基于CMIP5數據評估氣候變化下西北航道風能資源的未來變化

錢永明，鄒昊，洪梅

（國防科技大學氣象海洋學院，江蘇南京 211101）

1 引言

近幾十年來，北半球高緯度地區顯示出明顯的氣候變化和地表變暖信號，強度遠超全球平均水平[1-2]，隨著氣溫的逐漸升高，北極海冰加速融化，使得北極地區自冷戰后再次成為全球關注的焦點[3-5]。北極地區作為北美、亞、歐三大陸的“交點”，擁有十分豐富的航道資源。北極航道主要分為東北航道、西北航道以及中央航道。西北航道一般指的是西起美國阿拉斯加北部的波弗特海，向東經過加拿大北極群島水域到達東部的戴維斯海峽和巴芬灣，最終連接太平洋和大西洋的航道[6]，大致范圍是60°～135°W，66°～77°N，地形分布見圖1。未來隨著西北航道的開通，可能會改變目前的世界航運格局，并產生巨大經濟效益。Borgerson[6]指出，西北航道使得從西雅圖到鹿特丹的航程比經巴拿馬運河航線縮短近25%航程。通過西北航道，中國與北美之間的貿易航程將縮短40%，相比于傳統航道，西北航道存在航道距離短、地緣政治簡單和海盜襲擊風險低等諸多優勢[7]。隨著西北航道有關地區氣候條件的改善，未來很有可能成為人類新的生活承載地。但是由于西北航道地處高緯，且多數時候為冰雪覆蓋，因此目前面臨基礎設施不完善和應急響應及救援能力差等劣勢，這些劣勢不僅使得西北航道的利用率很低，同時也影響當地居民的生活，要解決這些問題，最重要的是解決能源供應問題，特別是電力保障問題。

圖1 西北航道主要區域及其陸地地形分布

自工業革命以來，人類活動特別是溫室氣體過度排放，是近年來氣溫升高的主要原因，其中能源排放約占全球溫室氣體總排放量的2/3[1]，因此大力發展可再生能源并減少化石燃料使用是減少溫室氣體排放和減緩全球氣候系統變化的重要手段之一[8]。當前歐洲、亞洲以及北美的多個國家一直在努力擴大可再生能源的比重，相繼設定了到2020年實現20%的可再生能源占比的約束性目標[9-11]。對于生態脆弱的北極地區，作為人類最后的凈土，解決能源供給難題更應該優先發展可再生能源。但是由于西北航道特殊的地理和氣候環境，使得諸如太陽能之類的可再生能源無法得到應用，同時西北航道特殊的地質條件（凍土帶），使得其可開發的陸地十分有限，但其海洋環境卻提供了廣闊的空間[12-13]。在目前主流的可再生能源中，風電不僅可應用于海洋環境，而且當下技術十分成熟，成本日益下降[14-17]，因此進行風能開發特別是海上風電開發可能將是西北航道地區破解能源供應難題的最佳方案。Chade等[18]的有關研究表明：北極地區風能資源較為豐富，技術可開發量約1 000億kW，約占全球風能資源的20%，在北極偏遠地區使用風力發電的供電模式不僅可行，且在4 a內可收回成本。在風能開發過程中，風能密度（Wind Power Density，WPD）大于200 W/m2一般就可以稱為風能富集區[19]，從多年（1980—2005年）平均的風能密度空間分布來看（見圖2），西北航道同樣存在多個風能資源富集區。

