引用本文
王学界, 章新平, 张婉君, 张新主, 罗紫东. 全球降水中氢氧稳定同位素GCM模拟空间分布的比较. 地球科学进展, 2017, 32(9): 983-995
Wang Xuejie, Zhang Xinping, Zhang Wanjun, Zhang Xinzhu, Luo Zidong. Comparison on Spatial Distribution of Hydrogen and Oxygen Stable Isotope GCM Simulation in Global Precipitation. Advances in Earth Science, 2017, 32(9): 983-995  
Doi:10.11867/j.issn.1001-8166.2017.09.0983
Permissions
Copyright©2017, 地球科学进展 编辑部
全球降水中氢氧稳定同位素GCM模拟空间分布的比较
王学界, 章新平, 张婉君, 张新主, 罗紫东
湖南师范大学资源与环境科学学院, 湖南师范大学地理空间大数据挖掘与应用湖南省重点实验室,湖南 长沙 410081
*通信作者:章新平(1956-),男,湖南长沙人,教授,主要从事气候变化的研究.E-mail:zxp@hunnu.edu.cn

作者简介:王学界(1992-),男,湖南新邵人,硕士研究生,主要从事同位素气象学与气候变化研究.E-mail:xuejiewang2015@163.com

基金:国家自然科学基金项目“湘江流域水稳定同位素的取样、模拟和比较”(编号:41571021); 湖南省重点学科建设项目“地理学”(编号:2016001)资助
摘要

利用大气环流模式模拟降水中氢氧稳定同位素可以深入了解水循环过程中水稳定同位素的迁移变化规律并弥补实测数据在空间和时间方面的不连续性。利用10个引入水稳定同位素循环的GCM(General Circulation Models)模拟数据,分析了全球降水中稳定同位素效应的空间分布特征,对不同模式的模拟结果之间以及模拟结果与全球降水同位素监测网络(GNIP)的实际监测结果之间进行了比较,旨在对稳定同位素大气环流模式模拟结果的有效性进行评价,改善对水循环中水稳定同位素效应的理解和认识。结果显示,在δ18O的全球空间分布模拟方面,isoGSM,ECHAM4,LMDZ4和HadAM3模拟效果较佳;在δ18O的季节差的空间分布模拟方面各模式模拟效果总体较好,仅HadAM3模拟效果稍差;在δ18O与气温相关关系的空间分布模拟方面,isoGSM,GISS E-F,ECHAM4,GISS E-N和LMDZ4模拟结果与实测较匹配;在δ18O与降水量相关关系的空间分布模拟方面LMDZ4,isoGSM,GISS E-F,ECHAM4和MUGCM模拟能力较强;在全球大气降水线模拟方面GISS E-F,isoGSM和GISS E-N优势明显。

关键词: 氢氧稳定同位素; iGCMs; GNIP; 全球大气降水线
中图分类号:P426.6 文献标志码:A 文章编号:1001-8166(2017)09-0983-13
Comparison on Spatial Distribution of Hydrogen and Oxygen Stable Isotope GCM Simulation in Global Precipitation
Wang Xuejie, Zhang Xinping, Zhang Wanjun, Zhang Xinzhu, Luo Zidong
Key Laboratory of Geospatial Big Data Mining and Application, College of Resources and Environmental Science, Hu’nan Normal University, Changsha 410081, China
*Corresponding author:Zhang Xinping(1956-), male, Changsha City, Hu’nan Province, Professor. Research areas include climate change.E-mail:zxp@hunnu.edu.cn

First author:Wang Xuejie(1992-), male, Xinshao County, Hu’nan Province, Master student.Research areas include isotopic meteorology and climate change.E-mail:xuejiewang2015@163.com

Fund:Foundation item:Project supported by the National Natural Science Foundation of China“Stable isotope sampling, simulation and compared in Xiangjiang River Basin”(No.41571021); Key Discipline Construction Projects in Hunan Province“Geography”(No.2016001)
Abstract

The general circulation models are used to simulate hydrogen and oxygen stable isotope in precipitation, which can enhance our understanding of the migratory processes of water stable isotope in water cycle and remedy disadvantages of measured data in spatial and temporal discontinuity. We used ten GCM (General Circulation Models) simulated data including stable isotope water cycle, and analyzed the spatial distribution characteristics of oxygen stable isotope effect in global precipitation. Meanwhile, we compared different simulated results as well as simulated results and the GNIP (Global Network of Isotopes in Precipitation) actual monitoring results. Our main purposes were to evaluate the simulative validity of stable isotope atmospheric circulation and improve our understanding and cognition for stable isotopic effect in water cycle. The results indicated that isoGSM, ECHAM4, LMDZ4 and HadAM3 showed good performances in simulating δ18O. Expect HadAM3, other simulated conclusion of models had good performances in the aspect of simulate seasonal difference of δ18O in spatial distribution. The simulated results of isoGSM, GISS E-F, ECHAM4, GISS E-N and LMDZ4 matched monitoring results more in the aspect of simulating relationship between δ18O and air temperature in spatial distribution. LMDZ4, isoGSM, GISS E-F, ECHAM4 and MUGCM had stronger capacity in the aspect of simulating relationship between δ18O and precipitation in spatial distribution. GISS E-F, isoGSM and GISS E-N had more advantage of simulate global meteoric water line.

