引用本文
李东欢, 邹立维, 周天军. 全球1.5 ℃温升背景下中国极端事件变化的区域模式预估.地球科学进展, 2017, 32(4): 446-457
Li Donghuan, Zou Liwei, Zhou Tianjun. Changes of Extreme Indices over China in Response to 1.5 ℃ Global Warming Projected by a Regional Climate Model. Advances in Earth Science, 2017, 32(4): 446-457  
Doi:10.11867/j.issn.1001-8166.2017.04.0446
Permissions
Copyright©2017, 地球科学进展 编辑部
全球1.5 ℃温升背景下中国极端事件变化的区域模式预估
李东欢1,2, 邹立维1,3,*, 周天军1,2
1.中国科学院大气物理研究所大气科学和地球流体力学数值模拟国家重点实验室,北京 100029
2.中国科学院大学,北京 100049
3.江苏省气候变化协同创新中心,江苏 南京 210023
*通信作者:邹立维(1984-),男,福建清流人,副研究员,主要从事区域气候模式研发和应用研究.E-mail:zoulw@mail.iap.ac.cn

作者简介:李东欢(1990-),女,江苏连云港人,博士研究生,主要从事气候模拟研究.E-mail:lidh@lasg.iap.ac.cn

基金:公益性行业(气象)科研专项项目“基于FGOALS-s、CMA和CESM气候系统模式的年代际集合预测系统的建立与研究”(编号:GYHY201506012); 国家自然科学基金项目“东亚—西北太平洋夏季风的参数优化研究”(编号:41575105)资助
摘要

利用区域海气耦合模式FROALS模拟的区域气候模式降尺度协同试验(CORDEX)的东亚区域的动力降尺度试验数据,分析了全球1.5 ℃温升背景下中国地区极端温度指数、极端降水指数以及民生相关指数的可能变化。结果表明,中国地区的暖事件显著增加,冷事件显著减少。高强度和中等强度极端暖事件发生风险分别为1986—2005年基准期的2.14和1.93倍,高强度和中等强度极端冷事件发生风险分别为基准期的0.58和0.63倍。分区来看,华北的高强度极端暖事件增幅最大(将为基准期的2.94倍),东北高强度极端冷事件减幅最大(将为基准期的0.38倍)。西北、青藏高原以及东北等地区的极端干旱事件发生风险略增加(分别为基准期的1.13,1.04,1.22倍)。全国大部分地区的平均降水显著增加,高强度的极端降水事件在全国普遍增加,并且在华北和东南的发生风险增幅最大(分别为基准期的1.88倍和1.85倍)。闷热日数在东部地区显著增加,并且与单一的极端高温事件相比,极端闷热日数的增加风险更大(将为基准期的5.34倍)。全国取暖度日显著减少,东部以及西北的降温度日显著增加,在人口密度较大的东部地区取暖度日的减幅(-258 ℃·d)大于降温度日的增幅(72 ℃·d),但与基准期相比,降温度日的变化比例(82%)大于取暖度日(-10%)。

关键词: 1.5 ℃温升阈值; 极端温度指数; 极端降水指数; 民生相关指数
中图分类号:P467 文献标志码:A 文章编号:1001-8166(2017)04-0446-12
Changes of Extreme Indices over China in Response to 1.5 ℃ Global Warming Projected by a Regional Climate Model
Li Donghuan1,2, Zou Liwei1,3,*, Zhou Tianjun1,2
1.State Key Laboratory of Numerical Modeling for Atmospheric Sciences and Geophysical Fluid Dynamics, Institute of Atmospheric Physics, Chinese Academy of Sciences, Beijing 100029,China
2.University of Chinese Academy of Sciences, Beijing 100049, China
3.Jiangsu Collaborative Innovation Center of Climate Change, Nanjing 210023, China

First author:Li Donghuan (1990-), female, Lianyungang City, Jiangsu Province, Ph.D. Student.Research areas include climate modeling.E-mail:lidh@lasg.iap.ac.cn

*Corresponding author:Zou Liwei (1984-), male, Qingliu City, Fujian Province, Associate professor. Research areas include development and application of regional climate model.E-mail:zoulw@mail.iap.ac.cn

Fund:Project Supportd by the R&D Special Fund for Public Welfare Industry (Meteorology) “Development and research of ensemble decadal climate prediction system based on global climate models FGOALS-s, CMA and CESM”(No.GYHY201506012); The National Natural Science Foundation of China “Parameter calibration of climate models in the simulation of East Asian-western North Pacific summer monsoon”(No.41575105)
Abstract

The possible changes of extreme climates over China under 1.5 ℃ global warming scenario were investigated by using the output of CORDEX (COordinated Regional Downscaling Experiment) experiments with a regional air-sea coupled model FROALS over East Asia domain. Results indicated that compared to the baseline period of 1986-2005, warm events would significantly increase while cold events would significantly decrease over China in a 1.5 ℃ warmer world. The risks of extreme and moderate warm events would be 2.14 and 1.93 times of that in the baseline period, respectively. The risks of extreme and moderate cold events would be 0.58 and 0.63 times of that in the baseline period, respectively. Compared to other sub-regions, the increasing amplitude of extreme warm events would be higher in North China, while the decreasing amplitude of extreme cold events would be higher in Northeast China. Risks of extreme dry events would increase in Northwest China, Tibetan Plateau and Northeast China (1.13, 1.02 and 1.22 times of that in baseline period). Precipitation intensity and extreme wet events would increase significantly over most parts of China, and the increasing amplitudes extreme wet events will be higher in North China and South China (1.88 and 1.85 times of that in the baseline period). Days when people may feel uncomfortable would increase significantly in eastern China, and compared to simple extreme warm events, the increasing amplitude of extreme uncomfortable days would be larger. The absolute changes of heating degree-days would be larger than that of cooling degree-days (-258℃·d and 72℃·d, respectively) in eastern China, but the relative change of heating degree-days would be smaller than cooling degree-days (-10% and 82%, respectively).

