王美蓉 周顺武 孙阳 王军 马淑俊 余忠水

1 南京信息工程大学资料同化研究与应用中心/气象灾害教育部重点实验室/气象灾害预报预警与评估协同创新中心/气候与环境变化国际合作联合实验室, 南京210044

2 中国科学院大气物理研究所大气科学和地球流体力学数值模拟国家重点实验室, 北京100029

3 南京大学国际地球系统科学研究所, 南京210023

4 拉萨市气象局, 拉萨850011

5 西藏自治区气象局西藏高原大气环境科学研究所, 拉萨850000

1 引言

春、夏季青藏高原（以下简称高原）是一个大气热源，可直接加热对流层中层大气（Flohn,1957; 葉篤正等, 1957; 吴国雄等, 2018）。大量研究表明春季高原地表感热通量加热异常对亚洲季风具有预测意义，同时对整个北半球的大气环流和气候变化均有显著影响（Duan et al., 2011, 2013; Wu et al., 2015）。高原感热通量具有显著的年际和年代际变化特征（张艳和钱永甫, 2004; 王欢和李栋梁,2020），并与亚洲季风降水变率联系密切，特别是春季高原感热通量异常是造成江淮流域夏季降水异常 的 重 要 原 因 之 一（段 安 民 等, 2003; Wu et al.,2012; Duan et al., 2013; Wang et al., 2014）。自1980 年以来，春季高原感热通量呈持续减弱趋势（Duan and Wu, 2008; 阳 坤 等, 2010; 王 美 蓉 等,2012; Wang et al., 2019），对东亚夏季降水的年代际异常造成了显著影响（Duan et al., 2013）。进入21 世纪后，春季高原感热通量变化趋势开始出现转折，表现为年代际增强（Wang et al., 2019），这一变化被认为与同一时段中国东部季风降水的变化有关（王欢和李栋梁, 2020）。

当代气候模式已成为研究气候变化的重要工具，特别是针对资料匮乏地区，精确的气候模拟对气候变化认知和预测十分重要。模式模拟与实际天气和气候变化总是存在误差，因此在使用气候模式进行模拟之前，需要对模式的模拟能力进行评估，以了解其模拟结果的可信度和不确定性。特别是对于高原这样的复杂大地形，模式误差在高原存在放大现象（王淑瑜和熊喆, 2004; Ding et al., 2007; Gao et al., 2020）。采用最新的国际耦合模式比较计划第五阶段（CMІP5）试验数据，胡芩等（2014）评估了44 个模式对高原地表气温和降水的模拟能力，发现地表气温模拟存在冷偏差，而对降水的模拟普遍偏大，验证了前人研究所得评估结果（Xu and Xu, 2012; Su et al., 2013）。而在CMІP6 中，温度模拟冷偏差有所改善，但降水严重高估问题依然存在（Zhu and Yang, 2020）。

目前，利用最新一代CMІP6 试验数据评估其对高原感热通量模拟能力的工作还很有限（Wang et al., 2019; Xie and Wang, 2021），其 中Wang et al.（2019）基于CMІP6 的12 个模式分析了春季高原感热通量的长期变化趋势，发现前几十年的减弱趋势在2000 年左右开始反转，并在未来持续增强。本文同样利用该12 个模式，在评估其对春季高原感热通量强度模拟能力的基础上，重点分析了其偏差原因，以此基于同样的模式来全面评估CMІP6对春季高原感热通量不同尺度变率的模拟水平。现阶段开展此项评估工作对高原局地气候变化及其影响东亚气候的研究均十分重要，也为未来气候预测提供有力参考。

2 资料、模式模拟和方法

2.1 资料

（1）由Duan et al（2018）基于中国气象局在青藏高原的80 个常规气象台站（图1）数据[地表温度、空气温度和10 m 高度处风速（简称10 m风速）]计算的1979～2016 年的地表感热通量数据，该套数据集可免费公开下载（http://staff.lasg.ac.cn/amduan/index/ article/index/arid/11.html [2019-10-10]）。具体计算方法见2.3 部分的介绍。

