1. 引言

青藏高原常被誉为世界的“第三极”，其独特的地理位置和复杂的地形特征使其在全球气候系统中占据了举足轻重的地位。青藏高原是世界上平均海拔最高的高原，平均海拔超过4000米，拥有许多世界著名的高峰，如珠穆朗玛峰。这样独特的地理环境使得青藏高原成为全球气候变化研究的关键区域。由于地形的复杂性，青藏高原的降水模拟常常存在显著的正偏差[1]。这种偏差主要源于气候模型在处理高原复杂地形时的不足。青藏高原的地形高度和起伏极为剧烈，南坡地区尤为典型。这里地势起伏不定，山脉密布，包括喜马拉雅山脉和横断山脉等。这些山脉不仅高度极高，而且地形复杂多样，形成了丰富的生态环境和显著的垂直带谱[2][3]。山脉的高度和分布直接影响着气流的流动和降水的分布。例如，青藏高原南坡的高山阻挡了来自印度洋的湿润气流，导致大量降水集中在迎风坡地区，而背风坡则相对干燥[4]。这种地形和气候的互动关系导致该区域的降水模式与其他地区有明显不同。这种独特的降水模式不仅对当地的生态环境产生深远影响，而且对整个亚洲的水资源分布和农业生产也具有重要意义[5][6]。在青藏高原降水模拟与分析方面，前人的研究内容丰富，涉及多个重要方面。首先，关于降水的季节性和变异性研究，学者们通过长期气象数据和气候模式，深入探讨了青藏高原不同季节的降水特征及其年际变化。研究指出，青藏高原降水在夏季达到峰值，而冬季降水量较少，这种季节性差异与区域性气候系统如东亚夏季风和西风带的活动密切相关[7][8]。其次，冰川与降水的关系也是研究的重点之一。冰川融水是青藏高原河流的重要水源，而降水量的变化直接影响冰川的动态变化。有研究通过冰芯记录和降水数据分析，揭示了过去几百年中降水和冰川变化的历史趋势，并预测未来气候变化情景下冰川的响应[9]。此外，近几十年来青藏高原的气温和降水量均呈现出显著上升趋势，这种变化对区域生态环境和水资源管理带来了新的挑战[10]。关于青藏高原与东亚夏季季风的关系，青藏高原同时又是亚洲季风气候的核心区域，其气候特点对亚洲地区降水，亚洲季风环流等具有深远影响[11]。许多研究采用了气候模式和观测数据相结合的方法，分析了青藏高原地形对季风路径和强度的影响。研究发现，青藏高原的高度和地形特征在一定程度上阻挡了东亚夏季风的北上，使得季风降水主要集中在高原的东南部和迎风坡地区[12]。最后，数据同化与再分析技术的应用为青藏高原降水研究提供了新的手段。通过将观测数据与气候模式输出相结合，研究人员能够更准确地模拟和预测降水的时空分布。这种方法不仅提高了降水模拟的精度，也为研究气候变化对区域降水的影响提供了重要数据支持[13]。

CMIP6 HighResMIP模式以其更高的分辨率和更精细化的气候模拟能力，能够更准确地反映青藏高原地区的气候系统变化[14]。这种高分辨率的气候模型能够更细致地捕捉到青藏高原复杂的地形特征及其对降水分布的影响，从而大大提高了降水模拟的精度[15]。通过精细化的模拟研究，科学家们可以更清晰地理解青藏高原的降水模式及其季节性和年际变化，这对于区域气候变化研究具有重要意义。更高分辨率的CMIP6 HighResMIP模式不仅提升了降水模拟的精度，还显著提高了对极端气候事件(如暴雨和干旱)的预测和预警能力[16]。这种能力的提升对于青藏高原地区的气候风险管理尤为关键。极端气候事件对该地区的生态环境和社会经济发展构成了重大威胁，通过更加精确的气候模型预测和预警，可以为政府和相关部门提供科学依据，帮助制定有效的应对措施和政策，从而减缓气候变化带来的负面影响。

在未来的研究中，进一步优化和应用高分辨率气候模型，将有助于深化对青藏高原气候变化机制的理解，提高区域气候变化预测的可靠性和准确性。这不仅有助于应对和缓解气候变化的负面影响，也为区域生态环境保护和可持续发展提供科学依据和支持，通过高分辨率气候模型的精确模拟和预测，科学家们可以更好地理解和应对青藏高原地区的气候变化，为区域和全球的气候风险管理和生态环境保护提供有力支持。

