青藏高原未来气候变化预估的不确定性来源及其降低途径.pdf

青藏高原未来气候变化预估的不确定性来源及其降低途径*郭悦张文青刘浏周雪婷（中国农业大学水利与土木工程学院，中国农业大学中国农业水问题研究中心，北京）摘要在全球变暖加剧的背景下，准确预估未来时期气候变化至关重要.本文基于最新发布的 CMIP6（coupledmodelintercomparisonproject6）中的 15 个全球气候模式（globalclimatemodels，GCMs），在未来 4 种共享社会经济路径和典型浓度路径组合情景下，量化青藏高原地区气温和降水预估的不确定性.然后使用 DT（dailytranslation）方法，对CMIP6 模式输出数据进行偏差校正.通过对比 DT 方法前后不确定性的大小，讨论偏差校正方法在降低气温和降水预估不确定性方面的潜力.结果显示：DT 方法校正结果与实测值更为接近；对于气候预估不确定性，从长期来看模式不确定性占据主导地位，而情景不确定性和内部变异性的贡献相对较低；DT 方法对于降低降水预估不确定性的效果较好，其中模式不确定性降低最多，对情景不确定性的大小影响不大，但影响了不确定性的相对贡献大小.综合来看，利用 DT 方法进行偏差校正能在一定程度上降低预估不确定性.研究结果可为揭示气候变化对高寒区水循环的影响机制提供科学依据.关键词气候变化；气温；降水；偏差校正；不确定性；青藏高原中图分类号P339DOI：10.12202/j.0476-0301.20231330引言近百年来，全球气候正在经历以升温为主的显著变化，气候变暖已成为全球关注的焦点问题1.IPCC第六次评估报告显示：相比于 18501900 年，20012020 年这 20 年平均全球地表气温升高了 0.99，而20112020 年这 10 年平均全球地表气温已经上升约1.09；过去 40 年，每 10 年的全球地表气温都相继比此前的任何一个 10 年更高，几乎全球所有地区都经历了升温过程2.从物理角度看：Trenberth3研究显示气候变化将改变全球水文循环的现状，这是因为地表气温升高可能引起蒸发过程加剧；大气持水能力增强，水量也增加，根据水量平衡，降水也可能增加，易产生洪涝灾害.然而，由于我们对气候过程的了解尚不完全，预估过程存在很大不确定性4.因此，厘清与量化不确定性来源，对提高未来气候变化预估精度和制定气候变化适应性对策具有重要的理论意义与实际价值.全球气候模式（globalclimatemodels，GCMs）是目前研究气候变化最可靠的手段之一，也是现阶段重现过去气候特征并预估未来气候变化的重要途径5.许多研究对青藏高原的未来气候进行了预估：Nahar 等6研究结果表明，由于对气候系统的了解与表征不完全，加上计算机资源的有限性，这种预估本身即存在很大不确定性；Zhou 等7研究表明，在气候模拟过程中，初始条件、边界条件、情景设定、观测数据、模型参数和结构均会导致最终结果出现一定程度的不确定性，尤其是在区域尺度上，不确定性更为突出；Hawkins 等8提出了这种不确定性的 3 个主要来源，即模式不确定性、情景不确定性和内部变异性.过去几年中，很多的研究都集中在不确定性的分解与量化 方 法 上，这 些 研 究 大 都 以 方 差 分 析（analysisofvariance，ANOVA）为数学基础911，它将总方差划分为不同的变异贡献分量，从而可以量化每个分量的方差对总方差的贡献比例.ANOVA 的优势在于它不仅可以解释主要的单一因素，还可以解释因素之间的相互作用12.蒋腾聪13通过 3 种不确定性分析的方法（考虑不同来源交互的 ANOVA、不考虑不同来源交互的 ANOVA 和极差法），全面评估气候变化下黄土高原冬小麦产量和 WUE 对气候变化响应模型模拟研*国家自然科学基金资助项目（52079138，51961145104）通信作者：刘浏（1986），男，教授.研究方向：水文学及水资源.E-mail：收稿日期：2023-07-102024-02北京师范大学学报（自然科学版）60（1）JournalofBeijingNormalUniversity（NaturalScience）87究的不确定性；Wang 等14还利用 ANOVA 法研究产量对气候变化响应的不确定性来源，量化 GCMs、作物模型、气候情景 3 种不同不确定性来源的交互作用.