（2）来自国家青藏高原科学数据中心的青藏高原地气相互作用过程高分辨率（逐小时）综合观测数据集（2005～2016）（https://data.tpdc.ac.cn/zhhans/data/b9ab35b2-81fb-4330-925f-4d9860ac47c3/[2021-05-30]，马耀明, 2020; Ma et al., 2020），该数据集包括气象梯度数据、辐射数据、土壤以及湍流数据。本文所使用的是湍流数据中的地表感热通量，该数据集共包含高原地区的6 个测站（图1 中红色五角星标识），分别为珠穆朗玛大气与环境综合观测研究站（QOMS）、藏东南高山环境综合观测研究站（SETORS）、那曲高寒气候环境观测研究站（BJ）、纳木错多圈层综合观测研究站（NAMORS）、阿里荒漠环境综合观测研究站（NADORS）和慕士塔格西风带环境综合观测研究站（MAWORS）。

（3）由NASA/GEWEX（National Aeronautics and Space Administration/Global Energy and Water Exchanges）的地表辐射收支（Surface Radiation Budget, SRB，https://gewex-srb.larc.nasa.gov [2021-05-30]）项目提供的逐月地面和大气层顶的长波和短波辐射通量，时间段为1983～2017 年，空间分辨率为1°×1°。

2.2 模式数据

所用模式资料为CMІP6 全球气候模式的历史模拟试验（Historical）数据。Historical 试验是从工业革命前参照（piControl）试验的某个时间点启动，在基于观测的、随时间变化的各种外强迫驱动下进行1850 年以来的历史气候模拟。CMІP6 是CMІP 计划实施20 多年来参与的模式数量最多、设计的数值试验最丰富、提供的模拟数据最为庞大的一次（周天军等, 2019）。目前，大多数模式对历史时期气候的模拟时段为1850～2014 年，结合观测数据，本文研究时段选定为1979～2014 年，并采用了12 个气候模式的历史数据用于研究。模式的详细信息见表1，更多介绍可参考https://pcmdi.llnl.gov/CMІP6/ [2021-05-30]。考虑到模式之间的不同空间分辨率，数据后处理时均使用一阶守恒插值方案将数据统一插值为1.5°×1.5°分辨率（Jones,1999），以便做多模式的集合等计算。此外，为避免个别模式极大值或极小值的影响，文中多模式集合的结果是通过计算多模式模拟数据的中位数所得。

表1 本文使用的12 个模式的名称、国家、模拟集合数、分辨率和参考文献Table 1 List of 12 models used in this study, including the model names, countries, numbers of ensembles, resolutions, and data references

2.3 感热通量计算公式及比较

感热通量（SH）的计算公式（Monin and Obukhov, 1954; Duan and Wu, 2008）如下：

其中，ρ是空气密度，cp=1005 J kg-1K-1是常压下的干空气比热，CH为热量拖曳系数，V10为10 m平均风速，Ts和Ta分别是地表温度和空气温度。这里需要注意的是，CH值具有很强的日变化，依赖于大气稳定度、地表热力粗糙度（阳坤等, 2010）以及风速（Chen et al., 1985）。本文所使用的感热通量数据正是Duan 等（2018）依据公式（1）计算所得（以下简称为Duan2018）。考虑到CH的日变化特征，Duan2018 参考阳坤等（2010）基于统计降尺度的方法得到逐小时的风速大小、地表温度和气温，进而计算得出地表感热通量数据。

为了验证Duan2018 的准确性和可靠性，本文利用最新的高原高分辨率（逐小时）综合观测数据集中6 个测站的地表感热通量的观测值来作对比。为此，根据这6 个测站的经、纬度信息挑选出Duan2018 中地理位置最为接近的测站（图1、表2）进行比较，两对比测站之间的最短直线距离为10 km，最长为125 km。MAWORS 位于高原西北端，在Duan2018 中无对应测站，无法进行比较。故其余5 个测站的月平均感热通量序列的对比如图2 所示，整体而言，Duan2018 与综合观测数据集的观测结果十分接近，有较为一致的变率及变化幅度，相关系数最低为0.51（图2c），最高可达0.74（图2b），均通过了99%置信水平的显著性检验。因此，可推断Duan2018 是准确可信的，在本文后续中用来评估CMІP6 对高原地表感热通量的模拟性能进而做偏差分析。需要注意的是，由图2 可发现两套资料均有小部分缺测值，这也是观测资料不可避免的问题，但对本文结论无明显影响。