Keyword: 1.5 ℃ warming target; Extreme temperature indices; Extreme precipitation indices; People’s livelihood associated indices.
1 引言

工业革命以来, 全球平均表面温度明显增加, 1880— 2012年增加了(0.85± 0.2)℃, 有记录以来最热的10年有9年出现在21世纪, 1901— 2010年海平面上升0.19 m, 这些变化很大程度上归因于人类活动[1, 2]。近几十年来极端天气、气候事件明显增加, 水循环发生变化, 全球70%以上的陆地冷昼和冷夜显著减少, 暖昼和暖夜显著增加, 20世纪全球降水增加[3, 4]。热浪以及极端强降水发生频率增加[5]。中国近百年的年平均气温增加0.5~0.8 ℃, 并且近50年增温幅度增大, 为1.1 ℃[6]。中国地区的暖昼、暖夜明显增加, 霜日以及冷昼、冷夜明显减少[7]。极端高温天以及热浪发生频率显著增加, 尤其是东南沿海以及华北地区, 相对极端高温天增加4 d/10a, 相对热浪增加0.4次/10a[8]。尽管中国地区的平均降水在20世纪后半叶没有明显的变化趋势, 但是在西北(10%/10a~20%/10a)以及东南沿海地区(5%/10a)有明显的增加趋势[9], 中国东部地区降水日数有所减少, 微量降水减少而强降水增加[10]。

气候变化会对自然以及人类的生产生活产生显著影响, 例如, 干旱、洪水及其对生物健康的影响等[11, 12]。气候变化问题也已由单纯的科学问题转变为人类可持续发展的政治问题[13]。为了减少气候变化的影响, 《联合国气候变化框架公约》在2015年通过了《巴黎协定》, 将“ 2 ℃温升目标” 正式纳入大会成果, 并提出要“ 力争把温升控制在较工业化前上升1.5 ℃以内” 。Schleussner等[14]利用CMIP5数据分析了在1.5 ℃和2 ℃温升下, 全球极端温度、降水事件以及可用水量、粮食产量、海平面、珊瑚礁等的变化, 表明对于不同地区, 增暖的影响不尽相同, 极端高温事件在2 ℃温升下明显大于1.5 ℃温升, 并且差别最大的是热带地区。2007— 2016年全球平均温度较之工业革命前已经增暖1 ℃, 气候学界关于1.5 ℃温升的研究开始关注较之当前气候再增暖0.5 ℃时的情况[15]。围绕着中国气候变化的预估问题, 此前有许多工作关注2 ℃温升问题。研究发现, 全球增暖2 ℃时, 中国气候变暖幅度与全球相比更大, 区域平均为2.7~2.9 ℃, 全国年平均降水增加3.4%~4.4%[16, 17]。同时, 有研究指出, 受气候模式对温室气体辐射强迫的敏感度因素影响, 不同的模式预估的中国区域温升2 ℃出现的时间存在显著差异[18]。还有工作分析了全球增暖2~4 ℃时中国极端温度和降水事件的变化[19], 指出当全球增温4 ℃时, 暖昼数将变为当代的1.5倍, 平均5日最大降水将增加17.0 mm。Guo等[20, 21]分析了1.5~5 ℃ 8个温升情景下中国地区热浪和强降水的变化, 表明全球增温1.5 ℃时, 中国地区热浪出现的频率将为当代的2倍, 极端强降水将增加69.14%。中国幅员辽阔、人口众多, 社会和经济对于气候变化都十分敏感。水稻是我国的主要粮食作物之一, 若气温高于水稻正常生育温度的上限, 将会造成水稻的减产甚至绝收, 熊伟等[22]研究指出, 在全球增暖背景下, 水稻高温热害将明显增加, 增幅最大的区域为长江流域以及华南地区。

综上所述, 现有的关于中国气候的预估, 多关注2 ℃温升阈值问题, 少有讨论1.5 ℃温升阈值的工作。同时, 现有工作多是基于全球模式, 其分辨率多为1° ~2° [23], 这种分辨率的全球耦合模式, 难以准确描述诸如复杂地形、陆表非均匀性、海岸带等局地强迫特征, 使得模拟结果在区域尺度上误差较大, 难以适应气候变化研究和政府决策的需求。此外, 此前工作多关注气候事件变化自身, 研究与人类生产生活直接相关的指数变化较少。

