CMIP6 模式對歐亞大陸冬季雪水當量的模擬能力評估及未來預估

陳紅 史學麗

1 中國科學院大氣物理研究所，北京 100029

2 中國氣象局地球系統數值預報中心，北京 100081

3 中國氣象局地球系統數值預報重點開放實驗室，北京 100081

1 引言

積雪作為冰凍圈的主要組成部分，對全球氣候系統起著十分重要的調節作用。積雪具有高反照率、低導熱率及融化吸收大量潛熱等特性，不僅在積雪覆蓋期間，而且在積雪融化以后，都對氣候異常產生重要的影響（Barnett et al.,1988;Yasunari et al.,1991）。作為全球重要的積雪區，歐亞大陸積雪對亞洲季風系統的變化起著十分重要的作用。歐亞大陸積雪對印度夏季風降水和東亞氣候的影響近百年來也一直為氣候學家所關注。Hahn and Shukla（1976）、Dickson（1984）等先后對積雪異常與印度季風的關系進行了深入研究，我國學者則針對積雪對東亞氣候異常的影響，開展了大量富有成效的研究。結果表明歐亞大陸冬、春季積雪通過影響東亞夏季風的變率，造成我國東部的夏季降水異常（羅勇,1995;陳興芳和宋文玲,2000;吳統文和錢正安,2000;張順利和陶詩言,2001;錢永甫等,2003;Wu and Qian,2003;Zhao et al.,2007），而冬季、春季歐亞大陸積雪可通過影響歐亞中高緯大氣環流系統進而影響我國春季降水（Wu and Kirtman,2007;Zuo et al.,2012）。此外，冬季歐亞積雪異常則可通過積雪的輻射冷卻效應，導致東亞冬季風環流的異常（陳海山和孫照渤,2003;陳海山等,2003）。

鑒于歐亞大陸積雪對氣候的重要影響，未來歐亞大陸積雪將如何變化是一個非常值得關注的問題。數值模式作為模擬與預估氣候變化的有效工具，其結果已經得到越來越廣泛的應用。評估現階段氣候模式對歐亞大陸積雪的模擬性能，將為氣候模式的改進、利用氣候模式開展氣候預測及預估未來氣候變化提供科學基礎。用氣候模式、尤其是耦合模式比較計劃（CMIP）試驗結果開展積雪變化的模擬評估及預估研究很多?；诘谌务詈夏Ｊ奖容^計劃（CMIP3）結果的研究表明，氣候模式對北半球積雪具有一定的模擬能力，但模式模擬還存在明顯的不足，模式對積雪年際變化的模擬較差（Roesch,2006;馬麗娟等,2011;汪方和丁一匯,2011）。朱獻和董文杰（2013）基于23 個CMIP5 模式的結果分析表明，模式對北半球3～4 月積雪面積的空間分布具有一定的模擬能力，但模式對高原等復雜地形地區積雪的模擬偏差較大，未來幾十年北半球積雪變化呈減少趨勢。Brutel-Vuilmet et al.（2013）發現CMIP5 模式低估了1979～2005 年北半球春季積雪面積的變化趨勢。夏坤和王斌（2015）發現CMIP5氣候模式對歐亞大陸積雪覆蓋率的空間形態、季節變化及年際變化特征具有較好的模擬能力，多模式集合預估的歐亞大陸積雪覆蓋率為減少趨勢。楊笑宇等（2017）的研究表明CMIP5 耦合模式對歐亞大陸雪水當量空間分布具有一定的模擬能力，但多數模式對雪水當量的主要空間模態及時間演變的特征沒有模擬能力。