图2 高原高分辨率综合观测数据集（红线）与Duan2018（黑线）的5 个对应测站地表感热通量（单位：W m-2）的逐月时间演变。左下角数字为两条序列的相关系数Fig. 2 Temporal evolutions of sensible heating flux (units: W m-2) at the corresponding five stations for the high-resolution integrated observational dataset (red lines) and Duan2018 (black lines). The correlation coefficients of the two sequences are shown in the bottom left corner of the figures

表2 高原高分辨率综合观测数据集与Duan2018 中对应站点的相关信息，包括站点名称，经、纬度及对应测站间的直线距离Table 2 List of the stations in the high-resolution integrated observational dataset and Duan2018, including the station names, latitude, longitude, and the straight-line distance between the two corresponding stations

图1 高原80 个常规气象台站（黑色实心点）和6 个最新的综合观测台站（红色五角星）地理位置分布。彩色阴影表示地形高度（单位：m），蓝色框区域（27°～39°N，85°～105°E）为下文中CMІP6 模拟数据的区域平均范围，红色框内是互相做对比的两测站位置Fig. 1 Geographical distributions of the 80 meteorological stations (black solid dots) and the six latest integrated observation stations (red stars) on the Tibetan Plateau (TP). Colored shadings indicate terrain height (units: m), the blue box indicates the regional average range (27°–39°N, 85°–105°E)of the CMІP6 (the sixth phase of the Coupled Model Іntercomparison Project) simulations below, and the red box shows the positions of the two stations being compared to each other

3 高原中东部地表感热通量的模拟评估

以下将高原中东部77 个测站的地表感热通量数据（Duan2018）与CMІP6 模拟试验结果做对比分析，分别从年循环和季节平均等方面来评估模式的模拟性能。其中春季感热通量尤为重要，是重点分析内容。

3.1 地表感热通量年循环

Duan2018 在春季（3～5 月）的地表感热通量最为显著，5 月达到峰值，之后随着高原夏季风来临而逐渐减弱，并在冬季最弱（图3）。相比较而言，CMІP6 多模式模拟的高原感热通量中位数的年循环变化曲线与Duan2018 大体类似，感热通量极值也出现在5 月，但不同的是，模式模拟的感热通量强度在1～5 月份整体偏低，而夏季的模拟强度和Duan2018 更为接近，这就导致了模拟的感热通量年循环较Duan2018 存在一定的位相差异，表现为模拟的春季感热通量低于夏季，这可能与模式模拟的春季高原降水偏多有关（3.2 中详细讨论）。具体地，12 个模式模拟的感热通量年循环不尽相同，大部分模式均较Duan2018偏低，其中模式MІROC6 的模拟感热通量数值最低。CESM2 和CESM2-WACCM 模拟的夏、秋季感热通量与Duan2018 最为接近。12 个模式中，有3 个模式（CNRM-ESM2-1、CNRM-CM6-1 和GІSS-E2-1-G）模拟感热通量明显较Duan2018 偏高，但这种偏高仅表现在5～10 月，其他月份则明显偏低。

图3 1979～2014 年气候平均的高原中东部地表感热通量的年循环序列。黑色实线为77 个测站平均，即Duan2018，12 条虚线分别为12 个模式的区域（27°～39°N，85°～105°E）平均，红色实线则为12 条虚线的中位数Fig. 3 Annual cycle of the climatological mean sensible heating flux over the central and eastern TP during 1979–2014. The black and red solid lines represent the sensible heating flux of the 77-station average (Duan2018) and median of the 12-CMІP6 modes, respectively. The other 12 dashed lines indicate the regional (27°–39°N, 85°–105°E) averaged sensible heating flux of the 12 models

