EN中文

地理科学 >

2024 , Vol. 44 >Issue 5: 901 - 910

DOI: https://doi.org/10.13249/j.cnki.sgs.20220844

CMIP6耦合模式对青藏高原积雪的未来预估

  • 陈涛 , 1 ,
  • 高歌 , 2, 3, * ,
  • 杜晓辉 4 ,
  • 陈华 5
展开
  • 1.西藏自治区气候中心，西藏 拉萨 850000
  • 2.国家气候中心气候研究开放实验室，北京 100081
  • 3.南京信息工程大学气象灾害预报预警与评估协同创新中心，江苏 南京 210044
  • 4.拉萨市气象局，西藏 拉萨 850000
  • 5.西藏自治区大气探测技术与装备保障中心，西藏 拉萨 850000
高歌。E-mail:

陈涛（1983—），男，湖北潜江人，副高级工程师，硕士，主要从事青藏高原气候研究。E-mail:

收稿日期: 2023-01-22

  修回日期: 2023-08-12

  网络出版日期: 2024-05-20

基金资助

国家自然科学基金联合基金(U23A2006)

中国气象局西南区域气象中心创新团队基金(XNQYCXTD-202201)

中国铁路总公司科技研究开发计划系统性重大项目(P2018T006)

中央引导地方项目(XZ202102YD0012C)

西藏自治区自然科学基金资助()

版权

版权所有，未经授权，不得转载、摘编本刊文章，不得使用本刊的版式设计。
收起

CMIP6 projected changes in snow cover in the Qinghai-Tibet Plateau

  • Chen Tao , 1 ,
  • Gao Ge , 2, 3, * ,
  • Du Xiaohui 4 ,
  • Chen Hua 5
Expand
  • 1. Xizang Autonomous Region Climate Center, Lhasa 850000, Xizang, China
  • 2. Laboratory for Climate Studies, National Climate Center, Beijing 100081, China
  • 3. Collaborative Innovation Center on Forecast and Evaluation of Meteorological Disasters, Nanjing University of Information Science & Technology, Nanjing 210044, Jiangsu, China
  • 4. Lhasa Meteorological Bureau, Lhasa 850000, Xizang, China
  • 5. Xizang Atmospheric Detection Technology and Equipment Support Center, Lhasa 850000, Xizang, China

Received date: 2023-01-22

  Revised date: 2023-08-12

  Online published: 2024-05-20

Supported by

Joint Program of National Natural Science Foundation of China(U23A2006)

Innovation Team Fund of Southwest Regional Meteorological Center, China Meteorological Administratio(XNQYCXTD-202201)

Systematic Major Project of Science and Technology Research and Development Plan of China National Railway Group Co., Ltd(P2018T006)

Central Guiding Local Project(XZ202102YD0012C)

Natural Science Foundation of Xizang Autonomous Region()

Copyright

Copyright reserved © 2024.
Fold

摘要

基于第六次国际耦合模式比较计划（CMIP6）的历史模拟试验以及情景预估试验数据，分析了21世纪中（2035—2064年）、后期（2070—2099年）青藏高原积雪相对于参考期（1985—2014年）的变化。结果表明：相对于参考期，21世纪中、后期青藏高原平均年积雪日数、平均积雪期均表现为减少，减少幅度总体随着人为辐射强迫的增加而加大；除低强迫情景外，21世纪后期的减少幅度均大于21世纪中期；空间上总体表现为青藏高原东南部的减少幅度大于西北部。21世纪中、后期青藏高原积雪初日均表现为推迟、积雪终日均表现为提前，积雪初日推迟天数是积雪终日提前天数的1.5~2.0倍；人为辐射强迫越高，积雪初（终）日推迟（提前）天数越多；相同情景下21世纪后期积雪初（终）日推迟（提前）天数均多于21世纪中期。降雪（气温）与年积雪日数呈正（负）相关；随着人为辐射强迫的增加，降雪对年积雪日数的相对贡献率总体呈增加趋势；空间特征表现为降雪（气温）对青藏高原南部和北部（东部和西部）的年积雪日数的相对贡献更大。7—12月降雪的减少幅度大于1—6月，这可能是积雪初日推迟天数多于积雪终日提前天数的重要原因。不同情景下青藏高原未来积雪变化差异明显，由此可见，控制温室气体排放对减缓未来青藏高原积雪的减少速率至关重要。

关键词： 青藏高原; CMIP6; 积雪日数; 积雪期; 气温降雪贡献率

本文引用格式

陈涛 , 高歌 , 杜晓辉 , 陈华 . CMIP6耦合模式对青藏高原积雪的未来预估[J]. 地理科学, 2024 , 44(5) : 901 -910 . DOI: 10.13249/j.cnki.sgs.20220844

