CMIP6多模式对欧亚大陆夏季降水的模拟能力评估

Evaluation of the Performance of CMIP6 Multi-Models in Simulating Summer Precipitation over Eurasia

摘要: 基于全球气候降水中心(GPCC)和参与第六次耦合模式比较计划(CMIP6)的六个模式的月平均降水数据，采用模式评估的相关方法：偏差、标准差、相关系数等，评估了六个模式对欧亚大陆1979~2014年夏季降水的模拟能力。结果表明EC-Earth3模式和IPSL-CM6A-LR模式的模拟能力较好，FGOALS-g3的模拟效果较差。各模式都能较好地模拟出欧亚大陆夏季降水的空间分布特征，除西亚和中亚地区偏差较小外，其他地区都存在一定的高估或低估。各模式夏季区域平均差值不大，其区域平均降水主要以年际变化为主，模式可以模拟出降水大致的年际变化特征，但各模式均整体低估了欧亚大陆夏季降水的强度。印度、青藏高原南麓、东南亚地区和中国东南沿海地区是降水变率大值区，各模式均有一定的高估和低估，其他地区各模式模拟的降水变率与GPCC数据的比较一致。各模式在亚洲季风区均方根误差均偏大，中亚和西亚普遍很小。各模式和GPCC数据的相关性整体都较差，只有部分地区相关性为正且通过显著性检验。

Abstract: Based on the monthly mean precipitation data from the Global Precipitation Center for Climate (GPCC) and six models that participated in the Sixth Coupled Model Intercomparison Program (CMIP6), the performance of the six models in simulating the summer precipitation over Eurasia from 1979 to 2014 is evaluated using the relevant methods of model evaluation: bias, standard deviation, and correlation coefficient. The results show that the EC-Earth3 and IPSL-CM6A-LR show a better performance, and the FGOALS-g3 shows a worse performance. All models can simulate the spatial distribution characteristics of summer precipitation over Eurasia better, with some overestimation or underestimation except for West and Central Asia, where the deviation is small. The regional average summer difference of each model is not large, and its regional average precipitation is mainly dominated by interannual variability, and the model can simulate the approximate interannual variability, but each model underestimates the intensity of summer precipitation over Eurasia as a whole. India, the southern foothills of the Tibetan Plateau, the Southeast Asian region, and the southeast coastal region of China are areas with large values of precipitation variability, and each model has some overestimation and underestimation, while the precipitation variability simulated by each model in the other regions is more consistent with the GPCC. The root-mean-square errors of the models are large in the Asian monsoon region and generally small in Central and West Asia. The correlations between the models and the GPCC are generally poor, with only some regions having significant correlations.

1. 引言

欧亚大陆是全球最大的陆地之一，其夏季降水对农业生产、水资源管理和生态系统健康至关重要。然而，随着全球气候变化的加剧，欧亚大陆夏季降水的特征和规律正在发生变化，给当地农业、工业、水利交通和生态环境带来了巨大挑战[1]。为了更好地理解和应对这一挑战，对欧亚大陆夏季降水变化的研究变得愈发迫切。而且第六次耦合模式比较计划(CMIP6)是全球气候模式领域的一项重要合作计划，旨在评估全球气候模式的性能以及预测未来气候变化。在CMIP6中，对欧亚大陆夏季降水的模拟能力评估成为了研究的热点之一。

参与CMIP6的模式数量最多、设计科学试验最为完善[2]，为研究欧亚大陆夏季降水提供了宝贵的数据资源。而且CMIP6的大气分辨率和模式模拟能力等较之前都有所改善提升[2]-[4]，有许多研究[5]-[7]提供了十分良好的机会。然而欧亚大陆夏季降水受到多种复杂的地理和气候因素影响，如地形、季风、大气环流等，使得模拟其变化具有一定的难度。此外，由于欧亚大陆降水具有高变率和空间异质性强的特点，CMIP中降水模拟的输出数据往往具有由模式结构、参数化、假设、校准过程等引入的各种不确定性[8]-[12]。一些研究发现CMIP6模式在模拟欧亚大陆部分地区夏季降水方面存在一定的差异和局限性[13]-[16]。其中一些模式普遍低估或高估降水量，特别是在复杂地形区，如青藏高原、印度半岛和中国东部。这些模式模拟能力的不足可能受到多种因素的影响，包括复杂的地形、陆地–海气相互作用、大气环流模式等。此外Vicente‑Serrano等(2022)研究发现，模式模拟在再现观测趋势方面普遍表现出很差的性能，世界许多地区的年观测降水趋势普遍被气候模式高估或低估了。而且，观测和模拟的降水趋势在空间上的模式也不太一致[17]。

