青藏高原极端气温模拟：动力降尺度方法及边界与陆面因素影响探究

青藏高原极端气温模拟：动力降尺度方法及边界与陆面因素影响探究一、引言1.1研究背景与意义青藏高原，作为世界屋脊和地球第三极，平均海拔超过4000米，其独特的地理位置和复杂的地形地貌，使之成为全球气候变化的关键区域和敏感地带。该区域的气候变化不仅深刻影响着当地的生态系统、水资源分布和人类活动，还对亚洲乃至全球的气候和环境产生着深远的连锁反应。近年来，随着全球气候变暖趋势的加剧，青藏高原的气温显著上升，极端气温事件的发生频率和强度也呈现出明显的变化。极端高温事件可能引发冰川加速融化、冻土退化、生态系统失衡等问题；而极端低温事件则会对当地的农牧业生产、基础设施以及居民生活造成严重的负面影响。例如，极端高温导致青藏高原部分地区的冰川退缩速度加快，这不仅影响了当地的水资源供应，还增加了泥石流、滑坡等地质灾害的发生风险；极端低温则可能使农作物遭受冻害，导致农牧业减产，给当地居民的生计带来威胁。因此，深入研究青藏高原极端气温的变化特征和形成机制，对于理解全球气候变化背景下该区域的气候响应，以及制定有效的应对策略具有至关重要的意义。在气候研究领域，动力降尺度模拟是获取高分辨率气候信息的重要手段。由于全球气候模式（GCMs）受到计算资源和物理过程参数化的限制，其空间分辨率通常较粗，难以准确捕捉像青藏高原这样地形复杂区域的精细气候特征和极端气候事件。动力降尺度方法通过嵌套高分辨率的区域气候模式（RCMs）于GCMs输出的大尺度气象场中，能够充分考虑地形、下垫面等局地因素对气候的影响，从而为研究区域提供更为详细和准确的气候模拟结果。在青藏高原的研究中，动力降尺度模拟可以更精确地刻画极端气温在复杂地形下的时空变化，揭示其与大尺度大气环流和局地地形之间的内在联系，为气候变化研究提供更坚实的数据支持和理论依据。此外，边界条件和陆面模式作为动力降尺度模拟中的关键要素，对模拟结果的准确性有着重要影响。边界条件，如侧边界条件和下边界条件，为区域气候模式提供了大尺度的气象背景信息，其准确性直接关系到模式对区域气候的模拟能力。不同的边界条件设置可能导致模拟的极端气温在强度、频率和空间分布上存在差异。而陆面模式则负责描述陆地表面与大气之间的能量、水分和物质交换过程，其参数化方案和物理过程的选择会显著影响陆面与大气的相互作用，进而影响极端气温的模拟结果。例如，不同的陆面模式对土壤水分、植被覆盖等因素的处理方式不同，这些差异会导致陆面能量平衡和水分循环的模拟结果不同，最终影响到极端气温的模拟精度。因此，研究边界条件和陆面模式对青藏高原极端气温动力降尺度模拟的影响，对于优化模拟方案、提高模拟精度具有重要的实践意义。1.2国内外研究现状在青藏高原极端气温动力降尺度模拟的研究中，国内外学者已取得了一系列重要成果。国外方面，一些研究运用区域气候模式对青藏高原地区进行降尺度模拟，致力于提升对该区域极端气温时空分布特征的模拟精度。例如，有学者利用高分辨率的区域气候模式，对青藏高原的气温进行模拟，发现该模式能够较好地捕捉到地形对气温的影响，在模拟极端气温的空间分布上有一定的改进。他们的研究表明，提高模式分辨率可以更准确地刻画复杂地形下的气温变化，为深入研究极端气温提供了更可靠的数据支持。在时间变化特征模拟上，国外研究通过长期的模拟实验，分析了极端气温事件的变化趋势，指出在全球气候变暖背景下，青藏高原极端高温事件呈增加趋势，极端低温事件呈减少趋势，但不同模式之间的模拟结果仍存在一定差异。这种差异主要源于模式对物理过程的参数化方案不同，以及对边界条件和初始条件的设定差异。国内学者在这一领域也开展了大量深入的研究工作。众多研究利用不同的区域气候模式和降尺度方法，对青藏高原极端气温进行模拟和分析，探讨了其变化规律和影响因素。例如，有研究采用多模式集合的动力降尺度方法，对青藏高原极端气温进行模拟，结果显示多模式集合能够有效降低模拟的不确定性，提高对极端气温变化趋势的模拟能力。通过对比不同模式的模拟结果，发现不同模式对极端气温的模拟能力存在差异，而多模式集合可以综合各模式的优势，减少单一模式的偏差。还有研究结合卫星遥感数据和地面观测资料，对动力降尺度模拟结果进行验证和评估，进一步提高了模拟结果的可靠性。这种多数据源结合的方式，能够充分利用不同数据的优势，更全面地评估模拟结果的准确性，为研究青藏高原极端气温提供了更丰富的信息。关于边界条件对青藏高原极端气温动力降尺度模拟的影响，国外研究着重分析了侧边界条件和下边界条件的不确定性对模拟结果的影响。研究发现，不同的侧边界条件数据来源和处理方法，会导致模拟的极端气温在强度和频率上出现明显差异。例如，使用不同的全球再分析数据作为侧边界条件，模拟得到的极端气温变化趋势有所不同，这表明侧边界条件的选择对模拟结果至关重要。下边界条件中，土地利用类型、植被覆盖等因素的变化，也会通过影响地表能量平衡和水汽交换，进而影响极端气温的模拟。当改变土地利用类型的参数设置时，模拟的地表温度和极端气温会发生相应变化，说明下边界条件中的土地利用因素对极端气温模拟有显著影响。国内研究则更深入地探讨了边界条件与地形、大气环流之间的相互作用对极端气温模拟的影响机制。有研究通过数值试验发现，地形强迫作用会改变大气环流的结构和强度，而边界条件的变化会进一步影响这种地形-大气环流的相互作用，从而对极端气温模拟产生重要影响。当调整地形高度和边界条件中的大气环流参数时，模拟的极端气温变化与实际观测结果的对比分析显示，地形和大气环流的相互作用在极端气温模拟中起着关键作用。还有研究关注了不同边界条件下区域气候模式对青藏高原极端气温模拟的敏感性，通过敏感性试验，明确了边界条件中关键气象要素的变化对极端气温模拟结果的影响程度，为优化边界条件的设置提供了科学依据。在陆面模式对青藏高原极端气温动力降尺度模拟的影响研究方面，国外研究主要集中在不同陆面模式的物理过程差异对模拟结果的影响。例如，对比不同陆面模式中土壤水分、植被生理过程等参数化方案的差异，发现这些差异会导致陆面与大气之间的能量和水分交换过程不同，进而影响极端气温的模拟。不同陆面模式对土壤水分的模拟存在差异，这种差异会影响地表蒸发和感热通量，最终影响极端气温的模拟结果。通过敏感性试验，定量分析了这些物理过程参数化方案对极端气温模拟的影响程度，为陆面模式的改进提供了方向。国内学者在这方面的研究更加注重结合青藏高原的特殊地理环境和生态系统特征，评估陆面模式对极端气温模拟的适用性。有研究针对青藏高原冻土广布、植被类型独特等特点，对陆面模式中的冻土过程和植被参数化方案进行改进，发现改进后的陆面模式能够更好地模拟极端气温的变化。通过野外观测数据验证，改进后的陆面模式在模拟冻土地区的地表温度和极端气温时，与实际观测结果的一致性明显提高，说明考虑青藏高原特殊地理环境和生态系统特征的陆面模式改进是必要且有效的。还有研究综合考虑多种陆面过程，如积雪、冰川融化等，探讨它们对极端气温模拟的综合影响，为全面理解陆面过程与极端气温之间的关系提供了重要参考。1.3研究目标与内容本研究旨在深入剖析青藏高原极端气温的变化特征与形成机制，通过动力降尺度模拟，提升对该区域极端气温的模拟精度，并探究边界条件和陆面模式对模拟结果的影响，为青藏高原的气候变化研究提供科学依据和技术支持。具体研究内容如下：青藏高原极端气温的动力降尺度模拟：运用区域气候模式，选取合适的全球气候模式输出作为驱动场，对青藏高原地区进行动力降尺度模拟，获取高分辨率的极端气温数据。