1. 引言
在全球气候变化的背景下，川渝地区面临着日趋严峻的挑战。近年来，该地区的降水特征出现了明显的变化，包括极端降水事件的增加和降水分布的不均匀等[1] [2]。这些问题对当地的农业、水资源和生态系统产生了深远的影响。一般情况下CMIP6模式在地形复杂地区的模拟效果不好[3]。通过研究CMIP6模型对川渝地区降水特征的模拟结果，我们可以了解不同模型对川渝地区降水的预测能力，我们还可以识别出哪些模型在模拟川渝地区降水方面更具优势，哪些模型存在较大偏差，这将有助于我们更好地理解全球气候变化对川渝地区降水的影响，从而为当地的水资源管理和适应气候变化的策略提供科学依据。此外，研究CMIP6对川渝地区降水特征的模拟及偏差分析还有助于提高我们对气候变化预测模型的认识，为未来气候变化预测模型的改进提供有益参考。
在过去的几十年里，全球耦合气候模型在模拟和预测气候变化方面取得了显著的进展。1995年，在世界气候研究计划(WCRP)耦合模式工作组(WGCM)的支持下，耦合模式比较计划(CMIP)开始实施，旨在更好的分析过去、现在和未来的气候变化。CMIP6作为该项目的最新版本，不仅为气候科学研究开创了一个新纪元，而且已经成为国家和国际气候变化评估的关键要素。先前已有大量对于气候模式对极端降水模拟的研究与分析。例如，有研究表明在未来情景模式4种经济路径下，全国范围内极端降水强度增加的面积占比有不同程度增加[4]。CMIP6模型在区域降水模拟中，在全球范围内，高分辨率CMIP6模型在模拟降水方面具有一定的增量价值，尤其是在热带地区[5]。相较于CMIP5模式，CMIP6模式能够更好地模拟极端降水指数气候平均态以及趋势变化特征，与观测相关系数更高，多模式集合平均在模拟极端降水方面普遍优于单个模式，尽管针对不同的模式和评估指标结果存在一些差异，但大多数新版本模式模拟极端降水能力较CMIP5有所增强[6]。目前已有多个全球高分辨率海洋环流模式在低分辨率模式基础上将水平分辨率提高到了10 km甚至更高，成功地模拟出了全球中尺度涡旋的基本特征[7]。尽管随着CMIP的不断发展，模式在物理参数化方案、空间分辨率等方面有了一定的提高，其模拟能力也随之不断改善，但模式对区域尺度气候特征的模拟能力仍然有限，尤其是对于中小尺度降水变化特征的模拟，并且不同模式的模拟能力存在很大差异[8]。
2. 资料与方法
2.1. 数据来源
本文使用了中国气象局国家气象信息中心(NMIC)提供的1979年至2019年盛夏季(7月、8月)期间川渝地区173个气象站点的日降水观测数据，其中图1为这173个观测站点的海拔高度分布，川渝地区的海拔分布呈现出西高东低的特点，这种海拔分布对川渝地区的降水具有重要影响。
Figure 1. Elevation distribution of 173 meteorological stations over Sichuan-Chongqing region (unit: m)
图1. 川渝地区173个气象站点的海拔高度分布(单位：m)
此外，如表1所示，本研究还采用了第六次国际耦合模式比较计划(CMIP6)中的BCC-CSM2-MR、EC-Earth3和GFDL-ESM4三个模式提供的模拟数据，涵盖了这些模式在1979年至2014年历史试验期间的模拟结果。
Table 1. Basic information of BCC-CSM2-MR, EC-Earth3 and GFDL-ESM4 CMIP6 models
表1. BCC-CSM2-MR、EC-Earth3和GFDL-ESM4三个CMIP6模式基本信息
| 模式名称 |
国家和地区 |
机构 |
分辨率(经向网格数 × 纬向网格数) |
| BCC-CSM2-MR |
中国 |
BCC |
160 × 320 |
| EC-Earth3 |
欧洲 |
EC |
256 × 512 |
| GFDL-ESM4 |
美国 |
NOAA-GFDL |
180 × 288 |
2.2. 方法介绍