动力降尺度是获取区域气候变化信息的重要途径。本文使用区域海气耦合模式FROALS(Flexible Regional Ocean-Atmosphere-Land System)模拟的“ 区域气候模式降尺度协同试验” (COordinated Regional Downscaling Experiment, CORDEX)计划第一阶段的东亚区域降尺度的结果, 分析了全球1.5 ℃温升情景下中国地区极端温度、极端降水以及民生相关指数的可能变化。此前的研究表明, 相较于非海气耦合模式, FROALS对东亚— 西北太平洋季风环流和降水均有更好的模拟能力[24, 25], 并且相较于非海气耦合模式, 其预估的东亚夏季风环流变化与全球模式更为一致[26]。

2 资料和方法
2.1 模式简介

本文使用的模式为区域海气耦合模式FROALS, 其大气分量是意大利国际理论物理中心ICTP(Abdus Salam International Center for Theoretical Physics)开发的区域模式RegCM3(Regional Climate Model Version 3)[27], 海洋分量是中国科学院大气物理研究所大气科学和地球流体力学数值模拟国家重点实验室(IAP/LASG)开发的海洋模式LICOM2.0[28], 模式的具体介绍可以参照参考文献[25]。FROALS模式的水平分辨率为50 km, 垂直方向有18层, 模式区域为CORDEX计划第一阶段定义的东亚地区。

本文选择1986— 2005年为基准期, 参照Joshi等[29]的方法, 在驱动FROALS模式的全球模式FGOALS-g2中, 选取历史模拟1861— 1890年代表工业革命前气候态, 在RCP8.5排放情景下, 全球平均地表气温到达1.5 ℃温升的时间为2030年, 本文选取2030年及其前后5年共11年作为FROALS在RCP8.5排放情景下到达1.5 ℃温升的分析时间段, 之所以选取11年, 是为了避免由年际变化造成的不确定性, 选取9年或7年的结果与11年相似。

2.2 分析方法

本文选用了11个极端气候指数, 具体定义如表1所示, 包括4个国际通用极端温度指数[30]:日最高气温最大值(TXx), 日最低气温最小值(TNn), 夏季日数(Summer days, SU), 冰冻日数(Ice Days, ID); 4个国际通用极端降水指数[30]:连续干旱天数(Consecutive dry days, CDD), 降水强度(Simple Daily Intensity Index, SDII), 中等强降水天数(R10), 极端强降水量(R95p); 3个民生相关指数:闷热日数(Discomfort days, DD), 降温度日(Cooling degree days, CD), 取暖度日(Heating degree days, HD)。

表1 本文使用的指数定义 Table 1 The definition of indices used in this study

其中闷热日数为体感温度高于40 ℃的天数, 体感温度为加拿大气象学家提出的Humidex指数[31], 采用的计算公式为:

Humidex=Tair+0.555×6.11　　exp5417.7530×1273.16-1Tdew-10(1)

式中:Tair为日最高气温, 单位为℃; Tdew为露点温度, 单位为K。

降温度日(CD)和取暖度日(HD)为降温和取暖能耗的指数[32], 采用的计算公式为:

DD=∑Ti-TbC(2)HD=∑Tbh-Ti(3)

式中:Ti表示第i天的日平均气温; TbC和Tbh分别表示降温度日和取暖度日的基础温度, TbC为22 ℃, Tbh为10 ℃, 只有当温度高于22 ℃或低于10 ℃时才会计算降温或取暖度日。

本文使用t检验来检验到达1.5 ℃温升时极端指数变化的显著性。使用风险比率(Risk Ratio, RR)来定量表征极端事件的发生概率。RR的计算公式为:

RR=P1.5P(His)(4)

式中:P(His)表示在基准期极端事件发生的概率, 本文均取5%; P(1.5)表示1.5 ℃温升时极端事件发生的概率, 那么当RR> 1时, 表示极端事件发生的风险增加, 后文的RR均表示与基准期相比, 到达1.5 ℃温升时基准期中前5%极端事件发生的风险比率。定义基准期中TXx高值5%为高强度极端暖事件, SU高值5%为中等强度极端暖事件, TNn低值5%为高强度极端冷事件, ID高值5%为中等强度极端冷事件, CDD高值5%为极端干旱事件, R95p高值5%为高强度极端降水事件, R10高值5%为中等强度极端降水事件。

本文采用与李东欢等[33]相同的方法, 将中国划分为5个子区域, 分别为:西北(NW:36° ~50° N, 75° ~105° E)、 青藏高原(TB:28° ~36° N, 75° ~105° E)、东北(NE:43° ~54° N, 116° ~132° E)、华北(NC:32° ~43° N, 105° ~122° E)和东南(SE:18° ~32° N, 105° ~122° E)。

3 结果分析

以下首先分析到达1.5 ℃温升时中国地区极端温度指数的空间分布以及概率密度分布的变化, 然后分析中国地区极端降水指数的空间分布以及概率密度分布的变化, 最后是民生相关指数的空间分布以及概率密度分布的变化。

