引言
东亚地区受青藏高原大地形、海陆热力差异及东亚季风等因素影响，形成了复杂多变的天气气候（Fu and Zheng，1998；林纾等，2022；Li et al.，2023），尤其在东亚夏季风系统与热带气旋（台风）共同影响下，降水呈现明显的空间分布不均（何金海等，2008；孙颖和丁一汇，2009；Gao et al.，2021；申燕玲等，2021）。近几十年，东亚地区极端高温事件频发，并且极端高温强度与日数存在区域性差异（Li et al.，2018；韩雪云等，2019；陈笑晨等，2022），如中国极端高温事件主要集中在华东与华中地区，而极端高温日数的两个中心分别位于新疆和长江流域（许婷婷等，2022；郝立生等，2022）。二十一世纪以来，全球气候模式在气候模拟与预估方面取得长足发展（Eyring et al.，2016；Stouffer et al.，2017；周天军等，2019），成为研究气候系统变化机理和预估未来气候变化的有效工具（IPCC，2021）。然而，由于东亚气候变化的复杂性，全球气候模式对东亚地区降水与气温的模拟仍具有较大的不确定性（周天军等，2018；周天军等，2020）。
近年来，国家（北京）气候中心在全球气候模式发展方面取得重要进展，其中，中等分辨率气候模式（Beijing Climate Center-Climate System Model version 2-Medium Resolution，BCC-CSM2-MR）参与了第六阶段国际耦合模式比较计划。BCC-CSM2-MR模式是在BCC-CSM1.1m基础上对大气辐射传输、深对流过程和重力波等参数化方案进行了改进和更新，改善了模式对大气和云微物理过程的模拟能力（Wu et al.，2013）。相比前一版本，BCC-CSM2-MR模式垂直分层从26层增加至46层，改进了垂直空间分辨率，能够更准确地描述大气垂直结构（辛晓歌等，2019）。在气温模拟方面，BCC-CSM2-MR相较于BCC-CSM1.1m表现出更高的准确性和可靠性（Chen et al.，2020），能较好地描述中国西北地区气温的空间分布特征，尤其对中国西北山脉地区日平均气温模拟能力明显提高（Pei et al.，2022），但对青藏高原地区冬季与春季地表气温模拟存在低估情况（谭洁等，2022）。在降水模拟方面，BCC-CSM2-MR模式对东亚区域季节及月际降水变化特征模拟更为准确，并且能够模拟出中国东部降水的变化趋势（Wu et al.，2019；Xin et al.，2020）。虽然BCC-CSM2-MR对东亚部分区域降水（气温）模拟有所提升，但对东亚地区极端降水（气温）模拟方面仍存在一定的不确定性（Wu et al.，2019）。因此仍亟需加强对BCC-CSM2-MR模式区域适用性的评估研究，为东亚地区气候变化模拟和未来气候预估提供科学依据。
全球气候模式目前水平分辨率较低，对区域气候变化特征尤其是极端降水模拟能力有限。因此，世界气候研究计划进行了区域协同降尺度试验（Coordinated Regional Downscaling Experiment， CORDEX），通过利用区域气候模式对全球气候模式进行动力降尺度，提高对区域气候变化的模拟和预估能力（Giorgi et al.， 2009）。现阶段该计划在东亚地区的研究不足，通过加强对BCC-CSM2-MR模式模拟能力的评估，有望推进该计划在东亚地区的应用，提升东亚地区气候变化模拟与预估研究。鉴于此，本文主要基于BCC-CSM2-MR模式开展东亚地区降水与气温的模拟能力评估研究，并对比分析了BCC-CSM2-MR与BCC-CSM1.1m模式对东亚地区降水与气温模拟能力的差异，以期为国家（北京）气候中心模式改进和CORDEX计划在东亚地区应用提供参考依据。
1 资料与方法
1.1 资料
观测数据：中国气象局逐日格网化的地面降水与气温观测数据（简称“CN05.1”），CN05.1数据集是利用双线性插值法对中国2 000多个地面观测站的观测资料处理后得到的格点数据，覆盖中国大陆地区，水平分辨率为0.25°×0.25°（吴佳和高学杰， 2013）；英国东安格利亚大学气候研究中心（Climate Research Unit， CRU）提供的CRU TS v4.03逐月降水与气温观测数据，水平分辨率为0.5°×0.5°（Harris et al.，2020）；中国气象局国家气象信息中心提供的中国区域2 400多个站点逐日降水量和气温数据，为更准确地比较模式与观测数据，去除研究时段内站点缺测超过1%的站点（剩余2 141个气象站点，图1），该数据主要用于分析BCC-CSM2-MR和BCC-CSM1.1m模式对中国区域极端降水与极端气温事件的模拟能力。本文主要研究时段为1981—2010年。
图1
图1
