en
×

分享给微信好友或者朋友圈

使用微信“扫一扫”功能。
通讯作者:

陈海山,E-mail: haishan@nuist.edu.cn

引用:陈海山,张耀存,张文君,等,2024.中国极端天气气候研究——“地球系统与全球变化”重点专项项目简介及最新进展[J].大气科学学报,47(1):23-45.

Quote:Chen H S,Zhang Y C,Zhang W J,et al.,2024.Research on weather and climate extremes over China:brief introduction and recent progress of the National Key R&D Program of China for Earth System and Global Change[J].Trans Atmos Sci,47(1):23-45.doi:10.13878/j.cnki.dqkxxb.20240110007.(in Chinese).

目录contents

    摘要

    全球变暖背景下,极端天气气候事件频发,并表现出群发性、持续性、复合性等特点,不可预测性增加;持续性强降水、极端低温、复合型极端高温干旱、群发性热浪和台风等极端天气气候事件对我国经济社会和可持续发展影响巨大。然而,上述极端天气气候事件的新特征、关键过程和机理尚不完全清楚,重大极端事件的预报预测水平亟待提升。文章首先简要介绍“地球系统与全球变化”重点专项项目“中国极端天气气候事件的形成机理及其预测和归因”的基本情况。项目拟在分析全球变化背景下对我国造成重大影响的极端天气气候事件新特征的基础上,深入研究多尺度海-陆-气耦合过程影响极端天气气候事件的机理,挖掘极端天气气候事件次季节-季节预测的前兆信号;发展动力与物理统计相结合的极端事件预测新方法,研制针对中国极端事件的新一代高分辨率数值预报与检测归因系统。文章重点总结了自2022年12月项目立项至今取得的最新研究成果和进展。

    Abstract

    Under the background of global warming,extreme weather and climate events may be unprecedented when they occur with increased frequency,evident temporal and spatial clustering (concurrence),stronger persistence and new combinations (compound).This increases the difficulty of predicting extreme events.Extreme weather and climate events,such as persistent heavy rainfall,extreme low temperature,extreme high temperature and drought compound events,heat waves and strong typhoon,have produced a significant influence on economic,social and sustainable development.However,new features of extreme weather and climate events,coupled with associated key processes and relevant mechanism,remain unclear,and the prediction of extreme weather and climate events needs further improvement.This paper first gives a brief introduction of the National Key R&D Program of China for Earth System and Global Change;supported by this program,the new features of extreme weather and climate events causing serious influence over China under changing climate are investigated.Next,the paper explores the physical mechanisms of ocean-land-atmosphere coupling processes that affect extreme weather and climate events,and attempts to seek the precursors for sub-seasonal to seasonal predictions of extreme events.This program aims to develop a new statistical-dynamical combined prediction method of extreme events and establish a new generation of high-resolution numerical prediction in China,along with a detection and attribution system of extreme events.This paper also highlights recent main achievements of this program.

  • 1 研究背景

  • 全球变化背景下,极端天气气候事件频发,并表现出群发性、持续性、复合性等特点,不可预测性增加。持续性强降水、极端低温、复合型极端高温干旱、群发性热浪和台风等极端天气气候事件对我国经济社会和可持续发展影响巨大。然而,上述极端天气气候事件的新特征、关键过程和机理尚不完全清楚,重大极端事件的预报预测水平亟待提升。

  • 首先,辨识全球变化背景下极端天气气候事件的新特征是备受关注的热点问题(Coumou and Rahmstorf,2012; Zscheischler et al.,2020)。IPCC第6次评估报告(AR6)指出:20世纪50年代以来,气候变暖导致全球水循环加剧,极端天气气候事件的变率增大。极端降水事件发生频次增加,强度增强,极端性愈发明显; 极端高温事件增多,强度和持续性加强; 冷事件减少,但极寒事件也时有发生(Seneviratne et al.,2021)。此外,随着全球变暖加剧,复合型极端高温干旱、群发性热浪变得更为频繁(Rahmstorf and Coumou,2011; Zscheischler et al.,2018)。近20年来,海洋热浪发生的频率更高、持续时间更长、范围更广、强度更大,强台风比例增加、登陆中国的台风平均强度增强(中国气象局气候变化中心,2022)。近年来,我国极端强降水和大范围极端高温事件显著增多,持续时间增长,破纪录的极端事件频繁发生,如2020年长江流域的超强梅雨、2021年7月河南郑州的极端强降水、2022年夏季持续的高温热浪(Yin et al.,2023)。在全球变暖背景下,全球不同区域和我国发生的极端天气气候事件表现出与以往显著不同的特征(AghaKouchak et al.,2020; Fischer et al.,2021),亟须加强极端天气气候事件新的变化特征、规律及其成因的研究。

  • 其次,理解极端天气气候事件的形成机理是全球变化领域的研究难点。国内外学者在极端天气气候事件的形成机理及其归因方面取得了一些重要进展(Nie et al.,2020; Neelin et al.,2022; Barriopedro et al.,2023),强调了人类活动对极端天气气候事件变化的作用。值得注意的是,海-陆-气相互作用作为全球气候变化的重要驱动力,在极端天气气候事件的形成中也起到至关重要的作用(Buzan and Huber,2020; Thiery et al.,2020; Wouters et al.,2022)。一方面,极端天气气候事件的发生发展受到次季节到年际等多尺度海气耦合主要模态(如ENSO、IOD、MJO等)的调控,这些典型海气模态同时又受到全球增暖的显著影响(Jin et al.,2014; Cai et al.,2019; Hsu et al.,2021); 另一方面,陆面过程与陆气相互作用通过改变地表能量和水分循环影响区域极端天气气候事件,且上述过程受到不同海洋热力状态的明显调制(Seneviratne et al.,2010; Schumacher et al.,2022)。然而,海气和陆气相互作用过程在全球气候变化的背景下呈现出多样性和复杂性,对其物理事实和动力机制的认识还有待提高。此外,陆面过程对极端天气气候的影响尚未受到足够的重视,陆面反馈在海洋影响极端天气气候事件过程中的作用的相关研究还十分薄弱。因此,深入理解全球变暖背景下海气相互作用和陆面过程变化的机理,探究多尺度海-陆-气耦合过程与我国极端天气气候事件的联系,明确其影响极端事件的关键物理过程,有望开辟我国极端天气气候事件变化研究的新思路,为我国极端天气气候事件的预测提供理论基础。

  • 再者,提高极端事件的预测水平是当前面临的重大科学挑战。相对于平均气候,极端事件与气候灾害的联系更紧密,预测难度更大。目前,国内发展了一系列气候预测理论和方法,但针对极端天气气候事件尚缺乏成熟的预测理论和方法。在物理统计预测方面,年际增量、深度学习和最优子集回归等方法可以在一定程度上提取前期预测信号,进而预测暴雨、暴雪、干旱和高温等极端事件的发生频次等(张德宽等,2003; Fan and Tian,2013; Han et al.,2020; Tian and Fan,2022; Xie et al.,2023); 但已有的物理统计模型多从海温、海冰、土壤、积雪等要素中直接提取预测信号,未能充分考虑气候系统多圈层相互作用过程,尤其是多尺度海-陆-气耦合过程中的有效信息。在动力预测方面,模式物理过程的完善、分辨率的提升、模式初值的改善和集合成员的增加能够提升动力系统对于极端事件的预测能力,且概率预测的结果优于确定性预测(Becker et al.,2013; Xie and Zhang,2017)。目前,欧美和我国都在发展更高分辨率的季节预测系统,或利用动力降尺度方法进一步提升对极端事件的分辨能力。此外,如何将物理统计模型和动力预测的结果有效集成?目前主要依靠主观经验,尚缺少客观化的集成方案,在一定程度上制约了我国极端事件的预测水平。因此,如何充分挖掘多尺度海-陆-气耦合过程中的预测信息,提升动力预测系统对极端事件的预测性能,并有效地将动力预测和物理统计模型的结果进行集成,是目前制约极端事件预测性能提升的重要问题,相关研究突破将为我国防灾减灾提供更直接、更有效的科学支撑。

