西南地區(qū)未來極端降水增加將導(dǎo)致其人口暴露風(fēng)險(xiǎn)加劇

林文青 陳活潑 徐慧文 艾雅雯 何文悅 張大偉 王帆 畢吳瑕 王瑋琦

摘要 基于CN05.1觀測(cè)數(shù)據(jù)和一套經(jīng)過降尺度偏差校正處理的模式（NEX-GDDP-CMIP6）數(shù)據(jù)，結(jié)合泰勒?qǐng)D、GEV極值擬合等方法，綜合評(píng)估了模式對(duì)西南地區(qū)極端降水變化的模擬性能，并系統(tǒng)分析了未來西南地區(qū)不同重現(xiàn)期的極端降水演變趨勢(shì)及其人口暴露度變化。結(jié)果表明，NEX-GDDP-CMIP6模式及其集合（N-CMIP6-MME）能夠較好地再現(xiàn)觀測(cè)極端降水的時(shí)空變化特征，且多模式集合結(jié)果優(yōu)于大多數(shù)單個(gè)模式。未來西南地區(qū)絕大多數(shù)區(qū)域的降水和極端降水將持續(xù)增加，十年一遇、二十年一遇極端降水事件也呈增加趨勢(shì)，使得未來西南地區(qū)人口暴露于不同重現(xiàn)期極端降水的風(fēng)險(xiǎn)進(jìn)一步增加。相比十年一遇，重現(xiàn)期為20 a的極端降水事件增加速度更快，增加范圍更廣，模式一致性也更高，對(duì)應(yīng)的人口暴露度增加幅度更大。到2050年左右，在SSP1-2.6、SSP2-4.5、SSP3-7.0和SSP5-8.5情景下二十年一遇的RX1day（RX5day）分別增加了175.2％（148.9％）、216.0％（162.4％）、210.9％（156.8％）和274.3％（207.1％），對(duì)應(yīng)人口暴露度分別增加了129.1％（118.8％）、177.7％（135.1％）、182.4％（143.2％）和237.5％（161.5％）。進(jìn)一步分析指出，在未來極端降水人口暴露度的變化中，氣候變化占主導(dǎo)作用，其次是人口變化和人口-氣候協(xié)同作用的影響。

關(guān)鍵詞西南地區(qū);極端降水;未來預(yù)估;人口暴露度;NEX-GDDP-CMIP6

西南地區(qū)（包括四川省、貴州省、云南省和重慶市）位于中國第二地勢(shì)階梯，其北部為四川盆地，南部為云貴高原，地形復(fù)雜，人口稠密（張弛和吳紹洪，2021）;其氣候受到印度季風(fēng)和東亞季風(fēng)共同控制（Yuan et al.，2019），極端降水變化與ENSO事件發(fā)展關(guān)系密切（陳子凡等，2022）。近幾十年來，隨著全球變暖加劇（IPCC，2021;蔣文好和陳活潑，2021;李菲等，2021），西南地區(qū)極端降水事件頻發(fā)且強(qiáng)度增強(qiáng)（Xu et al.，2021;汪靖等，2021;朱連華等，2023），進(jìn)一步引發(fā)了山洪、泥石流等地質(zhì)災(zāi)害，造成了嚴(yán)重的生命和財(cái)產(chǎn)損失。例如，2017年，極端暴雨洪澇造成西南地區(qū)163人失蹤和死亡，1 490萬人受災(zāi)，直接經(jīng)濟(jì)損失365.05億元（馬嘯，2018）;2020年8月，四川省發(fā)生了4次大范圍暴雨天氣，導(dǎo)致滑坡、泥石流等自然災(zāi)害2 091起，12人失蹤和死亡，經(jīng)濟(jì)損失12.88億元（黃子立等，2021）。為減緩氣候變化帶來的影響，2022年6月生態(tài)環(huán)境部、國家發(fā)展和改革委員會(huì)、水利部、應(yīng)急管理部、中國氣象局等17個(gè)部門聯(lián)合印發(fā)《國家適應(yīng)氣候變化戰(zhàn)略2035》，其目的之一就是降低和減少極端天氣氣候事件帶來的災(zāi)害損失、有效應(yīng)對(duì)氣候變化帶來的不利影響和風(fēng)險(xiǎn)，從而為21世紀(jì)中葉實(shí)現(xiàn)兩個(gè)百年目標(biāo)打下堅(jiān)實(shí)基礎(chǔ)。因此，亟須展開西南地區(qū)極端降水未來變化預(yù)估的相關(guān)研究工作，以便于更好地適應(yīng)氣候變化、提升防災(zāi)減災(zāi)能力。

氣候模式是進(jìn)行氣候模擬及未來氣候變化預(yù)估的重要工具。世界氣候研究計(jì)劃（World Climate Reaseach Programme，WCRP）耦合模式比較計(jì)劃（the Coupled Model Intercomparison Project，CMIP）中的大樣本模式結(jié)果被廣泛用于極端事件的相關(guān)研究中。張武龍等（2015）對(duì)CMIP5模式模擬西南地區(qū)干濕季降水性能評(píng)估結(jié)果表明，大部分模式對(duì)干濕季降水存在明顯高估，且模式間不確定性較大;到21世紀(jì)末期，西南地區(qū)干濕季降水普遍增多。此外，CMIP5模式對(duì)西南山區(qū)極端降水高估也較為明顯（Ou et al.，2013）。相較于CMIP5，CMIP6是CMIP計(jì)劃開展以來參與模式最多、數(shù)值試驗(yàn)最豐富的一次（周天軍等，2019）。Chen et al.（2020）指出，CMIP6多模式集合可以較好地再現(xiàn)中國地區(qū)大雨日數(shù)的空間分布，且優(yōu)于CMIP5;但在全球范圍內(nèi)平均低估了0.2 d。Lin and Chen（2020）在對(duì)亞洲中高緯地區(qū)極端降水評(píng)估的研究中指出，CMIP6多模式集合對(duì)極端降水的模擬能力要優(yōu)于CMIP5，但對(duì)極端降水的高估仍然存在。楊貴業(yè)等（2021）使用CMIP6模式對(duì)西南地區(qū)夏季降水進(jìn)行未來變化預(yù)估研究，結(jié)果表明在SSP5-8.5情景下，未來西南地區(qū)夏季降水呈增加趨勢(shì)。但西南地區(qū)地形復(fù)雜，CMIP6模式對(duì)極端降水變化的模擬性能存在較大的空間差異。黃子立等（2021）使用高分辨率的CMIP6模式輸出開展了系統(tǒng)的模式評(píng)估工作，其研究表明提高模式分辨率可以在一定程度上提升地形陡峭地區(qū)降水強(qiáng)度的模擬能力，但對(duì)四川盆地等平坦地區(qū)改進(jìn)較小。那么，借助觀測(cè)數(shù)據(jù)經(jīng)過降尺度偏差校正處理的高分辨率CMIP6模式數(shù)據(jù)對(duì)西南地區(qū)極端降水模擬能力如何？這是一個(gè)值得關(guān)注的問題。

