全球气候模式对影响西北太平洋台风强度的大尺度环境因子的模拟评估

吴 斌，钱 业，王瑞芳，赵 鑫，金 磊

(1.黑龙江佳木斯气象卫星地面站，黑龙江 佳木斯 154002；2.浙江师范大学，浙江 金华 321004)

引 言

随着全球变暖，台风强度的气候变化成为台风研究领域的热点科学问题之一，这是因为台风强度往往与灾害程度密切相关。近百年来美国强台风(最大平均风速大于95 kn)导致的灾害损失占所有台风的85%[1]。最近一项研究表明几乎所有的强台风都经历了快速增强过程[2]。台风强度预报中台风快速增强的预报误差最大，在登陆前经历快速增强的台风往往会导致巨大的伤亡和财产损失[3-5]。因此，研究台风强度的气候变化可以为沿海城市的发展应对策略提供科学参考。

台风强度通常受到下垫面及周围大尺度环境条件的影响[6-12]。EMANUEL[8-9]将台风增强过程视作卡诺热机做功过程，探讨海洋通过风蒸发反馈效应影响台风强度的物理过程，提出了台风最大潜在强度(maximum potential intensity, MPI)理论。根据MPI理论，海温升高或流出层温度变冷，均有利于台风获得更多的感热和潜热通量，从而强度增加[13-14]。另外，台风通过洋面时会与海洋发生强烈的相互作用，导致海表暖水和次表层冷水混合，降低海温，对台风强度的发展形成负反馈作用[7,15-17]。对于同体积的次表层冷海水，混合层厚度越厚即海洋的暖水层越厚，抵抗台风引发海温冷却效应的能力就越佳，利于台风强度的发展[18-20]。统计分析和数值模拟研究也表明，环境垂直风切变越大，越不利于台风强度的发展[10-11]。EMANUEL等[12]将垂直风切变的作用以参数化的形式加入到台风强度模式中，考虑不同环境因子对台风强度的气候影响。综上所述，在分析台风强度气候变化的成因时，应重点探讨海温、流出层温度、海洋混合层厚度以及垂直风切变在其中的作用[20-21]。

目前全球气候模式是进行台风强度气候变化研究的主要手段，并且CMIP(coupled model intercomparison project phase)模式的各种情景模拟输出是一个重要资料来源[22-23]。近年来基于CMIP5气候模式资料，对台风强度的气候变化做了大量的研究工作。一般主要采取以下两种途径进行研究：一是基于统计的思想[24-25]，根据观测资料建立大尺度环境场与台风强度变化的经验关系，利用CMIP5模式资料的大尺度环境场直接计算不同情景下的台风强度；二是基于降尺度的思想[26-30]，将CMIP5模式输出的大尺度环境场作为高分辨率区域模式的外界强迫场，运行区域模式，继而分析不同情景下台风强度的气候变化。但是在绝大部分研究中，没有客观地评估全球气候模式对影响台风强度气候变化的大尺度环境场的模拟能力，这将会进一步增加台风强度气候变化结果的不确定性。

鉴于大尺度环境场对台风强度在气候尺度上的控制作用，在利用全球气候模式研究台风强度的气候变化时，需要首先评估全球模式对其大尺度环境场的模拟能力，然后再选取模拟能力较好的模式来分析台风强度的气候变化特征。因此，本文以西北太平洋为研究区域，从空间分布、时间变化和误差分析方面，重点评估全球模式对海温、海洋混合层厚度、流出层温度以及垂直风切变的模拟能力，以期对台风强度气候变化特征的认识提供有意义的信息。

1 资料与方法

1.1 资 料

表1 本研究采用的CMIP5模式介绍Tab.1 Introduction of CMIP5 models in this study

1.2 方 法

根据WU等[20]研究结果，重点评估模式对环境因子气候场和时空线性趋势特征的模拟能力，因为它们决定了西北太平洋台风强度在气候尺度上的变化。为了定量化评估结果，根据WANG等[31]的方法，使用空间相关系数(pattern correlation coefficient, PCC)和标准化的均方根误差(normalized root-mean-square error, NRMSE)来评估模式的气候场与观测结果的一致性。当PCC越大，NRMSE越小，表示相应的模式与观测的空间分布越接近。本文将18个PCC和NRMSE平均值分别定义为其相应的临界值。