3.1 极端温度指数

到达1.5 ℃温升时, 中国地区TXx明显增加(图1a), 绝大部分地区通过95%显著性检验, 其中东北和华北地区增幅最大, 这与前人对2 ℃温升的研究较为一致, 郎咸梅等[17]的工作指出, 全球2 ℃温升时, 中国地区总体增温由南向北加强, 并且青藏高原地区增幅最大。陈晓晨等[19]的工作指出, 2 ℃温升时, 东北、西北、华北以及青藏高原增暖幅度大于其他地区。表2为各极端指数在各个子区域到达1.5 ℃温升时相对于基准期的变化。从区域平均来看, 华北和东北TXx增加1.5 ℃以上, 其他区域也增加1 ℃以上。中国地区TNn也明显增加(图1b), 除了西北以及华南部分地区, 其他地区均通过95%显著性检验, 东北、华北以及西北部分地区的增幅最大。东北区域平均的TNn增幅最大, 为1.84 ℃, 其次是华北和西北, 增幅分别为1.62 ℃和1.53 ℃, 与前人对2 ℃温升的结果较一致, 在陈晓晨等[19]的工作中指出, 2 ℃温升时, 中国东北、华北、青藏高原以及西北的TNn增幅大于其他地区。除了青藏高原以及西北的部分地区外, 其他地区的SU均显著增加(图1c), 其中增幅最大区域为华南、西南部分地区, 与前人对热浪的研究结果较为一致, Guo等[20]的工作指出, 1.5 ℃温升时, 华南以及西北的热浪发生频率增幅最大。中国东南和东北SU平均增加17.4天和15.3天, 分别占基准期SU天数的16.1%和42.3%。除了东南部分地区外, ID在全国大部分地区显著减少(图1d), 青藏高原和华北的减幅最大, 区域平均分别减少14天和12.5天, 与前人对2 ℃温升下霜冻日数的研究结果一致, 在郎咸梅等[17]的工作中指出, 2 ℃温升时, 青藏高原霜冻日数的减幅大于其他地区。

概率密度分布图可以更直观地看出极端指数的变化情况。图2是中国地区4个极端温度指数在基准期以及到达1.5 ℃温升时的概率密度分布。与基准期相比, 到达1.5 ℃温升时, TXx, TNn和SU的概率密度分布均整体右移。TXx高值区的增加幅度大于低值区(图2a), 极端高值发生的风险比率RR在到达1.5 ℃温升时将为2.14。表3中为各极端指数在各个子区域的风险比率。东北和华北的RR大于其他地区, 分别为2.60和2.94。TNn低值区的增幅大于高值区(图2b), TNn极端低值发生的风险比率RR在到达1.5 ℃温升时为0.58。子区域中东北的RR最小, 为0.38。在基准期, 中国有25%的区域SU为零, 1.5 ℃温升时缩小至23%。SU极端高值发生的风险比率RR在到达1.5 ℃温升时为1.93(图2c)。青藏高原的夏季日数非常少, 其他子区域的RR均大于全国, 其中西北最大, 为2.86。1.5 ℃温升时, ID的概率密度曲线整体左移, 高值区的减幅大于低值区, ID极端高值发生的风险比率RR在1.5 ℃温升时为0.63(图2d)。子区域中东北、东南和华北的RR小于全国, 分别为0.33, 0.47和0.57。

图1 相对于1986— 2005年基准期, 1.5 ℃全球增暖时中国极端温度事件的变化
(a)TXx (单位:℃); (b)TNn(单位:℃); (c)SU(单位:天); (d)ID(单位:天); 打点表示通过95%显著性检验Fig.1 Spatial distributions of projected changes of extreme temperature indices for 1.5 ℃ warming period relative to the period of 1986-2005
(a) TXx (℃); (b) TNn (℃); (c) SU (d); (d) ID (d); Dotted areas are statistically significant at the 5% level

表2 各区域各指数到达1.5 ℃温升时的变化(绝对值/百分比) Table 2 Regional averaged changes for the warming of 1.5 ℃ relative to reference period of each index in each sub-region (absolute change/relative change)

总体而言, 到达1.5 ℃温升时, 中国地区高温事件显著增加、低温事件显著减少。全国而言, 高等强度的极端高温事件的增幅大于中等强度的极端高温事件, RR值分别为2.14和1.93, 高等强度的极端低温事件减幅大于中等强度的极端低温事件, RR值分别为0.58和0.63。FROALS预估的增暖幅度空间分布与前人基于CMIP5多模式的预估研究较为一致[16, 17]。

图2 中国地区极端温度事件概率密度分布
(a)TXx (单位:℃); (b)TNn(单位:℃); (c)SU(单位:天); (d)ID(单位:天); 实线表示基准期(1986— 2005年), 粗虚线表示1.5 ℃全球增暖; 细虚线表示基准期(1986— 2005年)中5%极端值, (a), (c)和(d)中表示极端高值, (b)中表示极端低值Fig.2 Frequency distributions of extreme temperature indices
(a) TXx (℃); (b) TNn (℃); (c) SU (d); (d) ID (d); Solid lines indicate the results during 1986-2005 and thick dashed lines indicate the results during 1.5 ℃ warming period. The fine dashed lines in (a), (c) and (d) indicate the 5% extreme high value for baseline period 1986-2005 and the fine dashed line in (b) indicates the 5% extreme low value for baseline period 1986-2005

3.2 极端降水指数

全球增暖的情景下, 大气的持水能力将增加, 所以东亚大部分区域的比湿在到达1.5 ℃温升时普遍增加, 并且中国的东部地区东南风增强, 有利于输送更多的水汽到中国华北等地区(图3a)。相较于全年, 夏季的比湿以及风场的变化更强, 水汽增幅更大(图3b)。水汽的增加将有利于中国地区降水的增加。

