利用第六次国际耦合模式比较计划(CMIP6)中的18个模式,基于欧洲中期天气预报中心第五代再分析资料(ERA5)再分析数据对青藏高原夏季降水数据进行了偏差校正,并从平均降水和极端降水两方面评估了校正前后的CMIP6数据以及单个模式在1979-2...利用第六次国际耦合模式比较计划(CMIP6)中的18个模式,基于欧洲中期天气预报中心第五代再分析资料(ERA5)再分析数据对青藏高原夏季降水数据进行了偏差校正,并从平均降水和极端降水两方面评估了校正前后的CMIP6数据以及单个模式在1979-2014年的表现。研究结果表明,该校正方法高度依赖于用于偏差校正的ERA5再分析数据在研究区域的质量,尽管偏差校正后的青藏高原夏季平均降水的误差和误差率上有所改善,但在年际时间变化特征方面却不如偏差校正前的数据。大多数CMIP6模式能够较好地模拟1979-2014年青藏高原上由西北至东南逐渐递增的平均降水空间变化特征。偏差校正前的降水数据在高原上会出现显著的高估,误差率为60.4%,经过偏差校正后的数据相对观测数据误差降低,误差率为-13.9%,并且偏差校正后的数据与ERA5的平均误差仅为0.003 mm·d^(-1),与ERA5的空间相关性高达0.999。空间趋势方面,观测数据表明青藏高原大部分地区夏季降水在1979-2014年呈现轻微增加的趋势,只有东缘出现明显降低的趋势。偏差校正前后的数据都能够大致刻画出这一空间分布特征,然而,未经偏差校正的大多数单个CMIP6模式与ERA5的空间相关系数未超过0.5。与由独立观测降水数据的年际变化特征相比,偏差校正前的数据高估了高原上的降水量,而偏差校正后的数据相比观测结果则偏低。通过确定95%分位阈值选取了极端降水个例,其集合平均极端降水空间分布与年平均降水类似,也呈西北向东南递增的趋势。部分CMIP6模式较好地模拟了这一特征,如MRI-ESM2-0(The Meteorological Research Institute Earth System Model version 2.0)和ACCESSCM2(Australian Community Climate and Earth System Simulator Climate Model Version 2),与观测结果的空间相关系数分别为0.851和0.821。但偏差校正后的数据在空间相关性方面下降,由偏差校正前的0.861降为0.730,未能准确刻画高原极端降水阶梯式递增的特点。偏差校正后的极端降水数据误差分布与偏差校正前相似,偏低区域主要集中在高原南部腹地和东部。进一步的极端降水贡献率分析结果表明,观测结果与CMIP6降水数据均显示1979-2014年期间极端降水贡献率变化趋势不明显。单个CMIP6模式中,EC-Earth3-Veg(European Community Earth-Vegetation model version 3)和EC-Earth3(European Community Earth Model version 3)及CanESM5(The Canadian Earth System Model version 5)在多个统计评估指标上排名靠前,展示出较好的模拟能力;IPSL-CM6A-LR(Institut Pierre-Simon Laplace Climate Model 6A Low Resolution)在平均降水误差和极端降水的误差指标上表现出色。展开更多
为适应或减缓气候变化对陆地生态系统的影响,探究气候变化下的植被生态需水(Ecological Water Requirement of Vegetation,EWR)规律对维持陆地生态系统的稳定至关重要。本文基于CMIP6气候模式数据,以塔里木河流域为研究区,综合运用随机...为适应或减缓气候变化对陆地生态系统的影响,探究气候变化下的植被生态需水(Ecological Water Requirement of Vegetation,EWR)规律对维持陆地生态系统的稳定至关重要。本文基于CMIP6气候模式数据,以塔里木河流域为研究区,综合运用随机森林(RF)、极端梯度提升(XGBoost)、人工神经网络(ANN)和长短期记忆网络(LSTM)四种机器学习模型,结合气象要素与遥感因素,设计多种输入组合,深入分析了各模型在不同输入组合下对EWR预测的性能。在此基础上,筛选最优模型对未来EWR进行预测,并采用SHAP法量化了气象与遥感因素对EWR变化的贡献。结果显示:(1)四种机器学习模型均适用于研究区EWR的评估,其中,XGBoost模型的综合性能最优。温度和净辐射是影响模型预测性能的主要气象因素,引入遥感要素后,模型性能得到了进一步提升。(2)历史情景(historical)、中排放强迫情景(SSP2-4.5)和高排放强迫情景(SSP5-8.5)下的研究区平均EWR分别为498.58×10^(8) m^(3),548.81×10^(8) m^(3)和570.28×10^(8) m^(3),未来EWR整体呈上升趋势,其中,4月和5月为水需求增幅最显著的时期。(3)空间上,三种情景下研究区EWR均呈北高南低的分布特征;但相较而言,SSP5-8.5情景下EWR变化更为显著,南北差异明显缩小。(4)EWR变化的主要影响因素为叶面积指数、净辐射和最低气温,其中,平原区EWR变化主要受叶面积指数影响,而山区EWR的变化则受叶面积指数、净辐射和最低气温的共同影响。展开更多
