FGOALS-g2模式模擬和預(yù)估的全球季風(fēng)區(qū)極端降水及其變化

彭冬冬 周天軍 鄒立維 張麗霞陳曉龍

?

FGOALS-g2模式模擬和預(yù)估的全球季風(fēng)區(qū)極端降水及其變化

彭冬冬1, 2周天軍1, 3鄒立維1張麗霞1陳曉龍1

1中國科學(xué)院大氣物理研究所大氣科學(xué)和地球流體力學(xué)數(shù)值模擬國家重點實驗室（LASG），北京100029;2中國科學(xué)院大學(xué)，北京100049;3中國科學(xué)院氣候變化研究中心，北京100029

利用LASG/IAP（中國科學(xué)院大氣物理研究所大氣科學(xué)和地球流體力學(xué)數(shù)值模擬國家重點實驗室）全球耦合模式FGOALS-g2，評估了其對全球季風(fēng)區(qū)極端氣候指標(biāo)的模擬能力，并討論了RCP8.5排放情景下21世紀(jì)季風(fēng)區(qū)極端氣候指標(biāo)的變化特征?？傮w而言，模式對季風(fēng)區(qū)總降水和極端氣候指標(biāo)1997～2014年氣候態(tài)和年際變率的空間分布均具有一定的模擬能力。偏差主要表現(xiàn)在模式低估了亞洲季風(fēng)強(qiáng)降水中心，低估了中雨（10～20 mm d?1）和大雨（20～50 mm d?1）的頻率而高估了暴雨（＞50 mm d?1）頻率。在RCP8.5排放情景下，由于可降水量的增加，模式預(yù)估的全球季風(fēng)區(qū)極端降水、降水總量和降水強(qiáng)度將持續(xù)增加。到2076～2095年，極端降水和降水強(qiáng)度在北美季風(fēng)區(qū)增加最顯著（約22%和17%），降水總量在澳大利亞增加最顯著（約37%）。然而，F(xiàn)GOALS-g2對全球季風(fēng)區(qū)平均的日降水量低于1 mm的連續(xù)最大天數(shù)（CDD）的預(yù)估變化不顯著，這是由于預(yù)估的CDD在陸地季風(fēng)區(qū)將增加，而在海洋季風(fēng)區(qū)將減少。對各子季風(fēng)區(qū)的分析顯示，CDD在南美季風(fēng)區(qū)變長最顯著，達(dá)到30%，在澳洲季風(fēng)區(qū)變短最顯著，達(dá)到40%，這與兩季風(fēng)區(qū)日降水量低于1 mm的降水事件發(fā)生頻率變化不同有關(guān)。

全球季風(fēng) FGOALS-g2模式 極端降水 極端氣候

1 引言

全球季風(fēng)是指大氣環(huán)流隨季節(jié)變化而大尺度反向并同時伴有顯著的降水變化特征的現(xiàn)象（Trenberth et al., 2000）。全球季風(fēng)氣候影響了世界三分之二的人口，其變化與人類的生產(chǎn)活動密切相關(guān)。例如，作為全球季風(fēng)重要的成員之一，東亞夏季風(fēng)降水的變化會直接影響當(dāng)?shù)氐募Z食產(chǎn)量，當(dāng)夏季雨量充沛時，會給東亞地區(qū)的居民帶來糧食的豐收（Xue et al., 2015）。不僅如此，季風(fēng)區(qū)降水通過水循環(huán)和對大氣環(huán)流的作用影響了全球的降水分布（Wang et al., 2012）。因此，無論從科學(xué)還是社會利益的角度來看，討論在全球增暖的背景下季風(fēng)區(qū)降水的變化具有重要意義。

一直以來，全球季風(fēng)降水的長期趨勢和年際變率備受學(xué)者關(guān)注。觀測資料表明，全球陸地季風(fēng)降水在過去百年呈現(xiàn)多年代際變化特征，在20世紀(jì)前半葉增強(qiáng)、后半葉減弱，這一增強(qiáng)（減弱）趨勢主要來自于北半球夏季風(fēng)降水的增強(qiáng)（減弱）（Wang and Ding, 2006; Zhang and Zhou, 2011）。在近三十年，mega-ENSO（年代際尺度的厄爾尼諾—南方濤動）和AMO（北大西洋多年代際濤動）引起的太平洋東—西熱力差異加大，使得全球季風(fēng)降水開始增強(qiáng)，而溫室氣體引起的南—北半球熱力差異加大進(jìn)一步增強(qiáng)了這一趨勢（Wang et al., 2012, 2013）。在年際變率尺度上，全球季風(fēng)降水與ENSO密切相關(guān)，季風(fēng)區(qū)降水在ENSO暖位相減弱（Wang et al., 2012）。

氣候系統(tǒng)模式是研究全球季風(fēng)變化機(jī)制和預(yù)估其未來變化的重要工具。利用歷史海表溫度驅(qū)動大氣模式的模擬試驗，證實熱帶中東太平洋和赤道印度洋海溫增暖是導(dǎo)致20世紀(jì)后半葉全球陸地季風(fēng)降水減弱的原因之一（Zhou et al., 2008）。耦合模式結(jié)果表明，溫室氣體、氣溶膠、臭氧、火山活動等外強(qiáng)迫也與20世紀(jì)后半葉北半球季風(fēng)降水的變化密切相關(guān)（Kim et al., 2008; Li et al., 2010）。模式預(yù)估在全球增暖背景下，大氣中水汽輻合加強(qiáng)以及海溫升高引起的蒸發(fā)加強(qiáng)，使得最近三十年全球季風(fēng)降水增強(qiáng)、季風(fēng)區(qū)面積增多的趨勢將會在21世紀(jì)繼續(xù)保持（Meehl et al., 2007; Hsu et al., 2012; Hsu et al. , 2013）。

極端降水對人類和社會影響大，全球變暖背景下極端降水的變化得到越來越多的關(guān)注。降水增多的區(qū)域，極端降水亦可能相應(yīng)地增多即使在平均降水總量減少或者不變的區(qū)域，強(qiáng)降水量及其頻次也會增加（江志紅等，2007; Meehl et al., 2007）。從全球尺度來看，在RCP4.5和RCP8.5排放情景下，第五次耦合模擬比較計劃（CMIP5）多模式預(yù)估結(jié)果表明，21世紀(jì)末全球季風(fēng)區(qū)平均降水、極端降水以及日降水量低于1 mm的連續(xù)最大天數(shù)（CDD）會增加，且溫室氣體排放濃度越高，平均降水和極端降水增加越快（Kitoh et al., 2013）。中國區(qū)域的極端降水事件變化特征和全球基本類似，但區(qū)域性特征比較明顯（嚴(yán)中偉和楊赤，2000）。前人研究結(jié)果表明，CMIP3/CMIP5模式對中國區(qū)域極端降水的氣候態(tài)、年際變率等都具有較好的模擬能力（江志紅等，2009; Jiang et al., 2015）。在溫室氣體排放情景下，CMIP3和CMIP5多模式均預(yù)估中國區(qū)域年平均降水量將會顯著增加，極端降水也將增強(qiáng)（江志紅等，2009；姜大膀和富元海，2012；陳活潑，2013）。陳曉晨等（2015）利用CMIP5多模式結(jié)果，指出在不同閾值增暖背景下，中國地區(qū)極端降水強(qiáng)度和頻率以及年平均降水均會增加，且升溫閾值越大增加幅度越高。在RCP4.5排放情景下達(dá)到2°C增暖時，青藏高原的強(qiáng)降水量將會增加，CDD將會減少（李紅梅和李林，2015）。

