基于CMIP6模式和ERA5再分析资料的青藏高原降雪的时空特征研究

Spatio-Temporal Characterization of Snowfall over the Qinghai-Xizang Plateau Based on CMIP6 Models and ERA5 Reanalysis Data

摘要: 为进一步增强对青藏高原降雪机制和影响因素的认识，丰富对高原气候系统的理解，本文基于4个国内的CMIP6 (Coupled Model Intercomparison Project in Phase 6)模式模拟资料以及欧洲中期天气预报中心(ECMWF)的ERA5再分析资料，对青藏高原降雪的时空变化特征进行分析，并评估青藏高原在当前气候情景下的降雪变化。结果表明：(1) 4个模式和ERA5模拟的降雪空间分布存在不同程度的差异，除BCC-ESM1外，其他3个模式和ERA5模拟出在高原东南部都存在降雪大值区，而BCC-ESM1模式在模拟高原西部地区时出现了大值中心；(2) 从空间分布趋势来看，BCC-CSM2-MR、FGOALS-f3-L、FIO-ESM-2-0模拟出高原大部分地区降雪存在减少趋势，但FIO-ESM-2-0模拟出降雪在高原东南部减少更为显著。ERA5模拟出高原东部和西部地区降雪均在增加。从时间上看，仅有FIO-ESM-2-0模拟的降雪呈现较为明显的减少特征；(3) 在春季，FIO-ESM-2-0模拟的降雪年际变化没有显著增减趋势；BCC-CSM2-MR、BCC-ESM1和FGOALS-f3-L模拟的均为弱的增加趋势。而在冬季，BCC-CSM2-MR和BCC-ESM1模拟的降雪无明显增减趋势，仅有FIO-ESM-2-0模拟的呈明显减少趋势；(4) 4个模式中青藏高原降雪年内变化均表现为“双峰”型，峰值分别在春季和秋季，且春季大于秋季。ERA5的年内变化趋势与模式一致，但变化相比更平缓。

Abstract: To further enhance the understanding of the snowfall mechanisms and influencing factors over the Qinghai-Xizang Plateau, enriching the comprehension of the plateau’s climate system, this study analyzes the spatiotemporal characteristics of snowfall over the TP based on simulation data from four domestic CMIP6 (Coupled Model Intercomparison Project Phase 6) models and the ERA5 reanalysis data from the European Centre for Medium-Range Weather Forecasts (ECMWF). This paper also assesses the impact of the current climate scenario on snowfall over the TP. The results indicate: (1) There are varying degrees of differences in the spatial distribution of snowfall simulated by the four models and ERA5. Except for BCC-ESM1, the other three models and ERA5 all display a high-value snowfall area in the southeastern part of the plateau, while BCC-ESM1 shows a high-value center in the western part of the plateau; (2) In terms of spatial distribution trends, BCC-CSM2-MR, FGOALS-f3-L, and FIO-ESM-2-0 simulate a decreasing trend in snowfall over most areas of the plateau, but FIO-ESM-2-0 shows a more significant reduction in the southeastern part. ERA5 simulates an increase in snowfall in the eastern and western parts of the plateau. Temporally, only FIO-ESM-2-0 exhibits a more pronounced decreasing characteristic in snowfall; (3) In spring, the interannual variability of snowfall simulated by FIO-ESM-2-0 shows no significant increasing or decreasing trend; BCC-CSM2-MR, BCC-ESM1, and FGOALS-f3-L all simulate a weak increasing trend. In winter, BCC-CSM2-MR and BCC-ESM1 simulate no significant trend in snowfall, with only FIO-ESM-2-0 showing a clear decreasing trend; (4) The inter-annual variation of snowfall over the TP in the four models all exhibit a “double-peak” pattern, with peaks in spring and autumn, and the spring peak is greater than autumn peaks. The inter-annual variation trend of ERA5 is consistent with the models, but shows a smoother variation.

