全球增暖1.5_2℃下中国...降水的风险变化及其影响因子_朱连华.pdf

2023 年第 46 卷第 1 期:97-109专 刊http:/dqkxxbcnjournalsorg引用格式:朱连华，祝颖锜，姚壹壹，等，2023全球增暖 1.5/2 下中国区域极端降水的风险变化及其影响因子J 大气科学学报，46(1):97-109Zhu L H，Zhu Y Q，Yao Y Y，et al，2023isk and impact analysis of extreme precipitation over China under 1.5 and 2 global war-ming levels J Trans Atmos Sci，46(1):97-109doi:10.13878/jcnkidqkxxb20210811002(in Chinese)全球增暖 1.5/2 下中国区域极端降水的风险变化及其影响因子朱连华*，祝颖锜，姚壹壹，石晨，徐凡然，赵暐昊，江志红 南京信息工程大学 数学与统计学院，江苏 南京 210044;南京信息工程大学 江苏省应用数学中心，江苏 南京 210044;南京信息工程大学 江苏省系统建模与数据分析国际合作联合实验室，江苏 南京 210044;吉林省气象科学研究所，中高纬度环流系统与东亚季风研究开放实验室，吉林 长春 130062;南京信息工程大学 气象灾害教育部重点实验室/气候与环境变化国际联合实验室/气象灾害预报预警与评估协同创新中心，江苏 南京 210044;*联系人，E-mail:ahualian nuisteducn2021-08-11 收稿，2021-12-09 接受国家重点研发计划项目(2017YFA0603804;2018YFC1505804);国家自然科学基金资助项目(41905078;11771215;41875098);江苏省自然科学资助基金(BK20191394)摘要利用 24 个 CMIP6 全球气候模式的逐日降水模拟资料，基于广义极值分布(GEV)模型，研究了全球增暖 1.5/2 下我国 20、50 和 100 a 重现期极端降水的未来风险变化。可以发现，相对于历史时期(19952014 年)，全球升温 1.5 和 2 下极端降水发生概率风险空间分布相近，总体上呈现增加趋势，但额外增暖 0.5 将导致更高的风险。如 50 a 重现期极端降水，在增暖 1.5/2 下其重现期将分别变为 17/14 a，极端降水将变得更加频繁。不同区域对气候变暖的响应存在区域差异，其中中国西部长江黄河中上游和青藏高原地区、中国东部长江黄河中下游及其以南地区，极端降水发生概率比达到 3 以上，局部更是达到 5 以上，为我国极端降水气候变化响应高敏感区域。进一步，基于概率分布函数从理论角度探讨了位置和尺度参数对发生概率风险的影响与贡献度量，并用于探讨极端降水气候平均态和变率变化对极端降水发生风险的影响，结果显示:位置和尺度参数的增量变化、风险变化率存在着显著的东西部差异，从而导致极端降水发生风险的影响因素存在差异。如中国西部尽管极端降水气候平均态和变率变化幅度不大，但因风险变化率较高，从而导致该区域的发生风险大幅增加;与之相反，中国东部风险变化率较小，但气候平均态和年际变率增幅较大，同样导致该区域风险增加依然较高;此外，相对于位置参数，全国大部分区域主要是尺度参数的变化导致极端降水未来风险增大。关键词CMIP6;极端降水;全球变暖;广义极值分布;概率比2020 年 3 月 10 日，世界气象组织(WMO)发布的 2019 年全球气候状况声明 指出，全球变暖仍在加速，2019 年的地表平均气温相较于工业前水平上升(1.10.1)，同时预计这种变暖趋势仍将继续下去。随着温度的不断上升，极端降水事件频发，给人们日常生活和经济系统造成了严重影响(Tian etal，2015;周莉和江志红，2017;王艳君等，2019;丁凯熙等，2020;姜彤等，2022)。为了减轻气候变化风险，巴黎协定 指出将全球平均气温控制在较工业化前水平 2 之内，并为控制在 1.5 内努力。但2023 年 1 月第 46 卷第 1 期随着全球平均气温越来越接近 1.5 的目标，开展不同升温阈值下极端降水事件的风险变化及其影响贡献来源分析的研究日益紧迫。围绕极端降水的观测特征及其未来预估变化的分析，近年来国内外学者已经开展了较多研究(Yinet al，2005;Li et al，2018a;Ge et al，2019;邵月红等，2020;Zhao et al，2020;Li et al，2021;袁宇锋和翟盘茂，2022)。观测研究表明，极端降水频率和强度在过去的几十年显著的增加，总体上呈现东南高-西北低的空间分布特征(Yuan et al，2017)。同时，其变化趋势主要以增加为主，但区域差异显著。陈海山等(2009)、Fu et al(2013)认为中国地区长江流域、东南沿海、华南、西北和青藏高原等地区的极端降水呈正趋势，而中部地区则呈负趋势;陈晓晨等(2015)、吴润琦(2019)指出未来升温背景下降水将趋于极端化，且极端降水变化幅度将随着升温阈值的升高而增大。向竣文等(2021)则基于 CMIP6 模式对中国地区极端降水进行预估，指出 20212100年中国区域极端降水将呈现显著增加趋势。在全球增暖 1.5 和 2 背景下，中国区域极端降水强度相对于历史时期分别增加 6%和 11%，其发生概率分别增加 1.6 倍和 2.4 倍(Li et al，2018b)。值得注意的是，在以往的研究中，一些学者已经注意到序列的均值与方差对气候极值的影响。例如，Mears et al(1984)指出，气候要素的均值是导致极值频率和强度发生变化的重要原因，进一步程炳岩等(2013)研究认为平均气候与极端气候发生的概率呈非线性关系;Katz and Brown(1992)、Huang et al(2015)则从理论上指出气象要素方差的变化比均值对极端事件发生频率的影响大得多。