东亚地区海拔（彩色阴影，单位：m）及9个子区域（黑色方框）分布
（红色圆点表示中国区域观测站点）
Fig.1
Altitude （color shaded， Unit： m） and the nine sub-regions （black boxes） in East Asia
（Red dots represent observation stations in China）
1.2 方法
季节划分为冬季（前一年12月至次年2月）、春季（3—5月）、夏季（6—8月）、秋季（9—11月）。为评估BCC-CSM2-MR与BCC-CSM1.1m模式对极端降水与极端气温的模拟能力，选择3个极端降水指数（P99、P95、P90）和3个极端气温指数（T99、T95、T90）。采用百分位数表示日极端降水（气温）指数：P99、P95、P90（T99、T95、T90）分别为1981—2010年夏季日降水（气温）按从小到大排序后取其第99、95、90个百分位数值。为避免模式数据和观测数据空间分辨率不同的问题，利用双线性插值方法将BCC-CSM2-MR和BCC-CSM1.1m模式逐月数据统一插值到观测数据格点。为更好地对比观测与模式模拟的日极端降水量与日极端气温，采用最邻近插值法将模式逐日数据插值到CN05.1数据格点或者观测站点，该插值方法不会改变模式模拟极端事件的数值大小。
文中附图涉及的中国地图是基于中华人民共和国自然资源部地图技术审查中心标准地图服务系统下载的审图号为GS（2021）5448号的标准地图制作，底图无修改。
1.3 研究区域
表1 东亚地区9个子区域划分
Tab.1
| 区域名称 | 经度范围 | 纬度范围 |
|---|---|---|
| 中国西北（NW） | 75°E—98°E | 36°N—43°N |
| 华中（CC） | 101°E—112°E | 30°N—42°N |
| 华北（NC） | 113°E—122°E | 30°N—41°N |
| 中国东北（NE） | 113°E—132°E | 42°N—55°N |
| 中国东南（SE） | 105°E—122°E | 18°N—28°N |
| 青藏高原（TB） | 75°E—98°E | 28°N—35°N |
| 蒙古（MG） | 92°E—112°E | 43°N—51°N |
| 朝鲜半岛（KP） | 125°E—130°E | 33°N—40°N |
| 日本（JP） | 131°E—141°E | 30°N—42°N |
2 结果与分析
2.1 东亚地区季节降水与气温的空间变化
图2为1981—2010年东亚地区观测季节平均降水量与BCC-CSM2-MR和BCC-CSM1.1m模式模拟季节平均降水量的绝对误差。可以看出，冬季降水主要集中在中国南方地区，春季中国东部和中南半岛地区降水整体增加，夏季东亚副热带地区降水明显较多，秋季降水相对夏季明显减少[图2（a）、（b）、（c）、（d）]。东亚地区降水呈现明显的季节变化特征，受东亚冬季风与夏季风调控（Zhou et al.，2016）。BCC-CSM2-MR和BCC-CSM1.1m模式模拟季节平均降水的绝对误差空间分布特征相似，从冬季到秋季，两个模式显著高估了青藏高原降水，尤其是在青藏高原边缘地区，这与东亚地区夏季风环流及青藏高原地形所产生的对流复杂性有关（Wang and Lin，2002；Jiang et al.，2016；陈炜等，2021；Li et al.，2022）。具体而言，冬季模式误差主要出现在青藏高原及中高纬度地区[图2（e）、（i）]；春季模式误差分布与冬季相似，但模式绝对误差较大[图2（f）、（j）]；夏季青藏高原南侧为模拟降水误差大值中心，且两个模式显著低估了印度及中国东南地区的降水，但对40°N以北区域降水模拟误差不大，且BCC-CSM2-MR对东亚地区整体降水模拟能力优于BCC-CSM1.1m[图2（g）、（k）]；相比BCC-CSM1.1m，BCC-CSM2-MR对中国东部秋季降水的模拟能力明显较好[图2（h）、（l）]。
图2
图2
1981—2010年东亚地区季节平均降水量观测值（a、b、c、d）及BCC-CSM2-MR（e、f、g、h）、BCC-CSM1.1m（i、j、k、l）模式模拟的绝对误差（仅显示通过α=0.05显著性检验的绝对误差）空间分布（单位：mm·d-1）
（Pm和Pmb分别表示东亚区域平均季节降水和绝对误差）
Fig.2
The spatial distribution of seasonal mean observed precipitation （a， b， c， d） and precipitation absolute biases （only showing absolute biases that pass the significance test at α=0.05） simulated by BCC-CSM2-MR （e， f， g， h） and BCC-CSM1.1m （i， j， k， l） models in East Asia during 1981-2010 （Unit： mm·d-1）