一般而言，極端降水有兩種表示方法：1）采用氣候變化檢測(cè)與指數(shù)專家組（the Expert Team on Climate Change Detection and Indices，ETCCDI）推薦的極端降水指數(shù)，這些指數(shù)通常指一年內(nèi)頻繁發(fā)生的極端氣候事件的大小和次數(shù)（Chen and Sun，2015;Lin and Chen，2020）;2）使用廣義極值分布（Generalized Extreme Value，GEV）統(tǒng)計(jì)更極端的氣候事件，獲得某一重現(xiàn)期的降水極值（Kharin et al.，2013;Xu et al.，2022）。通過GEV得到的極端降水事件通常發(fā)生次數(shù)更少，但對(duì)人類健康、社會(huì)及生態(tài)環(huán)境會(huì)造成更大的影響（Zhang et al.，2017）。然而，西南地區(qū)不同重現(xiàn)期極端降水事件的未來變化目前還尚不清楚。此外，除了預(yù)估未來極端降水變化外，其將對(duì)人類社會(huì)有著怎樣的影響？明確這些關(guān)鍵科學(xué)問題對(duì)適應(yīng)和減緩氣候變化風(fēng)險(xiǎn)的政策和措施制定至關(guān)重要。因此，本研究使用一套CMIP6模式經(jīng)過降尺度處理后的高分辨率數(shù)據(jù)（NEX-GDDP-CMIP6）開展西南地區(qū)未來極端降水變化的預(yù)估研究，并評(píng)估不同重現(xiàn)期極端降水事件的變化對(duì)西南地區(qū)人口暴露度變化的影響，從而為西南地區(qū)適應(yīng)和減緩氣候變化、提升防災(zāi)減災(zāi)能力提供科學(xué)支撐。

1 數(shù)據(jù)和方法

1.1 數(shù)據(jù)

1.1.1 觀測(cè)數(shù)據(jù)

本文使用的觀測(cè)降水?dāng)?shù)據(jù)來自吳佳和高學(xué)杰（2013）基于中國2 400余個(gè)地面氣象臺(tái)站的觀測(cè)資料，采用“距平逼近法”插值得到的逐日格點(diǎn)化數(shù)據(jù)集（CN05.1）。該數(shù)據(jù)集的空間分辨率為0.25°×0.25°，時(shí)間范圍為1961—2021年;但本文為了與模式歷史時(shí)段統(tǒng)一，研究時(shí)段選為1961—2014年。

1.1.2 模式數(shù)據(jù)

本文使用的模式數(shù)據(jù)為美國國家航空航天局（NASA）團(tuán)隊(duì)基于第六次國際耦合模式比較計(jì)劃（CMIP6）輸出的1950—2100年逐日降水（歷史和未來預(yù)估）數(shù)據(jù)進(jìn)行統(tǒng)計(jì)降尺度和偏差校正處理后得到的高分辨率逐日降水?dāng)?shù)據(jù)集（NASA Global Daily Downscaled Projections，CMIP6，NEX-GDDP-CMIP6;https：／／www.nccs.nasa.gov／services／data-collections／land-based-products／nex-gddp-cmip6） （為方便描述，后稱N-CMIP6模式）。該數(shù)據(jù)集使用月度偏差校正和空間分解（BCSD）方法生成水平分辨率為0.25°×0.25°（～25 km）的逐日降水，包含歷史時(shí)期和4個(gè)SSP排放情景（SSP1-2.6、SSP2-4.5、SSP3-7.0、SSP5-8.5）。在模式模擬西南地區(qū)極端降水性能評(píng)估中用到了23個(gè)模式結(jié)果（表1），時(shí)間范圍為1950—2014年。我們對(duì)23個(gè)模式中位數(shù)集合（MME，即對(duì)所有模式進(jìn)行排序，選取中位數(shù)作為集合結(jié)果）以及單個(gè)模式模擬能力進(jìn)行了綜合評(píng)估。由于有3個(gè)模式（GFDL-CM4、KIOST-ESM和NESM3）沒有未來情景的資料，故在未來預(yù)估中使用了20個(gè)模式結(jié)果，時(shí)間范圍為2015—2100年;歷史模擬和未來預(yù)估均只分析了第一個(gè)樣本r1i1p1f1的結(jié)果。本文主要關(guān)注2035年和2050年前后的變化情況，故選擇2031—2040年代表2035年，2046—2055年代表2050年開展重點(diǎn)研究。

1.1.3 人口數(shù)據(jù)

本文使用Jones and ONeill（2016）開發(fā)的水平分辨率為0.125°×0.125°的全球人口網(wǎng)格數(shù)據(jù)來計(jì)算未來不同變暖情景下西南地區(qū)極端降水人口暴露度變化。我們采用該數(shù)據(jù)集中的2000年基準(zhǔn)期人口數(shù)據(jù)作為當(dāng)前時(shí)段（1995—2014年）的人口數(shù)量，并利用4個(gè)未來SSP情景（SSP1、SSP2、SSP3、SSP5;與N-CMIP6模式中SSP1-2.6、SSP2-4.5、SSP3-7.0、SSP5-8.5相對(duì)應(yīng)）人口數(shù)據(jù)進(jìn)行未來人口暴露度變化的相關(guān)分析。