2 气候场和线性趋势场分布

2.1 观测的大尺度环境因子空间分布

为评估模式，需要认识观测中控制台风强度气候变化的大尺度环境因子场特征。图1为1980—2005年台风盛季平均的大尺度环境因子场和气候倾向率场。根据WU等[20]的研究结果，台风强度的主要发展区(MDR)位于7.5°N—27.5°N、120°E—170°E。SST随纬度的升高而降低，在MDR SST均高于28 ℃，SST在整个区域表现为增暖，在MDR SST的上升速率小于0.25 ℃ ·(10 a)-1。MLD随纬度的升高而变浅，在MDR MLD均大于30 m，MLD在20°N以南表现为增厚趋势，在MDR MLD的气候倾向率小于4 m·(10 a)-1。OFT随纬度的升高而升高，在MDR OFT基本小于198 K，OFT在西北太平洋整个区域呈明显变冷趋势，且在西部地区变冷速率大于东部地区，在MDR OFT的变冷速率大于0.4 K ·(10 a)-1。在MDR VWS基本小于10 m·s-1，VWS在东部呈增大趋势，西部呈减小趋势。

图1 1980—2005年台风盛季平均的SST场(等值线，单位：℃)和气候倾向率场[阴影，单位：℃ ·(10 a)-1](a)、MLD场(等值线，单位：m)和气候倾向率场[阴影，单位：m·(10 a)-1](b)、OFT场(等值线，单位：K)和气候倾向率场[阴影，单位：K ·(10 a)-1](c)以及VWS场(等值线，单位：m·s-1)和气候倾向率场[阴影，单位：m·s-1(10 a)-1)](d)(点区表示通过α=0.05的显著性检验，下同)Fig.1 The averaged SST field (isoline, Unit: ℃) and climate tendency rate field (shaded, Unit: ℃·(10 a)-1) (a), MLD field (isoline, Unit: m) and climate tendency rate field (shaded, Unit: m·(10 a)-1) (b), OFT field (isoline, Unit: K) and climate tendency rate field (shaded, Unit: K ·(10 a)-1) (c), and VWS field (isoline, Unit: m·s-1) and climate tendency rate field (shaded, Unit: m·s-1·(10 a)-1) (d) in typhoon peak season from 1980 to 2005(the dots area passing the 0.05 significance test, the same as below)

2.2 模式模拟的SST空间分布

图2为18个模式模拟的1980—2005年台风盛季平均的SST场和气候倾向率场。图3为18个模式模拟与观测的大尺度环境因子的PCC和NRMSE散点图。为评估模式对SST空间分布的模拟能力，通过对比观测和模拟的SST空间分布以及定量计算的PCC和NRMSE，发现8个模式(CCSM4，CESM1-BGC，CESM1-CAM5，CNRM-CM5，IPSL-CM5A-MR，MPI-ESM-MR，GFDL-ESM2G和GFDL-ESM2M)对观测的SST空间分布有较高的模拟能力。进一步对比在MDR 8个模式SST模拟值和观测值，发现除CCSM4，CESM1-BGC和IPSL-CM5A-MR外，其他5个模式模拟值明显低于观测值。8个模式模拟的SST在整个区域表现为上升趋势，但在MDR，CCSM4，IPSL-CM5A-MR，MPI-ESM-MR，GFDL-ESM2G和GFDL-ESM2M模拟值上升速率明显大于观测值上升速率，而CESM1-BGC，CESM1-CAM5和CNRM-CM5 模拟值上升速率与观测值上升速率较为接近。