2. 资料和方法

2.1. 研究区概况

研究区域重点选择为青藏高原南坡区域，喜马拉雅山脉附近，横跨多个国家，包括中国、印度、尼泊尔、不丹和巴基斯坦，广阔区域涵盖了从西向东的多个高山和复杂地形，是世界上最高的山脉系统之一，具体经纬度范围为77˚E~88˚E，27˚N~35˚N。青藏高原南坡是一个关键区域，海拔高度变化大，生态环境脆弱，特殊的地理环境和地表特征形成了极其复杂的气候条件[17]。高原南坡，高山重叠阻挡北侧冷空气，南侧暖空气的交汇，降水量较大值主要分布在东南区域，海拔较高的高原地区降水量相对较小。青藏高原年内降水在季节和区域上具有明显的差异，降水主要集中在夏季，冬季降水最少，高原南坡整体区域降水量较大[18]。随着全球气候变化的影响，高原的冰川融化速度加快，冻土退化等现象加剧，可能对周边地区的水资源利用和水文生态系统产生重大影响[19]。青藏高原的气候变化研究还包括对区域气候模式的应用和验证，通过高分辨率气候模式对青藏高原降水的季节性变化进行了模拟，结果表明气候模式能够较好地再现青藏高原南坡区域的降水特征，并预测未来气候变化情景下的降水趋势[20]。

2.2. 资料概况

青藏高原南坡1995~2014年降水资料选取国家气候中心提供的延长到最新观测时次的CN05.1观测资料，由于青藏高原南坡地区涉及部分国外降水资料，因此选择GPCP全球降水气候计划的资料填充CN05.1观测资料缺少的国外数据，统一插值到一个规则的地理网格(0.5˚ × 0.5˚)，作为评估HighResMIP各模式的观测资料。本研究重点分析HighResMIP模式对青藏高原南坡降水时空变化特征的模拟。为此，选取了HighResMIP项目中的16个模式(见表1)的降水月数据。这些数据已经裁剪为东亚区域(75˚E~100˚E，25˚N~40˚N)，并提取了1995年至2014年的时间段。为了便于与后续观测资料进行对比，所有数据已统一插值到一个规则的地理网格(0.5˚ × 0.5˚)。

Table 1.Information on 16 modes provided by HighResMIP

表1.HighResMIP提供的16种模式信息

2.3. 研究方法

研究主要通过计算模式场与观测场的相关系数、均方根误差，通过绘制泰勒图，时间序列图以及空间分布图，观测偏差图等定量评估各模式对青藏高原南坡降水的模拟能力。

泰勒图(Taylor Diagram)是一种有效的工具，用于评估气候模型或其他数值模型的模拟效果。它可以综合反映多个统计量(如标准差、相关系数和均方根误差)，帮助分析和比较不同模型的模拟效果。在分析模式对降水的模拟效果时，泰勒图能直观地显示出模型模拟的降水与观测数据之间的差异。

为了计算泰勒图的所需数据，涉及以下的公式：

$\bar{X}=\frac{{\displaystyle {\sum }_{i-1}^n{X}_i\times A_i}}{{\displaystyle {\sum }_{i-1}^n{A}_i}}$(1)

$\overline{\stackrel{¯}{X}}=\frac{{\displaystyle {\sum }_{i-1}^N{\bar{X}}_i}}{N}$(2)

$\sigma =\sqrt{\frac{{\displaystyle {\sum }_{i-1}^N{\left({\bar{X}}_i-\overline{\stackrel{¯}{X}}\right)}^2}}{N}}$(3)

$r=\frac{{\displaystyle {\sum }_{i-1}^N\left({\bar{X}}_i-\overline{\stackrel{¯}{X}}\right)\left({\bar{Y}}_i-\overline{\stackrel{¯}{Y}}\right)}}{\sqrt{{\displaystyle {\sum }_{i-1}^N{\left({\bar{X}}_i-\overline{\stackrel{¯}{X}}\right)}^2}{\displaystyle {\sum }_{i-1}^N{\left({\bar{Y}}_i-\overline{\stackrel{¯}{Y}}\right)}^2}}}$(4)