（Pm and Pmb represent regionally averaged precipitation and precipitation absolute biases in East Asia， respectively）
图3为1981—2010年东亚全区（EA）及9个子区域BCC-CSM2-MR和BCC-CSM1.1m模式模拟季节平均降水量的空间泰勒图，总体而言，BCC-CSM2-MR模式对东亚全区季节降水的模拟技巧高于BCC-CSM1.1m。相比BCC-CSM1.1m，BCC-CSM2-MR模式对中国东南、华北及日本地区冬季与春季降水的模拟能力有明显改善[图3（a）、（b）]，且该模式对东亚大部分区域夏季与秋季降水的模拟能力明显提升[图3（c）、（d）]。对比发现，该模式对青藏高原季节降水模拟能力也有所提升，并且对夏季降水改进更明显，这可能是由于BCC-CSM2-MR具有更高的垂直分辨率，并且包含了深层对流产生的重力波，这种改进与深对流方案密切相关（Wu et al.，2019）。
图3
图3
1981—2010年东亚全区（EA）及不同子区域BCC-CSM2-MR和BCC-CSM1.1m模式模拟的冬（a）、春（b）、夏（c）、秋（d）季平均降水量空间泰勒图
Fig.3
Spatial Taylor diagrams of mean precipitation simulated by BCC-CSM2-MR and BCC-CSM1.1m models in East Asia （EA） and different sub-regions in winter （a）， spring （b）， summer （c） and autumn （d） during 1981-2010
东亚地区气温具有明显的季节变化特征，冬季气温分布以喜马拉雅山脉—横断山脉—秦岭—太行山脉为界，以北地区气温为负，以南地区气温为正[图4（a）]；春、秋季节气温分布相似，除青藏高原以及北方地区外，其他地区气温均处于0 ℃以上[图4（b）、（d）]；夏季，整个东亚大陆气温均高于零摄氏度，青藏高原比其他地区气温低[图4（c）]。相比观测结果，BCC-CSM2-MR和BCC-CSM1.1 m模式模拟的季节平均气温误差分布相似，但BCC-CSM2-MR模式对东亚大部分地区气温存在不同程度的低估，尤其在青藏高原最为显著[图4（e）、（f）、（g）、（h）]，已有研究中也得到类似结论（Yang et al.， 2021； Lu et al.， 2022）。两个模式均明显低估中国大部分区域冬季气温[图4（e）、（i）]，而BCC-CSM1.1m模式模拟的中国区域春季气温绝对误差小于BCC-CSM2-MR[图4（f）、（j）]。相比其他季节，两个模式对东亚夏季平均气温空间分布特征模拟较好[图4（g）、（k）]；秋季冷、暖误差的空间分布与春季较为相似，但误差值较小[图4（h）、（l）]。
图4
图4
1981—2010年东亚地区季节平均气温观测值（a、b、c、d）及BCC-CSM2-MR（e、f、g、h）、BCC-CSM1.1m（i、j、k、l）模式模拟的绝对误差（仅显示通过α=0.05显著性检验的绝对误差）空间分布（单位：℃）
（Tm和Tmb分别表示东亚区域平均季节气温和绝对误差）
Fig.4
The spatial distribution of seasonal mean observed temperature （a， b， c， d） and temperature absolute biases （only showing absolute biases that pass the significance test at α=0.05） simulated by BCC-CSM2-MR （e， f， g， h） and BCC-CSM1.1m （i， j， k， l） models in East Asia during 1981-2010 （Unit： ℃）
（Tm and Tmb represent regionally averaged temperature and temperature absolute biases in East Asia， respectively）
图5
图5
1981—2010年东亚全区（EA）及不同子区域BCC-CSM2-MR和BCC-CSM1.1m模拟的冬（a）、春（b）、夏（c）、秋（d）季平均气温空间泰勒图