图2 18个模式模拟的1980—2005年台风盛季平均的SST场(等值线，单位：℃)和气候倾向率场[阴影，单位：℃·(10 a)-1]Fig.2 The averaged SST field (isoline, ℃) and climate tendency rate field (shaded, ℃ ·(10 a)-1) simulated by 18 models in typhoon peak season from 1980 to 2005

图3 18个模式模拟与观测的SST(a)、MLD(b)、OFT(c)以及VWS(d)的PCC和NRMSE散点图Fig.3 Scatter plots between PCC and NRMSE of observed and simulated SST (a), MLD (b), OFT (c) and VWS (d) by 18 models

2.3 模式模拟的MLD空间分布

图4为18个模式模拟的1980—2005年台风盛季平均的MLD场和气候倾向率场。通过对比观测和模拟的OFT空间分布以及定量计算的PCC和NRMSE，发现5个模式(ACCESS1-3，CanESM2，CCSM4，CESM1-BGC和CESM1-CAM5)对观测的MLD空间分布有较高的模拟能力。进一步对比在MDR观测和5个模式模拟的MLD，发现CanESM2模拟值明显低于观测值，CCSM4和CESM1-CAM5模拟值均明显高于观测值，而ACCESS1-0，ACCESS1-3和CESM1-BGC模拟值均与观测值较为接近。在MDR，ACCESS1-0，ACCESS1-3和CanESM2模拟的MLD增厚速率明显小于观测的MLD增厚速率，而CCSM4，CESM1-BGC和CESM1-CAM5模拟的MLD增厚速率与观测的MLD增厚速率较为接近。

图4 18个模式模拟的1980—2005年台风盛季平均的MLD场(等值线，单位：m)和气候倾向率场[阴影，单位：m ·(10 a)-1]Fig.4 The averaged MLD field (contours, Unit:m) and climate tendency rate field (shaded, Unit: m ·(10 a)-1) simulated by 18 models in typhoon peak season from 1980 to 2005

2.4 模式模拟的OFT空间分布

图5为18个模式模拟的1980—2005年台风盛季平均的OFT场和气候倾向率场。通过对比观测和模拟的OFT空间分布以及定量计算的PCC和NRMSE，发现7个模式(ACCESS1-0，ACCESS1-3，CanESM2，CNRM-CM5，MPI-ESM-LR，GFDL-ESM2G和GFDL-ESM2M)对观测的OFT空间分布有较高的模拟能力。进一步对比在MDR观测和7个模式模拟的OFT，发现CNRM-CM5和MPI-ESM-MR模拟值低于观测值，而ACCESS1-0，ACCESS1-3，CanESM2，GFDL-ESM2G和GFDL-ESM2M模拟值与观测值较为接近。在MDR，7个模式模拟的OFT气候趋势为略降低，各个模式模拟的OFT下降速率不同程度小于观测的OFT下降速率。

图5 18个模式模拟的1980—2005年台风盛季平均的OFT场(等值线，单位：K)和气候倾向率场[阴影，单位：K·(10 a)-1]Fig.5 The averaged OFT field (isoline, Unit: K) and climate tendency rate field (shaded, Unit: K·(10 a)-1) simulated by 18 models in typhoon peak season from 1980 to 2005

2.5 模式模拟的VWS空间分布

图6为18个模式模拟的1980—2005年台风盛季平均的VWS场和气候倾向率场。通过对比观测和模拟的VWS空间分布以及定量计算的PCC和NRMSE，发现11个模式(ACCESS1-0，ACCESS1-3，CanESM2，CCSM4，CESM1-BGC，CESM1-CAM5，CNRM-CM5，MPI-ESM-LR，MPI-ESM-MR，GFDL-ESM2G和GFDL-ESM2M)对观测的VWS空间分布有较高的模拟能力。进一步对比在MDR观测和11个模式模拟的VWS，发现CanESM2模拟的VWS大于观测值，而ACCESS1-0，ACCESS1-3，CCSM4，CESM1-BGC，CESM1-CAM5，CNRM-CM5，MPI-ESM-LR，MPI-ESM-MR，GFDL-ESM2G和GFDL-ESM2M模拟值与观测值较为接近。在MDR，ACCESS1-0，CESM1-CAM5，CNRM-CM5，MPI-ESM-MR和GFDL-ESM2G模拟的VWS气候倾向率与观测的VWS的气候倾向率差异相对较小。