中國科學(xué)院大氣物理研究所耦合氣候系統(tǒng)模式FGOALS-g2（Flexible Global Ocean–Atmosphere– Land System Model: Grid-point Version 2）是FGOALS-g的最新版本模式，它的前一個版本是FGOASL-g1（Yu et al., 2008）。和FGOALS-g1相比，F(xiàn)GOALS-g2在氣候態(tài)、氣候變率等方面有明顯改進(jìn)（Li et al., 2013a）。FGOALS-g2能較好的模擬出東亞季風(fēng)降水和季節(jié)循環(huán)、ENSO以及全球平均溫度變化（Li et al., 2013a; Zhou et al., 2013; Zhou et al., 2014）。和FGOALS-g2相應(yīng)的FGOALS-s2（FGOALS Spectral Version 2）模式對全球季風(fēng)降水的模擬評估已有學(xué)者發(fā)表，詳細(xì)結(jié)果可見Zhang and Zhou（2014）。在全球季風(fēng)區(qū)極端降水模擬和預(yù)估方面，關(guān)于FGOALS-g2的研究尚未涉及。因此，本文基于FGOALS-g2模式的結(jié)果，重點回答如下問題：（1）FGOALS-g2對全球季風(fēng)區(qū)極端降水平均態(tài)和年際變率的模擬能力如何？（2）在RCP8.5排放情景下，F(xiàn)GOALS-g2模式預(yù)估21世紀(jì)全球季風(fēng)區(qū)極端降水會如何變化？

2 資料和方法

2.1 模式

FGOALS-g2是FGOALS系列模式中最新版本的格點模式，由中國科學(xué)院大氣物理研究所大氣科學(xué)和地球流體力學(xué)數(shù)值模擬國家重點實驗室（LASG/IAP）開發(fā)（Li et al., 2013a）。該模式包括大氣、海洋、海冰以及陸面四個模塊，耦合器為NCAR開發(fā)的CPL6（Craig et al., 2005）。大氣模塊為格點大氣模式GAMIL2，水平分辨率為2.8° （緯度）×2.8°（經(jīng)度），垂直方向有26層（Li et al., 2013b）；海洋模塊是基于LASG第四代海洋環(huán)流模式發(fā)展的較高分辨率海洋模式LICOM2（Liu et al., 2012）；海冰模塊是基于模式CICE4.0改進(jìn)的海冰模式CICE4-LASG（Liu, 2010）；陸面模塊則是引進(jìn)NCAR發(fā)展的陸面模式CLM3（Oleson et al., 2010）。

本文所用歷史模擬和未來預(yù)估數(shù)據(jù)分別為FGOALS-g2參加CMIP5進(jìn)行的20世紀(jì)歷史試驗和未來氣候預(yù)估試驗結(jié)果。歷史試驗中，外強(qiáng)迫包括太陽常數(shù)、溫室氣體、氣溶膠以及臭氧，但不包括火山活動（Li et al., 2013b）。Zhou et al.（2013）詳細(xì)評估了該模式對20世紀(jì)氣候變化的模擬能力。在未來預(yù)估中，采用了兩種溫室氣體排放的“典型濃度路徑”RCP8.5和RCP4.5，即到2100年輻射強(qiáng)迫增長至8.5 W m?2和4.5 W m?2（（Riahi et al., 2011; Thomson et al., 2011; 周天軍等，2014）。在評估模式模擬能力部分，本文用了歷史試驗1997～2005年與RCP4.5情景預(yù)估下2006～2014年的數(shù)據(jù)。在討論21世紀(jì)氣候變化部分，本文用了RCP8.5情景預(yù)估的數(shù)據(jù)。FGOALS-g2模式的20世紀(jì)氣候模式試驗有5組集合成員，21世紀(jì)氣候預(yù)估試驗有1組集合成員，本文所用歷史模擬和預(yù)估試驗數(shù)據(jù)均為第一個集合成員。

2.2 觀測資料

在確定全球季風(fēng)區(qū)的時候，用的是分辨率為2.5°×2.5°的球降水氣候計劃GPCP2.2版本的逐月降水?dāng)?shù)據(jù)，時間長度為1979～2010年（Adler et al., 2003）。在計算極端降水指數(shù)及降水頻率中，用的是分辨率為1.0°×1.0°的GPCP1.2版本的逐日降水?dāng)?shù)據(jù)（Huffman et al., 2001）。考慮到逐日數(shù)據(jù)從1996年10月開始，因此時間長度取為1997～2014年。

2.3 分析方法

根據(jù)Wang et al.（2012）的定義，全球季風(fēng)區(qū)定義為觀測中全球季風(fēng)年夏季（北半球5～9月，南半球11～3月）與冬季（北半球11～3月，南半球5～9月）平均降水量之差超過2 mm d?1且夏季降水超過全年降水總量55%的區(qū)域。為了更加細(xì)致的探討模式模擬的降水特征，本文參照Dai（2006），依據(jù)日降水量將降水分為毛毛雨（0～1 mm d?1）、小雨（1～5 mm d?1、5～10 mm d?1）、中雨（10～20 mm d?1）、大雨（20～50 mm d?1）以及暴雨（＞50 mm d?1）。

文中采用的六個國際通用的極端降水指數(shù)如表1所示，分別是：日降水量低于1 mm的連續(xù)最大天數(shù)（CDD）；日最大降水量（R1day）；日降水量不低于1 mm的總降水量（PRCPTOT）；連續(xù)5天最大降水量（R5day）；日降水量不低于1 mm的所有降水日中超過95%分位的所有降水日的降水總量（R95p）；日降水量不低于1 mm的所有降水日的平均值（SDII）（Zhang et al., 2011）。

表1 極端降水指數(shù)定義

本文只關(guān)注全球季風(fēng)區(qū)，因此其他區(qū)域的數(shù)據(jù)全部設(shè)為缺省值。依據(jù)定義，在每個格點上計算每年的極端降水指數(shù)以及降水頻率，最后再計算氣候態(tài)、區(qū)域平均值等。需要指出的是，在計算R95p時，在歷史和未來預(yù)估時段也都是逐年計算，而沒有采用一段時期作為參考期。在未來預(yù)估中，參照IPCC第五次評估報告（IPCC, 2013），給出了遠(yuǎn)期（2076～2095年）相對于參考時段（1986～2005年）的全球季風(fēng)區(qū)極端降水指數(shù)的空間變化。在檢驗氣候態(tài)變化的顯著性方面，采用了檢驗方法。在計算季風(fēng)區(qū)降水頻率分布時，先求取每年區(qū)域平均的逐日降水?dāng)?shù)據(jù)，然后計算不同強(qiáng)度降水（間隔為1 mm）的降水頻率。

