搜索
摘要：应用统计降尺度模型SDSM（StatisticalDownscalingModel），对GCM输出序列进行降尺度处理，生成长春市未来气候变化情景，并利用线性趋势、滑动平均、Mann-Kendall趋势分析等方法分析对2020s（2010－2039年）、2050s（2040－2069年）和2080s（2070－2099年）3个时期的气温和降水的变化特征进行了分析。模拟结果表明，验证期（1976－1990年）内，长春市月平均日最高气温的实测值和模拟值拟合的很好，SDSM模型能够较好的模拟生成长春市未来气候变化情景。与基准期相比，2020s，2050s和2080s最高气温平均分别上升1．67℃、3．44℃、5．65℃，最低气温平均分别上升1．07℃、2．68℃、4．69℃，平均日气温倾向率变化为0．63℃／10年；年降雨量也呈增加趋势，倾向率变化为11mm／10年；研究区未来气温和降雨量年内变化情况呈现不均匀性，春季降水量呈下降趋势，夏季降雨量呈现显著增加趋势，倾向率变化为12．7mm／10年，且相对于其他季节，夏季对全年降雨量的增加贡献最大，秋季降雨变化不显著，冬季增加趋势较平稳；与其他各季相比，气温在夏季的增幅最显著。分析成果为进一步研究未来气候变化情境下长春市水资源状况提供理论基础。关键词：气候变化；GCM；SDSM；长春中图分类号：TV124；P339文献标识码：A文章编号：1007-2284（2011）10-0047-04ClimateChangeTrendsofChangchunCityUsingStatisticalDownscalingMethodintheFuturezHAOHui1，zHANGJing-ren2Abstract：TheStatisticalDownscalingModel（SDSM）isusedtodownscaletheoutputsofGCMtogeneratefuclimatechangescenariosinChangchunCity．Andthecharacteristicsoffuclimatechangeareanalyzedbyusinglineartrends，movingaverageandMann-Kendalltrendanalysismethodsduringthe2020s（2010-2039），2050s（2040-2069），and2080s（2070-2099）．Theresultsshowthatitshowsagoodagreementbetweentheobservedandsimulatedmeandailymaximumandminimumtemperatures，dailyprecipitationforeverymonthoftheyear．TheSDSMmodelcanbettersimulatefuclimatechangescenariosintheresearcharea．Comparedwiththebaselinedataof1961-1990，themaximumtemperaturewouldincreasebyanaverageof1．67℃，3．44℃，5．65℃in2020s，2050sand2080s，respectively，andtheminimumtemperatureincreasesbyanaverageof1．07℃，2．68℃，4．69℃．Andclimatetrendrateis0．63℃／10a．Yearlyrainfallalsoshowssignificantlyincreasingtrendandclimatetrendratereaches11mm／10a．Themonthlychangesoftemperatureandprecipitationshowheterogeneityinthefu．Theprecipitationinspringshowsdecliningtrend，whileitshowsanincreasingtrendinsummer，theclimatetrendratereaches12．7mm／10a．Andcomparedtootherseasons，summercontributestothemaximumincreaseintheannualrainfall．Precipitationdoesnotchangesignificantlyinautumn，andpresentsasteadilyincreasingtrendinwinter．Themeantemperatureshowsasignificantlyincreasingtrendinthefu，especiallyinsummer．TheresultsserveasascientificreferencetofurtherinvestigatetheimpactoftheclimatechangeonwaterresourcesinChangchunCity．Keywords：climatechange；GCM；SDSM；ChangchunCity目前，全球气候变化已引起了全世界各国政府和国内外学者的广泛关注。全球气候变暖将导致水循环发生变化，引起水资源在时空上的重新分配，导致干旱、洪涝等极端气候事件的增加，同时也会对物质的迁移、转化和平衡关系产生重要影响，从而对水资源利用和管理，对社会经济与可持续发展产生重要影响[2]。大气环流模型（GCMs）可以很好的预测未来全球气候的变化趋势，是目前最重要也是最可行的方法[2]。但是鉴于GCM输出的空间分辨率较低、缺少区域气候信息，很难对区域气候情景做详细的预测[3]。因此，需要用降尺度的方法弥补GCM对区域气候预测的不足。常用的降尺度方法有[4]：Delta方法、统计降尺度法、主分量分析与逐步回归相结合、动力降尺度法，其中统计降尺度方法以其节省机时、参数相对较少、更容易与水文模型结合等特点被广泛应用[5-7]。