历史上的冷偏差夸大了青藏高原未来随海拔升高的升温效应

《Atmospheric Research》：Historical cold biases exaggerate future elevation-dependent warming over the Tibetan Plateau

　　• 历史地表温度有效地限制了预测的地表温度（TA）。• 寒冷偏差夸大了反照率和温度递减率的反馈作用，导致地表温度升高。• 通过约束模型，地表温度降低了约15%，不确定性降低了约16%。• 地表温度的过高估计随海拔升高而增加（每升高100米约升高0.17%）。1. 引言青藏高原（以下简称TP），被称为“第三极”，拥有大约100万平方公里的冰川，是北极和南极以外最大的冰雪储存库（Yao等人，2019年）。这一庞大的冰冻水体支撑了TP作为“亚洲水塔”的另一个重要功能（Immerzeel等人，2010年）。作为长江、黄河、印度河和恒河等主要亚洲河流的发源地，TP维持了下游的生态系统、农业和人类社会，为数十亿人提供必要的淡水（Immerzeel等人，2019年；Immerzeel等人，2010年；You等人，2020b年）。同时，作为世界上最高且热特性独特的地表，TP通过动力学和热力学效应调节亚洲季风系统、南亚高压和中纬度罗斯贝波列，从而影响东亚的降水模式，并导致与极端高温事件和热带气旋变化相关的大尺度环流异常（Dong等人，2024a；Dong等人，2024b；Huang等人，2023年；Jia等人，2025年；Liu等人，2023年；Xu等人，2024b）。与众所周知的北极放大效应类似，TP在最近几十年中也经历了显著的变暖放大效应，地表空气温度的上升速度明显快于全球平均速度（Screen和Simmonds，2010年；Wang等人，2013年；You等人，2021年）。1979年至2020年间，TP的平均升温速率为每十年约0.44°C，是全球平均速率（每十年约0.19°C）的两倍多（Wu等人，2024年；Yan等人，2020年；Yao等人，2022年）。地表温度升高的机制是多方面的：人为温室气体强迫导致了基础升温（政府间气候变化专门委员会，2023年），而包括冰雪反照率反馈和云辐射相互作用在内的局部过程进一步放大了升温效应（Hu等人，2023b；Zhang等人，2023a）。作为地表温度的一个基本组成部分，TP表现出明显的海拔依赖性升温（EDW）模式，即随着海拔升高，升温效应系统性地增强，直到大约4000-5000米（Gao等人，2018年）。这一特征自20世纪90年代以来显著增强，在冬季和秋季尤为明显（Pepin等人，2015年；Yao等人，2019年）。EDW主要与冰雪反照率反馈有关：高海拔地区冰雪覆盖的减少增加了地表太阳辐射的吸收，产生了一个正反馈，增强了升温效应（Hu和Hsu，2023年）。此外，云辐射和水汽效应以及土地利用和植被变化等因素也起着重要作用（Pepin等人，2025年；Pepin等人，2015年；You等人，2020a）。TP的快速升温，表现为地表温度升高和EDW，扰乱了“亚洲水塔”内固态水和液态水储存之间的平衡，引发了一系列跨系统和跨地区的效应（Huang等人，2023年；Jiang等人，2023年）。这些影响包括冰冻圈的显著变化。例如，TP上的冰川正在加速退缩（Bolch等人，2012年；Hugonnet等人，2021年；Kraaijenbrink等人，2017年），大多数地区出现了强烈的负质量平衡。长期观测还显示高海拔地区的积雪覆盖迅速减少（Li等人，2025年；Yao等人，2019年），永久冻土继续变暖和退化（Biskaborn等人，2019年；Huang等人，2024年），以及冰川湖的迅速扩大（Xu等人，2024a）。这些变化共同表明固态水储备急剧下降，直接预示着长期区域水资源的减少（Barnett等人，2005年；Immerzeel等人，2010年）。快速升温还扰乱了融雪和降水的季节性模式，导致径流减少、融雪期缩短以及年际可预测性降低（Jiang等人，2023年；Zhang等人，2023b）。融雪和降水变化的双重驱动因素对下游流域（如印度河和恒河）造成了额外压力（Cui等人，2023年；Gu等人，2023年），同时显著增加了冰川湖泊溃决洪水和洪水事件的风险（Liu等人，2025年；Wang等人，2014年；Zhang等人，2023c）。在更广泛的气候系统中，TP的强烈热强迫调节了区域大气环流：地表温度改变了水汽输送和垂直运动，影响南亚高压的强度和位置，并放大了东亚夏季降雨的三极模式（Jia等人，2025年）。此外，地表温度还可能通过减弱西北太平洋热带地区的垂直风切变来增强台风的强度（Xu等人，2024b）。这些变化不是暂时的，预计将持续到未来。因此，准确模拟和预测TP未来的升温情况至关重要。地球系统模型（ESMs），如耦合模型比较项目第六阶段（CMIP6）中的模型，已被广泛用于模拟和预测区域和全球气候变化趋势。然而，即使在相同的情景下，不同模型在预测TP未来的升温方面也存在显著的差异（Hu等人，2024年）。模型普遍存在的问题是在模拟TP的历史地表温度时的寒冷偏差（Hu等人，2023a；Wu等人，2024年；Yan等人，2020年）。这种寒冷偏差主要是由于过度估计了积雪覆盖，导致模拟的地表反照率升高，太阳辐射吸收减少，从而导致地表温度降低（Wu等人，2024年）。此外，对对流层温度和水汽含量的低估削弱了晴朗天空下的向下长波辐射，进一步加剧了寒冷偏差（Wang等人，2023年）。尽管普遍认为存在这种寒冷偏差，但它如何影响TP未来的升温预测仍是一个关键但尚未充分探讨的问题。为了解决模型不确定性带来的挑战，新兴约束（EC）方法已被广泛应用于减少气候预测的不确定性（Cai等人，2025年；Chai等人，2025年；Shiogama等人，2022年）。EC方法识别了可观测的历史指标与未来关键变量之间的稳健物理关系，并利用高质量观测数据来约束未来气候的模型预测。最近的研究应用EC方法来改进对TP未来升温的预测，包括基于历史升温幅度、升温趋势和未来预测之间关系的校正（Hu等人，2024年；Wang等人，2024年）。然而，很少有研究明确利用历史地表温度与预测的地表温度之间的物理联系来约束地表温度的幅度。鉴于TP的升温具有明显的地表温度升高和海拔依赖性升温特征，解决历史地表温度偏差对地表温度预测的影响对于提高区域升温预测的可靠性至关重要。在这项研究中，我们在多模型集合中识别出一个稳健的地表温度比率-地表温度关系，并开发了一个EC框架，明确考虑了历史地表温度偏差对未来地表温度预测的影响。通过将这种新兴关系与控制地表温度的关键反馈过程（包括冰雪反照率和温度递减率反馈）的分析相结合，我们了解了历史模型偏差如何传递到未来的升温估计中。2. 数据集和方法2.1. CMIP6模型和观测数据本研究使用了参加耦合模型比较项目第六阶段（CMIP6）的22个全球气候模型的模拟结果。