3 結(jié)果

3.1 氣候態(tài)的模擬

3.1.1 極端降水指數(shù)氣候態(tài)空間分布

觀測中（圖1a），海洋的CDD比陸地短，南半球季風(fēng)區(qū)CDD比北半球季風(fēng)區(qū)更長，三個干旱中心分別位于南美、南非以及北澳陸地季風(fēng)區(qū)。在模式中（圖1b），CDD的?！懛植己湍稀卑肭蚍植继卣鳎约叭齻€干旱中心位置都能很好地再現(xiàn)，只是強(qiáng)度上仍有偏差。因此，F(xiàn)GOALS-g2能很好地再現(xiàn)CDD的空間分布。模式模擬的CDD在南美季風(fēng)區(qū)偏長（超過50%），而在其他季風(fēng)區(qū)南部偏短（約25%）（圖1c）。觀測中（圖1d），PRCPTOT從低緯向高緯遞減，最大值位于近赤道的美洲季風(fēng)區(qū)和亞洲季風(fēng)區(qū)。在FGOALS-g2中（圖1e），PRCPTOT從低緯向高緯遞減，最大值位于近赤道亞洲季風(fēng)區(qū)。因此，F(xiàn)GOALS-g2能很好地刻畫PRCPTOT的空間分布。但模式低估了南非季風(fēng)區(qū)外所有季風(fēng)區(qū)的PRCPTOT，不能再現(xiàn)美洲季風(fēng)區(qū)的最大值中心（偏少近25%）（圖1f）。觀測中（圖1g），SDII最大值中心位于亞洲季風(fēng)區(qū)的中印半島和中國東南部，非洲季風(fēng)區(qū)降水強(qiáng)度最弱。在模式中（圖1h），降水強(qiáng)度最大值位于中南半島及毗鄰海域，最小值位于亞洲陸地季風(fēng)區(qū)。因此，模式能較好地模擬出美洲季風(fēng)區(qū)和北非季風(fēng)區(qū)的降水強(qiáng)度空間分布。模式低估了所有區(qū)域的降水強(qiáng)度，亞洲陸地季風(fēng)區(qū)中國東南部和中印半島的強(qiáng)降水中心在模式中表現(xiàn)為低值中心，偏差超過25%（圖1i）。

圖1 1997～2014年CDD（單位：d）、PRCPTOT（單位：mm）和SDII（單位：mm d?1）的平均態(tài)和偏差比：觀測資料GPCP的結(jié)果（左列）；FGOALS-g2模擬的結(jié)果（中列）；模式相對觀測的偏差比（右列，模式結(jié)果和觀測之差除以觀測，單位：%）

觀測中（圖2a），R1day的空間分布和降水強(qiáng)度（圖1g）十分相似，最大值位于中印半島和中國東南部，非洲季風(fēng)區(qū)R1day最弱。模式中（圖2b），R1day在陸地季風(fēng)區(qū)的最大值位于中南半島，最小值位于亞洲季風(fēng)區(qū)。因此，F(xiàn)GAOSL-g2能夠基本刻畫出美洲和北非陸地季風(fēng)區(qū)R1day的空間分布。模式模擬的R1day在亞洲陸地季風(fēng)區(qū)則偏少（近25%），不能再現(xiàn)中印半島和中國東南部的高值中心，而在其他區(qū)域明顯偏多（25%以上）（圖2c）。觀測中（圖2d），R95p的空間分布特征和降水總量基本類似（圖1d）。模式中（圖2e），R95p從低緯向高緯遞減，最大值位于近赤道季風(fēng)區(qū)，且海洋季風(fēng)區(qū)和非洲陸地季風(fēng)區(qū)的降水量較大。因此，模式能很好地再現(xiàn)R95p的空間分布。模式模擬的R95p在海洋以及非洲陸地季風(fēng)區(qū)偏多（25%以上），在亞洲和南美陸地季風(fēng)區(qū)偏少（25%以下）（圖2f）。觀測中（圖2g），R5day的空間分布和R1day（圖2g）基本類似。模式中（圖2h），R5day的最大值位于中印、中南半島以及海洋季風(fēng)區(qū)，亞洲和非洲季風(fēng)區(qū)降水量均較弱。因此，F(xiàn)GOASL-g2能較好地再現(xiàn)R5day的空間分布。模式模擬的R5day偏差百分比分布和R95p基本類似，但偏差更小（圖2i）。

圖2 同圖1，但為R1day（單位：mm）、R95p（單位：mm）和R5day（單位：mm）的平均態(tài)和偏差比

泰勒圖可以定量的描述FGOALS-g2模式對全球季風(fēng)區(qū)極端降水指標(biāo)氣候態(tài)的模擬能力（Taylor, 2001）（圖3a）。從空間變化幅度來看，模式模擬的CDD及PRCPTOT較觀測略偏大，其他四個指數(shù)則較觀測偏小。從場相關(guān)系數(shù)來看，CDD和PRCPTOT的相關(guān)系數(shù)最大（0.6），R95p和R5day次之（0.5），R1day和SDII最?。ㄐ∮?.2）。因此，F(xiàn)GOALS-g2模式能夠很好地再現(xiàn)除R1day和SDII外其他四個指數(shù)的氣候態(tài)空間分布。模式模擬的SDII和R1day空間分布只在部分季風(fēng)區(qū)較好，不能很好地再現(xiàn)全球季風(fēng)區(qū)尤其是亞洲季風(fēng)區(qū)的最大值中心。

圖3 （a）全球季風(fēng)區(qū)極端降水指數(shù)氣候態(tài)的泰勒圖。圖中不同形狀代表不同的指數(shù)，橫縱坐標(biāo)表示模式與觀測的空間標(biāo)準(zhǔn)差之比，徑坐標(biāo)表示模式和觀測的空間系數(shù)。紅色代表的是模式FGOALS-g2模擬的結(jié)果，藍(lán)色則代表觀測資料的結(jié)果（REF）。（b）模式模擬的六個極端降水指數(shù)氣候態(tài)偏差比在各個子季風(fēng)區(qū)的區(qū)域平均（單位：%）。NAM表示北美季風(fēng)區(qū)（0°～60°N，160°W～30°W），SAM表示南美季風(fēng)區(qū)（40°S～0°，90°W～30°W），NAF表示北非季風(fēng)區(qū)（0°～60°N，30°W～60°E），SAF表示南非季風(fēng)區(qū)（40°S～0°，0°～90°E），AS表示亞洲季風(fēng)區(qū)（0°～60°N，60°E～180°），AUS表示澳洲季風(fēng)區(qū)（40°S～0°，90°E～180°）