圖2 西北航道風功率密度多年平均空間分布特征（單位：W/m2）

風能資源與風速狀態息息相關，風速由大氣環流狀態決定，大氣環流狀態又是氣候系統中的重要組成部分，因此風能資源對氣候變化非常敏感。即使未來大氣環流形勢出現很小的變化，也可能會強烈影響風能資源分布[20]，例如當下一些風能資源豐富的區域可能會變成貧瘠區，或者使得部分地區風能的年際和/或年內變化（即變異性）出現劇增，使得其能源并網難度加大，降低風電場的盈利能力[21]。目前已有研究表明：在過去的30～50 a間，不少區域出現了近地層風速下降以及年際變異性增強的情況：包括北美[22-25]、歐洲[26-27]、中國[28-30]以及澳大利亞[31]的部分地區。這些消極現象使風電持久穩定運行的不確定性增加。當前西北航道多數時候仍然覆蓋大面積的海冰，在當前的發展現狀下，對于能源的需求尚不十分急切，但隨著海冰的大量消融和地區開發強度的增強，未來對能源的需求會愈發迫切。因此，我們更加需要客觀地分析未來全球氣候變化下，西北航道風能資源產生的變化，以便提前規劃，避免無效投資，但目前并沒有相關的文獻進行相應的分析。

考慮到目前西北航道觀測資料十分有限，也無專門針對西北航道或者北極地區的區域耦合氣候模式（Regional Coupled Model，RCM），因此我們將使用具有較高時空分辨率的全球氣候模式（Global Climate Model，GCM）的有關數據對西北航道的風能變化開展評估。使用氣候模型進行有關分析，不僅可以獲得模擬區域內所有空間立體網格點上的風能參數，對風能資源進行全面評估，而且多數模式考慮了太陽輻射和溫室氣體的變化，是研究在不同輻射強迫下未來可能發生的氣候情景的主要方法[20]。目前完整發布的國際耦合模式比較計劃第五階 段（the Coupled Model Intercomparison Project Phase-5,CMIP5）的模式數據已經成為研究過去氣候變化和預測未來氣候演變的重要資料。CMIP5數據集包括歷史試驗數據（數據范圍1850—2005年）和未來不同情景排放下的模擬數據（數據范圍一般是2006—2100年）[32-33]。不同于CMIP3（the Coupled Model Intercomparison Project Phase-3）中定義的未來溫室氣體排放情景，在CMIP5中各GCMs未來氣候預估試驗中采用的是聯合國政府間氣候變化專門委員會（Intergovernmental Panel on Climate Change，IPCC)提出的新輻射強迫情景，稱之為典型濃度排放途徑（Representative Concentration Pathway,RCP）[34-35]。RCPs共分為4種情景：RCP2.6表示2100年左右，輻射強迫最高達到2.6W/m2；RCP 4.5和RCP 6表示2100年以后，輻射強迫將分別穩定在4.5 W/m2和6 W/m2；RCP 8.5則是一種“一切照舊”的排放情景，表示2100年左右，輻射強迫將達8.5 W/m2[33]。與CMIP3相比，CMIP5中所有模式改進了大氣環流動力框架，改善了對流層和平流層氣溶膠處理方案和通量處理方案，使得數據質量得到了很大提升[33]。相關數據已經被多次用于分析有關區域風能的未來變化，并得到很多重要結論，有很高的借鑒意義。比如Carvalho等[20]用21個CMIP5 GCMs模式集合進行預報，發現未來歐洲中北部波羅的海附近地區的風能資源會增加，而地中海附近會減少，但整個歐洲的年際變化不大。Chen等[36]評估了9個CMIP5中的大氣海洋耦合模式對中國近表層風速的模擬效果，發現在1971—2005年，所有模式的年際變異性都低于再分析數據結果（再分析資料被視為“準實測資料”），并且都沒有模擬出近期近地表風速的下降趨勢。該研究同時指出單一數值模式存在較大的不確定性，應關注多模式的比較以及模式的集成研究。

有關氣候變化對風能資源的潛在影響的研究大多針對目前具有高風能開發潛力的地區（主要是北半球中緯度地區，包括北美、亞洲和歐洲）[22-27]；部分研究盡管對全球風能發電的未來變化進行了一些探討，但由于相對粗糙的空間分辨率，很難對西北航道風能資源的可能變化進行詳盡的分析[28-29]。此外，部分研究僅使用單一指標對模式仿真性能進行評估，無法對模式進行客觀評價[20]。