世纪末的升温异常以月度异常值量化，定义为历史实验（1980-1994年，历史基线）的月度气候学与2085-2099年高排放情景SSP585下的相应月度气候学之间的差异。除了世纪末的评估外，还使用2015-2099年的15年滑动窗口平均值来检查预测升温的瞬态演变。具体来说，首先计算相对于此基线的月度地表温度异常值，然后应用一个居中的15年滚动平均值。由于边缘效应，这一程序的有效分析期为2022年至2092年。地表温度定义为TP上预测的未来地表温度升高与SSP585下对应全球平均升高之间的比率，相对于历史基线。表1提供了所使用的模型及其相应的集合成员的详细列表。表1. 本研究中使用的CMIP6模型信息。该表列出了模型名称、国家、水平分辨率和本研究中使用的集合成员。模型国家网格点（经度×纬度）成员ACCESS-CM2澳大利亚192 × 144r1i1p1f1ACCESS-ESM1-5澳大利亚192 × 145r1i1p1f1AWI-CM-1-1-MR德国384 × 192r1i1p1f1BCC-CSM2-MR中国320 × 160r1i1p1f1CESM2美国288 × 192r4i1p1f1CMCC-CM2-SR5意大利192 × 288r1i1p1f1CNRM-CM6-1法国256 × 128r1i1p1f2CNRM-ESM2-1法国256 × 128r1i1p1f2FGOALS-g3中国188 × 80r1i1p1f1GISS-E2-1-G美国144 × 90r1i1p1f2GISS-E2-1-H美国144 × 90r1i1p1f2HadGEM3-GC31-LLUK192 × 144r1i1p1f3IITM-ESM印度192 × 94r1i1p1f1INM-CM4-8俄罗斯180 × 120r1i1p1f1INM-CM5-0俄罗斯180 × 120r1i1p1f1IPSL-CM6A-LRFrance144 × 143r1i1p1f1MIROC-ES2L日本128 × 64r1i1p1f2MPI-ESM1-2-HR德国384 × 192r1i1p1f1MPI-ESM1-2-LR德国192 × 96r1i1p1f1MRI-ESM2-0日本320 × 160r1i1p1f1NESM3中国192 × 96r1i1p1f1UKESM1-0-LLUK192 × 144r1i1p1f2地表温度比率定义为TP月平均地表温度与1980-1994年期间全球平均地表温度的比率。为了获得可靠的地表温度比率参考值，评估了三个全球再分析数据集，使用基于TP的观测数据集作为评估基准：ERA5（Mu?oz-Sabater等人，2021年），由ECMWF制作的仅包含陆地的高分辨率再分析，具有改进的陆地表面过程表示；现代时代回顾分析用于研究和应用，第二版（MERRA2）（Gelaro等人，2017年），NASA的全球再分析，整合了广泛的卫星和现场观测数据，重点关注能量和水循环的一致性；全球陆地数据同化系统，第二版2.2（GLDAS2.2）（Rodell等人，2004年），一个整合卫星和地面观测数据的陆地数据同化系统，提供物理一致的土地表面状态和通量。在这些数据集中，MERRA2提供了全球覆盖，GLDAS2.2覆盖了除南极洲以外的全球陆地面积。中国国家地面气象站每日基本气象要素数据集（版本3.0）提供了来自国家气象站网络的经过质量控制的每日观测数据，用作评估再分析地表温度的现场参考。中国每日网格化气象数据集（CDMet）（Zhang等人，2024年）是一个基于699个站点的观测数据生成的全国范围每日网格化气象数据集，使用薄板样条和随机森林插值，并经过独立观测和现有产品的验证。这些站点观测数据和CDMet被采纳为评估再分析产品的参考数据集。2.2. 新兴约束方法EC方法通过识别多个模型中可观测的历史变量（??）和未来气候变量（??）之间的线性关系来减少未来气候预测的不确定性（Shiogama等人，2022年）。由于观测数据的错误通常低于模型模拟，该方法通过线性关系将观测值（??0）及其相关不确定性（通常表示为1???）映射到未来预测（??）。通过结合回归模型的预测误差，该方法提供了更准确且不确定性更低的未来气候预测（Cai等人，2025年）。在本研究中，??代表1980年至1995年TP地表温度与全球平均地表温度的比率，而y指的是地表温度升高的程度以及各种辐射反馈机制对升温的贡献。这种EC关系是通过应用于多个模型的最小二乘线性回归得出的：(1)f?(x)=a?xn+b这里，??和??分别代表斜率和截距，基于????和????的线性回归函数???(??)，由??和??定义。下标??表示不同的模型。回归的预测误差（????）使用以下公式计算：(2)σy?(x)=√√ √ √ √?s2?[1+1N+(xn?????x)2N×σ2x]这里，??代表模型数量，下标??表示不同的模型，??表示模型均值。最小二乘误差（??2）和????的标准差（????）使用以下公式计算：(3)s2=1N?2?N∑n=1[yn?f?(xn)]2(4)σx=√√ √ √ √?N∑n=1(xn?????x)2/N因此，方程（1）可以通过结合观测变量??0来调整原始的??预测值??0：(5)y0=a?x0+b将?? =??0代入方程（2），可以得到调整后的回归预测误差??。2.3. 地表温度指数（??????）在这项研究中，我们使用TP放大指数（??????），一个等同于地表温度的指标，来分析CMIP6模型中预测的地表温度升高的机制。??????源于一个能量平衡框架，该框架结合了辐射强迫、反馈过程和大气热传输（??????），并已被证明能有效捕捉北极放大效应的幅度（Zhou等人，2024a）。??????的通用公式表示为：(6)TA=?TT?TG≡1+a+λT?γ?λGb?λT=ITA其中，?????代表热帕斯卡（TP）上的升温，?????表示全球平均升温；??是??????对全球平均升温的敏感性，??代表与TP温度变化相关的??????的负反馈；????和????分别是TP和全球的总反馈参数；??是TP和全球之间的辐射强迫比率，其值为0.64。在方程(6)中，项???? ????????代表??????内的局部反馈过程，可以进一步分解为：(7)λA?λG=(λT1?γ?λG1)+(λT2?γ?λG2)+(λT3?γ?λG3)+(λT4?γ?λG4)+(λT5?γ?λG5)+(λT6?γ?λG6)方程(7)右侧的项分别对应于普朗克反馈、 lapse-rate反馈、水汽反馈、反照率反馈、云反馈和净表面热通量对TA（等同于??????）的贡献。??????和??????分别代表TP和全球的反馈参数，这些参数是使用参考文献(Pendergrass等人，2018年)开发的辐射核方法计算得出的。??是从2×CO?辐射强迫的空间模式中得出的（Huang等人，2016年）。用于估计大气热传输参数（??和??）和辐射反馈参数的程序在下面有描述。