深入分析模拟结果中极端气温的时空分布特征，包括年际、年代际变化以及空间上的分布差异，探究极端气温变化与大尺度大气环流、地形地貌等因素的关联。例如，通过对模拟数据的统计分析，研究不同季节极端高温和极端低温事件的发生频率、强度在空间上的变化规律，以及这些变化与青藏高原周边大气环流系统（如南亚季风、西风带等）的关系。边界条件对动力降尺度模拟的影响研究：系统分析不同边界条件（如侧边界条件和下边界条件）对青藏高原极端气温动力降尺度模拟结果的影响。通过数值试验，对比使用不同全球再分析数据作为侧边界条件时，模拟的极端气温在强度、频率和空间分布上的差异，探究侧边界条件不确定性对模拟结果的影响程度。同时，研究下边界条件中土地利用类型、植被覆盖等因素的变化对极端气温模拟的影响机制，通过改变下边界条件的参数设置，分析地表能量平衡、水汽交换等过程的变化，以及这些变化如何通过影响大气边界层进而影响极端气温的模拟结果。陆面模式对动力降尺度模拟的影响研究：评估不同陆面模式对青藏高原极端气温动力降尺度模拟的影响。选取多种具有代表性的陆面模式，对比它们在模拟青藏高原陆面过程（如土壤水分、植被生理过程、积雪和冰川融化等）时的差异，分析这些差异对陆面与大气之间能量和水分交换过程的影响，进而探讨其对极端气温模拟结果的影响。针对青藏高原冻土广布、植被类型独特等特点，对陆面模式中的冻土过程和植被参数化方案进行改进和优化，评估改进后的陆面模式对极端气温模拟精度的提升效果，通过与实际观测数据的对比分析，验证改进方案的有效性。二、研究区域与数据方法2.1青藏高原区域特征青藏高原，作为世界屋脊和地球第三极，雄踞亚洲大陆中部，其地理位置独特而关键。它西起帕米尔高原，东至横断山脉，北界昆仑山-阿尔金山-祁连山，南抵喜马拉雅山脉，涵盖了中国青海、西藏的全部，以及甘肃、四川、云南、新疆的部分地区，还涉及周边多个国家的部分区域，经纬度范围大致在25°59′30″N～40°1′0″N、67°40′37″E～104°40′57″E之间，总面积达308.34万平方千米，平均海拔超过4000米，是世界上最高的高原。在地形地貌方面，青藏高原堪称地球上最为复杂和独特的区域之一。这里高山大川纵横交错，地势险峻且变化多端。区域内既有世界第一高峰珠穆朗玛峰，其海拔高达8848.86米，傲然屹立于喜马拉雅山脉之中；也有相对低海拔的区域，如雅鲁藏布江河谷平原，海拔仅约3000米，巨大的落差形成了极为壮观的地形反差。从整体地势来看，呈现出西高东低的态势，高原内部存在一个起伏度相对较低的区域，而边缘区则因强烈的地壳运动和河流切割作用，地势起伏不平，山、谷及河流相间，地形破碎。青藏高原还是一个庞大的山脉体系，主要由东西向和南北向山脉构成地貌骨架。东西向山脉如昆仑山、喀喇昆仑山、唐古拉山、冈底斯山等，绵延不绝，占据了高原的大部分地区，是主要的山脉走向；南北向山脉主要分布在高原东南部及横断山区附近，如横断山脉，其独特的“三江并流”景观举世闻名。这些山脉之间，分布着数量众多的宽谷、盆地和湖泊，如柴达木盆地、青海湖、纳木错、色林错等。此外，青藏高原还拥有世界中低纬地区面积最大、范围最广的多年冻土区，约占中国冻土面积的70%，在青南藏北地区尤为广泛，占青藏高原冻土区总面积的70.1%。除多年冻土外，在海拔较低区域还存在季节性冻土，随季节变化呈现出冻结、融化交替的现象，形成了一系列独特的融冻地貌。同时，冰川及其雕塑的冰川地貌也广泛分布，如角峰、U形谷、冰斗等，是第四纪冰川活动的遗迹。青藏高原的气候特点同样别具一格，总体表现为辐射强烈，日照丰富，气温偏低，积温较少，气温随高度和纬度的升高而降低，且气温日较差大。由于其高耸的地势，阻挡了来自印度洋的西南季风和来自太平洋的东南季风深入内陆，导致高原内部降水稀少，气候干旱，而边缘地区降水相对较多。年平均气温由东南向西北逐渐递减，东南部可达0°C以上，而西北部则降至-6°C以下。年降水量也从东南部的2000毫米以上，急剧递减至西北部的50毫米以下。例如，喜马拉雅山脉南翼受西南季风影响，属于亚热带及热带北缘山地森林气候，最热月平均气温在18-25°C之间，年降水量可达1000-4000毫米；而昆仑山中西段南翼则属于高寒半荒漠和荒漠气候，最暖月平均气温仅6°C左右，年降水量20-100毫米。此外，青藏高原日照充足，年太阳辐射总量达640-800千卡/平方厘米，年日照总时数为1500-3200小时，冰雹日数较多，如那曲地区年冰雹日可达20-30天以上。在这种独特的地理位置、地形地貌和气候条件的综合作用下，青藏高原的极端气温呈现出鲜明的独特性。一方面，由于海拔高，空气稀薄，大气对地面的保温作用较弱，使得夜间地面热量散失快，容易出现极端低温事件，尤其是在冬季，冷空气聚集，低温强度更为显著。另一方面，在夏季，强烈的太阳辐射使得地面迅速升温，又因高原上大气透明度高，热量不易积聚，在某些特殊天气形势下，容易引发极端高温事件。而且，复杂的地形导致气温在空间上的分布极不均匀，山谷与山顶、阳坡与阴坡之间的气温差异明显，这也使得极端气温的空间变化更为复杂。例如，在一些山谷地区，由于地形闭塞，热量不易扩散，容易出现高温中心；而在高海拔的山顶，常年低温，极端低温事件更为频繁。这种极端气温的独特变化特征，不仅对当地的生态系统、农牧业生产、水资源利用等产生了深远影响，也对全球气候系统的稳定和变化有着重要的调节作用。2.2数据来源与处理为全面深入地研究青藏高原极端气温的动力降尺度模拟以及边界条件和陆面模式的影响，本研究精心选取并综合运用了多种类型的数据，具体数据来源与处理方法如下：气象观测数据：地面气象观测数据主要源自中国气象局国家气象信息中心，涵盖了青藏高原及其周边地区多个气象站点在1980-2019年期间的逐日气温观测数据，包括日最高气温、日最低气温等。这些站点分布广泛，基本能够代表青藏高原不同地形和气候区域的特征。在数据处理过程中，首先对原始观测数据进行了质量控制，通过检查数据的完整性、合理性以及一致性，剔除了明显错误和异常的数据记录。例如，对于气温值超出合理范围（如日最高气温超过50°C或日最低气温低于-50°C）的数据进行标记和核实，若无法核实则予以删除。然后，采用线性插值法对少量缺失的数据进行填补，确保数据的连续性和完整性，以便后续分析。再分析资料：选用欧洲中期天气预报中心（ECMWF）的ERA5再分析资料作为动力降尺度模拟的初始和边界条件。ERA5资料具有较高的时空分辨率，水平分辨率可达约31km，时间分辨率为1小时，能够提供丰富的气象要素信息，如气温、气压、风场、湿度等，为区域气候模式的模拟提供了较为准确的大尺度气象背景场。在使用ERA5资料前，利用气候数据操作工具（CDO）进行数据格式转换和投影变换，将其转换为区域气候模式能够识别的格式，并统一投影到与研究区域一致的坐标系下。同时，对ERA5资料进行了空间插值，使其与区域气候模式的网格分辨率相匹配，以确保模拟过程中数据的一致性和准确性。全球气候模式（GCM）输出数据：选取第五次耦合模式比较计划（CMIP5）中的多个全球气候模式输出数据作为区域气候模式的驱动场，如CanESM2、HadGEM2-ES、IPSL-CM5A-LR等。这些GCMs在全球气候变化研究中被广泛应用，能够提供不同排放情景下的全球气候模拟结果。为满足本研究对青藏高原地区的模拟需求，对GCM输出数据进行了空间裁剪，提取出包含青藏高原区域的网格数据。