随着气候模拟的飞速发展，已经开发出越来越多的 GCMs 模式与情景，正在进行的 CMIP6 包含 80 多个 GCMs1516，在选择 GCMs 的过程中不确定性也随之增大，目前多采取多模式集合（multimodelensem-bles，MMEs）的思路，保留与 GCMs 选择相关的气候变化信号的不确定性17.Risnen 等18研究表明，利用多模式模拟结果进行加权集合，能够有效降低预估结果的不确定性.由于 GCMs 分辨率较低，如果需要输出数据与中小尺度的研究区域相匹配，得到高分辨率并可应用于区域尺度的气象数据，往往需要进行降尺度与偏差校正处理.目前常用的降尺度方法有动力降尺度、统计降尺度、动力和统计降尺度相结合的方法19.与动力降尺度相比，统计降尺度具有精度高、计算量小、操作简单的优点，因此也得到了更广泛的应用2021.Maraun 等22在总结前人研究成果的基础上，将统计降尺度方法进一步划分为理想预报（perfectprognosis，PP）、模型输出统计（modeloutputstatistics，MOS）和随机天气发生器（stochasticweathergenerator，SWG）3 种方法.其中 MOS 法应用方面较广，可根据其算法原理分为基于均值和基于数学分布校正 2 种类型23.MOS 法不仅可以在模拟气候变量与观测变量空间尺度不同时起到降尺度的作用，也可以运用于对 GCMs模式进行偏差校正.Shin 等24将这种 MOS 模拟技术与滑动窗口技术进行比较，将首尔市区的气温预报从 1.5km 分辨率缩小到 25m 分辨率，指出 MOS 法解决了滑动窗口技术的局限性，适用于城市尺度的气象研究和潜在的其他领域.本研究所采取的 DT（dailytranslation）方法，也是基于分位数映射的一种偏差校正方法.量化 GCMs 的不确定性对其模拟精度的提高具有重要的指导意义.然而目前尚不清楚 GCMs 不确定性来源与占比是否随着模式的发展而发生变化，以及偏差校正方法对 GCMs 不确定性来源及占比的影响程度如何.因此，本文聚焦“亚洲水塔”青藏高原，基于最新发布的 CMIP6 中的 15 个 GCMs 模式，结合CMFD 实测数据，对 CMIP6 模式进行偏差校正，采用Hawkins 等8提出的不确定性量化方法，从模式不确定性、情景不确定性和内部变异性 3 个来源对平均气温和降水预估结果的不确定性进行量化，同时对比分析偏差校正前后对 GCMs 输出结果的不确定性来源及占比的影响程度.研究结果有助于更好地理解GCMs 的模拟与预估特征，同时也为决策者提供更准确的信息，以应对气候变化制定适应措施.1数据与方法1.1研究区概况青藏高原作为世界上海拔最高的高原，素有“世界屋脊”之称，其地理位置为 2640N，73105E，总面积约 250 万 km2.由于其独特的地理位置及陆地特征，青藏高原形成了极其复杂的气候类型，具有强辐射、低气压、寒冷干燥等气候特征，并且具有明显的垂直分异规律，高山冰雪寒冬带、山地亚热带及低山河谷热带呈现出过渡性变化25.由于地形差异，高原自东南到西北呈现出温暖湿润到寒冷干旱的变化.在气温方面，高原北部是北半球同纬度气温最低的地区，年平均气温为8C 左右，高原中部年平均气温也0C26；在降水方面，青藏高原呈现出由东南到西北递减的趋势，这是由于东南地区受亚洲季风系统影响，降水较多，而西北地区地势高耸，主要受西风带控制，因此降水稀少27.降水的季节分布不均，夏季多，冬季少，春秋降雨也大部分分布在青藏高原南部地势较低地区20.在青藏高原地区的气候预估中，与实测数据相比，大多数气候模式低估了青藏高原的地表平均温度，冬季冷偏差较大7，因此偏差校正对数据准确性具有重要作用.青藏高原地区气候预估的不确定性划分与大小一直以来是研究的重点，但偏差校正对不确定性的影响研究较少.因此，在全球气候变暖的背景下，探究偏差校正对预估不确定性的影响，有利于对青藏高原气候变化进行合理预估.这对保障我国水资源安全、生态环境保护以及农业生产等方面具有重要的理论和现实意义.1.2数据来源1.2.1中国区域地面气象要素本研究选取中国区域地面气象要素驱动数据集（Chinameteorologicalforcingdataset，CMFD）提供的日尺度降水与平均气温数据作为实测数据（http:/ 19792018 年.CMFD 时间范围覆盖长，空间分辨率高，是研究中国地表过程的第一个高时空分辨率气象要素驱动数据集，应用广泛28.