$RMSE=\sqrt{\frac{{\displaystyle {\sum }_{i-1}^N{\left({\bar{X}}_i-{\bar{Y}}_i\right)}^2}}{N}}$(5)

${\bar{X}}_i$， $\overline{\stackrel{¯}{X}}$， ${\bar{Y}}_i$， $\overline{\stackrel{¯}{Y}}$， $\sigma$，r，RMSE分别是指模式i月区域平均降水量、模式所有月区域平均降水量平均值、观测资料i月区域平均降水量、观测资料所有月区域平均降水量平均值、标准差、相关系数、均方根误差。(1)中的n是区域网格总数，A_i是第i个网格点区域面积权重，(2)~(5)的N为总月份数。计算相关系数可以评估模式模拟的降水与观测降水之间的线性相关性，揭示模式模拟的准确性。均方根误差用于衡量模式模拟值与观测值之间的偏差，越小的RMSE表示模式模拟的精度越高。

3. 研究结果

3.1. 青藏高原南坡降水模拟的空间分布

图1展示了HighResMIP 16种模式在青藏高原南坡地区平均降水的空间分布，图2展示了CN05.1观测数据在高原南坡地区平均降水空间分布。如图可知，HighResMIP各模式在青藏高原南坡降水的模拟上存在一些共性的问题，均能再现高原南坡的降水中心，但模式强降水中心的位置更贴近高原，青藏高原降水量较大值主要集中在喜马拉雅山脉地区附近，降水量极值中心集中在不丹与印度阿鲁纳恰尔邦交界区域，青藏高原西北地区降水量变化差异不大，降水量与南坡相比相对较少，降水量空间变化分布整体范围差异不大，由于温度与气压的影响，随着海拔升高，空气温度降低。冷空气比暖空气更难容纳水汽，因此高海拔地区的空气含水量较低，导致降水量减少。气压降低，高海拔地区气压低，空气更稀薄，这也影响了水汽的凝结和降水的形成。同时由于南坡边缘地区，海拔变化迅速，喜马拉雅山脉的地形抬升作用使湿润的季风气流从印度洋向北移动，被迫抬升。这导致空气冷却，水汽凝结形成降水，形成地形雨现象。除了抬升作用以外，雨影效应、季风调节、局地气候变化等都显著影响了高原南坡及其周边地区的降水分布。

英国四种HadGEM3-GC31-HH、HadGEM3-GC31-HM、HadGEM3-GC31-MM、HadGEM3-GC31-LL相比较与其他模式低估了青藏高原南坡地区平均降水，没有模拟出高原南坡强而窄的降水带。只有HiRAM-SIT-HR模式再现了高原南坡强而窄的降水带，其余模式的强降水带宽度更大。除中国的FGOAL-f3-H模式与英国的四种模式，其余模式均高估了高原、盆地过渡带处的降水。

Figure 1.Spatial distribution of model precipitation (solid black line is the edge of the topographic contour of the Tibetan Plateau, solid red line is the topographic contour of the Himalayas)

图1.模式降水空间分布图(黑色实线为青藏高原地形轮廓边缘，红色实线为喜马拉雅山脉地形轮廓)

图3展示了HighResMIP各模式与CN05.1观测偏差的空间分布，除欧洲中心三种模式，英国HadGEM3-GC31-HH、HadGEM3-GC31-HM两种模式对青藏高原大部分区域模拟与观测资料的偏差较小，整体模拟效果较好外，其余模式对对我国青藏高原主体的降水模拟均偏高。除了欧洲中心的三种ECMWF模式外，其余模式贴近高原南坡边缘区域均表现出4 mm/d左右的正偏差。所有模式对尼泊尔地区与印度地区均表现出1 mm/d左右的负偏差。

3.2. 青藏高原降水季节变化

青藏高原的降水变化不仅仅受地形海拔高度的影响，季节变化同样也会影响高原地区的降水量，北半球的气候变化与季节效应，夏季期间，南亚季风从印度洋带来大量暖湿空气，同时还有大气环流的变

Figure 2.Spatial distribution of precipitation based on measured data

图2.实测资料降水空间分布图

Figure 3.Spatial distribution of the observed deviation of each HighResMIP model with CN05.1

