中国西南地区主要包括四川省、贵州省、云南省和重庆市，俗称“三省一市”。该地区地形异常复杂，包括高原、盆地、山脉等，海拔落差较大（图1），且气候复杂多变，受热带季风、副热带季风、高原季风等多种气候系统的共同影响（马洁华等，2019; 汪靖等，2021）。而且西南地区由于地理位置的特殊性，极易遭受山洪、滑坡、泥石流、地震等自然灾害的袭击，常常造成重大的经济损失和人员伤亡，如2022年8月四川省彭州市龙漕沟突发山洪。因此，西南地区也是中国甚至是全球气候变化最为敏感和脆弱的地区之一（蓝天等，2021）。

政府间气候变化专门委员会（Intergovernmental Panel on Climate Change，IPCC）第六次评估报告（IPCC，2021）指出，随着全球变暖的加剧，全球气候及极端气候将发生巨大变化。在全球气候变暖背景下，大气水汽含量增加，持水能力增强，这将导致全球水循环加剧，进而使得全球极端降水事件发生概率明显增加（胡婷和孙颖，2021; 姜大膀和王娜，2021; 周波涛和钱进，2021）。然而，随着国内外学者对区域尺度极端降水事件研究的不断深入，越来越多研究结果表明，全球气候变暖对区域尺度极端降水事件变化也有较大影响（赵天保等，2016）。西南地区是气候变化的敏感和脆弱区，近年来极端降水事件发生概率明显增加（王明明等，2018），例如，在2021年7月—9月，四川省共出现了5场大范围区域性暴雨天气过程，其中仅7月9—11日强降雨过程导致成都、达州、德阳等地12万余人不同程度受灾，直接经济损失达到1.76亿元。因此，开展全球变暖背景下西南地区极端降水未来演变趋势研究对该地区防灾减灾和经济发展具有十分重要的现实意义。

气候模式是进行未来气候变化预估的重要工具（蒋文好和陈活泼，2021），主要包括全球气候模式（Global Climate Model，GCM）和区域气候模式（Regional Climate Model，RCM）。基于耦合模式比较计划（Coupled Model Intercomparison Project，CMIP）中的模式结果，以往研究已较为系统地评估了其对西南地区降水和极端降水变化的模拟性能。已有研究（张蓓和戴新刚，2016）指出，CMIP5模式对中国东南和华南沿海降水的模拟偏少，其余大部分地区降水模拟偏多，而对西部降水模拟偏多更为明显; 从季节上来看，对中国区域冬半年降水模拟存在高估，尤其是四川和云南北部高估更为明显; 夏半年在西南东部地区降水模拟偏少，而在西部模拟偏多。CMIP6模式虽然对中国区域极端降水的模拟能力优于CMIP5模式（王予等，2021），但CMIP6模式仍然低估了四川盆地的夏季降水，且对极端降水强度的模拟也偏弱（黄子立等，2021; 杨明鑫等，2022）。这与粗分辨率的全球气候模式无法精细刻画西南地区的复杂地形有关，因此十分有必要利用高分辨率的区域气候模式开展西南地区气候变化相关研究（Coppola et al.，2021）。以往研究基于RegCM3和RegCM4模式的模拟研究结果（吴佳等，2012; 王美丽，2015; 童尧等，2017）指出，不同版本的区域气候模式均高估了青藏高原东部及高原地区的总降水量（Prcptot）和强降水日数（R10mm），而对四川东部和重庆地区的Prcptot与R10mm模拟存在低估; 不同季节也存在一定的差异，对云南和贵州地区的冬季Prcptot模拟偏多，其余地区偏少; 而模拟的夏季Prcptot在整个西南地区均明显偏多。