有研究表明29，在青藏高原地区，CMFD 与气象台站实测降水数据的吻合度较高，并且在捕捉极端降水与气温的空间特征方面具有优越性.考虑到青藏高原站点稀少且分布不均，因此选用 CMFD 作为青藏高原的实测数据.88北京师范大学学报（自然科学版）第 60 卷1.2.2GCMs 数 据 本 研 究 选 取 CMIP6（https:/esgf-node.llnl.gov/search/cmip6/）情景模式比较计划（ScenarioModelIntercomparisonProject，ScenarioMIP）中的 15 个GCMs 的日尺度降水、平均气温数据，模式详细信息如表 1 所示.为统一空间分辨率，使用双线性插值法将其重采样为 11.本文使用的未来预估数据为上述 15 个 GCMs 在 4 种情景下 20202100 年的日尺度数据.4 种未来情景是共享社会经济路径和典型浓度路径组合情景的矩形组合，可为未来气候预估情景提供关键数据支持.详细信息见表 2.综合 CMFD 和GCMs 数据的时间范围，本文将 19792014 年作为历史时期，20202100 年为未来时期.偏差校正工作选取 19792014 年作为基准期，19952014 年作为验证期.表1CMIP6 模式具体信息编号模式名称所属机构及国家分辨率1ACCESS-CM2CommonwealthScientificandIndustrialResearchOrganization，Australia1.2501.6752CanESM5CanadianCentreforClimateModellingandAnalysis，Canada2.76732.81253CESM2-WACCMNationalCenterforAtmosphericResearch，ClimateandGlobalDynamicsLaboratory，USA0.94241.25004CMCC-CM2-SR5FondazioneCentroEuroMediterraneosuiCambiamentiClimatici，Italy0.94241.25005GFDL-ESM4GeophysicalFluidDynamicsLaboratory，Princeton，USA1.001.256INM-CM4-8InstituteforNumericalMathematics，RussianAcademyofScience，Russia1.52.07IPSL-CM6A-LRInstitutePierreSimonLaplace，FranceNationalInstituteofMeteorological1.26762.50008KACE-1-0-GSciences/KoreaMeteorologicalAdministration，RepublicofKorea1.2501.8759MIROC6AgencyforMarineEarthScienceandTechnology，AtmosphereandOceanResearchInstitute，andNationalInstituteforEnvironmentalStudies，Ibaraki，Japan1.3891.40610MPI-ESM1-2-HRMaxPlanckInstituteforMeteorology，Germany1.8651.87511MPI-ESM1-2-LRMaxPlanckInstituteforMeteorology，Germany1.8651.87512MRI-ESM2-0MeteorologicalResearchInstitute，Tsukuba，Japan1.1241.12513NESM3NanjingUniversityofInformationScienceandTechnology，China1.8651.87514NorESM2-LMNorwegianClimateCentre，Norway1.8952.50015NorESM2-MMNorwegianClimateCentre，Norway0.9421.250表2未来情景变化具体信息编号组合形式具体含义SSP126SSP1（低强迫情景）+RCP2.6到2100年，辐射强迫水平为2.6Wm2的绿色发展路径SSP245SSP2（中强迫情景）+RCP4.5到2100年，辐射强迫水平为4.5Wm2的中等发展路径SSP370SSP3（中高强迫情景）+RCP7.0到2100年，辐射强迫水平为7.0Wm2的中高等发展路径SSP585SSP5（高强迫情景）+RCP8.5到2100年，辐射强迫水平为8.5Wm2的高等发展路径2研究方法2.1偏差校正与验证方法由于 GCMs 分辨率较低，若将 GCMs 输出数据直接应用于区域尺度，可能会产生较大偏差，因此在此过程中应先将 GCMs 数据与实测数据进行偏差校正.