為了更直觀的探討模式對全球季風(fēng)區(qū)極端降水指數(shù)模擬的偏差，本文將全球季風(fēng)區(qū)劃分為北美、南美、北非、南非、亞洲和澳洲季風(fēng)區(qū)這六個子季風(fēng)區(qū)。圖3b給出了區(qū)域平均的極端降水指數(shù)偏差百分比。模式模擬的CDD在南美季風(fēng)區(qū)和澳洲季風(fēng)區(qū)偏長，而在其他區(qū)域偏短。在南美季風(fēng)區(qū)，CDD被高估最明顯，超過50%。模式低估了所有季風(fēng)區(qū)的SDII，南美季風(fēng)區(qū)被低估最明顯（30%以上）。除南非季風(fēng)區(qū)外，模式中各個子季風(fēng)區(qū)的PRCPTOT均較觀測偏少。在非洲和亞—澳季風(fēng)區(qū)，模式模擬的極端降水（R5day、R95p和R1day）明顯偏多。子季風(fēng)區(qū)區(qū)域平均的極端降水明顯偏多，很大程度上來自模式對海洋上極端降水的明顯高估。在亞洲季風(fēng)區(qū)，盡管模式中陸地極端降水偏少，海洋極端降水明顯偏多，因此整個區(qū)域的極端降水仍較觀測偏多超過10%。

3.1.2 降水強(qiáng)度和降水頻率

圖4是各個子季風(fēng)區(qū)不同強(qiáng)度降水的降水頻率及其對降水總量貢獻(xiàn)率的區(qū)域平均結(jié)果。從降水頻率來看，模式中各個子季風(fēng)區(qū)毛毛雨頻率均超過50%，較觀測高30%。盡管在模式模擬的毛毛雨頻率在季風(fēng)區(qū)較觀測明顯偏高，但在整個熱帶地區(qū)與觀測較接近（Dai, 2006）。盡管模式中各個子季風(fēng)區(qū)的毛毛雨日數(shù)一致被高估，但模擬的連續(xù)不降水日數(shù)偏差并不一致。從降水總量貢獻(xiàn)率來看，貢獻(xiàn)率最大的是中雨和大雨。模式中雨和大雨的頻率都被低估約3%，因此多數(shù)季風(fēng)區(qū)的降水總量和降水強(qiáng)度都被低估。在南非季風(fēng)區(qū)，雖然模式低估了降水強(qiáng)度，但高估了1 mm d?1以上的降水發(fā)生頻率，因此模擬的降水總量要高于觀測。由于暴雨雨強(qiáng)大，F(xiàn)GOALS-g2對除南美季風(fēng)區(qū)外其他季風(fēng)區(qū)暴雨頻率的高估，導(dǎo)致了模式中對應(yīng)季風(fēng)區(qū)的極端降水量較觀測明顯偏高。

圖4 1997～2014年全球季風(fēng)區(qū)各子季風(fēng)區(qū)不同強(qiáng)度降水的降水頻率及其對總降水量貢獻(xiàn)率的區(qū)域平均結(jié)果（單位：%）：（a）北美季風(fēng)區(qū)；（b）南美季風(fēng)區(qū)；（c）北非季風(fēng)區(qū)；（d）南非季風(fēng)區(qū)；（e）亞洲季風(fēng)區(qū)；（f）澳洲季風(fēng)區(qū)。圖中紅色格柱狀代表觀測資料的不同強(qiáng)度降水頻率，紅色柱狀代表FGOALS-g2模擬的不同強(qiáng)度降水頻率，藍(lán)色格柱狀代表觀測資料不同降水強(qiáng)度的降水貢獻(xiàn)率，藍(lán)色柱狀代表模式結(jié)果中不同降水強(qiáng)度的降水貢獻(xiàn)率

3.2 年際變率的模擬

FGOALS-g2模式對全球季風(fēng)區(qū)極端降水指數(shù)年際變率的模擬如圖5所示。觀測結(jié)果（圖5a1）表明，CDD年際變率最大值位于南半球的南美、南非以及澳大利亞季風(fēng)區(qū)，最小值位于東亞季風(fēng)區(qū)。模式（圖5a2）能很好地模擬出CDD年際變率的最大（?。┲抵行奈恢?，只是模擬的強(qiáng)度較觀測偏強(qiáng)。觀測中的PRCPTOT（圖5b1）年際變率最大值位于南非、澳大利亞以及亞洲季風(fēng)區(qū)的海洋季風(fēng)區(qū)，最小值位于非洲季風(fēng)區(qū)。FGOALS-g2模式（圖5b2）能很好地模擬出PRCPTOT年際變率大值位于海洋季風(fēng)區(qū)小值位于陸地季風(fēng)區(qū)的空間分布特征，但高（低）估了海洋（陸地）季風(fēng)區(qū)的年際變率。觀測中的SDII（圖5c1）年際變率空間分布特征和PRCPTOT（圖5b1）基本類似，大值位于海洋而小值位于陸地，但在南亞陸地季風(fēng)區(qū)也有一個明顯的大值中心。FGOALS-g2（圖5c2）能較好地再現(xiàn)SDII年際變率的?！懛植继卣?，但沒有模擬出南亞季風(fēng)區(qū)的大值中心，因此模擬的SDII（圖5c2）年際變率空間分布不如PRCPTOT（圖5b2）。在觀測中，極端降水R1day（圖5d1）、R95p（圖5e1）和R5day（圖5f1）的年際變率空間分布具有顯著的?！懛植继卣?，在海洋季風(fēng)區(qū)的年際變率強(qiáng)于陸地季風(fēng)區(qū)，最大值位于亞洲季風(fēng)區(qū)。模式模擬結(jié)果（圖5d2、e2、f2）表明，極端降水年際變率“海洋強(qiáng)—陸地弱”的空間分布特征基本能在FGOALS-g2中再現(xiàn)，但模式中海洋季風(fēng)區(qū)的年際變率強(qiáng)度較觀測明顯偏強(qiáng)。綜上，F(xiàn)GOALS-g2模式基本能模擬出各個指數(shù)的年際變率空間分布特征，模擬的降水指數(shù)年際變率在海洋季風(fēng)區(qū)偏強(qiáng)。

3.3 RCP8.5情景下預(yù)估的全球季風(fēng)極端降水變化

在不同溫室氣體排放情景下，CMIP5多模式預(yù)估21世紀(jì)全球陸地季風(fēng)區(qū)夏季平均降水會增 加，且溫室氣體排放濃度越高，降水增加速度越快（Christensen et al., 2013）。到21世紀(jì)末（2080～2099年），全球陸地季風(fēng)區(qū)的夏季平均降水強(qiáng)度、極端降水以及CDD都會增加（Kitoh et al., 2013）。因此，本部分主要考察整個全球季風(fēng)區(qū)的極端降水指數(shù)變化，并與陸地季風(fēng)區(qū)夏季極端降水變化趨勢進(jìn)行對比。