基于GCM和RCM的模拟结果，国内学者针对西南地区未来气候变化也开展了系列研究。基于CMIP5模式的预估研究指出，未来我国北方地区极端降水增幅明显大于南方地区，其中青藏高原和西南地区的R95p和R99p显著增加，意味着西南地区发生洪涝灾害风险也更大（吴佳等，2015）。基于CMIP6模式的预估结果指出，未来在西南较为发达的城市如成都、重庆、川西高原和昆明等，暴雨发生概率明显增加（黄晓远和李谢辉，2022）。基于RegCM3模式模拟结果（徐集云等，2013）进一步指出，到21世纪中期（2041—2060年），青藏高原、云南西部以及四川盆地部分地区冬季降水将减少，中国西北地区夏季降水增加，而青藏高原总降水量将减少。使用单一海气耦合模式CSIRO-Mk3.6.0输出结果驱动RegCM4模式（张冬峰等，2017）的预估结果表明，在21世纪，除青藏高原外，中国其余地区降水均呈增加趋势，且增幅随时间推移显著增加。

虽然以往研究已基于全球气候模式和高分辨率区域气候模式结果针对西南地区气候变化开展了较为系统的分析，但由于全球气候模式分辨率较粗，且已有研究大多基于单个区域气候模式的结果，针对西南地区未来气候变化的预估结果仍存在较大的不确定性。因此，十分有必要利用多个高分辨率区域气候模式结果进一步开展西南地区未来极端降水变化预估研究，减少预估结果的不确定性，更好地服务于当地未来规划制定及防灾减灾工作。

1 资料和方法

1.1 资料

本文主要采用多个全球海气耦合模式结果驱动的高分辨率区域气候模式（RegCM4）模拟输出，系统评估其对西南地区极端降水变化的模拟性能，并科学预估其未来变化趋势。RegCM4模式模拟采用通用陆面模式中的陆面过程方案和Emanuel（MIT-Emanuel）对流参数化方案（Gao et al.，2016，2017），并使用了改进的中国土地覆盖数据（韩振宇等，2015）。模式模拟区域与东亚联合区域气候降尺度试验（CORDEX）第二阶段推荐的区域一致，包括整个中国地区（Giorgi et al.，2009; Ciarlo et al.，2021）; 模式水平分辨率为0.25°×0.25°。运行所需的初始条件和边界条件来自于5个全球气候模式（CMIP5模式）CSIRO-Mk3-6-0（CS; Rotstayn et al.，2010）、EC-EARTH（EC; Hazeleger et al.，2010）、HadGEM2-ES（Had; Collins et al.，2011）、MPI-ESM-MR（MPI; Stevens et al.，2013）和NorESM1-M（Nor; Bentsen et al.，2013）（详细信息见表1）。观测资料来自CN05.1格点化观测数据集（分辨率为0.25°×0.25°），该数据集由我国1961年以来2400多个台站的观测资料通过“距平逼近”插值得到的（吴佳和高学杰，2013）。

1.2 方法

相比全球气候模式，区域气候模式模拟精度有了一定的提高，但模拟结果仍存在明显的系统偏差（童尧等，2017）。为了减少偏差带来的影响，本文利用均值校正法对高分辨率的区域气候模式输出的逐日降水进行了偏差校正，即基于逐日降水观测资料，将RegCM4模式模拟的逐日降水气候平均用观测值进行订正，该方法计算简便，可有效减少模式模拟与观测之间的偏差。

研究西南地区极端降水事件选用的极端降水指数来自世界气象组织气候变化检测和指标专家组（Expert Team on Climate Change Detection and Indices，ETCCDI）定义的4个代表指数（表2），包括有效降水日的总降水量（Prcptot）、强降水日数（R10mm）、日最大降水量（Rx1day）和极端降水量（R95p）。为了方便比较，文中评估和预估总降水量、日最大降水量和极端降水量采用相对变化（单位:%），而极端降水日数评估和预估采用绝对变化（单位:d）。

在进行模式性能评估时，主要使用泰勒图（Taylor，2001）系统展示RegCM4模式多个输出结果对中国西南地区极端降水的模拟性能，它能够简洁且直观地给出各个模式的模拟能力。泰勒图主要展示RegCM4模式模拟与观测之间的空间相关系数、与观测标准差之比及中心均方根误差; 当RegCM4模式与观测的空间相关系数越大、标准差之比越接近于1且均方根误差越小时，即RegCM4模式对西南地区极端降水模拟结果与观测（REF）更为接近时，说明RegCM4模式的模拟效果越好。