  • 综上所述,迫切需要深入分析全球变化背景下极端天气气候事件变化的新特征,从海-陆-气耦合的角度来探讨海洋和陆面影响极端事件的多尺度关键过程和机理,发展极端事件次季节-季节预测的新方法,构建中国新一代高分辨率的极端事件数值预报与检测归因系统,提升我国极端天气气候事件的预测水平,为防灾减灾和经济社会可持续发展提供有力支撑。

  • 2 项目的关键科学问题和预期目标

  • 科技部于2022年启动实施了“地球系统与全球变化”重点专项,2023年南京信息工程大学牵头,联合南京大学、中国科学院大气物理研究所、中国气象科学研究院、国家气候中心等高校、科研院所和业务部门申报的“中国极端天气气候事件的形成机理及其预测和归因”项目获科技部立项资助。

  • 项目拟围绕“中国极端天气气候事件的形成机理及其预测和归因”这一核心主题开展多学科交叉集成研究,回答以下关键科学问题:1)在全球变化背景下,极端天气气候事件呈现出什么新的特点和演变规律?人类活动对这些极端天气气候事件有多大影响?2)海气相互作用、陆面过程、海-陆-气耦合影响重大极端天气气候事件的关键过程和机理是什么?3)如何获取极端天气气候事件预测的多尺度前兆信号,发展极端天气气候事件预测的新方法,建立基于动力降尺度与物理统计相结合的新一代高分辨率极端事件数值预报与检测归因系统?

  • 围绕以上关键科学问题,项目拟在分析全球变化背景下对我国造成重大影响的极端天气气候事件新特征的基础上,深入研究多尺度海-陆-气耦合过程影响极端天气气候事件的机理,挖掘极端天气气候事件次季节-季节预测的前兆信号; 发展动力与物理统计相结合的极端事件预测新方法,研制针对中国极端事件的新一代高分辨率数值预报与检测归因系统。

  • 项目拟以变化事实、物理机制、预测方法和预测系统为主线,设立4个课题:第1课题,极端天气气候事件的变化事实、演变特征与归因; 第2课题,多尺度海气相互作用影响极端天气气候事件的关键过程; 第3课题,陆面过程与海-陆-气耦合对极端天气气候事件的影响及其机理; 第4课题,极端事件的预测方法和高分辨率数值预报与检测归因系统(图1)。

  • 项目研究旨在:1)揭示全球变化背景下对我国造成重大影响的极端天气气候事件的新特征; 2)厘清多尺度海-陆-气耦合过程影响极端天气气候事件的机理,明确极端天气气候事件预测的前兆信号; 3)发展基于动力与物理统计相结合的极端事件预测的新方法,研制针对中国极端事件的新一代高分辨率数值预报与检测归因系统,提高极端事件检测归因与预报预测业务水平,为极端天气气候预测业务提供科学支撑。同时,培养一批活跃在大气科学前沿,尤其是气候变化与极端天气气候研究领域的青年学术带头人。

  • 3 项目最新研究进展

  • 3.1 极端天气气候事件的检测识别

  • 极端天气气候事件的检测识别是开展极端事件监测和研究的基础性工作,项目在群发性剧烈降温事件检测、基于逐日土壤湿度的干旱过程识别及中国群发性区域极端降水检测识别方面开展了研究。

  • 1)中国近60 a群发性剧烈降温事件的检测识别:利用中国1961—2020年724站逐日平均气温资料,依据24 h(或48 h)降温超过10℃的标准,对中国区域冬季群发性剧烈降温天气事件进行检测,识别出388次群发性剧烈降温事件。表1为根据综合指标给出的1961—2020年冬季群发性剧烈降温前10名事件。不难发现,其中近20 a就出现了3次(2008年12月3—6日; 2010年1月20—23日; 2016年2月13—15日),这意味着在全球变暖背景下,群发性剧烈降温事件发生频繁且严重。从各年代不同等级群发性剧烈降温事件发生频数来看,21世纪以来群发性剧烈降温事件在持续天数及影响站数等指标上都高于上个世纪末,这种变暖背景下剧烈降温事件给社会发展造成了更大的危害,值得更多关注。

  • 2)基于逐日土壤湿度的干旱起止时间的检测识别:在全球变暖背景下,干旱事件频发,如何在日尺度上识别干旱的持续时间是极端干旱研究的基础性工作。项目利用ERA5提供的逐日土壤湿度数据,计算每天的土壤湿度相对变率Di=SMi-SM¯SM¯i=1,2n,其中SMi为某天的土壤湿度,SM¯为同一天土壤湿度的多年平均值。之后利用日土壤湿度变率与每年土壤湿度的-1.5倍标准差进行比较,其中土壤湿度变率在1个月(30 d)内有至少20 d小于等于-1.5倍标准差的判定为1次干旱事件,第一次满足该条件的识别为干旱起始时间,最后一个不满足该条件的识别为干旱结束时间。图2为华中地区2017年3—10月逐日土壤湿度相对变率。由图2可较好识别出2017年6月27日—8月6日华中地区的持续干旱。

  • 图1 项目任务分解与课题设置

  • Fig.1 Main research content and task design of project

  • 表1 1960—2020年强度排名前10的冬季群发性剧烈降温事件

  • Table1 Top 10 most intense winter clustering extreme cooling events during 1960—2020

  • 图2 2017年华中逐日土壤湿度相对变率的时间序列(蓝色横线为-1.5倍土壤湿度标准差)

  • Fig.2 Time series of daily relative variability of soil moisture over central China in 2017 (the blue solid line represents-1.5 times standard deviation)

  • 3)中国群发性区域极端降水的检测:在全球变暖背景下,极端降水事件频率和强度显著增强,区域性群发极端降水事件频繁发生。项目研究基于再分析格点资料并利用高相关范围的面积来表征极端降水过程的区域性强度。某格点极端降水的区域相关性是指该格点与其周围格点极端降水频数的相关情况,表示该格点发生极端降水时,其他格点同期也发生极端降水的可能性大小。高相关区面积越大,区域相关性相对越好。结果表明:中国夏季和秋季最易发生区域性极端降水,而春季区域性极端降水的强度自21世纪后有所减弱,冬季区域性极端降水主要发生在东南部地区。具体而言,东北极端降水区域性在春季和冬季不显著,而在夏季和秋季均显著且增强,即21世纪后,东北地区夏季和秋季更易发生大范围的极端降水; 华北极端降水区域性春季减弱,夏季和秋季增强; 江南一带全年极端降水均具有明显区域性特征,且冷季强于暖季。

  • 3.2 极端天气气候事件的时空变化、环流型及动力学机理与归因研究

  • 项目最近的工作围绕暖干复合事件、极端寒潮、区域性极端降水的时空变化、环流型及动力学机理开展了研究。此外,针对典型极端天气气候事件(2022年夏季长江中游极端热浪)开展了归因研究。主要进展如下:

  • 1)揭示了我国东部地区暖干复合事件频数变化的主模态及其与异常环流型的可能联系(Huang D Q et al.,2023)。基于我国台站观测和再分析资料研究表明,我国东部地区的暖干复合事件频数变化的主模态主要为一致变化型和南北偶极子型; 与之伴随的强度变化表现为北方强烈的偏暖和偏干,而南方地区则以偏暖为主。两个主模态分别与减弱的陆地上东亚副热带急流和南移的海洋上的东亚副热带急流相关(图3)。进一步分析发现,太平洋年代际振荡的负位相、大西洋高纬度地区的变暖和北极振荡的正位相共同维持急流的减弱和暖干复合事件频数的一致变化型; 赤道太平洋和印度洋的变暖、北大西洋振荡的负位相和日本-太平洋遥相关型共同维持急流的南移和暖干复合事件频数的偶极型。

  • 2)利用新的动力学变量-局地有限振幅波活动(Local finite-amplitude Wave Activity,LWA),探讨了中国东部极端寒潮的前兆信号、爆发条件和关键动力学机理(Shi et al.,2023)。结果表明,约40%的极端寒潮具有以下重要环流特征:在极端寒潮爆发的前4 d左右,巴尔喀什-贝加尔湖地区会出现显著的LWA正异常,这是一个明显的前兆信号(图4a),对应经向增强的环流特征,并伴随着冷空气在欧亚大陆中高纬地区堆积。上述LWA正异常逐渐增强并东移至贝加尔湖以东(图4b),形成局地极端LWA异常(超过95%百分位)。通过对比不同类型的寒潮发现,贝加尔湖以东出现极端LWA异常是爆发极端寒潮的必要条件。LWA可作为我国极端寒潮事件监测和预测的重要因子。

  • 3)揭示了地形复杂地区(青藏高原中东部与四川盆地)夏季区域性极端降水主控环流天气型(Xu X K et al.,2023)。利用GPM卫星降水资料、ERA5大气再分析资料以及谱聚类方法研究发现,青藏高原中东部地区夏季西太平洋副热带高压的南退配合高层南亚高压的东进控制着高原夏季区域性极端降水主要在区域内分布偏南(Ⅰ型占比为55%),而西太平洋副热带高压的北抬与高层南亚高压的东进北抬则控制了高原夏季区域性极端降水在区域内分布偏北(Ⅱ型占比为45%)(图5)。对四川盆地而言,西太平洋副热带高压与南亚高压的相向北抬/南退配合低层西南涡的位置略微偏移控制了夏季区域极端降水分布偏西北(Ⅰ型占比为52.6%)/偏东南(Ⅱ型占比为47.4%)。

  • 4)分析了江淮流域区域性极端降水事件的变化特征并揭示了其对应的主控环流(Zeng et al.,2023)。利用逐小时降水台站资料和ERA5再分析资料,研究发现江淮流域区域性极端降水事件对总的夏季极端降水量和极端降水频率的贡献都较大,大值集中在靠近长江的区域,且区域性事件的贡献随着气候变化呈现出了一定的增加趋势。进一步采用谱聚类方法,研究发现长江中下游区域性极端降水事件的主控环流为受东亚季风影响的梅雨锋控制的梅雨锋型(占比为92%)和登陆台风影响的台风型(占比为8%),其中梅雨锋型可进一步分为偏南梅雨锋型和偏北梅雨锋型。偏南梅雨锋型频发于6月,降水落区偏南,峰值多在早上8时,主要受夜间惯性振荡产生的低空急流的动力影响。偏北梅雨锋型频发于6—7月,降水落区偏北,峰值多出现在下午17时,主要受午后热力影响。台风型主要发生在8月,降水落区位于登陆台风东北侧(图6)。

  • 图3 1979—2019我国东部暖干极端复合事件频数EOF分解前两个模态的空间场(a:第一模态; b:第二模态)以及它们的时间序列与夏季300 hPa全风速的回归系数分布(c:PC1; d:PC2; 图中打点区域表示通过90%置信度检验)(引自Huang D Q et al.(2023))

  • Fig.3 Spatial pattern of the (a) first and (b) second leading EOF mode of summer compound warm dry extreme frequency in the period of 1979—2019, and regression coefficients of summer 300 hPa wind speed against the (c) PC1 and (d) PC2 during 1979—2019.The dots in (c, d) indicate the regions of the anomalies significant at the 90% confidence level (cited from Huang D Q et al. (2023) )

  • 图4 极端寒潮事件的LWA异常合成(单位:m/s):(a)第-1时期(盛期前4 d平均);(b)第0时期(盛期前后共4 d平均)。红实线(蓝虚线)表示正(负)异常,黑实线为0等值线; 灰色阴影区为置信水平达95%的显著异常(引自Shi et al.(2023))

  • Fig.4 Composites of LWA anomalies (unit:m/s) for extreme cold waves at (a) period-1 (4 d average prior to the peak day) and (b) period 0 (4 d average around the peak day) .The red solid (blue dashed) contours indicate positive (negative) anomalies, and the black solid contours are zero lines.The gray shading indicates significant anomalies at the 95% confidence level (cited from Shi et al. (2023) )

  • 5)开展了典型极端天气气候事件(2022年夏季长江中游极端热浪)的归因研究(Hua et al.,2023a):2022年夏季,北半球许多地区经历了极端高温天气。例如,欧洲遭遇了前所未有的热浪,英国气温首次超过40℃。在亚洲,中国经历了有记录以来范围最广、持续时间最长的热浪,其中长江中下游地区夏季热浪和干旱尤为严重。利用多源地面站点和格点观测数据、再分析资料(ERA5和JRA-55),借助先进地球系统模式(CESM2)的超级集合试验、偏差校正方法等,分析了2022年夏季长江中游极端热浪的特征,量化了气候系统内部变率和人为强迫对2022年夏季极端热浪的贡献,最后根据未来气候变化预估了此类极端事件发生的概率。结果表明,2022年长江中游地区有两个极热时期(集中在7月初和8月中旬),导致夏季极端温度超过历史最大值。在7 d到40 d的时间尺度内,破纪录值的区域约占研究区域的83%。长江中游地区最高气温比气候平均值(1981—2010年)高13.1℃,重现期长达数万年。针对2022年长江中游夏季高温热浪事件分析发现,异常的大气环流和持续的高压系统促成了2022年长江中游的高温热浪,使得此类事件发生的可能性增加了6~7倍(图7)。CESM2和其他CMIP6耦合模式的多模式集合模拟表明,这种异常环流主要是由大气和下垫面条件的内部变率造成的,而人为气候变化则增强了此类事件发生的可能性。随着气候变暖,在相对较高的SSP3-7.0排放情景下,预计到2070年至2100年,长江中游地区罕见的热浪将变得更加普遍,并且可能每8.5 a发生一次。发生此类事件的可能性大幅增加,主要是由于长江中游地区日最高温度的概率密度函数(PDF)平均态偏移(正偏移),其次是变率增加(PDF平坦化)。

  • 3.3 热带太平洋海温变异机理、未来变化及其影响研究

  • 海气相互作用与极端事件具有密切的联系,多尺度海气相互作用及其相关机理研究是从海气相互作用的角度深入理解极端事件形成机理的前提。项目在热带太平洋海温变异机理、未来变化及其影响方面取得了阶段性进展。具体如下:

  • 1)揭示了连续性拉尼娜事件的独特海洋过程及前兆信号(Liu F Y et al.,2023)。ENSO具有多样性和复杂性,厄尔尼诺通常在成熟后迅速衰退,而拉尼娜往往在第二年持续,甚至在随后冬季再次加强,造成连续性拉尼娜(MLN)事件,其物理过程有待阐明。MLN相关的异常纬向风应力与海表温度呈现出一致的持续性特征,但是纬向流却显示出规律振荡,在发展年8月至第2年8月期间呈现出近一年的周期特征(图8)。基于纬向流的这种独特现象,研究定义了Uo-MLN指数(100°~170°W、5°S~5°N区域平均的正位相与负位相纬向流平均值的差值)。该指数刻画了两次纬向流异常反转的海洋过程,区分了多年拉尼娜和单年拉尼娜事件。MLN事件发展年4—10月太平洋海洋热力状况与第二个冬季Niño3.4指数呈现出高负相关关系(图9),表明赤道中东太平洋的前期热含量状态为MLN提供了一个潜在的前兆信号。

  • 图5 2000—2020年青藏高原中东部地区夏季区域性小时极端降水主控天气环流型(a、b:200 hPa环流; c、d:500 hPa环流; 矢量为平均风场,单位:m·s-1; 等值线为位势高度场,单位:dagpm; 填色为EP发生频率,单位:%); 不同环流型下EP的发生频率(e、f; 加点区域表示EP发生频率超过10%; 等值线为强度,单位:mm·h-1; 填色为区域性小时极端降水量,单位:mm); 6、7和8月区域性极端降水发生时数(单位:h)及其对夏季极端降水的贡献(g、h)(引自Xu X K et al.(2023))

  • Fig.5 Synoptic patterns responsible for the summer regional hourly extreme precipitation events (RHEPE) over central and eastern Tibetan Plateau (CETP) revealed by clustering at (a, b) 200 hPa and (c, d) 500 hPa.The mean wind field (vectors, unit:m·s-1) , geopotential heights (contours, unit:dagpm) , and occurrence probability of EP (shaded, unit:%) under each synoptic pattern are shown in (a—d) . (e, f) show the distribution of occurrence probability of EP (grids with the EP occurrence probability greater than 10% are dotted) , intensity (contour, unit:mm·h-1) , and amount (shaded, unit:mm) of RHEPE under different synoptic patterns over CETP. (g, h) show the RHEPE occurrences (unit:h) under different synoptic patterns in June, July and August with the contributions (numbers in the brackets, unit:%) to the total RHEPE occurrence in summer during 2000—2020 (cited from Xu X K et al. (2023) )

  • 图6 长江中下游区域性小时极端降水事件的主控天气型环流(a—c:850 hPa环流; 等值线(箭矢)为RHEPE事件合成的平均位势高度(风场),蓝点表示EP发生频率(右侧图例),定义为特定天气型下特定地点总EP发生数与该天气型下总发生数之比,a、b中红线为梅雨锋位置); 200 hPa南亚高压(绿线,12 500 gpm)、500 hPa西太平洋副热带高压(棕线,5 880 gpm)及850 hPa风速距平的配置(d—f; 绿色虚(实)线表示1980—2020年气候态(各个天气型下)的南亚高压,棕色虚(实)线表示1980—2020年气候态(各个天气型下)的西太平洋副热带高压; 矢量表示相对于1980—2020年夏季气候态的850 hPa风速距平); 6、7和8月区域小时极端降水发生时数(g—i; 单位:h)(引自Zeng J W et al.(2023))

  • Fig.6 (a—c) Typical synoptic patterns at 850 hPa responsible for the summer regional hourly extreme precipitation events (RHEPE) over the middle and lower Yangtze River basin.The contour lines (arrows) show the composite mean geopotential height (wind fields) during the RHEPE, and the blue dots indicate the occurrence probability of Extreme Precipitation (EP) (right color bar) ; this is defined as the ratio of total EP occurrences at a given site under a given synoptic pattern to the total occurrences of this synoptic pattern.The red lines indicate the position of the Meiyu front in (a, b) . (d—f) show the configuration of South Asian high (SAH) at 200 hPa (solid green lines) , western North Pacific subtropical high (WNPSH) at 500 hPa (solid brown lines) , and the wind anomalies at 850 hPa under each synoptic pattern.The dashed (solid) green lines represent the SAH indicated by the12 500 gpm contour at 200 hPa and dashed (solid) brown lines indicate the WNPSH indicated by the5 880 gpm contour at 500 hPa in the climatology of 1980—2020 (composite mean under each synoptic pattern) .The vectors in (d—f) indicate the anomalous winds at 850 hPa under each synoptic pattern relative to the climatic mean in summers of 1980—2020. (g—i) are the RHEPE occurrences (unit:h) under different synoptic patterns in June, July and August during the summers of 1980—2020 (cited from Zeng J W et al. (2023) )

  • 图7 2022年夏季21 d平均(8月6—26日)的日最高气温异常(a; 单位:℃; 打点区表示该地气温打破了1940—2021年的纪录; 方框代表研究区域(103°~111°E,27°~33°N)); 不同时间尺度(1~40 d)平均的破纪录区域面积(单位为103 km2或%,%表示占长江中游地区总面积的百分比)的时间演变(b; 蓝线表示7、15、21和31 d平均的最大破纪录面积对应的日期); 当前气候条件下(2012—2032年)偏差校正后的CESM2全强迫(粉红色)和自然强迫(蓝色)下长江中游夏季高温的PDF分布(c; c和d中的竖黑线表示8月6—26日长江中游区域平均的2022年Tmax异常值); CESM2全强迫模拟的在20世纪初(1900—1930年,蓝色)、当前气候(2012—2032年,红色)和21世纪后期(2070—2100年,紫色)不同气候条件下极端高温事件发生的概率(d)(引自Hua et al.(2023a))

  • Fig.7 (a) Daily maximum 2 m air temperature (Tmax) anomalies (℃) in summer 2022 averaged over 21 d (6—26 August) periods based on ERA5 data.The stippling indicates the regions with temperatures that break the1940—2021 record.The outlined box represents the study region (Central China:27°—33°N, 103°—111°E) . (b) Temporal evolution of the spatial extent (in 103 km2 and % of the total areas of Central China) of areas with record-breaking temperatures averaged over different time periods (from 1 to 40 d, y-axis) centered on the day plotted on the x-axis in Central China.The blue bars represent the period of maximum extension for the7, 15, 21 and 31 d averages. (c) Histograms (bars) and estimated PDFs (curves) of the Tmax anomalies over Central China in CESM2 ALL (pink) and EE (blue) bias-corrected simulations in the present climate (2012—2032) .The vertical black line in (c) and (d) represents the Tmax anomalies in 2022 averaged over 6—26 August and over Central China in ERA5. (d) Histograms and PDFs of the Tmax anomalies from the CESM2 all-forcing simulations for the early twentieth century climate (1900—1930; blue) , present-day climate (2012—2032; pink) , and the late twenty-first century climate under the SSP3-7.0 scenario (2070—2100; purple) (cited from Hua et al. (2023a) )