在评估模型性能时，由于模型模拟结果与观测资料的分辨率不同，需要对模式结果进行空间插值。我们采用了最邻近插值法，将不同分辨率的模拟数据插值到气象站点上，以便更充分利用台站观测资料。参考伍青等人评估CMIP5模式在西南地区的模拟性能的方法[9]，通过将各个模式模拟结果与台站观测对比来评估各个模式对川渝地区盛夏降水的模拟能力。
为了评估模式对川渝地区盛夏降水的模拟能力，本文定义了以下指标：当该日站点日降水量大于1 mm并且小于10 mm时，视为该站点当日存在弱降水；当日降水量大于50 mm时，视为该站点当日存在强降水。分别将观测和模式模拟的降水数据进行三个方面的对比：年平均降水、强降水、弱降水，其中共引入5个降水指标，如表2所示。通过在空间、时间上进行对比，并采用泰勒图[10]做定量分析，评估各个模式对川渝地区盛夏降水的模拟能力。
Table 2. Definition of 5 precipitation indicators
表2. 5个降水指标的定义
| 指标 |
定义 |
单位 |
| 年平均降水 |
年6~7月累计降水量 |
mm |
| 弱降水 |
年6~7月累计弱降水量 |
mm |
| 强降水 |
年6~7月累计强降水量 |
mm |
| 弱降水频次 |
年6~7月累计弱降水频次 |
day |
| 强降水频次 |
年6~7月累计强降水频次 |
day |
为评估模式对强降水模拟偏差大还是弱降水模拟偏差大，同时引入一个定量化指标S，可以定量对比模拟强降水与弱降水，具体计算公式如下：
(1)
式(1)中，
，表示173个站点的标号，SP为模式模拟降水量(降水频次)，RP为观测降水量(降水频次)。S越接近1，模式模拟数据越接近观测数据，说明模式模拟能力越好。
3. 研究结果
3.1. 川渝地区盛夏年平均降水的模拟偏差分析
3.1.1. 空间偏差
图2展示了1979年至2019年间盛夏年平均降水的空间分布。观测结果显示，川渝地区的降水分布为“西北低–中部高–东部适中”，高降水量站点集中在四川盆地西部和北部，降水量阈值为895.1毫米。低降水量站点分布于青藏高原东部地区，降水量阈值为179.5 mm。BCC-CSM2-MR模式模拟结果呈现“西北高–东南低”的阶梯式分布特征。高降水量站点分布在四川省西部和北部高原山地地区，降水量阈值为542.1 mm。低降水量站点位于四川盆地中部、川中丘陵中东部和川东平行峡谷地区，降水量阈值为198.2 mm。EC-Earth3模式模拟呈现出“东西低–中部高”特征。高降水量站点分布在成都市、雅安市和阿坝藏族自治州的交界处附近，降水量阈值为747.7 mm。低降水量站点分布于四川盆地中部、东北部和四川省西北部地区，降水量阈值为256.2 mm。GFDL-ESM4模式模拟显示“西部适中–中部高–东部低”特征。高降水量站点分布在眉山市与雅安、乐山市的交界处附近，降水量阈值为627.8 mm。低降水量站点分布于四川盆地中部、东部和甘孜藏族自治州西北部地区，降水量阈值为214.9 mm。各模式模拟降水量阈值不同，但均显示出川渝地区降水分布的不均匀性。
图3展示出模式模拟川渝盛夏降水时呈现出相似的偏差特性。结果显示，三个模式在川渝西部高原和山地地区的模拟降水量明显高于观测站点数据，而在川渝东部四川盆地地区的模拟降水量则低于观测站点数据。与观测数据相比，BCC-CSM2-MR模式的年平均降水偏差阈值为303.1 mm与−556.4 mm，EC-Earth3模式的年平均降水偏差阈值为555.9 mm与−323.5 mm，GFDL-ESM4模式的年平均降水偏差阈值为380.6 mm与−326.4 mm。在凉山彝族自治州地区，BCC-CSM2-MR模式模拟的年平均降水偏强，EC-Earth3模式模拟的年平均降水偏弱，而GFDL-ESM4模式模拟的年平均降水与观测站点数据最为接近。在其他地势较高的川西高原地区，三个模式的模拟年平均降水均偏高。而在地势较低的四川盆地地区，三个模式的模拟年平均降水均偏弱。三个模式所模拟的年平均降水普遍低于实际观测数据，且中位数低于平均值，表明模式在模拟降水时，所得出的年平均降水普遍偏弱。BCC-CSM2-MR模式模拟出了较多偏离正常分布的异常高值，而GFDL-ESM4模式和EC-Earth3模式存在模拟出较少的不符合实际降水的极端降水事件。