本研究偏差校正采取 DT 方法，这种方法在气候变化预估中应用广泛.Chen 等30利用 DT 方法，对北美 2 个气候条件不同的地区的降雨与气温进行了偏差校正，结果表明 DT 方法相比于局部强度放缩法更可靠且计算量更小.DT 方法的原理是分位数映射，首先将历史时期的实测日降水（或平均气温）数据和模拟日数据进行排序，再根据百分位数进行划分；然后在划分的各段中建立实测与模拟数据之间关系，从而运用式（1）、（2）计算出校正因子；最后将校正因子相乘（或相加）到相应的未来模拟数据系列中，完成对模式原始输出结果的偏差校正.具体公式为Tf,dt=Tf,g+(ToTg)，（1）Pf,dt=Pf,g(PoPg)，（2）第 1 期郭悦等：青藏高原未来气候变化预估的不确定性来源及其降低途径89式中：T 和 P 分别代表平均气温和降水变量；下角标f、dt 和 f、g 分别代表未来时期经过校正的数据和模式原始输出数据；下角标 o 和 g 分别代表基准期的实测数据和模式原始输出数据；偏差校正工作选取 19792014 年作为基准期，19952014 年作为验证期；偏差校正过程逐月进行，式中括号部分称为校正因子.本研究在偏差校正方法的验证过程中，采用相对偏差（Ibias）、皮尔逊相关系数（C）和归一化均方根误差（Enr）3 个评价指标进行对比分析.C 用来表示预估值与实测值之间的线性相关程度，值越接近 1，说明与实测值之间相关程度越高.统计指标计算公式为Ibias-pr=(yo)o100%，（3）Ibias-tas=yo，（4）Ibias-prIbias-tas式中：代表降水变量在月尺度上的相对偏差；代表平均气温变量在月尺度上的相对偏差；y 和 o 分别代表模式输出数据与实测数据.C=Mm=1(ym y)(om o)Mm=1(ym y)2Mm=1(om o)21/2，（5）y o式中：ym和 om分别代表第 m 个网格点的模式输出数据和观测数据；和 分别代表模式输出和实测数据在研究区域所有网格的平均值；M 为研究区域内网格的总数.Enr=vuuuuutMm(omym)2M/vuuuuutMm(om om)2M1，（6）om式中：ym和 om分别代表第 m 个网格点的模式输出数据和观测数据；代表实测数据在研究区域所有网格的平均值；M 为研究区域内网格的总数.2.2不确定性量化方法气温和降水预估不确定性的分解遵循 Hawkins 和 Sutton 开发的方法.气候预估中的不确定性分为 3 个来源：内部变异性（V）、模式不确定性（p）和情景不确定性（S）.在不确定性分解之前，先对每个模式下的相对变化率进行移动平均以削减年际变化.每个 GCM 在 19792100 年每个情景下的模拟都使用具有四阶多项式的普通最小二乘法进行拟合.对于 GCMs 预估输出的结果，每个模式 m、场景s 和年份 t 的原始拟合，表示为Xm,s,t=xm,s,t+im,s+m,s,t，（7）式中：im，s为基线期的多年平均气温或降水量；四阶拟合用 xm，s，t表示；m，s，t为拟合方程的残差.某情景的模式不确定性定义为该情景下不同模式之间的方差p=1Nssvarm(xm,s,t)，（8）情景不确定性定义为几种情景下多模式平均值的方差S=vars1Nmmxm,s,t，（9）每个模式的内部变异性是拟合残差的方差V=1Nmmvars,t(m,s,t)，（10）式中：Ns为情景的数量，var 表示模式 m 在所有场景和时间 s、t 中的方差，Nm为模型的数量.假设不同不确定性来源之间没有相互作用，总不确定性等于来自 3 个来源的不确定性之和9，即Z=p+S+V（11）所有 GCM 的平均预估计算为多场景和多模式平均值G=1Ns1Nmm,sxm,s,t（12）将变量的相对不确定性定义为预估不确定性除以所有预估的平均值.该指标可以在一定程度上消除区域差异.例如，我们假设赤道和极地地区的气温预估具有相同的不确定性大小，但 2 个区域之间平均气温的差异导致相对不确定性的巨大差异.90%置信水平下的分数不确定性（fractionaluncertainty，F）定义为F=1.65TG，（13）式中 1.65 是正态分布的 90%置信区间的特征.