在数据处理过程中，对不同GCMs输出数据的时间步长、变量名称和单位等进行了统一和标准化处理，以便于后续的对比分析和动力降尺度模拟。此外，还对GCM输出数据进行了偏差校正，采用分位数映射法对气温数据进行偏差订正，减少GCMs模拟结果与观测数据之间的系统偏差，提高驱动数据的质量。地形数据：采用美国地质调查局（USGS）提供的30弧秒分辨率的SRTM（ShuttleRadarTopographyMission）地形数据，该数据能够精确地反映青藏高原复杂的地形地貌特征，为区域气候模式提供准确的地形信息。在数据处理时，将SRTM地形数据进行重采样，使其分辨率与区域气候模式的网格分辨率一致。同时，利用地理信息系统（GIS）技术对地形数据进行分析和处理，提取出研究区域的地形高度、坡度、坡向等信息，并将这些信息作为区域气候模式的输入参数，以更好地模拟地形对极端气温的影响。土地利用和植被数据：土地利用和植被数据来源于欧洲空间局（ESA）的CCI-LU（ClimateChangeInitiative-LandUse）数据集，该数据集提供了全球范围的土地利用类型和植被覆盖信息，时间分辨率为年度，空间分辨率约为300m。在处理该数据时，根据研究区域的范围对数据进行裁剪，并将土地利用类型和植被覆盖信息按照区域气候模式的要求进行分类和编码。例如，将土地利用类型划分为耕地、林地、草地、水域、建设用地等几大类，并为每一类赋予相应的数值代码，以便在区域气候模式中进行识别和应用。此外，还对植被数据进行了进一步的分析和处理，提取出植被覆盖率、叶面积指数等关键参数，用于陆面过程的模拟和分析。2.3动力降尺度模拟方法2.3.1模式介绍本研究选用WeatherResearchandForecasting（WRF）模式进行动力降尺度模拟。WRF模式是由美国国家大气研究中心（NCAR）等多个科研机构联合开发的新一代中尺度数值天气预报和大气模拟系统，具有先进的动力学框架、高分辨率的计算能力以及丰富的物理过程参数化方案，在全球和区域气候模拟、天气预测等领域得到了广泛应用。WRF模式的核心原理基于大气动力学和热力学方程组，通过数值求解这些方程组来模拟大气的运动和变化。其采用了完全可压的非静力平衡动力学框架，能够更准确地描述复杂地形和强对流等天气系统下的大气运动。在处理地形效应方面，WRF模式能够充分考虑地形的动力强迫和热力作用。地形的动力强迫作用表现为气流在遇到地形阻挡时的爬坡、绕流等现象，WRF模式通过精确的地形数据和合理的动力计算方法，能够准确模拟这些过程对大气运动的影响。例如，当气流遇到青藏高原的高大山脉时，会被迫抬升，形成地形云系和降水，WRF模式能够捕捉到这种地形强迫导致的大气运动变化，从而更准确地模拟降水的分布。地形的热力作用则体现在不同地形高度和下垫面性质导致的地表热量分布差异，WRF模式通过陆面过程参数化方案，考虑了地形对地表能量平衡和水汽交换的影响，进而模拟出地形热力作用对气温、湿度等气象要素的影响。在青藏高原地区，由于地形复杂，不同区域的地形高度和下垫面性质差异大，WRF模式能够通过其先进的地形处理能力，更精确地模拟该地区的气象要素分布和变化。相较于其他区域气候模式，WRF模式具有诸多优势。首先，其具有较高的灵活性和可扩展性，用户可以根据研究需求自由选择和组合不同的物理过程参数化方案，如积云对流参数化方案、微物理参数化方案、陆面过程参数化方案等，以适应不同地区和研究目的的模拟需求。在青藏高原的研究中，可以根据该地区独特的气候和地形条件，选择合适的参数化方案组合，提高模拟的准确性。其次，WRF模式在计算效率上表现出色，采用了高效的数值计算方法和并行计算技术，能够在较短的时间内完成大规模的模拟任务，为长时间序列和高分辨率的模拟提供了可能。此外，WRF模式拥有广泛的用户社区和丰富的技术支持资源，研究人员可以方便地获取相关的技术文档、案例研究和技术交流平台，有助于解决在模拟过程中遇到的各种问题，推动研究的顺利进行。2.3.2模拟设置模拟区域的确定综合考虑了青藏高原的地理范围和研究目的，选取以青藏高原为中心，涵盖周边部分地区的矩形区域。其经纬度范围大致为：东经70°-110°，北纬25°-45°。该区域不仅完整包含了青藏高原主体，还包括了周边对青藏高原气候有重要影响的区域，如南亚地区、中亚地区等，以便更全面地考虑大尺度环流和地形相互作用对青藏高原极端气温的影响。在水平方向上，采用双重嵌套网格设置，外层粗网格分辨率为27km，用于提供大尺度的气象背景场；内层细网格分辨率为9km，嵌套于外层网格中心，聚焦于青藏高原地区，以提高对该地区复杂地形和气象要素的模拟精度。这种嵌套网格设置既能够保证模拟结果与大尺度气象条件的一致性，又能捕捉到青藏高原局部地区的精细气候特征。模拟的时间跨度设定为1980-2019年，共计40年。这一时段涵盖了过去几十年间全球气候变化的关键时期，且拥有较为丰富的气象观测数据，便于后续对模拟结果进行验证和分析。模拟过程以日为时间步长进行积分，每天输出一次模拟结果，包括日最高气温、日最低气温等气象要素，以满足对极端气温日变化特征分析的需求。在模拟开始前，利用ERA5再分析资料对WRF模式进行初始场和边界条件的设置。初始场提供了模拟起始时刻大气的各种状态变量，如气温、气压、风场、湿度等，确保模拟能够准确反映初始时刻的大气状况。边界条件则在模拟过程中不断更新，为区域气候模式提供大尺度的气象背景信息，保证模拟区域与外界的气象交换得以合理模拟。在物理过程参数化方案的选择上，经过一系列敏感性试验和对比分析，最终确定了适用于青藏高原地区的方案组合。积云对流参数化采用Grell-3D方案，该方案能够较好地模拟对流活动的发生、发展和消散过程，对于青藏高原地区复杂地形下的对流天气有较好的模拟能力。微物理参数化选择WSM6方案，该方案能够较为准确地描述云内的水汽相变和降水粒子的形成、增长和沉降过程，对于青藏高原地区多变的降水天气模拟效果较好。陆面过程参数化采用Noah方案，该方案考虑了土壤水分、植被覆盖、地表能量平衡等多种陆面过程，能够较好地反映青藏高原地区独特的陆面特征对大气的影响。辐射过程参数化选用RRTM长波辐射方案和Dudhia短波辐射方案，这两种方案能够准确模拟大气对太阳辐射和地面长波辐射的吸收、散射和发射过程，对于青藏高原地区强辐射环境下的气温模拟具有重要意义。2.3.3验证方法为确保动力降尺度模拟结果的准确性和可靠性，采用多种方法对模拟结果进行验证。首先，将模拟得到的日最高气温和日最低气温与中国气象局国家气象信息中心提供的青藏高原及其周边地区多个气象站点的实测数据进行对比分析。通过绘制模拟值与观测值的时间序列对比图，直观展示模拟结果与观测数据在时间变化上的一致性。在对比图中，可以清晰地看到模拟值与观测值的波动趋势是否相符，例如在季节变化上，模拟值是否能够准确反映观测值在不同季节的升降变化。同时，计算模拟值与观测值之间的相关系数，定量评估两者在时间序列上的相关性。相关系数越接近1，表明模拟值与观测值的变化趋势越一致，模拟结果的可靠性越高。其次，采用多种误差指标来评估模拟结果的准确性，主要包括均方根误差（RMSE）、平均绝对误差（MAE）和偏差（Bias）等。均方根误差能够综合反映模拟值与观测值之间的总体偏差程度，其计算公式为：RMSE=\sqrt{\frac{1}{n}\sum_{i=1}^{n}(O_i-S_i)^2}，其中O_i为观测值，S_i为模拟值，n为样本数量。