图6 18个模式模拟的1980—2005年台风盛季平均的VWS场(等值线，单位：m·s-1)和气候倾向率场[阴影，单位：m·s-1·(10 a)-1]Fig.6 The averaged VWS field (isoline, Unit: m·s-1) and climate tendency rate field (shaded, Unit: m·s-1·(10 a)-1) simulated by 18 models in typhoon peak season from 1980 to 2005

3 年际变化和气候趋势

3.1 模式模拟的SST时间变化

表2和表3分别列出1980—2005年台风盛季区域(7.5°N—27.5°N、 120°E—170°E)平均的大尺度环境因子模拟值与观测值的时间相关系数及模拟值的气候倾向率。可以看出，ACCESS1-0，ACCESS1-3，CCSM4，IPSL-CM5A-LR，IPSL-CM5B-LR，MPI-ESM-MR，NorESM1-M和GFDL-ESM2G SST模拟值与观测值的相关系数通过显著性检验(P<0.05)。在对SST空间分布有较高模拟能力的8个模式中，只有CCSM4，MPI-ESM-MR和GFDL-ESM2G模拟值与观测值的时间相关系数显著(P<0.05)，表明这3个模式对观测的SST年际变化有一定的模拟能力。与观测的SST气候倾向率相比，18个模式模拟的SST气候倾向率可分为3类：第一类为模拟与观测接近[图7(a)]，第二类为模拟比观测大[图7(b)]，第三类为模拟比观测小[图7(c)]。在对观测的SST空间分布有较高模拟能力的8个模式中，CESM1-BGC，CESM1-CAM5和CNRM-CM5模拟与观测的SST气候倾向率[0.16 ℃ ·(10 a)-1]较为接近。

图7 18个模式模拟的1980—2005年台风盛季区域(7.5°N—27.5°N、 120°E—170°E)平均的SST年际变化及其线性趋势 (a)模拟的气候倾向率与观测接近，(b)模拟的气候倾向率比观测大，(c)模拟的气候倾向率比观测小Fig.7 The interannual variation of average SST and its linear trend over the region of 7.5°N-27.5°N, 120°E-170°E simulated by 18 models in typhoon peak season from 1980 to 2005(a) The simulated is close to observed climate tendency rate,(b) The simulated is bigger than observed climate tendency rate,(c) The simulated is less than observed climate tendency rate

表2 1980—2005年台风盛季区域(7.5°N—27.5°N、 120°E—170°E)平均的大尺度环境因子模拟值与观测值的时间相关系数Tab.2 Time correlation coefficients between the observed and simulated averaged large-scale environmental factors over the region of 7.5°N-27.5°N,120°E-170°E in typhoon peak season from 1980 to 2005

表3 18个模式模拟的1980—2005年台风盛季区域(7.5°N—27.5°N、120°E—170°E)平均的大尺度环境因子的气候倾向率 Tab.3 The climate tendency rate of averaged large-scale environmental factors simulated by 18 models over the region of 7.5°N-27.5°N,120°E-170°E in typhoon peak season from 1980 to 2005

3.2 模式模拟的MLD时间变化

MLD观测值与模拟值的时间相关系数均很小，表明所有模式对观测的MLD年际变化模拟能力低。这里重点比较观测MLD和模拟MLD在MDR线性趋势上的差异。18个模式模拟的MLD的气候倾向率可分为气候倾向率为正[图8(a)]及为负[图8(b)]两类。对观测MLD空间分布有较高模拟能力的5个模式中，CCSM4，CESM1-BGC和CESM1-CAM5模拟的MLD气候倾向率与观测的MLD气候倾向率[0.8 m·(10 a)-1]较为接近。