研究CMIP6多模式对欧亚大陆夏季降水的模拟能力评估具有重要的科学和应用意义，对气候变化研究和社会发展具有深远影响。首先，欧亚大陆夏季降水对该地区的农业、水资源管理和生态环境都有着至关重要的影响。因此，评估气候模式在模拟这一关键气候要素方面的准确性和可信度至关重要。CMIP6多模式评估可以为我们提供更全面、更可靠的气候信息，帮助决策者更好地理解和应对气候变化对欧亚大陆地区的影响。其次，深入研究CMIP6多模式在欧亚大陆夏季降水模拟能力，有助于深化我们对气候系统的认识。欧亚大陆地区夏季降水受到多种因素的影响，包括季风、地形、海陆分布等，这使得气候模式模拟结果具有一定的不确定性。通过评估模式模拟能力，我们可以更好地理解气候系统的复杂性和不确定性，为未来的气候预测和变化研究提供更可靠的基础。此外，研究CMIP6多模式在欧亚大陆夏季降水方面的模拟能力，还可以为未来气候变化的风险评估、灾害管理和适应策略提供科学依据。随着全球气候变暖的持续，欧亚大陆地区的气候变化对人类活动和生态环境造成的影响越来越显著，准确评估模式模拟能力可以帮助我们更好地预测未来的气候变化趋势，为社会各界制定有效的气候变化应对策略提供支持。最后，科学准确的模式模拟能力评估对全球气候变化治理具有重要意义。提供可靠的气候信息和预测结果可以促进各国制定和实施气候变化应对政策，推动全球合作和可持续发展。CMIP6多模式评估为国际社会提供了一个共同的科学基础，为应对气候变化挑战提供了重要支持。

综上所述，尽管存在一些挑战和局限性，但CMIP6模式对欧亚大陆夏季降水的模拟能力评估仍然具有重要意义。这些评估结果可以为改进全球气候模式、提高气候预测的准确性和可靠性提供重要参考，为应对未来气候变化带来的挑战提供科学依据。研究CMIP6多模式对欧亚大陆夏季降水的模拟能力评估具有重要的科学意义和实践应用价值。通过这项研究，我们不仅可以为模式改进提供科学依据，也可以更好地理解气候系统的运行机制，提高气候预测和应对能力，为推动全球气候变化治理做出贡献。未来的研究还需要进一步深入探讨CMIP6模式在欧亚大陆夏季降水方面的不足，并寻找改进模式性能的有效途径，以提高气候预测的水平和可靠性。

2. 资料和方法

2.1. 研究区概况

研究CMIP6多模式对欧亚大陆夏季降水的模拟能力评估是当前气候变化研究领域的一个重要课题。欧亚大陆涵盖了丰富的地理环境和气候类型，夏季降水对该地区的农业、水资源管理和生态环境都具有至关重要的影响。因此，评估CMIP6多模式在模拟欧亚大陆夏季降水方面的能力，对于深入了解气候变化对该地区的影响具有重要意义。但欧亚大陆夏季降水受到多种因素的影响，包括季风、地形、海陆分布等。这些因素的复杂性使得夏季降水模拟具有一定的挑战性。气候模式是评估气候变化影响和制定应对气候变化政策的重要工具[16]，通过对全球多个气候模式的集成评估，可以更全面地了解模式在模拟欧亚大陆夏季降水方面的表现。

