摘要

随着气候变化，高温事件的强度和频率不断增加，这可能会对航空业产生潜在影响，因为飞机的起降性能取决于近地表空气温度。以前的研究将气候数据与飞机技术数据结合起来，以估计高温上升对飞机起飞的未来影响。他们发现最大起飞重量减少，起飞距离延长。地中海地区是气候变化的“热点”地区，特别关注极端高温的增加。本研究分析了欧洲西南部主要机场夏季日最高近地表温度极端值的大小和变化趋势。通过观测和再分析分析了1961-2014年的趋势。利用区域和全球气候模式(RCMs和GCMs)进行的模拟分析了2021-2050年和2071-2100年相对于1961-2005年的未来变化。在评估未来气候预估之前，对气候模式在当前气候条件下进行了评估，并对RCM和GCM集合进行了比较。在这些条件下，在机场尺度上，在当前气候条件下，rcm比gcm没有明显的附加价值。在相同地点，gcm预报的温度变化比rcm大。在RCP8.5情景下，各机场、RCM和GCM组合在短期内的平均预估变化在+ 1.7到+ 3.2 \(^{\circ}\)C之间，在长期内在+ 4.9到+ 8.5 \(^{\circ}\)C之间。极端高温天气的增加将影响机场运营。适应或减缓政策将成为必要。

1 介绍

近几十年来，由于气候变化，高温极端事件的规模和频率显著增加(IPCC 2013, 2021;Mishra et al. 2015;Manning et al. 2019)。在缺乏缓解政策的情况下，预计全球变暖将在21世纪继续，极端高温事件将变得更加强烈和频繁，持续时间将更长，而极端寒冷事件的可能性预计将降低(IPCC 2013年，2021年)。某些已经以夏季温暖和炎热为特征的地区，如地中海欧洲，值得特别关注(IPCC 2013年，2021年;Stegehuis 2016;Manning et al. 2019)，并将在许多不同领域受到全球变暖的影响。航空业是这些脆弱领域之一。气候变化对航空的影响是多种多样的(Thompson 2016;十2016;Ryley et al. 2020;Gratton et al. 2022)。这项研究的主要动机是与机场地面极端高温增加有关的影响，直接影响飞机起飞和降落的性能，以及机场的可操作性。

较高的温度与较低的飞机升力和发动机推力有关。温度升高导致空气密度降低，这将迫使飞机在起飞时通过稀薄的空气达到更快的速度以产生升力(Anderson 2005)。考虑到飞机加速度为常数，在此过程中起飞距离会延长(Zhou et al. 2018;Gratton et al. 2020)。有时这个速度是无法达到的，这取决于飞机的技术特性和/或跑道长度的限制，导致重量限制，航班延误甚至取消(Coffel和Horton 2015;Coffel et al. 2017;Gratton et al. 2020)。此外，发动机推力随温度降低(Airbus 2002)。出于燃油经济性和环境原因，通常手动将其限制在一定温度以下。温度超过这个阈值将对推力产生负面影响。温度阈值通常选择为国际标准大气条件+ 15℃(ISA + 15)，即海平面30℃(Airbus 2002)。在ISA + 15以上，温度越高，推力越低，这会降低飞机的载重量能力。此外，环境温度升高导致燃烧室中火焰温度升高，导致向大气中排放的污染物增加，特别是氮氧化物(Heywood 2018)。

在极端炎热的条件下，火灾风险也会增加(Thompson 2016)。在高环境温度下的机场，应特别注意航空燃料的储存、操作和使用，其可燃性限制范围在38至70摄氏度之间，具体取决于燃料类型(Edwards 2017)。暴露在炎热条件下的增加可能会增加对空调的需求，也可能会破坏基础设施(Thompson 2016)。在极端事件中，能源供应可能受到需求的影响，基础设施更有可能遭受突然的准时损坏。

最后，机场基础设施和飞机运行的设计要适应当地的平均气候，以优化机场的运行效率。此外，这些飞机被设计成在广泛的环境条件下运行。尽管如此，它们的作战能力和性能在极端或破纪录的情况下可能会受到负面影响，因为它们超出了设想的范围。随着气候变化，这些超出范围的高温预计将更有可能和更强烈。

据我们所知，迄今为止针对机场地面高温增加所进行的影响研究主要集中在飞机起飞性能上。以前的研究已经模拟和量化了由于更频繁的高温极端天气，飞机起飞距离和最大起飞重量的增加。Coffel和Horton(2015)以及Coffel等人(2017)评估了与高温增加相关的限重航班数量的增加。Zhou等人(2018)评估了随着跑道高度高温的增加，起飞距离的延长。中程和远程飞机的最大起飞重量都将受到高温的限制，而且它们还需要更长的起飞距离。对于跑道较短的高架机场，有效载荷损失更大。尽管如此，它们的影响量化可能被高估了，因为任务很少意味着100%的燃油容量或飞机的最大起飞重量(Hane 2016)。Coffel等人(2017)和Zhou等人(2018)将未来气候预测与飞机技术数据相结合，以估计21世纪起飞距离和重量限制飞行的未来演变。这两项研究使用的气候预估是通过参与耦合模式比对项目(CMIP5)第五阶段的全球气候模式(GCMs)进行的(Taylor et al. 2012)。然而，所使用的全球气候模拟的平均水平空间分辨率约为150公里，这可能会妨碍它们对非常局地现象(如机场尺度的高温极端事件)及其在变暖气候中的变化的表征(Salathe et al. 2008;duli et al. 2011)。具有更精细空间分辨率的区域气候模拟可能是研究区域和局部现象的更好方法(Feser et al. 2011;Di Luca et al. 2012)，特别是那些与极端气候有关的。区域气候模式(RCMs)在区域极端降水研究中的附加价值已经在Sánchez等人(2011)、Torma等人(2015)、Prein等人(2016)、Fantini等人(2018)、Solman和Blázquez(2019)、Di Virgilio等人(2020)和vichotllano等人(2021)等中得到了体现。然而，很少有研究涉及高分辨率模式(如rcm)在表示局部极端温度方面的附加价值。