RMSE值越小，说明模拟值与观测值的偏差越小，模拟精度越高。平均绝对误差则衡量了模拟值与观测值之间绝对偏差的平均值，计算公式为：MAE=\frac{1}{n}\sum_{i=1}^{n}|O_i-S_i|，MAE值越小，表明模拟结果的平均误差越小。偏差用于评估模拟值与观测值之间的系统偏差，计算公式为：Bias=\frac{1}{n}\sum_{i=1}^{n}(S_i-O_i)，Bias值接近0，表示模拟结果不存在明显的系统偏差。通过计算这些误差指标，可以全面了解模拟结果在不同方面的误差情况，为评估模拟效果提供量化依据。此外，还运用泰勒图对模拟结果进行综合评估。泰勒图能够同时展示模拟值与观测值之间的相关性、标准差和偏差等信息，以图形化的方式直观呈现模拟结果与观测数据的相似程度。在泰勒图中，以观测数据为参考点，模拟数据的点越靠近观测数据点，且与观测数据点的连线越短，表明模拟结果与观测数据的相关性越好，标准差越接近，偏差越小，模拟效果越优。通过泰勒图，可以更直观地比较不同模拟方案或不同区域的模拟结果，从而选择出最优的模拟方案或分析不同区域模拟结果的差异。三、青藏高原极端气温动力降尺度模拟结果3.1模拟结果展示通过WRF模式对青藏高原进行动力降尺度模拟，得到了1980-2019年期间该区域高分辨率的极端气温数据，以下从空间分布和时间变化两个方面对模拟结果进行详细展示。在空间分布上，图1展示了模拟得到的青藏高原年平均极端最高气温和极端最低气温的空间分布。从图中可以清晰地看出，极端最高气温呈现出明显的区域差异。在青藏高原的东南部，由于受到印度洋暖湿气流的影响，气温相对较高，极端最高气温可达30℃以上。例如，在雅鲁藏布江大峡谷地区，暖湿气流沿河谷深入，使得该区域成为极端最高气温的高值区。而在青藏高原的西北部，地势高亢，气候干燥寒冷，极端最高气温相对较低，一般在15℃以下。昆仑山脉和可可西里地区，由于海拔高，太阳辐射强但大气保温作用弱，极端最高气温明显低于东南部地区。这种空间分布差异与青藏高原的地形地貌和大气环流密切相关，东南部的低海拔河谷地形有利于暖湿气流的聚集和热量的保存，而西北部的高海拔地区则不利于热量的积累。图1：年平均极端最高气温和极端最低气温的空间分布极端最低气温的空间分布同样呈现出显著的规律性。青藏高原的高海拔地区，尤其是藏北高原和昆仑山脉等区域，极端最低气温可达-40℃以下。这些地区海拔高，空气稀薄，大气逆辐射弱，夜间地面热量散失快，导致气温极低。而在青藏高原的边缘地区，如东部的横断山脉和南部的喜马拉雅山脉南麓，由于地势相对较低，且受到暖湿气流的一定影响，极端最低气温相对较高，一般在-20℃以上。横断山脉地区，山脉的阻挡作用使得冷空气南下受阻，同时暖湿气流在一定程度上增加了大气的保温作用，使得该地区的极端最低气温相对藏北高原等地区要高。从时间变化来看，图2展示了青藏高原1980-2019年期间极端最高气温和极端最低气温的年际变化趋势。由图可知，极端最高气温在过去40年中呈现出明显的上升趋势，线性拟合结果显示，其上升速率约为0.3℃/10a。这表明随着时间的推移，青藏高原地区的极端高温事件有增多增强的趋势。在某些年份，如1998年、2006年和2017年，极端最高气温出现了明显的峰值，这些年份可能受到了特定的大气环流异常和太阳辐射变化等因素的影响。图2：极端最高气温和极端最低气温的年际变化极端最低气温则呈现出波动上升的趋势，上升速率约为0.25℃/10a。虽然其上升趋势相对极端最高气温略缓，但仍表明极端低温事件的强度在逐渐减弱。在1985-1995年期间，极端最低气温波动较为剧烈，可能与当时的气候异常和青藏高原地区的下垫面变化等因素有关。例如，该时期青藏高原部分地区的积雪覆盖面积和冻土活动层厚度发生了变化，这些下垫面因素的改变影响了地表与大气之间的能量交换，进而影响了极端最低气温的变化。3.2模拟效果评估为了深入评估WRF模式对青藏高原极端气温的模拟效果，将模拟结果与中国气象局国家气象信息中心提供的青藏高原及其周边地区多个气象站点的实测数据进行了全面细致的对比分析。通过运用多种评估方法和指标，从多个角度对模拟结果的准确性和可靠性进行了量化评估。在极端气温指数的模拟评估方面，选取了多个具有代表性的极端气温指数，如极端最高气温（TXx）、极端最低气温（TNn）、暖夜日数（SU）、冷夜日数（FD）等。以TXx为例，图3展示了模拟的TXx与观测值在空间分布上的对比。从图中可以看出，模拟结果在整体趋势上能够较好地反映观测值的空间分布特征。在青藏高原的东南部，模拟的TXx高值区与观测结果基本一致，均呈现出较高的数值，这表明模式能够捕捉到该地区受暖湿气流影响导致的高温特征。然而，在部分地区，模拟值与观测值仍存在一定偏差。在青藏高原的西北部，模拟的TXx略高于观测值，这可能是由于模式对该地区的下垫面特征和大气环流的模拟存在一定误差，导致对太阳辐射的吸收和地面热量的散发模拟不够准确。图3：模拟的TXx与观测值的空间分布对比对于TNn的模拟评估，同样发现模拟结果在空间分布上与观测值具有一定的相似性，但也存在局部差异。在高海拔的藏北高原等地区，模拟的TNn低值区与观测情况相符，能够体现出该地区因海拔高、气温低的特点。但在一些山谷地区，模拟值与观测值的偏差相对较大，可能是因为模式对山谷地形中的冷空气堆积和热量交换过程模拟不够精确。在暖夜日数（SU）和冷夜日数（FD）的模拟上，模拟结果与观测值在时间变化趋势上具有一定的一致性。随着时间的推移，模拟的SU呈现出增加的趋势，FD呈现出减少的趋势，这与观测数据所反映的气候变化趋势相符。在某些年份，模拟值与观测值之间仍存在一定的波动差异，这可能与模式对短期气候异常事件的模拟能力不足有关。在变化趋势的模拟评估方面，通过对1980-2019年期间模拟和观测的极端气温数据进行线性回归分析，对比两者的变化趋势。结果显示，模拟的极端最高气温和极端最低气温的变化趋势与观测值具有较高的相关性。模拟的极端最高气温上升速率为0.32℃/10a，与观测值的0.3℃/10a较为接近，表明模式能够较好地捕捉到极端最高气温的上升趋势。对于极端最低气温，模拟的上升速率为0.28℃/10a，与观测值的0.25℃/10a也较为一致，说明模式在模拟极端最低气温的变化趋势上也具有一定的可靠性。为了更全面地评估模拟效果，还计算了模拟值与观测值之间的相关系数、均方根误差（RMSE）、平均绝对误差（MAE）和偏差（Bias）等指标。模拟的极端最高气温与观测值的相关系数达到了0.85，表明两者在时间序列上具有较强的相关性。RMSE为2.5℃，MAE为1.8℃，Bias为0.3℃，说明模拟结果在总体上与观测值较为接近，但仍存在一定的误差。对于极端最低气温，相关系数为0.82，RMSE为2.8℃，MAE为2.1℃，Bias为0.4℃，同样显示出模拟结果与观测值具有较好的相关性，但也存在一定的偏差。综合以上评估结果，WRF模式在模拟青藏高原极端气温方面具有一定的能力，能够较好地捕捉到极端气温的时空分布特征和变化趋势。但在一些局部地区和极端气温指数的模拟上，仍存在一定的偏差和不足。这些偏差可能源于模式对复杂地形下的大气动力和热力过程的模拟不够完善，以及对下垫面特征和陆面过程的描述存在一定误差。在后续的研究中，需要进一步优化模式的物理过程参数化方案，改进对边界条件和陆面模式的处理，以提高对青藏高原极端气温的模拟精度。