1.2 研究方法

1.2.1 極端降水指數(shù)

本文在對(duì)中國西南地區(qū)（主要包括：四川省、貴州省、云南省和重慶市;圖1）進(jìn)行極端降水變化相關(guān)分析時(shí)，使用國際氣候變化檢測(cè)與指數(shù)專家組（the Expert Team on Climate Change Detection and Indices，ETCCDI）推薦的8個(gè)極端降水指數(shù)，詳見表2。

1.2.2 模式性能評(píng)價(jià)指標(biāo)

1）Taylor綜合評(píng)分指數(shù)（Taylor skill score：S）

本文使用Taylor綜合評(píng)分指數(shù)（Taylor，2001）評(píng)估模式在模擬極端降水氣候態(tài)方面的表現(xiàn)，具體如下：

S=4（1+R）4δmδ+δδm2（1+R0）4。（1）

其中：δmδ為模式和觀測(cè)標(biāo)準(zhǔn)差之比；R為觀測(cè)極端降水指數(shù)與模式的相關(guān)系數(shù)；R0為該指數(shù)在所有模式中的相關(guān)系數(shù)最大值。S的數(shù)值范圍為[0，1]，當(dāng)S越接近于1代表該模式對(duì)極端降水的模擬性能較優(yōu)。

2）年際變率指數(shù)（Interannual Variability Skill，IVS）

N-CMIP6模式模擬極端降水的年際變化能力采用年際變率指數(shù)（Chen et al.，2011）進(jìn)行評(píng)估，具體如下：

IVS=δmδ-δδm2。（2）

其中：δmδ含義同式（1）；模式極端降水指標(biāo)的IVS越接近于0，表示模式對(duì)該降水指標(biāo)的年際變率模擬性能越好。

1.2.3 極端降水事件定義

在進(jìn)行未來西南地區(qū)人口暴露度變化相關(guān)分析時(shí)，本文使用的極端降水事件定義為某一重現(xiàn)期的RX1day和RX5day極端事件。此處，重現(xiàn)期為超過某一概率水平的極端事件重復(fù)出現(xiàn)的時(shí)間間隔平均數(shù)，即極端事件發(fā)生頻率（p）的倒數(shù)。例如，當(dāng)極端事件重現(xiàn)期為10 a、20 a時(shí)，稱對(duì)應(yīng)的極端事件為十年一遇（p=10%）和二十年一遇（p=5%）。

通過GEV方法擬合1950—2014年期間所有模式每個(gè)格點(diǎn)的RX1day和RX5day，導(dǎo)出GEV分布的累積概率密度函數(shù)（CDF），然后將特定累積概率（P）對(duì)應(yīng)的CDF反算為GEV的分位數(shù)函數(shù)，從而導(dǎo)出極值XP（Kharin et al.，2013），如式（3）所示：

XP=μ-δln-lnP，k=0；

μ-δkln1--lnP-k，k≠0。（3）

式（3）中使用極大似然法估計(jì)了位置參數(shù)μ、尺度參數(shù)δ和形狀參數(shù)k。

1.2.4 人口暴露度

這里的人口暴露度指格點(diǎn)內(nèi)極端事件日數(shù)與人口數(shù)量的乘積（Jones et al.，2015）。本文對(duì)重現(xiàn)期為十年一遇和二十年一遇的極端降水事件（RX1day和RX5day）進(jìn)行對(duì)應(yīng)的人口暴露度變化估算。

此外，極端降水人口暴露度的變化主要受3方面的影響：氣候因子、人口因子、人口與氣候協(xié)同因子（下稱協(xié)同因子），如式（4）所示：

ΔE=C1×ΔP+P1×ΔC+ΔP×ΔC。（4）

其中：C1和P1分別為基準(zhǔn)期的極端降水日數(shù)和人口數(shù)量；ΔC和ΔP分別是未來情景相對(duì)于基準(zhǔn)期的極端降水日數(shù)變化和人口數(shù)量變化。

通過式（5）—（7）可計(jì)算氣候因子、人口因子和協(xié)同因子對(duì)計(jì)算降水人口暴露度變化的貢獻(xiàn)率：

EC=C1×ΔPΔE×100%；（5）

EP=P1×ΔCΔE×100%；（6）

Eint=ΔP×ΔCΔE×100%。（7）

其中：EC、EP、Eint分別代表氣候、人口和協(xié)同因子作用對(duì)人口暴露度變化的貢獻(xiàn)率。

2 結(jié)果與分析

2.1 模式對(duì)西南地區(qū)極端降水變化模擬性能評(píng)估

在對(duì)西南地區(qū)極端降水變化進(jìn)行預(yù)估和人口暴露度相關(guān)分析之前，本節(jié)使用泰勒?qǐng)D、Taylor綜合評(píng)分指數(shù)（S）和年際變率指數(shù)（IVS）等方法，從8個(gè)極端降水指標(biāo)（表2）時(shí)空變化等角度對(duì)23個(gè)模式數(shù)據(jù)模擬西南地區(qū)極端降水的性能進(jìn)行了綜合評(píng)估。