需要指出的是，以上關于歐亞大陸積雪的模擬和評估研究主要是基于以往的CMIP3 和CMIP5 耦合模式結果。目前最新的CMIP6 耦合模式結果，與之前的CMIP5 相比有了較大的改進，代表了當前國際主要先進模式的最新版本，模擬試驗的設計也更為完善（周天軍等,2019）。那么，新一代的耦合模式對于當代積雪的模擬能力以及未來積雪的預估情況如何呢？截至目前，利用CMIP6 試驗結果開展的針對積雪評估預估工作還不多。Mudryk et al.（2020）利用CMIP6 試驗結果對北半球半球平均的積雪變化趨勢進行了模擬評估及未來預估。目前還缺少專門針對歐亞大陸積雪開展的評估及預估工作，而歐亞大陸積雪無論對我國、東亞還是整個北半球的短期氣候預測和氣候變化都有重要影響，對未來歐亞大陸積雪的合理預估，不僅有助于對區域（或大陸）尺度的生態、水資源等進行預估，還為適應氣候變化和制定相應氣候變化政策提供重要科學依據。因此，本研究旨在基于CMIP6 試驗中新一代氣候（或地球）系統模式對歐亞大陸雪水當量模擬能力全面評估的基礎上，采用多模式算術集合平均的方法對未來不同溫室氣體排放情景下歐亞大陸雪水當量進行預估，以期能夠為今后制定氣候變化和氣候適應政策提供科學依據。

2 資料和方法

2.1 資料

本文使用的積雪觀測資料為歐洲宇航局GlobSnow-2 衛星遙感雪水當量資料（http://www.globsnow.info/index.php?page=Data[2020-06-25]），資料空間分辨率為25 km，范圍為北半球35°N～85°N，時間范圍為1980～2014 年。該資料結合了衛星微波遙感觀測和臺站觀測數據信息，研究表明GlobSnow資料相對于美國國家冰雪數據中心（National Snow and Ice Data Center,NSIDC）資料而言是最好的全球雪水當量資料（Hancock et al.,2013），而且已被用于歐亞大陸雪水當量的模擬評估中（He et al.,2018;Chen et al.,2020）。另外本文還使用了CRU（Climate Research Unit at the University of East Anglia）提供的月平均陸地降水和氣溫資料，其分辨率為0.5°（緯度）×0.5°（經度）（New et al.,2002）。

研究所用的積雪模擬和預估資料來源于CMIP6多模式結果（https://esgf-node.llnl.gov/search/cmip6/[2020-5-10]）。分析采用15 個參與CMIP6 試驗計劃的耦合模式結果，各模式的信息詳見表1。選用的試驗包括歷史試驗（historical，1850～2014 年）結果和情景模式比較計劃（ScenarioMIP）中的SSP126、SSP245、SSP370 及SSP585 四種排放情景預估結果；選取的氣象要素包括雪水當量、氣溫和降水。由于參與CMIP6 試驗的各模式共享的樣本數并不相同，這里選用各模式的第一個樣本（r1i1p1f1）的模擬與預估結果。根據可用觀測資料的時段，選用的CMIP6 歷史模擬數據時段為1980～2014 年，預估時段為2015～2099 年。歐亞大陸的積雪以冬季為主，所以下面主要分析冬季（12 月至次年2 月平均）的雪水當量，觀測和模擬的SWE 氣候態取為1995～2014 年。鑒于GlobSnow 資料空間范圍，本文只針對歐亞大陸中高緯度積雪進行分析。

表1 CMIP6 模式基本信息Table 1 Information of the CMIP6 models used in this study

2.2 方法

對氣候模式的模擬能力進行全面評估，是開展氣候模擬、預測和預估的基礎性工作。本文從多個角度考察了CMIP6 耦合模式對歐亞大陸SWE 的模擬能力。首先對SWE 氣候態空間分布的模擬能力進行評估，然后評估模式對SWE 變化趨勢的模擬能力，其次采用經驗正交函數（Empirical Orthogonal Function,EOF）分解方法評估模式對積雪主要模態時空變化特征的模擬能力，最后通過計算時間相關系數考察了模式對積雪與氣候要素關系的模擬能力。在評估模式模擬能力的基礎上，本文對未來不同排放情景下，21 世紀歐亞大陸冬季SWE 的變化進行了預估。