图3.HighResMIP各模式与CN05.1观测偏差的空间分布

化导致西南季风的形成，携带湿润空气进入青藏高原地区，西南季风在青藏高原南部产生显著降水。冬季期间，副热带高压带控制着青藏高原南部和东南部地区，使得这些地区的空气干燥且稳定，不利于降水的形成。同时，来自大陆的冷空气使得高原地区的气温降低，进一步减少了降水量。冬夏季节的温度与对流活动差异也会导致季节降水的差异。分析季节变化可以更仔细的分析各模式对于不同季节的模拟性能情况。

图4是对CN05.1的实测资料在考虑纬度权重的影响下进行区域平均得到的月平均降水图，6~8月降水量分别是137.9 mm/d、156.3 mm/d、124.1 mm/d，而冬季月平均降水量低于20 mm/d，图5是CN05.1实测资料的季节降水量空间分布图，由图可知，秋冬季节降水量变化不大，主要降水区域在高原南部地区，冬季降水量最小，大部分区域降水量低于0.6 mm/d，这是由于冬季高原地区受副热带高压控制，导致空气干燥，降水量减少。夏季的降水量明显大于其他季节，整体降水量显著增加，覆盖范围广，尤其是东南部地区，降水量达到42 mm/d，夏季图上可以明显观察到青藏高原南坡地区强而窄的降水带。

Figure 4.Histogram of monthly precipitation based on measured data

图4.实测资料月降水柱状图

图6~9分别是16个模式的春夏秋冬四个季节的季节降水量空间分布图，春季大多数模型对高原南部和东南部的降水模拟较为准确，体现了地形抬升对降水的影响，但是模型普遍模拟的降水量较高，有些模型如ECMWF-IFS-LR和HadGEM3-GC31-LL的模拟值明显高于实测数据，ECMWF-IFS-LR和HadGEM3-GC31-LL模拟的降水分布范围较实测数据广泛，可能高估了降水覆盖范围。夏季降水主要集中在东南部区域，尤其是在30˚N以南和85˚E以东的区域，除了英国的HadGEM3-GC31四种模式低估了实际降水情况，其余模式都模拟出来南坡降水基本情况，欧洲中心的ECMWF-IFS系列整体上能较好地模拟出降水分布，但部分高降水区域的位置和量级与实测不完全一致。秋季HiRAM-SIT-LR相比较于其他模式高估了高原南坡边缘区域降水带，模拟了更长更宽的降水带。冬季虽然各模式都能准确展示出青藏高原整体降水分布范围，但大部分模式整体降水量模拟都大于实测资料，ECMWF-IFS-HR和ECMWF-IFS-MR

Figure 5.Average precipitation in four seasons based on measured data

图5.实测资料四季平均降水

相比较于其他模式的模拟效果相对较好。

3.3. 平均降水量时间序列图

图10是16种模式与实测资料的降水量时间序列图，展示了1995~2014年各模式的平均降水量变化情况，黑色实线为CN05.1实测资料的变化情况，冬季期间的平均降水量基本在0~2 mm/d内，夏季平均降水量最大值在6 mm/d左右，由图可知各模型在春、冬季节模拟的平均降水量变化与实测资料差异很小，但是秋、夏季节个别模式出现了明显高估或低估情况，俄罗斯的INM-CM5-H模式在夏季期间的平均降水量最大值可达8 mm/d，远远大于实测资料，国内的FGOAL-f3-H模式在夏季的平均降水量最大值在4 mm/d左右，远远小于实测资料，其余部分模式在个别时间会出现高估或低估情况，国内的BCC-CSM2-HR模式与欧洲中心ECMWF-IFS-HR模式在夏季的模拟情况与实测资料基本保持一致，与其余模式相比，模拟情况相对较好。

Figure 6.Spatial distribution of spring precipitation by model

图6.各模式春季降水空间分布图

Figure 7.Spatial distribution of summer precipitation by model

图7.各模式夏季降水空间分布图

Figure 8.Spatial distribution of autumn precipitation by model

图8.各模式秋季降水空间分布图

Figure 9.Spatial distribution of winter precipitation by model

图9.各模式冬季降水空间分布图

Figure 10.Mean precipitation time series plots of HighResMIP models and measured data