2.1.1 空間模擬性能

圖1和圖2給出了N-CMIP6模式和觀測(cè)的西南地區(qū)各極端降水指數(shù)的氣候態(tài)分布及其差異，可以看出，降水主要集中分布于西南地區(qū)南部、中部和東部（云南西雙版納、普洱、臨滄;貴州黔西南、黔南、銅仁;四川成都、雅安;重慶彭水、酉陽、秀山等地），而四川阿壩、甘孜等地分布相對(duì)較少。極端降水大值中心則遍布整個(gè)重慶和四川東部以及云南和貴州的大部分地區(qū)。N-CMIP6多模式中位數(shù)集合（N-CMIP6-MME）可以很好地再現(xiàn)總降水量（PRCPTOT）、降水強(qiáng)度（SDII）、1 d最大降水量（RX1day）、連續(xù)5 d最大降水量（RX1day）、中雨日數(shù)（R10 mm）和大雨日數(shù)（R20 mm）的空間分布和量級(jí)，且與觀測(cè)的空間相關(guān)系數(shù)較高（0.74～0.85）。但相比于觀測(cè)，模式對(duì)PRCPTOT和SDII均有一定的低估，平均而言N-CMIP6-MME分別低估了11.8％（-117.2 mm）和13.9％（-1.0 mm／d）。就單個(gè)模式而言，GFDL-ESM4模式對(duì)PRCPTOT低估最為明顯，為16.1％（170.1 mm）;CMCC-CM2-SR5模式對(duì)SDII的負(fù)偏最大，為23.5％（1.6 mm／d）。

然而，以往研究表明，CMIP5和N-CMIP6模式對(duì)西南地區(qū)降水的模擬存在普遍高估現(xiàn)象（張武龍等，2015;楊貴業(yè)等，2021）;N-CMIP6高分辨率模式對(duì)西南地區(qū)夏季降水有所低估，但在一定程度上提升了對(duì)降水強(qiáng)度的模擬，尤其是在地勢(shì)崎嶇地區(qū)（黃子立，2021）。

此外，從圖2中可以看出，N-CMIP6模式對(duì)極端降水的低估普遍存在;例如，就整個(gè)西南地區(qū)而言，N-CMIP6模式集合對(duì)RX1day和RX5day的低估分別為45.5％（21.1 mm）和27.4％（26.5 mm）;N-CMIP6-MME模擬的R95p和R99p分別低估了觀測(cè)約90.7 mm（38.0％）和35.9 mm（45.3％）;在空間上，這種負(fù)偏差主要分布在西南地區(qū)東部和北部區(qū)域。在單個(gè)模式中，IPSL-CM6A-LR模式和ACCESS-ESM1-5模式對(duì)R95p／R99p的低估幅度最大，分別為-105.8 mm／-41.4 mm和-98.8 mm／-40.6 mm（表略）。就區(qū)域平均的中雨日數(shù)（R10 mm）和大雨日數(shù)（mm）而言，N-CMIP6模式的低估仍然普遍存在。其中，CMCC-CM2-SR5和IPSL-CM6A-LR模式模擬的R10 mm（R20 mm）與觀測(cè)偏差較大，分別為7.9 d（7.8 d）和6.0 d（7.7 d）。

圖3為N-CMIP6模式模擬的1995—2014年西南地區(qū)各極端降水指數(shù)的泰勒?qǐng)D（Taylor，2001），該圖簡潔直觀地展示了模式與觀測(cè)的相關(guān)系數(shù)（R）、中心均方根誤差（RMSE）和標(biāo)準(zhǔn)差之比（STD）?？梢钥闯觯蠖鄶?shù)N-CMIP6模式與觀測(cè)PRCPTOT、SDII、RX1day、RX5day、R95p、R10 mm和R20 mm的空間相關(guān)系數(shù)為0.60～0.92，RMSE為0.2～1.0;相比較而言，PRCPTOT和R10 mm的STD更接近于1.0，即大多數(shù)模式對(duì)這兩個(gè)指數(shù)標(biāo)準(zhǔn)差的模擬較好。然而，N-CMIP6模式對(duì)R99p的模擬性能無論是從相關(guān)系數(shù)、RMSE還是STD都有待于進(jìn)一步的提升。此外，N-CMIP6-MME模擬極端降水性能要優(yōu)于大多數(shù)模式，在氣候態(tài)上更接近觀測(cè)。例如，N-CMIP6-MME模擬的R10 mm與觀測(cè)相關(guān)系數(shù)為0.82，RMSE為0.26，STD接近于1.0。

2.1.2 時(shí)間模擬性能

我們進(jìn)一步分析了N-CMIP6模式對(duì)西南地區(qū)各極端降水指數(shù)時(shí)間演變的模擬能力。圖4給出了1995—2014年平均的西南地區(qū)N-CMIP6模式和觀測(cè)的極端降水指數(shù)時(shí)間序列及其距平變化，可以看出，N-CMIP6多模式集合模擬的極端降水指數(shù)較其他單個(gè)模式更接近于觀測(cè)，尤其是對(duì)總降水量的模擬。從距平變化（圖4）中也可以看出，N-CMIP6-MME可以很好地再現(xiàn)降水及極端降水的變化趨勢(shì)。但如前所述，大多數(shù)N-CMIP6模式對(duì)極端降水指數(shù)存在一定的低估。同時(shí)，N-CMIP6模式模擬極端降水指數(shù)年際變化能力較弱，還需改善提升。

2.1.3 綜合性能評(píng)估

初步了解N-CMIP6模式對(duì)西南地區(qū)極端降水時(shí)空變化的模擬性能后，接下來主要采用Taylor綜合評(píng)分指數(shù)（S;表3）和年際變率指數(shù)（IVS;圖5）進(jìn)一步對(duì)模式模擬西南地區(qū)極端降水的綜合性能進(jìn)行評(píng)估。當(dāng)S越接近1.0時(shí)，表示模式對(duì)極端降水模擬性能越好。從表3中可以看出，N-CMIP6多模式集合對(duì)PRCPTOT、R95p和R10 mm的模擬效果相對(duì)較好（它們的S值大于等于0.70），尤其是對(duì)PRCPTOT和R10 mm的模擬，二者S值分別為0.85和0.95，即N-CMIP6-MME對(duì)這兩個(gè)指數(shù)的模擬水平高于其他指數(shù)。就單個(gè)模式而言，EC-Earth3-Veg-LR、EC-Earth3、INM-CM5-0、NorESM2-MM和TaiESM1模式模擬的PRCPTOT的Taylor綜合評(píng)分指數(shù)S值均超過0.90。而對(duì)于R10 mm而言，除KACE-1-0-G模式S值為0.64外，其他模式S值均大于或等于0.86。相比較而言，N-CMIP6模式對(duì)RX1day、RX5day、R99p和R20 mm模擬效果相對(duì)較差，N-CMIP6-MME模擬的這四個(gè)指數(shù)S值均在0.60左右。對(duì)這四個(gè)指數(shù)而言，單個(gè)模式中表現(xiàn)最好的為CMCC-ESM2和EC-Earth3-Veg-LR模式，S值均大于0.60?？傮w上，N-CMIP6模式對(duì)總降水模擬效果較好，但在模擬極端降水方面還需要進(jìn)一步改進(jìn)。