為了方便與觀測數據對比和計算模式集合平均，采用反距離權重法將所有模式結果和觀測數據統一插值到1.0°（緯度）×1.0°（經度）分辨率的格點上。對空間模擬能力的評估采用Oshima and Tanimoto（2009）使用的綜合評估指數S，該指數能綜合反應模式對SWE 形態和空間振幅的模擬性能，具體表示為

其中，σf、σr為模擬和觀測場的空間標準差，空間標準差表征模式的空間變率。Rs為觀測和模擬場間的空間相關系數，常數R0取為1。

本文利用一元線性回歸來得到積雪的變化趨勢（魏鳳英,2007），一元線性回歸方程表示為

其中，X為時間變量，Y為積雪變量，通過最小二乘法可確定回歸方程常數項A和變量的變化趨勢B。

對模式模擬能力進行評估時，本文還利用了EOF 分解方法。EOF 分解方法能夠將要素場的時間和空間變化分離，把隨時間變化的要素場分解為不隨時間變化的空間函數和只依賴時間變化的時間函數的乘積之和，并用盡可能少的模態表達出變量場主要的空間和時間變化，從而定量地反映要素場的主要時空分布特征（魏鳳英,2007）。

此外，本文還利用到的評估指標包括空間相關系數（Spatial Correlation Coefficients,SCC）和時間相關系數（Temporal Correlation Coefficients,TCC）。SCC 用于表征模擬場與觀測場在空間上的相似程度，計算公式如下：

其中，N為區域總格點數，xi和yi分別為i格點上積雪模擬和觀測值，x和y分別為模擬和觀測積雪的區域平均值。TCC 用于檢驗模式對各格點年際變化的模擬能力，計算公式為

其中，K為總年數，fi和ri分別為檢驗區域各格點第i年積雪模擬值和觀測值，分別為各格點模擬和觀測積雪的多年平均值。

3 結果分析

3.1 雪水當量氣候態的模擬

圖1 為GlobSnow 觀測、多模式集合的冬季歐亞大陸中高緯雪水當量氣候態及其模擬與觀測之間的差值?？梢园l現，觀測的SWE 在整個歐亞大陸呈現北多南少的特征，大值區域主要位于東歐平原東部到西西伯利亞一帶，西西伯利亞是歐亞大陸中高緯SWE 的最大值中心，中心值超過160 mm（圖1a）。此外在斯堪的納維亞半島和東西伯利亞的東部地區存在大值中心，中心值為100 mm 以上。多模式集合對雪水當量的空間分布有很好的再現能力，3 個大值區域都能較好地模擬出來。觀測和多模式模擬結果之間的相關為0.73。但對于斯堪的納維亞半島、東西伯利亞區域，模式模擬的SWE 要高于觀測，中心值超過140 mm。歐亞大陸中高緯冬季積雪與降水密切相關，冬季降水多，在低溫下有利于積雪的增多。從模式模擬結果看，模式高估了斯堪的納維亞半島和東西伯利亞區域的降水（圖略），因此在一定程度上導致了這兩個區域積雪模擬的偏高。此外，貝加爾湖北側中西伯利亞積雪模擬與觀測相比偏少。從各模式結果來看（見圖2），基本上所有模式都可以模擬出歐亞大陸SWE北多南少的特征，3 個大值區域也基本能再現出來。15 個模式與遙感觀測的相關均比較顯著，空間相關系數從IPSL-CM6A-LR 的0.56至MPI-ESM1-2-LR的0.80（見表2），表明CMIP6 耦合模式對雪水當量空間分布特征的模擬效果較好。就空間標準差的比值而言，11 個模式高估了雪水當量的空間變率，4 個模式低估了雪水當量的空間變率。有10模式模擬的空間變率與遙感觀測的偏差絕對值在20%以內；CESM2、CESM2-WACCM 和NorESM2-MM 則大大高估了雪水當量的空間變率，模式模擬結果為遙感反演的1.6 倍以上。由于CMIP6 模式對雪水當量空間變率的高估更為普遍，所以15 個模式集合平均的SWE 空間變率高于遙感反演的結果，偏高幅度為17%。不同模式模擬結果的綜合評分指數差異較大，從表2 可以發現，對空間分布模擬最好的模式MPI-ESM 綜合技巧評分（S指數）為0.66，最差的模式IPSL-CM6A-LR 為0.36。多模式集合技巧評分為0.54，處于中等偏上水平。

