CMIP5和CMIP6模式在历史试验下对AMO和PDO的模拟评估
Simulation Evaluation of AMO and PDO with CMIP5 and CMIP6 Models in Historical Experiment
通讯作者: 刘鹏(1980-),男,河北石家庄人,副教授,主要从事气候变化研究. E-mail:liupeng1998@nuist.edu.cn
收稿日期: 2020-10-23 修回日期: 2020-12-27 网络出版日期: 2021-03-19
基金资助: |
|
Corresponding authors: LIU Peng (1980-), male, Shijiazhuang City, Hebei Province, Associate professor. Research areas include climate change. E-mail:liupeng1998@nuist.edu.cn
Received: 2020-10-23 Revised: 2020-12-27 Online: 2021-03-19
作者简介 About authors
夏松(1997-),男,江苏宿迁人,硕士研究生,主要从事气候变化研究.E-mail:xs_11272020@163.com
利用Hadley中心的观测海温资料,以及耦合模式比较计划的第五阶段和耦合模式比较计划的第六阶段历史试验的模式资料,分析和评估了2个最为重要的年代际尺度模态,北大西洋年代际振荡、太平洋年代际振荡在耦合模式比较计划的第五阶段和耦合模式比较计划的第六阶段中的模拟能力。通过对比多模式集合发现,在空间模态方面,耦合模式比较计划的第五阶段和耦合模式比较计划的第六阶段都能模拟出北大西洋年代际振荡在北大西洋地区的信号,但耦合模式比较计划的第六阶段的模拟更好,对于太平洋年代际振荡模态而言,都能模拟出在北太平洋地区的信号,而太平洋年代际振荡在热带太平洋地区的信号,耦合模式比较计划的第六阶段模拟的振幅明显更接近观测。在周期的模拟方面,耦合模式比较计划的第五阶段和耦合模式比较计划的第六阶段结果相似,都能模拟出北大西洋年代际振荡存在60~70年的周期,以及太平洋年代际振荡存在20年和60~70年的双周期。整体而言,耦合模式比较计划的第六阶段相比于耦合模式比较计划的第五阶段在空间特征模拟方面有一定进步,但是对于周期的模拟能力,没有明显进步。
关键词:
Using the observed sea surface temperature data of the Hadley Center, as well as the model data under historical experiments in the Coupled Model Intercomparison Project Phase 5 (CMIP5) and the Coupled Model Intercomparison Project Phase 6 (CMIP6), the simulation ability of the two most important interdecadal scale modes, the Atlantic Multi-decadal Oscillation (AMO) and the Pacific Decadal Oscillation (PDO), in CMIP5 and CMIP6 was analyzed and evaluated. By comparing the multi-model ensemble, it is found that in terms of spatial patterns, both CMIP6 and CMIP5 can simulate the signals of AMO in the North Atlantic region, but the simulation of CMIP6 is better. For PDO modes, both can simulate the signal in the North Pacific region, while for the PDO signal in the tropical Pacific region, the amplitude of the CMIP6 simulation is significantly closer to the observation. In terms of periodic simulation, the results of CMIP5 and CMIP6 are similar, and both can simulate the 60~70-year period of the AMO and the double periods, namely 20 and 60~70 years, of the PDO. On the whole, CMIP6 has a certain improvement in the simulation of spatial characteristics compared with CMIP5. But there is no significant improvement in the ability of periodic simulation.
Keywords:
本文引用格式
夏松, 刘鹏, 江志红, 程军.
XIA Song, LIU Peng, JIANG Zhihong, CHENG Jun.