Figure 2. Spatial distributions of the (a) observed and (b)~(d) simulated annual mean precipitation during midsummer of 1979~2014 (unit: mm)
图2. 1979~2014年盛夏观测(a)的和模式模拟(b)~(d)的年平均降水的空间分布(单位：mm)
Figure 3. Spatial distribution of the deviation of annual mean precipitation simulated by each model during the midsummer from 1979 to 2014 (a)~(c) and box plot (d). In Figure (d), the red dot represents the outlier, the green diamond mark represents the mean, and the orange dotted line indicates the median. The upper and lower boundaries correspond to the three quarters and one quarter quantiles respectively, the subsequent box drawings in this paper are consistent with this illustration unless otherwise specified (unit: mm)
图3. 1979~2014年盛夏各模式模拟的年平均降水偏差空间分布(a)~(c)和箱线图(d)。图(d)中红点代表异常值，绿色菱形标志表示平均数，橙色虚线指示中位数，上下边界分别对应四分之三分位数与四分之一分位数，无特殊说明外本文后续箱线图与此图说明一致(单位：mm)
为了进一步评估各个模式对川渝地区盛夏年平均降水的模拟效果，我们通过泰勒图进行分析。如图4所示，关于模拟年平均降水的相对标准差上，BCC-CSM2-MR模式为0.675，EC-Earth3模式为1.097，GFDL-ESM4模式为1.092。关于相关系数指标，BCC-CSM2-MR模式为0.023，EC-Earth3模式为0.408，GFDL-ESM4模式为0.358。关于均方根误差指标，BCC-CSM2-MR模式为0.427，EC-Earth3模式为0.334，GFDL-ESM4模式为0.371。综合考虑上述参数，得出结论：在模式模拟川渝地区盛夏年平均降水中，EC-Earth3、GFDL-ESM4模式表现优秀，模拟效果较好，而BCC-CSM2-MR模式模拟效果较差，模拟性能较弱。
Figure 4. Taylor diagnostic distribution map of annual mean precipitation simulated by midsummer model from 1979 to 2014
图4. 1979~2014年盛夏模式模拟的年平均降水的泰勒诊断分布图
3.1.2. 时间演变偏差
图5展示了1979年至2014年盛夏观测和三个模式模拟的年平均降水时间演变。可以看出，观测降水与三个模式模拟年平均降水时间演变均呈现为年际变化波动，除个别年份有较大差异外，总体上三个模式对于盛夏川渝地区年平均降水时间演变的模拟效果大致相当。
3.2. 川渝地区盛夏弱降水的模拟偏差分析
3.2.1. 空间偏差
图6展示了1979年至2014年盛夏观测和三个模式模拟的弱降水的空间分布。结果显示观测与模式模拟的弱降水均呈现“西高东低”的分布特征，观测弱降水阈值分别为119.5 mm和34.4 mm，BCC-CSM2-MR模式模拟的弱降水阈值分别为178.9 mm和65.3 mm，EC-Earth3模式模拟的弱降水阈值分别为245.3 mm和77.8 mm，GFDL-ESM4模式模拟的弱降水阈值分别为199.4 mm和62.3 mm。