圖6為RCP8.5排放情景下FGOALS-g2模式預(yù)估的全球季風(fēng)區(qū)極端降水指數(shù)在21世紀(jì)變化的時間序列。在整個21世紀(jì)，CDD在陸地季風(fēng)區(qū)變 長，但在海洋季風(fēng)區(qū)變短。因此，CDD在整個全球季風(fēng)區(qū)表現(xiàn)為年代際變化。和CDD不同，極端降水、降水強(qiáng)度和降水總量在全球陸地和海洋季風(fēng)區(qū)一致增加，在2040年之后速度加快且海洋季風(fēng)區(qū)表現(xiàn)更明顯。從整個全球季風(fēng)區(qū)來看，到21世紀(jì)末期，CDD無顯著變化，R5day、R1day、SDII、R95p和PRCPTOT分別增加了12.2%、13.7%、9.4%、17.2%和16.6%。Kitoh et al.（2013）指出，夏季陸地季風(fēng)區(qū)CDD將會增加。在這里，我們發(fā)現(xiàn)，CDD在陸地季風(fēng)區(qū)的變化趨勢與其結(jié)論一致。然而，CDD在海洋季風(fēng)區(qū)變短，因此在整個全球季風(fēng)區(qū)的變化趨勢完全不顯著。全球季風(fēng)區(qū)極端降水、平均降水以及降水總量的變化，則和陸地季風(fēng)區(qū)夏季降水變化趨勢一致（Craig et al., 2005; Kitoh et al., 2013）。

圖6 模式預(yù)估RCP8.5排放情景下21世紀(jì)（2006～2100年）全球季風(fēng)區(qū)極端降水指數(shù)異常百分比的20年滑動平均的時間序列（相對于參考時段1986～2005年，單位：%）：（a）CDD；（b）R5day；（c）R1day；（d）SDII；（e）R95p；（f）PRCPTOT。GMA代表全球季風(fēng)區(qū)，GML代表全球陸地季風(fēng)區(qū)，GMO代表全球海洋季風(fēng)區(qū)

六個極端降水指數(shù)的遠(yuǎn)期（2076～2095年）變化空間分布如圖7所示。從空間分布來看，CDD在南非海洋季風(fēng)區(qū)、西北太平洋季風(fēng)區(qū)和澳大利亞季風(fēng)區(qū)都將變短，而在其他區(qū)域變長。CDD在南美和南非南部陸地季風(fēng)區(qū)變長最顯著，在澳大利亞變短最顯著，均超過8天。全球季風(fēng)區(qū)大部分區(qū)域的極端降水（R5day、R1day、R95p）都將增多，降水強(qiáng)度（SDII）也將增強(qiáng)。但是，西北太平洋季風(fēng)區(qū)南部以及中南半島的極端降水將會明顯減少，降水強(qiáng)度也將減弱。和極端降水類似，整個全球季風(fēng)區(qū)的降水總量（PRCPTOT）在遠(yuǎn)期也將增加，但其變化特征空間分布有所不同。在遠(yuǎn)期，降水總量不僅在西北太平洋季風(fēng)區(qū)南部和中南半島減少，在南美季風(fēng)區(qū)南部和南非陸地季風(fēng)區(qū)也將減少。極端降水R95p的變化特征和降水總量基本類似，但變化范圍相對較小。

圖7 RCP8.5情景下FGOALS-g2預(yù)估極端降水指數(shù)在21世紀(jì)遠(yuǎn)期（2076～2095年）相對于參考時段（1986～2005年）的氣候態(tài)變化空間分布：（a）CDD（單位：d）；（b）R5day（單位：mm）；（c）SDII（單位：mm d?1）；（d）R1day（單位：mm）；（e）PRCPTOT（單位：mm）；（f）R95p（單位：mm）。打點區(qū)域代表通過95%的顯著性t檢驗

為了更好的量化討論全球季風(fēng)區(qū)極端降水指數(shù)的變化特征，圖8給出了遠(yuǎn)期（2076～2095年）的降水指數(shù)空間分布（圖7）的區(qū)域平均結(jié)果。CDD在多數(shù)季風(fēng)區(qū)都將變長，最顯著的區(qū)域為南美季風(fēng)區(qū)（近30%）。但在亞洲和澳洲季風(fēng)區(qū)，CDD將變短，且在澳洲季風(fēng)區(qū)變短最顯著，達(dá)40%。從圖7可以看出，CDD在亞洲陸地季風(fēng)區(qū)變長，而在海洋季風(fēng)區(qū)變短。因此，CDD在海洋季風(fēng)區(qū)變短的趨勢，對在整個區(qū)域的變化影響十分重要。從極端降水、降水強(qiáng)度和降水總量來看，全球季風(fēng)區(qū)各個子季風(fēng)區(qū)的降水均將一致增加。在遠(yuǎn)期，極端降水和降水強(qiáng)度增多最顯著的區(qū)域均為北美季風(fēng)區(qū)，分別增加22%以及17%。而降水總量增多最明顯的區(qū)域為澳大利亞季風(fēng)區(qū)，增加37%。

圖8 FGOALS-g2預(yù)估RCP8.5排放情景下各個子季風(fēng)區(qū)的極端降水指數(shù)在遠(yuǎn)期（2076～2095年）相對參考時段（1986～2005年）變化的區(qū)域平均（單位：%）：（a）北美季風(fēng)區(qū)；（b）南美季風(fēng)區(qū)；（c）北非季風(fēng)區(qū)；（d）南非季風(fēng)區(qū)；（e）亞洲季風(fēng)區(qū)；（f）澳洲季風(fēng)區(qū)

前人研究指出，在全球溫度持續(xù)增加的背景下，空氣中水汽含量增加使得全球降水也將增加，其中平均降水的增加會受到能量收支的限制，而極端降水的增加則主要和可降水量有關(guān)（Allen and Ingram, 2002; Held and Soden, 2006; Pall et al., 2007）。為此，圖9給出了21世紀(jì)可降水量相對參考時段變化的時間序列。在整個21世紀(jì)，全球陸地季風(fēng)區(qū)和海洋季風(fēng)區(qū)的可降水量均呈線性增加趨勢。因此，全球季風(fēng)區(qū)和海洋季風(fēng)區(qū)的極端降水呈現(xiàn)一致的增加趨勢（圖6）。

圖9 RCP8.5情景下21世紀(jì)可降水量相對參考時段（1986～2005年）的變化時間序列20年滑動平均結(jié)果（單位：kg m?3 s?2）

在全球變暖的背景下，全球陸地季風(fēng)區(qū)和海洋季風(fēng)區(qū)可降水量一致增加，為何CDD的變化特征卻完全相反？前文已經(jīng)指出，到2076～2095年，CDD在南美季風(fēng)區(qū)變長最顯著，在澳大利亞季風(fēng)區(qū)變短最顯著。南美季風(fēng)區(qū)基本是陸地區(qū)域，澳大利亞則覆蓋了大量的海洋區(qū)域。因此，本文將南美季風(fēng)區(qū)和澳大利亞季風(fēng)區(qū)分別作為陸地季風(fēng)區(qū)和海洋季風(fēng)區(qū)的典型區(qū)域，探討全球陸地和海洋季風(fēng)區(qū)CDD變化特征不同的原因。