图3 相对于1986— 2005年基准期, 全球平均1.5 ℃温升时850 hPa风场(箭头, 单位:m/s)和比湿(填色, 单位:g/kg)的变化
(a)年平均; (b)夏季平均; 白色填色表示地表气压低于850 hPa的区域Fig.3 Spatial distributions of projected changes of 850 hPa low level wind (vector, m/s) and specific humidity (shaded, g/kg) for 1.5 ℃ warming period relative to the period of 1986-2005
(a) Annual mean; (b) Summer mean.The white shading denotes the regions in which the surface pressure is lower than 850 hPa

图4 相对于1986— 2005年基准期, 1.5 ℃全球增暖时中国极端降水事件的变化
(a)CDD (单位:天); (b)SDII(单位:mm/d); (c)R10(单位:天); (d)R95p(单位:mm); 打点区域表示通过95%显著性检验Fig.4 Spatial distributions of projected changes of extreme precipitation indices for 1.5 ℃ warming period relative to the period of 1986-2005
(a) CDD (d), (b) SDII (mm/d), (c) R10 (d) and (d) R95p (mm); Dotted areas indicate changes statistically significant at the 5% level

表3 各区域基准期中各指数极端5%事件在1.5 ℃温升下与基准期的概率比 Table 3 Risk ratio of 5% extreme value for each index in each sub-region

到达1.5℃温升时, CDD在青藏高原、西北、东北以及长江和黄河中下游地区增加, 在华北以及东南减少(图4a)。西北CDD平均增加1.7天, 东南减少3.5天, 华北减少1天, 其他区域变化较小, 而在郎咸梅等[17]对2 ℃温升的研究中, CDD主要是在35° N以北减少, 以南增加。SDII在全国大部分地区增加(图4b), 并在青藏高原和华北通过95%显著性检验, 在华北以及东南增幅最大, 为1.1 mm/d和0.87 mm/d, 分别占基准期的13.6%和8.6%, 其他区域SDII增幅较小, 占基准期的比例也较小。R10在青藏高原东部显著增加, 在华南显著减少(图4c)。青藏高原区域平均R10增加1.6天, 华南减少1.5天。R95p在全国大部分地区增加, 青藏高原以及华南部分地区通过显著性检验(图4d)。东南区域平均R95p增加40 mm, 华北增加30 mm, 其他区域增加10 mm左右。

图5是4个极端降水指数在基准期以及到达1.5 ℃温升时的概率密度分布。CDD的概率密度分布变化不大(图5a), 极端高值发生的风险比率RR在到达1.5 ℃温升时将略减少至0.89。西北、东北和青藏高原RR大于1, 即发生极端干旱的可能性增加, 而在东南和华北RR小于1。SDII的概率密度分布曲线向右略偏移, 在高值区的偏移较明显(图5b), 极端高值发生的风险比率RR在到达1.5 ℃温升时为1.66。东南、华北和东北RR大于全国, 分别为2.31, 2.30和1.78, 即气候态增幅最大的区域, 极端事件增加也最明显。R10的概率密度分布变化较小, 在中低值区略增加(图5c), 极端高值发生的风险比率变化较小, 为1.02。东南和华北RR小于1, 其他地区大于1。R95p的概率密度曲线略向右偏移, 高值区偏移较明显(图5d)。极端高值发生的风险比率RR为1.52。各区域RR均大于1, 华北、东南和东北大于其他区域, 分别为1.88, 1.85和1.75。

总体而言, 1.5 ℃温升时, 东南和华北的极端干旱事件减少(RR分别为0.45和0.64)、高等强度极端降水事件增加(RR分别为1.85和1.88), 东北的高等强度极端降水事件增加(RR为1.75)、极端干旱事件增加(RR为1.22), 西北和青藏高原的极端干旱事件和高强度极端降水事件均略增加。华北、东南的中等强度降水事件减少, 其他地区的中等强度降水事件增加。前人的工作中也指出全球增暖背景下, 中国平均降水增加[16, 21], 但是降水变化的不确定性较大, 姜大膀等[16]的研究指出, 2 ℃温升时, 华南降水略减少, 其他地区增加, 而本研究中显示华南的降水是增加的。Guo等[21]的研究表明, 中国地区极端强降水均增加, 增幅最大的是青藏高原南部以及华南, 这与本文的结论一致。

3.3 民生相关指数

Humidex是温度和湿度结合的指数, 高温高湿的环境容易使人感到闷热、不舒适, 甚至是中暑。当Humidex> 40 ℃时, 人体会感到十分不舒适。西北地区的高温天多, 但是空气干燥, 所以DD天很少, DD天主要发生在东部地区。到达1.5 ℃温升时, 东北平原、华北、四川盆地以及东南的DD天数均显著增加(图6a)。东北DD区域平均增加2天, 华北增加7天, 东南增加15天, 分别占基准期的223%, 104%和158%。取暖度日和降温度日是衡量建筑中为了维持舒适的温度而需要的能源消耗的指数。到达1.5 ℃温升时, 全国取暖度日HD显著减少, 其中青藏高原、西北部分地区以及东北减幅最大(图6b)。青藏高原平均减少420 ℃· d, 西北减少360 ℃· d, 东北减少350 ℃· d。除了青藏高原以及西北部分地区外, 中国其他地区降温度日CD显著增加(图6c), 增幅最大的区域有东南、华北以及东北平原。东南平均增加100 ℃· d, 华北增加65 ℃· d, 东北增加35 ℃· d。全国平均而言取暖度日的减幅(-315 ℃· d)大于降温度日的增幅(42.2 ℃· d), 但是降温度日增加的比例(78%)则远大于取暖日数减少的比例(-7.7%)。