Abstract

Snow cover changes in the middle (2035—2064) and end (2070—2099) of 21st century are investigated over the Qinghai-Tibet Plateau based on the Historical data and ScenarioMIP data of the Coupled Model Intercomparison Project Phase 6 (CMIP6). Compare with the reference period (1985—2014), the mean annual snow cover days and mean snow duration decrease during the middle and end of the 21st century over the Qinghai-Tibet Plateau, and the overall reduction are more pronounce with the increase of greenhouse gas emission concentration; the reduction in the late-21st century is more pronounced compare to the mid-21st century except for the low emission scenario; Spatially, the decrease in the southeast of the Qinghai-Tibet Plateau is more severe than that in the northwest. The snow onset date is delayed and the snow end date is advanced in the middle and late 21st century, the days of former is 1.5-2.0 times that of the latter; The more greenhouse gas emissions the more days the snow onset (end) date is delayed (advanced); The changes of the snow onset date and the snow end date are more pronounced in the late 21st century. Snowfall (temperature) is positively (negatively) correlated with the annual snow cover days; Generally ,the relative contribution rate of snowfall to the annual snow cover days increases with the increase of greenhouse gas emission concentration; Spatially, snowfall (temperature) contributes more to the annual snow cover days in the southern and northern (east and west) parts of the Qinghai-Tibet Plateau. Decrease in snowfall from July to December is greater than from January to June, which may be the reason why the days of snow onset date is delayed more than the days of snow end date is advanced. There are great differences in the future snow cover changes over the Qinghai-Tibet Plateau under different scenarios, so controlling greenhouse gas emissions is crucial to slowing down the future snow cover reduction rate over Qinghai-Tibet Plateau.

Key words： the Qinghai-Tibet Plateau; CMIP6; snow cover days; snow duration; contribution rate of temperature and snowfall

青藏高原（后文简称高原）积雪通过改变地表热力状况，对周边大气环流有显著影响，是东亚天气气候变化的重要外强迫因素[1-4]。积雪融水是高原河流与地下水的重要补给源，从高原发育的诸多河流为东亚、南亚约占世界1/3的人口提供了生产生活用水[3]。
全球增温背景下，高原近40 a升温速率比全球同期升温速率高约2倍[5]。受升温等因素影响，近30 a高原积雪覆盖日数和积雪深度呈下降趋势，2000年以后尤其明显[6]。高原积雪减少会对当地及周边气候、水文、生态和人类系统产生反馈效应[7]，在所有模式都表明未来一段时期内全球升温将持续背景下[8]，开展高原积雪未来变化研究对当地防灾减灾、气候变化适应等措施政策制定至关重要。
国际耦合模式比较计划（CMIP）提供的相关数据在支撑全球气候变化评估、预估中发挥着重要作用[9]。基于CMIP数据，全球及区域尺度的未来积雪变化得到广泛研究，近年的研究以CMIP5数据为主。在北半球，不同代表性浓度路径下（RCPs）21世纪雪水当量均表现为显著减少且具有明显的空间和季节特征：低纬度地区的相对变化最大，春季的减少速率最为突出[10]。北半球春季未来积雪面积表现为显著减少，与1986—2005年相比，2080—2099年RCP2.6、RCP8.5情景下积雪面积的相对变率分别为−7.2±3.8%、−24.7±7.4%[11]。2006—2040年，各RCPs情景下北半球春季积雪面积均表现为显著减少，2040年之后，RCP2.6情景下呈现稳定状态，RCP4.6和RCP6.0情景下呈微弱减少，RCP8.5情景下持续显著减少[12]。欧亚大陆未来积雪覆盖率也表现为减少趋势，2040年之前不同RCPs下积雪覆盖率减少速率比较接近，2040年之后差异逐步增加[13]。积雪的未来变化存在明显的区域差异，其中高原积雪未来减少趋势更加明显[11,13]。2007—2099年，高原年平均积雪深度在RCP2.6、RCP4.5、RCP8.5的变化速率分别为−0.08 cm/a、−0.08 cm/a、−0.11 cm/a[14]。
以上研究以北半球和大陆尺度为主，针对高原积雪未来变化的研究较少，特别是基于CMIP6数据的研究。这些研究主要关注未来积雪厚度（雪水当量、积雪深度）和积雪范围（积雪面积、积雪覆盖率）变化，对积雪日数及积雪物候（积雪期、积雪初日、积雪终日）关注较少。这些变量通过影响土壤冻融过程对陆面生态系统尤其是高寒植被的季节性变化产生影响[15-16]，对预测植物返青期和枯黄期有指示意义[17]，也是雪灾评估的主要参考指标，对畜牧业生产、铁路和公路交通安全运行等影响较大。
本文基于CMIP6历史模拟以及未来预估的逐日雪水当量数据，从整体及空间上分析了未来高原积雪日数、积雪期以及积雪初日、积雪终日的变化，并讨论了这些变化与气温、降雪的关系。

1 数据与方法

1.1 数据来源

选取第六次国际耦合模式比较计划（CMIP6）历史模拟试验最后30 a（1985—2014年）作为参考期①(①CMIP6数据下载地址为https://esgf-node.llnl.gov/projects/cmip6/ [2021-09-12])，选取Tier-1核心试验中2035—2064年代表21世纪中期、2070—2099年代表21世纪后期。只考虑每个模式的第一个集合成员（r1i1p1f1），历史模拟试验以及Tier-1试验4种情景（SSP126、SSP245、SSP370、SSP585）均有逐日雪水当量数据（变量名：snw）的模式有14个，模式信息见表1。同时使用了与雪水当量数据相匹配的气温（变量名：tas）和降雪（变量名：prsn）数据。由于各模式分辨率不同，通过双线性插值统一至1°×1°空间分辨率。鉴于各模式对闰年的处理方式不同，统一剔除时间序列中2月29日的数据。
表1 CMIP6模式列表以及模式筛选结果