圖10給出了南美和澳大利亞季風(fēng)區(qū)在參考時段（1986～2005年）和遠(yuǎn)期（2076～2095年）區(qū)域平均逐日降水的降水頻率分布圖。和參考時段相比，遠(yuǎn)期南美季風(fēng)區(qū)的降水頻率分布發(fā)生了明顯的變化。在南美，日降水量低于1 mm和高于6 mm的降水頻率明顯增加，而1 mm d?1至6 mm d?1的降水明顯減少。澳大利亞季風(fēng)區(qū)的降水頻率分布圖和南美季風(fēng)區(qū)不同，因此其降水頻率變化特征也有所不同。在澳大利亞，低于3 mm d?1的降水發(fā)生頻率顯著減少，而高于3 mm d?1的降水事件顯著增加。綜上，低于1 mm d?1的降水發(fā)生頻率在南美（澳大利亞）季風(fēng)區(qū)明顯增加（減少），使得相應(yīng)區(qū)域的CDD顯著變長（變短）。

圖10 不同強(qiáng)度區(qū)域平均的降水頻率分布：（a）SAM（南美季風(fēng)區(qū)）；（b）AUS（澳大利亞季風(fēng)區(qū)）。實線表示參考時段（1986～2005年），虛線表示遠(yuǎn)期（2076～2095年）

由于分析基于單一模式的單一成員，預(yù)估結(jié)果存在較大的不確定性。在給定RCP8.5情景下，由于不同模式氣候敏感性不同，地表增暖存在顯著差異（Chen et al., 2014）。部分模式對南亞季風(fēng)極端降水依賴局地地表的增暖幅度，增溫越高，極端降水越多（Turner and Slingo, 2009）。不同對流參數(shù)化方案會使得降水和溫度的關(guān)系偏離“Clausius– Clapeyron”方程的約束，從而增加更大的不確定性（Turner and Slingo, 2009）。最近的研究表明南亞季風(fēng)區(qū)降水的不確定性受西太平洋海溫增暖型的影響（Chen and Zhou, 2015），西太平洋越暖會導(dǎo)致降水的增加在印度半島越少而在中南半島越多，因此未來海溫型的不確定性可能會影響各季風(fēng)區(qū)極端降水的變化。另外內(nèi)部變率也是不確定性的重要來源之一，據(jù)已有的研究可知，其對區(qū)域尺度極端降水不確定性的貢獻(xiàn)可達(dá)30%（Van Pelt et al., 2015）。

4 結(jié)論

本文基于FGOALS-g2歷史模擬數(shù)據(jù)，系統(tǒng)的評估了模式對觀測的全球季風(fēng)區(qū)極端氣候指標(biāo)氣候態(tài)的模擬能力。在此基礎(chǔ)上，討論了模式預(yù)估RCP8.5排放情景下極端氣候指標(biāo)在21世紀(jì)的變化，包括時間序列和氣候態(tài)。本文的主要結(jié)論如下：

（1）模式能比較好地刻畫出全球季風(fēng)區(qū)日降水量低于1 mm的連續(xù)最大天數(shù)、降水總量和極端降水的氣候態(tài)空間分布，但對降水強(qiáng)度和日最大降水量的模擬能力偏弱。模式不能再現(xiàn)降水強(qiáng)度和日最大降水量在中國東南部和中印半島的高值中心。

（2）模式模擬的日降水量低于1 mm的連續(xù)最大天數(shù)在南美和澳大利亞季風(fēng)區(qū)偏長，在南美偏長最顯著（超過50%），在其他區(qū)域偏短10%～20%。模式低估了全球季風(fēng)區(qū)幾乎所有區(qū)域的降水強(qiáng)度和降水總量，在南美季風(fēng)區(qū)被低估超過20%。模式明顯高估了全球海洋季風(fēng)區(qū)和非洲陸地季風(fēng)區(qū)的極端降水（20%以上）。

（3）模式高估了全球季風(fēng)區(qū)毛毛雨的頻率，低估了中雨和大雨的頻率。由于降水量主要來自于中雨和大雨的貢獻(xiàn)，因此模式模擬的總降水偏少。模式模擬的暴雨頻率偏高，使得模式中極端降水比觀測偏多。

（4）模式能較好地刻畫出降水指數(shù)的年際變率空間分布特征，但模擬的年際變率在海洋季風(fēng)區(qū)較觀測偏強(qiáng)。

（5）在RCP8.5排放情景下，21世紀(jì)日降水量低于1 mm的連續(xù)最大天數(shù)在全球陸地季風(fēng)區(qū)變長而在海洋季風(fēng)區(qū)變短，因此在整個全球季風(fēng)區(qū)表現(xiàn)為年代際變化。在遠(yuǎn)期（2076～2095年），日降水量低于1 mm的連續(xù)最大天數(shù)在南美季風(fēng)區(qū)變長最顯著（30%），在澳大利亞季風(fēng)區(qū)變短最明顯（40%）。這與日降水量低于1 mm的降水事件發(fā)生頻率在兩個區(qū)域的變化不同有關(guān)。

（6）在遠(yuǎn)期（2076～2095年），全球陸地和海洋季風(fēng)區(qū)的極端降水、平均降水以及降水總量都會增加。極端降水和降水強(qiáng)度在北美季風(fēng)區(qū)增加最顯著（22%和17%），降水總量在澳大利亞增加最顯著（37%）。全球季風(fēng)區(qū)極端降水的一致增加歸因于可降水量的一致增加。

最后，需要注意的是，本文基于單一模式的預(yù)估結(jié)果存在一定的不確定性。未來將基于CMIP3/ CMIP5多模式模擬和預(yù)估的結(jié)果，從模式的氣候敏感度（地表增暖幅度）、未來的海溫增暖型及內(nèi)部變率的角度，討論全球季風(fēng)區(qū)極端降水預(yù)估的不確定性。

參考文獻(xiàn)：（References）

Adler R F, Huffman G J, Chang A, et al. 2003. The version-2 global precipitation climatology project (GPCP) monthly precipitation analysis (1979–present) [J]. J. Hydrometeor., 4 (6): 1147–1167, doi:10.1175/1525- 7541(2003)004<1147:TVGPCP>2.0.CO;2.

Allen M R, Ingram W J. 2002. Constraints on future changes in climate and the hydrologic cycle [J]. Nature, 419 (6903): 224–232, doi:10.1038/ nature01092.

陳活潑. 2013. CMIP5模式對21世紀(jì)末中國極端降水事件變化的預(yù)估 [J]. 科學(xué)通報, 58 (8): 743–752. Chen H P. 2013. Projected change in extreme rainfall events in China by the end of the 21st century using CMIP5 models [J]. Chinese Sci. Bull., 58 (12): 1462–1472, doi:10.1007/ s11434-012-5612-2.

陳曉晨, 徐影, 姚遙. 2015. 不同升溫閾值下中國地區(qū)極端氣候事件變化預(yù)估 [J]. 大氣科學(xué), 39 (6): 1123–1135. Chen Xiaochen, Xu Ying, Yao Yao. 2015. Changes in climate extremes over China in a 2°C, 3°C and 4°C warmer world [J]. Chinese Journal of Atmospheric Sciences (in Chinese), 39 (6): 1123–1135, doi:10.3878/j.issn.1006-9895.1502.14224.

Chen X L, Zhou T J, Guo Z. 2014. Climate sensitivities of two versions of FGOALS model to idealized radiative forcing [J]. Science China: Earth Sciences, 57 (6): 1363–1373, doi:10.1007s11430-013-4692-4.