2.3.1. 西藏高原上大气热传输的变化
西藏高原的能量平衡受到大气热传输变化（???????）的调节。鉴于大气能量平衡是在相对较短的时间尺度上建立的，可以通过对大气能量汇聚的面积加权积分来估计???????，大气能量汇聚定义为净表面能量通量与净顶层大气（TOA）能量通量之间的差值，表示为：(8)???????=?????????????????(?????????????????+????+????)???????表示为全球平均表面温度变化（???????）和纬向温度梯度（??????? ????????）的函数：(9)?????????????????????(???????????????)重新写出方程(9)得到：?????????????????????(?????1)

2.3.2. 通过辐射核方法量化的反馈参数
反馈参数????是使用辐射核方法计算的：(10)????=??????????????这里，???????????表示由反馈变量变化引起的年际顶层大气（??????）辐射异常，???是年际平均表面温度变化。辐射核描述了??????辐射对表面反照率、温度和特定湿度等关键反馈因素扰动的空间和时间敏感性。对于给定的反馈??，相应的辐射通量变化???????????是通过将反馈变量的异常场与其辐射核相乘然后在垂直方向上积分得到的。每个反馈成分的估计方法如下：普朗克反馈是根据表面升温引起的??????辐射增量确定的，假设通过对流层的垂直传播。Lapse-rate反馈是根据温度剖面相对于均匀垂直升温的偏差得出的，代表了大气稳定性变化对辐射的影响。水汽反馈是通过将特定湿度异常与相应的水汽核相乘获得的，反映了湿度变化对红外辐射的调节。反照率反馈是通过向下和向上短波辐射的变化来诊断表面反照率扰动的，然后将其与短波核结合起来计算??????响应。云反馈首先通过计算云辐射效应的变化（???????）来实现，然后通过减去非云过程的影响来分离云特有的贡献，这是通过全天空和晴空核之间的差异来实现的。

2.4. 统计分析和加权平均
使用皮尔逊相关系数和肯德尔相关系数评估TS比率、TA和ITA组件之间的关系。皮尔逊相关性的显著性及其置信区间是通过自助重采样（10,000次迭代）估计的，提供了变量间关系的稳健验证（Zoubir和Iskandler，2007年）。为了评估每个ITA成分对TA的相对贡献，我们应用了多元线性回归，并使用标准化回归系数来量化解释模型间变异性的各个反馈项的重要性。
在实施了EC之后，我们应用了加权多模型平均方法来验证基于反馈和直接约束得到的TA估计值之间的一致性，并推导出受限TA的空间分布。对于每种模式，权重是根据模型的反馈贡献或TA与相应受限值之间的逆距离来分配的。最终的TA和反馈贡献的加权和是通过将模型权重与其相应值相乘得到的。加权过程在下面有详细描述。对于每个模型??，使用相关变量的标准化偏差来量化与参考约束的距离。对于基于反照率和lapse-rate反馈的联合约束，定义了一个复合距离：(11)????=??????????????????+??????????????其中??????????和????????表示反照率和lapse-rate反馈与参考值的偏差，????????和??????代表它们相关的不确定性。然后使用指数衰减函数分配模型权重，(12)????=exp?(?????)∑????=1(?????)，这给靠近约束的模型赋予更高的权重。受限TA是通过加权平均计算得出的，(13)?????????????=??∑??=1???????????除了基于反馈的加权策略外，我们还应用了基于从约束中获得的TA参考值的直接加权方法。相应地分配模型权重，并用于得出加权多模型平均值。对于每个模型??，定义了一个标准化的TA距离：(14)????????=|?????????????????|??????其中?????????? v表示????的受限参考值，??????代表其相关的不确定性。然后使用与基于反馈的方法相同的指数衰减函数分配模型权重，并据此计算加权多模型平均值。