Keyword: Hydrogen and oxygen stable isotope; iGCMs; GNIP; GMWL.
1 引言

水稳定同位素的分馏为基本的自然规律, 是全球水循环相变过程的内在表现之一。20世纪60年代, 丹麦著名学者Dansgaard在水稳定同位素方面的研究成果为同位素气象学打下了坚实的理论基础[1]。20世纪60年代, 国际原子能机构和世界气象组织联合建立的全球降水同位素监测网络(Global Network of Isotopes in Precipitation, GNIP)为降水中稳定同位素的研究提供了第一手数据[1]。目前已有1 000多个GNIP站点可以定期监测降水稳定同位素的含量, 这些监测数据大致反映出全球范围内降水稳定同位素的变化规律, 利用这些规律有助于深入了解水循环过程, 帮助恢复古气候和古环境记录[2]以及提高水资源管理的水平。由于客观条件的限制, GNIP的实测数据在空间和时间上不连续, 这在一定程度上制约了对站点分布稀少地区降水稳定同位素的分析。随着计算机的发展和数值气候模式的改进[3], 许多研究者将水稳定同位素循环引入大气环流模式(isotopic General Circulation Models, iGCMs)。利用这些模式有助于深入了解水循环过程中的物质迁移以及弥补GNIP实测数据的不足, 提高相关研究者对古气候反演[4]、全球大气环流的异常诊断以及水循环调查和季风研究等领域的认识[5]。

水稳定同位素的GCM模拟实际上是把水稳定同位素的分馏规律引入GCM水循环的每一个阶段[6], 在外部气候边界条件的驱动下由大型计算机通过计算大气格点柱的基本质量、动量、能量和水平衡方程以及对积云对流等基本气象过程进行合理的参数化得到全球各地降水中稳定同位素的含量。

Joussaume等[7]在1983年首次把水稳定同位素分馏引入大气环流模式AGCM(Atmospheric General Circulation Models)。他们利用法国动力气象实验室的LMD模拟了全球的水稳定同位素的分布。结果发现, 模拟的降水中δ 18O与气象要素的关系与实测结果吻合很好; Hoffmann等[8]利用德国马普研究所ECHAM模式的2种空间分辨率分别模拟了全球水稳定同位素的分布, 通过与GISS和LMD模拟结果的比较, 证明不同的输送方案对模拟结果具有显著的影响; Risi等[9]通过水汽中水稳定同位素实测和模拟结果的比较, 探讨水汽同位素含量的测量在诊断水稳定同位素大气环流模拟过程中偏差的作用。

由于初始条件、边界条件和物理过程参数化等方面的差异, 不同iGCMs的模拟结果之间具有明显的差异。为了对比分析这些差异和改善模式的模拟水平, 21世纪初在全球能量和水循环试验(GEWEX)的支持下, 国际原子能机构和美国戈达德太空研究中心等机构联合开展了水稳定同位素的比较计划(Stable Water Isotope Intercomparison Group, SWING)。该计划的实施有利于深入了解不同时空尺度下水循环过程中的水稳定同位素分馏规律和定量分析气候因素的反馈作用[10]。在该计划实施的第一阶段SWING1, ECHAM4, GISS-E和MUGCM等iGCMs被用于全球降水中稳定同位素的模拟比较。在该计划实施的第二阶段SWING2[10], 另有8个iGCMs参与到相互比较计划中。这些稳定同位素大气环流模式为研究水稳定同位素循环提供了独特的工具[11]。

本研究利用10个iGCMs的输出数据和GNIP的全球实测数据, 实施不同模式的模拟结果之间以及模拟结果与GNIP的实际监测结果之间的稳定同位素效应空间分布的比较, 其目的在于对稳定同位素大气环流模式的有效性进行评价, 改善对水循环中水稳定同位素效应的理解和认识。

2 数据简介

本文用到的10个iGCMs[12]分别是CAM2, GISSE-F, GISS E-N, ECHAM4, HadAM3, LMDZ4, isoGSM, MIROC3.2, MUGCM和GENESIS3。其中ECHAM4, HadAM3和MUGCM这3个模式属于SWING1(ftp://swi.geo.su.se)。其余7个模式的数据来源于SWING2(http://data.giss.nasa.gov/swing2/)。有关各iGCMs的基本信息见表1。

用于进行有效性检验的全球降水中的δ 18O, δ 2H以及相关的气象数据来自于IAEA创建的GNIP数据平台(https:∥nucleus.iaea.org/wiser/gnip.php)。全球范围内所有具有连续1年及以上数据收集的站点均被选择。GNIP的数据记录开始于1961年, 目前已更新至2014年。

表1 各稳定同位素大气环流模式(iGCMs)的基本信息 Table 1 The essential information of each stable isotope general circulation model(iGCMs)

为了与GNIP数据的时间保持一致, 所有模拟的水稳定同位素比率和气象要素均按月进行统计, 时间自1961年1月开始。

3 结果比较
3.1 降水中δ 18O空间分布的比较

在GNIP的数据库中, 具有连续1年以上降水同位素数据记录的站点共计502个, 对这些站的逐月数据进行算术平均, 得到全球范围内降水中平均δ 18O的空间分布(图1中的有色散点)。

