Page 25 - 《高原气象》2025年第6期

6 期 施雨卿等：青藏高原降水氧同位素的多模式模拟评估研究 1433

18
图4 TNIP观测数据和相应格点的模式模拟数据多年冬季（a）和夏季（b）平均δ O之间的线性关系
18
Fig. 4 The relationship between observational （TNIP） and simulated precipitation δ O in DJF（a） and JJA （b）
表2 观测与模拟的降水中多年冬季（DJF）平均δ O之间的线性回归统计
18
Table 2 Linear regression statistics between observational and simulated precipitation δ O of boreal winter （DJF）
18
iCAM6- iCAM6- IsoGSM- IsoGSM- IsoGSM- IsoGSM- ECHAM6- MIROC5-
模式
ERA5 Free NCEPR ERA5 JRA55 Free JRA55 JRA55
相关系数 0. 885* 0. 840* 0. 872* 0. 889* 0. 884* 0. 738* 0. 796* 0. 648
回归方程 1. 39x-2. 02 0. 91x -11. 10 1. 1x -1. 24 1. 06x+ 0. 17 0. 99x-1. 04 0. 80x -4. 46 0. 90x -3. 34 0. 80x -7. 41
均方根误差 3. 21 2. 55 2. 72 2. 40 2. 29 3. 21 3. 00 4. 16
“*”表示通过显著性检验（* respresents passing the significance test）
表3 观测与模拟的降水中多年夏季（JJA）平均δ O之间的线性回归统计
18
18
Table 3 Linear regression statistics between observational and simulated precipitation δ O
of boreal summer （JJA） in measured and simulated precipitation
iCAM6- iCAM6- IsoGSM- IsoGSM- IsoGSM- IsoGSM- ECHAM6- MIROC5-
模式
ERA5 Free NCEPR ERA5 JRA55 Free JRA55 JRA55
相关系数 0. 686* 0. 772* 0. 623* 0. 807* 0. 809* 0. 584* 0. 783* 0. 895*
回归方程 0. 32x-11. 34 0. 43x-11. 99 0. 29x-6. 30 0. 46x-6. 35 0. 41x-7. 47 0. 51x -4. 86 0. 44x-4. 74 0. 41x-7. 63
均方根误差 1. 970 2. 068 2. 091 1. 967 1. 724 4. 092 2. 027 1. 198
“*”表示通过显著性检验（* respresents passing the significance test）
18
更小。在冬季模拟中， IsoGSM-ERA5 的模拟最接 青藏高原各个分区的降水 δ O 季节循环规律
近 y=x； 而 MIROC5 模式的相关系数从冬季模拟中 各有特点（图 6）。在季风区（如白地和拉萨）， 降水
的最小变为夏季模拟中的最大， 达到了 0. 89， 说明 δ O 观测和模拟的最低值都出现在 7 -8 月， 经过
18
18
该模式在夏季模拟中的表现优于冬季。 7 -8 月的降水 δ O 贫化期后， 又呈现了上升趋势。
而对于季节循环的模拟， TNIP 观测数据和模 而在非季风区（例如沱沱河和德令哈地区）， 降水
18
式模拟数据均表现出一定的一致性和差异， 观测数 δ O 的最高值出现在 5 月， 然后逐月降低。但观测
据展现出更为明显的季节性变化， 而模式模拟数据 的最低值出现在 10 -11月， 而模式模拟的最低值都
可能在某些季节上存在偏差（图 5）。例如， 各模式 出现在 12 月至次年 1 月。这可能是由于模式对季
的 12 月和 1 月之间的差值与观测数据基本一致。 节性变化的模拟不足引起的。
18
18
然而， 观测的降水 δ O 在 4 月达到峰值， 而多数模 模式融合再分析资料后对青藏高原降水 δ O
式在 5 月才达到峰值， 仅有 IsoGSM-ERA5 模式模 季节变化的模拟有很显著的改善。IsoGSM2 模式
18
拟的降水δ O也在4月达到最高。 分别融合三种再分析资料对冬季的模拟的相关系