Vautard等人(2013)利用国际欧洲协调区域气候降尺度实验(Euro-CORDEX;Jacob et al. 2014, 2020)。他们比较了两种不同空间分辨率下rcm的性能(0.11和0.44)。虽然不能普遍确定更高分辨率的明显附加价值，但在一些区域，特别是在西班牙沿海地区，发现了局部的改进。在Iles等人(2020)中，使用rcm和gcm研究了代表欧洲极端温度的高分辨率附加值。除了在山上，高分辨率的实验获得的好处有限。Squintu等人(2021)最近的一项研究比较了CMIP6 HighResMIP实验的高分辨率和低空间分辨率全球模型模拟的性能(Haarsma等人，2016)。结论认为，增加gcm模式分辨率并不能显著改善夏季极端最高温度的代表性，并导致观测期内南欧的时间趋势变弱。

这项研究的目的是双重的。首先，它试图评估RCM的性能以及它们在代表欧洲-地中海主要机场的当地高温方面的附加价值。我们关注极端事件的规模和最近几十年的时间趋势。其次，它的目的是通过使用RCM预测来评估高温极端事件的未来变化幅度，并将其与GCM预测的这些机场的变化进行比较。据我们所知，这是第一次尝试评估多rcm集合的性能，并根据机场尺度的极端温度评估rcm的附加价值。这也是首次尝试使用最先进的Euro-CORDEX RCMs系统来评估机场的高温变化。据我们所知，在处理区域到地方尺度的气候变化影响时，考虑RCM和GCM组合的未来气候预测是非常规的，而这对于在这些尺度上设计适应和缓解政策可能至关重要。

本文件组织如下:数据和方法在第2节中描述，结果在第3节中提出和讨论，然后在第4节中提出结论和观点。

2 数据与方法

2.1 观测、再分析和气候模拟

位于欧洲西南部的9个最常使用的机场被选中:(1)阿多尔夫Suárez马德里巴拉哈斯机场(MAD)，(2)巴黎奥利机场(ORY)，(3)图卢兹-布拉尼亚克机场(TLS)， (4) Josep Tarradellas巴塞罗那- el Prat机场(BCN)，(5)尼斯Côte d 'Azur机场(NCE)，(6)莱昂纳多·达·芬奇罗马-富米西诺机场(FCO)，(7)雅典Eleftherios Venizelos机场(ATH)，(8)米兰马尔蓬萨机场(MXP)和(9)里昂-圣埃克苏里机场(LYS)(表1)。在这组机场中代表了各种各样的当地地形:前三个机场位于平地上，4至7号机场位于海岸附近，后两个机场靠近山脉(图1)。

选择机场作为案例研究

本研究考虑的变量为夏季(6、7、8月)日最高近地表温度(TX);环流)。

考虑了几个观测和再分析数据集。使用了来自美国国家海洋和大气管理局(NOAA)全球历史气候学网络(GHCN)-每日数据集的机场上空气象站现场测量时间序列(Menne et al. 2012b)。NOAA GHCN-Daily数据集包含了来自世界各地陆地站点的大量气象系列数据，它是交换气候数据的国际协议的结果。关于欧洲，欧洲气候评估和数据集项目(ECA&D;Klein Tank et al. 2002)，大部分观测记录开始于1961年。为NOAA GHCN-Daily数据集收集和合并的所有数据都要经过质量控制评估，这对所有测量都是通用的。该数据集经常更新，欧洲站点至少每月定期更新。这里使用的是NOAA GHCN-Daily版本3的最新更新(Menne et al. 2012a)，该版本截止到2019年12月。数据通过R软件使用' rnoaa '包(Chamberlain 2021)进行访问。

还分析了E-OBS网格化观测数据集(Haylock et al. 2008;Cornes et al. 2018)。这是一个仅在欧洲陆地上可用的数据集，建立在ECA&D项目中考虑的站的序列上。数据集的24.0e版本，可在1950年至2021年(EOBS 01deg)的规则网格上使用。

还考虑了SPAIN02网格化观测数据集(Herrera et al. 2012)。这是由坎塔布里亚大学(西班牙)根据西班牙气象局(AEMET)在西班牙半岛和巴利阿里群岛记录的气象系列提供的产品。为了开发该网格数据集，应用了两步面积平均插值方法，其中首先使用薄板样条插值月平均值，然后使用普通克里格插值日异常。第五个也是最新版本的SPAIN02数据集(Herrera et al. 2016;Kotlarski等人(2019)从AEMET气候服务门户网站(http://k1.fpubli.cc/file/upload/202308/23/0x1qstjychi)获得。这涵盖了1971年至2015年期间，并可在常规网格上获得。