Table 1 CMIP6 models and results of models filtering

序号模式名称机构，国家/地区标称分
辨率/km		空间相关变化速率
雪水当量积雪日数雪水当量/（mm/10a）积雪日数/（d/10a）
　　注：*表示筛选后的模式。
1ACCESS-CM2*CSIRO-ARCCSS，澳大利亚2500.500.34−16.60−4.08
2ACCESS-ESM1-5CSIRO，澳大利亚2500.450.33−0.031.05
3AWI-CM-1-1-MR*AWI，德国1000.310.46−1.18−8.84
4BCC-CSM2-MRBBC，中国1000.110.30−3.65−8.08
5CanESM5CCCMA，加拿大500−0.120.18−206.90−14.01
6EC-Earth3*EC-Earth-Consortium，欧洲1000.560.59−1.19−8.61
7GFDL-ESM4GFDL，美国1000.460.630.861.27
8INM-CM4-8*INM，俄罗斯1000.220.33−2.02−6.57
9INM-CM5-0*INM，俄罗斯1000.180.31−0.98−4.48
10IPSL-CM6A-LR*IPSL，法国2500.170.39−7.04−3.60
11MIROC6*MIROC，日本2500.190.34−1.19−4.36
12MPI-ESM1-2-HR*MPI，德国1000.320.48−0.45−6.93
13MPI-ESM1-2-LR*MPI，德国2500.200.37−0.10−1.66
14MRI-ESM2-0MRI，日本1000.460.460.89−1.22
由于高原观测站点稀疏且分布不均匀[18]，很难充分显示大范围积雪的时空变化特征[19]。参考已有研究[14,20-21]，使用遥感积雪数据对CMIP6历史模拟结果进行验证，据此优选模式。选择中国雪深长时间序列数据集②(②https://data.tpdc.ac.cn/zh-hans [2021-10-20])（后文称为观测数据）开展验证工作。该数据集为1979年至今的中国范围逐日积雪深度，空间分辨率0.25°×0.25°，在高原积雪研究中有广泛应用[20,22]，数据处理方法与CMIP6数据相同。

1.2 积雪日和积雪物候统计

将前一年7月1日至当年6月30日定义为1个积雪年[23]，如1985年指1984年7月1日至1985年6月30日。对于观测数据，某天的积雪深度≥1 cm则统计为1个积雪日[20,22]。由于CMIP6数据为雪水当量，需要对积雪日的判断阈值进行转换。高原年平均积雪密度约为（0.14~0.18） g/cm3[24]，取0.16 g/cm3按如下公式进行换算[25]：
$ SWE=SD\times \rho \times 10 $
式中，SWE为雪水当量，单位：mm；SD为积雪深度，单位：cm；ρ为积雪密度，单位：g/cm3。根据换算结果，对于CMIP6数据，某天的雪水当量≥1.6 mm则统计为1个积雪日。积雪初日和积雪终日分别为积雪年内的第一个和最后一个积雪日，以其出现日期在积雪年内的序号表示，积雪期为积雪初日与积雪终日的间隔天数。

1.3 未来气候变化统计

除积雪初日、积雪终日、气温外，其他变量相对于参考期的变化均以相对变率表示[26]。21世纪中、后期相对于参考期变化的信度评价：对每个模式，进行2个时期数据（各30 a）的均值T检验，取α=0.05判断均值是否发生显著变化[27]，统计均值显著增加或减少的模式个数，如果统计模式数量达到模式总数的75%以上，则认为该变化具有高信度。
模式筛选部分的时间和空间相关使用皮尔逊相关系数，降雪、气温与积雪变量的关系则使用偏相关系数[28]，取α=0.05进行T检验。75%以上模式的相关结果通过显著性检验，则表示模式平均结果具有高信度。

1.4 贡献率分析方法

采用相对贡献率探讨降雪和气温与积雪变量的关系：采用二元线性回归方法建立积雪变量与降雪、气温之间的关系，分别计算降雪、气温回归系数的绝对值与2个回归系数绝对值之和的比值，得到降雪、气温的相对贡献率[29]。信度评价方法：75%以上模式与模式平均的结论一致，则认为结论具有高信度。以降雪和气温对年积雪日数的相对贡献率为例，如果模式平均显示降雪的相对贡献率大于气温，且75%以上模式具有相同结论，则认为降雪对年积雪日数的相对贡献率大于气温对年积雪日数的相对贡献率具有高信度。

2 结果与讨论

2.1 模式筛选

根据历史模拟结果挑选对当前气候态模拟较好的模式，是约束模式不确定性的简单易行的方法[30]。选择空间相关和变化速率作为筛选指标，通过对比观测与CMIP6历史模拟的雪水当量、积雪日数进行模式筛选。参考期CMIP6各模式与观测平均雪水当量、平均年积雪日数的空间相关系数，BCC-CSM2-MR与CanESM5未通过0.01水平显著性检验，予以剔除。参考期观测年平均雪水当量、年积雪日数的变化速率分别为−0.3 mm/10a和−6.5 d/10a，与相关研究结论总体一致[31]，ACCESS-ESM1-5、GFDL-ESM4、MRI-ESM2-0年平均雪水当量或年积雪日数变化速率为正值，给予剔除，最后选择9个模式进行分析（表1）。筛选后，年积雪日数的区域多年平均结果，模式（175.3 d）仍明显高于观测（103.7 d），且在可可西里山脉周边存在虚假高值区，雪水当量的模拟存在类似情况，这种现象在CMIP5中亦有所体现[32]。