基于上述分析，我們根據14個CMIP5 GCMs的數據，建立了一個全面而客觀的評估體系，以定量評估CMIP5模式模擬歷史階段近地表風速特征的能力，利用該評估體系可以對各模式的性能進行評定，進而挑選一些性能優異的模式進行集成來進一步降低模式的系統偏差。這樣可以避免單個模型的離散性和不確定性，同時增強結果的可信度[20,36]。之后，將集成數據用于評估西北航道風能資源的未來變化，包括其大小變化以及其年內變化情況（即變異性）?？紤]到當前西北航道的發展現狀，利用GCMs未來風速數據展開分析無疑是十分必要的。

2 數據和主要方法

2.1 數據

本文主要使用了14個CMIP5 GCMs數據以及ERA-Interim再分析資料，并對其原始數據進行了一定處理，以用于后續評估。

2.1.1 CMIP5 GCMs數據

本文選取了能夠同時輸出歷史以及多種RCPs情景下的未來風場數據的CMIP5模式。表1列出了本文所使用的GCMs，包括模式的開發機構、模擬類型和模式的空間分辨率。CMIP5數據集可直接通過網站http://pcmdi3.llnl.gov/esgcet/home.htm下載[33]。風速數據采用的是模式輸出的近地層（10 m）處的風速，且為月平均數據集。雖然典型的風力渦輪機放置在局地面/平均海平面以上80～120 m處，但由于相關GCMs不提供相關高度的風場數據，而10 m和80～120 m高度的風有很強的相關性，因此10 m風場數據被認為是典型風力渦輪機實際高度處的風場的最佳替代[20]。雖然CMIP5模式對于歷史階段的模擬一般為1850—2005年，但由于衛星時代之前（1979年前）的現場數據稀疏且質量相對較低[2,20]，為了最大限度地減小誤差，我們選取的歷史階段為1980—2005共26 a。在未來模擬實驗中，我們主要分析RCP2.6、RCP4.5和RCP8.5這3種輻射強迫情景下的有關數據，用于評估氣候變化對西北航道未來風能的潛在影響。針對每個RCP，我們都考慮了3個等長的時間窗口，分別為：前期（2020—2045年）、中期（2049—2074年）和后期（2075—2100年）。這里我們需要指出，表1中所列各氣候模式可能在不同初始條件下分別進行了模擬試驗，由于每個實驗僅在初始場上有不同的微小擾動，其積分最后得到的數據之間的差異僅來自氣候內部變率，而本文重點是分析氣候變化對風能可能產生的影響，因此，若某模式存在多個初始場的模擬數據，我們將采用該模式不同初始條件的集合平均來代表該模式的輸出結果，這樣也在一定程度上降低了使用單一初始條件下的數據帶來的不確定性和誤差[36]。之后我們將對這些模擬數據進行統一處理，并建立一套評估指標體系，以便定量分析模式在歷史階段的模擬性能。

表1 14個CMIP5模式的基本特征

2.1.2 再分析數據

本文選擇來自歐洲中期天氣預報中心（European Centre for Medium-Range Weather Forecasts，ECMWF）的ERA-Interim再分析資料作為“準實測”數據源。由于西北航道目前的觀測站點較少，數據稀缺，而該套數據應用了分辨率更高的氣象模式，在觀測資料的應用及同化方法方面也有較大改進，被公認為是高質量的再分析產品[37-38]，且已被指定為CORDEX CMIP5動態分析的官方驗證數據集[39]。本文使用的是近地面10 m風速數據，空間范圍為60°～135°W，64°～77°N，分辨率為1°×1°，時間長度為1980—2005年。

2.2 數據處理

由于本文選取的14個模式具有不同的空間分辨率（見表1），因此，我們首先將所有模式輸出的風速數據采用雙線性插值法，將原始數據映射到規則的1°×1°網格中[40]。這里需要指出，我們在進行模式性能評估時，借鑒了Carvalho等[20]的思路，利用同時期同時空分辨率的ERA-Interim月平均風速數據，對插值后的CMIP5數據進行了偏差修正。偏差修正的方法見式（1）：