  • 2)探讨了未来全球变暖背景下强El Niño的可能变化及其对东亚冬季降水的影响(Huang Y et al.,2023)。强El Niño事件会引起全球显著的天气气候异常,造成区域极端性干旱或者洪涝,尤其会引起中国冬季南方出现持续性降水异常。然而,在未来全球变暖背景下,强El Niño事件对中国冬季降水影响是否发生变化值得关注。以往研究表明,强El Niño事件通过罗斯贝波响应激发孟加拉湾至南海区域出现低空异常的反气旋,进而使得中国华南降水增多。项目基于CMIP模式发现,在未来高排放情景下强El Niño事件可造成孟加拉湾至南海区域反气旋出现北移现象,这一北移有利于东亚北部地区降水增多、南部地区降水减少(图10)。进一步研究发现,华南地区降水负异常随着排放增多出现减少的趋势,而冬季江淮流域以北地区降水增多的特征随着排放增多更加显著。

  • 图8 连续拉尼娜事件海气异常的时间—经度演变图(5°S~5°N纬向平均; 打点区表示通过95%置信度检验):(a)海表温度(单位:℃);(b)纬向风应力(单位:N·m-2);(c)温跃层深度(单位:m);(d)纬向流(5~45 m平均; 单位:m·s-1)(引自Liu F Y et al.(2023))

  • Fig.8 Time-longitude Hovmöller diagrams of anomalous (a) SST (℃) , (b) zonal wind stress (N·m-2) , (c) D20 (m) , and (d) surface zonal current (5—45 m average; m·s-1) averaged within 5°S—5°N for the multiyear La Niña events composite.Stippling represents values above the 95% confidence level (cited from Liu F Y et al. (2023) )

  • 图9 发展年(Apr0—Oct0)太平洋海洋异常归一化指数D20(170°E~180°~90°W,5°S~5°N)与Uo-MLN指数(a)和第二年冬季(ND+1J+2)Niño3.4指数(b)的散点图(红色和蓝色圆圈分别代表单年和多年拉尼娜事件,叉号代表相应的平均值,误差条代表一个标准差)(引自Liu F Y et al.(2023))

  • Fig.9 Scatterplot of the (Apr0—Oct0) normalized D20 indicator as a function of (a) the Uo-MLN index, (b) second-year amplitude which is measured as the winter (ND+1J+2) Niño3.4 index.The red and blue circles denote the single-year and multiyear La Niña events, respectively, the colored crosses denote composited mean, and the error bars represent one standard deviation (cited from Liu F Y et al. (2023) )

  • 图10 未来排放情景与历史模拟的强El Niño冬季大气异常的差值。CMIP5中RCP8.5与历史模拟的850 hPa风场(a; 单位:m·s-1)、1 000 hPa至500 hPa垂直积分的水汽通量散度(填色,单位:g/(m2·s))和水汽输送(c)的异常差值。(b)、(d)同(a)、(c),但为CMIP6中SSP585与历史模拟的差值。红色矢量和打点区域表示通过95%置信度检验。字母A和C分别代表反气旋异常和气旋异常的变化(引自Huang Y et al.(2023))

  • Fig.10 Changes of the 850 hPa U, V wind anomaly (m/s, a, b) , and the integrated moisture flux divergence anomaly from 1 000 to 500 hPa (shadings, g/ (m2·s) ) and moisture transport anomaly (vectors, c, d) during strong EP events in winter (JFM) for CMIP5 (a, c:RCP8.5-historical) and CMIP6 (b, d:SSP5-8.5-historical) MME results.The red vectors and stippled regions exceed the 95% confidence level as determined by a two-sided Student’s t-test, and A and C respectively represent the changes of anticyclone and cyclone anomaly (cited from Huang Y et al. (2023) )

  • 3)提出了热带海温变率与陆面过程的相互作用影响台风活动的可能机制(Cai et al.,2023)。研究表明,20世纪末以来,青藏高原冬春积雪异常引起的热力作用改变了局地位势高度异常,导致热带印度洋海盆海温冷异常。随后的夏秋季节,高原积雪导致的海陆热力差异较小,减弱了孟加拉湾爆发的西南季风,加强了印度洋东西海温梯度,驱动了印度尼西亚西海岸的异常东风,进一步增大了印度洋海温异常的纬向差异。此海洋-大气相互反馈的过程促使印度洋在台风快速增强活跃期加速印度洋类偶极子模态的演变。研究结果强调了青藏高原热力作用在印度洋海气相互作用中的重要性,也揭示了印度洋海温对快速增强台风的影响机制,为理解热带气旋强度的变化以及热带气旋强度的季节预测提供了新思路(图11)。

  • 3.4 关键陆面因子的异常变化与机理研究

  • 项目围绕积雪、地表蒸散发、植被等关键陆面因子的异常变化及相关机理开展了大量的研究。此外,近期研究还评估了土地利用/土地覆盖变化的气候效应。相关工作为后续研究陆面过程和海陆气耦合对极端事件的影响奠定了基础。主要进展如下:

  • 1)揭示了欧亚大陆中高纬秋季积雪/冬季降雪异常的主要模态及其关键环流因子(Zhang et al.,2023a,b)。欧亚中高纬地区深秋(11月)积雪异常的东-西偶极子型模态能够通过调控对流层-平流层相互作用过程,对后期冬季北极涛动和北大西洋涛动等大范围大气环流系统以及区域性极端气候产生不可忽视的影响。研究表明,东-西偶极子型格局是欧亚深秋积雪年际变化的主导模态,其表现为欧亚中纬度东、西部积雪反向变化的特征(图12a、b)。研究发现,欧亚中高纬冬季降雪年际变化的第一、二模态分别表现为欧亚高纬地区、西西伯利亚地区降雪量的一致性变化特征(图12c—f)。秋季东-西偶极子型积雪异常格局受到同时期东大西洋型、东大西洋-西俄罗斯型和斯堪的纳维亚型三种大气遥相关型以及北大西洋经向偶极型异常海温和巴伦支海域海冰变化的共同作用,它们通过影响欧亚大陆上空异常大气环流及其导致的气温和降雪量的变化控制积雪异常模态的形成。诊断分析和数值试验表明,异常大气环流及其引起的大气动力条件和水汽输送状况的变化是导致降雪异常的主要原因,与冬季降雪第一模态相关的异常环流可以归因于极地-欧亚型和斯堪的纳维亚型遥相关的影响,二者解释了约2/3的变化; 第二模态除了受到欧亚型遥相关和北大西洋涛动等大气内部变率的影响外,还与巴芬湾的海冰异常有关。

  • 图11 青藏高原雪深影响台风快速增强的物理过程示意图(引自Cai et al.(2023))

  • Fig.11 Schematic for physical process under which the Tibetan Plateau snow depth affects the rapidly intensifying typhoons (cited from Cai et al. (2023) )

  • 2)探讨了欧亚大陆中高纬度春季融雪的基本特征及其驱动机制(Sun and Chen,2023)。欧亚大陆中高纬度春季融雪能显著影响局地水文过程和后续夏季东北亚气候变异。研究发现,欧亚大陆中高纬度春季融雪主要表现为两种类型:第一类异常融雪型,前冬降雪异常积累伴随春季异常偏暖加剧融雪; 第二类异常融雪型,虽然前冬积雪较少,但是春季强烈增暖更利于融雪。具体而言,第一类融雪事件中,前冬关键区受异常低压槽控制,利于水汽输送和局地辐合,伴随低层上升运动,促进前冬积雪,为融雪提供有利的初始条件。4月关键区受高压脊控制,异常暖平流和下沉运动导致地表升温,融雪增强。第二类融雪事件中,冬季环流异常不明显,但是4月受到更强的异常高压控制,导致了更剧烈的融雪过程。局地地表能量平衡的分析结果表明,大气向下的感热加热是影响第一类融雪事件的主要因素,短波辐射起次要作用,而第二类融雪事件中短波辐射的作用更强,感热加热次之(图13)。