GNIP的实测结果显示, 全球降水中平均δ 18O的空间分布大致表现为显著的纬度效应, 即低纬度地区降水中δ 18O高于高纬地区, 如沿120° E的经度线, 从印尼群岛到西伯利亚, 降水中δ 18O从-3.0‰ 降低到-20.0‰ 以下。在低纬度大陆, 除了高海拔地区外, δ 18O在-5‰ 左右且沿纬向和经向分布均匀; 中纬度地区的δ 18O纬向变化梯度较大。在北半球, δ 18O从30° N的约-10‰ 降低到60° N的-20‰ 左右; 高纬度地区为全球δ 18O的低值区, 南北纬60度以上陆地降水中δ 18O均在-20‰ 以下, 其中南极大陆、格陵兰岛中北部以及加拿大北部群岛为全球降水中δ 18O的低值中心, 这些地区的δ 18O均在-25‰ 以下[13]。海洋降水中δ 18O高于内陆(大陆效应), 且降水中的δ 18O纬向分布比较均匀。相对于同纬度海洋, 大陆降水中的δ 18O被贫化。如沿50° N纬度线从大不列颠岛到东西伯利亚, 降水中δ 18O从-5.0‰ 降低到-20.0‰ 以下。高海拔地区降水中δ 18O低于低海拔地区(高度效应), 如降水中δ 18O从青藏高原拉萨站的-16.0‰ 升高到恒河平原新德里站的-5.0‰ , 相同的情况还出现在南美洲的安第斯山脉。平均而言, 实测的降水中δ 18O的高值中心出现在热带和副热带区域, 如位于太平洋中部的夏威夷站(-2.28‰ )和西南部智利的胡安· 费尔南德斯群岛站(-3.3‰ )、大西洋中段的巴西萨尔瓦多站(-1.7‰ )以及非洲东部和中东地区的巴林站(0.31‰ )等; 降水中δ 18O的低值出现在高纬大陆以及极地地区, 如位于加拿大西北地区埃拉特站(-28.7‰ )以及格陵兰岛的诺德站(-25.0‰ )。

iGCMs模拟的降水中平均δ 18O的分布(图1中的有色阴影)很好地再现了GNIP的实际分布。在纬向方面, 除了GENESIS3外, 其他9个模式的模拟结果与实测结果比较接近。δ 18O的等值区域大致与纬线平行, 数值逐渐从低纬地区的大约0‰ 向高纬地区减少至-30‰ 以下, 尤其是在南半球海洋。在海陆差异方面, 模拟结果显示出同纬度海洋降水中的δ 18O高于大陆, 尤其是在北半球, 例如亚欧大陆中部的中高纬度地区, 降水中δ 18O自西向东逐渐降低。在地形因素方面, 出现在青藏高原、北美落基山脉以及南美安第斯山脉的δ 18O低值区均被模拟出。其中, 由CAM2, GENESIS3, GISS E-F, GISS E-N, isoGSM和MIROC3.2模拟出的这些低值中心较清晰, 但模拟值比实测值偏低。

由iGCMs模拟的δ 18O高值区主要出现在副热带地区。海洋上的高值区主要出现在受寒流影响的冷水区, 尤其是在受秘鲁寒流影响的太平洋东南部以及受西澳大利亚寒流影响的印度洋东南部。这个结果可能与受寒流影响区域稳定的大气层结以及由低湿度引起的云下强烈的二次蒸发有关[14]。除此之外, 模拟的δ 18O高值区还出现在副热带陆地的干旱区。模拟出阿拉伯半岛和索马里洋流影响区域为高值中心的有ECHAM4, GENESIS3, GISS E-N, isoGSM和LMDZ4。由isoGSM模拟出中东局部地区的δ 18O略大于0‰ , 与该地区巴林站的δ 18O实测值(0.31‰ )相近。isoGSM, LMDZ4和MUGCM均模拟出北非为显著高值区, 而CAM2, GENESIS3, GISS E-F, GISS E-N, HadAM3和MIROC3.2却显示该地区为低值中心。由于该地缺乏实测数据, 故模拟结果有待证实。

各iGCMs模拟的δ 18O低值区主要位于南极地区、格陵兰岛和东西伯利亚, 这些地区的降水δ 18O多在-30.0‰ 以下。其中, 由GISS E-F, GISS E-N和HadAM3模拟出西伯利亚东部的δ 18O比实测值略偏低, 而MUGCM和isoGSM的模拟结果略偏大; 除此之外, 10个模拟均显示在低纬地区的印尼群岛存在显著的δ 18O低值, 该低值区与降水量的高值区相对应。

为了对各模式模拟的效果进行检验, 分别计算了502个GNIP站点实测值与由10个模式在对应网格点模拟的平均δ 18O之间的相关系数、均方根误差以及各空间序列的标准差, 并点绘于泰勒图(图2)[15]。图2以扇形图表的方式综合评价模拟结果相对于观测结果的模拟水平。图2中左下角以原点为圆心的同心圆是标准差等值线, 纵坐标为其数值; 右下角以OBJ(实测值点)为圆心的同心圆为均方根误差的等值线, 横坐标为其数值; 以原点为起点的呈放射状直线代表相关系数。按照评价的标准, 相关系数越大、均方根误差越小, 标准差越靠近OBJ, 则模拟的效果越好。