2.2 未来积雪日数变化特征

2.2.1 未来平均年积雪日数变化

21世纪中期平均年积雪日数变化如图1所示。与参考期比较，SSP126、SSP245、SSP370、SSP585这4种情景下高原平均年积雪日数均有所减少，区域平均的相对变率分别为−12.6% 、−18.0%、−20.8%、−20.2%，其中SSP126情景下减幅最小，SSP370情景下减幅最大。从空间分布看，4种情景下，高原均表现为减少且东南部减少幅度大于西北部，东南边缘减少幅度均超过30%，西北部减幅不足10%。4种情景下，随着人为辐射强迫的增加，高信度显著减少区域栅格占比分别为28.1%、56.5%、72.7%、68.4%，SSP126情景下主要分布在高原东南部，SSP245情景下，向高原中部扩张，且在西部有所分布，SSP370情景下范围最大，除高原东北部及西南部部分区域外，其他区域均有覆盖。
图1 21世纪中期青藏高原平均年积雪日数变化

黑点表示高信度区域

Fig. 1 Changes in the mean annual snow cover days in the mid-21st century in the Qinghai-Tibet Plateau

21世纪后期平均年积雪日数与参考期比较，4种情景下，人为辐射强迫越高，年积雪日数减少幅度越大，区域平均分别为−12.5% 、−22.7%、−33.8%、−38.5%，除SSP126情景外，减幅均大于21世纪中期的结果，特别是SSP585情景下，后期的减幅约为中期的2倍。空间分布，不同情景下高原东南部年积雪日数减少幅度均大于西北部，与图1类似，SSP585情景下高原大部分区域的减幅超过35%。4种情景下高信度显著减少区域栅格占比分别为21.3%、78.3%、92.1%、96.4%。相较21世纪中期，SSP126情景下略有减少，表明低强迫情景下21世纪后期年积雪日数的减少状况较中期有所缓和；其他情景下，高信度减少区域明显大于21世纪中期结果，SSP585情景下几乎覆盖所有区域。
基于相对变化分析年积雪日数的未来变化，可以避免各模式年积雪日数模拟差异带来的影响，但在年积雪日数较少的区域，未来较小的变化会带来较大的变化幅度，例如图1中高原东南边缘。

2.2.2 不同时期年积雪日数变化速率

图2为不同时期各模式区域平均年积雪日数的线性变化速率。箱线图的上下端分别为模式结果的最大值和最小值，箱体上、中、下3条横线分别对应上四分位、中值以及下四分位。参考期，模式结果均为负值，中值为−0.44 d/a。21世纪中期，4种情景下，人为辐射强迫越高，年积雪日数减少速率越大，中值分别为−0.06 d/a，−0.46 d/a、−0.51 d/a、−0.63 d/a。21世纪后期，模式结果的中值分别为0.02 d/a 、−0.03 d/a、−0.65 d/a、−0.76 d/a，不同情景之间的差异更大。SSP126情景下的未来两时期，年积雪日数减少速率较参考期有所减缓，该情景下，CMIP6多模式集合平均的增温可能在2100年显著低于2℃[10]，即2℃温控目标下21世纪末高原年积雪日数下降趋势可能得到逆转。SSP585情景下，21世纪后期，不仅模式中值的减少速率最大，模式间的差异也最大。
图2 不同时期年积雪日数的变化速率

参考期指1985—2014年

Fig. 2 The changing rate of annual snow cover days in each period

2.2.3 未来平均月积雪日数的变化

全球增温背景下高原积雪在不同季节的变化存在明显差异。21世纪中、后期平均月积雪日数较基准期均有所减少（图3），所有曲线均表现为单峰型，10月至翌年4月的减少幅度明显小于5—9月，且21世纪后期的减少幅度总体大于21世纪中期。图3a中，SSP126情景下各月积雪日数减少幅度在4种情景中最小，8月减幅最大，2月减幅最小，分别减少58.3%、4.9%；其他3种情景的差异相对较小，对应曲线存在交叉重叠现象。图3b中，4条曲线明显分离，其中SSP370、SSP585的差异相对较小；除SSP126外，其他3种情景下月积雪日数减少幅度均大于图3a，其中SSP585在9月减幅最大，2月减幅最小，分别减少87.0%、23.1%。需要指出的是，尽管各月的变化情况不同，但是各个时期平均月积雪日数曲线的基本形态未发生变化，积雪日数最多的月份均为1月，最少的月份均为8月。
图3 21世纪中期（a）、后期（b）平均月积雪日数的变化