3.2 季节平均的空间分布

比较春、夏季Duan2018 与模拟感热通量的空间分布（图4）。从图4 中Duan2018 的结果可以看出，春季感热通量最为强盛，大值区主要分布在高原中部和北部地区，感热通量数值均在60 W m-2以上，甚至部分区域超过80 W m-2（图4a）。进入夏季，高原北部的感热通量高值区依然持续存在，其他大部分地区的感热通量则因雨季来临而整体减弱，特别是高原南部减弱幅度十分明显，而整体的空间分布型与春季较为类似（图4c）。秋、冬季高原感热通量相较而言则要弱得多，大部分区域感热通量数值在40 W m-2以下（图略）。从CMІP6的多模式模拟结果（图4b、d）来看，感热通量的空间分布在夏季和Duan2018 较为一致，表现为高原东南部感热通量低值区和北部高值区，但对北部大值区的模拟存在低估，模拟偏低达30 W m-2左右。相比较，模式、Duan2018 中春季感热通量的空间分布及强度均存在一定偏差，即Duan2018 中感热通量中部高东部低的空间分布在模式中并不明显，特别是模式对高原中部感热通量大值区的把握欠佳，在感热通量数值上，模拟结果整体偏小。

图4 1979～2014 年平均的高原中东部（a、c）Duan2018 和（b、d）多模式模拟的（a、b）春季、（c、d）夏季高原感热通量的空间分布（单位：W m-2）Fig. 4 Spatial distributions of the (a, b) spring and (c, d) summer mean sensible heating flux (units: W m-2) over the central and eastern TP for the (a,c) Duan2018 and (b, d) CMІP6 multi-models during 1979–2014

4 春季高原感热通量模拟偏差及成因分析

通过上述分析，不难发现CMІP6 多模式模拟感热通量整体较Duan2018 偏低，其中春季感热通量偏差较大，主要表现在对大值区域的模拟异常偏低。因此，接下来重点分析CMІP6 多模式对春季高原感热通量模拟普遍偏低的原因。由图5a 可见，12 个模式模拟的春季高原感热通量长时间序列均较Duan2018 明显偏低，甚至个别模式结果与之差别甚远。Duan2018 的多年平均值为62.86 W m-2，年际变率强度为1.90 W m-2，而模拟感热通量的多年平均中位数仅为41.88 W m-2，且模式之间存在较大不确定性（标准差为8.55 W m-2），但年际变化强度与Duan2018 基本相当，为1.64 W m-2（表3）。与 Duan2018 最 为 接 近 的 模 式 是 GІSS-E2-1-G（53.47 W m-2），但其年际变率偏强（标准差为5.23 W m-2），而模拟感热通量与Duan2018 偏差最大的模式则是MІROC6，在所有模式中感热通量数值最小，气候均值仅为Duan2018 的1/3 左右（表3）。

由公式（1）可知，感热通量变化主要受制于10 m 风速、地气温差和热量拖拽系数的变化。首先分析10 m 风速的模拟情况（图5b、表3），发现观测和模拟风速均表现出一定的年际变化，绝大多数模式模拟的10 m 风速较观测偏大，仅有2 个模式（UKESM1-0-LL 和MІROC6）的模拟风速相对较小，与观测接近。就1979～2014 年的气候态均值来看，在观测中高原中东部10 m 风速的区域均值为2.73 m s-1，而12 个模式的中位数数值为3.53 m s-1，明显高于观测。仅有一个模式（UKESM1.0-LL）均值较观测略偏小，而与观测气候均值最为接近的模式是MІROC6，风速均值为2.79 m s-1（表3）。可见，10 m 风速的模拟状况不是导致感热通量模拟偏低的原因。再来看地气温差的模拟情况（图5c），显然，所有模式模拟的地气温差均较观测明显偏低，近几十年观测中地气温差的气候均值为4.52°C，而模式气候均值中位数仅为0.76°C，平均冷偏差达将近4°C。从单个模式模拟的结果来看，各模式的地气温差强度较为接近，强度范围为0.02°C～2.20°C（表3）。

He doesn’t study as/so hard as his brother.他学习不如他弟弟努力。

表3 1979～2014 年观测、12 个模式及12 个模式平均计算所得高原中东部区域春季平均感热通量（单位：W m-2）、感热通量年际变率（单位：W m-2）、10 m 风速（单位：m s-1）和地气温差（单位：°C）的气候态Table 3 Climatological mean of the spring sensible heating flux (units: W m-2) and its interannual variability (units: W m-2),wind speed (units: m s-1) at 10-m height, and land–air temperature differences (units: °C) obtained from observations, 12-models simulations, mean of 12-models simulations over the central and eastern during 1979–2014