图1 GNIP实测的和iGCMs模拟的多年平均降水中δ 18O的空间分布
(a) CAM2; (b) ECHAM4; (c) GENESIS3; (d) GISS E-F; (e) GISS E-N; (f) HadAM3; (g) isoGSM; (h) LMDZ4; (i) MIROC3.2; (j) MUGCM; 散点代表实测值, 有色阴影代表模拟值, 且实测值与模拟值的颜色分级相同Fig.1 Spatial distribution of mean annual δ 18O in precipitation measured by GNIP and simulated by iGCMs
(a) CAM2; (b) ECHAM4; (c) GENESIS3; (d) GISS E-F; (e) GISS E-N; (f) HadAM3; (g) isoGSM; (h) LMDZ4; (i) MIROC3.2; (j) MUGCM; Color points represent measured values and shaded patterns represent simulated values

图2 GNIP实测的与iGCMs模拟的全球降水中多年平均δ 18O之间的有效性比较
字母A~J分别代表CAM2, ECHAM4, GENESIS3, GISS E-F, GISS E-N, HadAM3, isoGSM, LMDZ4, MIROC3.2, MUGCMFig.2 Effectiveness comparisons between global mean annual δ 18O in precipitation measured by GNIP and simulated by iGCMs
Alphabet A~J represent CAM2, ECHAM4, GENESIS3, GISS E-F, GISS E-N, HadAM3, isoGSM, LMDZ4, MIROC3.2, MUGCM, respectively

综合比较的结果, 在全球平均δ 18O分布的模拟中, isoGSM, ECHAM4, LMDZ4和HadAM3的模拟效果相对较好。在对全球502个GNIP站点的统计中, 它们的模拟值与实测值之间的相关系数均在0.85以上, 均方根误差均在2.5‰ 以下, 模拟值的标准差(大约4.0‰ )与实测值的标准差比较接近。模拟效果次好的模式分别为CAM2, MUGCM, GENESIS3, GISS E-F和GISS E-N。它们的模拟值与实测值之间的相关系数达到0.8, 均方根误差达到3.0‰ 。相对而言, MIROC3.2的模拟效果较差, 该模式的模拟序列与实测序列之间的相关系数为0.7, 均方根误差超过了3.5‰ 。尽管如此, 所有模式模拟的结果与实测值的相关系数均超过0.01的信度, 说明这些模式模拟δ 18O分布的可信度很高。

3.2 降水中δ 18O季节差空间分布的比较

定义降水中δ 18O的季节差为北半球夏季(6~8月)的平均δ 18O减去冬季(12月、1月和2月)的平均δ 18O。南半球的季节与北半球相反, 因此季节差的符号与北半球相反。降水中δ 18O的季节差可以反映各地季节变化对水稳定同位素的影响程度。

在GNIP的站点中, 降水中δ 18O具有连续1年以上观测记录并且能够计算季节差的站点共计470个, 尽管有些站点的降水具有季节性, 但在夏季或冬季并无明显降水, 因此, 统计δ 18O季节差时的站点数比计算δ 18O年平均值的站点数要少。分别计算各站点和对应网格点平均δ 18O的季节差, 便得到实测的(图3中的有色散点)和模拟的(图3中的有色阴影)δ 18O季节差的空间分布。

实测结果显示, 中高纬度的亚欧大陆、北美中北部以及南极地区具有最大的降水δ 18O季节差。平均而言, 季节差随纬度的增大而增大; 在北半球的副热带海洋和季风区, δ 18O的季节差为负值。其中, 东亚南部、东南亚中北部、西太平洋暖池以及非洲南部为负值中心。在南半球的副热带海洋, 由于水汽来源单一, δ 18O的季节差明显与北半球相反。

模式模拟的δ 18O季节差的分布形势大体与实测结果类似。在北半球, 位于西伯利亚的高值区以及位于西太平洋暖池和大陆西岸的低值区均被很好地模拟出来。但是ECHAM4, HadAM3, isoGSM和LMDZ4明显高估了季节差的正值区。尤其是HadAM3的模式, 不仅在东西伯利亚和北非, 模拟的δ 18O季节差最高值达到25.0‰ , 远高于实测的15.0‰ , 而且也明显不同于其他模式的模拟结果。GISS E-N和HadAM3显示, 在华南— 南海地区的模拟值较实测值明显偏低。

类似图2, 分别计算了在470个GNIP站点与由10个模式在对应网络格点模拟的平均δ 18O季节差之间的相关系数、均方根误差以及各空间序列的标准差, 并点绘于泰勒图(图4)。

综合比较而言, 在δ 18O季节差分布的模拟中, 模拟效果最好的模式为MUGCM, 模拟值与实测值之间的相关系数达到0.7, 均方根误差为2.0‰ , 模拟值的标准差为2.3‰ , 接近2.9‰ 的实测值。模拟效果次好的iGCMs分别为GISS E-N, GISS E-F, MIROC3.2, GENESIS3, CAM2, isoGSM, ECHAM4和LMDZ4这8个模式。它们的相关系数为0.7~0.83, 其中isoGSM的相关系数最高; 均方根误差集中在2.5‰ 附近; 模拟值的标准差为3.3‰ ~4.5‰ 。HadAM3的模拟整体效果较差, 它的相关系数仅为0.56, 均方根误差3.4‰ , 模拟值的标准差达到4.0‰ 。