Fig. 3 Changes in mean monthly snow cover days in the mid and end 21st century

2.3 未来积雪期及积雪初、终日变化

2.3.1 未来积雪期的变化

21世纪中期积雪期变化如图4所示，SSP126、SSP245、SSP370、SSP585这4种情景下人为辐射强迫越高积雪期缩短幅度越大，区域平均结果分别为−8.0%、−10.6%、−12.3%、−13.3%。21世纪后期积雪期缩短幅度均大于中期，分别为−8.1%、−14.4%、−22.0%、−26.5%，随着人为辐射强迫的增加2个时期的差异逐步增大，SSP585情景下后者的缩短幅度大约是前者的2倍。从空间分布来看，两时期各情景下均表现为高原东南部积雪期缩短幅度大于西北部，21世纪中期，缩短幅度超过20%的区域各情景下均位于高原东南边缘，21世纪后期，该区域范围随着人为辐射强迫的增加逐步向西北延伸。高信度显著减少区域栅格占比，21世纪中期4种情景分别为19.4%、36.0%、45.5%、45.1%，主体位置均位于高原东部，高辐射强迫情景下，在西部出现零星分布；21世纪后期依次为17.8%、54.2%、86.6%、95.3%，从高原东部逐渐向西北部延伸；除SSP126情景外，其他情景下，后期的高信度显著减少区域均大于中期，且两时期差异随着人为辐射强迫的增加而加大。
图4 21世纪中期青藏高原平均年积雪期变化

Fig. 4 Changes in the mean annual snow duration in the mid-21st century in the Qinghai-Tibet Plateau

2.3.2 积雪初、终日变化

表2为多模式区域平均的积雪初终日变化。从表中可见，未来不同情境下高原积雪初日均表现为推迟，积雪终日均表现为提前，与未来积雪期缩短的结论一致。随着人为辐射强迫的增加，积雪初日推迟天数越多，积雪终日提前天数也越多；相同情景下，21世纪后期积雪初日推迟天数多于21世纪中期，积雪终日提前天数也多于21世纪中期。积雪初日的推迟天数均多于积雪终日的提前天数，前者大约是后者的1.5~2.0倍。积雪初终日变化的空间分布与积雪期的变化类似，积雪初日的推迟天数、积雪终日的提前天数在不同时期的不同情景下均表现为高原东南部大于西北部。
表2 青藏高原21世纪中、后期平均积雪初、终日的变化

Table 2 Changes in the mean snow onset date and mean snow end date in the mid and end 21st century in the Qinghai-Tibet Plateau

时段SSPs积雪初日变化/d积雪终日变化/d
　　注“±”之后为模式标准差，*表示结果具有高信度。
21世纪中期SSP12610.54 ±8.63−6.30* ±2.38
SSP24513.33* ±9.21−7.62* ±2.81
SSP37014.74* ± 8.57−7.86* ± 2.92
SSP58515.75* ± 9.70−9.72* ±3.19
21世纪后期SSP12611.41 ±10.55−6.74* ±3.52
SSP24517.57* ±12.57−11.58* ±3.75
SSP37026.25* ± 15.28−16.47* ±4.11
SSP58531.98* ± 16.47−20.79* ± 5.88

2.4 讨论

2.4.1 积雪日数与降雪、气温的关系

积雪日数变化与降雪、气温变化存在密切联系[23]。不同时期年降雪量、年平均气温与年积雪日数的偏相关系数以及对年积雪日数的相对贡献率如表3所示。从表中可知，年积雪日数与年降雪量存在正相关关系（剔除年平均气温的影响），模式平均的偏相关系数为0.52~0.64，除参考期、21世纪后期SSP245情景外，其余结果均具有高信度。21世纪中期及后期，随着人为辐射强迫的增加，年积雪日数与年降雪量的偏相关系数总体呈现增大趋势。年积雪日数与年平均气温存在负相关关系（剔除年降雪量的影响），模式平均的偏相关系数为−0.58~−0.45，所有结果均具有高信度。随着人为辐射强迫的增加，降雪与积雪日数的偏相关程度总体表现为上升，气温与积雪日数的偏相关程度总体表现为下降，这可能是由于气温升高到某临界值，积雪日数对气温的敏感度会降低[24]。由于降雪和气温对年积雪日数的相对贡献率之和为1，因此表3中仅列出了降雪的相对贡献率。
表3 年降雪量、年平均气温与年积雪日数的偏相关系数以及对年积雪日数的相对贡献率

Table 3 The partial correlation coefficient between the annual snowfall, the annual mean temperature and the annual snow days and relative contribution rate of annual snowfall to the annual snow days

时段SSPs偏相关系数相对贡献率
降雪（剔除气温）气温（剔除降雪）降雪
　　注：参考期指1985—2014年；“±”之后为模式标准差；*表示结果具有高信度。
参考期/0.53 ±0.16−0.56*±0.180.48±0.20
21世纪中期SSP1260.52* ±0.18−0.58* ±0.150.46* ±0.17
SSP2450.60* ±0.14−0.57* ±0.140.52±0.14
SSP3700.63* ±0.13−0.48* ±0.150.60* ±0.13
SSP5850.64* ±0.12−0.45* ±0.140.62* ±0.13
21世纪后期SSP1260.54* ±0.20−0.54* ±0.130.49 ±0.18
SSP2450.53 ±0.19−0.57* ±0.210.47 ±0.19
SSP3700.59* ±0.14−0.52* ±0.200.54±0.20
SSP5850.63* ±0.08−0.53* ±0.150.57* ±0.13
21世纪中期不同情景下降雪对年积雪日数贡献率的空间分布见图5。随着人为辐射强迫的增加，降雪贡献率小于气温贡献率的红色区域呈减小趋势，栅格占比分别为55.7%、47.0%、39.1%、32.2%，且高信度区域（红色带黑点标记区域）减少更为明显，栅格占比分别为23.3%、16.2%、5.9%、2.4%，高原中东部变化尤其明显。相应地，降雪贡献率大于气温的蓝色区域逐步增加，高信度区域（蓝色带黑点标记区域）也明显增加，栅格占比分别为13.4%、17.0%、21.3%、36.4%，高原西南部的变化尤其明显。气温（降雪）贡献大的区域与年积雪日数高（低）值区基本对应。21世纪后期，4种情景下红色区域占比分别为51.4%、60.5%、39.1%、32.4%，对应的高信度区域占比分别为11.9%、19.0%、9.1%、4.0%。
图5 21世纪中期青藏高原降雪对积雪日数贡献率的空间分布