  • 3)基于Shuttleworth-Wallace模型构建了1982—2015全球5 km逐月潜在蒸散发数据集(Sun et al.,2023a)。作为蒸散发(evapotranspiration,ET)的理论上限,潜在蒸散发(potential evapotranspiration,PET)一直以来都是各个学科重点关注的一个关键变量。然而,由于非真实的下垫面设置和不合理的模型参数化,目前PET数据集及主要PET模型依然存在诸多不确定性。项目研究充分考虑植被参数(如植被气孔导度、CO2效应对植被气孔导度的影响)的种间差异,并应用经过严格筛选的全球96个通量塔观测的PET(即不受水分胁迫的ET)数据,对Shuttleworth-Wallace(SW)双源模型进行了率定和参数化。基于1982—2015年4套气象数据(MSWX-Past、CRU TS4.06、ERA-5和MERRA-2)、重制的全球植被冠层高度、土地利用/覆盖数据集(GLASS-GLC)、叶面积指数数据(GLASS AVHRR LAI)及格点化全球CO2浓度数据,生产了全球(180°~90°W~0°~90°E~180°,60°S~85°N)逐月5 km的PET、潜在蒸腾(potential transpiration,PT)和潜在土壤蒸发(PE)产品,并最终提供了PET、PT和PE的集合产品(https://doi.org/10.11888/Terre.tpdc.300193)。

  • 图12 1979—2018年欧亚中高纬11月积雪变化的EOF第一模态(a)及其PC1(b); 1982—2020年欧亚冬季降雪年际变化的EOF第一(c)、第二(d)模态及其PC1(e)、PC2(f)(c、d为PC1、PC2回归得到的降雪异常的空间分布; 打点区域表示通过95%置信度检验)(引自Zhang et al.(2023a,b))

  • Fig.12 (a) Spatial pattern and (b) PC1 of the first EOF mode of November Eurasian snow cover variability during 1979—2018, and first two EOF modes of the interannual variability of northern Eurasian winter snowfall during 1982—2020:the spatial patterns of (c) EOF1 and (d) EOF2 modes, and (e, f) the corresponding PCs.The spatial patterns are expressed as the regression of snowfall against PCs, and the dotted areas are significant at the 95% confidence level (cited from Zhang et al. (2023a, b) )

  • 图13 第一类(a)和第二类(b)春季异常融雪事件成因的概念图(引自Sun and Chen(2023))

  • Fig.13 Schematic of (a) category-1 and (b) category-2 spring anomalous snowmelt (cited from Sun and Chen (2023) )

  • 4)揭示了青藏高原主要生长季植被的年际变化特征及其对印度夏季风活动的响应机制(Mao et al.,2023)。研究发现,印度夏季风不仅通过调节高原降水来影响高原植被,而且还能通过引起高原热力因子的变化来影响高原植被生长。在强印度夏季风的情况下,其相应的对流层上层和中下层环流结构有助于将更多的水汽输送到高原,并增强高原上空的对流。增强的对流和降水能够促进高原植被的生长,表现出一致的生长变化。与此同时,高原植被与热源之间存在相互作用,一方面植被会影响高原地表热力情况,而变化的热源又会促进高原植被生长。并且,多元回归分析表明,印度夏季风及其引起的局地气候因子的变化可占高原主要生长季植被年际变化的52%以上。研究结果有助于加深对高原植被与区域及全球气候变化联系的理解、提高未来对高原植被年际生长变化的预测。

  • 5)评估了土地利用/土地覆盖变化的气候效应(Liu S Y et al.,2023)。人类活动导致的土地利用变化极大地改变了陆地表面(如毁林等),对极端气候也有重要影响。然而,毁林变化的局地和非局地影响仍存在很大的不确定性。项目通过模拟研究,首先强调了森林变化非局地气候效应的重要性,如果不考虑非局部效应,那么云量变化与森林砍伐之间的关系将被误解(Hua et al.,2023b); 其次揭示了毁林的生物物理影响,量化了不同生物物理因素的相对贡献以及强调了不同模式对温度模拟的差异可能主要受非局地大气反馈的调制。

  • 3.5 陆面过程与陆气耦合过程对极端事件的影响

  • 项目在陆面过程与陆气耦合过程对极端事件的影响方面也取得了阶段性成果,具体包括:

  • 1)阐明了地球三极热力异常强迫与2022年北半球群发性极端事件的关联(Zhang et al.,2024)。在全球变暖背景下,地球三极(北极、南极、青藏高原)的海冰、陆面冰川和积雪融化速率加快,水分相态的变化通过反照率效应和水文效应等影响海表和地表净辐射、地表能量分配、水循环等,进而通过下垫面反馈过程影响局地和全球天气气候。项目针对2022年夏季极端事件及其与三极热力异常的关联性开展了研究。图14给出了2022年7—8月北半球气温异常和极端降水的空间分布,可见北美西部、西欧-东欧、东西伯利亚和中国长江流域等区域出现了3℃以上的温度正异常,反映了这些区域的夏季极端高温事件。此外,在温度负异常的几个区域则出现了3次破纪录的极端强降水事件,包括巴基斯坦夏季洪涝、5月21日—6月21日华南龙舟水、8月7—11日韩国洪涝和中国东北夏季极端降水,上述极端事件具有明显群发性特征。进一步分析发现,上述群发性极端事件与北极、南极和青藏高原的水热异常之间存在密切关联; 而且三极水热异常对北半球极端事件的群发性有重要影响。北极暖异常减小北极与中低纬度的温度梯度并引起NAO模态变化,进而造成西风急流、波列及副热带高压向北伸展,同时造成波动振幅加大,有助于阻塞活动以及极端温度和降水发生; 另外,春季北极暖异常也影响春季陆面雪盖和土壤湿度异常,陆面反馈为夏季极端温度的发生提供了非绝热加热。南极暖异常减小南极与中低纬度的温度梯度,进而造成波列及副热带高压向南极伸展; 作为亚洲季风的成员之一,偏南的马斯克林高压将拉大季风环流的空间范围,进而减弱南北半球季风环流系统之间的气压梯度,从而减弱亚洲季风。此外,南极暖异常也会使得整个季风环流系统偏南,有助于水汽在巴基斯坦及华南辐合,加强暴雨发生; 南极增暖还通过影响垂直洋流变化影响AMOC,进而对北半球天气气候产生影响。偏高的青藏高原春季土壤湿度减少了高原热力作用,一方面促进了北非和西太平洋副热带高压的对接,另一方面使得亚洲季风减弱。此外,三者均可激发异常涡旋和波列直接影响极端天气气候(图15)。

  • 图14 2022年7—8月气温异常(上图)以及三个区域极端降水分布(① 巴基斯坦6—8月降水; ② 华南5月21日—6月21日平均降水; ③ 东北亚地区6—7月降水)(引自Zhang et al.(2024))

  • Fig.14 Anomaly of 2 m air temperature and precipitation in 2022 (temperature anomalies are in JA in upper panel; ① precipitation in PK in JJA, ② precipitation in SC from 21 May to 21 June, ③ precipitation in NEA in JJ) (cited from Zhang et al. (2024) )