1 引 言
众所周知,研究全球年代际时间尺度的气候变化,基本是通过研究海洋的变化来实现的[1]。对于海洋的年代际变化,最直观的就是对海温进行研究,那么在年代际信号中最显著的是北大西洋年代际振荡(Atlantic Multidecadal Oscillation,AMO)和太平洋年代际振荡(Pacific Decadal Oscillation,PDO)[2~4]。Kerr[5]将北大西洋海温的年代际变化正式定义为AMO,它存在65~80年周期性冷暖位相交替的现象。Mantua等[6]在月海温资料异常去掉全球增暖趋势后,对北太平洋地区做经验正交函数(Empirical Orthogonal Function,EOF)分析,将得到的第一模态定义为PDO,PDO存在多周期现象,并与厄尔尼诺—南方涛动(El Niño-Southern Oscillation,ENSO)存在密切关系[7]。AMO与PDO信号和全球增暖的快慢有着密切的关系,Chen等[8]研究发现北大西洋的含盐量近些年来快速上升导致表层海水下沉,将热量输送到深海,进而推动向地球两极输送热量的大西洋洋流在1999年前后加速,将“加热”地球的热量存储到海洋深处,导致了2003—2012年全球增暖的减缓。此外,有些学者发现PDO与全球变暖停滞期的联系更为密切[9~13]。而2016年后全球的快速增温,与PDO由负位相转为正位相有关。
AMO和PDO对于全球和区域的气候都有重要影响,因此对全球的经济活动和日常生活有很大影响。AMO会影响巴西东北部和非洲萨赫勒地区的降雨、大西洋飓风以及北美和欧洲的夏季气候[14]。AMO处于不同位相时,欧洲冬季气温具有非对称响应[15],AMO对北半球夏季和我国华北地区极端高温的年代际变化也有影响[16,17],还会影响ENSO的强度[18]。PDO会调节ENSO的频率[19],对中国冬季气温产生影响[20],对中国冬季最低气温年代际变化有贡献[21],对冬季北半球两大洋风暴轴的位置强度及协同变化有影响[22]。AMO和PDO也是国际研究的热点,最新的研究表明AMO和PDO存在相互作用[23],这种相互作用还对东亚降水的年代际变化产生影响[24]。所以研究AMO和PDO具有重大意义,做好评估工作还能为预测奠定基础。
CMIP(Coupled Model Intercomparison Project)是世界气候研究项目(World Climate Research Program,WCRP)组织的耦合模式比较计划,包括CMIP3、CMIP5和CMIP6。基于CMIP数据,进行多模式集合(Multi-Model Ensemble,MME)研究,是国内外经常使用的方法。以往的研究发现,大部分CMIP5模式能重现年代际信号AMO的空间模态,但是低估了方差[25,26],与CMIP3相比,CMIP5在空间模态上模拟更好[27]。周期上,与CMIP3相比,CMIP5模拟的周期更接近观测[28]。而对于年代际信号PDO而言,大多数CMIP5模式模拟和观测的空间相关系数较大[20],特别是MME能够很好地再现观测的PDO的空间特征,相对于热带太平洋,在北太平洋地区模拟更好[29]。之前的模式评估研究,多只关注单个模态或者将AMO或PDO和其他模态一起评估,缺乏模式对AMO和PDO综合模拟能力的评估。近期,CMIP6模式模拟结果陆续公布,那么CMIP6模式对AMO和PDO的模拟能力,是否会出现明显进步呢?本文从AMO和PDO的空间模态和周期出发,评估CMIP5和CMIP6对AMO和PDO的模拟能力,并分析CMIP6和CMIP5相比有哪些改进的地方。
2 数据和方法
2.1 数据
表1 所选CMIP模式
Table 1
CMIP5模式名称 | 国家 | CMIP6模式名称 | 国家 |
---|---|---|---|
ACCESS1-0 | 澳大利亚 | ACCESS-CM2 | 澳大利亚 |
ACCESS1-3 | 澳大利亚 | ACCESS-ESM1-5 | 澳大利亚 |
bcc-csm1-1 | 中国 | BCC-CSM2-MR | 中国 |
bcc-csm1-1-m | 中国 | BCC-ESM1 | 中国 |
CanESM2 | 加拿大 | CAMS-CSM1-0 | 中国 |
CCSM4 | 美国 | CanESM5 | 加拿大 |
CESM1-BGC | 美国 | CAS-ESM2-0 | 中国 |
CESM1-CAM5 | 美国 | CESM2 | 美国 |
CESM1-CAM5-1-FV2 | 美国 | CESM2-WACCM | 美国 |
CESM1-FASTCHEM | 美国 | CESM2-WACCM-FV2 | 美国 |
CESM1-WACCM | 美国 | CIESM | 中国 |
CMCC-CESM | 意大利 | EC-Earth3-Veg | 欧洲 |
CMCC-CM | 意大利 | EC-Earth3-Veg-LR | 欧洲 |
CMCC-CMS | 意大利 | FGOALS-f3-L | 中国 |