Fig.5
Spatial Taylor diagrams of mean temperature simulated by BCC-CSM2-MR and BCC-CSM1.1m models in East Asia （EA） and different sub-regions in winter （a）， spring （b）， summer （c） and autumn （d） during 1981-2010
2.2 东亚地区降水与气温月际变化
图6为1981—2010年东亚各子区域观测和模式模拟降水量月际变化。总体而言，两个模式能较好地模拟各子区域降水量的月际变化，但模拟能力仍存在区域性差异。BCC-CSM2-MR与BCC-CSM1.1m模式高估了青藏高原、华中、中国西北地区降水月际变化，尤其在中国西北地区两个模式均不能再现降水月际变化峰值，中国西北地区观测降水量峰值出现在7月，两个模式模拟峰值均出现在5月。华北地区，两个模式模拟的降水误差主要出现在4—5月，虽然观测与模拟的降水峰值均出现在7月，但模拟低估降水约1.8 mm·d-1。两个模式模拟的中国东北地区降水量月际变化接近观测，但对中国东南地区的模拟能力有限，主要明显低估1—7月的降水。两个模式明显低估蒙古地区7—8月降水，且高估该地区冬季、春季及秋季降水，同时低估朝鲜半岛与日本地区夏季降水。相比BCC-CSM1.1m，BCC-CSM2- MR模式对中国东南地区降水量月际变化模拟能力明显提高，同时对中国华北、朝鲜半岛、日本地区夏季降水模拟效果较好。
图6
图6
1981—2010年东亚不同子区域观测和模式模拟的降水量月际变化
Fig.6
The monthly changes of observed and simulated precipitation in the sub-regions of East Asia during 1981-2010
两个模式对各子区域气温月际变化模拟效果均较好，但仍存在区域差异（图7）。BCC-CSM2-MR与BCC-CSM1.1m对中国东北、东南及蒙古地区气温月际变化模拟较好，但两个模式均低估中国西北、华中及华北地区1—4月气温，且对青藏高原各月气温整体低估，同时对朝鲜半岛和日本地区5—7月气温低估、冬季气温高估。相比BCC-CSM1.1m，BCC-CSM2-MR模式对气温月际变化模拟能力没有明显改进，且对东亚大部分区域气温月际变化的模拟误差大于BCC-CSM1.1m。
图7
图7
1981—2010年东亚各子区域观测和模式模拟的气温月际变化
Fig.7
The monthly changes of observed and simulated temperature in the sub-regions of East Asia during 1981-2010
2.3 中国区域极端降水与气温
由于极端降水与极端高温事件主要出现在夏季，因此重点评估BCC-CSM2-MR和BCC-CSM1.1m模式对夏季日极端降水与日极端气温的模拟能力。同时，由于日降水、气温数据的限制，采用CN05.1观测数据集，主要覆盖中国地区，因此本节主要评估两个模式对中国区域夏季日极端降水指数（P99、P95、P90）与日极端气温指数（T99、T95、T90）的模拟能力。
图8为夏季观测极端降水及BCC-CSM2-MR和BCC-CSM1.1m模式模拟的极端降水相对误差空间分布。可以看出，中国夏季观测极端降水的空间分布呈现出由东南沿海至西北内陆递减趋势，且P99变化更加明显[图8（a）、（b）、（c）]。BCC-CSM2-MR与BCC-CSM1.1m模式模拟的极端降水相对误差空间分布特征相似，两个模式对夏季极端降水的模拟误差主要出现在青藏高原地区，且夏季降水越极端，模式模拟误差越大，这可能是由于模式对大地形产生的对流降水模拟不准确导致的（Langhans et al.， 2012； Haslinger et al.， 2013； Heim et al.， 2020）。两个模式均低估西北内陆极端降水，且中国东部大部分地区极端降水的相对误差表现为P90>P95>P99，但BCC-CSM2-MR模拟误差小于BCC-CSM1.1m[图8（d）、（e）、（f）、（g）、（h）、（i）]。总体上，两个模式对中国东部地区极端降水P99的模拟能力优于极端降水P95和P90，且BCC-CSM2-MR模式对中国东部极端降水模拟技巧有所提高。
图8
图8
1981—2010年夏季中国日极端降水量观测值（a、b、c）（单位：mm·d-1）及BCC-CSM2-MR（d、e、f）、BCC-CSM1.1m（g、h、i）模式模拟的相对误差（单位：%）空间分布
（EPm和EPmb分别表示中国区域平均日极端降水量与相对误差）
Fig.8