文摘利用第六次国际耦合模式比较计划(CMIP6)中的18个模式,基于欧洲中期天气预报中心第五代再分析资料(ERA5)再分析数据对青藏高原夏季降水数据进行了偏差校正,并从平均降水和极端降水两方面评估了校正前后的CMIP6数据以及单个模式在1979-2014年的表现。研究结果表明,该校正方法高度依赖于用于偏差校正的ERA5再分析数据在研究区域的质量,尽管偏差校正后的青藏高原夏季平均降水的误差和误差率上有所改善,但在年际时间变化特征方面却不如偏差校正前的数据。大多数CMIP6模式能够较好地模拟1979-2014年青藏高原上由西北至东南逐渐递增的平均降水空间变化特征。偏差校正前的降水数据在高原上会出现显著的高估,误差率为60.4%,经过偏差校正后的数据相对观测数据误差降低,误差率为-13.9%,并且偏差校正后的数据与ERA5的平均误差仅为0.003 mm·d^(-1),与ERA5的空间相关性高达0.999。空间趋势方面,观测数据表明青藏高原大部分地区夏季降水在1979-2014年呈现轻微增加的趋势,只有东缘出现明显降低的趋势。偏差校正前后的数据都能够大致刻画出这一空间分布特征,然而,未经偏差校正的大多数单个CMIP6模式与ERA5的空间相关系数未超过0.5。与由独立观测降水数据的年际变化特征相比,偏差校正前的数据高估了高原上的降水量,而偏差校正后的数据相比观测结果则偏低。通过确定95%分位阈值选取了极端降水个例,其集合平均极端降水空间分布与年平均降水类似,也呈西北向东南递增的趋势。部分CMIP6模式较好地模拟了这一特征,如MRI-ESM2-0(The Meteorological Research Institute Earth System Model version 2.0)和ACCESSCM2(Australian Community Climate and Earth System Simulator Climate Model Version 2),与观测结果的空间相关系数分别为0.851和0.821。但偏差校正后的数据在空间相关性方面下降,由偏差校正前的0.861降为0.730,未能准确刻画高原极端降水阶梯式递增的特点。偏差校正后的极端降水数据误差分布与偏差校正前相似,偏低区域主要集中在高原南部腹地和东部。进一步的极端降水贡献率分析结果表明,观测结果与CMIP6降水数据均显示1979-2014年期间极端降水贡献率变化趋势不明显。单个CMIP6模式中,EC-Earth3-Veg(European Community Earth-Vegetation model version 3)和EC-Earth3(European Community Earth Model version 3)及CanESM5(The Canadian Earth System Model version 5)在多个统计评估指标上排名靠前,展示出较好的模拟能力;IPSL-CM6A-LR(Institut Pierre-Simon Laplace Climate Model 6A Low Resolution)在平均降水误差和极端降水的误差指标上表现出色。
文摘为适应或减缓气候变化对陆地生态系统的影响,探究气候变化下的植被生态需水(Ecological Water Requirement of Vegetation,EWR)规律对维持陆地生态系统的稳定至关重要。本文基于CMIP6气候模式数据,以塔里木河流域为研究区,综合运用随机森林(RF)、极端梯度提升(XGBoost)、人工神经网络(ANN)和长短期记忆网络(LSTM)四种机器学习模型,结合气象要素与遥感因素,设计多种输入组合,深入分析了各模型在不同输入组合下对EWR预测的性能。在此基础上,筛选最优模型对未来EWR进行预测,并采用SHAP法量化了气象与遥感因素对EWR变化的贡献。结果显示:(1)四种机器学习模型均适用于研究区EWR的评估,其中,XGBoost模型的综合性能最优。温度和净辐射是影响模型预测性能的主要气象因素,引入遥感要素后,模型性能得到了进一步提升。(2)历史情景(historical)、中排放强迫情景(SSP2-4.5)和高排放强迫情景(SSP5-8.5)下的研究区平均EWR分别为498.58×10^(8) m^(3),548.81×10^(8) m^(3)和570.28×10^(8) m^(3),未来EWR整体呈上升趋势,其中,4月和5月为水需求增幅最显著的时期。(3)空间上,三种情景下研究区EWR均呈北高南低的分布特征;但相较而言,SSP5-8.5情景下EWR变化更为显著,南北差异明显缩小。(4)EWR变化的主要影响因素为叶面积指数、净辐射和最低气温,其中,平原区EWR变化主要受叶面积指数影响,而山区EWR的变化则受叶面积指数、净辐射和最低气温的共同影响。