CNRM-CM5 | 法国 | FGOALS-g3 | 中国 |
CNRM-CM5-2 | 法国 | FIO-ESM-2-0 | 中国 |
FGOALS-g2 | 中国 | GISS-E2-1-G | 美国 |
FGOALS-s2 | 中国 | GISS-E2-1-G-CC | 美国 |
FIO-ESM | 中国 | GISS-E2-1-H | 美国 |
GISS-E2-H | 美国 | IPSL-CM6A-LR | 法国 |
GISS-E2-H-CC | 美国 | MCM-UA-1-0 | 美国 |
GISS-E2-R | 美国 | MIROC6 | 日本 |
GISS-E2-R-CC | 美国 | MPI-ESM-1-2-HAM | 德国 |
inmcm4 | 俄罗斯 | MPI-ESM1-2-LR | 德国 |
IPSL-CM5A-LR | 法国 | MRI-ESM2-0 | 日本 |
IPSL-CM5A-MR | 法国 | NESM3 | 中国 |
IPSL-CM5B-LR | 法国 | NorCPM1 | 挪威 |
MIROC5 | 日本 | NorESM2-LM | 挪威 |
MIROC-ESM | 日本 | NorESM2-MM | 挪威 |
MIROC-ESM-CHEM | 日本 | SAM0-UNICON | 韩国 |
MPI-ESM-LR | 德国 | ||
MPI-ESM-P | 德国 | ||
MRI-CGCM3 | 日本 | ||
NorESM1-M | 挪威 | ||
NorESM1-ME | 挪威 |
2.2 方法
每个模式在EOF后会得到相应的AMO和PDO的方差(Variance,VAR),同样对AMO和PDO所有模式方差求平均,得到MME的结果。
将EOF得到的各模式AMO和PDO的时间序列标准化,进行功率谱分析,得到不同模式的AMO和PDO的功率谱图和功率谱序列,可以看出各模式模拟的周期情况。功率谱序列包括输出序列、红噪音序列、5%显著性序列以及95%显著性序列,超过红噪音线表示该周期存在,超过95%显著性检验线表示该周期显著。分别对AMO和PDO所有模式的输出序列、红噪音序列、95%显著性序列求平均,得到MME的结果。
模式评估主要针对历史试验,评估历史试验对观测的AMO和PDO模态的再现能力。使用矢量场评估(Vector Field Evaluation,VFE)泰勒图方法[34],对AMO和PDO的模拟能力进行联合评估,对于空间模态的评估,首先将观测及各模式AMO和PDO的EOF区域重新插值,取相同的格点数,目的是使AMO和PDO的评估权重相同,然后进行泰勒图分析。对于周期的评估,因为观测和历史试验时间长度不一致,所以将历史试验下各模式EOF得到的AMO和PDO的时间序列去掉开始的序列,取与观测相同的118年的长度,然后标准化,得到新的功率谱图和功率谱序列,然后进行泰勒图分析。最后再把历史试验的各个模式对2个模态(AMO和PDO)的模拟能力进行排序,得到表2和表3。
表2 观测和CMIP5历史试验下的模拟综合分析
Table 2
序号 | 名称 | 矢量偏差均方根(空间) | 排序(空间) | 矢量偏差均方根(周期) | 排序(周期) | 综合(排序相加) |
---|---|---|---|---|---|---|
1 | ACCESS1-0 | 1.12 | 27 | 1.02 | 33 | 35 |
2 | ACCESS1-3 | 1.36 | 33 | 0.52 | 3 | 16 |
3 | bcc-csm1-1 | 1.56 | 35 | 0.74 | 11 | 25 |
4 | bcc-csm1-1-m | 1.57 | 36 | 0.91 | 20 | 33 |
5 | CanESM2 | 1.00 | 21 | 0.73 | 10 | 15 |
6 | CCSM4 | 0.79 | 8 | 0.83 | 14 | 7 |
7 | CESM1-BGC | 0.84 | 12 | 0.97 | 28 | 19 |
8 | CESM1-CAM5 | 0.70 | 6 | 0.51 | 2 | 1 |
9 | CESM1-CAM5-1-FV2 | 1.23 | 31 | 1.00 | 30 | 36 |
10 | CESM1-FASTCHEM | 0.78 | 7 | 0.87 | 15 | 7 |
11 | CESM1-WACCM | 1.04 | 25 | 0.99 | 29 | 31 |
12 | CMCC-CESM | 0.93 | 17 | 0.96 | 27 | 23 |
13 | CMCC-CM | 0.67 | 5 | 0.92 | 22 | 12 |
14 | CMCC-CMS | 0.64 | 3 | 0.96 | 25 | 13 |
15 | CNRM-CM5 | 1.24 | 32 | 0.87 | 16 | 26 |
16 | CNRM-CM5-2 | 1.03 | 24 | 0.90 | 18 | 22 |