3. 结果
3.1. 模拟的TS比率偏差导致TA的高估
这里定义的TA是指TP上预测的表面温度升幅与相应全球平均升幅的比率，计算方法为21世纪末（2085–2099年）在SSP585情景下与历史基线（1980–1994年）之间的差异。为了考虑模型间模拟的全球平均表面温度的差异（图1a），我们定义了一个历史表面温度比率（TS比率）作为一个无量纲的标准化指数，由TP平均表面温度与1980–1994年期间的同期全球平均表面温度的比率给出。这个定义有效地避免了由于模拟的全球平均表面温度偏差而导致的模型间比较的一致性问题。进一步分析表明，在模型和再分析产品中，模拟的TP表面温度的差异显著大于全球平均表面温度的差异（图1a）。因此，模型间TS比率的变化主要由模拟的TP表面温度的差异主导（r = 0.98，P < 0.01），而不是由全球平均表面温度的差异主导（r = 0.04，P > 0.05）。由于目前没有可靠的基于观测的全球表面温度产品可以直接构建TS比率，我们使用了三个全球再分析数据集（ERA5、GLDAS2.0和MERRA2）作为参考数据集，这些数据集结合了气象站观测和基于观测的TP表面温度数据集CDMet。结果表明，MERRA2在空间相关性和绝对误差方面表现最佳（图1 b-g），因此被用来得出参考TS比率值（0.949）。
下载：下载高分辨率图像（522KB）
下载：下载全尺寸图像
图1. TS比率的定义和再分析数据集的评估。TS比率代表了历史时期TP平均表面温度与全球平均表面温度之间的比率。a，CMIP6模型和再分析数据集基于2000–2014年月度数据的表面温度（全球和西藏高原）与TS比率之间的关系。b-c，MERRA2、ERA5和GLDAS2.0的西藏高原表面温度的月平均相关系数和RMSE与气象站观测和CDMet在2000–2014年期间的比较。每个面板中，左侧的三个箱线图（蓝色中位数线）是根据气象站观测评估的，而右侧的三个箱线图（橙色中位数线）是根据CDMet评估的。d-g，2000–2014年期间CDMet、MERRA2、ERA5和GLDAS2的西藏高原表面温度的月平均空间分布。e–g面板中的灰色点表示气象站的位置，每个面板左下角显示了每个数据集的区域平均表面温度。（关于此图例中颜色的解释，请参阅本文的网页版本。）
多模型平均值预测出一个显著的TA（图2a），其幅度大约是全球平均温度升幅的1.44倍。最强的升温发生在喜马拉雅西部和尼钦唐拉山脉北部，这些地区之前的研究表明，由于大量积雪减少而增强的反照率反馈在放大区域升温中起主导作用（Hu等人，2023b；Pepin等人，2019）。积雪减少降低了表面反照率，增加了净短波辐射，并加速了融化过程，从而形成了一个正反馈循环，进一步增强了表面升温。
下载：下载高分辨率图像（563KB）
下载：下载全尺寸图像
图2. TP上的TS比率冷偏差及其与未来TA的关系。a，2085–2099年SSP585情景下多模型集合平均值TA在TP上的空间分布。TA定义为TP平均表面温度（TS）变化与全球平均TS变化的比率，两种变化都是相对于历史时期（1980–1994年）计算的。b，MERRA2再分析数据集中历史TS比率的多模型集合平均偏差的空间分布。TS比率定义为历史时期（1980–1994年）TP平均表面温度与全球平均表面温度之间的比率。黑色点表示超过一半的CMIP6模型表现出负TS比率偏差的网格单元。c，CMIP6模型中历史TS比率与未来TA之间的相关系数在网格单元尺度上的空间分布。d，TP区域尺度上历史TS比率与未来TA之间的关系。每个点代表一个单独的CMIP6模型，虚线表示线性回归关系。相关系数显示在左下角，星号(*)表示P < 0.05时的统计显著性。
与MERRA2相比，模型的模拟TS比率在大多数TP网格单元上表现出普遍的冷偏差（图2b），平均低约0.4%（相对于MERRA2低1.13 K）。超过一半的网格单元显示出负偏差（图2b中的黑色点），表明这种偏差在模型中普遍存在。有研究表明，这种冷偏差也受到反照率相关反馈的控制，并且随着海拔的升高而加剧（Wu等人，2024）。模型模拟的过量积雪可能会减少表面净辐射并抑制升温，从而延长雪的持续时间，并通过反馈机制增强冷却偏差。
在模型间，未来TA的幅度与模拟的TS比率显示出显著的负相关（图2c，d）。具体来说，TP上气候温度较低的模型倾向于预测更强的未来升温。大多数网格单元显示出负相关，其中许多是统计上显著的，区域平均相关性达到-0.635（P < 0.05）。这种反向关系可能反映了表面能量平衡反馈的作用，即具有更强冷偏差的模型可能通过夸大的雪-反照率反馈或其他反馈机制在增加的辐射强迫下预测出更大的未来升温。假设这种基于物理的关联是稳健的，广泛的TS比率冷偏差意味着对集合平均TA的系统性高估。考虑这种偏差放大关系为限制未来TA预测和改善TP地区的气候风险评估提供了潜在途径。