圖1 （a）GlobSnow 觀測、（b）CMIP6 多模式模擬的歐亞大陸中高緯地區冬季雪水當量（Snow Water Equivalent,SWE）的氣候態及（c）模擬與觀測間的差值Fig.1 Winter Snow Water Equivalent (SWE) climatology of the mid-high latitude Eurasian continent from (a) GlobSnow observation,(b) ensemble mean of CMIP6 multi-models,and (c) the bias between simulation and observation

圖2 各CMIP6 模式模擬的冬季雪水當量氣候態Fig.2 Simulated climatology of Winter SWE in CMIP6 models

表2 CMIP6 耦合模式對冬季SWE 氣候態和趨勢的模擬技巧評分Table 2 Predictive skill for winter SWE climatology and trend of CMIP6 models

3.2 雪水當量變化趨勢的模擬

圖3 給出CMIP6 多個模式模擬和GlobSnow觀測的冬季SWE 線性變化趨勢。衛星遙感觀測結果表明，1981～2014 年間中西伯利亞、東歐平原和斯堪的納維亞半島等地積雪為顯著減少趨勢，其中東歐平原和斯堪的納維亞半島積雪減少趨勢超過1 mm/a。積雪增加的區域主要位于貝加爾湖北部、東北亞及俄羅斯遠東地區，中心值超過0.5 mm/a。從單個模式來看，CMIP6 不同模式間的結果差異很大，但多數模式模擬結果與觀測間的空間相關系數為正值（表2）。由圖3 可見，多數模式都能模擬出東歐平原和斯堪的納維亞半島積雪的減少趨勢及俄羅斯遠東地區積雪的增加趨勢。15 個模式中模擬最好的是NorESM2-LM 模式，空間相關為0.27。最差的是GFDL-ESM4 模式，該模式對東歐平原積雪變化趨勢的模擬較差。多模式集合結果對歐亞中高緯冬季積雪趨勢的空間分布有較好的模擬能力，能成功再現東歐平原和斯堪的納維亞半島積雪的顯著減少趨勢及貝加爾湖北部、東北亞和俄羅斯遠東地區積雪的增加趨勢。觀測與MME 結果間的空間相關為0.28，表明CMIP6 多模式集合對歐亞大陸積雪中高緯積雪的變化趨勢具有較好的再現能力。但是多模式集合對中西伯利亞地區模擬的不理想，與實況相反。此外，從量值來看，模式模擬結果相比觀測偏弱。多模式集合平均的結果SCC高于所有15 個單獨模式，說明多模式集合能改善耦合模式對趨勢的模擬能力，由此表明進行多模式集合的必要性。

圖3 1981～2014 年GlobSnow 觀測（Obs）和15 個CMIP6 模式模擬的歐亞大陸冬季SWE 線性變化趨勢（MME 為15 個模式的集合平均結果），圖中右上角的數字為觀測與模擬變化趨勢的空間相關系數Fig.3 Linear trends of Eurasian winter SWE for GlobSnow observation (Obs) and the 15 CMIP6 models during 1981-2014 (MME indicates multimodel ensemble).Spatial correlation coefficients between simulation and observation are shown at the top right of each panel