17 | FGOALS-g2 | 0.83 | 11 | 0.62 | 4 | 3 |
18 | FGOALS-s2 | 1.15 | 29 | 0.68 | 9 | 17 |
19 | FIO-ESM | 0.97 | 18 | 1.01 | 32 | 27 |
20 | GISS-E2-H | 0.98 | 19 | 1.03 | 34 | 30 |
21 | GISS-E2-H-CC | 0.88 | 15 | 0.65 | 6 | 5 |
22 | GISS-E2-R | 0.64 | 4 | 1.11 | 36 | 19 |
23 | GISS-E2-R-CC | 0.81 | 10 | 0.64 | 5 | 3 |
24 | inmcm4 | 0.92 | 16 | 0.92 | 23 | 18 |
25 | IPSL-CM5A-LR | 0.98 | 20 | 1.08 | 35 | 32 |
26 | IPSL-CM5A-MR | 1.22 | 30 | 0.91 | 21 | 28 |
27 | IPSL-CM5B-LR | 1.13 | 28 | 0.88 | 17 | 24 |
28 | MIROC5 | 1.05 | 26 | 0.96 | 26 | 29 |
29 | MIROC-ESM | 1.01 | 23 | 0.41 | 1 | 9 |
30 | MIROC-ESM-CHEM | 0.63 | 2 | 0.91 | 19 | 5 |
31 | MPI-ESM-LR | 1.00 | 22 | 0.66 | 7 | 14 |
32 | MPI-ESM-P | 1.38 | 34 | 0.93 | 24 | 34 |
33 | MRI-CGCM3 | 0.86 | 13 | 0.78 | 13 | 10 |
34 | NorESM1-M | 0.80 | 9 | 1.01 | 31 | 19 |
35 | NorESM1-ME | 0.87 | 14 | 0.76 | 12 | 10 |
36 | MME | 0.52 | 1 | 0.68 | 8 | 2 |
表3 观测和CMIP6历史试验下的模拟综合分析
Table 3
序号 | 名称 | 矢量偏差均方根(空间) | 排序(空间) | 矢量偏差均方根(周期) | 排序(周期) | 综合(排序相加) |
---|---|---|---|---|---|---|
1 | ACCESS-CM2 | 1.15 | 23 | 0.92 | 19 | 22 |
2 | ACCESS-ESM1-5 | 1.07 | 21 | 0.43 | 1 | 6 |
3 | BCC-CSM2-MR | 1.56 | 29 | 0.92 | 20 | 29 |
4 | BCC-ESM1 | 1.05 | 19 | 0.95 | 23 | 22 |
5 | CAMS-CSM1-0 | 2.09 | 31 | 0.98 | 25 | 31 |
6 | CanESM5 | 0.97 | 16 | 0.70 | 9 | 11 |
7 | CAS-ESM2-0 | 0.90 | 12 | 0.51 | 3 | 4 |
8 | CESM2 | 0.86 | 11 | 0.74 | 11 | 6 |
9 | CESM2-WACCM | 0.90 | 13 | 0.73 | 10 | 9 |
10 | CESM2-WACCM-FV2 | 1.02 | 18 | 0.94 | 22 | 20 |
11 | CIESM | 0.79 | 5 | 1.02 | 27 | 16 |
12 | EC-Earth3-Veg | 1.05 | 20 | 1.06 | 31 | 30 |
13 | EC-Earth3-Veg-LR | 0.83 | 9 | 0.86 | 15 | 10 |
14 | FGOALS-f3-L | 1.22 | 25 | 0.92 | 21 | 27 |
15 | FGOALS-g3 | 1.63 | 30 | 0.68 | 7 | 18 |
16 | FIO-ESM-2-0 | 0.59 | 2 | 0.95 | 24 | 12 |
17 | GISS-E2-1-G | 0.84 | 10 | 0.87 | 17 | 13 |
18 | GISS-E2-1-G-CC | 0.95 | 15 | 1.02 | 28 | 24 |
19 | GISS-E2-1-H | 0.81 | 8 | 1.05 | 30 | 19 |
20 | IPSL-CM6A-LR | 0.62 | 3 | 0.66 | 5 | 2 |
21 | MCM-UA-1-0 | 1.44 | 28 | 0.89 | 18 | 27 |
22 | MIROC6 | 0.74 | 4 | 0.67 | 6 | 3 |
23 | MPI-ESM-1-2-HAM | 1.34 | 27 | 0.83 | 14 | 21 |