The spatial distribution of observed daily extreme precipitation （a， b， c） （Unit： mm·d-1） and the relative biases （Unit： %） of BCC-CSM2-MR （d， e， f） and BCC-CSM1.1m （g， h， i） model simulations in China in summer during 1981-2010
（EPm and EPmb represent regionally averaged daily extreme precipitation and relative biases in China， respectively）
中国夏季气温由于受地形和纬度影响，中国东部、西北内陆气温较高，青藏高原地区气温较低[图9（a）、（b）、（c）]。相比日极端降水指数，BCC-CSM2-MR与BCC-CSM1.1m模式对日极端气温指数的模拟能力明显更好，且两个模式模拟误差的空间分布特征十分相似，误差较大的地区主要分布在西北山脉附近，且低估青藏高原部分地区夏季日极端气温[图9（d）、（e）、（f）、（g）、（h）、（i）]。同时，中国区域的极端气温模拟误差大小表现为T99>T95>T90，说明两个模式都对异常极端高温模拟误差较大。虽然BCC-CSM2-MR与BCC-CSM1.1m均高估了中国东部日极端气温，但相比BCC-CSM1.1m，BCC-CSM2-MR模式对中国东南地区极端气温的模拟能力仍有较大提升。
图9
图9
1981—2010年中国夏季日极端气温观测值（a、b、c）（单位：℃）及BCC-CSM2-MR（d、e、f）、BCC-CSM1.1 m（g、h、i）模式模拟的相对误差（单位：%）空间分布
（ETm和ETmb分别表示中国区域平均日极端气温与相对误差）
Fig.9
The spatial distribution of observed daily extreme temperature （a， b， c） （Unit： ℃） and the relative biases （Unit： %） of BCC-CSM2-MR （d， e， f） and BCC-CSM 1.1m （g， h， i） model simulations in China in summer during 1981-2010
（ETm and ETmb represent regionally averaged daily extreme temperature and relative biases in China， respectively）
为更加准确地评估BCC-CSM2-MR与BCC-CSM1.1m模式对极端降水与极端气温的模拟能力，采用中国区域内站点观测的日降水与气温数据，利用最近插值法将模式格点数据插值到站点。两个模式主要低估了中国区域极端降水，但BCC-CSM2-MR模拟误差小于BCC-CSM1.1m，且BCC-CSM2-MR模拟与站点观测的夏季日极端降水的决定系数大于BCC-CSM1.1m[图10（a）、（b）、（c）]。对于不同百分位日极端降水，BCC-CSM2-MR与BCC-CSM1.1m模式模拟和站点观测的日极端降水P99的决定系数分别为0.32和0.26，说明两个模式能较好地模拟中国区域夏季日极端降水P99。中国区域夏季站点观测与两个模式模拟的日极端气温呈很好的线性相关[图10（d）、（e）、（f）]，对于不同百分位日极端气温，BCC-CSM2-MR与BCC-CSM1.1m均高估了中国区域日极端气温，但观测与模拟的日极端气温决定系数均超过0.60，这表明两个模式对中国区域日极端气温有较好的模拟能力尤其对日极端气温T90的模拟更好，且BCC-CSM2-MR对日极端气温的模拟误差小于BCC-CSM1.1m。
图10
图10
1981—2010年夏季中国区域站点观测和两个模式模拟的不同百分位日极端降水（a、b、c）、日极端气温（d、e、f）散点图
（EPmb、ETmb分别表示中国区域站点平均极端降水、气温的绝对误差，R2为观测与模式的决定系数）
Fig.10
Scatter plots of summer daily extreme precipitation （a， b， c） and daily extreme temperature （d， e， f） at different percentiles from the two models and station observations in China during 1981-2010