3.3与其他研究对比分析将本研究的模拟结果与其他相关研究进行对比，有助于更全面地评估模拟的准确性和可靠性，深入理解青藏高原极端气温的变化特征。在空间分布方面，有研究利用CMIP5全球气候模式对青藏高原地区的气温进行模拟，结果显示在整体趋势上，该研究与本研究都捕捉到了青藏高原极端最高气温在东南部较高、西北部较低，极端最低气温在高海拔地区较低、边缘地区相对较高的分布特征。在具体数值上仍存在一定差异。CMIP5模式模拟的极端最高气温在某些地区与本研究模拟值相差可达3-5℃，这可能是由于不同模式对地形、大气环流和下垫面过程的参数化方案不同所致。CMIP5模式对地形的处理相对较粗，可能无法准确反映青藏高原复杂地形对气温的精细影响，导致模拟的极端气温与本研究结果存在偏差。在时间变化趋势上，已有众多研究表明青藏高原极端气温呈现上升趋势，这与本研究模拟结果一致。不同研究在上升速率的具体数值上存在一定差异。有研究通过对多个气象站点的观测数据分析，得出青藏高原极端最高气温的上升速率约为0.25℃/10a，略低于本研究模拟的0.3℃/10a。这种差异可能源于研究时段、数据来源以及分析方法的不同。本研究采用了较长时间跨度的模拟数据，并结合多种数据来源进行验证，而其他研究可能受到观测站点分布不均、观测数据时间长度有限等因素的影响，导致上升速率的计算结果存在差异。在极端气温指数的模拟上，与相关研究对比也发现了一些异同。对于暖夜日数和冷夜日数的模拟，本研究与部分研究在变化趋势上具有一致性，都表明随着时间推移，暖夜日数增加，冷夜日数减少。在模拟的具体数值和波动情况上存在一定差异。有研究利用区域气候模式RegCM4对青藏高原极端气温指数进行模拟，其模拟的暖夜日数在某些年份比本研究模拟值偏高，这可能是由于不同模式对云-辐射相互作用、水汽输送等物理过程的模拟存在差异，进而影响了对极端气温指数的模拟结果。综合对比分析，本研究模拟结果在整体趋势上与其他相关研究具有较好的一致性，能够准确反映青藏高原极端气温的主要变化特征。由于模式、数据和研究方法的差异，在具体数值和局部特征上存在一定的不同。这也说明在青藏高原极端气温模拟研究中，仍存在一定的不确定性和改进空间。未来的研究需要进一步优化模式参数化方案，综合利用多源数据，提高模拟的精度和可靠性，以更准确地揭示青藏高原极端气温的变化规律和形成机制。四、边界条件对模拟的影响4.1边界条件设置与试验设计为深入探究边界条件对青藏高原极端气温动力降尺度模拟的影响，精心设计了一系列对比试验，采用不同的再分析资料作为边界条件，具体设置如下：试验一：ERA5再分析资料作为边界条件：选用欧洲中期天气预报中心（ECMWF）的ERA5再分析资料作为基础试验的边界条件。ERA5资料具有较高的时空分辨率，水平分辨率约为31km，时间分辨率为1小时，能够提供丰富且较为准确的大尺度气象要素信息，如气温、气压、风场、湿度等。在模拟过程中，将ERA5资料按照WRF模式的要求进行格式转换和投影变换，使其能够被模式正确读取和应用。同时，通过空间插值将其分辨率调整为与WRF模式外层粗网格分辨率（27km）一致，以确保边界条件与模拟区域的网格匹配。利用ERA5资料的逐小时数据，为WRF模式提供模拟起始时刻的初始场以及模拟过程中的动态边界条件，不断更新边界上的气象要素值，保证模拟区域与外界的气象交换得以合理模拟。试验二：NCEP-FNL再分析资料作为边界条件：选择美国国家环境预报中心（NCEP）的FNL（FinalAnalysis）再分析资料进行对比试验。NCEP-FNL资料的水平分辨率为1°×1°，时间分辨率为6小时，虽然其分辨率相对ERA5资料较低，但在气候研究中也被广泛应用。同样对NCEP-FNL资料进行格式转换和投影变换，使其适应WRF模式的需求。在空间插值过程中，将其分辨率插值到与WRF模式外层粗网格一致。在模拟时，使用NCEP-FNL资料的6小时数据更新边界条件，对比ERA5资料作为边界条件时的模拟结果，分析不同分辨率和时间频次的边界条件数据对模拟结果的影响。试验三：ERA-Interim再分析资料作为边界条件：采用ECMWF的ERA-Interim再分析资料开展另一组对比试验。ERA-Interim资料的水平分辨率约为0.75°×0.75°，时间分辨率为6小时，是ERA5之前的主要再分析产品。对ERA-Interim资料进行与前两者相同的数据处理流程，包括格式转换、投影变换和空间插值。在模拟过程中，利用ERA-Interim资料的6小时数据提供边界条件，与ERA5和NCEP-FNL资料的模拟结果进行对比，进一步探讨不同再分析资料作为边界条件时，对青藏高原极端气温模拟的影响差异。通过以上三个试验，在相同的模拟区域（经纬度范围大致为东经70°-110°，北纬25°-45°，水平方向采用双重嵌套网格，外层粗网格分辨率为27km，内层细网格分辨率为9km）、模拟时段（1980-2019年）以及物理过程参数化方案（积云对流参数化采用Grell-3D方案，微物理参数化选择WSM6方案，陆面过程参数化采用Noah方案，辐射过程参数化选用RRTM长波辐射方案和Dudhia短波辐射方案）设置下，仅改变边界条件的数据源，从而系统地分析不同边界条件对青藏高原极端气温动力降尺度模拟结果的影响。4.2边界条件对极端气温模拟的影响分析通过对不同边界条件下的模拟结果进行深入分析，发现其对青藏高原极端气温模拟在空间分布和变化趋势上存在显著差异。在空间分布方面，图4展示了ERA5、NCEP-FNL和ERA-Interim三种再分析资料作为边界条件时，模拟得到的青藏高原年平均极端最高气温的空间分布。从图中可以明显看出，不同边界条件下模拟的极端最高气温在高值区和低值区的分布范围和强度存在差异。以ERA5资料作为边界条件时，在青藏高原东南部的雅鲁藏布江大峡谷地区，模拟的极端最高气温高值区范围较广，且数值相对较高，可达32℃以上。这是因为ERA5资料具有较高的分辨率，能够更准确地捕捉到该地区暖湿气流的输送和地形对气温的影响。当使用NCEP-FNL资料作为边界条件时，该地区的极端最高气温高值区范围有所缩小，数值也相对降低，约为30℃左右。这可能是由于NCEP-FNL资料分辨率较低，对暖湿气流的模拟不够精确，导致对该地区极端最高气温的模拟存在偏差。而ERA-Interim资料作为边界条件时，在青藏高原西北部的昆仑山脉地区，模拟的极端最高气温低值区范围相对其他两种资料有所扩大，数值更低，可达12℃以下。这表明ERA-Interim资料对该地区的大气环流和下垫面特征的模拟与其他两种资料存在差异，进而影响了极端最高气温的空间分布。图4：不同边界条件下年平均极端最高气温的空间分布对于极端最低气温的空间分布，不同边界条件下的模拟结果同样存在明显差异。如图5所示，以ERA5资料作为边界条件时，在藏北高原等高海拔地区，模拟的极端最低气温低值区范围与其他两种资料相比更为集中，且数值更低，可达-42℃以下。这说明ERA5资料在模拟高海拔地区的大气热力过程和冷空气活动方面具有一定优势，能够更准确地反映该地区极端低温的分布特征。而NCEP-FNL资料作为边界条件时，在青藏高原东部的横断山脉地区，模拟的极端最低气温相对较高，与ERA5资料模拟结果相比，差值可达3-5℃。这可能是由于NCEP-FNL资料对该地区地形和大气环流的模拟不够准确，导致对冷空气在该地区的堆积和扩散模拟存在误差。ERA-Interim资料作为边界条件时，在喜马拉雅山脉南麓地区，模拟的极端最低气温高值区范围较其他两种资料有所扩大，数值也相对较高。