1. 引言

在全球气候变暖的背景下，北半球的积雪已呈现出显著减少的变化趋势。青藏高原被称为“世界屋脊”，它是中国最大、世界海拔最高的高原，其上广泛地分布着积雪，积雪覆盖率最高可达高原面积的79% [1]。因此，青藏高原降雪变化一直以来是科学界较为关注的热点问题之一。青藏高原平均海拔在4000 m以上，因其特殊的地理环境和下垫面特性对东亚乃至全球气候产生了重要的影响[2]-[4]。

学者们对青藏高原降雪量变化以及降雪分布特征的研究已较多。王杰[5]研究分析了青藏高原降雪比率的时空变化特征和成因，发现青藏高原大面积范围内降雨量呈增加趋势，而降雪量呈减少的变化趋势。蒋文轩等[6]利用青藏高原1971~2011年冬季逐月降雪量资料分析了高原冬季降雪的气候特征，发现高原冬季降雪总体上呈现出东部和南部多、西北部和雅鲁藏布江中段相对较少的特征。胡豪然等[7]基于高原东部1961~2010年积雪观测数据，探讨了冬季积雪日数的空间分布和年际变化特征，结果表明高原东部冬季积雪空间分布特征差异较显著，巴颜喀拉山、唐古拉山脉积雪较多，而藏南谷地、川西高原东部和柴达木盆地相对较少；值得注意的是，在针对高原地区降雪变化的研究中，这些分析主要依赖于气象台站的观测数据。然而，高原地形复杂，台站的分布呈现出显著的地域不均衡性，主要集中在高原的东南部，而西部地区的台站数量较少。这种分布不均导致数据存在显著缺失，从而影响研究整个高原降雪变化的准确性[8]。

全球气候模式是研究气候系统变化的重要工具[9]，是当前气候研究中不可缺少的部分。基于CMIP6模式的方法由于具有广泛覆盖和较高空间分辨率的特点，可以更全面地反映青藏高原降雪分布，提高了研究高原降雪变化的准确性和可靠性。魏萌等[10]基于CMIP6多模式对全球气温的模拟性能进行了相关研究，王予等[11]利用CMIP6对中国的极端降水的模拟能力进行评估，李雅培等[12]基于CMIP6数据模拟和评估了疏勒河区域的降水和温度特征。但各学者在降雪方面的研究较少，焦瑞珠等[8]就利用CMIP6模式研究了青藏高原冬季降雪的时空特征，其选用CMIP6中5个我国的全球气候模式的模拟结果，对它们在高原地区冬季降雪的模拟能力进行研究。本研究将基于CMIP6模式资料和ERA5再分析资料，对青藏高原降雪的时空分布特征进行分析。可以补充高原西北部降雪观测数据稀缺，并进一步理解其气候系统的运行机制，以及在全球气候变化中的作用。结合这两种资料对青藏高原降雪变化进行分析，可以验证和改进气候预测模型，提高预测未来气候变化的准确性。研究结果可为青藏高原及周边地区防灾减灾、农业灌溉、水资源管理、气候变化研究等提供一定的参考依据。

2. 资料和方法

2.1. 资料概况

本研究所用的是1960~2014年的月平均ERA5再分析数据和CMIP6中4个国内耦合模式(BCC-CSM2-MR、BCC-ESM1、FGOALS-f3-L、FIO-ESM-2-0)在历史情景下模拟的1960~2014年逐月降雪量资料(表1)。由于不同模式的分辨率存在较大差异，本文运用双线性插值法将所有数据统一插值到0.5˚ × 0.5˚的网格上。根据青藏高原积雪季节变化规律，定义积雪年为从前一年的九月到次年的八月。

Table 1. Basic Information of ERA5 and 4 CMIP6 Models

表1. ERA5和4个CMIP6模式的基本信息

名称	所属机构	格点数
BCC-CSM2-MR	Beijing Climate Center	160 × 320
BCC-ESM1	Beijing Climate Center	64 × 128
FGOALS-f3-L	Chinese Academy of Sciences	180 × 288
FIO-ESM-2-0	Chinese Administration of Ocean	128 × 64
ERA5	ECMWF	129 × 57