研究区域涵盖了整个欧亚大陆地区，包括亚洲、欧洲和中东地区。该地区的气候类型多样，夏季降水的分布和变化呈现出明显的地域差异。研究将重点关注不同地区模式模拟的差异性，以及模式在模拟季风、地形和其他影响因素方面的表现。研究方法包括对CMIP6多模式输出数据进行统计分析、模式间比较和验证。通过比较模式模拟结果与观测数据的差异，评估模式在模拟夏季降水方面的准确性和可信度。同时，还将利用统计方法和气候诊断技术，深入分析模式在模拟欧亚大陆夏季降水过程中存在的主要问题和改进空间。研究结果将为我们提供更全面、更可靠的气候信息，帮助决策者更好地理解和应对气候变化对欧亚大陆地区的影响。同时，也将为改进气候模式和提高气候预测能力提供重要参考，为未来的气候变化研究和社会发展提供科学依据。

2.2. 资料概况

本文所采用的模式资料是参加CMIP6计划的6个气候模式的历史模拟试验的降水数据，数据区域选取为欧亚大陆，数据时间为1979~2014年。这6个模式分别是中国的FGOALS-g3和BCC-CSM2-MR，欧盟的EC-Earth3，加拿大的CanESM5，法国的IPSL-CM6A-LR，日本的MIROC6。模式概况见表1所示(详细信息可参阅https://pcmdi.llnl.gov/CMIP6/)。由于各模式输出数据的空间分辨率不尽相同，为了便于各模式间分析比较，统一采用双线性插值将数据插值到1˚ × 1˚格点上。

为了评估6个气候模式对降水的模拟能力，本文采用的观测资料是全球降水气候中心(Global Precipitation Climatology Centre)数据集中的GPCC Full Data Monthly Product Version 2022，为月降水量数据，空间分辨率1.0˚ × 1.0˚，时间为1979~2014年。

Table 1. CMIP6 multi-mode basic information

表1. CMIP6多模式基本信息

模式名称	国家(地区)	水平分辨率(km)
BCC-CSM2-MR	中国	320 × 160
CanESM5	加拿大	128 × 64
EC-Earth3	欧盟	512 × 256
FGOALS-g3	中国	180 × 80
IPSL-CM6A-LR	法国	144 × 143
MIROC6	日本	256 × 128

2.3. 研究方法

本文基于偏差，均方根误差，标准差和相关系数等评估方法，使用泰勒图[18]，将模式数据与观测数据的均方根误差，标准差和相关系数通过一张图显示出来，能较为直观地对各模式模拟性能进行判断。根据泰勒图可引进S1、S2两个技巧评分[13]，对模式的模拟能力进行定量描述。

$\text{BIAS}=\frac{1}{N}{\displaystyle \sum }_{i=1}^N(F_i-O_i)$ (1)

$\text{RMSE}=\sqrt{\frac{1}{N}{\displaystyle \sum }_{i=1}^N(F_i-{O_i)}^2}$ (2)

$R=\frac{\sum (F-\overline{F})(O-\overline{O})}{\sqrt{\sum (F-{\overline{F})}^2}\sqrt{(O-{\overline{O})}^2}}$ (3)

$S1=\frac{4\left(1+R\right)}{{\left({\sigma }_f+1/{\sigma }_f\right)}^2\left(1+R_0\right)}$ (4)

$S2=\frac{4\left(1+R\right)}{{\left({\sigma }_f+1/{\sigma }_f\right)}^2{\left(1+R_0\right)}^4}$ (5)

式中：BIAS为偏差，RMSE为均方根误差，R为相关系数，F为模式数据，O为观测数据，$\overline{F}$ 和$\overline{O}$ 分别为模式数据和观测数据的平均值，$R_0$ 为能达到的最大相关系数；${\sigma }_f$ 为模拟值与观测值的标准差之比。式(1)中BIAS的取值范围为$\left(-\infty ~+\infty \right)$ ，最优评分为0，差值为正表明模拟值偏大，反之差值为负表明模拟值偏小，差值越趋近于0，模式越趋近于观测；式(2)中RMSE的取值范围为$\left(0~+\infty \right)$ ，均方根误差越趋近于0，模式模拟效果越好；式(3)中R的取值范围为$\left(-1~1\right)$ ，最优评分为1，当相关系数为负时，表明模式与观测呈负相关，R越趋近于−1，模拟的效果越差，反之R越趋近于1，模拟的效果越好。当相关系数变得越来越负或模型方差趋于零或无穷大时，技能评分越趋近于0，当模式的模拟效果越好时，技能评分越趋近于1，且与式(4)相比，式(5)更加侧重对相关系数的考虑[13]。

