基于多模式集合的动力降尺度模拟

基于区域气候模式的动力降尺度方法，是获取未来高分辨率天气气候信息的重要途径。然而，在传统的动力降尺度模拟过程中，全球模式的误差会传递到区域模式中，从而降低降尺度模拟的可信度。因此，在动力降尺度模拟之前气候分类方法，对全球模式系统误差进行订正，已逐渐成为国际上一个热点研究领域。

最近气候分类方法，中国科学院大气物理研究所的徐忠峰等与香港中文大学、得克萨斯大学奥斯汀分校和南京大学的学者合作，发展了一个基于多模式集合的误差订正方法。该订正方法在综合以往GCM误差订正方法优势的基础上，进一步引入18个GCM集合的非线性趋势，以减小单一GCM预估结果不确定性大的问题。同时，还基于ERA5再分析资料订正了CMIP6模式的平均态和年际变率的误差，可显著改善区域模式对气候平均态和极端事件的模拟能力。基于该误差订正方法，生成了一套1.25度水平分辨率的全球大尺度驱动场数据。该数据对多变量的气候平均态、年际变率和极端事件的描述能力，显著优于未经误差订正的CMIP6模式结果（图1）。

该数据包括1979-2014年的CMIP6历史时期订正结果，以及2015-2100年CMIP6的SSP245和SSP585两个未来共享社会经济路径情景的订正结果。数据为6小时分辨率，包括海表面温度、海平面气压、地表气压以及14个等压面的大气温度、相对湿度、纬向风、经向场、位势高度场等变量。可为全球不同区域的动力降尺度模拟，提供高质量的大尺度驱动场。

图1 不同CMIP6模式与误差订正数据（MPI-ESM1-2-HR_bc）相对于ERA5再分析数据的误差。ME: 气候平均态误差； SD：年际标准差误差；CORR：气候平均态的空间相关系数；uMISS：模式对SST，850hPa、200hPa矢量风场、气温和850hPa相对湿度的总体模拟能力。图中颜色越浅表述模式结果越接近ERA5再分析资料。

相关论文和数据

Xu Zhongfeng *, Ying Han, Chi-Yung Tam, Zong-Liang Yang, Congbin Fu, 2021: Bias-corrected CMIP6 global dataset for dynamical downscaling of the historical and future climate (1979–2100). Scientific Data,

Xu Zhongfeng*, Ying HAN, and Zongliang YANG, 2019: Dynamical downscaling of regional climate: A review of methods and limitations. Science China Earth Sciences 129.

可供公开下载的数据：