2.2. 研究方法

2.2.1. 线性倾向趋势分析

该统计方法用于检测时间序列数据中是否存在线性变化趋势，可以了解数据随时间推移而增加或减少。时间序列数据定义为开始于收集一段时间内的数据点，这些数据点按照时间顺序排列。

首先使用线性回归模型来拟合数据，该模型假设因变量(y，例如降水量)与自变量(x，例如时间)之间存在线性关系。

$y_i=a+b{x}_i$ (1)

其中，i = 1，2，3，…，n，n为总数。对于每一个i，都存在与之对应的气候变量y_i和时间x_i。a为常数，b为线性倾向参数，通过最小二乘法求得：

$b=\frac{{\displaystyle \sum _{i=1}^n{x}_i{t}_i}-\frac{1}{n}\left({\displaystyle \sum _{i=1}^n{x}_i}\right)\left({\displaystyle \sum _{i=1}^n{t}_i}\right)}{{\displaystyle \sum _{i=1}^n{t}_i{}^2}-\frac{1}{n}{\left({\displaystyle \sum _{i=1}^n{t}_i}\right)}^2}$ (2)

其中，b大于0时，气候变量随时间推移增加；若b小于0，则气候变量随时间推移减少，且b的大小代表趋势强度。最后需经过统计检验：引入线性相关系数r。在给定的显著性水平α下，当|r|大于r_α时，即表示在显著性水平α下，变化趋势显著；否则，认为不显著[13]。在本研究中，显著性水平α被设定为0.05。

2.2.2. 双线性插值

又称为双线性内插。它是有两个变量的插值函数的线性插值扩展，在两个方向分别进行一次线性插值。已知的红色数据点与待插值得到的绿色点，假设已知函数f在Q₁₁ = (x₁, y₁)、Q₁₂ = (x₁, y₂)，Q₂₁ = (x₂, y₁)以及Q₂₂ = (x₂, y₂)四个点的值。首先在x方向进行线性插值，得到R₁和R₂，然后在y方向进行线性插值，得到P的结果f(x, y) (图1)。

$f\left(R_1\right)\approx x_2-x/x_2-x_{1}f\left(Q_{11}\right)+x-x_{\text{1}}/x_2-x_{1}f\left(Q_{21}\right)\text{where}{R}_1=\left(x,y_1\right)$

$f\left(R_1\right)\approx x_2-x/x_2-x_{1}f\left(Q_{12}\right)+x-x_{\text{1}}/x_2-x_{1}f\left(Q_{22}\right)\text{where}{R}_2=\left(x,y_2\right)$

$f\left(P\right)\approx y_2-y/y_2-y_{1}f\left(R_1\right)+y-y_1/y_2-y_{1}f\left(R_2\right)$

公式中Q₁₁，Q₁₂，Q₂₁，Q₂₂为已知的4个像素点，P为待求点。

Figure 1. Schematic diagram of bilinear interpolation

图1. 双线性插值的示意图

3. 1960~2014年青藏高原降雪的空间分布特征

3.1. 1960~2014年青藏高原多年平均降雪空间分布

图2中给出了ERA5以及4个CMIP6模式模拟的1960~2014年青藏高原多年平均降雪的空间分布。由于高原地形复杂，模式本身目前对于复杂地形区域的模拟还不够完善。因此，各个模式模拟的高原降雪之间存在显著差异。

Figure 2. Spatial distribution of annual average snowfall over the Qinghai-Xizang Plateau from 1960 to 2014