Chen X L, Zhou T J. 2015. Distinct effects of global mean warming and regional sea surface warming pattern on projected uncertainty in the South Asian summer monsoon [J]. Geophys. Res. Lett., 42 (21): 9433– 9439, doi:10.1002/2015GL066384.

Christensen J H, Kanikicharla K K, Marshall G, et al. 2013. Climate phenomena and their relevance for future regional climate change [M]// Climate Change 2013: The Physical Science Basis. Contribution of Working Group I to the Fifth Assessment of the Intergovernmental Panel on Climate Change. Cambridge, UK and New York, NY, USA: Cambridge University Press, 1217–1308.

Craig A P, Jacob R, Kauffman B, et al. 2005. CPL6: The new extensible, high performance parallel coupler for the community climate system model [J]. International Journal of High Performance Computing Applications, 19 (3): 309–327, doi:10.1177/1094342005056117.

Dai A G. 2006. Precipitation characteristics in eighteen coupled climate models [J]. J. Climate, 19 (18): 4605–4630, doi:10.1175/JCLI3884.1.

Held I M, Soden B J. 2006. Robust responses of the hydrological cycle to global warming [J]. J. Climate, 2006, 19 (21): 5686–5699.

Hsu P, Li T, Luo J J, et al. 2012. Increase of global monsoon area and precipitation under global warming: A robust signal? [J] Geophys. Res. Lett., 39 (6): L06701, doi:10.1029/2012GL051037.

Hsu P, Li T, Murakami H, et al. 2013. Future change of the global monsoon revealed from 19 CMIP5 models [J]. J. Geophys. Res.: Atmos., 118 (3): 1247–1260, doi:10.1002/jgrd.50145.

Huffman G J, Adler R F, Morrissey M M, et al. 2001. Global precipitation at one-degree daily resolution from multisatellite observations [J]. J. Hydrometeor., 2 (1): 36–50, doi:10.1175/1525-7541(2001)002<0036: GPAODD>2.0.CO;2.

IPCC. 2013. Climate Change 2013: The Physical Science Basis [M]. Cambridge, UK and New York, NY, USA: Cambridge University Press.

姜大膀, 富元海. 2012. 2°C全球變暖背景下中國未來氣候變化預(yù)估[J]. 大氣科學(xué), 36 (2): 234–246. Jiang Dabang, Fu Yuanhai. 2012. Climate change over China with a 2°C global warming [J]. Chinese Journal of Atmospheric Sciences (in Chinese), 36 (2): 234–246, doi:10.3878/j. issn.1006-9895.2011.11074.

江志紅, 丁裕國, 陳威霖. 2007. 21世紀(jì)中國極端降水事件預(yù)估 [J]. 氣候變化研究進(jìn)展, 3 (4): 202–207. Jiang Z H, Ding Y G, Chen W L. 2007. Projection of precipitation extremes for the 21st century over China [J]. Adv. Climate Change Res. (in Chinese), 3(4): 202–207, doi:10.3969/ j.issn.1673-1719.2007.04.003.

江志紅, 陳威霖, 宋潔, 等. 2009. 7個IPCC AR4模式對中國地區(qū)極端降水指數(shù)模擬能力的評估及其未來情景預(yù)估 [J]. 大氣科學(xué), 33(1): 109–120. Jiang Zhihong, Chen Weilin, Song Jie, et al. 2009. Projection and evaluation of the precipitation extremes indices over China based on seven IPCC AR4 coupled climate models [J]. Chinese Journal of Atmospheric Sciences (in Chinese), 33 (1): 109–120, doi:10.3878/j.issn. 1006-9895.2009.01.10.

Jiang Z H, Li W, Xu J J, et al. 2015. Extreme precipitation indices over China in CMIP5 models. Part I: Model evaluation [J]. J. Climate, 28 (21): 8603–8619, doi:10.1175/JCLI-D-15-0099.1.

Kim H J, Wang B, Ding Q H. 2008. The global monsoon variability simulated by CMIP3 coupled climate models [J]. J. Climate, 21 (20): 5271–5294, doi:10.1175/2008JCLI2041.1.

Kitoh A, Endo H, Kumar K K, et al. 2013. Monsoons in a changing world: A regional perspective in a global context [J]. J. Geophys. Res.: Atmos., 118 (8): 3053–3065, doi:10.1002/jgrd.50258.

李紅梅, 李林. 2015. 2°C全球變暖背景下青藏高原平均氣候和極端氣候事件變化 [J]. 氣候變化研究進(jìn)展, 11 (3): 157–164. Li H M, Li L. 2015. Mean and extreme climate change on the Qinghai–Tibetan Plateau with a 2°C global warming [J]. Adv. Climate Change Res. (in Chinese), 11 (3): 157–164, doi:10.3969/j.issn.1673-1719.2015.03.001.

Li H M, Zhou T J, Li C. 2010. Decreasing trend in global land monsoon precipitation over the past 50 years simulated by a coupled climate model [J]. Adv. Atmos. Sci., 27 (2): 285–292, doi:10.1007/s00376-009-8173-9.

Li L J, Lin P F, Yu Y Q, et al. 2013a. The flexible global ocean– atmosphere–land system model, Grid-point Version 2: FGOALS-g2 [J]. Adv. Atmos. Sci., 30 (3): 543–560, doi:10.1007/s00376-012-2140-6.

Li L J, Wang B, Dong L, et al. 2013b. Evaluation of grid-point atmospheric model of IAP LASG version 2 (GAMIL2) [J]. Adv. Atmos. Sci., 30 (3): 855–867, doi:10.1007/s00376-013-2157-5.

Liu H L, Lin P F, Yu Y Q, et al. 2012. The baseline evaluation of LASG/IAP climate system ocean model (LICOM) version 2 [J]. Acta Meteorologica Sinica, 26 (3): 318–329, doi:10.1007/s13351-012-0305-y.

Liu J P. 2010. Sensitivity of sea ice and ocean simulations to sea ice salinity in a coupled global climate model [J]. Science China: Earth Sciences, 53 (6): 911–918, doi:10.1007/s11430-010-0051-x.

Meehl G A, Stocker T F, Collins W D, et al. 2007. Global climate projections [M]//Climate Change2007: The Physical Science Basis. Solomon S, Qin D, Manning M, et al., Eds. Cambridge, UK and New York, NY, USA: Cambridge University Press, 283pp.

Oleson K W, Lawrence D M, Bonan G B, et al. 2010. Technical description of version 4.0 of the Community Land Model (CLM) [R]. NCAR/ TN-478+STR NCAR TECHNICAL NOTE. ISSN Electronic Edition, 2153–2400, doi:10.5065/D6FB50WZ.

Pall P, Allen M R, Stone D A. 2007. Testing the Clausius-Clapeyron constraint on changes in extreme precipitation under CO2warming [J]. Climate Dyn., 28 (4): 351–363, doi:10.1007/s00382-006-0180-2.

Riahi K, Rao S, Krey V, et al. 2011. RCP8.5—A scenario of comparatively high greenhouse gas emissions [J]. Climatic Change, 109 (1–2): 33–57, doi:10.1007/s10584-011-0149-y.