本研究考虑的另一个数据集是法国-法国大气数据再分析系统(SAFRAN-France;Quintana-Segui等人，2008;Vidal et al. 2010)。SAFRAN-France是msamtsamo -France的产品，它提供了1950年至2014年期间法国大都市8公里规则网格的气候数据。利用最优插值算法对气候均质带300 m垂直层观测数据进行了空间化处理。根据气象模式或NCEP等再分析计算出的气温场的初步估计或初步猜测，经过修正后，使每个网格点的首次猜测与附近站点的观测值之间的差值加权和最小。然后执行空间插值，将变量投影到规则的8平方公里网格上。

尽管SPAIN02和SAFRAN-France国家网格数据集比NOAA GHCN-Daily或EOBS数据集包含更多的温度站点，但它们也存在一些缺点。例如，与NOAA产品和EOBS产品相比，SPAIN02覆盖的时间较短，并且已经表明，在分析温度趋势时必须谨慎使用SAFRAN-France (Vidal et al. 2010)。使用NOAA GHCN-Daily系列进行趋势分析也应谨慎进行。在没有最佳参考的情况下，考虑并比较了所有可用的数据集。

表1总结了每个选定机场的观测数据集和再分析。表2综合了上述数据集的主要特征。

本研究分析的RCM模拟属于评估、历史和代表性浓度路径(rcp) Euro-CORDEX-11集合(Jacob et al. 2014, 2020)。这些模拟的水平空间分辨率为0.11 (12 km)。图2说明了rcm的规模如何与机场的规模相关联。评估集成由ERA-Interim再分析(以下简称ERAI)驱动的RCM模拟组成;Berrisford et al. 2011)。表3总结了评价实验中本研究使用的7种rcm。历史实验包括一些CMIP5模式强迫rcm的气候模拟。这里使用的历史模拟对应于11个rcm的8种驱动gcm的58种组合。表4详细介绍了RCM - GCM矩阵。在RCP2.6、RCP4.5和RCP8.5三个rcp情景实验中，RCMs由CMIP5 GCMs驱动。表5列出了三种RCP情景中考虑的GCM-RCM对模拟:RCP2.6的11个模拟，RCP4.5的13个模拟和RCP8.5的35个模拟，这些模拟是由7个驱动gcm和10个rcm的组合产生的。本文还使用了CMIP5集合(Taylor et al. 2012)，因为目前广泛使用的Euro-CORDEX实验的驱动模型是从该数据库中选择的。表6给出了本研究中考虑的CMIP5模拟。总共使用了34种不同的gcm进行模拟。

MAD机场和来自Euro-CORDEX-11的RCM ALADIN63的网格。黑点对应位于机场的气象站。菱形表示模型网格单元的质心，蓝色表示选定的网格点包含要分析的机场

2.2 描述的TX极端和趋势

极端事件的强度通过分位数-分位数(q-q)图进行分析，例如Herrera等人(2010)对降水的分析，Christensen和Boberg(2012)对月平均温度的分析。在这些q-q图中，将不同数据集的分位数与观测参考数据集的分位数进行比较。

趋势是通过分位数回归方法计算的，该方法首先由Koenker和Bassett(1978)提出，并在Koenker(2005)和Koenker(2017)中得到进一步发展。该方法允许按分位数(或百分位数)估计TX概率分布函数(PDF)的线性时间趋势，从而提供有关PDF形状演变的信息，而不仅仅是最常用的普通最小二乘(OLS)回归方法所做的均值变化。它与OLS回归方法的原理相同，用于估计条件均值。在OLS回归方法中，通过最小化残差平方和来计算响应变量的条件期望值的估计。条件分位数的情况并非如此，因为优化函数是不对称加权绝对残差的总和(Koenker和Hallock 2001)，因为正残差和负残差的数量现在取决于分位数范围。

对极值幅度和分位数趋势的不确定性进行了自举估计。在分位数回归方法的情况下，自举抽样是在连续15天的集群中进行的，以保持时间的均匀性。所有分位数趋势都是使用' quantreg '包在R中计算的(Koenker 2021)。

本研究中提出的分析可以分为五个步骤。

1. 1.

   选取的9个机场的观测和再分析数据集对1961-2014年的TX极值和趋势进行了表征(表1)。为了估计观测参考选择对气候模式进一步评价的影响程度，对不同观测和再分析的结果进行了比较。在网格数据集中，选择离每个机场最近的网格点进行分析。

2. 2.

   Euro-CORDEX评价试验在1979-2008年期间的极端量级和TX的分位数趋势方面对观测数据集进行了评价。这个分析使我们能够估计特定于rcm的错误。考虑每个RCM对应的陆海掩模来选择离机场位置最近的网格点。在每种情况下，都选择土地面积分数至少为0.6的最近点。

3. 3.

   比较了评价和历史的Euro-CORDEX RCM集合。这一步允许我们分析历史实验中GCM误差到rcm的传播。在评估RCP实验的未来气候预估之前，评估历史实验是至关重要的。为了进行更公平的比较，评估实验中的每个RCM的计数次数与历史实验中相同RCM的模拟次数相同。

4. 4.