图5 1979～2014 年春季观测、模拟的高原中东部（a）感热通量、（b）10 m 风速和（c）地气温差的时间演变序列。黑色实线为Duan2018，红色实线为所有模式序列的中位数，其余曲线分别为12 个模式的模拟结果Fig. 5 Temporal evolutions of the (a) sensible heating flux, (b) wind speed at 10-m height, and (c) land–air temperature differences for observations(Duan2018) and multi-models during 1979–2014. The black and red solid lines indicate the elements of Duan2018 and the median of the multi-models,respectively, the other 12 dashed lines indicate the regional averaged elements of the 12 models

因此，综合感热通量、风速和地气温差的模拟情况，可以发现，模式模拟感热通量的普遍偏低可能主要归因于地气温差模拟的冷偏差。以模式MІROC6 为例，相较其他模式而言，其模拟的风速与观测较为接近，但由于其模拟的地气温差存在严重冷偏差，导致感热通量模拟结果偏低。此外，除了风速和地气温差会影响感热通量的变化，公式（1）中可以看出系数ρcpCH（这里将其定义为C）也可能会对感热通量的变化有所影响。

更进一步地，将公式（1）简化为

其中，T为地气温差，而V为10 m 风速。则可推导出：

为定量估计在均值上模式模拟感热通量和Duan2018的偏差及成因，这里可进一步将公式（3）变形为

其中，分子部分为模式均值与计算或观测均值的差值，而分母为计算或观测的气候平均值，那么公式（4）则体现了在均值上模拟感热通量与Duan2018偏差的相对变化及成因。计算结果如图6 所示，可知12 个模式模拟的春季高原感热通量均较Duan2018 偏低，而风速的模拟普遍偏高，其中模式MRІ-ESM2-0 的模拟风速偏差最大，约为观测气候态均值的1.16 倍，仅有一个模式（UKESM1-0-LL）的风速较观测略偏低，显然风速的模拟偏大并不是感热通量模拟偏低的成因，这和以上定性分析结果一致。很明显，在所有模式中地气温差表现为一致偏低，其偏差值均高于观测气候态均值的50%，最高（模式GІSS-E2-1-G）可与观测均值相当。此外部分模式（BCC-CSM2-MR、BCC-ESM1、ІPSL-CM6A-LR 及MRІ-ESM2.0）中系数C的低估也对感热通量模拟偏低有一定贡献，但是弱于地气温差的冷偏差作用，而其他8 个模式中的系数C均偏高。因此，通过定量分析明确了地气温差的模拟冷偏差是造成感热通量模拟偏低的主要原因。

图6 1979～2014 年12 个模式模拟结果与观测在感热通量（红色柱）、风速（绿色柱）、地气温差（黄色柱）和系数C（灰色柱）上的偏差的相对变化Fig. 6 Relative variations in the deviation between the 12-models simulations and observation for sensible heating flux (red bars), wind speed (green bars), land–air temperature difference (yellow bars), and coefficient C (gray bars) during 1979–2014

图7 1979～2014 年观测（左）和CMІP6 模式集合平均（右）的春季高原中东部（a、d）地气温差、（b、e）地表温度和（c、f）气温的空间分布Fig. 7 Spatial distributions of the (a, d) land–air temperature difference, (b, e) surface temperature, and (c, f) air temperature over the central and eastern TP for the observation (left) and ensemble mean of CMІP6 models (right) during 1979–2014

进一步探究地表温度的模拟冷偏差原因。由地表能量平衡方程（Lu and Cai, 2009）可知，地表温度变化与短波辐射通量和潜热通量关系密切。任余龙等（2021）利用地表能量平衡方程诊断新疆地表温度模拟偏低的状况，指出模式模拟的潜热值偏大是主要原因。图8 所示为观测和CMІP6 多模式模拟的多年平均地表净短波辐射通量和降水的空间分布。从短波辐射来看，观测（卫星辐射资料GEWEXSRB）和模式结果较为相似，但在地表温度冷偏差较大的高原中部地区，GEWEX-SRB 资料的地面净短波辐射较模式模拟结果明显偏强，这可能是造成多模式模拟地表温度存在冷偏差的一方面因素。更重要地，从降水的空间分布可以看出，多模式模拟结果在整个高原均较观测偏强，特别是在高原偏北部和南部地区，这也是地表温度冷偏差较大的区域（图7b、e）。由此可知，地表温度的模拟冷偏差可能与高原降水模拟偏强有密切联系。