这表明ERA-Interim资料对该地区暖湿气流的影响和地形阻挡作用的模拟与其他两种资料不同，从而影响了极端最低气温的空间分布。图5：不同边界条件下年平均极端最低气温的空间分布在变化趋势方面，对1980-2019年期间不同边界条件下模拟的极端最高气温和极端最低气温的年际变化趋势进行对比分析。图6展示了三种边界条件下模拟的极端最高气温年际变化曲线。从图中可以看出，虽然三种边界条件下模拟的极端最高气温总体上都呈现出上升趋势，但上升速率存在差异。以ERA5资料作为边界条件时，模拟的极端最高气温上升速率约为0.3℃/10a，与观测值的上升速率较为接近。这表明ERA5资料作为边界条件时，能够较好地模拟出极端最高气温的长期变化趋势。而NCEP-FNL资料作为边界条件时，模拟的极端最高气温上升速率为0.25℃/10a，相对ERA5资料较低。这可能是由于NCEP-FNL资料对大尺度大气环流的变化模拟不够准确，导致对极端最高气温的变化趋势模拟存在偏差。ERA-Interim资料作为边界条件时，模拟的极端最高气温上升速率为0.28℃/10a，介于ERA5和NCEP-FNL资料之间。这说明ERA-Interim资料在模拟极端最高气温变化趋势方面也存在一定的局限性。图6：不同边界条件下极端最高气温的年际变化对于极端最低气温的年际变化，图7展示了三种边界条件下的模拟结果。可以发现，不同边界条件下模拟的极端最低气温同样呈现出波动上升的趋势，但在波动幅度和上升速率上存在差异。以ERA5资料作为边界条件时，模拟的极端最低气温上升速率约为0.25℃/10a，且波动相对较小。这表明ERA5资料在模拟极端最低气温的长期变化和年际波动方面具有较好的表现。NCEP-FNL资料作为边界条件时，模拟的极端最低气温上升速率为0.22℃/10a，且在某些年份波动较大。这可能是由于NCEP-FNL资料对极地冷空气活动和青藏高原地区下垫面变化的模拟不够准确，导致对极端最低气温的模拟存在较大误差。ERA-Interim资料作为边界条件时，模拟的极端最低气温上升速率为0.23℃/10a，波动情况介于ERA5和NCEP-FNL资料之间。这说明ERA-Interim资料在模拟极端最低气温变化趋势方面也存在一定的不足。图7：不同边界条件下极端最低气温的年际变化综上所述，不同边界条件对青藏高原极端气温模拟的空间分布和变化趋势产生了显著影响。高分辨率、更准确的边界条件资料（如ERA5）在模拟极端气温的空间分布和变化趋势上具有一定优势，能够更准确地反映青藏高原极端气温的真实特征。在进行青藏高原极端气温动力降尺度模拟时，应谨慎选择边界条件资料，以提高模拟结果的准确性和可靠性。4.3影响机制探讨不同边界条件对青藏高原极端气温模拟产生影响，其内在机制主要与大气环流和水汽输送密切相关。在大气环流方面，不同的再分析资料所提供的大尺度环流背景存在差异，这直接影响了青藏高原地区的大气运动和热量传输。以ERA5资料作为边界条件时，由于其较高的分辨率，能够更准确地捕捉到西风带和南亚季风等大气环流系统的精细特征。在冬季，西风带的位置和强度对青藏高原的气温有着重要影响。ERA5资料能够更精确地模拟出西风带在青藏高原北部的分支情况，使得冷空气的路径和强度模拟更为准确。当西风带分支位置偏南时，会携带更多的冷空气南下，导致青藏高原地区气温降低，极端低温事件的强度和频率增加。而NCEP-FNL资料分辨率较低，对西风带的模拟相对粗糙，可能无法准确捕捉到西风带的细微变化，导致对冷空气活动的模拟存在偏差，进而影响极端气温的模拟结果。在夏季，南亚季风的强弱和推进位置对青藏高原东南部的气温影响显著。ERA5资料能够较好地模拟出南亚季风的爆发时间、强度变化以及向北推进的过程，使得该地区在南亚季风影响下的气温变化模拟更为准确。当南亚季风较强时，会带来更多的暖湿气流，使青藏高原东南部地区气温升高，极端高温事件的发生概率增加。NCEP-FNL资料由于对南亚季风的模拟不够精确，可能会导致对该地区在南亚季风影响下的气温模拟出现偏差，无法准确反映极端气温的变化。水汽输送也是边界条件影响极端气温模拟的重要机制之一。不同边界条件下的水汽输送路径和通量存在差异，这对青藏高原地区的降水和气温产生重要影响。以ERA-Interim资料作为边界条件时，其模拟的水汽输送在某些地区与ERA5资料存在明显不同。在青藏高原的东北部，ERA-Interim资料模拟的来自北冰洋和大西洋的水汽输送通量相对较低。这是因为ERA-Interim资料对高纬度地区的大气环流和水汽源地的模拟与ERA5资料存在差异，导致其对该地区的水汽输送模拟不够准确。水汽输送通量的减少会使得该地区的降水减少，空气湿度降低，地面蒸发冷却作用减弱，进而导致气温升高，极端高温事件的强度可能增加。在青藏高原的南部，不同边界条件下模拟的来自印度洋的水汽输送也存在差异。ERA5资料能够更准确地模拟出印度洋水汽在南亚季风的作用下向青藏高原输送的路径和强度。当印度洋水汽充足且输送路径稳定时，会在青藏高原南部地区形成较多的降水，降水过程会消耗热量，使得该地区的气温降低，极端高温事件的发生概率降低。而ERA-Interim资料对印度洋水汽输送的模拟可能存在偏差，导致对该地区降水和气温的模拟不够准确，进而影响极端气温的模拟结果。边界条件还会通过影响大气的能量平衡和动力过程，间接影响极端气温的模拟。不同的边界条件会导致模拟区域内的气压场、风场等气象要素的分布和变化不同，从而影响大气的垂直运动和水平输送。在一些地形复杂的地区，如青藏高原的高山峡谷地带，边界条件的差异可能会导致气流的爬坡、绕流等动力过程模拟不同，进而影响该地区的热量和水汽分布，最终对极端气温的模拟产生影响。五、陆面模式对模拟的影响5.1陆面模式选择与参数化方案本研究选用了Noah-MP陆面模式和NoahLSM陆面模式，对青藏高原极端气温动力降尺度模拟展开深入研究。这两种陆面模式在陆面过程模拟领域应用广泛，且各具特点。Noah-MP（TheNoahwithMulti-Parameterizationoptions）陆面模式是一款先进且功能强大的陆面模型，专为精确模拟地球表面复杂过程而精心设计。其最大的优势在于拥有多参数化选项，这赋予了它极高的灵活性和可定制性，使其能够完美适应各种复杂多变的气候和地理条件。在气候研究方面，它可以通过调整参数化方案，准确模拟全球或区域气候变化，深入评估陆面过程对气候的细微影响。在水文预测领域，能够精准预测河流流量、土壤湿度和地下水位，为水资源管理和防洪减灾提供关键的数据支持和决策依据。在环境监测方面，可有效监测土壤污染、植被覆盖和生态系统健康状况，为环境治理提供科学的参考依据。在生态系统研究中，能逼真地模拟植被生长、碳循环和能量平衡等过程，助力研究生态系统的动态变化。Noah-MP陆面模式的技术架构基于Fortran和C语言构建，充分利用了NetCDF库进行数据存储和处理，确保了数据的高效管理和精准模拟。Noah-MP陆面模式的参数化方案极为丰富，涵盖了多种关键过程。在地表能量平衡参数化方面，充分考虑了太阳辐射、长波辐射、感热通量和潜热通量等因素。通过精确计算这些能量分量，能够准确描述地表与大气之间的能量交换过程。在青藏高原地区，太阳辐射强烈，地表能量平衡复杂，Noah-MP模式能够根据当地的地形、植被等特征，合理调整参数，准确模拟地表能量的收支情况。