（EPmb and ETmb represent the absolute biases of mean extreme precipitation and temperature at stations in China， respectively， R2 indicates determination coefficient between observations and model simulations）
3 结论与讨论
BCC-CSM2-MR和BCC-CSM1.1m是由国家（北京）气候中心自主研发的全球气候模式，分别参与了CMIP6和CMIP5模式比较计划。本文通过使用不同降水和气温观测数据，评估BCC-CSM2-MR对东亚地区季节平均降水、气温及极端降水、气温的模拟能力，并与BCC-CSM1.1m模式进行对比，分析BCC-CSM2-MR模拟能力的改进，得出主要结论如下：
（1）BCC-CSM2-MR和BCC-CSM1.1m模拟的季节降水误差空间分布特征相似，主要明显高估青藏高原地区季节降水，且两个模式均高估华中、中国西北地区降水量月际变化。相比BCC-CSM1.1m，BCC-CSM2-MR改进了对东亚地区季节及月际降水变化的模拟能力。
（2）相比降水模拟，BCC-CSM2-MR和BCC-CSM1.1m对东亚地区季节与月际气温的变化特征模拟能力更强，但BCC-CSM2-MR主要低估东亚大部分地区季节平均气温，并且对东亚各子区域气温月际变化模拟能力没有明显提升。
（3）BCC-CSM2-MR对中国区域日极端降水模拟能力优于BCC-CSM1.1m，尤其对中国东南地区日极端降水P99模拟误差明显较小。同时，BCC-CSM2-MR对中国区域夏季日极端气温的模拟误差小于BCC-CSM1.1m，且对日极端气温T90的模拟误差明显小于T99和T95。
总体而言，BCC-CSM2-MR能够较好地再现东亚地区降水与气温的时空变化特征，因此，该模式在区域气候模式动力降尺度及东亚地区气候变化模拟与预估方面具有一定的应用前景。相比于BCC-CSM1.1m，BCC-CSM2-MR模式在垂直分辨率、深对流过程、云、重力波和辐射传输等方面的优化，提高了该模式对东亚地区降水时空变化特征的模拟，尤其改进了对中国东部极端降水（P99）的模拟，说明BCC-CSM2-MR模式中使用的大气模块BCC-AGCM3-MR在一定程度上能够提高模式对降水的模拟能力，但对东亚地区季节及月际气温变化模拟能力没有明显改进。值得注意的是，这些改进对BCC-CSM2-MR模式模拟性能的提升仍有限（Wang et al.， 2014）。此外，本文仅对比评估了BCC-CSM2-MR与BCC-CSM1.1m模式在东亚地区降水与气温方面的模拟能力，与其他CMIP6模式的对比分析，有待进一步研究。
参考文献
基于CMIP6的福建省极端气温预估
[J].
基于第六阶段耦合模式比较计划（Coupled Model Intercomparison Project Phase 6, CMIP6）模 拟数据和高分辨率逐日格点观测数据,分别采用分位数映射法和泰勒图对福建省极端气温指数模 拟值进行订正和评估,发现在历史参照期（1991—2010年）订正后的各极端气温指数模拟值与观测值更加接近。在此基础上,分析了SSP2-4.5和SSP5-8.5情景下福建省21世纪近期（2021—2040年）、中期（2051—2070年）和末期（2081—2100年）订正后的极端气温指数相对于历史参照期的时空变化特征。从时间变化来看,21世纪各时期,全省平均极端气温指数呈现升高趋势,且随着时间推移增幅不断加大。从空间变化来看,极端最高气温TXx呈现西北内陆增幅大、东南沿海增幅小的趋势,极端最低气温TNn空间分布与TXx类似,增幅略小,夏季日数Su增量在福建西南部为大值区,暖昼日数TX90p在福建东南部增幅最大。采用广义极值（generalized extreme value, GEV）分布研究了TXx重现期变化,发现SSP2-4.5情景下,21世纪3个时期增温较为匀速,而SSP5-8.5情景下增温呈加速趋势。在SSP5-8.5情景下,历史参照期20 a一遇的极端最高气温在21世纪末期每年都可能发生。
2022年长江中下游夏季异常干旱高温事件之环流异常特征