到达1.5 ℃温升时, DD的概率密度分布曲线在低值区左移、高值区明显右移(图7a), 极端高值发生的风险比率RR将为2.46。其中东南的RR最大, 为5.34, 其次是华北和东北, 分别是4.27和2.95。HD的概率分布曲线整体左移(图7b), 极端高值发生的风险比率RR为0.58, 其中东北的RR变化最明显, 将变为0.06, 所以东北需要极多供暖的概率将会变得很小。CD的概率密度曲线在低值区左移, 高值区明显右移(图7c), 基准期前5%极端高值发生的风险比率RR将为3.12, 其中RR变化最明显的区域为华北和东南, 分别为4.63和3.54。

总体而言, 1.5 ℃温升时, 中国东部地区DD显著增加, 其中东南的极端高值发生率为基准期的5.34倍。与单独的极端高温指数相比, 中国东部DD增幅更大。全国取暖度日均显著减少142~419 ℃· d, 东部以及西北的降温度日显著增加23.7~103.8 ℃· d, 相比较而言, 取暖度日的减幅大于降温度日的增幅, 但是降温度日增加的百分比(73.4%~103.8%)远大于取暖度日减少的百分比(-5.7%~-16.2%)。

图5 中国地区极端降水事件概率密度分布
(a)CDD (单位:天); (b)SDII(单位:mm/d); (c)R10(单位:天); (d)R95p(单位:mm); 实线表示基准期, 粗虚线表示1.5 ℃全球增暖。细虚线表示基准期(1986— 2005年)中5%极端高值Fig.5 Frequency distributions of extreme precipitation indices
(a) CDD (d); (b) SDII (mm/d); (c) R10 (d) ; (d) R95p (mm); Solid lines indicate the results during 1986-2005 and thick dashed lines indicate the results during 1.5 ℃ warming period; The fine dashed lines indicate the 5% extreme values for baseline period 1986-2005

图6 相对于1986— 2005年基准期, 1.5 ℃全球增暖时中国民生相关指数的变化
(a)DD(单位:天); (b)HD(单位:℃· d ); (c)CD(单位:℃· d ); 打点区域表示通过95%显著性检验Fig.6 Spatial distributions of projected changes of people’ s livelihood related indices for 1.5 ℃ warming period relative to the period of 1986-2005
(a) DD (d); (b) HD (℃· d) ; (c) HD (℃· d); Dotted areas indicate the changes statistically significant at the 5% level

图7 中国地区民生指数概率密度分布
(a)DD(单位:天); (b)HD(单位:℃· d ); (c)CD(单位:℃· d ); 实线表示基准期, 粗虚线 表示1.5 ℃全球增暖; 细虚线表示基准期(1986— 2015年)中5%极端高值Fig.7 Frequency distributions of people’ s livelihood related indices
(a) DD (d); (b) HD (℃· d) ; (c) HD (℃· d); Solid lines indicate the results during 1986-2005 and thick dashed lines indicate the results during 1.5 ℃ warming period; The fine dashed lines indicate the 5% extreme values for baseline period 1986-2005

4 结论和讨论

本文利用区域海气耦合模式FROALS, 分析了RCP8.5情境下全球1.5 ℃温升时, 中国地区极端温度指数、极端降水指数以及民生相关指数的变化情况。主要结论如下:

(1) 1.5 ℃温升背景下, 与基准期相比, 整个中国地区高温事件均增加, 高等强度极端高温事件增加最明显的区域是东北、华北地区地区, RR为2.60和2.94。中等强度极端高温事件增加最明显的区域是西北和东北地区, RR为2.86和2.71。整个中国地区低温事件均减少, 高等强度极端低温事件减少最明显的区域是东北和东南地区, RR为0.38和0.41, 中等强度极端低温事件减少最明显的区域是东北、华北和东南地区, RR为0.12, 033和0.35。

(2) 1.5 ℃温升背景下, 与基准期相比, 西北、青藏高原以及东北部分地区干旱事件略增加, 东南、华北的干旱事件略减少。极端干旱事件在东南和东北有较明显的减少, RR为0.45和0.64, 在其他区域有较弱的增加。降水在整个中国都有较显著的增加, 中等强度的极端降水事件在东北和东南减少, 在其他地区增加。高等强度的极端降水事件在各个子区域均增加, 其中增加最明显的是东南和华北, RR分别为1.85和1.88。

(3) 1.5 ℃温升背景下, 与基准期相比, 东部地区使人体闷热日数显著增加, 并且和简单的极端高温事件相比, 闷热日数的增加更明显。极端不舒适的事件的风险比率在东南和华北可达到5.34和4.27。