Fig. 5 Spatial distribution of the relative contribution rate of snowfall to snow days in the mid-21st century in the Qinghai-Tibet Plateau

2.4.2 积雪初终日与气温降雪的关系

由于积雪期由积雪初终日决定，直接分析积雪初终日与气温、降雪的关系。偏相关系数以及相对贡献率的计算，积雪初日使用7—12月的气温和降雪数据，积雪终日使用1—6月的气温和降雪数据。结果表明，降雪与积雪初日、终日分别表现为负、正相关（剔除气温的影响），即降雪越多积雪初日越早、积雪终日越晚；气温与积雪初日、终日分别表现为正、负相关（剔除降雪的影响），即气温越高积雪初日越晚、积雪终日越早。降雪与积雪初终日的偏相关程度较高，且大部分结果具有高信度；气温与积雪初终日的偏相关程度较低，且不同时期不同情景下均不具有高信度。模式平均结果显示，不同时期及情景下，降雪对积雪初日、积雪终日的相对贡献率均高于气温，且大分部结果具有高信度，21世纪后期SSP370、SSP585情景下降雪对积雪初日的相对贡献率除外。
统计未来降雪和气温相对参考期的变化，结果显示：21世纪中、后期各情景下，7—12月降雪的减少幅度均大于1—6月，且所有结果均具有高信度。气温的变化有所不同，21世纪中、后期各情景下7—12月的增温均高于1—6月，但均不具有高信度。考虑到降雪对积雪初日、积雪终日的相对贡献率均高于气温，7—12月降雪的减少幅度大于1—6月可能是积雪初日推迟天数大于积雪终日提前天数的重要原因（表2）。

3 结论

与观测积雪产品对比优选的9个CMIP6模式，分析21世纪中期和后期高原积雪日数、积雪期、积雪初终日相对于参考期的变化，并讨论积雪日数以及积雪初终日变化与降雪、气温变化的关系。
1）与参考期比较，21世纪中期和后期各情景下平均年积雪日数均有所减少，且相同情景下，21世纪后期的减幅更大。总体而言，人为辐射强迫越高，平均年积雪日数减幅越大。在空间分布上，均表现为高原东南部平均年积雪日数的减幅大于西北部。人为辐射强迫越高，21世纪中期、后期年积雪日数减少速率越大。21世纪中、后期的平均月积雪日数较参考期均有所减少， 21世纪后期不同情景之间的差异更大。
2）人为辐射强迫越高，平均积雪期减幅越大；21世纪后期减幅大于21世纪中期；高原东南部减幅大于西北部。21世纪中、后期各情景下平均积雪初日（终日）均表现为推迟（提前）。人为辐射强迫越高，平均积雪初日（终日）推迟（提前）天数越多。相同时期的相同情景下，积雪初日的推迟天数是积雪终日提前天数的1.5~2倍。
3）年积雪日数与降雪表现为正相关（剔除气温影响），与气温表现为负相关（剔除降雪影响）。随着人为辐射强迫的增加，年积雪日数与降雪的偏相关程度增强，与气温的偏相关程度总体表现为减弱。随着人为辐射强迫的增加，降雪对年积雪日数的相对贡献率总体表现为增大。高原东部和西部（南部和北部）气温（降雪）对年积雪日数的贡献更大。
4）降雪与积雪初日（终日）呈负（正）相关（剔除气温影响），气温与积雪初日（终日）呈正（负）相关（剔除降雪影响）；降雪与积雪初终日的偏相关程度均高于气温，降雪对积雪初终日的相对贡献率也均高于气温。7—12月降雪的减少幅度大于1—6月，这可能是积雪初日的推迟天数大于积雪终日的提前天数的关键原因。
CMIP6结果表明即使在低排放情景下，未来高原积雪仍会减少，即一段时期内积雪融化可能加剧，需要对环境脆弱性进行科学评估以采取适当的应对行动。高原积雪减少导致的径流年内分配变化以及局地由于湿雪环境增加导致的雪崩频率增加等问题需要重点关注。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
Blanford H F. On the connexion of the Himalaya snowfall with dry winds and seasons of drought in India[J]. Proceedings of the Royal Society of London, 1984, 37(232-234): 3-22.

[2]
韦志刚, 罗四维, 董文杰, 等. 青藏高原积雪资料分析及其与我国夏季降水的关系[J]. 应用气象学报, 1998, 9(Suppl.): 39-46.

Wei Zhigang, Luo Siwei, Dong Wenjie et al. Snow cover data on Qinghai-Xizang Plateau and its correlation with summer rainfall in China. Quarterly Journal of Applied Meteorology, 1998, 9(Suppl.): 39-46.