[J].2022年夏季长江流域发生了建国以来最为严重的干旱高温气候事件，对当地工农业生产、居民生活、生态安全等造成严重影响。为深入认识这次干旱高温气候事件发生的原因和改进气候预测技术，利用1951—2022年2400多测站气温、降水数据和NCEP/NCAR再分析数据等资料，采用T-N波作用通量、视热源Q<sub>1</sub>（Q<sub>2</sub>）诊断和合成分析、距平分析等方法，从大气环流异常的角度进行综合分析。主要结论如下：（1）2022年夏季，500 hPa源自北大西洋地区的扰动异常偏强，在沿中高纬西风带向东传播时引发了明显的大槽大脊活动，波动能量主要沿西风带向东传播，没有出现在东亚向东南方向传播的特征，造成冷空气活动位置偏北，很难影响到长江流域。（2）2022年夏季，500 hPa高度场在青藏高原上空出现明显正距平扰动，尤其8月扰动进一步加强，东移到长江流域，诱发西北太平洋副热带高压西伸，使得副热带高压呈现东西带状分布。副热带高压（简称“副高”）西部完全控制了长江流域地区，一方面副高阻挡了北方冷空气南下，另一方面副高长时间维持下沉运动，不利于降水发生，有利于下沉增温。（3）2022年夏季，热带对流区（视热源）位置异常偏南到赤道以南（气候态在5°N—20°N），有两方面影响：一是造成哈德来经圈环流（Hadley Cell）上升支异常偏南，长江流域在8月为异常下沉区，不利于降水发生，有利于下沉增温效应的出现；另一方面造成2022年夏季亚洲热带夏季风偏弱、东亚副热带夏季风偏强，低频信号向长江中下游传播明显偏弱，这些都不利于长江中下游降水过程的发生。（4）高纬、中低纬、低纬热带地区环流异常协同作用造成2022年长江流域夏季出现异常的干旱高温气候事件。要预测长江流域夏季降水或高温干旱，需提前关注500 hPa北大西洋地区扰动信号的发生及未来传播特征，青藏高原上空高度场扰动的发生及移动特征，热带对流（热源）位置变化及伴随的热带夏季风强度变化、低频信号的传播特征等。
2022年夏季我国高温干旱特征及其环流形势分析
[J].在气候变暖背景下，2022年夏季我国出现1961年以来平均气温最高和降水量次少的气候异常，并伴有最强的全国性（东北地区除外）高温过程和长江中下游及川渝地区大范围强伏旱。针对这次高温干旱的持续性和极端性，本文基于2022年6—8月全国2162个气象站逐日最高气温和降水量以及NCEP（National Centers for Environmental Prediction）/NCAR（National Center for Atmospheric Research）逐日再分析资料等，分析其时空分布特征及环流形势，将对今后我国南方地区夏季高温干旱不同时间尺度的预报预测有一定参考价值。结果表明：2022年夏季，全国76.0%的站共出现48 198次高温，其中36.6%的站累计出现3001次极端高温事件，20次以上极端高温事件的站点均分布在四川盆地，高温状况远超21世纪以来的典型高温年份。全国性的高温过程从6月13日持续到8月30日，共计79 d，高温最强时段在8月11—24日。按照高温发生站次、持续时间、影响范围、强度等由强到弱综合排序，依次是华东、西南、华中、西北、华北和华南地区，其中西南地区极端性最强，而东北地区未出现高温。干旱时空分布特征与高温基本相似，全国最强干旱时段在8月中旬。2022年夏季，500 hPa欧亚中高纬度呈“两脊一槽”型，尤其在7—8月乌拉尔山和鄂霍次克海附近高压脊形成阶段性阻塞高压，强盛的副热带系统将两高之间活跃的冷空气大部分时段阻挡在50°N以北，造成我国“北涝南旱”的格局；低纬度的伊朗高压异常东伸，西太平洋副热带高压略偏北且异常西伸，两高压长时间贯通形成的高压带控制区气流辐散下沉，并持续阻碍水汽向中纬度输送，不利于长江流域产生降水。同时，对流层高层南亚高压异常偏东，与中层的西太平洋副热带高压相向而行，于8月中下旬在80°E—120°E范围内叠加，致使控制我国大范围的高压系统呈稳定正压结构，中心位于川渝上空，致使川渝地区成为高温日数和极端高温事件次数的高值中心。
1981—2019年新疆区域性高温天气过程时空特征及其环流分型
[J].利用1981—2019年5—9月新疆105个国家基本气象站日最高气温观测资料及美国国家环境预报中心和大气研究中心(National Centers for Environmental Prediction/National Center for Atmospheric Research,NCEP/NCAR)逐日再分析资料,分析新疆区域性高温天气过程的时空变化特征及环流形势。结果表明:(1)1981—2019年新疆共出现100次区域性高温天气过程,主要发生在6—8月,其中7月最多、8月次之、6月最少;区域性高温天气过程主要出现在伊犁河谷平原地区、北疆准噶尔盆地南缘、南疆塔里木盆地及东疆平原地区。(2)进入21世纪后,新疆高温天气过程发生次数呈增加趋势,强度明显增强;过程开始时间有提前趋势,结束时间有推后趋势;过程累计日数则呈现“增加、减少、增加”的阶段性变化趋势。(3)造成新疆区域性高温天气过程的500 hPa环流形势主要分为4类,分别为伊朗副高东伸型(占54.0%)、叠加型(占32.0%)、新疆脊型(占12.0%)、西太副高西伸型(占2.0%)。
Comparison of CMIP6 and CMIP5 models in simulating climate extremes
[J].