(4) 1.5 ℃温升背景下, 与基准期相比, 全国取暖度日均显著减少, 减幅最大的区域为青藏高原和东北, 西北以及东部地区的降温度日均显著增加。从数值上来说, 全国平均以及人口较多的东部地区平均的取暖度日的减幅大于降温度日的增幅, 所以有利于能耗的减少。

需要指出的是, 本文是基于单个区域气候模式在一个全球气候系统模式驱动下的RCP8.5情景预估结果。区域气候模式预估的不确定性, 来源于区域气候模式内部变率、全球气候系统模式预估的不确定性和未来增暖情景不确定性。需要注意的是, 当前的未来增暖情景多未考虑火山活动和气候系统内部变率等因素, 这亦会对1.5 ℃温升背景下中国气候的变化带来不确定性。未来需要利用多个全球气候系统模式在多情景下的预估结果驱动多个区域气候模式, 综合考察1.5 ℃温升背景下中国气候的可能变化。最后, 本文仅考察了与降水与温度有关的11个指数, 1.5 ℃温升背景下其他气候指数的变化亦值得深入研究。

The authors have declared that no competing interests exist.

参考文献
[1] IPCC. Climate Change 2013: The Physical Science Basis[M]. Cambridge, UK, and New York, USA: Cambridge University Press, 2013. [本文引用:1]
[2] Schneider S H, Mastrand rea M D. Probabilistic assessment of “dangerous” climate change and emissions pathways[J]. Proceedings of the National Academy of Sciences of the United States of America, 2005, 102(44): 15 728-15 735. [本文引用:1]
[3] Alexand er L V, Zhang X, Peterson T C, et al. Global observed changes in daily climate extremes of temperature and precipitation[J]. Journal of Geophysical Research: Atmospheres, 2006, 111(D5), doi: 10.1029/2005JD006290. [本文引用:1]
[4] Min S K, Zhang X, Zwiers F W, et al. Human contribution to more-intense precipitation extremes[J]. Nature, 2011, 470(7 334): 378-381. [本文引用:1]
[5] Coumou D, Rahmstorf S. A decade of weather extremes[J]. Nature Climate Change, 2012, 2(7): 491-496. [本文引用:1]
[6] Ding Y, Ren G, Zhao Z, et al. Detection, causes and projection of climate change over China: An overview of recent progress[J]. Advances in Atmospheric Sciences, 2007, 24(6): 954-971. [本文引用:1]
[7] Zhai P, Pan X. Trends in temperature extremes during 1951-1999 in China[J]. Geophysical Research Letters, 2003, 30(17): 1 913. [本文引用:1]
[8] Ding T, Qian W, Yan Z. Changes in hot days and heat waves in China during 1961-2007[J]. International Journal of Climatology, 2010, 30(10): 1 452-1 462. [本文引用:1]
[9] Zhai P, Zhang X, Wan H, et al. Trends in total precipitation and frequency of daily precipitation extremes over China[J]. Journal of Climate, 2005, 18(7): 1 096-1 108. [本文引用:1]
[10] Ma S, Zhou T, Stone D A, et al. Detectable anthropogenic shift toward heavy precipitation over eastern China[J]. Journal of Climate, 2017, doi: 10.1175/JCLI-D-16-0311.1. [本文引用:1]
[11] Pal J S, Eltahir E A B. Future temperature in southwest Asia projected to exceed a threshold for human adaptability[J]. Nature Climate Change, 2016, 6(2): 197-200. [本文引用:1]
[12] Glaser J, Lemery J, Rajagopalan B, et al. Climate change and the emergent epidemic of CKD from heat stress in rural communities: The case for heat stress nephropathy[J]. Clinical Journal of the American Society of Nephrology, 2016, 11(8): 1 472-1 483. [本文引用:1]
[13] Zeng Jingjing, Qu Jiansheng, Pei Huijuan, et al. An overview of international climate change conferences and analysis of recent hot issues[J]. Advances in Earth Science, 2015, 30(11): 1 210-1 217.
[曾静静, 曲建升, 裴惠娟, 等. 国际气候变化会议回顾与近期热点问题分析[J]. 地球科学进展, 2015, 30(11): 1 210-1 217]. [本文引用:1]
[14] Schleussner C F, Lissner T K, Fischer E M, et al. Differential climate impacts for policy-relevant limits to global warming: The case of 1. 5℃ and 2℃[J]. Earth System Dynamics, 2016, 7(2): 327-351. [本文引用:1]
[15] Chen Xiaolong, Zhou Tianjun. Surface air temperature projection under 1. 5 ℃ warming threshold based on corrected pattern scaling technique[J]. Advances in Earth Science, 2017, 32(4): 435-445.
[陈晓龙, 周天军. 使用订正的“空间型标度”法预估1. 5 ℃温升阈值下地表气温变化[J]. 地球科学进展, 2017, 32(4): 435-445. ] [本文引用:1]
[16] Jiang Dabang, Fu Yuanhai. Climate change over China with a 2 ℃ global warming[J]. Chinese Journal of Atmospheric Sciences, 2012, 36(2) : 234-246.
[姜大膀, 富元海. 2 ℃ 全球变暖背景下中国未来气候变化预估[J]. 大气科学, 2012, 36(2): 234-246. ] [本文引用:4]
[17] Lang Xianmei, Sui Yue. Changes in mean and extreme climates over China with a 2℃ global warming[J]. Chinese Science Bulletin, 2013, 58(8): 734-742.
