主要受中东副热带急流即西南气流的影响，冬春季环流系统复杂且活跃，使得中亚降水偏多，冬季及春季为中亚的主要雨期[24]，模式对中亚大部分地区冬半年降水预估误差偏多(图5(a))，尤其哈萨克斯坦中部以及西部误差百分率平均大于50%，偏多尤为明显(图5(b))，预估偏少的区域主要位于哈萨克斯坦东部以及乌兹别克斯坦与土库曼斯坦的东部和吉尔吉斯斯坦与塔吉克斯坦西部部分区域。冬半年降水预估模式间标准差表明，各模式对中亚大部分区域冬半年降水预估的一致性较高，对东南部帕米尔高原地区预估差异较大(图5(c))。图5(d)为冬半年中亚降水预估误差趋势，显示除中亚西北、东部少数区域，中亚大部分区域冬半年降水预估误差呈负趋势，即冬半年降水预估误差呈减少趋势。

对比图4(b)和图5(b)误差百分率显示出夏半年预估误差在东南部少数区域明显，冬半年则在哈萨克斯坦西北部预估误差更为明显。夏季伊朗高原帕米尔高原常为南亚高压控制，降水较少，而中亚哈萨克斯坦西部与北部降水四季均匀，其他区域降水季节变化明显[24]，冬半年与夏半年误差百分率的显著差异很大程度表现在模式对夏半年与冬半年大气环流的模拟能力的差异。同时对比图4(c)和图5(c)，中亚夏半年模式间标准差整体较冬半年偏小即夏半年降水模拟一致性较冬半年好。中亚夏季副热带环流较稳定，降水多随副热带西风急流位置的南北变化而变化，当中纬为地中海槽—伊朗副热带高压环流控制，降水较少且较均匀，冬季地中海—咸海长波槽深厚活跃，易造成中亚降水天气[23-24]，冬夏半年模式间标准差差异也表现出各模式积云对流参数化方案与降水物理过程的描述等模式间参数差异等引起的模式间降水预估差异。多模式集合对中亚降水季节预估误差存在差异，冬半年预估不确定性较夏半年更明显，对未来气候预估进行订正也应考虑季节差异。

图4 RCP4.5情景下中亚2006—2017夏半年降水预估误差分析Fig.4 Analysis of precipitation estimation error in the six months of summer in 2006-2017 Central Asia under scenario RCP4.5

图5 RCP4.5情景下中亚2006—2017冬半年降水预估误差分析Fig.5 Analysis of precipitation estimation error in the six months of winter in 2006-2017 Central Asia under scenario RCP4.5

5 ENSO年降水误差

厄尔尼诺—南方涛动(ENSO)对全球的气候都会产生一定影响，如洪涝、台风、干旱等[25]，是全球气候系统中尤为显著的年际变化现象。厄尔尼诺是指赤道中东太平洋的海温明显偏暖的现象，拉尼娜则是指赤道中东太平洋的海面温度明显偏冷的现象。根据ENSO指数(http:∥coaps.fsu.edu/jma)，2006—2017年期间共出现4次厄尔尼诺事件及2次拉尼娜事件，其中2006、2009、2014、2015年为厄尔尼诺年，2007和2010年为拉尼娜年。这两种事件一般都在圣诞节前后达到最强，且次年5月为事件转换点，故科学家不得不将两事件分为厄尔尼诺/拉尼娜当年及次年。为统计分析的方便，本研究将ENSO当年5月至次年4月定义为一个ENSO年，并将相同事件的年降水量进行平均作为该事件下的降水分布进行分析[25]。