3.2. 通过反照率和lapse-rate反馈驱动TS比率影响TA
为了研究TS比率与未来TA之间显著负相关的物理机制，我们使用了TP放大指数（ITA）。参考文献（Zhou等人，2024a）表明，北极放大程度可以通过一个双箱模型来理解，并通过包括反馈参数和大气热传输动态在内的简单物理因素函数来捕捉（见方法部分）。在这里，我们将这个指数应用于TP区域并发展了一个ITA。ITA与TA高度一致（r = 0.902，P < 0.01），并且在模型间，ITA也与TS比率显示出显著的负相关（r = -0.632，P < 0.01），与TA和TS比率之间的关系非常相似（图3a，2d）。这表明分析ITA的组成部分及其与TS比率的关系可能揭示了将TS比率与未来升温放大联系起来的机制。之前关于TA和北极放大的研究通常将升温放大归因于局部辐射反馈不平衡和大气热传输机制的综合作用（Hu等人，2023b；Zhou等人，2024a）。根据ITA分解，我们发现TA及其等效的ITA与局部辐射反馈项（???? ????????）之间存在显著的正相关（图3b，r = 0.601和r = 0.793），这代表了局部辐射反馈对TA（ITA）的总贡献，单位为W m?2 K?1（见方法部分）。在TP范围内，反照率和 lapse-rate反馈主导了局部辐射反馈对TA的贡献，并且两者都与TS比率有显著的相关性（图3c-d），共同解释了模型间TA变异性的大部分（R2 = 0.840；图3e）。下载：下载高分辨率图像（686KB）下载：下载全尺寸图像图3. TA指数（ITA）的构建及其在TP期间对TA的贡献机制。a. TA、从物理分解框架中得出的ITA和CMIP6模型历史TS比率之间的关系。b. ITA框架中的局部辐射反馈贡献项（???? ????????）与模型间的TA之间的关系。c-d. 反照率（Alb）反馈（c）和lapse-rate（LR）反馈（d）对TA的贡献与历史TS比率之间的关系。e. 个别反馈成分对TA贡献的多元线性回归分析；y轴表示标准化回归系数。局部辐射反馈项（???? ????????）、反照率反馈和lapse-rate反馈的单位为W m?2 K?1，表示每单位温度变化（K）的辐射通量变化（W m?2）。相比之下，其他反馈过程和大气热传输成分在当前框架内与TS比率没有显著的相关性（图4），这可能反映了表面温度异常对气候模型中对流层和云层属性的影响有限。先前的研究表明，模型中中对流层和上层对流层湿度的变化主要由垂直传输和对流过程控制，而不是直接由表面温度异常驱动（Colman和Soden，2021年）。模型间对全球变暖的云响应差异主要源于云相关参数化方案无法准确捕捉辐射过程和动力过程之间的复杂相互作用（Ceppi等人，2017年）。就大气热传输而言，其对于ITA的贡献难以准确量化，因为动态相关的参数a和b难以精确估计（Zhou等人，2024a）。此外，研究表明大气热传输主要受大尺度环流模式的影响（Goosse等人，2018年）。下载：下载高分辨率图像（551KB）下载：下载全尺寸图像图4. 历史TS比率与西藏高原（TP）温度放大（TA）的个别反馈和大气热传输（AHT）贡献之间的关系。TS比率表示历史时期（1980–1994年）TP平均表面温度与全球平均表面温度的比率。个别过程对TA的贡献是根据SSP585情景下未来时期（2085–2099年）的ITA分解框架得出的。a-f. 散点图显示TS比率与水汽反馈（a）、云反馈（b）、表面热通量反馈（c）、Planck反馈（d）以及AHT参数a（e）和b（f）的贡献之间的关系。反馈贡献和AHT项的单位为W m?2 K?1。为了进一步阐明TS比率与TA之间显著负相关的物理机制，我们研究了TS比率如何通过反照率和lapse-rate反馈调节TA的强度（图5）。为了清晰起见，根据TS比率值将模型分为“冷模型”和“暖模型”（图5a, e），并进行了它们的关键能量过程的比较分析，以揭示推动模型间TA差异的机制。与暖模型相比，冷模型在历史时期TP上的积雪覆盖更为显著（图6 a, b）。增强的积雪覆盖增加了对入射短波辐射的反射，导致表面反照率显著增加（图5b）。在这种基线状态下，随着未来气候变暖，冷模型经历更明显的融雪，导致表面反照率进一步降低（图5c）。反照率的较大下降意味着表面吸收的短波辐射增加，从而增强了反照率反馈对TA的正向贡献（图5d）。相比之下，暖模型的初始反照率较低，因此雪的损失和反照率降低对TA的贡献较小。除了雪过程外，土地利用变化和植被动态等因素也会影响表面反照率的变化（Hou等人，2025年）。为了进一步研究雪与反照率的关联，我们调查了积雪覆盖、雪水当量以及它们与反照率反馈对TA贡献之间的关系（图6 c-f）。结果揭示了未来雪的变化（包括积雪覆盖和雪水当量）与表面反照率的变化及其对TA的反馈贡献之间的显著正相关。这表明，TP上表面反照率的预计下降主要是由于融雪加剧，这作为TA的正向贡献。下载：下载高分辨率图像（468KB）下载：下载全尺寸图像图5. 历史TS比率与反照率和lapse-rate反馈对TA贡献之间的机制。历史时期指的是1980–1994年的月平均状态，未来时期指的是SSP585情景下2085–2099年的月平均状态。模型根据它们的历史TS比率值被分类为“冷模型”和“暖模型”。a, e. 比较冷模型和暖模型相关的物理路径的示意图，展示历史TS比率差异如何通过反照率反馈（a）和lapse-rate反馈（e）影响TA。b-d. 历史TS比率与历史时期表面反照率之间的机制。c. 历史表面反照率与未来时期表面反照率变化之间的机制。d. 