通过虚拟全球变暖法估计全球变暖对日本降雪深的影响外文翻译资料

 2022-11-27 14:44:26

英语原文共 4 页，剩余内容已隐藏，支付完成后下载完整资料

通过虚拟全球变暖法估计全球变暖对日本降雪深的影响

Masayuki Hara1，Takao Yoshikane1，Hiroaki Kawase1和Fujio Kimura1,2

1Frontier Research Center for Global Change (FRCGC),

Japan Agency for Marine-Earth Science and Technology (JAMSTEC)

2Institute of Life and Environmental Sciences, University of Tsukuba

摘要：

一系列的数值研究调查了全球变暖对日本冬季雪量的影响。在确定了多雪（HSC）年和少雪（LSC）年模拟的准确性之后，我们确定用动力降尺度的方法，利用虚拟温暖化资料预测未来。模拟的降水、雪深和地表气温与AMeDAS的站数据有良好的一致性。在海拔低于1500米的地区，12月底雪水的减少比例更为显着。空气温度的增加是雪水减少的主要因素之一，因为即使在冬季，这些区域中的大多数地区的平均气温也接近0℃。另一方面，由于全球变暖导致的平均面雨量变化在两年中都小于15％。

关键词 全球变暖，动力降尺度，虚拟全球变暖方法，积雪

简介

虽然大雪常常带来灾难，但积雪是日本的主要水资源之一。即使在冬季，沿日本海的大部分大雪地区气温的月平均值也往往超过0℃。因此，由于温室气体增加导致的全球变暖可能会使得这些地区的积雪严重减少。

目前，大多数GCM无法重现与地形学直接相关的当地气候（IPCC，2007）。而其他的方法，例如动力降尺度（如Kurihara等，2005和日本气象局，2008）、统计降尺度（例如Yokoyama和Inoue，2007）和高分辨率GCM直接模拟（例如Hosaka等人，2005），已被用于预测小尺度气候条件。积雪情况取决于当地气候和小规模地形，所以模拟需要非常高的水平分辨率，例如用小于几公里的网格间隔对积雪进行模拟。

由于日本的年际降雪量变化很大，因此需要通过长期的动力降尺度或集合预报来确定由于全球变暖导致的积雪变化。然而，由于缺乏数据，几千米的网格是很难长期集成的。为了使短期数值实验不涉及这么大的年际变率，我们使用虚拟全球变暖（PGW）方法。

虚拟全球变暖（PGW）方法（Kimura和Kitoh，2007; Sato等人，2007）是一种使用区域气候模型预测区域气候变化的动力降尺度方法。在PGW方法中，初始和横向边界条件由6小时再分析数据和气候变化的组成部分给出，它们是GCM预测的当前和未来气候之间的月平均差异。人们希望这些边界条件具有与GCM预测的未来气候类似的预测结果，同时日变化与当前年代的情况相似。PGW方法允许将当前年的气候和PGW年的气候情况进行对比，PGW年在年际变化方面与对照年相似，但包括对未来气候的考虑。

本研究的目的是调查全球变暖对日本冬季期间降雪量的影响。我们使用PGW方法在不涉及年际变率的条件下直接比较未来与目前的雪深。为了考虑小规模地形的影响，本研究中的数值模拟以5公里的网格间隔进行。

数值实验设计

本实验主要对2005年和2006年初冬（12月）进行分析。前者是大雪（HSC）年，后者是从1985年到2006年这22年中的典型少雪（LSC）年。为了估计全球变暖对HSC和LSC年雪量影响的差异，我们选择了这两种极端情况。

数值研究包括四个实验：两个现实实验（CTL-HSC和CTL-LSC）和两个PGW模拟（PGW-HSC和PGW-LSC）。CTL实验对6小时NCEP / NCAR再分析（Kalnay等人，1996）的边界条件的简单后续运行，包括由再分析的表面温度给出的SST。我们用PGW方法对这两种情况进行模拟来估计20世纪70年代的雪量。PGW的边界条件由20世纪70年代的全球变暖成分修正的再分析资料获得，用于每月平均气温、水平风、位势高度和SST。因为相对湿度的估计变化很小（IPCC，2007），所以假设相对湿度与当前相同。全球变暖被表示为2071年至2080年的21世纪的10年预测平均值与MIROC 3.2 CGCM（Nozawa等，2007）从1991年到2000年的模拟值之间的月平均差。本文根据（IPCC）报告中关于排放的情景（SRES），对2001 - 2100年进行了预测。全球变暖因素表明，若对流层空气温度上升3-4℃，则12月日本海温升高2-3℃。CTL和PGW的比较允许考虑由全球气候变化而导致的雪深变化的影响。