[3]
马耀明, 胡泽勇, 田立德, 等. 青藏高原气候系统变化及其对东亚区域的影响与机制研究进展[J]. 地球科学进展 , 2014, 29 (2):207-215.

Ma Yaoming, Hu Zeyong, Tian Lide et al. Study progresses of the Tibet Plateau climate system change and mechanism of its impact on East Asia. Advances in Earth Science, 2014, 29(2): 207-215.

[4]
吴国雄, 刘屹岷, 何编, 等. 青藏高原感热气泵影响亚洲夏季风的机制[J]. 大气科学, 2018, 42(3): 488-504.

DOI

Wu Guoxiong, Liu Yimin, He Bian et al. Review of the impact of the Tibetan Plateau sensible heat driven air-pump on the Asian summer monsoon. Chinese Journal of Atmospheric Sciences, 2018, 42(3): 488-504.

DOI

[5]
程国栋, 赵林, 李韧, 等. 青藏高原多年冻土特征、变化及影响[J]. 科学通报, 2019, 64: 2783-2795.

DOI

Cheng Guodong, Zhao Lin, Li Ren et al. Characteristic, changes and impacts of permafrost on Qinghai-Tibet Plateau. Chinese Science Bulletin, 2019, 64: 2783-2795.

DOI

[6]
车涛, 郝晓华, 戴礼云, 等. 青藏高原积雪变化及其影响[J]. 中国科学院院刊, 2019, 34(11): 1247-1253.

Che Tao, Hao Xiaohua, Dai Liyun et al. Snow variation and its impacts over the Qinghai-Tibet Plateau. Bulletin of Chinese Academy of Sciences, 2019, 34(11): 1247-1253.

[7]
钟歆玥, 康世昌, 史艳梅. 第三极和北极的积雪变化与影响[J]. 自然杂志, 2020, 42(5): 407-412.

DOI

Zhong Xinyue, Kang Shichang, Shi Yanmei. The changes and impacts of snow cover in the Third Pole and the Arctic. Chinese Journal of Nature, 2020, 42(5): 407-412.

DOI

[8]
丁一汇, 王会军. 近百年中国气候变化科学问题的新认识[J]. 科学通报, 2016, 61: 1029-1041.

DOI

Ding Yihui, Wang Huijun. Newly acquired knowledge on the scientific issues related to climate change over the recent 100 years in China. Chinese Science Bulletin, 2016, 61: 1029-1041.

DOI

[9]
周天军, 邹立维, 陈晓龙. 第六次国际耦合模式比较计划(CMIP6)评述[J]. 气候变化研究进展, 2019, 15(5): 445-456.

Zhou Tianjun, Zou Liwei, Chen Xiaolong. Commentary on the Coupled Model Intercomparison Project Phasa 6 (CMIP6). Climate Change Research, 2019, 15(5): 445-456.

[10]
Shi H X, Wang C H. Projected 21st century changes in snow water equivalent over Northern Hemisphere landmasses from the CMIP5 model ensemble[J]. The Cryosphere, 2015, 9(5): 1943-1953.

DOI

[11]
Brutel-Vuilmet C, Menegoz M, Krinner G. An analysis of present and future seasonal Northern Hemisphere land snow cover simulated by CMIP5 coupled climate models[J]. The Cryosphere, 2013, 7(1): 67-80.

DOI

[12]
朱献, 董文杰. CMIP5 耦合模式对北半球 3—4 月积雪面积的历史模拟和未来预估[J]. 气候变化研究进展. 2013, 9(3): 173-180.

Zhu Xian, Dong Wenjie. Evaluation and projection of northern hemisphere March-April snow covered area simulated by CMIP5 coupled climate models. Climate Change Research, 2013, 9(3): 173-180.

[13]
夏坤, 王斌. 欧亚大陆积雪覆盖率的模拟评估及未来情景预估[J]. 气候与环境研究, 2015, 20(1): 41-52.

DOI

Xia Kun, Wang Bin. Evaluation and projection of snow cover fraction over Eurasia. Climatic and Environmental Research, 2015, 20(1): 41-52.

DOI

[14]
Wei Z, Dong W. Assessment of simulations of snow depth in the Qinghai-Tibetan Plateau using CMIP5 multi-models[J]. Arctic, Antarctic, and Alpine Research, 2015, 47(4): 611-625.

DOI

[15]
Chen X, Liang S, Cao Y et al. Observed contrast changes in snow cover phenology in northern middle and high latitudes from 2001—2014[J]. Scientific reports, 2015, 5(1): 1-9.

DOI

[16]
Wang K, Zhang L, Qiu Y et al. Snow effects on alpine vegetation in the Qinghai-Tibetan Plateau[J]. International Journal of Digital Earth, 2015, 8(1): 58-75.

DOI

[17]
赵琴, 郝晓华, 和栋材, 等. 1980—2019年北疆积雪时空变化与气候和植被的关系[J]. 遥感技术与应用, 2021, 36(6): 1247-1258.

Zhao Qin, Hao Xiaohua, He Dongcai et al. The relationship between the temporal and spatial changes of snow cover and climate and vegetation in northern Xinjiang from 1980 to 2019. Remote Sensing Technology and Application, 2021, 36(6): 1247-1258.

