论文部分内容阅读
针对逐日最高温度，发展了一种统计降尺度方法——优选格点回归法(Optimal Points Regression，OPR)，同时利用该方法对IPCC AR5提供的3个模式(CanESM、NorESM、BCC)的逐日最高温度资料进行降尺度，并通过算术平均的方法得到模式集合结果，模拟和预估全国531站的逐日最高温度，检验降尺度效果并分析未来情景中国地区日最高温度的变化特征。在此基础上，利用区域性极端事件客观识别法(an Objective Identification Technique forRegional Extreme Events，OITREE)对中国区域性高温事件进行模拟和预估，通过对这些事件发生频次、年季变化、空间分布等特征的分析检验模式的模拟效果及其在未来情景下的变化情况。主要结论如下: (1)发展了优选格点回归法(OPR)，利用该方法与双线性插值法(BilinearInterpolation，BI)对平原（山东）和高原（云南）的日最高温度进行降尺度对比分析，发现该方法对日最高温度的降尺度效果良好，而且思路简单明了，适合于海量数据的降尺度应用。 (2)检验并比较了OPR方法对于模式的降尺度效果，并且对未来情景下中国日最高温度的变化特征进行了分析:CanESM以及NorESM模式模拟效果较差，而BCC模式以及模式集合效果较好。而在未来情景下，中国各地区最高温度也有不同幅度的上升，但有较明显的区域差异。 (3)分析了1961-2005年区域性高温事件的变化特征并检验了模式的模拟效果:1961-2005年全国范围内发生了157次区域性高温事件，一般事件最多，轻度事件次之，严重事件再次之，而极端事件最少。而随着时间的推移，区域性高温事件发生频率增多，强度增大，影响范围也更广。区域性高温事件在7-8月份发生和结束的频率最高，其次是6月份，5、9月发生和结束的频率最低。BCC模式和模式集合对于区域性高温事件的模拟效果较好，CanESM模式次之，NorESM模式较差。 (4)分析了未来情景下区域性高温事件的变化特征并比较了各模式之间的差异。在2006-2009年之间，CanESM模式预估了478个区域性高温事件，NorESM模式预估了343个区域性高温事件，BCC模式预估了390个区域性高温事件，模式集合预估了311个区域性高温事件。BCC和CanESM模式的各指标上升幅度较大，NorESM模式和模式集合上升幅度较小。区域性高温事件发生和结束主要集中在4-9月份，除了CanESM模式以外，区域性高温事件在7、8月出现频率最高，5、6月次之，而4、9月出现频率最低。未来区域性高温事件的高频发区主要是在西北东部、华北、华中、华南地区。