同时，极值理论(Extreme Value Theory，EVT)近年来也被广泛引入用于极端气候研究，其中应用最为广泛的是广义极值分 布(the Generalized Extreme Value distribution，GEV)。如黄婕(2016)运用 GEV 拟合极端降水序列，结果显示序列方差会显著影响极端降水量，增加极端降水事件的发生风险。同样，Parey et al(2013)基于 CMIP5 模式，通过应用 GEV 来研究均值和方差的演变在极端温度变化中的作用。Zhang et al(2017)利用观测和全球气候模式数据，基于 GEV 发现最热天气温的变化更依赖于分布中形状参数，而最冷夜气温的变化与位置参数转移密切相关。Kharinet al(2018)通过GEV 评估两个变暖水平间极端温度和降水的风险差异。Shi et al(2020)研究全球变暖下极端高温发生概率变化和温度分布的统计特征，结果发现青藏高原和西北地区的极端冷事件发生概率随位置参数的变化增加 3 倍和 4 倍。综上所述，不难看出理解气候平均态和变率变化对极端事件发生概率风险的影响与贡献，将有助于对极端事件及其风险变化有更进一步的认识。针对此，本文将基于广义极值分布，首先从理论上论证气候平均态、变率与极端事件发生概率风险的量化关系，并通过代表站点验证其实用性;结合全球气候模式模拟逐日降水资料，探讨了增暖 1.5 和 2 背景下中国区域极端降水的未来风险变化，并评估气候变暖背景下极端降水响应高敏感区域;进一步，基于概率分布探讨了极端降水气候平均态和年际变率对极端降水发生概率风险的影响，这将为我国增强风险管理、提高气候变化应对提供科学决策依据。1资料和方法1.1资料选取本文所用的极端降水为利用 CMIP6 的 24 个全球气候模式(见表 1)模拟的 19952100 年逐日降水序列，基于区组最大法计算得到的年最大日降水量序列。其中19952014 年为历史时期，20152100 年为未来预估时期。此外，由于增暖1.5 和2 下的模式输出与排放情景相对独立，本文仅展示 SSP245 情景下的结果。与 Shi et al(2018)类似，通过对 24 个模式的全球平均气温异常(相对于 18611900 年工业化水平前)时间序列进行21 a 滑动平均，以抑制年际变化，并以每个模式达到 1.5 和 2 的第一年作为中心，前后各推10 a，作为全球增暖1.5 和2 的时间段。1.2方法介绍1.2.1概率比为探讨中国区域极端降水风险变化的情况，本文引入概率比 P 来定量表征发生概率变化的程度。其定义为:P=P1/P0。(1)其中:P0=1/0、P1=1/1分别表示所关注极端降水事件在历史和未来时期的发生概率;0和 1为当前 P0和未来 P1相对应的重现期，则 P=0/1，表示当前时期平均 0年发生一次的极端降水在未来时期将变为平均每 1发生一次(Li et al，2018b)。本文将主要关注 20、50 和100 a 重现期，即 0=20，50，100，代表着不同程度的极端降水。显然，概率比 P1(或 P1)，则意味着极端降水发生概率风险呈现增加(或减少)变化。1.2.2广义极值分布本文引入广义极值分布(GEV)用于刻画极端降水的分布特征，并用于从概率分布角度探讨极端89朱连华，等:全球增暖 1.5/2 下中国区域极端降水的风险变化及其影响因子专 刊表 1本研究中使用的 24 个 CMIP6 模式的基本信息以及在 SSP245 情景下全球地表增温达到 1.5 和 2 的时间段Table 1Basic information of the 24 CMIP6 models used in this study and the 20-year time slices when global warming reaches 1.5 and 2 above pre-industrial levels under the SSP245 scenario模式名称研究机构网格数15 2 ACCESS-CM2澳大利亚联邦科学与工业研究组织192144 2019，2038 2031，2050ACCESS-ESM1-5澳大利亚联邦科学与工业研究组织192145 2021，2040 2037，2056BCC-CSM2-M国家(北京)气候中心320160 2028，2047 2050，2069CanESM5加拿大环境署12864 2015，2034 2015，2034CMCC-ESM2欧洲地中海气候变化中心288192 2021，2040 2031，2050CNM-CM6-1法国国家气象研究中心256128 2021，2040 2038，2057CNM-ESM2-1法国国家气象研究中心256128 2028，2047 2046，2065EC-Earth3-Veg欧盟地球系统模式联盟512256 2015，2034 2025，2044EC-Earth3欧盟地球系统模式联盟512256 2015，2034 2036，2055GFDL-CM4国家大气海洋局地球流体动力学实验室288180 2022，2041 2040，2059GFDL-ESM4国家大气海洋局地球流体动力学实验室288180 2038，2057 2065，2084HadGEM3-GC31-LL英国气象局哈德莱中心192144 2015，2034 2024，2043INM-CM4-8俄罗斯科学院计算数学研究所180120 2026，2045 2054，2073INM-CM5-0俄罗斯科学院计算数学研究所180120 2028，2047 2063，2082KACE-1-0-G韩国气象局气象研究所192144 2015，2034 2015，2034MIOC-ES2L日本海洋地球科学与技术局、大气海洋研究所和国家环境变化研究所12864 2032，2051 2054，2073MIOC6日本海洋地球科学与技术局、大气海洋研究所和国家环境变化研究所2561