IVS指數(shù)可以用于進(jìn)一步評(píng)估N-CMIP6模式對(duì)極端降水年際變化模擬效果，數(shù)值越接近0越好。

圖5為N-CMIP6模式模擬的極端降水指數(shù)對(duì)應(yīng)的年際變率指數(shù)分布情況?？梢钥闯鯪-CMIP6-MME的IVS值較大多數(shù)模式更接近于0，即N-CMIP6多模式集合對(duì)極端降水指數(shù)年際變化特征的模擬能力優(yōu)于大多數(shù)模式，但其模擬的IVS隨極端降水指數(shù)的不同而有所差異。相比于其他極端降水指數(shù)，N-CMIP6模式模擬的PRCPTOT和R10mm的IVS值更接近于0，即模式對(duì)這兩個(gè)指數(shù)年際變化特征的模擬整體水平較高。就單個(gè)模式而言，23個(gè)N-CMIP6模式模擬的PRCPTOT和R10mm的IVS值變化范圍分別為：0～1.4和0～0.3;EC-Earth3-Veg-LR、NorESM2-MM、TaiESM1等模式對(duì)這兩個(gè)指數(shù)年際變率模擬性能較好。此外，模式模擬的SDII、RX1day、RX5day、R95p、R99p和R20mm指數(shù)的IVS值分別為：0.6～3.7、1.2～9.0、0.8～4.0、0.4～2.0、0.5～2.2和1.0～6.1，對(duì)應(yīng)的N-CMIP6-MME的IVS值為1.7、2.5、1.9、1.1、1.4和2.3，明顯優(yōu)于多數(shù)模式。單個(gè)模式中，NorESM2-MM模式對(duì)極端降水指數(shù)年際變化特征模擬能力優(yōu)于其他模式。

2.2 西南極端降水未來變化預(yù)估

基于2.1節(jié)的N-CMIP6模式（NEX-GDDP-N-CMIP6）對(duì)西南地區(qū)極端降水模擬性能的評(píng)估結(jié)果可知，N-CMIP6多模式集合在模擬極端降水的時(shí)空變化方面優(yōu)于大多數(shù)單個(gè)模式的結(jié)果。因此，在后續(xù)的未來極端降水演變趨勢(shì)預(yù)估和極端降水人口暴露度計(jì)算中使用N-CMIP6-MME的結(jié)果進(jìn)行相應(yīng)的分析。

本節(jié)基于N-CMIP6模式SSP1-2.6、SSP2-4.5、SSP3-7.0和SSP5-8.5情景下的數(shù)據(jù)，對(duì)2031—2040、2046—2055年極端降水相較于1995—2014年的空間變化進(jìn)行研究。結(jié)果表明，整體上未來西南大部分地區(qū)降水和極端降水呈增加趨勢(shì)。到2031—2040年，在SSP1-2.6情景下，PRCPTOT呈現(xiàn)全區(qū)一致的增加趨勢(shì)，平均而言增加幅度為3.5％（圖略）;而在SSP2-4.5、SSP3-7.0和SSP5-8.5情景下，除西南地區(qū)南部部分區(qū)域外，PRCPTOT呈增加趨勢(shì)，平均而言變化幅度分別為：1.54％、-0.51％和1.22％。到了2046—2055年，除了SSP3-7.0情景，在其他排放情景下西南地區(qū)總降水量表現(xiàn)為全區(qū)一致增加，且增加幅度較大的區(qū)域位于具有陡峭地形的西部地區(qū);但在SSP3-7.0情景下，其南部地區(qū)表現(xiàn)為降水減少趨勢(shì)。

在SSPs四個(gè)不同情景下，西南地區(qū)平均的PRCPTOT相對(duì)當(dāng)前氣候?qū)⒎謩e增加7.44％、4.38％、0.49％和4.45％。對(duì)降水強(qiáng)度SDII而言，到2031—2040年，在不同排放情景下基本呈現(xiàn)全區(qū)一致的增加趨勢(shì)，分別增長了2.84％、2.56％、1.28％和2.07％;而到2046—2055年，SDII增加幅度更大，平均而言在4種情景下分別增加3.49％、4.12％、2.66％和4.42％。這也意味著，到21世紀(jì)中期，西南地區(qū)降水強(qiáng)度持續(xù)增強(qiáng)，極端強(qiáng)降水發(fā)生概率明顯增加。RX1day、RX5day、R95p、R99p、R10mm和R20mm在未來全球變暖背景下也基本表現(xiàn)出了全區(qū)一致的增加趨勢(shì)。如圖6所示，在SSP1-2.6、SSP2-4.5、SSP3-7.0和SSP5-8.5情景下，RX1day／RX5day在2031—2040年（2046—2055年）在西南大部分地區(qū)呈現(xiàn)顯著的增加趨勢(shì)，分別將增加6.77％（10.65％）／5.49％（7.87％）、6.26％（11.77％）／5.25％（9.14％）、4.75％（10.65％）／3.06％（6.98％）、7.48％（14.28％）／5.74％（10.29％）。最大日降水量和連續(xù)5 d降水量的持續(xù)增加可能會(huì)進(jìn)一步導(dǎo)致西南地區(qū)突發(fā)性暴雨洪澇事件發(fā)生的可能性增加，洪水承載力也將進(jìn)一步降低，堤防、水庫的防洪壓力進(jìn)一步增大，對(duì)防災(zāi)減災(zāi)工作的開展十分不利。值得注意的是，在SSP5-8.5情景下，到21世紀(jì)中期，西南地區(qū)大部分區(qū)域有超過60％的模式都呈現(xiàn)出一致的增加趨勢(shì)，且增量更高。也就是說最高排放情景下要面臨更為嚴(yán)峻防洪考驗(yàn)。