年际变率指数（the Model Variability Index，MVI）也被广泛运用到模式模拟性能评估当中（Gleckler et al.，2008）。Xu et al.（2022）使用年际变率指数分析CMIP5和CMIP6模式对中国极端降水事件年际变率模拟性能，结果表明:相较于CMIP5模式，CMIP6模式能更好地模拟中国极端降水事件的年际变率。MVI主要运用模式与观测标准差之比来计算，当MVI值越小则表示模式对年际变率的模拟性能越好，计算公式如下:

$I_{\mathrm{M}\mathrm{V}}=\frac{1}{p}\sum _{p=1}^p{\left({\sigma }_{\mathrm{m}0}-\frac{1}{{\sigma }_{\mathrm{m}0}}\right)}^2$

其中:σ_m0表示模式标准差与观测标准差之比; p表示极端降水指数的个数。

2 结果分析

2.1 RegCM4模式对西南极端降水的模拟性能评估

图2—4分别给出了RegCM4模式模拟的西南地区1986—2005年平均的R10mm、Rx1day和R95p相对观测的偏差分布，同时也给出了经过偏差校正后的结果（红色代表干偏差，蓝色代表湿偏差）。5个区域模式和多模式集合平均对R10mm、Rx1day和R95p模拟偏差的空间分布较为类似。

从多模式集合平均可以看到，R10mm湿偏差主要位于四川中部（高估45 d以上），特别在四川南部高估60 d以上，而在四川东部存在较大的干偏差（模拟偏少15 d左右），整体上多模式集合平均对R10mm高估26 d左右（图2）; 但从西南地区区域平均来看，各模式对西南地区R10mm模拟仍然偏多23~31 d，其中EC偏差最大，MPI偏差最小（表3）; 整体上来看，模式对四川西部、云南和贵州模拟偏差较小，对于这些地区模拟效果较好，这与RegCM3模拟结果较为一致（徐集云等，2013）。校正后的模式对西南地区R10mm模拟偏差集中在±15 d左右，干偏差主要位于四川盆地，其余地区为湿偏差区; 校正后的模式对R10mm模拟偏多4.8~6.8 d，其中Had偏差最小，EC最大。对比校正前后偏差的空间分布可以看出，校正后的模式可以有效减小RegCM4模式对四川中部的湿偏差，同时也有效减小四川盆地的干偏差。

而对于Rx1day，偏差空间分布与R10mm相似，在四川中部、云南和贵州存在明显湿偏差，尤其在四川南部部分格点高估200%以上，而在四川盆地存在干偏差（低估50%左右; 图3）; 但从区域平均来看，模式明显高估了Rx1day，为66.2%~74.7%，多模式集合平均高估约69.5%。经过校正后，偏差有所减小，为52.2%~59.4%; 从空间分布来看，模式对Rx1day模拟偏差主要集中为-50%~75%，校正后的模式可以减小西南大部分地区的湿偏差和四川盆地的干偏差; 但在四川南部和云南南部部分地区仍然存在较大的湿偏差，这与童尧等（2017）研究结果一致。该区域的偏差可能主要与这些地区的复杂地形分布有关，使得模式对这些地区的降水模拟存在较大偏差（高学杰等，2006; 张蓓和戴新刚，2016; 童尧等，2022）。

而对于R95p，在西南地区东部存在干偏差，特别是四川盆地，R95p偏少60%以上; 湿偏差位于西南地区西部，特别是川西高估明显（川西部分地区高估80%以上）; 而对于模式CS、EC和Nor在云南南部高估明显，且多模式集合平均对云南南部也是明显高估; 从整体上来看，模式对云南北部和贵州的模拟效果较好（图4），但从区域平均上来看模式高估72.9%~80.4%，多模式集合平均高估约77.0%（表3）。经过偏差校正后，模式对西南地区高估幅度明显减小，为24.2%~32.7%，多模式集合平均高估约29.6%; 从空间分布来看，模式对西南地区模拟偏差主要集中在±40%，湿偏差仍位于西南地区西部，干偏差位于西南地区东部; 但校正后的模式可以有效减少模式对西南地区西部的湿偏差（高估40%左右），同时减小模式对西南地区东部的干偏差（偏少40%左右）; 但四川中部和四川盆地部分地区差异仍然明显。