式中，?為模式輸出的原始數據；是根據ERAInterim數據計算得到的逐格點的26 a的氣候態數據；yˉ則是用同樣方式，但是由模式數據（插值后）計算得到的氣候態數據。本文中他們的尺寸為14°（緯度）×76°（經度）×12（月數）。最終得到的x，將作為模式的最終輸出數據（無偏）用于后續的性能評估。

2.3 綜合評估體系

為了評估各模式在歷史階段的模擬能力，本文將采用3種不同指數來評價CMIP5 GCMs數據和ERA-Interim的風速數據的符合程度，3種指數分別是技能指數、結構相似性指數（Structural SIMilarity index，SSIM）和KS（Kolmogorov-Smirnov）指數。在得到3個指數后，我們將以不加權的方式進行線性疊加，得到一個能夠全面反映模式模擬質量的綜合得分指數。各指數的具體計算公式或定義如下。

2.3.1 技能指數

為了評估各模式數據和ERA-Interim數據的定量差異，我們引入Willmott[41]的方法，并將其定義為技能指數：

式中，xi表示每個網格點上的模式輸出數據；yi表示每個網格點上的ERA-Interim數據；n為單個網格點上數據序列的長度，也叫統計樣本數；xˉi表示由模式輸出的每個網格點上的26 a平均的風速數據；yˉi表示對應的ERA-Interim輸出的26 a平均的數據。技能指數同樣是通過逐格點的方式計算得到，并通過區域平均得到最終結果，該指標值越大，表示模式性能越好[42]。

2.3.2 KS指數

KS指數通過兩樣本的Kolmogorov-Smirnov檢驗得到。因為KS檢驗對兩樣本的經驗分布函數的位置和形狀參數的差異都十分敏感，可用來分析兩個樣本是否屬于相同的分布（形狀和位置）[20,43]。我們將KS檢驗應用于各模式數據和ERA-Interim數據集中的每個格點，并設置顯著性水平為5%，進而統計通過檢驗的網格點數占總網格數的比例，我們將該比例定義為KS指數，其計算方式為：

式中，N0表示通過顯著性水平為5%的KS檢驗的網格數；N則為評估區域內的總格點數，本文中N=1064。該指標值越高，表示模型性能越好。

2.3.3 SSIM指數

SSIM指數即結構相似性指數，最早由Wang等[44]提出，是一種衡量兩幅圖像空間結構相似性的指標。目前該方法已經廣泛運用在圖像和數據質量的評估中，與傳統誤差方法相比，SSIM方法可以更好地描述兩個數據集之間空間分布的差異[45-46]，計算方式為：

式中，X和Y分別表示同一時刻的模式和ERAInterim的風場空間分布；xˉ和yˉ分別表示各自的平均值；δx和δy分別表示各自的標準差；C1和C2是防止系統不穩定的常數。與技能指數和KS指數不同，SSIM指數是通過逐月的方式計算得到，并進行時間平均后得到最終結果。該指標值越高，表示模型性能越好。

2.3.4 綜合得分指數

在多指標評價體系中，由于各評價指標的性質不同，通常具有不同的量綱和數量級。當各指標間相差很大時，如果直接用原始指標值進行分析，就會突出數值較高的指標在綜合分析中的作用，相對削弱數值水平較低指標的作用。因此，為了保證結果的可靠性，我們對上述3個評估指標數據進行標準差標準化（Zero-mean Normalization）處理，計算公式為[47]：

中學階段，孩子的獨立性更強，具備生活、學習自理能力，學習習慣基本養成。尤其是進入高中，成績成為家長和老師關注的焦點，孩子們日益增大的學習壓力帶來的心理問題容易被忽視。所以，在中學班級群里，老師與家長除了溝通基本的學習信息外，更要幫助家長正視孩子的成長問題，與孩子一起面對，共同成長。如相互交流和分享“處于青春期的孩子有哪些特征”“如何引導孩子進行職業生涯規劃”“如何和諧有效地與孩子進行溝通”“如何幫助孩子克服學習上的困難”等。孩子心理健康了，目標明確了，方法找到了，成績自然就上去了。