   将历史RCM集合与历史CMIP5实验在1961-2005年共同时期的机场上空驱动GCM子集进行比较:8个GCM驱动11个RCM，共58对GCM-RCM模拟(见表4)。根据每个GCM在Euro-CORDEX历史实验中强迫的RCM数量，对驱动CMIP5集合中的GCM模拟进行加权。这一步提供了对气候模式在表示TX极端事件的大小和趋势方面提高分辨率的附加价值的评估。在这一步中，将rcm和gcm在其原生水平分辨率上进行比较，从而可以在小尺度上评估rcm对gcm的附加值。对于gcm和rcm，都按照步骤2选择离机场最近的网格点。内陆机场与选定的gcm网格点之间的平均距离为60公里，沿海机场约为150公里。

5. 5.

   对Euro-CORDEX和CMIP5 RCP组合的未来气候预估进行了各自的本地分辨率分析，以研究相对于1961-2005年的历史时期，2021-2050年(近期)和2071-2100年(长期)TX极端事件的变化。最后一步可以估算出TX极值的预估变化幅度，并将RCM预估与驱动GCM预估进行比较，并将其与CMIP5整体进行比较。每个模型都考虑了整个CMIP5集合的一个成员。此外，将RCM的未来预测与驱动gcm的未来预测进行了比较，比较了相同30年未来期间中位数和90和95百分位数的分位数趋势。

如Kotlarski等人(2019)所述，对所有网格数据集进行高度校正，以抵消机场高度与选定网格点高度之间的高度差异所造成的温差。考虑了绝热大气剖面后温度随海拔升高而降低，即每+ 1000 m降低C。

目录

摘要 1 介绍 2 数据与方法 3.结果 4 结论 数据可用性 参考文献 致谢 作者信息 道德声明 补充信息 搜索 导航 #####

3.结果

3.1 观察到极值和趋势

本节的主要目的是描述所选机场的所有可用数据集之间的差异，就极端值的大小和夏季TX的趋势而言。

图3显示了机场观测和再分析的夏季TX的第90、95和99个最高百分位数。所有的分位数都与EOBS 1°的分位数相对应。当两个数据集相同时，它们在对角线上重叠，而上面(下面)的点表示与EOBS的01度分位数相比更大的值(更低的值)。MAD机场的90 - 99百分位数温度最高，为36.4 - 39.0℃。ATH机场的99百分位数最高，为37.4℃(未示出)，TLS机场排名第三，为36.8℃。NCE和BCN机场的99百分位数最低，分别为33.0℃和33.6℃。最温和的极端温度是ORY机场，第90百分位数为29.5摄氏度。在法国机场的极端高温下，SAFRAN-France的EOBS值低于01度，大约小0.8摄氏度。在MAD机场，SPAIN02的上百分位值也比EOBS的上百分位值平均小0.5℃，而在BCN机场，它们的上百分位值平均大0.2℃。同时，NOAA GHCN-Daily数据集和EOBS 01deg数据集显示了非常相似的结果，尽管NOAA产品比EOBS 01deg数据集显示的BCN机场的高温低0.7℃。数据集之间TX夏季最高百分位数的最大差异范围从ORY的C到TLS的1.5 C。

1961 - 2014年夏季观测到的TX上百分位数的q-q图。NOAA GHCN-Daily(绿点)，西班牙02(红点)和SAFRAN-France(蓝点)。EOBS 01°作为参考(横轴)。标记分别代表MAD机场(星形)、TLS机场(向下三角形)、ORY机场(圆圈)、BCN机场(菱形)、NCE机场(正方形)和LYS机场(向上三角形)。

图4显示了9个机场观测到的分位数趋势，以及与每个分位数趋势估计相关的不确定性，如第2.2节所述。在本研究中，考虑了从第5到第95的19个分位数。所有情况下TX的分位数都增加了。然而，在考虑的机场中，分位数趋势包络的形状有所不同。ORY和MAD机场在分位数趋势分布上表现出很大的不对称性。它们表现出相反的行为，ORY机场的最高分位数(C/ 10年，根据EOBS 01度)增长最强，MAD机场的最低分位数(C/ 10年，也根据EOBS 01度)增长最强。TLS在较高的百分位数上也经历了略强的趋势。此外，LYS也呈现不对称性，中位数的趋势大于上极值和下极值的趋势，但仅根据NOAA GHCN-Daily数据集。这些不均匀分布的百分位数趋势证明了选择分位数回归方法来计算高温的演变。对于其他机场，PDF几乎以均匀的方式向更高的温度转移，因为与ORY和MAD机场获得的数据相比，最低和最高百分位数趋势之间的差异很小。考虑到所有可用的数据集，通常用于表征极端情况的第95百分位趋势在0.25至0.75摄氏度/十年之间，适用于大多数机场(TLS、BCN、NCE、ATH、LYS和MXP)。第95百分位的趋势最弱的是在英国外交部机场，其范围在0.13至0.27摄氏度/十年之间。所有机场的积极趋势与近几十年来欧洲-地中海地区高温事件的增加是一致的(IPCC 2013, 2021)。这项对欧洲-地中海主要机场的研究扩大了迄今为止已考虑的机场名单(Coffel和Horton 2015;Coffel et al. 2017;Zhou et al. 2018)，由于全球变暖，它们更容易暴露在极端高温条件下。