我国东北地区地处中高纬度及欧亚大陆东端，受全球气候变暖影响明显，并且属于中度缺水地区，随着近些年来社会和经济的发展，水资源供需矛盾日益突出，严重制约社会经济的发展和人民生活水平的提高，因此有必要研究未来气候变化对东北地区水资源量的影响。长春市作为吉林省的省会，目前人均水资源占有量已降至不足全省人均水平的1／4，用水总量已接近水资源总量，水资源供需矛盾突出、水质恶化严重。因此，本文选择长春市作为研究区域，应用统计降尺度模型SDSM，建立大气环流因子与气候要素数据序列之间的统计关系，将GCM输出的未来气候情景降尺度到气象站点，生成各站点未来气候要素序列，分析长春市未来日最高和最低气温、日降雨量的长期变化趋势，为进一步研究未来气候变化情境下长春市水资源状况提供基础。1研究区概况与研究方法1．1研究区概况长春市位于吉林省中部，地理位置介于北纬43°05′－45°15′，东经124°18′－127°02′之间，主要地貌类型有低山丘陵、台地平原、冲积平原和火山锥体。是吉林省的政治、经济、文化、交通、信息中心，我国的工业生产基地和重点汽车生产基地，科研和重点商品粮基地。长春市属大陆性季风气候区，气温自东向西递增降水自东向西递减。春季干燥多风，夏季湿热多雨，秋季天高气爽，冬季寒冷漫长，具有四季分明，雨热同季，干湿适中的气候特征。长春市年平均气温4．8℃，最高温度39．5℃，最低温度-39．8℃，日照时间2688h。夏季，东南风盛行，也有渤海补充的湿气过境。年平均降水量522～615mm，夏季降水量占全年降水量的60％以上；最热月（7月）平均气温23℃。随着城市和工业化的发展，城市人口大量增加，农业耕地面积逐渐减少，使城市气候甚至全球气候在一定程度上发生改变，致使长春市水资源缺乏、水环境恶化现象日益严重，已经成为制约长春市社会经济和生态与环境的发展的瓶颈。1．2数据来源本研究用到的数据主要包括：气象站点实测数据、NCEP再分析资料数据以及GCM（HadCM3）输出数据。（1）气象站点实测数据。1961－1990年共40年的日降雨、日最高和最低气温数据序列，获得于中国气象科学数据共享服网。（2）NCEP再分析数据。数据为1961－1990年逐日数据序列，共有26个大气环流因子。NCEP网格大小为1．875°×1．875°，为了与HadCM3数据格式统一，将NCEP网格数据转换成2．50°×3．75°。（3）GCM数据。英国气象局HadleyCenter大气耦合模式（HadCM3）输出的1961－2099年A2（高温室气体排放情景）气候情景下的逐日数据序列，网格大小为2．50°×3．75°，选用的预报因子与NCEP相同。1．3研究方法本文应用统计降尺度模型SDSM[8]，建立大气环流因子与长春市气象站点日最高和最低气温、日降雨量数据序列之间的统计关系，将GCM输出的未来气候情景降尺度到气象站点，生成站点未来气温序列，分析长春市未来（2010－2099年）气候变化趋势。首先，以站点实测的日最高气温、日最低气温和日降雨量为预报量，根据预报量与NCEP的26个因子之间的相关分析和散点图的拟合效果，选择每个预报量合适的预报因子。然后利用1961－1975年的实测站点数据（预报量）及确定的NCEP预报因子序列，建立预报量与预报因子间的统计关系，建立研究区SDSM模型，并利用1976－1990年的逐日数据验证SDSM模型。最后，将HadCM3输出数据（1961－2099年）输入到SDSM模型，生成A2情景下各站点的未来气候要素（最高和最低气温、降水量）的日序列，并利用线性趋势、滑动平均、Mann－Kendall趋势分析等方法分析2020s（2010－2039年）、2050s（2040－2069年）和2080s（2070－2099年）三个时期的气温和降水变化特征。2未来气候变化情景的生成2．1预报量与预报因子的选择确定大气环流因子与预报量之间的统计关系是统计降尺度方法的核心。遵循预报因子选择的4个标准[9]，选取站点1961－1990年实测逐日降水量、最高和最低气温作为预报量，应用SDSM程序中的“筛选变量”和偏相关分析，结合NCEP再分析资料，筛选出合适的统计降尺度预报因子变量，如表1所示。表1预报因子的筛选结果Tab．1Large-scaleclimatepredictorsforcomputingsurfacemeteorologicalvariableswithSDSMmodel2．2统计降尺度模型的建立利用1961－1990年的站点数据和筛选出的预报因子变量，应用多元统线性回归法分别建立预报因子与气象站日降雨和气温之间的统计关系，将站点数据和NCEP再分析数据196l－1990年的序列分成1961－1975年与1976－1990年两个时段，分别用于模型率定和验证。选用解释方差、标准误差、相对误差说明模型的模拟性能，如表2所示。表2模型率定和验证结果统计值Tab．2Thestatisticsincalibrationandthevalidationperiod图1验证期（1976－1990年）长春市月平均日最高和最低气温、降雨量实测值与模拟值的比较Fig．1Comparisonbetweenmonthlyaverageprecipitation，maximumandminimumairtemperatureinstudyareaduringvalidation（1976－1990）结果表明，验证期（1976－1990年）内，长春市月平均日最高气温的实测值和模拟值拟合的很好，说明经过率定和验证过的模型可以用来预测研究区未来气候变化情况。2．3生成未来气候变化情景根据建立的SDSM模型，将HadCM3数据输入模型，生成A2情景下长春市各个气象站点的未来气候要素（逐日最高和最低气温、降雨量）序列。将生成的流域平均未来气候要素序列分成2020s（2010－2039年）、