图3 GNIP实测的和iGCMs模拟的降水中δ 18O季节差的空间分布
(a) CAM2; (b) ECHAM4; (c) GENESIS3; (d) GISS E-F; (e) GISS E-N; (f) HadAM3; (g) isoGSM; (h) LMDZ4; (i) MIROC3.2; (j) MUGCM; 散点代表实测值, 有色阴影代表模拟值Fig.3 Spatial distribution of mean seasonal difference of δ 18O in precipitation measured by GNIP and simulated by iGCMs
(a) CAM2; (b) ECHAM4; (c) GENESIS3; (d) GISS E-F; (e) GISS E-N; (f) HadAM3; (g) isoGSM; (h) LMDZ4; (i) MIROC3.2; (j) MUGCM; Color points represent measured values and shaded patterns represent simulated values

图4 GNIP实测的与iGCMs模拟的全球降水中δ 18O季节差的有效性比较
字母A~J分别代表CAM2, ECHAM4, GENESIS3, GISS E-F, GISS E-N, HadAM3, isoGSM, LMDZ4, MIROC3.2, MUGCMFig.4 Effectiveness comparisons between global mean seasonal difference of δ 18O in precipitation measured by GNIP and simulated by iGCMs
Alphabet A-J represent CAM2, ECHAM4, GENESIS3, GISS E-F, GISS E-N, HadAM3, isoGSM, LMDZ4, MIROC3.2, MUGCM, respectively

3.3 降水中δ 18O与气温之间相关关系空间分布的比较

在所有GNIP站点中, 降水δ 18O与气温同步观测且具有连续1年以上观测记录的站点共计393个。分别计算各站点以及对应网格点月δ 18O与月平均温度之间的相关系数, 得到实测的(图5中的有色散点)和模拟的(图5中的有色阴影)温度效应的空间分布。

GNIP实测值的空间分布显示, 降水同位素的温度效应[1](即降水中δ 18O与近地表气温之间存在显著的正相关关系)主要出现在中高纬度地区, 纬度越高, 大陆性越强, 温度效应也越强; 在大部分副热带海洋和季风区, 降水同位素存在显著的反温度效应(即降水中δ 18O与近地表气温之间存在显著的负相关关系), 或温度效应不显著; 在低纬地区, 受赤道辐合带季节性位移产生的干湿季的影响, 降水同位素也存在显著的温度效应。

除GENESIS3外, 其他9个iGCMs模拟的空间分布均很好地再现了中高纬度地区显著的“ 温度效应” 。特别是在亚欧大陆和北美大陆中北部, 降水中δ 18O与气温之间的相关系数达到了0.8。但HadAM3的模拟结果明显低估了出现在北美中部和欧亚大陆中西部的温度效应。

大部分模拟结果还很好地再现了出现在西太平洋暖池、太平洋西南部、印度洋西南部和加勒比海地区显著的“ 反温度效应” 。除GENESIS3外, 其他9个模式均显示陆地上最显著的“ 反温度效应” 出现在中国南部, 模拟结果与实测结果一致。在南非, CAM2, GISS E-F, GISS E-N, MIROC3.2和MUGCM也都很好地再现了实测的“ 反温度效应” 。然而CAM2, GISS E-F, GISS E-N和MUGCM明显高估了出现在中东地区的“ 反温度效应” 。

与前面的泰勒图统计评价方法不同, 这里将模拟的与实测的相关系数符号相同的站点数作为模拟结果对于实测结果的拟合水平。根据在表2中的简单计算, 对应温度效应显著(R> 0.2, 大致相当于0.05的信度)的284个GNIP站, 10个模式模拟的同为显著温度效应的站点数均在55%以上。其中ECHAM4, GISS E-F和GISS E-N的模拟效果都在90%以上, 表现最优; isoGSM和LMDZ4的模拟效果分别为89%和88%, 表现较好; 比较而言, GENESIS3和HadAM3的模拟效果均未超过70%, 表现一般。对应反温度效应显著(R< -0.2)的51个GNIP站, 10个模式模拟的同为显著反温度效应的站点数均在49%以上。其中HadAM3和MIROC3.2的模拟效果均为86%, 表现最优; MUGCM, GISS E-F和LMDZ4的模拟效果分别为78%, 75%和71%, 表现其次; 比较而言, ECHAM4的模拟效果未超过50%, 表现一般。总体而言, 10组模式模拟的与实测的δ 18O/T相关系数符号相同的站点数占393个总站点数的百分比超过50%。其中, ECHAM4, GISS E-F, GISS E-N, isoGSM, LMDZ4和MIROC3.2的总体模拟水平相当, 均在70%以上; CAM2和MUGCM的总体模拟水平分别为62%和69%; GENESIS3和HadAM3的总体模拟水平相对较低, 均不到60%。

3.4 降水中δ 18O与降水量之间相关关系空间分布的比较

在所有GNIP站点中, 降水中δ 18O和降水量同步观测且具有连续1年以上观测记录的站点共计478个。分别计算各站点以及对应网格点的月δ 18O与月降水量之间的相关系数, 得到实测(图6中的有色散点)和模拟的(图6中的有色阴影)降水量效应的空间分布。

GNIP实测值的空间分布显示, 降水量效应(即降水中月均δ 18O与月降水量之间存在显著的负相关关系)主要出现在中低纬度的地中海— 黑海沿岸、非洲中南部、亚洲南部、大洋洲以及拉丁美洲大部分地区, 这些地区降水中δ 18O与降水量之间的相关系数一般都低于-0.4。其中, 南中国海周边和加勒比海地区的降水量效应尤其显著; 中高纬度内陆地区无降水量效应, 降水中δ 18O与月降水量之间呈正相关关系, 即反降水量效应。