24 | MPI-ESM1-2-LR | 0.90 | 14 | 1.02 | 29 | 24 |
25 | MRI-ESM2-0 | 0.79 | 6 | 0.86 | 16 | 6 |
26 | NESM3 | 1.13 | 22 | 0.68 | 8 | 15 |
27 | NorCPM1 | 0.81 | 7 | 0.82 | 13 | 5 |
28 | NorESM2-LM | 1.29 | 26 | 0.46 | 2 | 14 |
29 | NorESM2-MM | 1.20 | 24 | 0.75 | 12 | 17 |
30 | SAM0-UNICON | 1.00 | 17 | 1.00 | 26 | 24 |
31 | MME | 0.51 | 1 | 0.64 | 4 | 1 |
3 历史试验中AMO和PDO的模拟能力评估
3.1 增暖趋势变化
从图1的平均海温和增暖趋势的时间序列来看,CMIP5和CMIP6的结果是一致的,增温都不是线性的。历史试验的增暖速度是越来越快的,用EEMD方法得到的趋势基本上可以代表对应海温增暖的变化。因此利用EEMD方法去除海温的趋势变化是比较合理的。
图1
图1
历史试验全球平均SST距平及增暖趋势随时间变化
(a) CMIP5;(b) CMIP6;黑色实线代表全球平均SST距平,黑色虚线代表增暖趋势
Fig.1
The historical experiment global mean SST anomaly and its warming trend with time
(a) CMIP5;(b) CMIP6;Solid black lines represent global mean SST anomaly and dashed black lines represent the warming trend
3.2 空间模拟能力评估
在图2中,CMIP5历史试验与观测相比,AMO模态在北大西洋地区大值区向高纬度移动,热带大西洋信号强度小于观测,在赤道东太平洋地区有信号。CMIP6与CMIP5相比,AMO的空间模态一致,在北大西洋高纬度地区信号更强。在观测中,PDO模态在热带中东太平洋地区、热带印度洋地区存在很强的信号,而CMIP5历史试验在热带中东太平洋地区信号偏弱,热带印度洋地区信号消失,在北太平洋地区大值区位置偏西,高纬度模拟较好,热带模拟较差。CMIP6与CMIP5相比,北太平洋高纬度地区的空间模态一致,而在热带太平洋地区,CMIP6信号更强,且信号向东延伸至南美洲沿岸。CMIP5和CMIP6的历史试验与观测比较,空间分布基本一致,强度略有差异,因此CMIP5和CMIP6的历史试验能够模拟AMO和PDO的基本空间特征。观测中AMO模态方差为53%,方差远大于历史试验,其方差分别为35%(CMIP5)和37%(CMIP6),而观测中PDO模态方差为38%,方差略小于历史试验,其方差分别为41%(CMIP5)和43%(CMIP6)。
图2
图2
观测、CMIP5和CMIP6的历史试验的AMO和PDO的空间分布图
(a)和(b) 观测;(c)和(d) CMIP5历史试验;(e)和(f) CMIP6历史试验
Fig.2
The spatial distribution of AMO and PDO in observation,historical experiment of CMIP5 and CMIP6
(a) and (b) Observation; (c) and (d) CMIP5 historical; (e) and (f) CMIP6 historical
3.3 周期模拟能力评估
从图3可以看到,AMO在观测中只存在明显的60年左右周期,并不存在双周期现象,而在CMIP5和CMIP6的历史试验中可以看到,除70年左右周期外,还存在20~30年明显周期的双周期现象,CMIP6和CMIP5对AMO的周期模拟结果相同。观测PDO存在20~30年以及60年左右周期,在CMIP5历史试验中可以看到PDO在20~30年有明显周期,而CMIP6历史试验的PDO在10~20年有明显周期,在短周期的模拟上较CMIP5减少。CMIP5和CMIP6较长周期变长,达到70年左右,且CMIP6的70年周期振幅更强,通过红噪音线。无论是AMO还是PDO,观测振幅大于MME振幅,AMO振幅略大于PDO振幅。总的来说,CMIP5和CMIP6的历史试验能够模拟出AMO和PDO的主要周期,模式对AMO和PDO的周期具有一定的模拟能力,且CMIP6和CMIP5在周期模拟上没有太大差异。
图3
图3
观测以及CMIP5和CMIP6的功率谱
(a) AMO;(b) PDO;紫色线为观测资料,蓝色线为CMIP5多模式集合,红色线为CMIP6多模式集合,较高黑色虚线为95%检验线,较低黑色虚线为红噪音线,垂直虚线为模式标准差
Fig.3
The power spectrum of the observation,CMIP5 and CMIP6