1961年至2014年JJA中TX的分位数趋势，计算自EOBS 01deg(黑色)、NOAA GHCN-Daily(绿色)和SPAIN02(红色)观测数据集的MAD、TLS、ORY、BCN、NCE、FCO、ATH、LYS和MXP机场，以及SAFRAN-France(蓝色)再分析。实线对应bootstrap分布的平均值，阴影表示95%置信区间。对于SPAIN02，可以接受在期初缺少10年数据，这意味着趋势实际上是在1971-2014年期间计算的

在极端值和趋势方面，EOBS 01deg数据集显示出与NOAA GHCN-Daily数据集非常相似的行为。这可能是因为EOBS 01deg数据集整合的离选定机场最近的现场站也包含在NOAA GHCN-Daily数据集中。SPAIN02和SAFRAN-France在eobs01度和NOAA GHCN-Daily数据集方面显示出很大的差异。总体而言，除了TLS机场外，SAFRAN-France在上分位数上的趋势大于EOBS 01度或NOAA产品。对于SPAIN02，与其他数据集差异的原因可以通过趋势计算对研究期间的敏感性来解释(见表2)。实际上，如果我们重新计算西班牙机场所有数据集的共同时期(1971-2014)的分位数趋势，SPAIN02与EOBS 01deg和NOAA GHCN-Daily数据集的趋势更为相似(补编，图1)。SAFRAN-France再分析显示，第95百分位的变化趋势大于EOBS和NOAA的GHCN-Daily数据集，在ORY和NCE的变化趋势大于0.4 C/ 10年，在LYS的变化趋势大于0.15 C/ 10年，而在TLS的变化趋势与两者相匹配。

综上所述，观测期内TX趋势的数据集之间的差异可达0.4℃/ 10年(中心估计值)，这取决于地点和百分位数。然而，由于分位数趋势计算的置信区间幅度很大，大多数机场的所有数据集主要保持一致。此外，当温度超过35℃时，TX上百分位量级的数据集之间的最大差异为1.5℃。根据这些结果，我们认为在这些数据集之间选择观测参考可能不是评估当地TX气候模式的决定性因素。下文我们考虑EOBS 01℃作为机场尺度气候模式评估的观测参考。因为所有选定机场位置的数据都是可用的，其分辨率与rcm的分辨率几乎相同。

3.2 ercm估值

在评估实验中，rcm明显高估了TX极值的幅度(图5)。这些偏差随百分位数范围变化不大，但其幅度取决于机场。在TLS, NCE和MXP机场发现最大的偏差，平均为+ 3.3℃，某些型号高达+ 6.0℃。在MAD和ORY机场发现的偏差最小，平均低于+ 1.5℃。以SPAIN02或SAFRAN-France作为观测参考，MAD、TLS、NCE和LYS的rcm的暖偏会更高。相反，在Historical实验中，当rcm由gcm驱动时，在大多数机场，MME平均偏差的幅度甚至符号都发生了变化，并且减小了。尽管如此，MME扩散的振幅(被认为是集合模拟的最大值和最大值之间的差异)在历史集合中非常大，范围在- 6到+ 6 c之间。RCM行为的这种变化可以通过RCM固有偏差与驱动GCM偏差的相互作用和/或叠加来解释，这表明存在误差补偿(Colmet-Daage et al. 2018)。

1979年至2008年JJA的TX上百分位数的q-q图，用于Euro-CORDEX评估和Historical实验(分别为粉红色和蓝色)。参考EOBS 01deg数据，如文中所述。彩色实线表示每个实验的MME平均值，阴影对应于每个模型集合的最小值和最大值之间的间隔

图6显示，总体而言，在评估和历史集合中，观测到的TX分位数趋势与rcm模拟的趋势之间没有实质性差异，因为观测到的传播通常位于rcm跨越机场的大多数百分位数所跨越的包络内。然而，MME平均趋势通常低于观测到的趋势。只有在ATH机场，除了极端和中位数外，观察到的趋势几乎完全超出了评估的MME传播范围。高百分位数趋势的评价集合的模式间分布通常非常宽，在大多数情况下超过0.3 C/ 10年。历史实验描述了一个关于所有百分位数趋势的更大的模型间差异。特别是，最高分位数趋势的模式间扩散幅度可达2℃/ 10年以上。

1979 - 2008年JJA中EOBS 01deg观测数据集(黑色)、Euro-CORDEX评估和历史实验(分别为粉红色和蓝色)的TX分位数趋势。误差条表示观察到的趋势的95%置信区间。彩色实线表示每个实验的MME平均值，阴影对应于两个集合的最小值和最大值之间的间隔

rcm评估结果与Vautard et al.(2013)一致。他们还发现，rcm通常高估了夏季极端温度，特别是在地中海地区。此外，Kotlarski等人(2014)也强调了Euro-CORDEX rcm对南欧夏季气温的正固有偏差。

综上所述，与erai驱动的实验相比，gcm驱动的实验在极端温度下的MME平均值中显示出较小的偏差，平均为- 0.4℃对+ 2.3℃，但MME的差异更大。Moberg和Jones(2004年)、Kjellström等人(2007年)和Nikulin等人(2011年)也发现了由gcm驱动的rcm在极端温度下的扩大传播。对于夏季平均气温，d2013.2013.04等人(2012)曾指出，RCM MME传播主要依赖于驱动gcm。