式中，x'為標準化后的序列；x為原始序列；為原序列的均值；s為原序列的標準差。

經過上述標準化處理后，原始指標均服從標準正態分布，且為無量綱量，之后我們將3個指標直接相加并平均得到綜合得分指數，即：

式中，N()表示進行標準差標準化操作。

2.4 多模式集成生成評估數據

我們借鑒Song等[48]的建議，從得分指數的排名列表中選取前k個模式的輸出數據，其中：k=×lnm，m是參與評估的模式數量。在本研究中，m=14，所以k=9。我們參照多模式集成（Multi-Model Ensemble,MME）方法，將選定的9個GCMs的數據按照帶權重系數的線性疊加的方法進行集成得MME數據集，其中加權系數由得分指數的相對大小決定，這里需要指出，用于加權集成的GCMs數據均為原始數據，并未進行偏差修正。大量研究表明這種MME策略通常比僅使用單模式數據效果更好，能提供更可靠的結果，并且是降低單個模式的不確定性的一種有效方法[49-51]。

2.5 氣候變化對未來風能密度大小的影響

本文中我們以風能密度的大小來表征風能資源。風能密度，也稱為風功率通量，為垂直于氣流的單位截面上風的功率，計算公式為[19]：

式中，Dwp為平均WPD（單位：W/m2）；ρ為空氣密度（單位kg/m3），ρ=P/RT，P為西北航道區域相應時間段內的平均海平面氣壓（單位：Pa），R為氣體常數，T為西北航道區域相應時間段內的平均開氏溫標絕對溫度（單位：K）。本文中，我們利用1980—2005年的歷史再分析數據計算得平均空氣密度為1.35 kg/m3，并假設其在未來的窗口中保持不變；vi為第i次記錄的近地面10 m風速值（單位：m/s）。

我們針對3個RCP情景，將歷史階段（1980—2005年）月平均風能密度數據與未來風能密度序列的中位數進行比較，并得出兩者的差異幅度，以分析由于氣候變化而導致的西北航道未來風能密度可能發生的變化。中位數的差異幅度計算方法為：

式中，M'表示未來某階段風能密度序列的中位數；M表示歷史階段風能密度序列的中位數。

由于風速通常不滿足正態分布，因此我們應用Mann-Whitney非參數檢驗來評估歷史階段和未來3個階段風能資源之間的差異是否具有顯著性，并設定顯著性水平為5%。Mann-Whitney檢驗是一種應用較為廣泛的兩獨立樣本秩和檢驗方法[52-53]。

2.6 氣候變化對未來風能密度年內變化的影響

為了分析風能資源年內變化情況，根據歷史階段和未來不同階段的風能密度數據計算了年中值絕對偏差（Median Absolute Deviations，MAD）。MAD是一個刻畫樣本變異性的非參數度量[54-55]，計算方法為：

式中，median表示對樣本序列取中位數；x為風能密度數據（樣本序列）。

針對歷史和3個未來階段分別計算得到相應的MAD數據序列，每一個序列都是一個三維網格，其中時間維度為26（即26 a），即每一年都對應一個MAD值，稱為該年度的中位數絕對偏差；然后，逐網格點計算MAD序列的中位數，以便對每個26 a期間（歷史和未來3個階段）的年內變化進行估算；最后量化歷史和未來各階段MAD中位數之間的差異。對于每個網格點來說，歷史和未來3個時間窗的風能密度MAD中位數之間的差異大小可以視為氣候變化對風能密度年內變化的影響程度。本節同樣使用Mann-Whitney檢驗評估差異的統計顯著性，顯著性水平同樣設定為5%。