3. 研究结果

3.1. CMIP6多模式对欧亚大陆夏季降水变化特征的模拟评估

Figure 1. (a) BCC-CSM2-MR model, (b) CanESM5 model, (c) EC-Earth3 model, (d) FGOALS-g3 model, (e) IPSL-CM6A-LR model, (f) MIROC6 model, (g) GPCC, and (h) ensemble-averaged Eurasian summer precipitation climatic regimes for the period from 1979 to 2014 (unit: mm/day, colour-coded values indicate the magnitude of precipitation, with darker colours indicating greater precipitation)

图1. (a) BCC-CSM2-MR模式、(b) CanESM5模式、(c) EC-Earth3模式、(d) FGOALS-g3模式、(e) IPSL-CM6A-LR模式、(f) MIROC6模式、(g) GPCC、(h) 集合平均的欧亚大陆1979~2014年夏季降水气候态(单位：mm/day，色标值表示降水量的大小，色标颜色越深表示降水量越大)

见图1，图中给出了GPCC和各模式多年(1979~2014年)年平均降水量空间分布，从图中可以看出，受季风或地形的影响，GPCC和各模式的降水主要位于亚洲东部和南部、欧洲地中海北岸的陆地和大西洋东岸。降水大值区出现在中国东南沿海地区、东南亚地区、印度半岛和青藏高原南麓。与GPCC相比，各模式均能较好地反映出欧亚大陆夏季降水的特征，EC-Earth3模式(见图1(c))模拟的效果最优，MIROC6模式(见图1(f))模拟效果次之，而FGOALS-g3模式(见图1(d))整体模拟效果呈低估状态。

(a) 区域平均 (b) 区域平均差值场

Figure 2. (a) Regional average of summer precipitation in Eurasia from 1979 to 2014 for CMIP6 models and ensemble averages and CPCC, (b) Regional average of difference fields between CMIP6 models and ensemble averages and GPCC (unit: mm/day)

图2. (a) CMIP6各模式及集合平均和CPCC的欧亚大陆1979~2014年夏季降水的区域平均、(b) CMIP6各模式及集合平均与GPCC的区域平均差值场(单位：mm/day)

见图2，图中可以很明显看出CMIP6各模式与GPCC数据之间的差别，整体看BCC-CSM2-MR模式、EC-Earth3模式、FGOALS-g3模式呈负偏差，其余模式都是正偏差。BCC-CSM2-MR模式、CanESM5模式和EC-Earth3模式差值都比较小，CanESM5模式偏差最小，只有0.043 mm/day。而FGOALS-g3模式、IPSL-CM6A-LR模式、MIROC6模式和集合平均的偏差相对而言都比较大，尤其是FGOALS-g3模式，它的区域平均偏差最大，明显低估了夏季降水。

(a) JA年际变化 (b) JA年际变化差值场

Figure 3. (a) Interannual variability of summer precipitation in Eurasia from 1979 to 2014 for CMIP6 models and ensemble averages and CPCC, (b) Difference field of interannual variability between CMIP6 models and ensemble averages and GPCC (unit: mm/day)

图3. (a)CMIP6各模式及集合平均和CPCC的欧亚大陆1979~2014年夏季降水的年际变化、(b) CMIP6各模式及集合平均与GPCC的年际变化差值场(单位：mm/day)

见图3，GPCC与各模式的年际变化波动都比较小，比较稳定地在一个值附近波动，幅度不大。较之GPCC，各模式年际变化均出现低估。IPSL-CM6A-LR模式和MIROC6模式的模拟效果都比较接近GPCC，FGOALS-g3模式年际变化偏差最大，模拟效果最差。