所有模拟通过WRF ARW V2.2版本模型的双向嵌套（Skamarock等人，2005）进行。粗网格由120times;100网格以20公里的网格间隔覆盖，而精细网格由373times;333网格以5公里的网格间隔覆盖。两个域都有27个垂直层。在实验中，nudging技术不用于内部网格点。在两个领域采用WRF-Single-Moment 6级微物理方案和Noah地表面模型。微物理学方案分别估计降水的三种类别：雨，雪和霰。在这项研究中，“雪”被假定为后两类的总和。Noah地表模型包括一个简单的单层雪模型，可以模拟积雪，以及其升华和融化。模拟开始于11月21日，每次运行41天。假设前10天是启动时间，我们分析了12月剩余的31天。

结果

通过对图1所示的区域进行研究来讨论模拟结果。在图2a和2b中展示了12月底在HSC和LSC情况下观察到的雪深，而CTL-HSC和CTL-LSC中的模拟雪深分别为图2c和2d。

在HSC的情况下，显示超过100cm的雪深的站主要分布在本州岛的中央山脉，而显示50cm以上雪深的站则分布在山区，甚至包括本州岛的南部和北陆地区（图2a）。积雪广泛地延伸在沿着日本海的海岸的下部区域和西北部和北海道地区。在CTL-HSC（图2c）中雪深的模拟分布与观察结果一致。积雪范围以及雪深大于100厘米的区域与观测结果非常相似。

在LSC情况下，如图2b所示，在AMeDAS站处难以发现超过100cm深的积雪，尽管在HSC和LSC之间雪的程度差异不显着。如图2d所示，CTL-LSC可以准确地模拟这些特性。因此，CTL-LSC在山区的积雪比CTL-HSC运行中的多得多，但是雪的区域与CTL-HSC没有太大的不同。

图1.研究区域和地形高度。阴影区域表示超过500m海拔的网格点。

图2. 12月31日的雪深分布。（2005年：HSC：a，c，e）和（2006年：LSC：b，d，f）。 图（a）和（b）表示AMeDAS台站数据，（c）和（d）为CTL运行结果，（e）和（f）为PGW运行结果。

表I显示在AMeDAS站和CTL运行中观察到的平均每月降水量。前者是所有站的平均值，后者是研究区域中最接近每个站的网格点的平均值。在北海道和西北东北地区，观察到的降雨量的差异很小，即在HSC和LSC之间的差异在约10％以内。在北陆和山阴地区，位于雪区的南部，观察到的HSC下的降水量是LSC的两倍。

观察到的和模拟的降水量之间的差异在所有区域中均小于30％。观察到的HSC和LSC之间的降水差异很小，即在北海道和东北地区在20％以内，而LSC的模拟降水量小于北海道和山阴地区HSC降水量的60％。HSC和LSC之间模拟降水的面平均值的差异几乎与观察的相同。这些事实表明，模拟降水与观测一致。

图3显示了HSC和LSC情况下的月平均气温;在该图中，3a和3b为观察结果，3c和3d为CTL的结果。在HSC情况下，在山阴和北陆地区的底层观测到的温度约为0℃。另一方面，在LSC情况下，在这些区域中观察到的温度为3-5℃，即比在HSC情况下高约4℃。

表I.在AMeDAS站观察到的平均降水（mm）（OBS-HSC和OBS-LSC）和研究区域在CTL和PGW下的运行结果。模拟降水表示最近网格点的平均值。

图3.和图2一样，表示除12月外的月平均气温。

PGW显示了如图2e（PGW-HSC运行）和2f（PGW-LSC运行）所示的较小区域的积雪。在PGWHSC的运行结果中，积雪几乎在本州岛的沿海地区消失了，而在PGW-LSC的运行结果中，不仅在沿海地区，而且在本州岛的山区积雪都在显着减少。如图2所示，空气温度低于0℃的区域与雪深大于0.1cm的区域几乎相同。

表II展示了在CTL和PGW的运算结果中的五个研究区域中的积雪深度。以与表I相同的方式计算平均雪深。在南部地区（新泻，北陆和山阴）的PGW雪深减少至小于HSC和LSC中的CTL雪深的四分之一。即使在北部地区（北海道和西部东北），PGW的雪深也减少到了HSC和LSC情况下的三分之一。