图5 GNIP实测的和iGCMs模拟的降水中δ 18O与气温之间相关系数的空间分布
(a) CAM2; (b) ECHAM4; (c) GENESIS3; (d) GISS E-F; (e) GISS E-N; (f) HadAM3; (g) isoGSM; (h) LMDZ4; (i) MIROC3.2; (j) MUGCM; 散点代表实测值, 有色阴影代表模拟值Fig.5 Spatial distribution of correlation coefficient between δ 18O in precipitation and air temperature measured by GNIP and simulated by iGCMs
(a) CAM2; (b) ECHAM4; (c) GENESIS3; (d) GISS E-F; (e) GISS E-N; (f) HadAM3; (g) isoGSM; (h) LMDZ4; (i) MIROC3.2; (j) MUGCM; Color points represent measured values and shaded patterns represent simulated values

表2 实测的与模拟的降水中δ 18O与气温相关系数符号统计表(R=0.2时的信度约为0.05) Table 2 Statistical data between measured and simulated δ 18O/T correlated coefficients (The confidence level is about 0.05 at R=0.2)

模拟结果显示, 除了GENESIS外, 其他9个iGCMs均很好地再现了全球降水量效应的分布特征。模拟的强降水量效应主要出现在以西太平洋暖池、印度洋西南部和加勒比海地区为中心的副热带海洋、亚洲季风区和热带雨林分布区, 这些地区降水中δ 18O与降水量之间的相关系数均低于-0.6。实际存在降水量效应的海陆差异, 即海洋和海岛地区的降水量效应强于同纬度大陆这一特点也被模拟出。在陆地, 大多数的模拟结果显示强降水量效应主要出现在中南半岛— 华南地区、非洲中南部、南美大部分地区。GENESIS3明显低估了这些地区的降水量效应, 但MUGCM则高估了这些地区的降水量效应。

模拟的反降水量效应主要出现在内陆地区, 如亚欧大陆东北部、北美北部以及南极洲和格陵兰岛等地, 这些地区正好对应着强的温度效应。在北非, 各模式的模拟结果差异很大。GISS E-F, GISS E-N, HadAM3, isoGSM和MIROC3.2的模拟均显示该地均有显著的反降水量效应, 但其他模式显示该地区为降水量效应或δ 18O/P之间的关系不明显。由于该地区缺少实测记录且年降水量稀少, 模拟结果的有效性有待验证。

把根据478个GNIP站点观测数据计算的和由10个模式在对应网格点根据模拟值计算的相关系数符号相同站点的统计结果列于表3。对应降水量效应显著(R< -0.2)的264个GNIP站, 10个模式模拟的同为显著降水量效应的站点数均在65%以上。其中ECHAM4, isoGSM, LMDZ4和MUGCM的模拟效果都在90%以上, 表现最优; GISS E-F和HadAM3的模拟效果分别为81%和82%, 表现较好; 比较而言, CAM2的模拟效果仅为65%, 表现一般。对应反降水量效应显著(R> 0.2)的69个GNIP站, 10个模式模拟的同为显著反降水量效应的站点数相差较大。其中, GISS E-F, GISS E-N和MIROC3.2的模拟效果分别为65%, 65%和67%, 表现较好; CAM2和LMDZ4的模拟效果分别为57%和52%, 表现一般; 比较而言, MUGCM的模拟效果仅为29%, 表现较差。总体而言, 10组模拟的与实测的δ 18O/P相关系数符号相同站点数占总站点数(478个 )的百分比均超过50%。其中, ECHAM4, GISS E-F, isoGSM, LMDZ4和MUGCM的总体模拟水平相当, 均在60%以上; 其余iGCMs的总体模拟水平均不到60%。

图6 GNIP实测的和iGCMs模拟的降水中δ 18O与降水量之间相关系数的空间分布
(a) CAM2; (b) ECHAM4; (c) GENESIS3; (d) GISS E-F; (e) GISS E-N; (f) HadAM3; (g) isoGSM; (h) LMDZ4; (i) MIROC3.2; (j) MUGCM; 散点代表实测值, 有色阴影代表模拟值Fig.6 Spatial distribution of correlation coefficients between δ 18O in precipitation and precipitation amount measured by GNIP and simulated by iGCMs
(a)CAM2; (b) ECHAM4; (c) GENESIS3; (d) GISS E-F; (e) GISS E-N; (f) HadAM3; (g) isoGSM; (h) LMDZ4; (i) MIROC3.2; (j) MUGCM; Color points represent measured values and shaded patterns represent simulated values

表3 实测与模拟的降水中δ 18O与降水量相关系数符号统计表(R=0.2时的信度约为0.05) Table 3 Statistical data between measured and simulated δ 18O/P correlated coefficients (The confidence level is about 0.05 at R=0.2)
3.5 全球大气降水线(GMWL)的比较

在GNIP的站点中, 降水中δ 18O和δ D同步观测且具有连续1年以上观测记录的站点共计502个。对这些站点的δ 18O和δ D进行简单的线性回归计算, 得到了全球大气降水线(Global Meteroric Water Line, GMWL)[16]。实测的和模拟的全球空间范围的大气降水线分别为:

δ D=8.14δ 18O +10.96(GNIP实测)

δ D =8.25δ 18O +12.35(CAM2)

δ D =8.06δ 18O +8.99(ECHAM4)

δ D =8.22δ 18O +58.37(GENESIS3)

δ D=8.08δ 18O +11.16(GISS E-F)

δ D =8.18δ 18O +10.99(GISS E-N) (1)

δ D =8.47δ 18O +15.68(HadAM3)

δ D =8.09δ 18O +11.80(isoGSM)

δ D=8.40δ 18O +11.80(LMDZ4)

δ D=8.01δ 18O+8.79(MIROC3.2)

δ D=8.31δ 18O+10.34(MUGCM)

10个iGCMs均很好地再现了实际的GMWL。模拟的GMWL斜率均大于8.0, 截距接近或略大于10.0。比较而言, 由GISS E-F, ECHAM4, isoGSM和GISS E-N模拟的GMWL更接近于实测结果; 由MIROC3.2模拟的GMWL的斜率和截距均小于实测结果; 由CAM2, LMDZ4, HadAM3, MUGCM和GENESIS3模拟的GMWL的斜率和截距基本上都大于实测结果。其中, 由GENESIS3模拟的GMWL的截距达到58.37, 远大于10.96的实测结果。

4 结论和分析

各稳定同位素大气环流模式都有自身完整的水平衡过程, 通过对全球数千个三维空气柱的辐射过程、积云对流过程和水汽输送过程进行合理地参数化, 使得各模式能够定量地模拟全球范围内降水中稳定同位素的基本变化规律。模拟结果产生局部差异的原因可能是边界条件和基本物理过程的参数化差异, 局地降水中的同位素成分不仅与局地气象参数有关, 而且还决定于受大气环流控制的降水气团的演化过程[17]。Risi[9]通过比较SWING数据、卫星遥感以及地面实测数据后发现各模式模拟水汽中δ D时均低估了副热带和中纬度地区的季节变化; 在垂直尺度上, 各模式模拟水汽中δ D的效果差异较大, 其中LMDZ4的模拟效果较好。Che[18]通过将不同模式在中国的模拟值与GNIP实测值比较后认为LMDZ_nudged综合模拟效果最好; 在高度效应方面, CAM和GISS_E模拟较好; 在大陆效应的模拟方面, 以GISS_E和LMDZ_free模拟较佳。

通过对10个iGCMs模拟结果的比较可知:iGCMs能在很大程度上模拟全球降水中稳定同位素的空间分布规律和各种气候条件导致的同位素效应, 各模式的模拟结果整体空间分布趋势一致, 但是在不同区域和各同位素效应模拟方面存在着一些差异。

在δ 18O的全球分布模拟方面, 除GENESIS3外, 其他9个模式较好地模拟出了全球δ 18O的分布情况, 很好地再现出GNIP实测值所体现出来的纬度效应、大陆效应和高度效应。其中, 以isoGSM, ECHAM4, LMDZ4和HadAM3 4个模式的模拟效果较好, 模拟值和实测值的相关系数均在0.85以上, 相对于实测值的均方根误差均在2.5‰ 以下。

从δ 18O平均季节差的模拟来看, 各模式均显示在北半球中高纬度地区的亚欧大陆中北部和北美中北部以及南极大陆的季节差为正值, 且高值中心分别位于西伯利亚中东部和加拿大中北部; 副热带地区海洋和季风区的季节差为负值。除了HadAM3模拟效果相对较差外, 其他模式的模拟结果均很好地再现了实测结果。

除GENESIS3外的其他iGCMs均很好地再现了实际温度效应的空间分布:中高纬度大陆温度效应显著, 而副热带海洋则存在着显著的“ 反温度效应” 。比较而言, 10个iGCMs中, isoGSM, GISS E-F, ECHAM4, GISS E-N和LMDZ4再现全球温度效应空间分布的能力较强。

各模式均很好地再现了出现在副热带海洋区、亚洲西南季风区、全球热带雨林气候区和地中海区域的降水量效应以及出现在亚欧大陆东北部, 北美北部、南极洲和格陵兰岛的“ 反降水量效应” 。相对而言, LMDZ4, isoGSM, GISS E-F, ECHAM4和MUGCM再现全球降水量效应空间分布的能力较强。

GISS E-F, isoGSM和GISS E-N相对较好地再现了实测的全球大气水线, 模拟的大气水线斜率和截距均与实测结果接近。

综合考察降水中平均δ 18O、平均δ 18O的季节差、降水稳定同位素温度效应和降水量效应的空间分布模拟以及全球大气水线的模拟结果, 模拟效果较好的4个模式依次是isoGSM, ECHAM4, GISS E-N和GISS E-F。其中, isoGSM在5个指标的模拟效果中均比较靠前。具体原因可能是这几个模式的空间分辨率相对较高、运用了更加合理的物理参数化方案以及GISS E-N模式运用了谱逼近技术重新分析动力场而不是仅仅由海表面温度驱动自由运行。

The authors have declared that no competing interests exist.