图10.HighResMIP各模式与实测资料平均降水时间序列图

3.4. 降水强度频次占比

图11是HighResMIP各模式的降水强度频次占比图，黑色折线是观测数据，作为基准线来对比其他模型的表现，在0.5 mm/d处达到最高峰，约35%左右，之后频率占比迅速下降，到2 mm/d以上几乎为零，观测数据在低强度降水(0.5 mm/d)频率最高，符合一般的降水分布特征，低强度降水事件更常见。多数模型在低降水强度(约0.5 mm/d)处的频率占比达到峰值，但这些峰值的高度不同，反映出模型对低强度降水的预测存在差异，在高降水强度(如2 mm/d及以上)下，观测数据的频率占比迅速下降，而一些模型在高降水强度下仍保持了一定的频率占比，表明模型可能对高强度降水的预测偏高。BCC-CSM2-HR和CMCC-CM2-HR4两种模式的频率占比在低降水强度下与观测数据较为接近，而FGOAL-f3-H在低降水强度区间下的频率占比明显低于观测数据，INM-CM5-H模式模拟出了比观测数据更大的降水强度区间，高估了高原南坡的降水情况。

Figure 11.Proportion of precipitation intensity frequency

图11.降水强度频次占比图

为了更好地验证各模式对青藏高原南坡降水的模拟，通过各模式的每月平均降水量与实测资料的平均降水量计算均方根误差，相关系数，图12是根据各模式的计算出的相关系数与均方根误差绘制的泰勒图，表2是各模式的具体计算数据，根据泰勒图与计算数据，我们可以直观的看到，ECMWF-IFS-MR：相关系数最高(0.91)，均方根误差最低(1.04)，ECMWF-IFS-HR和ECMWF-IFS-L：相关系数分别为0.89和0.90，均方根误差均为1.08，这两种模式的性能也非常好。ECMWF-IFS系列模式(尤其是MR版本)在模拟效果上表现出色，其次是HadGEM3-GC31-MM模式。这些模式的高相关系数和较低的均方根误差表明它们在模拟数据时具有较好的准确性和一致性。

4. 结论

本文以HighResMIP模式的16种模式与CN05.1提供的最新观测资料数据作为分析数据，根据多种方式分析各模式的模拟情况，不同情况下的模拟性能不同。得出以下结论：

Figure 12.Taylor diagram

图12.泰勒图

Table 2.Correlation coefficients, root mean square errors, and standard deviations for each model

表2.各模式相关系数，均方根误差，标准差

1) 英国四种HadGEM3-GC31模式相比较与其他模式低估了青藏高原南坡地区平均降水，没有模拟出高原南坡强而窄的降水带，除中国的FGOAL-f3-H模式与英国的四种模式，其余模式均高估了高原、盆地过渡带处的降水。欧洲中心三种模式与英国HadGEM3-GC31-HH、HadGEM3-GC31-HM两种模式对青藏高原大部分区域模拟与观测资料的偏差较小，大部分区域小于正负1 mm/d，其余模式对高原南坡边缘地区降水量有明显高估情况，出现4 mm/d左右的正偏差，模拟效果相对较差。

2) 春季期间各模式能够捕捉到东南部高降水区域的特征，BCC-CSM2-HR和CMCC系列模式在高降水区域的模拟上较为接近实测数据，表现相对较好。夏季期间，各模式在模拟夏季降水空间分布方面，都存在一定的误差，主要表现为高降水区的位置和降水强度的差异。秋季期间大多数模式能捕捉到降水集中在东南部区域的特征，但在降水量级和具体位置上存在偏差。冬季期间各模式降水分布区域与实测资料基本一致，但是大部分模式的降水量都偏高。

3) 各模式在模拟1995~2014年区域平均降水量的时间序列上都表现出了一定的能力，尤其是在捕捉季节性变化方面。然而，在模拟精度和稳定性上，ECMWF-IFS-HR和BCC-CSM2-HR表现较为理想，能够较为准确地再现实测资料的降水峰值和谷值。其它模式虽然也能反映总体趋势，但在某些年份的模拟结果偏离实测数据较大，需要进一步改进。

4) 根据计算的相关系数、均方根误差、标准差数据，ECMWF-IFS系列模式(尤其是MR版本)在模拟效果上表现出色，其次是HadGEM3-GC31-MM模式。

参考文献