根据图7可以看出，三个模式模拟出的盛夏弱降水均比观测数据多，其中EC-Earth3模式模拟的弱降水偏差最大，可达168.0 mm，比观测数据最高值高了一倍多；其次是GFDL-ESM4模式，模拟的弱降水偏差最大值为122.9 mm；BCC-CSM2-MR模式模拟的弱降水偏差最大值为100.1 mm；三个模式在成都平原西侧地区模拟的弱降水相对其他地区明显偏强，可以考虑是否因为该地区东西两侧地势差距大的
Figure 5. Temporal evolution of the observed and simulated midsummer mean precipitation for 1979~2014 (unit: mm)
图5. 1979~2014年盛夏观测的和模式模拟的年平均降水时间演变(单位：mm)
Figure 6. Similar to Figure 2, but for weak precipitation amount
图6. 与图2相似，但是弱降水累积降水量的情况
影响。三个模式所模拟的弱降水均高于实际观测数据，而且三个模式模拟的中位数低于平均值，表明模式在模拟降水时，所得出的弱降水一般稍低于实际发生的降水量。BCC-CSM2-MR、GFDL-ESM4模式有一两个偏离正常分布的异常高值，表明存在较少的实际没有降水而模式模拟出弱降水偏强事件；而EC-Earth3模式则存在较多模拟出弱降水偏强事件。
图8为1979年至2014年盛夏观测的和模式模拟的弱降水频次的空间分布。可以看出，观测和模式模拟的弱降水频次均呈现“西高东低”的空间分布。观测弱降水频次阈值分别为15天和5天；BCC-CSM2-MR模式模拟弱降水频次阈值分别为24天和11天；EC-Earth3模式模拟弱降水频次阈值分别为25天和12天；GFDL-ESM4模式模拟弱降水频次阈值分别为24天和10天。
图9为1979年至2014年盛夏观测的和模式模拟的弱降水频次偏差的空间分布及箱线图。可以看到，模式模拟的弱降水频次都比观测的弱降水高，符合图7中模式模拟弱降水频次偏高的情况，同时三个模式在成都平原地区模拟的弱降水的频次相对其他地区明显偏多，与图7情况一致。三个模式所模拟的弱降水的频次均高于实际观测数据，三个模式模拟的弱降水频次的平均值稍高于中位数，GFDL-ESM4模式没有模拟出异常值，EC-Earth3模式模拟出较少的异常值，而EC-Earth3模式模拟出了较多的异常值。
Figure 7. Similar for Figure 3, but for weak precipitation amount
图7. 与图3相似，但是弱降水累积降水量的情况
Figure 8. Similar to Figure 2, but for weak precipitation occurrence frequency
图8. 与图2相似，但是弱降水发生频次的情况
图10展示了1979~2014年盛夏模式模拟的弱降水与弱降水频次的泰勒分布。结果显示，在模拟弱降水方面：在相对标准差上，BCC-CSM2-MR模式为1.303，EC-Earth3模式为1.731，GFDL-ESM4模式为1.801。在相关系数上，BCC-CSM2-MR模式为0.866，EC-Earth3模式为0.894，GFDL-ESM4模式为0.870。在均方根误差上，BCC-CSM2-MR模式为0.798，EC-Earth3模式为1.157，GFDL-ESM4模式为0.959。在模拟弱降水频次方面：在相对标准差上，BCC-CSM2-MR模式为1.253，EC-Earth3模式为1.163，GFDL-ESM4模式为1.553。在相关系数上，BCC-CSM2-MR模式为0.888，EC-Earth3模式为0.854，GFDL-ESM4模式为0.900。在均方根误差上，BCC-CSM2-MR模式为0.991，EC-Earth3模式为1.070，GFDL-ESM4模式为1.031。
Figure 9. Similar for Figure 3, but for weak precipitation occurrence frequency