图2. 1960~2014年青藏高原多年平均降雪的空间分布

ERA5模拟的降雪极大值中心位于高原东南部，然而其整体降雪量相较于其他4个模式模拟的降雪量偏少；BCC-CSM2-MR模拟的降雪量主要集中于高原东南部和西部，还有一较显著的降雪大值中心位于高原西北部，其他地区均有降雪分布；BCC-ESM1模拟的降雪主要集中在高原西南部，极大值位于喜马拉雅山脉和冈底斯山脉附近；FGOALS-f3-L模式模拟的降雪主要集中于高原南部的边界线处，且极大值中心出现在高原东南部，最大值为60 kg/m²左右，其他地区降雪较少；FIO-ESM-2-0模式中降雪主要位于喜马拉雅山脉南侧、横断山脉北侧和高原的西北部地区。综合来看，除了BCC-ESM1模式，其他3个CMIP6模式以及ERA5均模拟出高原东南部为降雪大值区，然而在模拟高原西部地区时，BCC-ESM1模式出现了过强的大值中心。

3.2. 1960~2014年青藏高原降雪空间趋势分布

图3给出了CMIP6各模式以及ERA5在1960~2014年高原降雪的空间趋势分布情况。从ERA5中可以看出，除高原东部和西部降雪量表现出增加趋势，其余地区降雪量均为较缓慢的减少趋势，且东部增加趋势更为显著；在4个模式中，BCC-CSM2-MR模拟的高原北部和南部降雪量有所增长，其余地区呈现减少的走向；BCC-ESM1模拟的高原西部地区降雪量显著增加，东部地区降雪量则显著减少；FGOALS-f3-L中除了高原东南部和西部小部分区域降雪量增加外，其余地区降雪量均为减少；FIO-ESM-2-0模拟的降雪量空间变化趋势与FGOALS-f3-L大致相近，但其降雪量减少程度比FGOALS-f3-L更显著。

Figure 3. Snowfall spatial trends on the Qinghai-Xizang Plateau from 1960 to 2014 (shaded area passes the 95% significance test)

图3. 1960~2014年青藏高原降雪空间趋势(阴影部分通过95%显著性检验)

4. 1960~2014年青藏高原降雪的时间变化

4.1. 1960~2014年青藏高原降雪的年内变化

图4给出了CMIP6各模式以及ERA5的青藏高原多年平均降雪量年内变化特征。其中ERA5中高原多年平均冬季降雪量在15~20 mm之间，而春季降雪量则达到全年峰值，大约为35 mm，相比之下，7月和8月的降雪量较少。整体来看，其与模式模拟的结果相比降雪量偏少；BCC-CSM2-MR中降雪量主要集中在冬春季，尤其是3月、4月和5月为一年中降雪量最多的时期；BCC-ESM1、FIO-ESM-2-0的年内变化趋势几乎与BCC-CSM2-MR一致，均呈现出明显双峰形势。BCC-ESM1中夏季降雪量极少，约为7~8 mm，而FIO-ESM-2-0中夏季降雪量较大，约为65 mm左右；FGOALS-f3-L中冬季降雪量相较于春夏秋三季偏少，其降雪主要集中在春秋季，呈现出一个较为平缓的双峰型态。

Figure 4. Annual variation of annual mean snowfall over the Qinghai-Xizang Plateau during 1960~2014

图4. 1960~2014年青藏高原多年平均降雪的年内变化

4.2. 1960~2014年青藏高原降雪的年际变化

图5中给出4个模式、ERA5的1960~2014年高原降雪的年际变化特征。根据ERA5数据集的记录，1960年至2014年青藏高原的降雪量大致稳定在8 mm左右，呈现出相对稳定的微小波动趋势。在评估的四个模式中，FIO-ESM-2-0在模拟该地区的降雪年际变化时，显示出了较为显著的减少趋势，降雪量介于25~37 mm。相比之下，FGOALS-f3-L模式模拟的降雪量较其他三个模式偏低。而BCC-ESM1模拟出青藏高原降雪存在增加的趋势。

Figure 5. Interannual changes of snowfall on the Qinghai-Xizang Plateau during 1960~2014

