《Advances in Climate Change Research》:Assessing the performance of detection and attribution simulations with the CAS-GAMIL3.0 model
编辑推荐:
摘要翻译:极端气候事件的检测与归因需要既具有物理可信性又具有计算效率的模型系统。本研究介绍并评估了基于大气环流模式GAMIL3.0、遵循“20世纪气候+”检测与归因计划(C20C+ D&A)实验框架并采用耦合模式比较计划第六阶段(CMIP6)一致外强迫的中国科
摘要翻译:极端气候事件的检测与归因需要既具有物理可信性又具有计算效率的模型系统。本研究介绍并评估了基于大气环流模式GAMIL3.0、遵循“20世纪气候+”检测与归因计划(C20C+ D&A)实验框架并采用耦合模式比较计划第六阶段(CMIP6)一致外强迫的中国科学院检测与归因系统(CAS-DASys)。研究人员对GAMIL3.0在1961–2020年全强迫条件下模拟的50成员集合进行了全面评估。GAMIL3.0在再现观测的近地表气温气候态、年际变率和长期趋势方面表现出较高技巧,对降水也有合理表现,但存在区域偏差。对于温度和降水极端事件,GAMIL3.0能够捕捉广义极值(GEV)分布位置参数和尺度参数的大尺度空间格局,而形状参数存在显著偏差,被系统性低估,表明模拟的上尾过于有界,对最强极端事件的强度表征不足。历史集合也合理模拟了中国夏季气候的主导模态。总体而言,CAS-DASys为检测与归因研究提供了稳健且高效的框架,同时突出了在模拟气候极值的变率和尾部行为方面的关键挑战,这些对于快速归因应用尤为重要。
论文解读文章:
**研究背景与问题**
在全球变暖背景下,极端气候事件(如热浪、强降水、干旱)对生态系统、基础设施和社会造成日益严重的风险。理解这些事件的物理驱动因素,特别是区分人为强迫和自然变率的相对贡献,是气候科学的核心挑战。检测与归因(Detection and Attribution, D&A)提供了正式统计框架来识别气候变化信号并量化外强迫对观测变化的贡献,对于制定有效气候政策、减缓未来风险和增强适应能力至关重要。近年来,快速归因(rapid attribution)方法通过利用预计算的大样本集合、近实时观测和标准化统计协议,能够在极端事件发生后数天至数周内量化人为影响。这类方法依赖于能够可靠模拟极端事件特征的气候模型,因此模型评估至关重要。国际上已有针对CMIP6 DAMIP和C20C+ D&A多模型集合的系统评估,但针对特定归因系统的综合性能评估仍不足。中国科学院大气物理研究所(IAP/CAS)基于其自主发展的格点大气模式GAMIL3.0构建了极端事件检测与归因系统CAS-DASys,并已应用于区域热浪和干旱事件的归因研究,但对该系统整体性能,特别是再现极端气候特征的能力,尚缺乏系统评估。本研究的目的是介绍CAS-DASys的实验设计和强迫配置,评估其基本模拟性能,包括气候态、年际变率、长期趋势、温度和降水极值的统计特征以及中国夏季气候主导模态,为检测与快速归因应用提供科学基础,并为面向归因的气候建模系统发展提供指导。
**研究内容与方法**
研究人员开展了以下研究:基于GAMIL3.0模式构建CAS-DASys,遵循CLIVAR C20C+ D&A实验框架,采用CMIP6一致的外强迫(包括温室气体、人为气溶胶、土地利用变化等)。实验设计包含两组:全强迫(ALL)和自然强迫(NAT),各包含50个成员的历史模拟(1961–2020年),以及针对特定事件生成的500成员大集合(2021–2025年)。海温(SST)和海冰浓度(SIC)边界条件取自HadISST1,NAT实验通过减去CMIP6多模型平均的人为强迫信号来估计自然变率。评估数据集包括CRU月平均温度和降水、NOAA CPC日最高温度和日降水、CN05.1中国区域格点数据以及ERA5再分析资料。主要技术方法包括:多变量经验正交函数(MV-EOF)分析提取中国夏季气候主导模态;广义极值(GEV)分布拟合评估极端温度(TXx)和降水(Rx1day)的统计特征;异常相关系数(ACC)和百分位排名等统计指标用于评估模式技巧。研究样本来源为上述公开观测数据集,模拟为CAS-DASys的50成员集合。