图9. 与图3相似，但是弱降水发生频次的情况
Figure 10. Similar to Figure 4, but for (a) weak precipitation amount and (b) weak precipitation occurrence frequency
图10. 与图4相似，但是(a)弱降水累积降水量和(b)弱降水发生频次的情况
对于S指标，在模式模拟川渝地区盛夏弱降水的空间分布中，BCC-CSM2-MR模式S为1.762，EC-Earth3模式S为2.107，GFDL-ESM4模式S为1.884。在模式模拟川渝地区盛夏弱降水频次的空间分布中，BCC-CSM2-MR模式S为1.971，EC-Earth3模式S为2.051，GFDL-ESM4模式S为1.997。
综合考虑上述参数，可以得出结论，在模式模拟川渝地区盛夏弱降水的空间分布中，BCC-CSM2-MR模式模式表现最好，EC-Earth3模式模拟效果其次，GFDL-ESM4模式模拟效果最差；在模式模拟川渝地区盛夏弱降水频次的空间分布中，GFDL-ESM4模式模式表现最好，其次是BCC-CSM2-MR模式，EC-Earth3模式模拟效果最差。
3.2.2. 时间演变偏差
图11为1979年至2014年盛夏观测和模式模拟的弱降水与弱降水频次的时间演变，可以看出，与观测的弱降水相比，模式模拟的弱降水均偏强，其中EC-Earth3模式偏强的程度最高，BCC-CSM2-MR模式偏强的程度最低。观测的弱降水年际变化较为平缓，而模式模拟的弱降水年际变化起伏大。而与观测的弱降水频次相比，模式模拟的弱降水频次均偏强，模式偏强程度大致相当。观测的弱降水频次年际变化较为平缓，模式模拟的弱降水频次年际变化起伏大。
Figure 11. Similar to Figure 5, but for (a) weak precipitation amount and (b) weak precipitation occurrence frequency
图11. 与图5相似，但是(a)弱降水累积降水量和(b)弱降水发生频次的情况
综上所述，在模拟盛夏川渝地区弱降水与弱降水频次的时间演变上，BCC-CSM2-MR模式模拟的效果相对要好一些，EC-Earth3、GFDL-ESM4模式模拟的效果稍弱一些且两者相距不大。
3.3. 川渝地区盛夏强降水的模拟偏差分析
3.3.1. 空间偏差
图12展示了1979年至2014年盛夏观测和模式模拟的强降水的空间分布。可以看出，观测的与模式模拟的盛夏川渝地区强降水的降水中心均位于地势较低的成都平原地区，在其他地区观测与模式模拟强降水均很少。同时模式模拟的强降水均弱于观测数据，观测强降水阈值可达458.9 mm，BCC-CSM2-MR、EC-Earth3、GFDL-ESM4模式模拟的强降水阈值分别只有128.8 mm、103.5 mm、103.6 mm。
根据图13可以看出，模式模拟的盛夏强降水对比观测数据显示：在青藏高原与四川盆地交界处的西侧地区偏强，在四川盆地和凉山彝族自治区地区明显偏弱。其中BCC-CSM2-MR模式模拟的强降水偏差阈值分别为127.3 mm、−386.4 mm；EC-Earth3模式模拟的强降水偏差阈值分别为127.3 mm、−386.4 mm；GFDL-ESM4模式模拟的强降水偏差阈值分别为44.2 mm、−355.3 mm。模式模拟的强降水与观测的强降水相比普遍偏弱。三个模式均存在偏离正常分布的异常低值，表明当观测有强降水时，各个模式均存在未能模拟出该强降水事件的情况。
Figure 12. Similar to Figure 2, but for heavy precipitation amount
图12. 与图2相似，但是强降水累积降水量的情况
Figure 13. Similar to Figure 3, but for heavy precipitation amount
图13. 与图3相似，但是强降水累积降水量的情况