3.3 雪水當量時空演變特征的模擬

利用EOF 方法對 1981～2014 年GlobSnow 冬季雪水當量進行分解，對CMIP6 15 個模式及所有模式的集合平均結果同樣進行EOF 分解。主要分析EOF 分解的前兩個主要空間模態及其時間系數，來考察 CMIP6 模式對 1981～2014 年期間歐亞大陸SWE 時空演變特征的模擬能力。

表3 給出了耦合模式對EOF 前兩個主分量空間模態和時間系數的模擬技巧。對于第一模態，空間分布有6 個模式模擬技巧較高（SCC 超過0.3），分別為ACCESS-CM2、CanESM5、CESM2、CESM2-WACCM、NorESM2-LM 和NorESM2-MM。對于第一模態對應的時間系數變化，具有較高空間相關系數的模式中，CESM2 和CESM2-WACCM 的時間相關大于0.3，能通過顯著性檢驗，表明這兩個模式對SWE 的第一空間模態及其時間變化具有一定的模擬能力。對多模式集合結果，第一模態空間分布模擬技巧SCC 為0.3，時間系數變化模擬技巧TCC 為0.33，均高于大多數單個模式的結果，表明多模式集合可提高耦合模式對積雪時空演變特征的模擬能力。對于第二模態空間分布，多數CMIP6模式模擬結果依然很差，只有4 個模式的SCC 大于0.3，其中CESM2-WACCM 對第二模態空間分布的模擬最為理想，SCC 為0.58。對于第二模態時間系數的變化，除NorESM2-MM 外，所有模式模擬技巧TCC 均不能通過顯著性檢驗。多模式集合對第二模態空間分布模擬較為理想，SCC 為0.56，但對時間變化模擬不夠理想，TCC 僅為0.06，但這個結果也要高于大多數單個模式的結果?？傮w來說，無論對EOF 第一模態還是第二模態，多模式集合都能提高耦合模式對積雪時空演變特征的模擬能力。

表3 耦合模式對EOF 前兩個空間模態及對應時間系數的模擬技巧Table 3 Simulation skill of coupled models for the first two EOF modes and Principal Components (PC) time series

圖4 給出了觀測和多模式集合模擬的雪水當量EOF 分解第一空間模態及相應的時間序列?？梢园l現，觀測的 EOF 第一模態在東歐平原、西伯利亞中西部為正值，貝加爾湖北側、東北亞地區及俄羅斯遠東部分地區為負值，第一模態解釋方差為21.1%；對照圖4c 的時間序列，可以發現該模態對應的時間系數呈現出顯著的減弱趨勢。多模式結果集合的第一模態解釋方差為48.1%，空間分布能再現東歐平原和西伯利亞西部的正值，貝加爾湖北側、東北亞地區及俄羅斯遠東地區為的負值分布，只是西伯利亞中部的積雪異常與GlowSnow 相反。從時間系列看，CMIP6 多模式集合的結果能再現觀測積雪的這種減弱趨勢。

圖4 觀測和CMIP6 多模式集合模擬的歐亞大陸冬季SWE 的EOF 第一模態：（a）GlobSnow 觀測的空間分布；（b）模擬的空間分布；（c）觀測和模擬的時間系數Fig.4 First leading EOF mode of Eurasian winter SWE in (a) observation and (b) CMIP6 multi-models ensemble；(c) the first PC (solid line) and its trend (dashed line) in the observation (red line) and simulation (green line)