R95p和R99p的預(yù)估結(jié)果（圖略）也表明，未來西南絕大多數(shù)地區(qū)強(qiáng)降水量和極端強(qiáng)降水量將顯著增加，尤其是其西部地區(qū)，增加幅度更大。到2031—2040（2046—2055）年，在四種不同SSPs排放情景下西南區(qū)域平均的R95p／R99p將分別增加：18.34％（27.17％）／132.79mm（145.81mm）、14.06％（27.18％）／126.49mm（145.82mm）、7.58％（18.38％）／116.93mm（132.85mm）、14.01％（31.53％）／126.42mm（152.24mm）。圖7為未來中雨日數(shù)（R10mm）和大雨日數(shù)（R20mm）相對(duì)當(dāng)前氣候的變化。可以看出，除SSP3-7.0情景外，二者在西南大部分地區(qū)基本呈現(xiàn)一致的增加趨勢(shì);在SSP3-7.0情景下，在其南部部分地區(qū)中雨日數(shù)將有可能減少。到2050年左右，區(qū)域平均的R10mm／R20mm在四種不同排放情景下將分別增加2.79d／0.78d、2.09d／0.85d、0.52d／0.65d和2.26d／1.0d。

簡而言之，西南地區(qū)未來極端降水發(fā)生的風(fēng)險(xiǎn)將明顯增加，這也反映在整個(gè)21世紀(jì)極端降水時(shí)間演變趨勢(shì)中（圖略）。相對(duì)于1995—2014年，2015—2100年降水及極端降水指數(shù)均呈現(xiàn)顯著的增加趨勢(shì)，且高排放情景下極端降水的增加幅度更為明顯。因此，隨著未來變暖的進(jìn)一步加劇，西南地區(qū)極端降水發(fā)生風(fēng)險(xiǎn)加劇，導(dǎo)致局地洪澇、滑坡、泥石流等災(zāi)害風(fēng)險(xiǎn)明顯增加，對(duì)當(dāng)?shù)卣罏?zāi)減災(zāi)的能力提出了更高的要求。此外，極端降水增加是否會(huì)對(duì)當(dāng)?shù)厣鐣?huì)人口產(chǎn)生一定的風(fēng)險(xiǎn)？我們將在2.3節(jié)做進(jìn)一步的分析。

2.3 西南地區(qū)極端降水人口暴露度變化

2.3.1 未來人口變化

已有研究表明，到21世紀(jì)末，SSP1、SSP2、SSP3、SSP4和SSP5情景下，中國大陸人口將顯著減少（Chen and Sun，2021）。圖8給出了西南地區(qū)2035年和2050年人口數(shù)量相對(duì)于2000年基準(zhǔn)期的空間變化，可以看出，在SSP1、SSP2、SSP3和SSP5情景下，到2035年和2050年，相比于當(dāng)前氣候西南地區(qū)西北部、南部地區(qū)人口將大幅減少，一些地區(qū)的人口減少幅度甚至超過30％;而其東北部和中部的部分地區(qū)人口略有增加，但增加幅度相對(duì)較小。從空間變化上來看，SSP1情景和SSP5情景人口變化空間分布較為一致，SSP3情景下人口數(shù)量減少幅度較其他情景小。總的來說，到2050年，各個(gè)情景對(duì)應(yīng)的人口減少幅度較2035年要大。

從人口數(shù)量的時(shí)間變化上來看，基準(zhǔn)期西南地區(qū)總?cè)丝跀?shù)量約1.93億，到2035／2050年，在4個(gè)SSPs情景下分別減少了-1.30×107／-3.42×107、-0.41×107／-2.23×107、+0.43×107／-8.83×106和-1.30×107／-3.41×107人（圖略）。值得注意的是，SSP3情景下西南地區(qū)未來人口于21世紀(jì)初增加至2030年左右，才開始緩慢下行。SSP1和SSP5情景下，人口變化趨勢(shì)較為接近，在四個(gè)情景中變化幅度最大。

2.3.2 不同重現(xiàn)期極端降水閾值的空間分布

不同重現(xiàn)期的極端降水事件往往發(fā)生次數(shù)更少、強(qiáng)度更強(qiáng)，會(huì)對(duì)人類社會(huì)和生態(tài)環(huán)境等產(chǎn)生更為嚴(yán)重的影響。從歷史時(shí)期（1950—2014年）十年、二十年一遇的RX1day和RX5day極端降水事件閾值的空間分布（圖略）可以看到，十年一遇和二十年一遇的極端降水事件閾值大值區(qū)主要分布在西南的東部和云南西部地區(qū);對(duì)于二十年一遇的RX1day極端降水事件，部分高值區(qū)的閾值超過了50 mm，對(duì)于RX5day，部分高值區(qū)閾值超過了120 mm;相比較而言，其西北和中部部分地區(qū)閾值相對(duì)較小。而且可以看到，不同重現(xiàn)期極端降水事件的閾值在空間分布上與RX1day和RX5day的氣候態(tài)分布十分相似。

2.3.3 未來人口暴露度變化

圖9給出了未來不同變暖情景下，西南地區(qū)十年一遇的RX1day極端降水人口暴露度分布及其相對(duì)于當(dāng)前氣候（1995—2014年）的變化分布。可以看出，整體上2035年和2050年西南地區(qū)極端降水人口暴露度分布較為一致，大值中心主要位于其東部，即四川盆地等人口相對(duì)集中的區(qū)域;十年一遇RX5day極端降水人口暴露度也有著相似的空間分布特征（圖略）。