图14为1979年至2014年盛夏观测的和模式模拟的强降水频次的空间分布。可以看出，观测的与模式模拟的盛夏川渝地区强降水频次的降水中心均位于地势较低的成都平原地区，在地势较高的高原和山地地区观测与模式模拟强降水均很少，与图12的强降水情况一致，表明三个模式在模拟强降水方面性能的不足。
Figure 14. Similar to Figure 2, but for heavy precipitation occurrence frequency
图14. 与图2相似，但是强降水发生频次的情况
图15为1979年至2014年盛夏观测的和模式模拟的强降水频次偏差的空间分布及箱线图。可以看到，三个模式在四川盆地模拟的强降水的频次对比观测数据明显普遍偏弱，BCC-CSM2-MR模式模拟的强降水频次偏差阈值分别为0.9天和−2.3天，EC-Earth3模式模拟的强降水频次偏差阈值分别为0.7天和−2.4天，GFDL-ESM4模式模拟的强降水频次偏差阈值分别为0.4天和−2天。在川渝地区东部的高原地区，EC-Earth3模式模拟较好，与观测数据基本一致，GFDL-ESM4模式模拟效果其次，与观测数据相比稍多，BCC-CSM2-MR模式模拟效果最差。三个模式所模拟的强降水的频次大多低于实际观测数据。
图16展示了1979~2014年盛夏模式模拟的强降水与强降水频次的泰勒分布。结果显示，在模拟强降水方面：在相对标准差上，BCC-CSM2-MR模式为0.297，EC-Earth3模式为0.282，GFDL-ESM4模式为0.322。在相关系数上，BCC-CSM2-MR模式为0.272，EC-Earth3模式为0.591，GFDL-ESM4模式为0.660。在均方根误差上，BCC-CSM2-MR模式为0.837，EC-Earth3模式为1.037，GFDL-ESM4模式为0.874。在模拟强降水频次方面：在相对标准差上，BCC-CSM2-MR模式为0.343，EC-Earth3模式为0.391，GFDL-ESM4模式为0.390。在相关系数上，BCC-CSM2-MR模式为0.226，EC-Earth3模式为0.556，GFDL-ESM4模式为0.662。在均方根误差上，BCC-CSM2-MR模式为0.788，EC-Earth3模式为0.963，GFDL-ESM4模式为0.777。
Figure 15. Similar to Figure 3, but for heavy precipitation occurrence frequency
图15. 与图3相似，但是强降水发生频次的情况
Figure 16. Similar to Figure 4, but for (a) heavy precipitation amount and (b) heavy precipitation occurrence frequency
图16. 与图4相似，但是(a)强降水累积降水量和(b)强降水发生频次的情况
对于S指标，在模式模拟强降水的空间分布中，BCC-CSM2-MR模式S为0.524，EC-Earth3模式S为0.167，GFDL-ESM4模式S为0.354。在模式模拟川渝地区盛夏强降水频次的空间分布中，BCC-CSM2-MR模式S为0.545，EC-Earth3模式S为0.213，GFDL-ESM4模式S为0.422。
综合考虑上述参数，可以得出结论，在模式模拟川渝地区盛夏强降水的空间分布中，GFDL-ESM4模式表现最好，BCC-CSM2-MR、EC-Earth3模式模拟效果相差不大；在模式模拟强降水频次的空间分布中，EC-Earth3和GFDL-ESM4模式模拟效果并列第一，而BCC-CSM2-MR模式模拟效果相对较弱一点。
3.3.2. 时间演变偏差
图17为1979年至2014年盛夏观测和模式模拟的强降水与强降水频次的时间演变，可以看出，三个模式模拟的强降水普遍低于观测的强降水，其中EC-Earth3模式偏弱程度最高，BCC-CSM2-MR模式偏弱程度最低，并且BCC-CSM2-MR模式模拟的强降水变化趋势与观测数据最为类似。在模拟弱降水频次的时间演变上，BCC-CSM2-MR模式模拟的效果相对要好一些，其次是GFDL-ESM4模式，EC-Earth3模拟的效果最弱。