整体上看，经过偏差校正后，模式模拟结果有了一定的改进，有效减小了西南地区西部的湿偏差和西南地区东部的干偏差，从区域平均上来看，校正后的模式对R10mm模拟的效果好于Rx1day和R95p模拟的效果（表3）。有研究表明（Qin et al.，2021; 童尧，2021），区域气候模式和全球模式都可以描述极端降水事件变化特征，但全球模式各模式间模拟一致性较差，区域气候模式间一致性较好; 区域气候模式对于地形复杂地区极端降水模拟性能较好，能更好地提供极端降水空间分布细节，同时更好描述地形引起降水差异。对比单个模式与多模式集合平均可以发现，多模式集合平均的模拟性能优于大部分模式模拟性能。

图5给出了5个区域模式和多模式集合平均计算的MVI指数。RegCM4模式模拟的MVI基本都大于0.27，其中CS模拟的极端降水指数MVI值超过了0.92，而Had和MPI的MVI较小（小于0.35），说明Had和MPI对极端降水年际变率的模拟性能较好; 多模式集合平均的MVI值为0.42。经过校正后，MVI整体上减小，但CS模拟的MVI值仍为0.50，而EC、Had和MPI的MVI都小于0.10，且多模式集合平均的MVI值为0.07。整体上来看，RegCM4模式模拟结果经过校正后，MVI值明显减小，这也意味着在一定程度上提高了对西南地区极端降水年际变率的模拟性能，且校正后EC、Had和MPI模拟性能较好，多模式集合平均模拟性能优于多数模式。

注:COR代表校正后结果.

为了进一步直观地比较RegCM4模式的模拟能力，图6给出了多个RegCM4模式对西南地区极端降水模拟性能的泰勒图。对于Rx1day，CS模拟结果与观测的空间相关系数最大，为0.55，而EC空间相关系数仅为0.13，多模式集合平均的空间相关系数为0.36; 校正后的模式空间相关系数明显增加，均大于0.82，特别是CS和MPI空间相关系数更是达到0.90以上，多模式集合平均的空间相关系数达到0.88（图6a）。模式与观测标准差之比在0.88~1.38; 相较于观测标准差，Had与观测标准差之比（为1.02）接近于1，而CS标准差较大（1.38）; 校正后，除CS（1.51）和Nor（1.48）外，其余模式的标准差均与观测标准差相差不大（1.16~1.23），EC标准差与观测更为接近，多模式集合平均标准差与观测标准差之比仅为1.21。对于R95p，模式与观测的空间相关系数小于0.31，其中MPI空间相关系数最大，CS空间相关系数最小仅为0.13，而多模式集合平均的空间相关系数仅为0.21; 校正后的模式空间相关系数达到0.87以上，其中CS、EC和Had模式空间相关系数更是达到0.90以上，多模式集合平均空间相关系数达到0.92（图6b）。模式与观测的标准差比值在0.83~1.15，其中Nor标准差与观测相差不大，标准差之比仅为1.08，多模式集合平均标准差与观测标准差之比为0.92; 校正后的模式与观测的标准差比值在0.89~1.53，其中EC和Had标准差与观测标准差相差不大（分别为1.01和1.03）。而对于R10mm（图略），模式标准差与观测标准差之比大于1.48，其中CS和Nor标准差之比更是达到1.95以上; 校正后的模式与观测的标准差比有明显减小，模式与观测标准差之比在0.94~0.98之间，多模式集合平均标准差与观测标准差之比为1.2。因此，校正后的模式对西南地区极端降水的模拟效果明显要优于RegCM4模式的直接输出结果，且多模式集合平均模拟性能要好于大部分模式。