Taylor K E. 2001. Summarizing multiple aspects of model performance in a single diagram [J]. J. Geophys. Res.: Atmos., 106 (D7): 7183–7192, doi:10.1029/2000JD900719.

Thomson A M, Calvin K V, Smith S J, et al. 2011. RCP4.5: A pathway for stabilization of radiative forcing by 2100 [J]. Climatic Change, 109 (1–2): 77–94, doi:10.1007/s10584-011-0151-4.

Trenberth K E, Stepaniak D P, Caron J M. 2000. The global monsoon as seen through the divergent atmospheric circulation [J]. J. Climate, 13 (22): 3969–3993, doi:10.1175/1520-0442(2000)013<3969:TGMAST>2.0.CO;2.

Turner A G, Slingo J M. 2009. Uncertainties in future projections of extreme precipitation in the Indian monsoon region [J]. Atmos. Sci. Lett., 10 (3): 152–158, doi:10.1002/asl.223.

Van Pelt S C, Beersma J J, Buishand T A, et al. 2015. Uncertainty in the future change of extreme precipitation over the Rhine basin: The role of internal climate variability [J]. Climate Dyn., 44 (7–8): 1789–1800, doi:10.1007/s00382-014-2312-4.

Wang B, Ding Q H. 2006. Changes in global monsoon precipitation over the past 56 years [J]. Geophys. Res. Lett., 33 (6): L06711, doi:10.1029/ 2005GL025347.

Wang B, Liu J, Kim H J, et al. 2012. Recent change of the global monsoon precipitation (1979–2008) [J]. Climate Dyn., 39 (5): 1123–1135, doi:10. 1007/s00382-011-1266-z.

Wang B, Liu J, Kim H J, et al. 2013. Northern Hemisphere summer monsoon intensified by mega-El Ni?o/southern oscillation and Atlantic multidecadal oscillation [J]. Proceedings of the National Academy of Sciences of the United States of America, 110 (14): 5347–5352, doi:10.1073/pnas.1219405110.

Xue F, Zeng Q C, Huang R H, et al. 2015. Recent advances in monsoon studies in China [J]. Adv. Atmos. Sci., 32 (2): 206–229, doi:10.1007/ s00376-014-0015-8.

嚴(yán)中偉, 楊赤. 2000. 近幾十年中國極端氣候變化格局 [J]. 氣候與環(huán)境研究, 5 (3): 267–272. Yan Z W, Yang C. 2000. Geographic patterns of extreme climate changes in China during 1951–1997 [J]. Climatic and Environmental Research (in Chinese), 5 (3): 267–272, doi:10.3969/j. issn.1006-9585.2000.03.005.

Yu Y Q, Zhi H, Wang B, et al. 2008. Coupled model simulations of climate changes in the 20th century and beyond [J]. Adv. Atmos. Sci., 25 (4): 641–654, doi:10.1007/s00376-008-0641-0.

Zhang L X, Zhou T J. 2011. An assessment of monsoon precipitation changes during 1901–2001 [J]. Climate Dyn., 37 (1–2): 279–296, doi:10.1007/s00382-011-0993-5.

Zhang L X, Zhou T J. 2014. An assessment of improvements in global monsoon precipitation simulation in FGOALS-s2 [J]. Adv. Atmos. Sci., 31 (1): 165–178, doi:10.1007/s00376-013-2164-6.

Zhang X B, Alexander L, Hegerl G C, et al. 2011. Indices for monitoring changes in extremes based on daily temperature and precipitation data [J]. Wiley Interdisciplinary Reviews: Climate Change, 2 (6): 851–870, doi:10.1002/wcc.147.

Zhou T J, Yu R C, Li H M, et al. 2008. Ocean forcing to changes in global monsoon precipitation over the recent half-century [J]. J. Climate, 21 (15): 3833–3852, doi:10.1175/2008JCLI2067.1.

Zhou T J, Song F F, Chen X L. 2013. Historical evolution of global and regional surface air temperature simulated by FGOALS-s2 and FGOALS-g2: How reliable are the model results? [J]. Adv. Atmos. Sci., 30 (3): 638–657, doi:10.1007/s00376-013-2205-1.

周天軍, 鄒立維, 吳波, 等. 2014. 我國地球氣候系統(tǒng)模式研究進(jìn)展: CMIP計劃實施近20年回顧[J]. 氣象學(xué)報, 72 (5): 892–907. Zhou T J, Zou L W, Wu B, et al. 2014. Development of earth/climate system models in China: A review from the Coupled Model Intercomparison Proiect perspective [J]. Acta Meteor. Sinica (in Chinese), 72 (5): 892–907, doi:10.11676/qxxb2014.083.

The FGOALS-g2 Simulation of Global Monsoon Extreme Precipitation and Future Projection

PENG Dongdong1, 2, ZHOU Tianjun1, 3, ZOU Liwei1, ZHANG Lixia1, and CHEN Xiaolong1

1,,,100029;2,100049;3,,100029

Based on historical simulation and future projection under the RCP8.5 scenario by model FGOALS-g2, the authors have analyzed the extreme climate indices and associated potential future changes in the 21st century over global monsoon region. Results indicate that FGOALS-g2 can reasonably reproduce the spatial pattern of climate state and interannual variability of extreme precipitation indices. However, precipitation is underestimated by FGOALS-g2 in heavy rainfall centers over Asian monsoon region. Due to the overestimation (underestimation) of the frequency of extreme rain (moderate and heavy rain), the extreme precipitation (total precipitation) simulated by FGOALS-g2 is stronger (weaker) than observations. Under the RCP8.5 scenario, extreme precipitation, total precipitation, and precipitation intensity all tend to increase over global monsoon region. The most significant change occurs over North America (22% and 17% for extreme precipitation and precipitation intensity, respectively) and Australia (37% for precipitation amount). The projected increase in extreme precipitation may be attributed to the increase in precipitable water. However, the projected maximum number of consecutive days with daily precipitation less than 1 mm (hereafter CDD) will increase over land areas within global monsoon region but decrease over ocean areas of global monsoon region. To the end of the 21st century (2076–2095), projected CDD will decrease (increase) by 30% (40%) over South America (Australia), which is associated with the increase (decrease) in the frequency of rainfall events with daily precipitation less than 1 mm.

Global monsoon, Model FGOALS-g2, Extreme precipitation, Extreme climate

1006-9895(2016)05-1059-14

P467

A

10.3878/j.issn.1006-9895.1512.15243

2015-08-07；網(wǎng)絡(luò)預(yù)出版日期2016-01-06

彭冬冬，男，1991年出生，碩士研究生，主要從事氣候模擬研究。E-mail: pengdd@lasg.iap.ac.cn

周天軍，E-mail: zhoutj@lasg.iap.ac.cn

國家自然科學(xué)基金項目41420104006、41330423、41205080、41305072，公益性行業(yè)（氣象）科研專項GYHY201506012

Funded by National Natural Science Foundation of China (Grants 41420104006, 41330423, 41205080, and 41305072), R&D Special Fund for Public Welfare Industry (Meteorology) (Grant GYHY 201506012)