3 結果與分析

3.1 CMIP5 GCMs模型評估結果

本文選取的14個CMIP5模式的評估結果見表2。根據Song等[48]的建議，最終選擇得分指數中排名前9的模式進行加權集成得到CMIP5 MME數據。選取的模式分別是：GFDL-CM3、GFDLESM2M、IPSL-CM5A-LR、GISS-E2-R、IPSL-CM5AMR、GFDL-ESM2G、GISS-E2-H、MPI-ESM-MR和CSIRO-Mk3-6-0，其集成權重分別為：0.293 2、0.188 5、0.136 3、0.103 7、0.099 2、0.097 4、0.047 6、0.018 0和0.016 2。表2中幾乎所有GCMs的KS指標都超過了0.55，而SSIM指標則超過了0.9，說明本文選取的GCMs的數據都與ERA-Interim數據的風速分布顯示出良好的空間一致性。但需要說明的是，如果不進行偏差修正處理，這些指標結果將嚴重變差（見附表1），其中KS指數都沒有超過0.05，而SSIM指數則都沒有超過0.5，技能指數也出現很嚴重的下滑。對比表1和附表1的結果，我們可以發現雖然GCMs數據和ERA-Interim數據存在較大差異，但這種差異主要在于分布位置而不是形狀上的差異[20]，這是一個非常積極的發現，因為位置差異比形狀差異更容易校正，這個結果從進行氣候態偏差修正后，相關指標結果出現大幅提升就可以看出。此外，位置上的差異（通常是由于系統偏差導致）并不會影響下一步的對比研究，因為對比分析的數據都是來自CMIP5 MME（由所選GCMs加權集成得到），將未來各時間段與歷史階段進行比較時，系統性偏差將被消除；但如果分布形狀上存在巨大差異則可能會給后續的氣候變化影響分析帶來較多不確定性。

附表1 未經過偏差修正的CMIP5 GCMs數據的評估結果

表2 14個模型的評估結果（最終被選定進行MME的模式已加粗顯示）

3.2 氣候變化對未來西北航道風能密度大小的影響

圖3顯示了不同情景下風能密度的中值差異，西北航道范圍內的空白部分表示根據Mann-Whitney檢驗無統計學意義的區域，其中位數差異沒有統計學上的顯著性。每個情景的3張圖從左到右依次代表21世紀前期、中期和后期。從圖3我們可以發現，西北航道北部地區（70°N以北）特別是西側波弗特海未來風能密度增加，而南部區域（70°N以南）沿岸的未來風能密度則降低，與此同時與歷史時期存在顯著差異的網格點數量在未來的中后期出現明顯增加。在未來前期（2020—2045年），絕大多數網格點與歷史時期相比沒有顯著變化，而有顯著差異的網格點，其變化幅度也相對較?。ǖ陀?5%）。在未來中期（2049—2074年），存在顯著性差異的網格點的數量和變化幅度都有所增加，特別是某些低緯沿岸地區的變化幅度達到了25%，但大多數格點依然低于15%。到本世紀后期（2075—2100年），存在顯著性差異的網格點不論是數量和變化幅度都有明顯增加，波弗特海部分網格點的風能密度出現了大約30%的增加。如果不采用溫室氣體減排策略（RCP8.5），與歷史相比顯著增加的區域其增幅越來越大，而相比顯著下降的區域其降幅卻出現了下降。與RCP 8.5相比，RCP 2.6與歷史階段相比顯著增加的區域增幅整體變化不大，基本在15%以下，而相比顯著下降的區域其下降幅度卻出現了兩倍的增加，達到25%左右。RCP 4.5情景下與RCP2.6的情況基本一致。