3.4 雪水當量與氣溫、降水關系的模擬

積雪的變化受氣溫、降水的影響比較明顯。因此，本研究也考察了模式對SWE 與氣溫和降水關系的模擬能力。圖5 展示的是觀測與模擬的冬季歐亞大陸雪水當量與降水、氣溫之間的相關。就觀測而言，冬季歐亞大陸積雪與降水基本呈現正相關關系，降水多，積雪也多，顯著正相關區主要位于歐亞大陸中高緯50°E～105°E 之間的西伯利亞區域及東北亞。歐亞大陸冬季積雪與氣溫的相關呈現北正南負的分布特征，60°N 以南基本為負相關，氣溫偏低有利于降雨變為降雪，同時低溫也有利于積雪的累計，因此積雪偏多。顯著負相關區域位于東歐平原、中亞和東北亞區域。60°N 以北的西伯利亞區域觀測積雪與氣溫以正相關為主。冬季西伯利亞區域氣溫異常低，無論氣溫如何變化均在冰點以下，降水都以降雪形態出現。已有研究表明，高緯度地區氣溫升高，會增加大氣水分含量有利于降雪增加，積雪增加（Davis et al.,1999;Krasting et al.,2013;Diro and Lin,2020），因此氣溫與積雪呈現正相關關系。

15 個CMIP6 模式的集合結果表明，歐亞大陸中高緯積雪與降水的關系也以正相關為主。但與觀測不同的是，模式結果在歐亞大陸的東北部為顯著的正相關區，而觀測中除小部分區域外，相關不顯著，也就是說模式高估了歐亞大陸東北部積雪與降水的正相關關系。此外，模式結果也低估了積雪與降水在西西伯利亞平原的顯著正相關關系。對歐亞大陸中高緯積雪與氣溫的相關關系，CMIP6 多模式集合結果也顯示了北正南負的分布特征。60°N以南基本為負相關，顯著相關區位于東歐平原、中亞和東北亞區域。除斯堪的納維亞半島外，60°N以北積雪與氣溫為正相關，但對130°E 以東區域，模式結果與觀測結果差異較大，模式中氣溫與積雪顯著正相關，但觀測中相關不顯著?？傮w來說，CMIP6 多模式結果對冬季歐亞大陸積雪與降水、氣溫的關系具有很好的再現能力。

需要指出的是，多模式集合對中西伯利亞區域積雪變化趨勢模擬較差（見圖3），基于積雪與氣溫和降水的關系，對此進行了初步原因分析。結果表明，中西伯利亞區域積雪與氣溫呈現顯著正相關關系（圖5b），而1981～2014 年中西伯利亞觀測氣溫為減弱趨勢（圖略），因此有利于該區域觀測積雪的減弱。模式能模擬出中西伯利亞區域積雪與氣溫的正相關關系（圖5d），但模式模擬該區域的氣溫為增加趨勢（圖略），氣溫增加有利于積雪的增加，這與該區域觀測積雪減少不一致。由此可見，模式模擬的中西伯利亞區域氣溫變化趨勢與觀測的偏差在一定程度上導致了該區域積雪趨勢模擬較差。

3.5 21 世紀雪水當量的預估

上述結果表明，15 個CMIP6 耦合模式的集合平均對冬季歐亞大陸SWE 空間分布及時空變化特征均具有較好的模擬能力，所以可用來進行未來氣候變化的預估試驗。本節給出多模式集合在SSP126、SSP245、SSP370 及SSP585 四種不同排放情景下，對 21 世紀歐亞大陸冬季雪水當量的預估結果。這里將21 世紀分成3 個時段，亦即21 早期世紀（2020～2040 年）、21 世紀中期（2040～2060 年）和 21 世紀后期（2080～2099 年）。預估變化的相對基準期為1995～2014 年。

圖6 給出了4 種排放情景下，模式預估的21世紀不同時期平均的雪水當量與基準期的差異，反映了不同區域SWE 的絕對變化量。從圖6a-6c 可以發現，在 SSP126 低排放情景下，多模式預估的21 世紀歐亞大陸東北大部分地區的雪水當量均要高于基準期，且21 世紀后期的增加要略高于21 世紀前期。對于90°E 以西的歐洲大陸，在SSP126情景下SWE 基本上呈現減少的特征，在21 世紀早期大部分地區的減少在5 mm 以下，部分地區減少在5～20 mm；在21 世紀后期，雪水當量大于5 cm的區域有所增加。但總體來說，低排放情景下，3個階段的結果差異不是很大。其他3 種中到高排放情景下，SWE 異常的分布與低排放情景基本一致，也表現為歐亞大陸東北部的積雪增多，90°E 以西的減少，大值區在東歐平原、西伯利亞西部及斯堪的納維亞半島。但隨著時間的推移，積雪增多或減少的量值有明顯增加。21 世紀后期SSP370 和SSP585排放情景下歐亞大陸西部積雪減少40 mm 以上，東北部區域積雪最多能增加40 mm 以上，而在前期各區的絕對值變化是小于20 mm 的。此外，從圖6 也可以看到，4 種排放情景下積雪變化在21世紀早期的差異不大，但到了21 世紀后期的差異變大，而且排放越高的情景下積雪變化幅度越大。