  • 2)揭示了中南半岛前期土壤湿度异常对2020年超强梅雨的影响及相关机制(Dong et al.,2023)。2020年夏季江淮流域发生的超强梅雨造成了巨大的经济损失和人员伤亡,最新的研究从大气环流异常、海温异常等角度探究了此次超强梅雨发生的可能原因,但陆面过程的影响并未受到关注。项目组基于观测分析和数值模拟探讨了陆面过程对此次超强梅雨的可能贡献,结果表明中南半岛前期的土壤湿度异常对此次超强梅雨有重要的影响。研究发现,5月中南半岛土壤湿度异常与6—7月长江中下游地区降水量显著相关(图16),中南半岛地区前期干的土壤有利于地表温度升高,土壤的“记忆性”使得这种异常可以持续到梅雨期。增暖的地表导致感热通量增加从而加热低层大气,有利于位势高度抬升,使中南半岛到西北太平洋上空出现异常反气旋,西太平洋副热带高压西伸加强,长江中下游地区上空的西南风和垂直运动增强,并导致水汽输送和水汽辐合加强,最终造成梅雨期降水显著增加。基于WRF模式的数值试验再现了观测的环流和降水异常(图17),结果表明中南半岛5月土壤湿度异常使6—7月长江中下游地区降水量增加10.6%。中南半岛土壤湿度减少有利于地表温度升高,有更多的能量以感热形式加热大气。尽管加热局限于中南半岛区域,但被中南半岛地表加热的暖空气在背景气流西南风的作用下使下游大气升温、位势高度增加,同时暖平流使南北温度梯度增加,有利于持续性锋面降水的发生。

  • 3)发现春季中南半岛生物质燃烧可通过陆气反馈增加长江流域夏季降水异常(Wei et al.,2023)。中南半岛是全球生物质燃烧(BB)最严重的地区之一,每年春季排放大量的BB气溶胶。但上述区域BB气溶胶如何影响区域气候和陆气耦合尚不清楚。通过模式试验和观测分析发现,BB气溶胶使中南半岛大气更稳定,从而减少降水和土壤含水量(图18)。由于土壤湿度的记忆性及副高的响应和反馈,较干的土壤从春季持续到夏季,会进一步使副高西伸,并最终导致更多水汽向长江流域输送,从而增加长江流域降水(图19)。此外,BB气溶胶还会使中南半岛土壤湿度异常对长江流域降水的影响几乎加倍,相关结果证实BB气溶胶对区域陆气相互作用及气候具有十分重要的影响。

  • 图15 2022年春末夏初三极暖异常影响夏季群发性极端天气的关键物理过程示意图(引自Zhang et al.(2024))

  • Fig.15 Sketch map of three poles warming effect on concurrent extremes in 2022 (cited from Zhang et al. (2024) )

  • 图16 SVD第一模态异类相关图(a:5月土壤湿度; b:6—7月降水; 打点区域表示通过95%置信度检验); SVD第一模态的左场时间系数(红实线)和右场时间系数(蓝实线)(c); 中南半岛(a中黑色框线所示区域:97°~110°E,10°~20°N)区域平均后的标准化土壤湿度时间序列(c; 黑实线为ERA-5,红点划线为ESA-CCI,蓝虚线为GLDAS)(引自Dong et al.(2023))

  • Fig.16 First SVD mode of heterogeneous maps between (a) the SM in May and (b) precipitation during June and July.The dotted areas are significant at the5% significance level. (c) The expansion coefficients of the first SVD mode. (d) Time series of the standardized regional average SM over the ICP (10°—20°N, 97°—110°E) based on the ERA-5 (black solid line) , ESA-CCI (red dashed and dotted line) and GLDAS (blue dashed line) data.All data are linearly detrended and standardized for the period of 1991—2020 before SVD analysis (cited from Dong et al. (2023) )

  • 4)揭示了CO2浓度升高的植被生理效应对干旱影响的区域性差异及相关机制(Sun et al.,2023b)。基于两套模拟试验(即有无CO2效应),深入分析了CO2效应对中国1971—2010年PET(potential evapotranspiration)、SPEI(standardized precipitation-evapotranspiration index)及干旱特征的影响。结果发现,CO2效应可以导致PET下降、SPEI增大以及干旱强度和持续时间减小; 但是这种影响存在明显的区域性差异,总体呈现为北方的影响最大(除中国最西部的PET)。通过公式推导分析发现,这种空间性差异不仅与CO2浓度存在一定的函数关系,而且与气候背景条件也存在一定的函数关系,如:就PET而言,为气候态的风速(U)和饱和水汽压斜率(s),而就SPEI而言,则为气候态的U和气候态的降水(P)。进一步的归因分析显示,气候态U的空间差异决定了CO2引起的PET变化的空间差异,而气候态UP的空间差异决定了CO2引起的SPEI变化的空间差异。

  • 3.6 极端事件预测相关研究

  • 围绕既定目标,项目在极端事件的预测方面开展了初步研究,代表性成果包括:

  • 1)中国东部极端温度预测研究(Pan et al.,2024)。夏季,长江中下游(YRB)极端高温天气频发,然而动力模式(例如美国环境预报中心第二代气候预报系统CFSv2等)在预测YRB夏季极端高温日数方面存在局限,无法很好地捕捉其年际变化、趋势和极值。因此,项目组基于年际增量方法,使用4个预测因子,即4—5月欧洲西北部融雪、3月中西伯利亚高原积雪深度、CFSv2预测的夏季海温和青藏高原上空200 hPa位势高度,建立了长江中下游极端高温日数(HD35)动力-统计相结合的季节预测模型(HMYRB)。HMYRB在1983—2015年的交叉检验结果中表现出色,预测值与观测值之间的相关系数为0.58,同号率(PSS)为76%(图20)。在独立试报中(2016—2022年),HMYRB仍保持高PSS技巧(为86%)。

  • 图17 控制试验减去敏感性试验得到的6—7月平均物理量(黑色箭矢和白色打点区域表示通过95%置信度检验):(a)降水量(填色,单位:mm·d-1)、500 hPa风场(矢量,单位:m·s-1)和位势高度场(等值线,单位:gpm);(b)700 hPa垂直速度场(填色,单位:10-2 Pa·s-1)、风场(矢量,单位:m·s-1)和位势高度场(等值线,单位:gpm);(c)1 000~300 hPa整层积分的水汽通量(矢量,单位:kg·m-1·s-1)和水汽通量散度(填色,单位:10-5 kg·m-2·s-1);(d)850 hPa温度场(填色,单位:K)、风场(矢量,单位:m·s-1)和位势高度场(等值线,单位:gpm)(引自Dong et al.(2023))

  • Fig.17 (a) Daily precipitation (shaded, mm·d-1) , and 500 hPa wind (vector, m·s-1) and geopotential height (contour, gpm) ; (b) 700 hPa vertical velocity (shaded, 10-2 Pa·s-1) , wind (vector, m·s-1) and geopotential height (contours, gpm) ; (c) water vapor flux (vectors, kg·m-1·s-1) and its divergence (shaded, 10-5 kg·m-2·s-1) , vertically integrated from 1 000 to 300 hPa; (d) 850 hPa temperature (shaded, K) , wind (vector, m·s-1) and geopotential height (contour, gpm) , which are obtained by subtracting CLIM from CTRL and averaged from 1 June to 31 July, 2020.The black arrows and white dotted areas are significant at the 5% level (cited from Dong et al. (2023) )