表II表示在最靠近AMeDAS站的网格点处CTL和PGW的平均估计雪深（cm）。PGW/CTL表示在PGW和CTL中平均雪深的比率。

表III展示了按地表高程分类的区域内的总雪水量。根据全球变暖对雪深的敏感性，研究区划分为北部和南部地区，如表II所示。

表III表示由PGW运行结果中的总雪水量（Gt）和减少的雪水比例和根据地形高程确定的五个级别中CTL运行结果中（a）北部地区（北海道和东北的西部）和（b）南部地区（新泻，北陆和山阴）的总雪量。

我们可以发现雪水减少最明显的地区是这两个区域中海拔500米以下的区域。在北部地区的CTL-HSC和CTL-LSC运行结果中，有超过90％的雪水分布在低于1,000m的区域中。在HSC情况下，低于500m的区域中减小率被限制在大于50％，而在LSC情况下甚至出现在500至1,000m处。另一方面，在南部地区，大于50％的减少率包括HSC情况下低于1000m的面积，并且覆盖LSC情况下的整个面积。在LSC情况下，雪水在500米海拔以下消失。全日本PGW的总雪水分别为LSC和HSC中的CTL的38％和52％。

讨论

积雪的变化可能取决于降水和空气温度。如表I所示，在这两种情况下，CTL和PGW运行之后显示的降水变化都小于10％，这表明积雪的显着减少主要由空气温度的增加引起。雪深（图2）变化和空气温度（图3）变化的水平分布之间的相似性是非常明显的。表面空气温度影响融雪和降水中雨雪的比例。图4显示了降雪量与总降水量的比值。尽管在CTL-HSC运行下显示在日本的广大地区该比率超过80％，但在PGW-HSC运行下的大多数下部区域都降低至50％以下。即使在山上，本州岛的降雪率也很少超过50％。降雪率的分布也与积雪和气温的分布非常相似。这些结果表明了减少积雪的简单机制。由于全球变暖，地面空气温度上升，降雪的机会减少，使得特别是在本州岛的较低海拔地区积雪显着减少。动力降尺度的结果可能取决于由GCM和方案给出的边界条件。

图4.在（a）CTL-HSC，（b）PGW-HSC，（c）CTL-LSC和（d）PGW-LSC中估计的12月总降水中的降雪比例。

Yokoyama和Inoue（2007）通过使用六个粗网格GCM的预测，统计出降尺度估计未来的雪深。他们的报告指出，雪深与全球变暖之间的关系在日本本岛的大部分沿海地区是十分脆弱的，降水量主要受温度的影响，尽管降水量取决于GCMs 。他们估计，日本的总降雪量将在100年后下降约56％。他们的结果基本上与我们的降尺度相符合，除了在北海道地区，他们估计那里降雪量不会有太大的变化。

结论

我们使用PGW方法调研了HSC和LSC方法模拟的冬季期间全球变暖对日本的雪深的影响。 CTL运行显示与观察到的HSC和LSC中的降水保持良好一致。由PGW运行估计的20世纪70年代的雪深显着小于由CTL运行模拟的当前雪深。在这两种情况下，大多数区域中，PGW的积雪深度小于CTL的积雪深度的40％。在LSC情况下，PGW的总雪水小于全部日本的CTL的总雪水的38％。另一方面，在HSC情况下，PGW的总雪水为CTL的总雪水的52％，因为超过一半的雪水保留在海拔超过500m的山区。在HSC和LSC案列中，在海拔低于500m的区域，雪深减少更加明显，特别值得注意的是，日本本州岛上积雪已经减少了当前深度的三分之一。

这些结果取决于GCM，它给出了RCM的边界条件。特别地，GCM的温度变化对雪深的变化相当敏感。MIROC是本研究中采用的GCM，在耦合模型比较项目第三阶段（CMIP3）的GCM中往往会产生略大的温度变化。在我们的实验中可能低估了积雪的减少量。

积雪的预测仅限于12月。积雪中气温的作用可以在融雪的季节期间改变。有关冬季积雪变化的详细讨论，需要进行长期模拟，从而得出结论。

补充

补充1包括图2，图3和图4的放大图。

参考文献

Hosaka M, Nohara D, Kitoh A. 2005. Changes in Snow Cover and Snow Water Equivalent Due to Global Warming Simulated by a 20km-mesh Global Atmospheric Model. SOLA 1: 93..96, doi:10.2151/sola.2005-025.

IPCC. 2007. Climate Change 2007. The Physical Science Basis. Contribution of Working Group I to the Fourth Assessment Report of the Int

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[26015]，资料为PDF文档或Word文档，PDF文档可免费转换为Word

原文和译文剩余内容已隐藏，您需要先支付 30元 才能查看原文和译文全部内容！立即支付

以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。

您可能感兴趣的文章