此处的所有模型权重相等.方差比例是每个不确定性源相对于总不确定性的比例即每个不确定性源的相对贡献，即 p/T、S/T、V/T.3结果与讨论3.1偏差校正验证本研究中使用 DT 方法进行偏差校正，为验证偏差校正效果，对降水和气温采取了不同的评价指标，验证时期为 19952014 年.对于降90北京师范大学学报（自然科学版）第 60 卷水采用降水频率（FREQ）、降水强度（INT）、90%分位数（Q90）等 3 个指标；对于气温采用 Q90、10%分位数（Q10）2 个指标进行评价.3.1.1降水青藏高原年降水量的原始模拟结果（GCMs）与偏差校正后的结果（DT 方法）对比如表 3 所示.从BIAS 角度看，DT 方法可以有效减小大部分月份 FREQ、INT、Q90 等指标的正偏差，但对夏季数据校正效用偏小（如 FREQ 的 79 月）.从表 3 中可以看出，使用DT 方法后的 C 几乎都超过了 0.95，相比于原始模式输出提高了 0.50 左右.Enr用来评价模拟效果，Enr越小表3验证期模式输出和偏差校正降水量各统计指标评价结果月份Ibias（FREQ）/%Ibias（INT）/%Ibias（Q90）/%GCMsDT方法GCMsDT方法GCMsDT方法1409.6618.441229.0540.66397.7725.482408.1420.4428.853.34366.4431.023416.4514.8531.630.69353.2214.554344.2013.3134.490.55394.8311.95572.4917.3513.437.59105.3918.36622.158.787.404.8231.7011.12710.036.341.507.025.9711.77816.911.324.393.784.491.61922.5811.486.582.0113.0211.2310171.5718.5215.040.29200.5316.9011342.5620.6952.647.56755.6822.6212519.974.82613.2444.68713.2213.37月份C（FREQ）C（INT）C（Q90）GCMsDT方法GCMsDT方法GCMsDT方法10.430.960.420.960.480.9820.520.970.650.980.600.9930.370.980.560.970.640.9940.290.990.480.960.600.9950.510.980.670.960.710.9860.620.970.660.960.680.9670.430.930.680.960.680.9680.530.920.680.960.700.9790.720.940.720.950.760.97100.630.990.670.950.720.98110.430.980.580.930.560.98120.360.910.530.900.270.91月份Enr（FREQ）Enr（INT）Enr（Q90）GCMsDT方法GCMsDT方法GCMsDT方法10.210.010.010.020.460.0420.190.030.030.010.260.0630.080.020.030.010.060.0340.060.010.030.010.060.0150.120.010.070.070.010.0560.070.010.070.020.040.0270.040.010.320.010.280.0380.040.010.160.010.150.0190.040.000.020.040.030.01100.010.020.020.150.030.04110.140.010.090.010.190.01120.220.020.020.060.510.06第 1 期郭悦等：青藏高原未来气候变化预估的不确定性来源及其降低途径91则表示拟合效果越好.从 Enr角度看，原始模式输出数据经过 DT 后，数据范围降低到了 0.01 左右，表明DT 后模拟数据与观测数据更为一致.19792100 年 CMIP6 偏差校正前降水量年际变化特征如图 1 所示，偏差校正后降水量年际变化特征如图 2 所示.在 4 种情景下，经 DT 后的年降水量明显减小，与 CMFD 实测数据更为一致.DT 后的数据减小，表明 DT 可有效解决原始 GCMs 的高估问题.