[郎咸梅, 隋月. 全球变暖 2℃情景下中国平均气候和极端气候事件变化预估[J]. 科学通报, 2013, 58(8): 734-742. ] [本文引用:5]
[18] Chen X, Zhou T. Uncertainty in crossing time of 2℃ warming threshold over China[J]. Science Bulletin, 2016, 61(18): 1 451-1 459. [本文引用:1]
[19] Chen Xiaochen, Xu Ying, Yao Yao. Changes in climate extremes over China in a 2 ℃, 3 ℃, and 4 ℃ warmer world[J]. Chinese Journal of Atmospheric Sciences, 2015, 39(6): 1 123-1 135, doi: 103878/j. issn. 1006-9895. 1502. 14224.
[陈晓晨, 徐影, 姚遥. 不同升温阈值下中国地区极端气候事件变化预估[J]. 大气科学, 2015, 39(6): 1 123-1 135, doi: 10.3878/j.issn.1006-9895.1502.14224. ] [本文引用:3]
[20] Guo X, Huang J, Luo Y, et al. Projection of heat waves over China for eight different global warming targets using 12 CMIP5 models[J]. Theoretical and Applied Climatology, 2017, 128(3): 507-522. [本文引用:2]
[21] Guo X, Huang J, Luo Y, et al. Projection of precipitation extremes for eight global warming targets by 17 CMIP5 models[J]. Natural Hazards, 2016, 84(3): 2 299-2 319. [本文引用:3]
[22] Xiong Wei, Feng Lingzhi, Ju Hui, et al. Possible impacts of high temperatures on China’s rice yield under climate change[J]. Advances in Earth Science, 2016, 31(5): 515-528.
[熊伟, 冯灵芝, 居辉, 等. 未来气候变化背景下高温热害对中国水稻产量的可能影响分析[J]. 地球科学进展, 2016, 31(5): 515-528. ] [本文引用:1]
[23] Meehl G A, Bony S. Introduction to CMIP5[J]. Clivar Exchanges, 2011, 16(2): 4-5. [本文引用:1]
[24] Zou L, Zhou T. Can a regional ocean-atmosphere coupled model improve the simulation of the interannual variability of the western North Pacific summer monsoon?[J]. Journal of Climate, 2013, 26(7): 2 353-2 367. [本文引用:1]
[25] Zou L, Zhou T, Peng D. Dynamical downscaling of historical climate over CORDEX East Asia Domain: A comparison of regional ocean atmosphere coupled model to stand alone RCM simulations[J]. Journal of Geophysical Research: Atmospheres, 2016, 121: 1 442-1 458. [本文引用:1]
[26] Zou L, Zhou T. Future summer precipitation changes over CORDEX-East Asia domain downscaled by a regional ocean-atmosphere coupled model: A comparison to the stand -alone RCM[J]. Journal of Geophysical Research: Atmospheres, 2016, 121(6): 2 691-2 704. [本文引用:1]
[27] Pal J S, Giorgi F, Bi X, et al. Regional climate modeling for the developing world: The ICTP RegCM3 and RegCNET[J]. Bulletin of the American Meteorological Society, 2007, 88(9): 1 395-1 409. [本文引用:1]
[28] Liu H, Lin P, Yu Y, et al. The baseline evaluation of LASG/IAP climate system ocean model (LICOM) version 2[J]. Acta Meteorologica Sinica, 2012, 26(3): 318-329. [本文引用:1]
[29] Joshi M, Hawkins E, Sutton R, et al. Projections of when temperature change will exceed 2[deg] C above pre-industrial levels[J]. Nature Climate Change, 2011, 1(8): 407-412. [本文引用:1]
[30] Zhang X, Alexand er L, Hegerl G C, et al. Indices for monitoring changes in extremes based on daily temperature and precipitation data[J]. Wiley Interdisciplinary Reviews: Climate Change, 2011, 2(6): 851-870. [本文引用:2]
[31] Masterson J M, Richardson F A. HUMIDEX: A Method of quantifying Human Discomfort due to Excessive Heat and Humidity[M]. Canada: Environment Canada Representative, 1979. [本文引用:1]
[32] Shi Jun, Cui Linli, Tian Zhan, et al. Impact of temperature change on heating and cooling energy consumption of residential buildings in East China[J]. Journal of Natural Resources, 2011, 26(3): 460-467.
[史军, 崔林丽, 田展, 等. 气温变化对华东居住建筑取暖和降温耗能的影响[J]. 自然资源学报, 2011, 26(3): 460-467. ] [本文引用:1]
[33] Li Donghuan, Zhou Tianjun, Zou Liwei, et al. Simulated and projected surface air temperature over China in RegCM3 CORDEX East Asia experiments[J]. Chinese Journal of Atmospheric Sciences, 2017, doi: 103878/j. issn. 1006-9895. 1607. 16153.
[李东欢, 周天军, 邹立维, 等. RegCM3 CORDEX 东亚试验模拟和预估的中国夏季温度变化[J]. 大气科学, 2017, doi: 10.3878/j.issn.1006-9895.1607.16153. ] [本文引用:1]