在RCP4.5排放情景下，对比图6与图3发现厄尔尼诺年、拉尼娜年和2006—2017多年平均降水预估误差空间分布极为相似，说明两种事件背景下的中亚降水预估误差决定了多年平均降水预估误差。多模式集合对El Nino年的降水预估误差，除在哈萨克斯坦西部巴尔喀什湖区域及哈萨克斯坦、乌兹别克斯坦与吉尔吉斯斯坦的交界区域预估偏少外，其余地区均偏多(图6(a))。拉尼娜年的降水预估误差同厄尔尼诺年有相似的空间分布，预估偏少区域的面积较厄尔尼诺年有明显减少，偏多区域面积有所扩大，尤其咸海区域预估偏多明显。同时，这两种事件背景下降水预估误差空间分布极为相似说明，大范围的模式降水预估误差可能是模式本身存在的问题。

图6 RCP4.5情景下中亚2006—2017厄尔尼诺、拉尼娜年降水预估误差分析Fig.6 Analysis of precipitation estimation error for the year of El Nino and La Nina in Central Asia 2006-2017 under scenario RCP4.5

6 讨论与结论

综上所述，选取的24个CMIP5模式集合平均对2006—2017年中亚年、季降水预估都存在一定误差，主要特征简述如下：

1)对于中亚大部分地区多模式集合预估降水均偏多，预估偏少区域主要位于巴尔喀什湖区域及天山山脉与帕米尔高原西部部分地区，且中亚西北及东南区域误差较明显。各模式对中亚中部、西部以及北部区域降水预估的一致性较高，东部及南部山地高原模式间预估差异较大。且中亚大部分区域的年降水预估误差呈减小的趋势。

2)夏半年中亚中西部大部分地区降水预估呈正误差，即预估偏多，东南及南部部分区域预估偏多明显，偏少区域主要位于哈萨克斯坦东部以及天山山脉西部部分区域。各模式对中亚中西部预估的一致性较高，东部及东南部模式间预估差异最大。夏半年中亚除西北、东部少数区域，其余大部分地区降水预估误差呈减小趋势。

3)模式对中亚大部分地区冬半年降水预估误差偏多，哈萨克斯坦中西部预估偏多较明显。各模式对中亚冬半年降水预估的一致性较高，差异较大区域为东南部帕米尔高原地区。冬半年降水预估误差呈大范围减小趋势。

4)对ENSO年的降水预估误差分析显示，厄尔尼诺年与拉尼娜年模式降水预估误差大小存在差异，同时两种事件背景下的误差空间分布相似。

24个CMIP5模式集合降水预估误差的各类特征及其差异分析主要反映模式本身存在问题，如模式分辨率不足及降水物理过程描述不完善等；同时也反映季节背景对模式降水预估存在一定影响。通过这些不同的误差特征分析，可为模式的改进提供线索和依据。如中亚东南部吉尔吉斯斯坦和塔吉克斯坦大部分地区年、冬半年、夏半年降水预估误差明显，考虑由于非均匀下垫面与气流活动形成复杂的陆气过程，而模式的积云对流参数化方案或陆气相互作用等大气物理过程描述不完善，致使模式预估误差明显。这些模式预估误差的存在说明，将CMIP5模式集合平均直接用于预估未来降水变化存在很多不确定性，未来进行降水预估前需对不确定性进行评估，同时不断完善模式过程及参数，提高预估准确性。

未来可以考虑从以下方面进行模式改进:中亚地势东南高、西北低，水汽受地形抬升作用，降水主要集中在山区，非均匀下垫面对中亚降水空间分布的影响明显，可考虑进行地形效应校正或通过降尺度提高模式分辨率[26]；中亚位于亚洲中部，环流系统复杂，水汽来源复杂，大气环流主要受中纬度大气环流的纬向波动传播与青藏高原季风的控制，形成冬春为主要雨季的西风区降水特征，同时其“西风模态”的形成也与大西洋多年代际振荡密切相关[14-15,27-28]。在进行误差分析以及提高模式预估准确性时，则可考虑针对不同区域完善模式积云对流参数化方案；中亚干旱区下垫面陆气相互作用过程较复杂，能量闭合度问题的研究也对改进气候模拟预估具有很大意义[29]。