此外，随时间推移，年降水量的不确定性逐渐增大，原始模式输出中变化幅度最大的是 SSP585 情景下 219mm，DT 后变化幅度减小为 170mm；模式集合平均结果在不同情景下差异较小，分布较为集中，均值均为 9501500mm（原始模式输出）与 480580mm（DT 之后）.DT 之后的年降水量在预估前期均值线重合度较高，后期差异逐渐变大.19804006008001 000降水量/mm1 2001 40020002020年份2040206020802100历史时期CMFDSSP126SSP245SSP370SSP585图1偏差校正前不同情景下年降水量变化1980400200600降水量/mm80020002020年份2040206020802100历史时期CMFDSSP126SSP245SSP370SSP585图2偏差校正后不同情景下年降水量变化3.1.2平均气温青藏高原年平均气温的原始模拟结果（GCMs）与偏差校正后的结果（DT）对比如表 4所示.在气温预估中，DT 方法可以有效减小Q90 指标19 月的偏差，但对 1012 月校正效果不好；Q10 指标反映出校正效果好于 Q90，有的月份校正后接近 0.从 C 角度看，DT 方法对气温校正效果较好，几乎所有表4验证期模式输出和偏差校正平均气温各统计指标评价结果月份Ibias（Q90）/%Ibias（Q10）/%GCMsDT方法GCMsDT方法112.020.80163.82146.0029.284.46190.760.63310.610.6231.560.05425.0112.0194.306.0854.067.5221.580.51616.342.9866.8420.5579.130.6233.634.8484.150.359.614.7795.903.5974.8322.021013.9215.3640.940.76115.6530.27125.4613.52127.797.4611.683.96月份C（Q90）C（Q10）GCMsDT方法GCMsDT方法10.74260.99720.83460.996720.77360.99750.82560.994730.79100.99810.80280.997440.80900.99790.78590.997150.80410.99710.79980.997960.79030.99830.80710.996170.80210.99720.78000.992380.80620.99730.77930.996190.77200.99730.77500.9940100.77550.99750.80420.9967110.76950.99640.79440.9953120.70290.99620.80490.9962月份Enr（Q90）Enr（Q10）GCMsDT方法GCMsDT方法10.03870.00320.03600.000120.02930.00360.04120.001130.02980.00290.05500.001440.03550.00230.06040.005750.03660.00460.06650.002660.04880.00350.06040.000570.05640.00150.07500.001580.05860.00100.07640.004090.06160.00210.07010.0026100.05050.00200.04960.0019110.04080.00050.04290.0002120.03930.00110.03980.002892北京师范大学学报（自然科学版）第 60 卷月份校正后 C 都接近于 1.Enr也反映出这一点，原始模式输出数据经过 DT 后的数据范围降低到了 0.001左右，降低量级明显，说明校正效果良好，DT 方法对于气温模式校正具有较高的可靠度.19792100 年，CMIP6 原始模式输出以及偏差校正之后的年平均气温如图 3 和图 4 所示.经 DT 后，气温均值普遍升高，并且误差带变窄，数据波动明显减小，与 CMFD 实测数据更为一致.DT 后的气温升高，表明 DT 方法可有效解决原始 GCMs 的低估问题.