预测的表面反照率变化与模型间反照率反馈贡献（W m?2 K?1）之间的机制。f-h. 历史TS比率与未来TA通过lapse-rate反馈之间的机制。f. 历史TS比率与历史时期近地表-上层空气温度差异之间的机制。g. 历史和未来近地表-上层空气温度差异之间的机制。h. 未来近地表-上层空气温度差异与模型间lapse-rate反馈贡献（W m?2 K?1）之间的机制。下载：下载高分辨率图像（588KB）下载：下载全尺寸图像图6. 历史表面温度、雪况和TP上雪-反照率反馈之间的关系。TS代表表面温度，Snc代表积雪覆盖分数，Swe代表雪水当量。a–b. 历史（1980–1994年）月平均TP表面温度与CMIP6模型历史Snc（a）和Swe（b）之间的关系。c-d. 未来Snc变化与表面反照率变化（c）以及反照率反馈对TA贡献（d）之间的关系。e–f. 未来Swe变化与表面反照率变化（e）以及反照率反馈对TA贡献（f）之间的关系。未来变化是根据SSP585情景计算2085–2099年相对于历史时期的变化。转向lapse-rate反馈，冷模型表现出与暖模型明显不同的大气垂直温度结构。与暖模型相比，具有较低TS比率的模型在历史时期近地表和上层空气之间的温度差异更大，表明TP上的大气稳定性更强，对流活动较弱，因此垂直温度梯度更大（图5f）。这种结构差异在未来的气候条件下仍然存在（图5g）。随着变暖加剧，冷模型中的温度升高集中在地表附近，而上层温度升高滞后，限制了向上的热传输，进一步放大了表面正反馈。因此，lapse-rate反馈在冷模型中对TA的贡献更强（图5h），进一步加强了TS比率与TA之间的负相关。总之，模型中的TS比率主要通过调节反照率和lapse-rate反馈的贡献来调节TA。在冷模型中，较低的模拟TS比率增强了反照率和lapse-rate反馈对TA的预期正向贡献，从而增强了局部辐射反馈，导致未来TA的系统性高估。3.3. 对TA预测的新约束多模型平均值在模拟TP上的TS比率时表现出明显的冷偏差（图2b；-1.13 K）。这种冷偏差夸大了表面反照率和lapse-rate反馈对TA的正向贡献，导致未来TA的系统性高估（图3，图5）。为了进一步测试物理机制的稳健性并获得经过校正的TA估计值，我们应用了EC来约束反照率和TA本身的两种反馈贡献，基于物理上有意义的统计关系（图7），使用来自MERRA2再分析数据集的TS比率参考值。下载：下载高分辨率图像（613KB）下载：下载全尺寸图像图7. 基于历史TS比率对TA的新约束（ECs）。用于ECs的TS比率参考值来自MERRA2再分析数据集。a-b. 应用于反照率（Alb）反馈（a）和lapse-rate（LR）反馈（b）对TA的贡献的ECs。反馈贡献的单位为W m?2 K?1。c. 模型衍生的反馈贡献与TA之间的关系。星号（★）表示从TS比率参考值得出的受限参考值，应用EC之前和之后的不确定性范围分别由虚线包围的区域和阴影区域表示。d. 使用TS比率直接对TA应用的EC。e. 基于d中的受限TA估计的加权多模型平均TA的空间分布。限制TS比率中的冷偏差分别将反照率和lapse-rate反馈对TA的正向贡献减少了15.7%和7.7%，同时它们的不确定性分别减少了3.9%和9.5%（图7 a, b）。在模型间，这两种反馈仍然与TA显著正相关（图7c），表明预测较大TA的模型倾向于表现出更强的反照率和lapse-rate反馈贡献。使用受限反馈组合（图7c）作为参考，TA的加权多模型平均值为1.39，相对于不受限制的估计值减少了12.6%。直接对TA应用EC（图7d）同样将TA减少了约14.8%，其不确定性减少了16.4%。使用受限的TA值1.377作为参考（图7d），通过对模型TA分布进行加权平均，显示出整体减少（图8 a, b），最大的减少集中在羌塘高原（图7e）。区域平均值减少了12.28%，与通过加权平均后获得的12.62%减少相匹配。这种一致性进一步证实了TS比率中的系统性冷偏差放大了反照率和lapse-rate反馈的正向贡献，从而高估了TA。通过加权平均获得的略小减少（12.28–12.62%）与直接TA约束（14.8%）相比，反映了加权可以缓解但不能消除在多模型预测中强烈高估TA的模型的影响。下载：下载高分辨率图像（398KB）下载：下载全尺寸图像图8. 应用EC之前和之后的TA的空间分布。a-b. 在SSP585情景下2085–2099年之前（a）和之后（b）应用EC之后的世纪末TA的空间分布。c-d. 在2015–2099年期间21世纪平均TA的空间分布，在应用EC之前（c）和之后（d）。应用EC后的TA分布是使用基于受限TA估计的加权多模型平均方法获得的。3.4. TA预测中持续的 elevation-dependent 偏差在约束之前和之后，世纪末的TA都表现出显著的海拔依赖性。在2300米到5000米之间，TA的大小增加了1.1到1.5倍（图9a）。值得注意的是，应用约束后的TA减少幅度也随海拔变化而变化（r = -0.63，P < 0.01），表明在这一海拔范围内TA的减少随海拔增加（图9b）。下载：下载高分辨率图像（669KB）下载：下载全尺寸图像图9.应用EC后，TA和反馈调整的高程依赖性。a、c：应用EC之前（灰色）和之后（橙色）的TA的高程依赖性，分别对应于世纪末期（2085-2099年在SSP585情景下）和69年平均期（2015-2099年）。b、d：应用EC后TA减少百分比的高程依赖性，分别对应于世纪末期和69年平均期。e、f：应用EC后，对TA的变率（LR）和反照率（Alb）反馈贡献减少百分比的高程依赖性。