相對(duì)于當(dāng)前氣候，十年一遇的RX1day和RX5day極端降水人口暴露度在西南地區(qū)的絕大多數(shù)區(qū)域呈現(xiàn)增加的趨勢(shì)，尤其在其東部部分地區(qū)增加幅度超過80％，這里也是極端降水發(fā)生概率增加最為明顯的地區(qū)。也就是說，隨著未來極端降水發(fā)生風(fēng)險(xiǎn)的進(jìn)一步增加，西南地區(qū)社會(huì)人口暴露于十年一遇極端降水事件的風(fēng)險(xiǎn)也將隨之增加。具體而言，西南地區(qū)十年一遇RX1day極端降水人口暴露度在SSP1-2.6、SSP2-4.5、SSP3-7.0和SSP5-8.5情景

下，到2035年（2050年）左右相較于基準(zhǔn)期的2.44×105（人·d）分別增加了：56.1％（81.2％）、62.1％（114.3％）、60.5％（110.2％）和77.3％（131.5％），其中相應(yīng)的RX1day極端降水事件發(fā)生概率增加了68.6％（121.8％）、63.7％（140.7％）、61.0％（139.4％）和87.2％（187.1％），而相應(yīng)時(shí)期西南地區(qū)人口數(shù)量是在減少的（詳見2.3.1節(jié)）。類似地，十年一遇RX5day極端降水事件的人口暴露度在SSPs四個(gè)情景下到2035年（2050年）相較于基準(zhǔn)時(shí)期的2.30×105（人·d）分別增加了：46.2％（89.1％）、44.4％（81.9％）、48.8％（98.9％）和62.2％（108.7％），其中相應(yīng)的RX5day極端降水事件發(fā)生概率增加了61.3％（112.5％）、48.7％（123.0％）、28.9％（105.8％）和70.4％（153.77％）。因此，未來西南地區(qū)極端降水發(fā)生概率的增加是導(dǎo)致該區(qū)域極端降水人口暴露風(fēng)險(xiǎn)顯著上升的主導(dǎo)因素。

二十年一遇的極端降水人口暴露度空間分布與十年一遇事件類似，人口暴露度大值中心也主要分布在四川盆地等地區(qū)（圖10）。相對(duì)當(dāng)前氣候，二十年一遇RX1day（圖略）和RX5day極端降水人口暴露度在西南地區(qū)的東部增加幅度較大，部分地區(qū)甚至超過100％，而且不同模式之間其變化具有較好的一致性。就整個(gè)西南地區(qū)而言，到2035年，相較于基準(zhǔn)期的1.20×105（人·d），在SSP1-2.6、SSP2-4.5、SSP3-7.0和SSP5-8.5情景下二十年一遇RX1day極端降水人口暴露度將分別增加99.9％、109.3％、113.83％和135.7％（圖11）;到2050年左右，RX1day人口暴露度在四種排放情景下的增加幅度將分別為129.1％、177.7％、182.4％和237.5％。對(duì)于二十年一遇的RX5day極端降水事件，到2035年其人口暴露度在四種不同排放情景下將分別增加59.8％、64.3％、57.0％和92.4％;到2050年左右，其人口暴露度增加幅度相比2035年幾乎翻倍，將分別增加118.8％、135.1％、143.2％和161.5％。同時(shí)期RX1day和RX5day極端降水事件發(fā)生概率也在顯著增加，例如，到2035年（2050年）二十年一遇RX1day極端降水事件發(fā)生概率在未來四種不同排放情景下將分別增加107.0％（175.2％）、95.2％（216.0％）、95.4％（210.9％）和135.7％（274.3％），而RX5day將分別增加76.5％（148.9％）、68.6％（162.4％）、47.9％（156.8％）和97.6％（207.1％）。

通過上述分析可知，未來RX1day／RX5day極端事件發(fā)生概率增加引起的人口脆弱性風(fēng)險(xiǎn)在21世紀(jì)前期和中期也將持續(xù)增加。相較于十年一遇的極端降水事件，重現(xiàn)期為二十年的極端降水事件增長速度更快，增加范圍更廣，模式一致性也更高，且對(duì)應(yīng)的人口暴露度增加幅度更大。也就是說未來更為極端的降水事件發(fā)生頻率將顯著增加，其帶來的人口脆弱性也將進(jìn)一步上升，應(yīng)采取行之有效的氣候變化減緩措施，來應(yīng)對(duì)這一風(fēng)險(xiǎn)。