此外，随时间推移，年平均气温的不确定性逐渐增大，原始模式输出中变化幅度最大是 SSP585 情景下 2.36C，DT 后变化幅度减小为 1.59C.DT 之后的年平均气温在预估前期均值线重合较高，后期差异逐渐变大.198040224平均气温/6820002020年份2040206020802100历史时期CMFDSSP126SSP245SSP370SSP585图3偏差校正前不同情景下年平均气温变化198040224平均气温/6820002020年份2040206020802100历史时期CMFDSSP126SSP245SSP370SSP585图4偏差校正后不同情景下年平均气温变化3.2未来情景变化预估3.2.1未来降水青藏高原近期（20302039 年）、中期（20602069 年）、远期（20902099 年）年降水量的数据分布情况如图 5 所示，使用指标为中位数、均值、四分位数以及四分位距（IQR）.如图 5 所示，模式集合结果表明，21 世纪年降水量具有增加的趋势.此外，在预估近期，在各情景下降水变化没有明显大小差异，即降水量对情景变化不敏感.这与 Xu 等31利用 CMIP5 模式对青藏高原地区未来降水变化作出的预估一致.即直到预估远期，不同情景之间的差异增大，说明情景变化对降水量有明显的影响.DT 前后未来预测不同时期不同情景下的年降水量变化范围如表 5 所示.由表 5 可知，原始输出的年降水变化范围较大且降水量偏高，年际变化波动微弱，并且不同情景水平下差异不显著.以远期 SSP126为 例，DT 前 的 降 水 量 变 化 范 围 为 7381365mm.SSP245、SSP370、SSP585 的年降水量基本都为 7001400mm.经过 DT 之后的年降水量数据，变化范围减小且降水量相比于原始模式输出数据减小，降水量随情景水平的增大变化范围也逐渐增大.同以远期SSP126 为例，DT 后年平均降水量的范围为395572mm，DT 前后范围差值从 700mm 减小到近 200mm.DT 后年降水量也存在明显差异.SSP126 的近期中期远期的降水量均值为 419、445、456mm；SSP585 则差异更加明显，近期、中期、远期的降水量均值分别为 425、481、552mm.这一点在图 5 也有验证.3.2.2未来气温预估近期、中期、远期的青藏高原平均气温的分布情况如图 6 所示.平均气温的四分位距较小，说明数据分布波动小，相比于降水量数据更20302039400410420430440450460470480降水量/mm490500510520530540550560570SSP126SSP245SSP370SSP5851.5IQR 范围中位线均值异常值20602069年份20902099图5未来不同情景不同时期的年降水量变化表5DT 前后未来不同时期不同情景的年降水量变化范围年份SSPDT前年降水量/mmDT后年降水量/mm203020391266841218376474245673123636568437069112033686705856961242354589206020691267281361387534245738129940267837073812953917415857421351394704209020991267381365395572245765138840166437081413964098605858601568449862第 1 期郭悦等：青藏高原未来气候变化预估的不确定性来源及其降低途径93稳定.并且在每个情景下，分布偏态性较小.与降水预估类似，在预估近期平均气温对情景变化不敏感，直到预估远期，不同情景之间的差异才逐渐增大.DT 前后未来预测不同时期不同情景下的年平均气温变化范围如表 6 所示.由表 6 可知，原始输出的年平均气温变化范围较大且不同时期变化不明显.以近期 SSP126 为例，DT 前年平均气温的变化范围是6.363.18C.各种情景下预测年平均气温差异不显著，均为64C.经过 DT 之后变化范围减小，年际气温变化也存在明显差异.同以近期 SSP126 为例，DT后年平均气温的变化为0.161.42C.并且由图 6 可知，不同时期年平均气温均值也有明显变化.