圖3 不同情景下風能密度中值差異（單位：%）

3.3 氣候變化對未來風能密度年內變化的影響

風能密度的年內變化（變異性）非常重要，因為該指標可能極大地影響風電場的運營，風能年內變化程度如果出現大幅的增加可能對風電場的盈利能力產生較大的負面影響[20,36]。為了評估氣候變化對未來風能密度年內變化的影響，我們比較了歷史和未來各階段風能密度的年內MAD序列的中位數差異，同樣利用Mann-Whitney檢驗這種差異的顯著性，結果如圖4所示。在未來前期，風能密度的年內變化相比歷史階段變化不大，但在70°N以北有不少的網格點有顯著增幅，但在RCP 8.5情景下時，這種增幅又出現了降低。到了未來中期，整體的分布與前期相似，但是西北航道的中部地區（105°～90°W）出現了特別明顯的增幅，部分格點增幅達到100%，說明在該時段內這些格點的風能年內變異性相較歷史有大幅提升，這對風能開發十分不利。到21世紀后期，如果不采取任何緩解溫室氣體排放的措施（RCP 8.5），則70°N以北地區的年內變化相比歷史階段將出現十分顯著的增加，部分格點超過150%，將給相關區域的風能開發帶來極大挑戰。在RCP 2.6情景下，雖然70°N以北區域仍有不少格點出現了顯著的增加，但增幅有限，大部分小于50%。

圖4 不同情景下風能密度年內MAD的中值差異（單位：%）

4 總結與討論

本文首先通過構建的模型評估體系全面而客觀地評估了14個GCMs對近地面風速在歷史階段的模擬能力，然后使用來自最佳GCMs的數據按照其得分指數的相對大小進行加權集成生成MME數據，進而用來量化和評估在RCP 2.6、RCP 4.5和RCP 8.5情景下以及3個未來時間段上與歷史階段的風能密度中值和風能密度年內MAD中值的差異，以全面分析氣候變化對西北航道未來風能資源的潛在影響。本文主要結論如下：

（1）根據本文構建的評估體系，最終結果表明：CMIP5 GCMs中GFDL-CM3、GFDL-ESM2M、IPSLCM5A-LR、GISS-E2-R、IPSL-CM5A-MR、GFDLESM2G、GISS-E2-H、MPI-ESM-MR和CSIRO-Mk3-6-0是模擬近地面10 m風速性能最好的9個模式，且模擬的風速分布與ERA-Interim再分析數據的差異之處主要是分布位置（主要由系統偏差導致）而不是分布形狀。

（2）與歷史階段相比，西北航道北部地區（70°N以北）特別是波弗特海西側未來風能資源（以風能密度的大小來估計）會增加，而其南部沿岸（70°N以南）的風能資源則會降低，與歷史階段存在顯著差異的網格點數量在未來中后期將出現明顯增加。在未來前期（2020—2045年），絕大多數網格點與歷史時期相比沒有顯著性變化，而有顯著差異的網格點的變化幅度也相對較?。ǖ陀?5%）。到了未來中期（2049—2074年），存在顯著性差異的網格點的數量和變化幅度都有所增加，特別是南部部分沿岸地區的變化幅度達到了25%。到21世紀后期（2075—2100年），存在顯著性差異的網格點在數量和變化幅度上都有了明顯增加，波弗特海部分網格點的風能密度出現了大約30%的增加。

（3）在21世紀前期，70°N以北有不少的網格點有顯著的增幅，到21世紀末，如果不采取任何緩解溫室氣體排放的措施（RCP 8.5），則70°N以北地區的年內變化較歷史階段將出現十分顯著的增加，部分格點超過150%，這種變異性的大幅增加，將給相關區域的風能開發帶來極大挑戰。

這里需要指出，將CMIP5 GCMs的未來時期模擬數據作為對未來氣候的預測存在較大的不確定性，從對歷史時期的評估結果可以看出，相比于“準實測”的再分析資料，GCMs數據的形狀分布有較大誤差（導致在未進行偏差修正時，各評估指標結果較差）。所以本文可視為對西北航道風能資源未來發展變化的初步評估，后續可以考慮采取利用相關區域的RCMs等改進針對這些問題展開進一步研究，以便為西北航道風電場項目的規劃提供更好的指導。