Overview of the Coupled Model Intercomparison Project Phase 6 (CMIP6) experimental design and organization
[J].
Atmospheric moisture shapes increasing tropical cyclone precipitation in Southern China over the past four decades
[J].
Addressing climate information needs at the regional level: the CORDEX framework
[J].
Monsoon regions: the highest rate of precipitation changes observed from global data
[J].
Regional climate modelling over complex terrain: an evaluation study of COSMO-CLM hindcast model runs for the Greater Alpine region
[J].
Version 4 of the CRU TS monthly high-resolution gridded multivariate climate dataset
[J].
The influence of the resolution of orography on the simulation of orographic moist convection
[J].
Climate Change 2021:The physical science basis. Contribution of Working Group I to the Sixth Assessment Report of the Intergovernmental Panel on Climate Change
[M/OL].
Reliability of climate models for China through the IPCC Third to Fifth Assessment Reports
[J].
Bulk convergence of cloud-resolving simulations of moist convection over complex terrain
[J].
Extreme high-temperature events over East Asia in 1.5 ℃ and 2 ℃ warmer futures: analysis of NCAR CESM low-warming experiments
[J].
The role of SST forcing in the interdecadal variations of the Pacific-Japan pattern in the late 1990s
[J].
Distinctive South and East Asian monsoon circulation responses to global warming
[J].The Asian summer monsoon (ASM) is the most energetic circulation system. Projecting its future change is critical for the mitigation and adaptation of billions of people living in the region. There are two important components within the ASM: South Asian summer monsoon (SASM) and East Asian summer monsoon (EASM). Although current state-of-the-art climate models projected increased precipitation in both SASM and EASM due to the increase of atmospheric moisture, their circulation changes differ markedly-A robust strengthening (weakening) of EASM (SASM) circulation was projected. By separating fast and slow processes in response to increased CO radiative forcing, we demonstrate that EASM circulation strengthening is attributed to the fast land warming and associated Tibetan Plateau thermal forcing. In contrast, SASM circulation weakening is primarily attributed to an El Niño-like oceanic warming pattern in the tropical Pacific and associated suppressed precipitation over the Maritime Continent.Copyright © 2021. Published by Elsevier B.V.
Evaluating observed and future spatiotemporal changes in precipitation and temperature across China based on CMIP6-GCMs
[J].
Simulation assessment and prediction of future temperatures in Northwest China from BCC-CSM Model
[J].
CMIP5 scientific gaps and recommendations for CMIP6
[J].The scientific gaps identified in the fifth phase of the Coupled Model Intercomparison Project (CMIP5) that guided the experiment for its next phase, CMIP6, are identified.
Comparison of CMIP6 and CMIP5 simulations of precipitation in China and the East Asian summer monsoon
[J].
Rainy season of the Asian-Pacific summer monsoon
[J].
A global perspective on CMIP5 climate model biases
[J].
Global carbon budgets simulated by the Beijing Climate Center Climate System Model for the last century
[J].
The Beijing Climate Center Climate System Model (BCC-CSM): the main progress from CMIP5 to CMIP6
[J].
CMIP6 evaluation and projection of temperature and precipitation over China
[J].
Evaluation of regional climate simulations over the CORDEX-EA-II domain using the COSMO-CLM model
[J].
Dynamical downscaling of historical climate over CORDEX East Asia domain: A comparison of regional ocean-atmosphere coupled model to stand-alone RCM simulations
[J].