[18]
肖林, 车涛, 戴礼云. 多源雪深数据在中国的空间特征评估[J]. 遥感技术与应用, 2019, 34(6): 1133-1145.

Xiao Lin, Che Tao, Dai Liyun. Evaluation on the spatial characteristics of multiple snow depth datasets over China. Remote Sensing Technology and Application, 2019, 34(6): 1133-1145.

[19]
肖雄新, 张廷军. 基于被动微波遥感的积雪深度和雪水当量反演研究进展[J]. 地球科学进展, 2018, 33(6): 590-605.

DOI

Xiao Xiongxin, Zhang Tingjun. Passive microwave remote sensing of snow depth and snow water equivalent: overview. Advances in Earth Science, 2018, 33(6): 590-605.

DOI

[20]
Ji Z, Kang S. Projection of snow cover changes over China under RCP scenarios[J]. Climate Dynamics, 2013, 41(3-4): 589-600.

DOI

[21]
Mudryk L, Santolaria-Otín M, Krinner G et al. Historical northern hemisphere snow cover trends and projected changes in the CMIP6 multi-model ensemble[J]. The Cryosphere, 2020, 14(7): 2495-2514.

DOI

[22]
Shi Y, Gao X, Wu J et al. Changes in snow cover over China in the 21st century as simulated by a high resolution regional climate model[J]. Environmental Research Letters, 2011, 6(4): 045401

DOI

[23]
周晓宇, 赵春雨, 李娜, 等. 东北地区积雪变化及对气候变化的响应[J]. 高原气象, 2021, 40(4): 875-886.

Zhou Xiaoyu, Zhao Chunyu, Li Na et al. Spatiotemporal variation of snow and its response to climate change in Northeast China. Plateau Meteorology, 2021, 40(4): 875-886.

[24]
马丽娟, 秦大河 等. 1957—2009年中国台站观测的关键积雪参数时空变化特征[J]. 冰川冻土, 2012, 34(1): 1-11.

Ma Lijuan, Qin Dahe. Spatial-temporal characteristics of observed key parameters for snow cover in China during 1957—2009. Journal of Glaciology and Geocryology, 2012, 34(1): 1-11.

[25]
邱玉宝, 卢洁羽, 石利娟, 等. 高亚洲地区被动微波遥感雪水当量数据集[J]. 中国科学数据, 2019, 4(1): 106-121.

Qiu Yubao, Lu Jieyu, Shi Lijuan et al. Passive microwave remote sensing data of snow water equivalent in High Asia. China Scientific Data, 2019, 4(1): 106-121.

[26]
张紫豪, 王迪, 吴祥文, 等. 大兴安岭地区多年冻土区不同深度土壤碳分布特征[J]. 地理科学, 2024, 44(3): 534-542.

Zhang Zihao, Wang Di, Wu Xiangwen et al. Distribution characteristics of permafrost soil carbon at different depths in the Da Hinggan Ling Prefecture. Scientia Geographica Sinica, 2024, 44(3): 534-542.

[27]
段明铿, 李欣, 王盘兴. 中国台站冬夏季气温、降水的气候变化特征及其显著性检验[J]. 大气科学学报, 2020, 43(5): 888-896.

Duan Mingkeng, Li Xin, Wang Panxing. Climate change characteristics and significance tests of temperature and precipitation of China weather stations in winter and summer. Transactions of Atmospheric Sciences, 2020, 43(5): 888-896.

[28]
解晗, 同小娟, 李俊, 等. 2000—2018年黄河流域生长季植被指数变化及其对气候因子的响应[J]. 生态学报, 2022, 42(11): 4536-4549.

Xie Han, Tong Xiaojuan, Li Jun et al. Changes of NDVI and EVI and their responses to climatic variables in the Yellow River Basin during the growing season of 2000—2018. Acta Ecologica Sinica, 2022, 42(11): 4536-4549.

[29]
管晓祥, 刘翠善, 鲍振鑫, 等. 黄河源区积雪变化时空特征及其与气候要素的关系[J]. 中国环境科学, 2021, 41(3): 1045-1054.

Guan Xiaoxiang, Liu Cuishan, Bao Zhenxin et al. Spatial-temporal variability of the snow over the Yellow River source region and its influencing climate factors. China Environmental Science, 2021, 41(3): 1045-1054.

[30]
Zhang B, Soden B J. Constraining climate model projections of regional precipitation change[J]. Geophysical Research Letters, 2019, 46: 10522-10531.

DOI

[31]
刘一静, 孙燕华, 钟歆玥, 等. 从第三极到北极: 积雪变化研究进展[J]. 冰川冻土, 2020, 42(1): 140-156.

Liu Yijing, Sun Yanhua, Zhong Xinyue et al. Changes of snow cover in the Third Pole and the Arctic. Journal of Glaciology and Geocryology, 2020, 42(1): 140-156.

[32]
杨笑宇, 林朝晖, 王雨曦, 等. CMIP5耦合模式对欧亚大陆冬季雪水当量的模拟及预估[J]. 气候与环境研究, 2017, 22(3): 253-270.

DOI

Yang Xiaoyu, Lin Zhaohui, Wang Yuxi et al. Simulation and projection of snow water equivalent over the Eurasian continent by CMIP5 coupled models. Climatic and Environmental Research, 2017, 22(3): 253-270.

DOI

Options
文章导航

/

〈 〉