Figure 4. (a) BCC-CSM2-MR model, (b) CanESM5 model, (c) EC-Earth3 model, (d) FGOALS-g3 model, (e) IPSL-CM6A-LR model, (f) MIROC6 model, (g) GPCC, and (h) ensemble-averaged standard deviation of Eurasia’s summer precipitation for the period from 1979 to 2014 (unit: mm/day, color scale value indicates the size of the standard deviation darker color scale color indicates larger standard deviation)

图4. (a) BCC-CSM2-MR模式、(b) CanESM5模式、(c) EC-Earth3模式、(d) FGOALS-g3模式、(e) IPSL-CM6A-LR模式、(f) MIROC6模式、(g) GPCC、(h) 集合平均的欧亚大陆1979~2014年夏季降水标准差(单位：mm/day，色标值表示标准差的大小色标颜色越深表示标准差越大)

见图4，标准差大值区主要位于中国东南沿海地区、青藏高原南麓、东南亚和印度半岛，这些地区受地形和海陆分布等因素影响，夏季降水具有较大的不确定性和波动性。BCC-CSM2-MR模式、EC-Earth3模式、FGOALS-g3模式和MIROC6模式与观测结果的特征具有比较相近的统一性，EC-Earth3模式和MIROC6模式模拟效果相对而言都比较好，IPSL-CM6A-LR模式和集合平均对降水有一定程度的低估，相反BCC-CSM2-MR模式正偏差较大。

3.2. CMIP6多模式对欧亚大陆夏季降水的模拟能力评估

见图5，图中给出了BCC-CSM2-MR、CanESM5、EC-Earth3、FGOALS-g3、IPSL-CM6A-LR、MIROC6

Figure 5. (a) BCC-CSM2-MR model, (b) CanESM5 model, (c) EC-Earth3 model, (d) FGOALS-g3 model, (e) IPSL-CM6A-LR model, (f) MIROC6 model, and (g) ensemble-averaged Eurasian summer precipitation difference fields from 1979 to 2014 (unit: mm/day, color scale values indicate the magnitude of the deviation, a red color scale indicates a positive deviation, a blue color scale indicates a negative deviation, and the darker the color scale the larger the deviation)

图5. (a) BCC-CSM2-MR模式、(b) CanESM5模式、(c) EC-Earth3模式、(d) FGOALS-g3模式、(e) IPSL-CM6A-LR模式、(f) MIROC6模式、(g) 集合平均的欧亚大陆1979~2014年夏季降水差值场(单位：mm/day，色标值表示偏差的大小，色标为红色表示正偏差，色标为蓝色表示负偏差，色标颜色越深偏差越大)

和集合平均模拟的降水分别与GPCC数据的偏差分布。各模式中，欧亚大陆大部分地区都通过了95%的显著性检验，只有阿拉伯半岛部分地区和中东部分地区没有通过。各模式在青藏高原南麓、东南亚地区和中国东南沿海地区的降水明显偏高，与之相反，在印度半岛北部和地中海北岸陆地的降水明显偏低。CanESM5模式在中高纬地区降水整体偏大，而FGOALS-g3模式在中高纬地区降水整体偏低。除EC-Earth3模式外，其余各模式在印度半岛南部的降水明显偏高。整体上看，EC-Earth3模式的整体偏差比较小，模拟效果最接近GPCC数据，CanESM5模式和FGOALS-g3模式模拟效果都不太理想。

见图6，BCC-CSM2-MR模式、CanESM5模式、EC-Earth3模式、FGOALS-g3模式、IPSL-CM6A-LR模式、MIROC6模式和集合平均的夏季降水均方根误差大值区主要位于印度半岛、青藏高原南麓、东南亚地区和中国东南沿海地区，各模式在复杂地形区和这些沿海地区等的模拟能力比较差，模拟效果都不太好。相对而言在欧亚大陆其他地区的均方根误差就比较小，比较接近GPCC数据。而相较于其他模式，EC-Earth3模式的夏季降水均方根误差明显比较小，说明其模式性能比较好，模拟效果也更加准确，更接近GPCC数据。FGOALS-g3模式的模拟效果最差，在中高纬地区和大值区的夏季降水均方根误差值都偏大，具有一定的不确定性。