3.3 rcm比gcm的附加值

图7显示，驱动GCM MME均值低估了5个内陆机场的TX极值，而低估了4个沿海机场的TX极值。CMIP5对欧洲西南部夏季气温的普遍偏冷与Cattiaux et al.(2013)的结果一致。RCM固有的积极偏差与GCM偏差的有利相互作用可以解释历史RCM集合明显优于第3.2节中发现的评估集合的结果。巨大的GCM系综完全覆盖了观测结果。只有在BCN, NCE和MXP机场，TX极端被发现完全低估了驱动gcm的整体集合。RCM在TX极值方面显示出明显的附加价值，因为MME平均值在某些情况下非常接近观测值，并且RCM集合似乎比驱动gcm更有性能，特别是在BCN, NCE和MXP机场，前两个在沿海，第三个靠近山脉。尽管如此，根据3.2节的结果，这种明显的附加值很可能是每对GCM-RCM误差相互作用的结果，如前所述。这些结果与Vautard et al.(2013)一致，在该研究中，使用更高分辨率的气候模拟，在欧洲一些沿海阵地的热浪表现中发现了局部改善。在Iles等人(2020)中，还发现提高分辨率有利于欧洲山区高温事件的表征，因为在更高分辨率下，温暖偏差较小。

1961 - 2005年JJA中Euro-CORDEX历史整体(蓝色)和强迫CMIP5 GCM(加权)子整体(绿色)的TX上位数q-q图。参考EOBS 01deg数据，如文中所述。彩色实线表示每个实验的MME平均值，阴影对应于每个模型集合的最小值和最大值之间的间隔

图8突出显示，通常不可能从RCM和GCM历史集合模拟的实现分布中排除这些观测，因为它们是所有可能实现中气候系统的单一实现(由Euro-CORDEX和CMIP5历史集合模拟)。两个集合的MME平均值呈现较小的趋势，在TX百分位数之间的变化比观测到的要小。

1961 - 2005年JJA中EOBS 01°观测数据集(黑色)、Euro-CORDEX历史集合(蓝色)和强迫CMIP5 GCM(加权)子集合(绿色)的TX分位数趋势。误差条表示观察到的趋势的95%置信区间。彩色实线表示每个实验的MME平均值，阴影对应于两个集合的最小值和最大值之间的间隔

此外，RCM历史集合的模式间传播幅度通常与驱动TX极端的GCM集合相当，如图7所示，尽管整合第二个集合的独特GCM模拟数量较少(CMIP5历史中有9个GCM，而Euro-CORDEX历史中有47个GCM-RCM组合)。如第3.2节所述，在模拟d 等人(2012)的夏季平均温度时，强调驱动GCM是rcm中不确定性的主要来源。对比两个系统的MME弥散振幅的TX分位数趋势，可以发现RCM中的MME弥散振幅是由驱动gcm的MME弥散振幅调制的，尽管在TLS、ORY和LYS机场的RCM实验中明显发现了更大的不确定性，如图8所示。

这些结果表明，在机场小尺度高温的极端值和趋势方面，很难得出高分辨率rcm相对于gcm的附加值。这些发现与Vautard et al.(2013)和Squintu et al.(2021)的研究结果一致。仅提高模式分辨率可能不是改善局部极端温度现象及其演变的充分条件。

3.4 未来气候预测

图9表示了在最严重的RCP8.5情景下，Euro-CORDEX MME平均值模拟的第95百分位数的未来变化。沿海机场的增幅最小:近期内不到2摄氏度，到本世纪末约5摄氏度。这与Cardoso等人(2019)对葡萄牙大西洋沿岸的欧洲- cordex整体预测的较低变暖相一致，与该国东部和更大陆的部分相比。在ORY机场，预计第95百分位的幅度在近期和长期内将分别增加约1.7摄氏度和5.0摄氏度。其他机场在第95百分位数经历了更大的变化，近期为2摄氏度，21世纪后期约为6摄氏度。这些结果与Zittis等人(2019)和Coppola等人(2021)在地中海和南欧的Euro-CORDEX整体预测的本世纪TX极端事件的增加相一致。我们还研究了中位数和分位数90和99、99.5和99.9的预测变化。一般来说，在两个水平期的严重情景下，预计最高分位数相对于中位数会有更大的增长(未示出)。特别是，第95百分位和中位数之间的差异在短期内可以达到0.4摄氏度，在长期内可以达到1.1摄氏度。这与Cardoso等人(2019)对葡萄牙未来的Euro-CORDEX预测一致。它们也符合先前研究中分析的全球分布机场清单的未来高温变化预测(Coffel和Horton 2015;Coffel et al. 2017;Zhou et al. 2018)。

夏季TX在MAD、TLS、ORY、BCN、NCE、FCO、ATH、LYS和MXP机场的第95个百分点的预估变化，计算为2021-2050年与1961-2005年(a)，以及2071-2100年与1961-2005年(b)之间的差异，采用Euro-CORDEX MME平均值模拟RCP8.5情景

RCP2.6和RCP4.5情景的近期MME平均预估变化位于RCP8.5实验集合的包络范围内(补充，图3a)。这一结果表明，排放情景和人为强迫不是近期不确定性的主要来源，这与Kay等人(2015)的观点一致。相反，模型和内部变率可能是不确定性的主要来源。相反，MME平均变化在不同情景下的长期差异很大(补充，图3b)。特别是，关于第95百分位，RCP8.5和RCP2.6情景之间的差异在3.4到4.5摄氏度之间，RCP8.5和RCP4.5情景之间的差异在2.2到2.9摄氏度之间。