圖6 （a-c）SSP126、（d-f）SSP245、（g-i）SSP370 和（j-l）SSP585 四種情景下2020～2040 年（左列）、2040～2060 年（中列）、2080～2099 年平均（右列）積雪相對歷史時期的變化。相對基準期為1995～2014 年Fig.6 Changes in Eurasian winter SWE projected by CMIP6 MME: (a-c) SSP126,(d-f) SSP245,(g-i) SSP370,and (j-l) SSP585 for early 21 century (2020-2040,left panel),middle 21 century (2040-2060,middle panel),and late 21 century (2080-2099,right panel) (the reference period is 1995-2014)

為考察多模式預估的不確定性，本文計算了15 個CMIP6 模式預估SWE 變化的標準差。由于積雪的變化在歐亞大陸中高緯地區具有明顯的區域差異性（圖6），歐亞大陸東北部積雪增多，90°E以西減少，減少大值區在東歐平原、西伯利亞西部及斯堪的納維亞半島，因此本文計算了積雪主要減少區（45°N～72°N，0°～90°E）和增多區（62°N～72°N，90°E～160°E）區域平均的積雪變化和標準差（表4）。由表可見，對這兩個區域的積雪變化，低排放情景下3 個階段的結果差異不是很大，但對中高排放情景，3 個階段的結果差異明顯加大，SSP585 排放情景下西部積雪減少區在21 世紀早期積雪減少-5.3 mm，21 世紀后期則減少-26.9，東北部積雪增多區則由早期的6.4 mm 增多到15.6 mm。此外，與圖6 結果類似，4 種排放情景下積雪變化在21 世紀早期的差異不大，但到了21 世紀后期差異明顯變大。對積雪變化多模式預估的不確定性，在21 世紀早期和中期，不同情景下差異不大，21世紀早期4 種排放情景下歐亞中高緯西部區域標準差分別為6.3～7.0 mm，中期為7.9～8.9 mm；積雪增多的東北區區域，4 種排放情景下早期標準差分別為7.6～8.8 mm，中期為8.3～9.0 mm。到21世紀后期，不同情景下標準差值差異明顯加大，且排放越高，不確定性越大，西部區域SSP126、SSP245、SSP370 和SSP85 四種情景下標準差值分別為8.3、9.6、11.5 和13.7，東北部區域標準差值分別為8.2、10.1、11.3 和13.0；此外，對這兩個區域，4 種排放情景下標準差值均隨著時間增加，說明隨著時間的增加，積雪變化預估的不確定性增大，其中在SSP585 情景下的最大。

表4 SSP126、SSP245、SSP370 和SSP585 四種情景下21 世紀早期（2020～2040 年）、中期（2040～2060 年）和后期（2080～2099 年）積雪變化的區域平均值及模式預估結果的不確定性（相對于1995～2014 年）Table 4 Regionally averaged SWE changes and inter-model uncertainty of the projected SWE changes among the models under the SSP126,SSP245,SSP370,and SSP585 scenarios in the 21st century (2020-2040),middle 21st century (2040-2060),and late 21st century (2080-2099) relative to 1995-2014