参考文献
[1] Dansgaard W. Stable isotopes in precipitation[J]. Tellus, 1964, 16(4): 436-468. [本文引用:3]
[2] Ding Xiaodong, Zheng Liwei, Gao Shuji. A review on the Younger Dryas event[J]. Advances in Earth Science, 2014, 29(10): 1 095-1 109.
[丁晓东, 郑立伟, 高树基. 新仙女木事件研究进展[J]. 地球科学进展, 2014, 29(10): 1 095-1 109. ] [本文引用:1]
[3] Luan Yihua, Yu Yongqiang, Zheng Weipeng. Review of development and application of high resolution global climate system model[J]. Advances in Earth Science, 2016, 31(3): 258-268.
[栾贻花, 俞永强, 郑伟鹏. 全球高分辨率气候系统模式研究进展[J]. 地球科学进展, 2016, 31(3): 258-268. ] [本文引用:1]
[4] Li Yue, Wang Rujian, Li Wenbao. Review on research on paleo-sea level reconstruction based on foraminiferal oxygen isotope in deep sea sediments[J]. Advances in Earth Science, 2016, 31(3): 310-319.
[李悦, 王汝建, 李文宝. 利用有孔虫氧同位素重建古海平面变化的研究进展[J]. 地球科学进展, 2016, 31(3): 310-319. ] [本文引用:1]
[5] Liu Jingfeng, Ding Minghu, Xiao Cunde. Review on atmospheric water vapor isotopic observation and research: Theory, method and modeling[J]. Progress in Geography, 2015, 34(3): 340-353.
[柳景峰, 丁明虎, 效存德. 大气水汽氢氧同位素观测研究进展——理论基础、观测方法和模拟[J]. 地理科学进展, 2015, 34(3): 340-353. ] [本文引用:1]
[6] Zhang Xinping, Guan Huade, Zhang Xinzhu, et al. Comparisons and assessment on stable isotopic effects in precipitation by different models[J]. Quaternary Sciences, 2016, 36(6): 1 343-1 357.
[章新平, 关华德, 张新主, 等. 不同模式模拟的降水稳定同位素效应的比较和评估[J]. 第四纪研究, 2016, 36(6): 1 343-1 357. ] [本文引用:1]
[7] Joussaume S, Sadourny R, Jouzel J. A general circulation model of water isotope cycles in the atmosphere[J]. Nature, 1984, 311: 24-29. [本文引用:1]
[8] Hoffmann G, Werner M, Heimann M. Water isotope module of the ECHAM atmospheric general circulation model: A study on timescales from days to several years[J]. Journal of Geophysical Research: Atmospheres, 1998, 103(D14): 16 871-16 896. [本文引用:1]
[9] Risi C, Noone D, Worden J, et al. Process-evaluation of tropospheric humidity simulated by general circulation models using water vapor isotopologues: 1. Comparison between models and observations[J]. Journal of Geophysical Research: Atmospheres, 2012, 117(D5): 1-26. [本文引用:2]
[10] Zhang Xinping, Sun Zhian, Zhang Xinzhu, et al. Intercomparison of δ18O in precipitation simulated by isotopic GCMs with GNIP observations over East Asia[J]. Quaternary Sciences, 2012, 32(1): 67-80.
[章新平, 孙治安, 张新主, 等. 东亚降水中δ18O的GCM模拟及其与GNIP实测值的比较[J]. 第四纪研究, 2012, 32(1): 67-80. ] [本文引用:2]
[11] Conroy J L, Cobb K M, Noone D. Comparison of precipitation isotope variability across the tropical Pacific in observations and SWING2 model simulations[J]. Journal of Geophysical Research: Atmospheres, 2013, 118(11): 5 867-5 892. [本文引用:1]
[12] Xi X. A review of water isotopes in atmospheric general circulation Models: Recent advances and future prospects[J]. International Journal of Atmospheric Sciences, 2014: 1-16, doi: 10.1155/2014/250920. [本文引用:1]
[13] Bowen G J, Wilkinson B. Spatial distribution of δ18O in meteoric precipitation[J]. Geology, 2002, 30(4): 315-318. [本文引用:1]
[14] Meng Yuchuan, Liu Guodong. Effect of below-cloud secondary evaporation on stable isotopes in precipitation over the Yangtze River Basin[J]. Advances in Water Science, 2010, 21(3): 327-334.
[孟玉川, 刘国东. 长江流域水稳定同位素的云下二次蒸发效应[J]. 水科学进展, 2010, 21(3): 327-334. ] [本文引用:1]
[15] Taylor K E. Summarizing multiple aspects of model performance in a single diagram[J]. Journal of Geophysical Research: Atmospheres, 2001, 106(D7): 7 183-7 192. [本文引用:1]
[16] Craig H. Isotopic variations in meteoric waters[J]. Science, 1961, 133(3 465): 1 702-1 703. [本文引用:1]
[17] Zhang Xinping, Yao Tand ong. Relations of oxygen isotopic composition in precipitation with temperature and precipitation amount in some regions of China[J]. Journal of Glaciology and Geocryology, 1994, 16(1): 31-40.
[章新平, 姚檀栋. 我国部分地区降水中氧同位素成分与温度和降水量之间的关系[J]. 冰川冻土, 1994, 16(1): 31-40. ] [本文引用:1]
[18] Che Y, Zhang M, Wang S, et al. Stable water isotopes of precipitation in China simulated by SWING2 models[J]. Arabian Journal of Geosciences, 2016, 9(19): 1-12. [本文引用:1]