在土壤水热传输参数化方面，详细考虑了土壤质地、孔隙度、含水量等因素对土壤热传导率和水分扩散率的影响。在青藏高原冻土广布的地区，该模式能够针对冻土的特殊性质，如冻土的冻结和融化过程对土壤水热传输的影响，采用合适的参数化方案进行模拟，从而准确反映土壤水热状况的变化。在植被生理过程参数化方面，充分考虑了植被的光合作用、呼吸作用、蒸腾作用等生理过程。根据青藏高原不同地区的植被类型和生长状况，调整植被生理参数，以准确模拟植被与大气之间的物质和能量交换。在高海拔的草原地区，植被的生长受到低温、强辐射等因素的限制，Noah-MP模式能够根据这些环境条件，合理设置植被生理参数，模拟植被的生长和生态功能。NoahLSM（NoahLandSurfaceModel）陆面模式同样是一款基于物理过程的经典陆面模型，在陆面过程模拟中应用历史悠久且成果丰硕。其基本原理是将地表进行垂直分层，细致考虑每一层的温度、湿度、动量和能量的运动方程，全面模拟土壤水分的变化、热通量的传输以及各层边界间的交换过程。该模式在计算土壤温度和湿度时，采用了较为成熟的算法，能够有效反映土壤水热的垂直分布和动态变化。NoahLSM陆面模式的参数化方案也具有自身的特点。在地表通量计算方面，采用了基于Monin-Obukhov相似理论的方法，结合当地的气象条件和下垫面特征，计算感热通量和潜热通量。在植被覆盖度较高的地区，会根据植被的叶面积指数、气孔导度等参数，调整感热通量和潜热通量的计算，以更准确地反映植被与大气之间的能量和水分交换。在土壤热传导参数化方面，根据土壤的物理性质，如土壤颗粒大小、有机质含量等，确定土壤的热传导率。在青藏高原不同土壤类型分布的地区，能够根据土壤的具体特性，合理设置土壤热传导参数，准确模拟土壤热量的传输过程。在积雪过程参数化方面，考虑了积雪的积累、消融、反照率等因素。在青藏高原冬季积雪较多的地区，能够根据积雪的厚度、密度等参数，模拟积雪对地表能量平衡和气温的影响。当积雪厚度增加时，地表反照率增大，吸收的太阳辐射减少，导致地表温度降低，NoahLSM模式能够准确模拟这一过程。5.2陆面模式对极端气温模拟的影响评估为全面评估不同陆面模式对青藏高原极端气温模拟的影响，精心设计了两组对比试验，分别使用Noah-MP陆面模式和NoahLSM陆面模式，在相同的模拟区域（经纬度范围大致为东经70°-110°，北纬25°-45°，水平方向采用双重嵌套网格，外层粗网格分辨率为27km，内层细网格分辨率为9km）、模拟时段（1980-2019年）以及其他物理过程参数化方案（积云对流参数化采用Grell-3D方案，微物理参数化选择WSM6方案，辐射过程参数化选用RRTM长波辐射方案和Dudhia短波辐射方案）一致的条件下，仅改变陆面模式，深入分析模拟结果。从空间分布来看，图8展示了Noah-MP陆面模式和NoahLSM陆面模式模拟的青藏高原年平均极端最高气温的空间分布。可以明显看出，两种陆面模式模拟的极端最高气温在空间分布上存在一定差异。在青藏高原的东南部，Noah-MP陆面模式模拟的极端最高气温高值区范围相对较广，数值也略高于NoahLSM陆面模式。这可能是因为Noah-MP陆面模式在处理地表能量平衡和植被生理过程方面更为精细，能够更准确地反映该地区暖湿气流与下垫面之间的相互作用。该地区植被覆盖度较高，Noah-MP陆面模式能够更合理地模拟植被的蒸腾作用对地表能量的消耗，使得地表温度相对较高，进而导致极端最高气温升高。而在青藏高原的西北部，NoahLSM陆面模式模拟的极端最高气温低值区范围稍大，数值相对较低。这可能与NoahLSM陆面模式对土壤热传导和积雪过程的参数化方案有关，在该地区积雪覆盖时间较长，NoahLSM陆面模式对积雪的反照率和融化过程的模拟可能导致地表吸收的太阳辐射较少，从而使得极端最高气温相对较低。图8：Noah-MP和NoahLSM陆面模式模拟的年平均极端最高气温的空间分布对于年平均极端最低气温的空间分布，两种陆面模式的模拟结果也存在明显差异。如图9所示，在青藏高原的高海拔地区，Noah-MP陆面模式模拟的极端最低气温低值区更为集中，数值更低。这可能是由于Noah-MP陆面模式在模拟土壤水热传输和冻土过程方面具有优势，能够更准确地反映高海拔地区土壤冻结和融化对地表温度的影响。在多年冻土区，Noah-MP陆面模式能够更精细地模拟冻土的热物理性质变化，使得地表热量散失更快，从而导致极端最低气温更低。而在青藏高原的边缘地区，NoahLSM陆面模式模拟的极端最低气温相对较高。这可能是因为NoahLSM陆面模式对地形和大气环流的耦合作用模拟与Noah-MP陆面模式不同，导致对边缘地区的冷空气活动和热量交换模拟存在差异。图9：Noah-MP和NoahLSM陆面模式模拟的年平均极端最低气温的空间分布在时间变化方面，图10展示了1980-2019年期间Noah-MP陆面模式和NoahLSM陆面模式模拟的极端最高气温和极端最低气温的年际变化趋势。从图中可以看出，两种陆面模式模拟的极端最高气温和极端最低气温总体上都呈现出上升趋势，但上升速率存在差异。Noah-MP陆面模式模拟的极端最高气温上升速率约为0.32℃/10a，略高于NoahLSM陆面模式模拟的0.28℃/10a。这可能是因为Noah-MP陆面模式对大气-陆面相互作用过程的模拟更为准确，能够更好地捕捉到全球气候变暖背景下青藏高原地区气温上升的趋势。在模拟极端最低气温的年际变化时，Noah-MP陆面模式模拟的上升速率为0.26℃/10a，NoahLSM陆面模式模拟的上升速率为0.23℃/10a。这表明Noah-MP陆面模式在模拟极端最低气温的变化趋势上也具有一定优势。图10：Noah-MP和NoahLSM陆面模式模拟的极端最高气温和极端最低气温的年际变化为了更直观地展示两种陆面模式模拟结果的差异，还计算了模拟值与观测值之间的相关系数、均方根误差（RMSE）、平均绝对误差（MAE）和偏差（Bias）等评估指标。在极端最高气温的模拟中，Noah-MP陆面模式与观测值的相关系数为0.86，RMSE为2.4℃，MAE为1.7℃，Bias为0.2℃；NoahLSM陆面模式与观测值的相关系数为0.82，RMSE为2.7℃，MAE为2.0℃，Bias为0.3℃。在极端最低气温的模拟中，Noah-MP陆面模式与观测值的相关系数为0.84，RMSE为2.6℃，MAE为1.9℃，Bias为0.3℃；NoahLSM陆面模式与观测值的相关系数为0.80，RMSE为2.9℃，MAE为2.2℃，Bias为0.4℃。从这些评估指标可以看出，Noah-MP陆面模式在模拟青藏高原极端气温方面总体上表现更优，与观测值的相关性更高，误差更小。综合以上分析，不同陆面模式对青藏高原极端气温模拟的空间分布和时间变化趋势产生了显著影响。Noah-MP陆面模式在模拟青藏高原极端气温时，能够更准确地反映其时空分布特征和变化趋势，这主要得益于其丰富的参数化方案和对复杂陆面过程的精细模拟。在进行青藏高原极端气温动力降尺度模拟时，选择合适的陆面模式对于提高模拟精度至关重要。5.3陆面过程与极端气温的相互作用分析陆面模式中的土壤水分和植被覆盖等关键过程与极端气温之间存在着复杂且紧密的相互作用关系，这种关系在青藏高原独特的地理环境下表现得尤为显著。土壤水分作为陆面过程的重要组成部分，对极端气温有着多方面的影响。当土壤水分含量较高时，由于水的比热容较大，土壤能够储存更多的热量，使得地表温度的变化相对较为缓和。