2.2 RegCM4模式对西南地区极端降水的未来变化预估

以往研究表明温室气体排放增加导致全球增暖，但不同区域增温幅度不同，进而导致不同地区大气环流和大气持水能力也存在显著区域差异（孙颖，2021），从而影响区域尺度极端降水的变化。那么在未来不同温室气体排放情景下，西南地区极端降水将如何演变是一个值得关注的科学问题。从2.1节对RegCM4模式模拟性能评估可以看到，均值校正后的RegCM4模式对西南地区极端降水变化的模拟能力有所提高。因此，下面将采用校正后的RegCM4模式模拟结果，科学预估RCP4.5和RCP8.5两种情景下21世纪初期（2021—2040年）、中期（2041—2060年）和末期（2081—2098年）西南地区极端降水的未来演变趋势。

图7给出了RegCM4多模式集合平均预估的未来（2021—2098年）4种极端降水指数相较于当代气候（1986—2005年）的变化，可以看到，在RCP4.5情景下，西南地区年降水总量Prcptot和强降水日数R10mm没有明显的变化趋势，呈现较强的年际波动，到21世纪末期，相较当前气候（1986—2005年）分别增加了0.5%和0.8 d。但日最大降水量Rx1day和极端降水量R95p在未来呈现明显的增加趋势，到21世纪末，相比当前气候分别增加了12.0%和8.1%。不同于RCP4.5情景，西南地区Prcptot和R10mm在RCP8.5情景下呈现明显的增加趋势，到21世纪末，两者相比当前气候分别增加17.5%和4.7 d; Rx1day和R95p增加趋势更为显著，到21世纪末，两者分别增加24.9%和30.9%。

从空间分布上来看，在RCP4.5情景下相较于当前气候，在21世纪初期Prcptot变化存在较大的区域差异，在四川盆地和云南东部地区呈现减少趋势，整体上减少4%左右，而其他地区明显增加，尤其在川西地区，增加明显; 区域平均的Prcptot相较于当前气候增加3.9%（表4）。在RCP8.5情景下，减少的区域范围有所扩大，从四川盆地向西南扩大到四川南部和云南南部区域，尤其在云南南部，减少尤其明显，幅度约6%（图8）; 多模式集合平均的区域总降水量相对增加约3.8%，这与以往研究结果基本一致（张武龙等，2015）。对于强降水日数，在RCP4.5情景下西南大部分地区明显增多，尤其在川西增多明显（增多3 d以上），西南地区平均增加约1.5 d; 但在RCP8.5情景下，四川盆地到四川南部和云南南部出现了明显减少趋势，特别是云南南部部分地区减少达3 d以上，但西南地区区域平均仍增加约1.3 d。对于日最大降水量，RCP4.5和RCP8.5情景下的预估结果表明，整个西南地区表现出一致的明显增多趋势，尤其在RCP4.5情景下四川中部增多超过了20%; 相对于当前气候，西南地区Rx1day在RCP4.5和RCP8.5情景下分别增加约11.3%和12.7%。与Rx1day相似，极端降水量在整个西南地区也呈现一致的增加，相较于当前气候分别增加10.0%和9.9%。

到21世纪中期，Prcptot在川西高原和重庆地区明显增加，RCP8.5情景下增幅更大。在RCP4.5情景下，云南大部分地区均出现明显的减少趋势，南部部分地区减少幅度更是超过了10%; 在RCP8.5情景下，减少区域的范围进一步扩大到西南地区中部和东南部，且减少幅度更大（图9），这与张冬峰等（2017）研究结果一致。但从西南地区区域平均来看，西南地区Prcptot仍为增多，分别增加约4.5%和5.1%。对强降水日数，云南南部部分地区在RCP4.5情景下呈现减少趋势，而在RCP8.5情景下减少范围进一步扩大到整个云南南部，且减少幅度有所增加; 而其他地区表现出一致增加趋势，尤其在川西地区增加明显，且RCP8.5情景下的增加幅度明显大于RCP4.5情景，相较当前气候分别增加约1.5和1.4 d。在21世纪中期，日最大降水量在RCP4.5和RCP8.5情景下均表现出一致增加趋势，特别是四川地区增加幅度明显。对于极端降水量，在RCP4.5和RCP8.5情景下，云南南部部分地区出现了弱的减少趋势，而其他地区明显增加，特别是在川西增加明显，在RCP4.5情景下川西增加12%以上，而RCP8.5情景下增加超过18%。