表6DT 前后未来不同时期不同情景的年平均气温变化范围年份SSPDT前年平均气温/CDT后年平均气温/C203020391266.363.180.161.422456.573.080.092.553706.393.350.143.155856.623.560.153.39206020691265.813.480.233.152455.124.250.993.903704.554.541.285.635853.525.381.825.89209020991266.273.610.216.182453.894.741.344.503701.646.401.727.735850.537.983.159.353.3不确定性的量化与降低3.3.1DT 前后气候预估不确定性DT 前后平均气温与降水预估的不确定性分解如图 7 所示.由图 7-a可见，降水预估总不确定性持续降低（从 4.57 降到1.52），情景不确定性在 2070 年后增加，内部变异性从 2.81 降低到 0.12.图 7-b 为平均气温预估的不确定性，模式不确定性是不确定性的最大来源，平均占比约 0.83.在预估初期，内部变异性是第 2 大不确定性来源，约占 0.27.直到 2040 年前后，情景不确定性超过内部变异性，到 2080 年左右情景不确定性超过模式不确定性.总不确定性先增大后减小，在 2050 年前后达到最小，不确定性值为 0.66.与气温预估不同的是，降水在预估初期内部变异性是不确定性的主要来源，且降水不确定性数值普遍偏大，这可能与降水影响因素多变有关32.此外，在降水预估中，情景不确定性在预估远期没有超过模式不确定性.偏差校正后降水预估与原始输出区别较大，如图 7-c 所示，降水预估总不确定性随时间推移，从3.78 降低到 1.06，模式不确定性、内部变异性也不断降低（2.70 降到 0.51；2.49 降到 0.26），情景不确定性先减少后增大，在预估远期超过了模式不确定性（0.92）.如图 7-d 所示，偏差校正后平均气温不确定性变化趋势与校正之前变化不大，变化趋势仍为总不确定性先减小后增大，模式不确定性从 0.85 降到 0.60；内部变异性从 0.36 降到 0.07，呈现出持续下降的趋势，情景不确定性从 0.11 上升到 0.76，增加幅度较大.与偏差校正之前不同的是总不确定性最小值出现时间延后到了 2060 年左右，并且情景不确定性上升速度变快.3.3.2DT 前后气候预估不确定性方差比例方差比例量化各不确定性对总不确定性的贡献，如图 8 所示.偏差校正之前随时间推移，CMIP6 对气温的预估中（如图 8-b），情景不确定性贡献逐渐增大（从 5%增到 66.5%），而内部变异性从 16.4%到 21 世纪末减小为 0.1%.平均气温模式不确定性在 2040 年之前存在上升趋势，随后开始逐渐减小.降水模式不确定性相比气温，爬升较缓慢，直到 2070 年左右才出现下降（图 8-a）.综合而言，在 21 世纪初，内部变异性对降水预估不确定性（53.9%）的贡献大于对气温预估不确定性（16.4%）的贡献，前者是后者的 3 倍多.但从长远来看，情景不确定性对青藏高原气温的贡献（66.5%）大于对降水的贡献（26.5%）.偏差校正后各不确定性的贡献如图 8-c、8-d 所示.DT 后的平均气温预估中，内部变异性随时间推移逐渐减小至忽略不计，情景不确定性占比逐渐增大至 57.6%.降水预估中，模式不确定性增大过程缓慢、持续时间长，内部变异性在预估过程中贡献较大.与偏差校正前不同的是，情景不确定性在初期占比增大，占 8%.从长远角度看，偏差校正之后的降水情景不确定性（66.5%）略大于气温预估情景不确定性（57.6%）.3.3.3DT 前后气候预估变化DT 前后降水预估不确定性大小的变化如图 9 所示.偏差校正对于降低降203020390.51.01.52.02.53.03.54.04.5平均气温/5.05.56.020602069年份20902099SSP126SSP245SSP370SSP5851.5IQR 范围中位线均值异常值图6未来不同情景不同时期的年平均气温变化94北京师范大学学报（自然科学版）第 60 卷水预估不确定性大小有着明显作用，其中，降低最多的是模式不确定性，分数不确定性值最大降低了 0.6.在降水预估中不确定性最大的是模式不确定性，但在偏差校正后，远期情景不确定性的贡献超过了模式不5a432降水预估不确定性10b平均气温预估不确定性104c32DT 后降水预估不确定性10202020402060年份总不确定性模式不确定性情景不确定性内部变异性20802100202020402060年份20802100dDT 后平均气温预估不确定性10图7DT 前后气候预估不确定性100a806040200100806040200降水预估不确定性方差比例/%b气温预估不确