  • 2)极地-中高纬度信号“暖北极-冷欧亚”(WACE)模态和中国东部冬季气温的预测研究(Xu T B et al.,2023)。极地-中高纬度信号是中国东部冬季气候可预测性的重要来源,其中WACE模态与中国冬季气候关系密切。因此,准确预测WACE对改善中国冬季气候预测具有重要意义。然而,CFSv2对WACE的预测能力非常有限。为实现对“暖北极-冷欧亚”模态指数(GradTAE)的准确预测,课题组基于年际增量方法,选择了前期观测的9月巴伦支-喀拉海海冰、10月北大西洋海温、9月北美土壤湿度和CFSv2预测的同期巴芬湾-拉布拉多海区域海冰作为预测因子,建立了动力-统计混合预测模型。该模型对GradTAE及其年际增量(GradTAE-DY)的年际变化、极值和3个不同时间段的趋势都有良好的预测效果(图21)。相比CFSv2,其预测技巧有了很大提升。在2016—2020年的独立预测中,预测模型保持了较高的准确性。同时对2021/2022年及2022/2023年冬季WACE的预测进行个例检验,其预测效果也保持稳定。CFSv2对中国东部气温的预测技巧较低,观测值与预测值之间的相关系数仅为0.02。基于建立的动力-统计模型对WACE预测,并将预测结果加入CFSv2,对中国东部气温的预测结果进行订正,这样可有效提高CFSv2对中国东部地表气温的预测效果(图22)。

  • 图18 WRF-Chem模式模拟的由中南半岛生物质燃烧排放引起的气候效应(模拟的春季至夏季降水变化(阴影)(左图)和土壤湿度变化(BB-NoBB)(右图); 红(蓝)等值线是BB(NoBB)试验的平均500 hPa位势高度(单位:gpm),箭矢是850 hPa风速的差异; 5 880 gpm位势高度等值线比其他等值线更粗; 每个子图中显示了长江流域的平均百分比差异((BB-NoBB)/NoBB); 打点区域表示差异通过了95%置信度检验(根据对集合成员进行10 000次抽样的bootstrap检验得到); 方框标示为长江流域地区)(引自Wei et al.(2023))

  • Fig.18 Model simulated climate responses to BB emissions: (a, b) Spring (March—May) ; (c, d) June; (e, f) July; (g, h) August.Simulated spring-to-summer (left panels) precipitation (shading) and (right-hand panels) soil moisture differences due to differences in BB emissions (BB-NoBB) .The red (blue) contours are the 500 hPa GPH (unit:gpm) from BB (NoBB) .The arrows are the 850 hPa wind differences.The contour of 5 880 gpm is thicker than the others.The mean percentage difference in the YRV ( (BB-NoBB) /NoBB) is shown in each plot.Stippling highlights differences confident at the 95% level based on a bootstrap test of resampling the ensemble members 10 000 times.The box encloses the YRV region (cited from Wei et al. (2023) )

  • 图19 中南半岛生物质燃烧(BB)影响局地和非局地气候的示意图(引自Wei et al.(2023))

  • Fig.19 Schematic diagram of the major processes by which BB aerosols in Indochina influence local and nonlocal climate (WPSH:western Pacific subtropical high; BB:biomass burning) (cited from Wei et al. (2023) )

  • 4 结语

  • 自2022年12月项目实施以来,项目紧密围绕既定研究内容,在极端事件的检测识别、极端天气气候事件基本特征与环流型及相关动力学机制、多尺度海气相互作用、陆面过程及其对极端事件的影响与极端事件的预测方面取得了一些进展,为项目的顺利实施奠定了坚实的基础。

  • 图20 极端高温日数年际增量(DY-HD35; a)和极端高温日数(HD35; b)的时间序列(单位:d; 红实线为观测值,紫实线为动力-统计模型预测值,虚线表示线性趋势; 1983—2015年为交叉验证结果,2016—2022年为独立试报结果),以及观测(x轴)和预测(y轴)HD35的散点图(c; 紫色点是独立试报年份(2016—2022年); 第25个(1.85 d)和第75个(5.54 d)百分位数的虚线将HD35分为3类:低于正常HD35(小于1.85 d; 浅粉色); 接近正常HD35(在1.85和5.54 d之间; 浅蓝色); 高于正常HD35(超过5.54 d; 浅绿色))(引自Pan et al.(2024))

  • Fig.20 Temporal variations of the (a) DY-HD35 and (b) HD35 (unit:d) .The red solid line is observed, the purple solid line is HM-predicted, and the dashed straight lines represent the linear trends.The leave-one-out cross-validation of the prediction results of HMYRB are from 1983 to 2015, and independent prediction is from 2016 to 2022. (c) Scatterplot of the observed (x-axis) and HM model forecasted (y-axis) HD35.The dashed lines of the 25th (1.85 d) and 75th (5.54 d) percentiles divide the HD35 into three categories:below-normal HD35 (less than 1.85 d; light pink) ; near-normal HD35 (between 1.85 and 5.54 d; light blue) ; and above-normal HD35 (more than 5.54 d; light green) (cited from Pan et al. (2024) )

  • 图21 “暖北极-冷欧亚”指数的年际增量(GradTAE-DY)(a)和“暖北极-冷欧亚”指数(GradTAE)(b)的时间序列(红曲线为观测值,蓝曲线为动力-统计混合模型预测结果; 1983—2015年为交叉验证结果,2016—2020年为独立试报结果; 实线和虚线分别表示观测和预测的线性趋势)(引自Xu T B et al.(2023))

  • Fig.21 Temporal variations of (a) the GradTAE-DY and (b) GradTAE.The red curve is observed, and the blue curve is HMAE-predicted.Leave-one-out cross-validation of prediction results by the HMAE are from 1983 to 2015, and the independent prediction results by the HMAE are from 2016 to 2020.The solid and dashed straight lines represent the linear trends (cited from Xu T B et al. (2023) )

  • 图22 对CFSv2预测的中国东部冬季气温(SATEC)结果进行订正(灰实线为观测的中国东部气温时间序列,青实线为CFSv2预测的中国东部气温时间序列,红实线为基于课题组所建模型的WACE预测结果订正CFSv2预测的中国东部气温时间序列; 直虚线为相应的趋势)(引自Xu T B et al.(2023))

  • Fig.22 Variations of observed (gray) and CFSv2 (blue) SATEC from 1982 to 2020 and predicted SATEC (red) from 1983 to 2020.The predicted SATEC is produced by the prediction model trained by the HMAE-predicted GradTAE-DY and CFSv2-predicted SATEC-DY.The dashed straight lines represent the linear trends of observed and CFSv2 SATEC and predicted SATEC from 1983 to 2020.The results are based on leave-one-out cross-validation (cited from Xu T B et al. (2023) )

  • 然而,关于极端天气气候事件的研究是当前大气科学领域的重大挑战,如何聚焦中国极端天气事件变化的新特征,更多关注多尺度海-陆-气耦合过程影响极端天气气候事件的机理,挖掘极端天气气候事件次季节-季节预测的有效前兆信号,发展极端事件预测新方法,提升极端天气气候事件的预测水平,还任重道远。期待通过项目的研究,能在极端天气气候事件机理的科学认知上有新的突破,为极端天气气候事件预测水平提升、防灾减灾和经济社会可持续发展提供有力支撑。

  • 参考文献

  • 参考文献

  • Address:No.219, Ningliu Road, Nanjing, Jiangsu, China

    Postcode:210044

    Tel:025-58731158