(a) AMO;(b) PDO; The purple line is the observation data,the blue line is the MME of CMIP5,the red line is the MME of CMIP6,the higher black dotted line is the 95% test line,the lower black dotted line is the red noise line,and the vertical dotted line is the standard deviation between models
3.4 综合评估空间和周期模拟能力
在对AMO与PDO的模拟能力研究中发现,各个模式在空间以及周期上模拟能力各不相同,由于AMO与PDO之间存在一定相关性,因此为了更好地研究模式模拟能力,将AMO与PDO进行综合评估,将各个模式的AMO和PDO模态与功率谱曲线分别用VFE泰勒图方法进行分析,将AMO作为矢量场的一维,将PDO作为另一维,通过计算得到VFE图。图4a和c分别是CMIP5和CMIP6各个模式AMO和PDO空间联合评估的VFE泰勒图,图4b和d分别是CMIP5和CMIP6各个模式AMO和PDO周期联合评估的VFE泰勒图。其中图4a和b中标号1~35分别为表1中CMIP5历史试验的各个模式,36表示CMIP5历史试验的MME,图4c和d中标号1~30分别为表1中CMIP6历史试验的各个模式,31表示CMIP6历史试验的MME,红色圈圆心处为观测资料,当所求点越接近于红色圈圆心,则该模式与观测越接近。矢量长度是指一个矢量的模的长度,横纵坐标代表标准化矢量长度(被比较场矢量长度除以观测场矢量长度),扇形坐标代表矢量相似系数。
图4
图4
CMIP5和CMIP6空间模态和周期的VFE泰勒图
横纵坐标为矢量长度,扇形坐标为相似系数
Fig.4
The VFE Taylor diagrams of patterns and periods of the CMIP5 and CMIP6
Horizontal and vertical coordinates are vector lengths,and sector coordinates are similarity coefficients
由图4a和c可以看到编号36和31距离红色圆心最近,表示历史试验的MME在空间场模拟上与观测最为接近,CMIP5的MME振幅较观测稍小,相似系数为0.86,CMIP6的MME振幅接近观测,相似系数为0.88,这表明CMIP6较CMIP5在振幅的模拟上有所改进。CMIP5大多数模式的矢量长度大于观测,而CMIP6所有模式的矢量长度大于观测,表示CMIP6模拟的AMO和PDO的振幅较CMIP5强,且都比观测强。CMIP5和CMIP6各模式相似系数为0.2~0.9。图4b和d中CMIP5和CMIP6的MME也比较靠近观测,周期模拟较好,相似系数分别为0.74和0.78,但和大多数模式一样,矢量长度小于观测,表示模拟的AMO和PDO的年代际周期不显著,在周期模拟方面,CMIP6较CMIP5没有明显改进。CMIP5和CMIP6各模式相似系数为0.30~0.95。表2和3分别为CMIP5和CMIP6矢量偏差均方根(Root Mean Square Vector Deviation, RMSVD)。将空间排序和周期排序相加,MME较绝大多数模式具有最好的模拟能力。
从表4中可以看到,CMIP6与CMIP5相比,在所有模式空间的矢量长度(Root Mean Square Vector Length, RMSVL)上,CMIP5为0.84,CMIP6为1.04,在周期的RMSVL上,CMIP5为0.63,CMIP6为0.64,基本相当,CMIP6与CMIP5相比,空间的RMSVL有较大增加,而周期的RMSVL基本一致。选择的14个模式是CMIP5和CMIP6共有的模式,这样便于对比同样的模式在CMIP5和CMIP6的表现,使得MME的结果更能体现出CMIP6的改进效果。在14个模式中,在空间的RMSVL上,CMIP5为0.88,CMIP6为1.06,在周期的RMSVL上,CMIP5为0.65,CMIP6为0.65。14个模式和所有模式的结果是一致的,排除模式个数的差异带来的影响。进一步表明CMIP6较CMIP5的改进主要在空间模态的振幅上。
表4 CMIP5和CMIP6的MME结果对比
Table 4
MME | 矢量长度(空间) | 矢量长度(周期) |
---|---|---|
CMIP5(14) | 0.88 | 0.65 |
CMIP6(14) | 1.06 | 0.65 |
CMIP5(35) | 0.84 | 0.63 |
CMIP6(30) | 1.04 | 0.64 |
总之,CMIP5和CMIP6的历史试验MME与观测之间存在一定的差异,但MME较大多数模式而言具有较好的模拟能力,并且对两个年代际信号的空间模态模拟最好,只是在周期方面的模拟能力稍差,但历史试验同样能够模拟出与观测较为一致的主周期特征,因此主要通过MME的角度进行研究和分析。