到21世纪末期，在RCP4.5和RCP8.5情景下，川西和重庆地区呈现出增多趋势，且RCP8.5情景下增幅更大，川西地区增加幅度更是超过了20%。在RCP4.5情景，年降水总量有2个明显的减少区域，一个为四川盆地到四川南部地区，另一个为云南南部到贵州北部地区，但减少幅度较弱; 而RCP8.5情景下2个减少区的范围有所缩小，而增加区域范围扩大，如四川盆地地区，年总降水量在RCP4.5情景表现为减少趋势，但在RCP8.5情景为增加，增幅达到了5%（图10）。从区域平均上来看，到21世纪末，Prcptot分别增加了6.1%和14.6%。对于强降水日数，川西、重庆和贵州部分地区均有所增加，其中川西增加幅度最明显（RCP8.5情景下增加幅度超过12 d）; 而在RCP4.5情景下，四川盆地和云南南部地区R10mm呈现减少趋势; RCP8.5情景下云南南部减少区域范围相对较小，而四川盆地强降水日数由减少转变为增加趋势（增幅约4%）; 对于整个西南地区来说，强降水日数在RCP4.5和RCP8.5情景下分别增加约1.8和3.2 d。对于Rx1day，在未来两种情景下整个西南地区基本呈现一致的增加趋势，其中四川、重庆、贵州地区在RCP8.5高排放情景下的增幅（40%以上）明显要大于RCP4.5情景的结果（25%左右）。与Rx1day变化类似，在两种情景下R95p在整个西南地区也基本呈现出一致的增加趋势，且RCP8.5情景下的增幅大于RCP4.5情景。

3 讨论和结论

本文基于CN05.1观测数据，系统评估了高分辨率区域气候模式RegCM4对西南地区极端降水的模拟性能，并科学预估了RCP4.5和RCP8.5两种情景下21世纪西南地区极端降水的未来演变趋势。主要结论如下:

1）从整体上来看，RegCM4模式对西南地区极端降水模拟效果较好，但在四川盆地存在较大的干偏差，四川中部存在较大的湿偏差; 经过均值校正后，模式对四川盆地的干偏差和四川中部的湿偏差均有所减小。校正后的模式能够较好地模拟极端降水指数的空间分布，其空间标准差与观测更为接近，且有效提高了与观测的空间相关系数; 对于极端降水指数年际变率的模拟也有了一定程度的提升，且多模式集合平均模拟效果要优于大部分模式结果。

2）基于高分辨率区域气候模式RegCM4的预估结果表明，西南地区未来极端降水整体呈现较为一致的变化趋势，但也存在区域差异，尤其是年降水总量和强降水日数的变化，区域差异明显。对于年降水总量和强降水日数，其变化趋势在空间上基本表现出类似特征，在总降水量减少（增加）的区域强降水日数也减少（增加）; 其减少区域主要集中在四川盆地和云南南部地区，减少区域范围和幅度在21世纪中期最大，而到了21世纪末期，减少范围有所缩小，其中在RCP8.5情景下，年降水总量和强降水日数由减少转变为增加趋势。对于日最大降水量和极端降水量，在RCP4.5和RCP8.5情景下，未来整个西南地区基本呈现一致的增加趋势，尤其是川西地区，增加尤其明显; 到了21世纪末，相比当前气候日最大降水量和极端降水量分别增加了23.2%和21.2%。

当然，本文研究还存在一定的局限性。虽然使用了多个全球气候模式驱动的高分辨率区域气候模式结果进行分析，但对于具有复杂地形的西南地区来说，区域气候模式模拟仍存在较大偏差，其未来气候变化预估结果仍存在较大的不确定性，尤其对于极端降水变化。因此，在后续工作中，可借助CORDEX东亚试验中的多个高分辨率区域气候模式模拟结果，结合CMIP6高分辨率模式比较计划中的多个高分辨率全球气候模式结果，发展观测约束预估方法，降低预估不确定性，并进一步开展西南地区极端气候未来变化预估研究，更好地服务于西南地区气候变化应对政策与措施的制定。

参考文献