**研究结果**
*3.1 气候态、年际变率与长期趋势*
通过对比50成员集合平均(MME)与观测,发现GAMIL3.0在再现1961–2020年全球陆地年平均气温和降水气候态方面具有高技巧,温度的空间相关(PCC)达0.99,均方根误差(RMSE)为2.34°C;降水PCC为0.67,RMSE为2.69 mm/d,能捕捉山地和热带季风区的强降水特征,但在山地高估、南美和东亚降水低估等系统性偏差。时间序列分析显示,MME能很好地再现全球陆地平均气温年际变率(相关系数0.96),去趋势后异常相关系数(ACC)仍在大面积区域超过0.9,表明模式再现了温度内部变率的高水平能力。降水年际变率技巧较低,去趋势后显著相关区域减少。长期趋势方面,模式能再现气温的增暖格局,但存在半球不对称偏差:北半球模拟增暖趋势低估,南半球高估。降水趋势的空间格局被合理捕捉(如北半球高纬变湿、地中海和南非变干),但模拟趋势空间上更平滑、幅度更弱,观测趋势大多落在集合20–90百分位范围内,但北美东北部变湿和部分热带变干趋势超出集合范围。
*3.2 极值分析*
针对1979–2020年全球格点TXx和Rx1day,拟合GEV分布评估位置(μ)、尺度(σ)和形状(ξ)参数。对于TXx,模式能再现三个参数的大尺度空间格局(PCC分别为0.94、0.53、0.61),但形状参数系统性低估(更负),表明模拟的极端高温分布上尾过于有界,低估了最强事件的强度。对于Rx1day,模式对位置和尺度参数的再现技巧较好(PCC 0.69和0.65),但形状参数PCC仅0.30,且在全球范围系统性低估。在印度和东亚季风区,模式低估了尺度参数(变率不足),其他地区则高估。形状参数的系统性低估意味着模拟的极端降水分布尾部过于有界,低估了最强降水的概率和量级。
*3.3 中国夏季气候*
应用MV-EOF分析提取1961–2020年东亚夏季气候(200 hPa纬向风、850 hPa风、降水、地表气温)的前两个主导模态。MV-EOF1表现为副热带西风急流增强、西太平洋副热带高压加强西伸,对应长江流域降水正异常、华南负异常,温度与降水呈反位相。MV-EOF2表现为急流北移,雨带北移至华北东北,长江流域降水抑制。MME能捕捉这两个模态的时空演变,PC1和PC2的时序相关系数(TCC)分别为0.31和0.41,且观测PC基本落在50成员集合范围内。模拟PC的概率密度函数与观测匹配良好,但单成员的相关性分布很宽,表明东亚夏季风气候受内部变率主导,外强迫信号提供了基线可预测性。
**总结与讨论**
研究总结认为,CAS-DASys能稳健再现近地表气温的气候态、年际变率和长期趋势,为归因研究提供了坚实基础;降水模拟合理但存在区域偏差。极值分析揭示了GEV参数中位置和尺度参数模拟优于形状参数,形状参数的系统性低估导致对最强极端事件的概率和强度低估,这与模式水平分辨率(约2°)无法解析小尺度对流过程、参数化对流平滑效应以及缺乏高频海气耦合有关。讨论中强调,在应用CAS-DASys进行趋势归因时需注意半球不对称偏差:北半球可能因人为气溶胶强迫异质性和陆气耦合过程导致增暖低估,南半球因海洋主导且受指定SST约束可能高估。对于快速归因应用,研究者描述了标准工作流程:基于近实时观测定义事件,应用相同定义到ALL和NAT集合,通过比较分布计算概率比或强度差异,必要时进行偏差校正。总体而言,CAS-DASys因其计算效率、大集合设计和合理的平均气候与变率模拟,适合作为快速归因框架,但对极端尾部行为的偏差需谨慎解释,未来需通过提高分辨率和改进物理参数化来增强归因信心。
**研究结论**
研究结论指出,CAS-DASys提供了稳健且高效的检测与归因框架,其GAMIL3.0模式在再现全球气温气候态、变率和趋势方面表现出高技巧,降水模拟合理但存在区域偏差。极端值分析显示形状参数的系统性低估表明模式对最强极端事件的强度表征不足,这一偏差与模式分辨率和物理过程表示有关。中国夏季气候主导模态的模拟表明外强迫有一定贡献,但内部变率主导区域变化。该系统的计算效率和集合设计使其适用于快速归因,但需注意趋势和尾部行为的偏差,未来发展方向包括更高分辨率配置和改进参数化方案。