如图10所示，CMIP5 MME平均预估的TX - 95夏季百分位数的近期升温比Euro-CORDEX模拟的高0.8 - 1.2℃，长期升温比Euro-CORDEX模拟的高1.8 - 2.7℃。研究发现，中位数与极值的差异幅度相同(补充，图2)。在将rcm与驱动gcm的子集进行比较时，在平均值中发现了类似的差异，尽管从长期来看它们稍微不那么明显。这表明CMIP5整体预估的变化与Euro-CORDEX整体预估的变化之间的差异不是由于强迫模式选择中的欠采样问题。CMIP5总体上的MME价差明显大于驱动gcm的MME价差，尽管它们的MME均值相差不大。

在Euro-CORDEX(蓝色)、驱动gcm(绿色)和CMIP5(黄色)RCP8.5试验组合模拟的9个机场上，2021-2050年和1961-2005年(a)、2071-2100年和1961-2005年(b)夏季TX第95百分位的预估变化。方框由第一和第三个四分位数分隔，中位数是中间的部分，点表示MME平均值。下(上)须对应于每种情况下分布的最小(最大)值

对于预估的变化，根据其MME均值，预估的2021-2050年和2071-2100年未来时期的趋势在驱动gcm中比在rcm中更大(补编，图4和5)。驱动CMIP5 gcm预估的近期平均趋势比Euro-CORDEX rcm高0.9 C/ 10年。在更长的时期内，驱动gcm通常也比rcm预测平均变暖趋势，但与未来几十年相比，两个MME平均值之间的差异要小得多(平均0.3℃/ 10年)。

与Euro-CORDEX RCMs相比，CMIP5 GCMs预测的夏季平均温度变化也在bo 等人(2020)和Coppola等人(2021)使用极端温度指数预测的夏季平均温度变化中发现。bo 等人(2020)强调，在21世纪，大多数rccm缺乏不断变化的气溶胶，这是对此的一种解释。此外，Coppola等人(2021)指出，两种组合预测的云量变化之间的差异(Bartók等人，2017)是另一种合理的解释，此外，bo 等人(2020)也提到了缺乏对rcm中植物对CO生理反应影响的描述(Schwingshackl等人，2019)。

此外，还研究了模式预估的未来TX极值变化幅度与其在当前气候中的偏差之间的联系。对每个机场在RCP8.5情景下2021-2050年和2071-2100年相对于1961-2005年的预估变化，以及1961-2005年的模式偏差，进行了Euro-CORDEX和CMIP5组合的模式间Pearson相关检验。这一分析表明，未来预估的极端高温变化通常与当前气候的模式偏差不相关。只有在少数情况下，这种相关性较弱但显著(p值< 0.05)，相关值为0.39 ~ 0.55(见补充图6-9)。这与Boberg和Christensen(2012)提出的夏季平均温度以及Christensen和Boberg(2012)提出的月平均温度形成对比。

总之，在RCP8.5情景下，欧洲- cordex总体(分别由CMIP5总体)对21世纪西南欧洲主要机场的TX极端事件的平均预估变化，相对于历史时期，短期在+ 1.7至+ 2.2 C(+ 2.7至+ 3.2 C)之间，长期在+ 4.9至+ 6.2 C(+ 7.2至+ 8.5 C)之间。MAD将是最容易受到极端高温影响的机场，因为这个位置结合了所有案例研究中最大的预测变化之一，以及在当前气候中观测到的最温暖的极端值。rcm预估的变化远小于CMIP5 gcm预估的变化。

4 结论

航空航天业很容易受到全球变暖的影响，因为飞机的性能和运行取决于气温。高分辨率rcm可能是研究机场尺度未来潜在影响的适当工具。在进行影响评估之前，对rcm的事先评估至关重要。

本研究对Euro-CORDEX的rcm在机场尺度高温极值和趋势模拟中的性能进行了评价。对过去几十年欧洲-地中海9个主要机场的日最高2米温度序列进行了分析。作为案例研究的大多数机场都是本研究的原始机场。它们以前没有被考虑过，但它们是位于最重要的气候变化“热点”之一的主要机场。首先对一组观测和再分析产品进行分析和相互比较，以估计观测参考选择如何影响气候模式的评估。使用分位数回归对每个机场的整个夏季TX PDF进行百分位数抽样，计算趋势。这种方法使我们能够得到pdf形状的演变，特别是中位数和极值趋势，而不仅仅是像最常用的OLS回归方法那样的平均趋势。在1961-2014年的观测期内，所有机场和所有TX分位数都出现了超过0.2 C/ 10年的正趋势。这证实了由于全球变暖，欧洲-地中海地区的机场存在潜在风险。此外，在变暖幅度方面，中位数和极端分位数显示出显著差异，特别是ORY和MAD机场。虽然高分位数比低分位数经历了更大的变暖，甚至在ORY的中位数，在MAD机场发现了相反的行为。这一结果强调了按分位数计算温度趋势的必要性，因为TX极端事件对航空来说是最成问题的，但这种方法在文献中并未广泛使用。虽然观测数据集之间存在一定的差异，但在温度超过35℃时，TX上百分位数的最大差异为1.5℃，并且大多数机场的TX趋势在数据集之间基本一致。