图8 1980—2005年台风盛季区域(7.5°N—27.5°N、 120°E—170°E)平均的18个模式模拟的MLD年际变化及其线性趋势 (a)气候倾向率为正，(b)气候倾向率为负Fig.8 The interannual variation of average MLD and its linear trend over the region of 7.5°N-27.5°N, 120°E-170°E simulated by 18 models in typhoon peak season from 1980 to 2005(a) positive climate tendency rate, (b) negative climate tendency rate

3.3 模式模拟的OFT时间变化特征

OFT观测值与模拟值的时间相关系数表明，CanESM2，MPI-ESM-LR，MPI-ESM-MR和GFDL-ESM2G模拟值与观测值的相关系数通过显著性检验(P<0.05)。在对OFT空间分布有较高模拟能力的7个模式中，只有CanESM2，MPI-ESM-MR和GFDL-ESM2G模拟值与观测值的时间相关系数显著，表明这3个模式对观测OFT的年际变化有一定的模拟能力。18个模式模拟的MLD的气候倾向率可分为2类：气候倾向率为正及气候倾向率为负(图略)。对OFT空间分布有较高模拟能力的7个模式模拟的OFT下降速率都明显小于观测OFT下降速率[-0.85 K ·(10 a)-1]。

3.4 模式模拟的VWS时间变化

VWS观测值与模拟值的时间相关系数均很小，表明所有模式对观测的VWS年际变化模拟能力低。为考察大尺度环境因子在区域的长期变化，对比观测值的气候倾向率，18个模式模拟的VWS的气候倾向率可分为3类：第一类为模拟与观测接近[图9(a)]，第二类为模拟比观测大[图9(b)]，第三类为模拟比观测小[图9(c)]。在对VWS空间分布有较高模拟能力的11个模式中，CESM1-BGC，CESM1-CAM5，CNRM-CM5和GFDL-ESM2M模拟的VWS气候倾向率与观测的气候倾向率较为接近，均没有明显的变化趋势。

图9 18个模式模拟的1980—2005年台风盛季区域(7.5°N—27.5°N、 120°E—170°E)平均的VWS年际变化及其线性趋势(a)模拟气候倾向率与观测接近，(b)模拟气候倾向率比观测大，(c)模拟气候倾向率比观测小Fig.9 The interannual variation of average VWS and its linear trend over the region of 7.5°N-27.5°N, 120°E-170°E simulated by 18 models in typhoon peak season from 1980 to 2005(a) The simulated is close to observed climate tendency rate,(b) The simulated is bigger than observed climate tendency rate,(c) The simulated is less than observed climate tendency rate

4 结论与讨论

(1)各个模式对同一大尺度环境因子气候场及时空变化的模拟能力存在很大差异，而同一个模式对不同的大尺度环境因子气候场及时空变化的模拟能力也存在很大差异。因此，在利用全球气候模式研究台风强度气候变化时，应考虑所研究的重点问题，剔除掉模拟性能差的模式，从而减小模拟结果的不确定性。

(2)CESM1-BGC，CESM1-CAM5和CNRM-CM5能模拟出观测的SST气候分布和趋势变化特征，即SST在MDR上升。CCSM4，CESM1-BGC和CESM1-CAM5能模拟出观测的MLD气候分布和趋势变化特征，即MLD在MDR增厚。ACCESS1-0，ACCESS1-3，CanESM2和GFDL-ESM2M能模拟出观测的OFT气候特征和下降趋势，但模式模拟的OFT的下降速率均比观测下降速率小。ACCESS1-0，CESM1-CAM5，CNRM-CM5，MPI-ESM-MR和GFDL-ESM2G能模拟出观测的VWS气候分布和趋势变化特征，即VWS在MDR没有明显的趋势变化。

根据WU等[20]研究结果，4个因子的气候场分布和MLD的气候倾向率变化是决定西北太平洋台风强度变化的关键，模式综合评估可得，CESM1-BGC和CESM1-CAM5可用来研究西北太平洋台风强度的气候变化问题。

DOI:10.108/ncomms10625.