3.5 区域平均
在3.4节中可知CMIP6较CMIP5的改进主要在空间模态的振幅上,在3.5节中进一步分析,以观测的AMO和PDO模态为基准,选取(75°~10°W, 0°~60°N)区域计为北大西洋大值区(North Atlantic, NA),(145°E~140°W,28.5°~45.5°N)区域计为北太平洋大值区(North Pacific, NP),(180°~80°W, 20°S~10°N)区域计为热带太平洋大值区(Tropical Pacific, TP),分别计算观测、CMIP5和CMIP6中历史试验的各模式在这3个区域的区域平均。
在图5a中,CMIP6在这3个区域的区域振幅较CMIP5都有所增加,在NA和TP区域CMIP6比CMIP5更接近观测,偏差减小,而NP区域CMIP6比CMIP5较观测远离,偏差增大。此外,NA和NP区域不确定性都有所减小,而TP区域不确定性增大,主要是由于在TP区域中,CMIP5模式大于观测(0.14)的有2个模式,分别为0.16和0.19,而CMIP6中有5个模式,分别为0.19、0.20、0.26、0.43和0.15,其中有2个模式0.26和0.43较观测增加较多,导致TP区域不确定性增加,MME增加较为明显。图5b结果与图5a一致。NA区域CMIP6较CMIP5增加很少,NP区域CMIP6较CMIP5偏差增大,TP区域CMIP6较CMIP5增加较多。因此,CMIP6较CMIP5在空间模态振幅上的改进主要来自TP区域的改进,其他学者也得出了相似的研究结论[40]。
图5
图5
观测以及CMIP5和CMIP6区域平均柱状图
(a)所有模式;(b)共有模式;NA区域为左边3列,NP区域为中间3列,TP区域为右边3列,紫色为观测,橙色为CMIP5,红色为CMIP6,垂直黑色线为模式间标准差
Fig. 5
The area average histogram of the observation,CMIP5 and CMIP6
(a) All models;(b) Common models;NA area is three columns on the left,NP area is three columns in the middle,TP area is three columns on the right,purple is observation,orange is CMIP5,red is CMIP6,vertical black line is standard deviation between models
4 结论与讨论
本文基于观测海温以及CMIP5和CMIP6历史试验的海温资料,提取AMO与PDO信号,并分析CMIP5和CMIP6对这两种年代际模态的模拟能力。主要使用的是MME的方法,根据贝叶斯定律,样本数越多,统计出的概率,结果越接近真实值。CMIP5和CMIP6的样本是充足的,结果具有很大的可信度。
对空间的模拟,CMIP6和CMIP5都能模拟出AMO在北大西洋地区的信号,但CMIP6的模拟更好,都能模拟出PDO在北太平洋的信号,但在热带太平洋地区信号偏弱,其中CMIP6信号有所增加。对周期的模拟,CMIP5和CMIP6都能模拟出AMO存在60~70年的周期,以及PDO存在20年、60~70年的双周期。
从整体模拟而言,CMIP6相比于CMIP5对空间模态的模拟有一定改进,其中NA和TP区域,振幅增加,更接近观测,而其中TP区域振幅增加更明显,因此空间模态模拟的改进主要来自对热带太平洋地区模拟的改进,但是对周期的模拟,没有明显进步。从个别模式模拟而言,空间模态上,都能模拟出北大西洋和北太平洋的信号,对热带太平洋地区的模拟存在差异;周期上,都能模拟出AMO或PDO模态60~70年的周期,对40年以下周期的模拟存在差异。在CMIP5中,CESM1-CAM5、FGOALS-g2、GISS-E2-R-CC、GISS-E2-H-CC、MIROC-ESM-CHEM空间和周期均模拟较好,而在CMIP6中,IPSL-CM6A-LR、MIROC6、CAS-ESM2-0、NorCPM1、MRI-ESM2-0空间和周期均模拟较好。
本文对CMIP5和CMIP6的AMO和PDO的模拟能力进行了对比评估,结果有利于增加对于模式具体改进的认识,为全球变暖背景下的年代际预测奠定基础。在未来的研究中可以加入控制实验(piControl),加强对AMO和PDO空间模态和周期模拟的认识。对于未来模式的改进工作,需要继续加强对热带太平洋地区年代际模拟的改进。
参考文献
An observational analysis of the oceanic and atmospheric structure of global-scale multi-decadal variability
[J]. ,
Observed variations of sea surface temperature
[C].