图8 1979～2014 年平均的（a、c）观测和（b、d）CMІP6 多模式模拟的春季高原（a、b）地表净短波辐射通量（来自GEWEX-SRB 卫星辐射资料，单位：W m-2）和（c、d）降水量距平（单位：mm d-1）的空间分布Fig. 8 Spatial distributions of the spring mean (a, b) net shortwave radiation flux (from the GEWEX-SRB dataset, units: W m-2) and (c, d)precipitation anomalies (units: mm d-1) over the central and eastern TP for the (a, c) observations and (b, d) CMІP6 multi-model simulations during 1979–2014

5 结论和讨论

基于站点观测、卫星辐射资料和CMІP6 新一代气候模式的历史模拟试验数据，本文定量评估了12 个全球气候模式对高原中东部地区地表感热通量的模拟能力，并分析了模拟偏差的可能原因。主要结论有：

（1）CMІP6 多模式对高原中东部地区地表感热通量的年循环的模拟数值较Duan2018 偏低；对地表感热通量的季节平均空间分布型的模拟较为合理，与Duan2018 十分接近，但数值偏弱，尤其春季高原中部地区的感热通量大值区在模式中被严重低估。

（2）区域平均而言，1979～2014 年以来，CMІP6 多模式模拟的春季高原地表感热通量均较Duan2018 明显偏低，平均偏低约21 W m-2，且模式之间存在较大不确定性。模式GІSS-E2-1-G 模拟的感热通量与Duan2018 数值最为接近，但年际变率偏强；而与Duan2018 数值偏差最大的模式是MІROC6，在所有模式中感热通量数值最小，气候均值仅为Duan2018 的1/3 左右。进一步的定性和定量归因分析表明，多模式模拟的春季高原10 m风速和地气温差分别较观测偏高和偏低，系数C在大多数模式中偏高，这表明CMІP6 模式模拟的春季高原感热通量偏低主要是由地气温差的模拟冷偏差所造成的。

（3）地气温差的模拟冷偏差在整个高原中东部地区普遍存在，整体偏低3.5°C 以上，特别在高原南部和北部地区，冷偏差可达5°C～6°C。地表温度和空气温度的模拟结果均较台站观测存在冷偏差，其中地表温度冷偏差更为明显，区域平均偏差强度可达6.78°C，进一步分析发现，这可能与多模式对高原降水值模拟偏强有关。

在高原地区，全球气候模式模拟的温度普遍存在冷偏差，而这种偏差在不同季节、不同模式、高原不同区域的归因都可能有所不同，以往相关分析指出地表温度模拟冷偏差与地表反照率（Wu et al.,2021）、物理过程参数化方案（徐蓉蓉等, 2021）、模式分辨率（Ji and Kang, 2013）等诸多要素有关，本文也提出可能与模式模拟的高原降水偏强相关。上述研究还指出提高模式中的陆面和云过程、选择合适的分辨率和参数化方案等对降低高原上地表温度偏差至关重要，可见目前高原气候模拟仍面临不小挑战。

对于幅员辽阔、地形复杂且站点稀缺的高原而言，未来的气候变化研究工作将对模式更加依赖，因此评估模式在高原地区模拟水平非常重要。本文主要利用高原中东部地区的有限观测数据计算的感热通量评估了CMІP6 多模式的模拟性能，且值得注意的是Duan2018 与直接观测感热通量数据之间也有一定误差。而对资料匮乏的高原西部而言，无法给出进一步探讨，期待未来能够有更多可使用的资料开展更加细致的机理分析工作。

致谢感谢文中表1 所示的CMІP6 各模式组提供的模拟试验数据，感谢Duan et al.（2018）提供的站点观测及计算数据，感谢国家青藏高原科学数据中心提供的综合观测数据集。