4. 结论
本研究对CMIP6中三个全球气候模式(BCC-CSM2-MR、EC-Earth3和GFDL-ESM4)对川渝地区盛夏(7月和8月)降水特征的模拟能力进行了评估。主要结论如下：
Figure17. Similar to Figure 5, but for (a) heavy precipitation amount and (b) heavy precipitation occurrence frequency
图17. 与图5相似，但是(a)强降水累积降水量和(b)强降水发生频次的情况
1) 年平均降水：在空间分布上，EC-Earth3模式相对标准差、相关系数、均方根误差分别为1.097、0.408、0.334；GFDL-ESM4模式相对标准差、相关系数、均方根误差为1.092、0.358、0.371；BCC-CSM2-MR模式相对标准差、相关系数、均方根误差为0.675、0.023、0.427。在空间分布上，EC-Earth3、GFDL-ESM4模式表现均比较优秀，呈现出较好的模拟效果，而BCC-CSM2-MR模式的模拟效果较差。在时间演变方面，三个模式模拟效果大致相当。
2) 弱降水：在降水量空间分布上，BCC-CSM2-MR模式相对标准差、相关系数、均方根误差分别为1.303、0.866、0.798，模拟的效果最好；EC-Earth3模式相对标准差、相关系数、均方根误差分别为1.731、0.894、1.157，模拟效果其次；GFDL-ESM4模式相对标准差、相关系数、均方根误差分别为1.801、0.870、0.959，模拟效果最差。在降水频次空间分布上，GFDL-ESM4模式相对标准差、相关系数、均方根误差分别为1.801、0.870、0.959，模拟效果最好；BCC-CSM2-MR模式相对标准差、相关系数、均方根误差分别为1.303、0.866、0.798，模拟效果其次；EC-Earth3模式相对标准差、相关系数、均方根误差分别为1.731、0.894、1.157，模拟效果最差。在降水量、降水频次的时间演变方面，BCC-CSM2-MR模式效果最好，GFDL-ESM4模式模拟的效果其次，EC-Earth3模式模拟的效果最差。
3) 强降水：在降水量空间分布中，GFDL-ESM4模式相对标准差、相关系数、均方根误差分别为0.322、0.660、0.874，模拟的效果最好；BCC-CSM2-MR模式相对标准差、相关系数、均方根误差分别为0.297、0.272、0.837，EC-Earth3模式相对标准差、相关系数、均方根误差分别为0.282、0.591、1.037，BCC-CSM2-MR、EC-Earth3模式模拟效果相差不大。在降水频次空间分布中，EC-Earth3模式相对标准差、相关系数、均方根误差分别为0.391、0.556、0.963，GFDL-ESM4模式相对标准差、相关系数、均方根误差分别为0.390、0.662、0.777，EC-Earth3和GFDL-ESM4模式模拟效果并列第一；BCC-CSM2-MR模式相对标准差、相关系数、均方根误差分别为0.343、0.226、0.788，模拟效果相对较弱一点。在降水量、降水频次的时间演变上，BCC-CSM2-MR模式模拟的效果相对要好一些，其次是GFDL-ESM4模式，EC-Earth3模拟的效果最弱。
4) 地形影响：CMIP6模式对川渝地区盛夏降水的模拟能力受地形因素影响明显，普遍在地势较高地区模拟降水偏强，在地势较低地区模拟降水偏弱。
5) 强降水与弱降水偏差对比：在模式模拟川渝地区盛夏降水的空间分布中，BCC-CSM2-MR模式弱降水S为1.762，强降水S为0.524，BCC-CSM2-MR模式模拟强降水更好；EC-Earth3模式弱降水S为2.107，强降水S为0.167，EC-Earth3模式模拟强降水更好；GFDL-ESM4模式弱降水S为1.884，强降水S为0.354，GFDL-ESM4模式模拟强降水更好。模式模拟强降水的能力要比模拟弱降水更好。
基金项目
本文受到成都信息工程大学引进人才科研启动项目(KYTZ202206)资助。