为了评估TA的高程依赖性偏差随时间的稳定性，我们从2015年到2099年进行了年度约束，基于TS比率与预测TA之间的负相关性（图10a）。使用15年的滑动窗口（与前面的部分一致），我们得到了69年的受限TA及其相应的反馈贡献的时间序列（图10，图11）。结果表明，TS比率通过反照率和变率反馈对未来TA的影响在整个时间序列中保持稳定。在校正TS比率误差后，TA的范围从1.44降低到1.35-1.40（平均降低了18.67%），不确定性减少了13.44%（图10b，c）。此外，TS比率在整个期间与反照率和变率反馈都显示出显著的负相关性（图11a，b）。回归分析进一步显示，这两种反馈对TA的贡献在整个预测期间都是显著的（图11c）。因此，TS比率通过反照率和变率反馈影响69年时间序列中的TA，而模拟中的常见低温偏差夸大了这些机制的贡献，导致TA的整体高估。

下载：下载高分辨率图像（381KB）
下载：下载全尺寸图像

图10. 基于历史TS比率的69年TA时间序列的时变约束。69年TA时间序列是使用2015年至2099年期间的15年滑动窗口进行的年度约束得出的，在SSP585情景下。a、历史TS比率（1980-1994年平均值）与未来TA之间的模型间相关系数的时变演变及其统计显著性。紫色、红色和蓝色虚线分别表示相关性在P < 0.05、P < 0.01和P < 0.005水平上变得显著的年份。b、基于TS比率约束应用EC之前和之后的TA时间序列。c、受限TA的减少（左轴）和模型间TA不确定性的减少（右轴）的时变演变。（关于此图例中颜色的解释，请参阅本文的网页版本。）

下载：下载高分辨率图像（520KB）
下载：下载全尺寸图像

图11. 反照率和变率反馈对TA的贡献的时变演变及其与历史TS比率的关系。69年时间序列是使用2015年至2099年期间的15年滑动窗口进行的年度约束得出的，在SSP585情景下。a-b、历史TS比率与反照率反馈（a）和变率反馈（b）对TA的贡献之间的模型间相关系数的时变演变。c、基于每年的多元线性回归，TA对反照率和变率反馈贡献的标准化回归系数（β）和决定系数（R2）的时变演变。深色和浅色点分别表示基于P < 0.05阈值的统计显著和非显著结果。

基于受限TA时间序列，我们应用了一种加权平均方法（见方法部分）为不同模型分配权重，以得出受限TA的空间分布（图8c，d）。结果显示，受限TA的减少与海拔之间存在显著的正相关（r = 0.141，P < 0.01），表明TA的减少随海拔增加而增加（图9d）。反照率和变率反馈的贡献都显示出与海拔相似的高程依赖性，它们的下调幅度与海拔之间存在显著的正相关（图9e，f）。

上述分析表明，TS比率模拟中的低温偏差不仅在预测期间导致TA的持续高估，而且这种高估的幅度随着海拔的增加而增加。这一机制进一步得到了图5d和h中结果的支持。高海拔地区由于地表温度较低和积雪覆盖较多，在变暖过程中产生更强的大气变率和反照率反馈，从而导致温度升高的放大效应更加明显。因此，TS比率模拟中的低温偏差导致在高海拔地区的TA高估更为明显。

4. 讨论

尽管新兴限制方法将预测TA的不确定性降低了大约16%，但由于气候模型之间的结构差异、内部气候变异性（Deser等人，2010年；Hawkins和Sutton，2009年）以及参考数据集中的不确定性，残余不确定性仍然存在。因此，新兴限制的方法的目的不是消除所有不确定性，而是减少由可识别的系统模型偏差引起的不确定性，并提高未来预测的物理一致性（Hall等人，2019年）。相应地，经过校正历史TP地表温度低温偏差及其相关反馈后，受限TA应被视为更符合物理规律的估计。重要的是，我们得出CMIP6模型系统性地高估未来TA的结论不仅得到了预测不确定性减少的支持，还得到了基于物理的TS比率-TA关系（图2d）、基于物理的反馈分析（图3）以及它们在整个预测期间的一致性（图10）的支持。未来TA预测的进步将需要更准确的观测和再分析参考数据集，以及识别额外的基于物理的新兴限制指标。整合多个基于物理意义的限制方法可能会进一步提高未来TA预测的稳健性和可靠性。

从近期到远期，反照率和变率反馈在解释TA方面的能力稳步增强，这从决定系数的逐步上升中可以看出（图11c）。内部气候变异性的重要性取决于所考虑的时间和空间尺度，在短期内可能超过外部强迫的影响（Mankin等人，2020年）。因此，在近期，TA受到内部变异性的强烈调节，这在线性统计框架内削弱了这些反馈的解释能力。随着分析窗口长度的增加和外部辐射强迫的加剧，反照率和变率反馈的联合解释能力显著提高（R2 > 0.8）。由于TS比率主要通过这两种反馈途径影响预测TA，TS比率与TA之间的相关性也从近期到远期逐步增强（图10a）。同时，反照率反馈对TA的相对贡献随时间减少，并预计在本世纪末将变得比变率反馈的贡献弱（图11c）。鉴于模拟中的反照率变化与积雪覆盖变化之间的紧密联系（图6），这主要归因于外部强迫下TP积雪覆盖的持续减少，到那时，持续存在的积雪覆盖将仅限于最高海拔地区。

这种反馈转变对排放情景的依赖性也值得考虑。尽管本研究的主要分析基于SSP585情景，但在SSP126和SSP245情景下的补充分析（图12）表明，历史TS比率与未来TA之间的负相关关系以及相关的反照率和变率反馈路径在不同强迫水平下保持物理一致性。然而，在低排放情景下，相应的统计关系变弱，因为较弱的外部辐射强迫产生的强迫升温信号较小，积雪覆盖和大气热结构的变化也较小，从而增加了内部气候变异性的相对影响，同时削弱了反照率和变率反馈（Deser等人，2010年；Hawkins和Sutton，2009年）。尽管如此，在SSP126和SSP245情景下，反照率和变率反馈共同解释了TA模型间方差的大于70%（图12），支持了所提出的物理机制的稳健性和EC框架在广泛强迫情景下的适用性。由于在低排放情景下预计积雪覆盖将持续更长时间，因此从反照率主导的反馈转变为变率主导的反馈可能会在SSP585情景之后发生（图11c）。这种转变的时间和幅度是否在不同排放情景中系统地变化，以及在大量积雪损失后是否可能诱导TA超出当前线性EC框架的非线性响应，仍然是未来研究的重要问题。值得注意的是，TP积雪覆盖还通过陆-气相互作用影响区域和大型气候系统，包括亚洲季风和大气环流（You等人，2020c；Dong等人，2024a，Dong等人，2024b）。因此，持续的积雪损失不仅可能改变未来的TA演变，还可能改变TP积雪覆盖的更广泛气候作用。