前面的歷史試驗結果分析已表明，冬季歐亞大陸積雪的變化受氣溫、降水的影響比較明顯。未來排放情景下，歐亞大陸積雪變化與氣候要素的關系如何，又是如何受降水、氣溫變化的影響，有必要進行進一步的分析。以SSP370 情景為例，圖7 給出在21 世紀3 個不同階段氣溫和降水相對歷史時期的變化，可以看到在21 世紀早、中、晚3 個階段，歐亞大陸均表現為氣溫的增加及降水的增加。至于冬季積雪與氣溫、降水的相關關系，圖8 的結果表明，21 世紀早期歐亞東北部區域冬季積雪與氣溫、降水均呈現正相關，這與歷史時期的模擬結果比較一致，表示氣溫增高和降水的增多有利于該區域積雪的增多。而東歐平原一帶的積雪與氣溫呈顯著負相關，與降水的相關要弱于氣溫，表明氣溫的增加導致了這一帶積雪的減少。21 世紀中、晚期結果與早期相似（圖略）。

4 結論和討論

本文利用第六次耦合模式比較計劃（CMIP6）15 個耦合模式的歷史模擬與未來預估試驗結果，對1981～2014 年歐亞大陸冬季雪水當量（SWE）的模擬性能進行了多維度的評估，并分析未來在不同情景下的SWE 變化趨勢。研究結果表明：

（1）與歐洲宇航局GlobSnow 衛星遙感資料相比，CMIP6 耦合模式對冬季SWE 空間分布具有較好的再現能力，能模擬出歐亞大陸中高緯SWE北多南少，大值中心位于西西伯利亞、斯堪的納維亞半島、東西伯利亞的主要分布特征，但多數模式高估了雪水當量的空間變率。不同模式間的差異較大，但多模式集合能提高模式對歐亞大部分地區SWE 變化趨勢的模擬能力。對SWE 主要模態特征的評估也顯示，單個模式的模擬能力存在較大差異，但多模式集合能提高對積雪第一模態時空演變特征的模擬能力。

（2）觀測的歐亞大陸冬季SWE 與氣候因子的相關關系表現為積雪與降水基本呈現正相關關系，但積雪對氣溫的響應隨緯度不同而差異明顯，在60°N 以北基本為正相關，60°N 以南為負相關。CMIP6多模式集合結果對這種SWE 與降水、氣溫的關系有較好的再現能力。

（3）采用多模式集合平均方法預估CMIP6 未來4 種不同情景下 21 世紀歐亞大陸雪水當量的變化。結果表明，歐亞大陸東北大部分地區的雪水當量均要高于基準期，而90°E 以西的歐洲大陸SWE基本上呈現減少的趨勢；隨著時間的增大，四種排放情景下積雪變化的差異也在變大，而且排放越高變化的幅度越大，模式不確定性也越大。造成歐亞大陸不同地區SWE 變化差異與全球變暖背景下局地氣溫、降水的變化密切相關。在歐亞大陸東北部地區，溫度升高會增加水汽有利于降水發生，導致積雪增加；而在其它區域未來的升溫導致了積雪的減少。

需要指出的是，與觀測相比CMIP6 多模式結果高估了歐亞大陸中高緯度130°E 以東區域SWE與降水、氣溫的正相關關系，因此該區域的預估結果具有一定的不確定性。數值模式中的積雪過程參數化方案繁簡程度不一、仍有很大的改進提升空間，所以CMIP6 模式之間的結果差異依然很明顯。關于積雪資料，因為對其進行站點觀測和遙感反演都存在諸多挑戰性的難題，因此不同數據產品之間的差異很大。此外，鑒于GlowSnow 衛星遙感資料空間范圍為35°N～85°N 之間，本文研究未包括青藏高原區域。如何利用青藏高原臺站觀測積雪資料和其他遙感衛星反演資料，對青藏高原積雪進行模擬評估和預估，是下一步需要關注的問題。

致 謝所用CMIP6 多模式結果源自ESGF，觀測積雪資料來自歐洲宇航局GlobSnow，在此一并致謝。