A comparative analysis of main modes of global-scale sea surface temperature on multiple time scale
[J]. ,
全球海表温度在不同时间尺度的主模态对比分析
[J]. ,
A North Atlantic climate pacemaker for the centuries
[J]. ,
A Pacific interdecadal climate oscillation with impacts on salmon production
[J]. ,
A 50-70 year climatic oscillation over the North Pacific and North America
[J]. ,
Varying planetary heat sink led to global-warming slowdown and acceleration
[J]. ,
Response of North Pacific and North Atlantic decadal variability to weak global warming
[J]. ,
Recent global-warming hiatus tied to equatorial Pacific surface cooling
[J]. ,
Recent intensification of wind-driven circulation in the Pacific and the ongoing warming hiatus
[J]. ,
Recent Walker circulation strengthening and Pacific cooling amplified by Atlantic warming
[J]. ,
Decadal modulation of global surface temperature by internal climate variability
[J]. ,
Climate impacts of the atlantic multidecadal oscillation
[J]. ,
Asymmetry in the response of central Eurasian winter temperature to AMO
[J]. ,
Footprints of Atlantic Multi-decadal Oscillation in the low-frequency variation of extreme high temperature in the Northern Hemisphere
[J]. ,
Impact of PDO and AMO on interdecadal variability in extreme high temperatures in North China over the most recent 40-year period
[J]. ,
Modulation of the relationship between ENSO and its combination Mode by the Atlantic Multidecadal Oscillation
[J]. ,
ENSO frequency asymmetry and the Pacific Decadal Oscillation in observations and 19 CMIP5 Models
[J]. ,
Assessment of CMIP5 Models based on the interdecadal relationship between the PDO and winter temperature in China
[J]. ,
Contribution of Pacific Decadal Oscillation to interdecadal variability of winter minimum temperature in China
[J]. ,
太平洋年代际振荡对中国冬季最低气温年代际变化的贡献
[J]. ,
Possible influence of the Pacific Decadal Oscillation on the concurrent variations of the northern Atlantic and Pacific storm tracks during boreal winter
[J]. ,
太平洋代际振荡对冬季北半球两大洋风暴轴协同变化的可能影响
[J]. ,
Atlantic and Pacific tropics connected by mutually interactive decadal-timescale processes
[J]. ,
Oceanic forcings of the interdecadal variability in East Asian summer rainfall
[J]. ,
Fidelity of CMIP5-simulated teleconnection between Atlantic multidecadal oscillation and Indian summer monsoon rainfall
[J]. ,
The role of historical forcings in simulating the observed Atlantic multidecadal oscillation
[J]. ,
The Atlantic Multidecadal Oscillation in twentieth century climate simulations: Uneven progress from CMIP3 to CMIP5
[J]. ,
Multidecadal North Atlantic sea surface temperature and Atlantic meridional overturning circulation variability in CMIP5 historical simulations
[J]. ,
Pacific Decadal Oscillation and its relation to the extratropical atmospheric variation in CMIP5
[J]. ,
Global analyses of sea surface temperature,sea ice,and night marine air temperature since the late nineteenth century
[J]. ,
The mechanism for frequency downshift in nonlinear wave evolution
[J]. ,
The empirical mode decomposition and the Hilbert spectrum for nonlinear and nonstationary time series analysis
[J]. ,
A new view of nonlinear water waves: The Hilbert spectrum
[J]. ,
A diagram for evaluating multiple aspects of model performance in simulating vector fields
[J]. ,
Multi‐decadal evolution characteristics of global surface temperature anomaly data shown by observation and CMIP5 models
[J]. ,
Reduced interdecadal variability of Atlantic Meridional Overturning Circulation under global warming
[J]. ,
On the Mechanisms of Pacific Decadal Oscillation Modulation in a warming climate
[J]. ,
On the time-varying trend in global-mean surface temperature
[J]. ,
Twentieth century tropical sea surface temperature trends revisited
[J]. ,
Evaluation of leading modes of climate variability in the CMIP archives
[J]. ,
/
〈 | 〉 |