下载：下载高分辨率图像（401KB）
下载：下载全尺寸图像

图12. 在SSP126和SSP245情景下，TP期间TS比率与TA和反馈贡献之间的关系。结果显示了21世纪末期（2085-2099年）在SSP126和SSP245情景下的情况，浅绿色和浅蓝色分别代表SSP126和SSP245。a、在SSP126和SSP245情景下，CMIP6模型之间的TA与历史TS比率的关系。b-c、模型之间的反照率（Alb）反馈（b）和变率（LR）反馈（c）对TA的贡献与历史TS比率之间的关系。a-c面板左上角显示了皮尔逊相关系数（r）。d、在SSP126和SSP245情景下，Alb和LR反馈对TA的多元线性回归系数；y轴表示标准化回归系数。d面板左上角显示了回归模型的决定系数（R2）。反馈贡献以W m?2 K?1表示，代表每单位温度变化的辐射通量变化。（关于此图例中颜色的解释，请参阅本文的网页版本。）

在这项研究中，采用来自MERRA2的TS比率作为参考指标来约束未来TA的幅度和关键反馈过程的贡献。然而，我们的评估（图1b-g）和先前的研究指出，MERRA2在TP上可能仍然存在低温偏差，这主要是由于观测覆盖稀疏、模型分辨率有限以及数据同化方案的不确定性（Han等人，2020年；Zhou等人，2024b）。鉴于本研究确定的TS比率与TA之间的稳健负关系，一个更准确地表示历史TP和全球地表温度的参考数据集可能会产生更高的TS比率，并进一步降低估计的TA幅度。从这个意义上说，TA的理论下限对应于从无偏的历史TP地表温度得出的约束，尽管由于缺乏足够可靠的观测基准，这个限制还无法定量确定。因此，未来在多源观测和再分析产品方面的改进可能会进一步完善受限估计。

越来越多的文献研究了TP变暖的影响，包括TA，从区域到大尺度的视角。在区域尺度上，TP变暖引起冰冻圈的显著变化（Barnett等人，2005年；Biskaborn等人，2019年；Huang等人，2024年；Immerzeel等人，2010年；Xu等人，2024a），并通过改变主要亚洲河流系统的水文制度，对下游数十亿人的生计产生深远影响（Cui等人，2023年；Gu等人，2023年；Liu等人，2025年；Wang等人，2014年）。在大尺度环流层面，先前的研究表明，TA可以：调节南亚高压的位置，从而在东亚地区形成三极极端的降水模式；通过减少垂直风切变增强西太平洋台风的强度；并影响北半球的天气变异性（Jia等人，2025年；Xie等人，2025年；Xu等人，2024b）。在模型预测的情景下，这些影响预计在未来会加剧。尽管TA本身的发生及其相关的气候影响已经得到很好的证实和明确，但校正TS比率中的偏差显示，未来TA的幅度可能会被系统性地高估，这意味着相关影响可能不如原始模型预测那么严重。这一发现强调了在未来的TP变暖影响评估中，采用更为谨慎且物理上一致的TA（温度升高）估算方法的必要性。5. 结论 本研究表明，CMIP6模型系统性地高估了未来TA的幅度。主要得出以下三个结论：a) 在各个模型中，TP区域的TS（温度-湿度）比率与21世纪末预测的TA幅度之间存在显著的负相关性。鉴于历史模拟中的普遍寒冷偏差，这种关系意味着在多模型平均值中，未来的TA被系统性地高估了。b) 基于ITA指标的分析进一步指出，寒冷偏差夸大了反照率和递减率反馈对TA的正面贡献，从而拉高了预测的TA幅度。这一机制得到了通过分别对这两个反馈进行约束得到的TA估计值与直接约束TA得到的估计值之间高度一致性的支持。c) 在应用了这些约束后，预测的TA幅度减少了约14.8%（1.38°C），相关不确定性也降低了16.4%。将分析扩展到69年的时间序列后，发现TA存在明显的海拔依赖性高估现象。这种模式同样可以归因于TS比率的系统性寒冷偏差，该偏差在不均匀地增强了高海拔地区反照率和递减率反馈的正面贡献，从而导致TA的高估更为显著。此外，从近期到远期，随着外部强迫的增强和内部变异性的减弱，反照率和递减率反馈的解释能力会增加，并伴随从反照率主导的放大机制向递减率主导的放大机制的转变，这与持续的积雪覆盖减少有关。这种演变表明，持续的积雪减少可能会引起控制TA的反馈机制发生系统性变化。鉴于区域性和大尺度气候响应的幅度与青藏高原变暖的强度成正比，此处发现的TA系统性高估意味着之前预测的气候影响也可能被过度夸大了。尽管如此，参考数据集中的残余不确定性仍凸显出需要改进观测约束以进一步完善未来预测的必要性。

**作者贡献声明：**
- 邓宇：撰写——原始草稿、可视化、调查、正式分析、数据管理。
- 尤庆龙：撰写——审阅与编辑、项目管理、资金获取、概念构思。
- 吴芳颖：撰写——审阅与编辑、资源协调、方法学。
- 周文宇：撰写——审阅与编辑、验证、方法学、数据管理。
- 康志远：撰写——审阅与编辑、监督、资源协调。
- 邹志燕：撰写——审阅与编辑、监督、资源协调。
- 邓海军：撰写——审阅与编辑、监督。
- 尼克·佩平：撰写——审阅与编辑、监督。
- 陈汉斯·W：撰写——审阅与编辑、监督。
- 陈德良：撰写——审阅与编辑、资源协调、项目管理。
- 张仁和：撰写——审阅与编辑、资源协调、项目管理。

**代码可用性：**
辐射核方法及辐射核模型（Pendergrass等人，2018年）的代码可从以下链接获取：https://github.com/apendergrass/cam5-kernels

作者名单：邓宇 | 尤庆龙 | 吴芳颖 | 周文宇 | 康志远 | 邹志燕 | 邓海军 | 尼克·佩平 | 陈汉斯·W | 陈德良 | 张仁和