Figure 6. (a) BCC-CSM2-MR model, (b) CanESM5 model, (c) EC-Earth3 model, (d) FGOALS-g3 model, (e) IPSL-CM6A-LR model, (f) MIROC6 model, and (g) ensemble-averaged root-mean-square error of summer precipitation for Eurasia from 1979 to 2014 (unit: mm/day, the color scale value indicates the size of the root mean square error, the darker color scale indicates the larger root mean square error)

图6. (a) BCC-CSM2-MR模式、(b) CanESM5模式、(c) EC-Earth3模式、(d) FGOALS-g3模式、(e) IPSL-CM6A-LR模式、(f) MIROC6模式、(g) 集合平均的欧亚大陆1979~2014年夏季降水均方根误差(单位：mm/day，色标值表示均方根误差的大小，色标颜色越深表示均方根误差越大)

相关系数是衡量两个变量间线性关系强度的统计指标，用于评估模型预测的降水量与实际观测降水量之间的一致性。相关系数值范围从−1到1，其中1表示完全正相关，−1表示完全负相关，而0表示没有线性关系。见图7，图中给出的是各模式与GPCC的36年夏季降水空间相关系数，大部分地区都通过了95%的显著性检验。BCC-CSM2-MR模式、CanESM5模式、FGOALS-g3模式、IPSL-CM6A-LR模式和集合平均在地中海北岸陆地模拟效果比较好，相关性较高，各模式在东南亚地区相关性比较低，可能由于复杂的地形和海陆分布等因素，模式表现出的效果并不佳。

Figure 7. (a) BCC-CSM2-MR model, (b) CanESM5 model, (c) EC-Earth3 model, (d) FGOALS-g3 model, (e) IPSL-CM6A-LR model, (f) MIROC6 model, and (g) ensemble-averaged summer precipitation correlation coefficients for Eurasia for the period 1979-2014

图7. (a) BCC-CSM2-MR模式、(b) CanESM5模式、(c) EC-Earth3模式、(d) FGOALS-g3模式、(e) IPSL-CM6A-LR模式、(f) MIROC6模式、(g) 集合平均的欧亚大陆1979~2014年夏季降水相关系数

(a) June (b) July

(c) August (d) JJA

Figure 8. 1979 to 2014 (a) June precipitation Taylor map, (b) July precipitation Taylor map, (c) August precipitation Taylor map, (d) summer precipitation Taylor map

图8. 1979~2014年(a) 六月降水泰勒图、(b) 七月降水泰勒图、(c) 八月降水泰勒图、(d) 夏季降水泰勒图

见图8泰勒图，图中所展示的评估结果表明BCC-CSM2-MR模式、CanESM5模式、EC-Earth3模式、FGOALS-g3模式、IPSL-CM6A-LR模式、MIROC6模式和集合平均在七月的空间模拟效果最好，各模式七月的空间相关系数都在0.76以上，而夏季的模拟效果最差，大部分模式空间相关系数都在0.73附近。六月EC-Earth3模式和MIROC6模式的模拟效果较好，七月BCC-CSM2-MR模式和EC-Earth3模式表现较好，八月和夏季EC-Earth3模式与IPSL-CM6A-LR模式的效果比较好。夏季的降水标准差较为集中，各模式的一致性比较高，反之六、七月份的降水标准差比较分散，可能存在较大的主观差异或者不确定性。综合而言，EC-Earth3模式与GPCC的空间相关性最好，CanESM5模式和IPSL-CM6A-LR模式的效果比较差。

(a) (b)

Figure 9. Summer precipitation in Eurasia from 1979 to 2014 (a) S1 skill score, (b) S2 skill score