通过比较区域气候模拟和观测资料，对Euro-CORDEX rcm进行了评价。首先，利用评价实验研究了在ERAI再分析驱动下RCM的性能。发现了rcm对TX极值的系统性高估。正如Vautard等人(2013)所指出的那样，Euro-CORDEX RCMs对温度的高估可能与对这些地点降水的低估有关。这影响了感热通量和潜热通量之间的区域划分，不利于潜热，因为可供蒸发的土壤水分减少了。这一假设在我们的研究中没有得到进一步的证实。对RCM历史实验的另一个分析表明，当RCM由gcm驱动时，模型性能得到改善。然而，RCM性能的提高很可能是每对GCM-RCM组合的误差相互作用的结果，减少了偏差，但没有很好的理由。此外，观测到的趋势也包含在rcm模拟的过去趋势分布中。最后，探讨了rcm相对于gcm的附加价值。分位数回归方法使rcm与gcm在温度趋势方面的评估和比较比文献中看到的更详细。在模拟的TX趋势的两个集合中发现了类似的结果，其分布与观测到的趋势没有很大的不同。尽管如此，即使过去期间rcm和gcm模拟了类似的趋势，两个组合预估的未来气候变化也存在很大差异，bo 等人(2020)和Coppola等人(2021)已经强调了这一点。事实上，我们还发现，CMIP5 GCMs预测的变暖变化比Euro-CORDEX整体预测的更暖，即使这两个整体预测的所有机场都强劲增加。gcm和rcm之间的这种差异归因于bo 等人(2020)在rcm与gcm中气溶胶表征的差异，以及植物生理效应表征的差异(Schwingshackl等人，2019)。Coppola et al.(2021)也提到了gcm和rcm中不同的云覆盖未来演变(Bartók et al. 2017)，这是另一个可能的原因。与RCM和GCM组合在当前气候条件下的模拟结果相反，预估未来高空极值将比中值经历更大的升温。我们认为在进一步的研究中调查其原因很重要。

与gcm相比，RCM中的变暖较小是一个重要问题，在使用RCM预估进行未来影响评估时应予以考虑。一方面，我们对rcm和gcm在当前气候条件下的评估结果不能让我们得出一个集合优于另一个集合的结论。另一方面，对于未来的预测，CMIP5 GCMs比Euro-CORDEX RCMs考虑了更现实的强迫因子变化(Schwingshackl et al. 2019;bo 等人，2020)。因此，只考虑区域气候预估将导致低估未来气候预估中的实际不确定性。区域到地方尺度的适应和缓解政策的设计不应仅仅基于RCM对未来的预测。只要这些巨大的差异没有得到充分解释，我们发现RCM和GCM的未来预测都应该考虑到机场规模的影响评估和气候变化政策的制定。在RCP8.5严重情景下，rcm和gcm预测未来几十年各机场TX极端值的平均增幅将超过1.7℃(2.7℃)，部分机场甚至可能达到2.2℃(3.2℃)。根据rcm(分别通过gcm)的预测，到21世纪末，所有机场的高温将比最近几十年高出4.9℃(7.2℃)以上，在某些情况下将高达6.2℃(8.5℃)。MAD机场将是最容易暴露在极端高温条件下的地点，因为它结合了目前最高的极端温度和未来气候的大幅增加。

我们从这项研究中得出结论，在最先进的Euro-CORDEX rcm中，尽管具有更高的空间分辨率，但在机场尺度上的TX极值及其时间趋势的表示中没有普遍的附加价值。正如Vautard等人(2013)和Sørland等人(2018)所强调的那样，物理参数化也将发挥重要作用，这鼓励在rcm中实施更现实的区域尺度参数化。在Euro-CORDEX rcm中，城市地区通常代表为高粗糙度长度、高反照率和低储水能力的岩石覆盖层(Langendijk et al. 2019)。最近的研究通过实施更现实的参数化和模拟一些中尺度过程取得了更好的结果。Daniel等人(2019)通过考虑对巴黎地区的材料和城市地形进行更详细的描述，获得了更准确的近地表温度结果。这不仅可以更好地反映城市的局部温度，还可以反映城市与周围环境的相互作用，特别是城市热岛效应。对于机场尺度的局部高温研究，Daniel et al.(2019)将机场作为一个城市的特征，以及可能影响机场温度的附近城市可以发挥重要作用。此外，在Nabat等人(2020)中，通过考虑气溶胶输送和扩大所考虑的气溶胶类型集，可以更好地表示欧洲-地中海地区的近地表温度。这突出表明可以在高分辨率rcm中进行改进，并且需要在这个方向上做进一步的努力。此外，关于极端降水，Caillaud等人(2021)表明，当与明确解析的深层对流和适当的中尺度过程参数化相结合时，精细分辨率RCM在表示强降雨事件方面的附加价值。这种允许对流的新一代rcm也可以更好地表示2米近地表空气温度(Lucas-Picher et al. 2021)。

气候变化对航空的影响是一个新兴的研究领域。我们发现，我们对气候信息的分析与迄今为止在机场尺度上进行的影响研究相比有了一些改进:

• 在评估气候模式性能之前，对不同观测数据集进行相互比较，以进一步评估未来的预测;

• 使用分位数回归对趋势进行评估，

• 考虑机场未来气候预估的多重gcm和多重rcm组合。

补充信息

以下是电子补充材料的链接。

补充文件1 (PDF 199kb)

下载原文档：https://link.springer.com/content/pdf/10.1007/s00382-022-06652-z.pdf