图5. 1960~2014年青藏高原降雪年际变化

4.3. 1960~2014年青藏高原春季降雪的年际变化

图6中给出4个模式、ERA5的1960~2014年高原春季降雪的年际变化特征。在ERA5中，1960年至2014年青藏高原春季的降雪量大致稳定在3 mm左右，且上下浮动变化非常小。BCC-CSM2-MR和FIO-ESM-2-0模拟的降雪量的上下浮动大小大致相近，且FIO-ESM-2-0降雪呈现出较稳定不变的年际变化趋势，BCC-CSM2-MR春季降雪量在35 mm上下波动，而FIO-ESM-2-0春季降雪量在28 mm上下波动；BCC-CSM2-MR、BCC-ESM1、FGOALS-f3-L模拟的年际变化呈现较弱的增加趋势。在BCC-ESM1中降雪量的年际变化较为剧烈，在2012年春季降雪量达到1960至2014年间的峰值，大约为65 mm；FGOALS-f3-L模拟的春季降雪量在这4个模式中最小，降雪量介于3~21 mm之间。

Figure 6. Interannual variation of spring snowfall on the Qinghai-Xizang Plateau during 1960~2014

图6. 1960~2014年青藏高原春季降雪年际变化

4.4. 1960~2014年青藏高原冬季降雪的年际变化

图7中给出了4个模式、ERA5的1960~2014年高原冬季降雪的年际变化特征。在ERA5中，1960年至2014年青藏高原冬季的降雪量稳定在2 mm左右，且年际变化非常小。BCC-CSM2-MR和BCC-ESM1模拟的冬季降雪量年际变化稳定，无增加或减少趋势。BCC-CSM2-MR冬季降雪量介于15~40 mm之间，最小降雪量出现在1977年，BCC-ESM1冬季降雪量介于25~55 mm之间，最小降雪量出现在1963年和2009年，最大降雪量出现在1991年；FGOALS-f3-L模拟的冬季降雪量同春季模拟的一样，在这4个模式中最小，年际变化呈现较弱的增加趋势。而FIO-ESM-2-0模拟的冬季降雪量的年际变化呈较为明显下降趋势，降雪量介于15~35 mm之间。

Figure 7. Interannual variation of winter snowfall over the Qinghai-Xizang Plateau during 1960~2014

图7. 1960~2014年青藏高原冬季降雪年际变化

5. 结论

本文利用ERA5再分析数据集以及CMIP6的4个模式模拟的降雪资料，研究了青藏高原降雪的时空变化特征，得出如下结论：

(1) 各模式之间存在着较大差异，除了BCC-ESM1模式外，ERA5和其他3个CMIP6模式均模拟出高原降雪大值区位于高原东南部。ERA5模拟的降雪量相较于其他4个模式偏少，而BCC-ESM1模式在高原西部地区模拟出过强的大值区。

(2) 从空间分布趋势看，FIO-ESM-2-0、BCC-CSM2-MR、FGOALS-f3-L模拟的高原大部分地区降雪量为减少的趋势，尤其是FIO-ESM-2-0模拟的降雪量减少得更显著。

(3) 从年际变化来看，仅有FIO-ESM-2-0模拟的降雪量呈较为明显的减少趋势。从季节变化来看，在春季，FIO-ESM-2-0模拟的降雪量呈较稳定不变的趋势；BCC-CSM2-MR、BCC-ESM1和FGOALS-f3-L模拟的均为弱的增加趋势。而在冬季，BCC-CSM2-MR和BCC-ESM1模拟的冬季降雪量年际变化无明显增减趋势；FGOALS-f3-L变化与春季类似；仅有FIO-ESM-2-0模拟的冬季降雪量的年际变化呈明显下降趋势。

(4) 从年内变化来看，ERA5的年内变化与模式结果相比更平缓。4个模式的青藏高原降雪年内变化趋势均呈现出“双峰”形势，峰值分别出现在春季和秋季，且春季大于秋季。

注 释

①文中图片由python软件制图

NOTES

^*通讯作者。