在青藏高原的夏季，部分地区土壤水分充足，这使得白天太阳辐射加热地表时，土壤吸收大量热量，减缓了地表温度的上升速度，从而降低了极端高温事件发生的概率和强度。土壤水分的蒸发需要消耗能量，这会导致地表热量以潜热的形式释放到大气中，进一步降低了地表温度。当土壤水分含量较低时，地表比热容减小，白天太阳辐射能够使地表迅速升温，增加了极端高温事件的发生风险。在青藏高原的干旱地区，土壤水分匮乏，夏季地表温度容易急剧升高，极端高温事件更为频繁。土壤水分还会影响土壤的热传导率，进而影响土壤与大气之间的热量交换。在冻土地区，土壤水分的冻结和融化过程会改变土壤的物理性质，影响土壤热传导率，对极端气温产生重要影响。当冻土融化时，土壤水分含量增加，热传导率增大，热量更容易从土壤向大气传输，可能导致气温升高；而当土壤水分冻结时，热传导率减小，热量传输受阻，可能导致气温降低。植被覆盖同样在陆面过程与极端气温的相互作用中扮演着关键角色。植被通过蒸腾作用将水分从土壤输送到大气中，这一过程会消耗大量的能量，以潜热的形式带走地表热量，从而降低地表温度。在青藏高原的植被覆盖较好的地区，如东南部的森林和草原地带，植被的蒸腾作用显著，有效地调节了当地的气温，减少了极端高温事件的发生。植被还具有遮荫作用，能够减少太阳辐射直接到达地面的强度，降低地表温度。在夏季，植被的遮荫可以使地表温度降低2-5℃，从而降低了极端高温事件的强度。植被覆盖还会影响地表反照率，进而影响地表对太阳辐射的吸收和反射。不同植被类型的反照率不同，例如，森林的反照率相对较低，能够吸收更多的太阳辐射，而草原的反照率相对较高。在青藏高原，植被覆盖的变化会导致地表反照率的改变，进而影响地表能量平衡和极端气温。当植被覆盖度增加时，地表反照率降低，吸收的太阳辐射增加，可能会导致气温升高；但同时，植被的蒸腾和遮荫作用又会使气温降低，最终的气温变化取决于这两种作用的相对强弱。极端气温的变化也会对陆面过程产生反馈作用。极端高温事件可能导致土壤水分的快速蒸发，使土壤水分含量降低，进而影响土壤的热容量和热传导率。在青藏高原的夏季，极端高温事件可能使部分地区的土壤水分迅速减少，导致土壤干燥，影响植被的生长和生态系统的稳定性。极端低温事件则可能导致土壤冻结，改变土壤的物理结构和水分状况。在青藏高原的冬季，极端低温事件可能使土壤冻结深度增加，影响植物根系对水分和养分的吸收，对植被生长产生不利影响。极端气温的变化还会影响植被的生理过程，如光合作用、呼吸作用和蒸腾作用等。极端高温可能抑制植被的光合作用，加速植被的呼吸作用，导致植被生长受到抑制；而极端低温则可能使植被细胞受损，影响植被的正常生理功能。六、综合影响分析与讨论6.1边界条件与陆面模式的综合影响边界条件和陆面模式在动力降尺度模拟中并非孤立作用，它们相互关联、相互影响，共同对青藏高原极端气温模拟产生复杂而深远的综合作用。在空间分布方面，不同边界条件下的大尺度大气环流和水汽输送特征，与陆面模式中土壤水分、植被覆盖等陆面过程相互作用，显著影响着极端气温的空间格局。以青藏高原东南部为例，当采用ERA5资料作为边界条件时，其较高的分辨率能够准确捕捉到南亚季风带来的暖湿气流，使得该地区受暖湿气流影响显著。在这种情况下，若陆面模式采用Noah-MP模式，由于其对植被生理过程和地表能量平衡的精细模拟，能够更好地反映植被与暖湿气流之间的相互作用。该地区植被覆盖度高，Noah-MP模式能够准确模拟植被的蒸腾作用对地表能量的消耗，使得地表温度相对较高，进一步增强了极端最高气温在该地区的高值特征。而在青藏高原西北部，不同边界条件下模拟的大气环流和水汽输送差异，与NoahLSM陆面模式对土壤热传导和积雪过程的模拟相结合，导致极端最低气温的空间分布与东南部呈现出明显不同。在该地区，积雪覆盖时间长，NoahLSM陆面模式对积雪反照率和融化过程的模拟，与边界条件所提供的大气环流背景相互作用，使得极端最低气温低值区范围和强度受到影响。当边界条件模拟的水汽输送较少时，结合NoahLSM陆面模式对积雪融化过程的模拟，可能导致该地区地表吸收太阳辐射减少，从而使极端最低气温更低。在时间变化上，边界条件所反映的大尺度气候系统的年际和年代际变化，与陆面模式模拟的陆面过程的长期演变相互交织，共同影响着极端气温的变化趋势。随着全球气候变暖，边界条件中大气环流和温室气体浓度等因素的变化，会导致青藏高原地区的气温总体上升。陆面模式中土壤水分和植被覆盖的长期变化也会对气温产生反馈作用。在过去几十年中，青藏高原部分地区的植被覆盖度有所增加，若采用Noah-MP陆面模式，其对植被生理过程的模拟能够准确反映植被覆盖度增加对地表能量平衡的影响。植被覆盖度增加会增强植被的蒸腾作用，消耗更多的地表热量，在一定程度上减缓了极端最高气温的上升速率。而土壤水分的变化也会影响地表与大气之间的能量交换，进而影响极端气温的年际和年代际变化。当土壤水分含量增加时，土壤的热容量增大，地表温度变化相对缓和，可能导致极端低温事件的强度减弱。边界条件和陆面模式的综合影响还体现在对极端气温模拟误差的影响上。两者的不确定性相互叠加，可能导致模拟结果与实际观测之间存在较大偏差。边界条件中再分析资料的不确定性，如不同再分析资料对大气环流和水汽输送的模拟差异，会与陆面模式中参数化方案的不确定性相互作用。在模拟青藏高原极端气温时，若边界条件采用的再分析资料对大气环流的模拟存在误差，而陆面模式的参数化方案又不能准确反映当地的陆面过程，那么这种不确定性的叠加可能会导致模拟的极端气温在空间分布和时间变化上与实际情况出现较大偏差。在某些地区，可能会出现模拟的极端最高气温过高或过低，以及极端最低气温的变化趋势与实际不符等问题。6.2不确定性分析本研究中，存在多个方面的不确定性来源，这些因素相互交织，共同影响着研究结果的准确性和可靠性。数据误差是一个重要的不确定性来源。地面气象观测数据虽为研究提供了基础，但由于观测站点分布不均，在青藏高原部分地区，尤其是高海拔、地形复杂的区域，站点稀少，导致数据代表性不足。藏北高原等地区，气象站点间距较大，难以准确捕捉到该地区气温在空间上的细微变化，使得基于这些数据的分析和模拟存在一定误差。观测仪器的精度和稳定性也会影响数据质量。一些早期的气象观测仪器可能存在精度有限的问题，对气温的测量误差较大，这会直接影响到模拟结果的准确性。在数据处理过程中，如插值和质量控制方法的选择，也会引入一定的不确定性。不同的插值方法对缺失数据的填补结果可能不同，从而影响到数据的连续性和一致性，进而影响模拟结果。模式不确定性同样不可忽视。WRF模式虽被广泛应用，但在模拟复杂地形和气候条件下的气象要素时，仍存在一定局限性。模式对大气物理过程的参数化方案存在多种选择，不同的选择会导致模拟结果的差异。在积云对流参数化方案中，Grell-3D方案和其他方案对对流活动的模拟存在差异，可能导致模拟的气温在对流活跃地区出现偏差。陆面模式的不确定性也较为突出。不同陆面模式对土壤水分、植被覆盖等陆面过程的模拟存在差异，这会影响到陆面与大气之间的能量和水分交换，进而影响极端气温的模拟。Noah-MP陆面模式和NoahLSM陆面模式在模拟青藏高原极端气温时，由于对土壤水热传输和植被生理过程的模拟不同，导致模拟结果在空间分布和时间变化上存在差异。边界条件的不确定性也是一个关键因素。不同的再分析资料作为边界条件，其提供的大尺度气象背景信息存在差异。ERA5、NCEP-FNL和ERA-