图9. 1979~2014年欧亚大陆夏季降水(a) S1技巧评分、(b) S2技巧评分

见图9，图中是根据公式(3)和公式(4)计算出的BCC-CSM2-MR模式、CanESM5模式、EC-Earth3模式、FGOALS-g3模式、IPSL-CM6A-LR模式、MIROC6模式和集合平均对欧亚大陆夏季降水模拟能力的空间技巧评分。从图9(a) S1技巧评分可以看出，S1技巧评分分布范围为0.627~0.895，表现最好的是EC-Earth3模式，IPSL-CM6A-LR模式次之，FGOALS-g3模式模拟能力最差。而从S2技巧评分可以看出大多数模式的空间模拟能力不太理想，有五个模式的评分均低于0.6，分布范围在0.350~0.851之间。EC-Earth3模式的模拟效果最好，IPSL-CM6A-LR模式次之，FGOALS-g3模式最差。综合S1和S2技巧评分，EC-Earth3模式模拟欧亚大陆1979~2014年夏季降水的模拟效果最优，S1、S2评分均为各模式最高。

4. 结论与讨论

本文利用GPCC数据和CMIP6的6个模式数据，从时间和空间两个方面，对各模式在欧亚大陆的夏季降水模拟能力进行了评估，得出如下结论：

1) 利用多模式区域平均偏差、泰勒图及S1、S2技巧评分等方法对模式的时空综合模拟能力进行了评估，结果表明EC-Earth3模式模拟能力最好，IPSL-CM6A-LR模式次之，FGOALS-g3模拟效果最差。

2) 各模式都能较好地模拟出欧亚大陆夏季降水的空间分布特征，除西亚和中亚地区偏差较小外，其他地区都存在一定的高估或低估。各模式在亚洲季风区的精度均较低，CanESM5模式和FGOALS-g3模式在中高纬的模拟结果整体呈相反状态。

3) 各模式夏季区域平均差值不大，BCC-CSM2-MR模式、CanESM5模式、EC-Earth3模式模拟区域平均降水强度的能力较好，其区域平均降水主要以年际变化为主，IPSL-CM6A-LR模式和MIROC6模式模拟降水年际变化效果较好，模式可以模拟出大致的年际变化，但各模式均低估了欧亚大陆夏季降水的强度。

4) 印度、青藏高原南麓、东南亚地区和中国东南沿海地区是标准差大值区，各模式均有一定的高估和低估，BCC-CSM2-MR模式能更为直观地表现出该区域的降水变率，其他地区各模式模拟的标准差与GPCC数据的比较一致。

5) 各模式在亚洲季风区均方根误差均偏大，中亚和西亚普遍很小。相较于其它模式，EC-Earth3模式在亚洲季风区的误差较小，模拟精度较高。各模式和GPCC数据的相关性整体都较差，普遍只有部分地区相关性为正且通过显著性检验。

模式结果受多种因素影响，模拟结果与实际存在一定差异，对未来变化的预估也存在一定的不确定性[19] [20]。不同气候模式在对欧亚大陆夏季降水的模拟能力上可能存在较大差异，这种差异可能源于模式本身的结构、参数设定、分辨率等因素，导致模式模拟结果的不确定性。对于欧亚大陆范围内的夏季降水，需要大量的观测数据作为模式评估的参考，而本文采用的数据还远不够，影响了评估的准确性。而且欧亚大陆地域广阔，地形复杂，气候系统受到多种因素的影响，因此模式对不同区域的模拟能力可能存在差异，需要针对性地进行评估。

因此，为了提高对欧亚大陆夏季降水的模拟能力，未来工作的重点应该是一方面通过改进模式的参数化方案，优化模式对大气、陆面和海洋等过程的模拟，减小模式与观测之间的偏差，另一方面综合利用卫星观测、地面观测、再分析资料等多源数据，可以提高对欧亚大陆夏季降水的模拟能力评估的可靠性。综合而言，对于欧亚大陆夏季降水的模拟能力评估，需要综合考虑模式本身的优缺点、观测数据的质量、地域特点等因素，通过不断改进模式和方法，提高评估的准确性和可信度。