那么氣候、人口因素的變化對(duì)未來西南地區(qū)極端降水人口暴露度的變化起到了什么樣的作用？已有研究表明，未來極端事件人口暴露度變化主要與氣候因子（如不同重現(xiàn)期RX1day／RX5day極端事件發(fā)生概率變化）、人口因子（人口數(shù)量）和人口-氣候協(xié)同因子變化有關(guān)（Jones and ONeill，2016;Chen and Sun，2020）。圖12給出了在未來不同變暖情景下，到2035／2050年不同因子對(duì)十年一遇、二十年一遇的RX1day和RX5day人口暴露度變化的貢獻(xiàn)?？梢钥闯觯w上西南地區(qū)極端降水人口暴露度變化由氣候因子主導(dǎo)，極端降水事件發(fā)生概率的增加導(dǎo)致其人口暴露度顯著增加，而未來西南地區(qū)人口數(shù)量減少，使得其對(duì)極端降水人口暴露度變化表現(xiàn)為負(fù)貢獻(xiàn)，人口-氣候協(xié)同作用也是如此。具體而言，到2035年左右，在SSP1-2.6、SSP2-4.5、SSP3-7.0和SSP5-8.5情景下，十年一遇（二十年一遇）的RX1day極端降水人口暴露度變化中，氣候變化的貢獻(xiàn)約分別占到133.5％（127.0％）、108.5％（107.1％）、92.6％（93.7％）和129.5％（124.7％），受其影響人口暴露度持續(xù)增加;未來人口減少導(dǎo)致暴露度有所減少，主要表現(xiàn)為負(fù)貢獻(xiàn)，分別為-23.77％（-17.8％）、-6.1％（-4.8％）、5.4％（4.2％）和-20.12％（15.7％）;而人口-氣候協(xié)同作用的貢獻(xiàn)在三者中最小，在其作用下同樣導(dǎo)致了極端降水人口暴露度的減少。到2050年左右，重現(xiàn)期為十年和二十年的RX1day極端降水人口暴露度仍呈現(xiàn)增加趨勢(shì)，且各個(gè)因子的貢獻(xiàn)與2035年一致，具體為：氣候因子>人口因子>人口-氣候協(xié)同因子。類似地，在十年一遇和二十年一遇的RX5day極端降水人口暴露度變化貢獻(xiàn)中也可以看出，其人口暴露度主要受到氣候因子的影響而增加，而人口數(shù)量變化和人口-氣候協(xié)同作用主要為負(fù)貢獻(xiàn)，使得未來社會(huì)人口暴露的風(fēng)險(xiǎn)減小。在四種不同排放情景下，到2050年，十年一遇（二十年一遇）的RX5day極端降水人口暴露度變化中氣候變化對(duì)其的貢獻(xiàn)分別占到266.2％（236.6％）、158.4％（152.2％）、116.5％（114.5％）、233.4％（215.2％），人口因子占比為-108.6％（-85.5％）、-37.7％（-32.2％）、-10.9％（-9.0％）、-83.1％（-68.8％），其次為人口-氣候協(xié)同作用的影響。

值得注意的是，在SSP3-7.0情景下，2035年不同重現(xiàn)期下的極端降水人口暴露度變化中，人口因子和人口-氣候協(xié)同因子貢獻(xiàn)度為正，即在二者影響下人口暴露度也有所增加。這主要與SSP3情景下，到2035年，西南地區(qū)人口數(shù)量較當(dāng)前氣候?qū)⒃黾?.43×107有關(guān)。

3 討論

本文基于CN05.1觀測(cè)數(shù)據(jù)，使用泰勒?qǐng)D、年際變率指數(shù)等方法系統(tǒng)評(píng)估了經(jīng)過降尺度偏差校正處理的高分辨率逐日降水?dāng)?shù)據(jù)集NEX-GDDP-CMIP6對(duì)西南地區(qū)極端降水的時(shí)空變化模擬能力。在此基礎(chǔ)上，基于該模式數(shù)據(jù)集未來預(yù)估試驗(yàn)結(jié)果，深入分析了不同變暖情景下西南地區(qū)極端降水的未來演變趨勢(shì)及其對(duì)人口暴露度變化的影響。主要結(jié)論如下：

1）NEX-GDDP-CMIP6多模式集合可以合理再現(xiàn)1995—2014年西南地區(qū)總降水量（PRCPTOT）、降水強(qiáng)度（SDII）、1 d最大降水（RX1day）、連續(xù)5 d最大降水（RX1day）、R95p（強(qiáng)降水量）、R99p（極端強(qiáng)降水量）、中雨日數(shù)（R10mm）和大雨日數(shù)（R20mm）的空間分布格局，且與觀測(cè)相關(guān)系數(shù)較高。但相比于觀測(cè)，模式對(duì)極端降水指數(shù)的低估普遍存在。此外，N-CMIP6-MME對(duì)極端降水氣候態(tài)和年際變率的模擬水平要優(yōu)于大多數(shù)單個(gè)模式，尤其是對(duì)PRCPTOT和R10mm的模擬?？傮w上，N-CMIP6模式對(duì)總降水量的模擬技能較高，但對(duì)極端降水的模擬還存在一定的偏差。

2）西南地區(qū)絕大多數(shù)區(qū)域未來極端降水發(fā)生概率將持續(xù)增加、強(qiáng)度增強(qiáng)。在SSP1-2.6、SSP2-4.5、SSP3-7.0和SSP5-8.5情景下，到2031—2040年，相較于1995—2014年RX1day（RX5day）將分別增加：6.77％（5.49％）、6.26％（5.25％）、4.75％（3.06％）和7.48％（5.74％）;到2046—2050年，RX1day（RX5day）將分別增加10.65％（7.87％）、11.77％（9.14％）、10.65％（6.98％）和14.28％（10.29％）。未來極端降水增加將進(jìn)一步導(dǎo)致西南地區(qū)暴雨洪澇、滑坡、泥石流等災(zāi)害發(fā)生風(fēng)險(xiǎn)增大，將對(duì)社會(huì)和生態(tài)環(huán)境造成更大的影響。同時(shí)，高排放情景下將要面臨更為嚴(yán)峻的自然災(zāi)害防御考驗(yàn)。

3）歷史時(shí)期十年一遇、二十年一遇極端降水事件在未來呈顯著增加趨勢(shì)，使得西南地區(qū)社會(huì)人口極易暴露于這些極端事件中，進(jìn)而導(dǎo)致人口脆弱性明顯增加。未來極端降水人口暴露度大值中心主要位于其東部地區(qū)，尤其是四川盆地地區(qū)。盡管現(xiàn)有的預(yù)估數(shù)據(jù)表明，西南地區(qū)未來人口數(shù)量將減少，但由于極端降水事件發(fā)生風(fēng)險(xiǎn)顯著增加，使得該區(qū)域極端降水人口暴露度也呈明顯增加趨勢(shì)，且越極端的事件其人口暴露度增幅越大。在未來四種不同排放情景下，到2050年左右，二十年一遇的RX1day（RX5day）極端降水事件發(fā)生日數(shù)將分別增加175.2％（148.9％）、216.0％（162.4％）、210.9％（156.8％）和274.3％（207.1％），對(duì)應(yīng)的人口暴露度將分別增加129.1％（118.8％）、177.7％（135.1％）、182.4％（143.2％）和237.5％（161.5％）。人口暴露度的增加主要受到氣候變化的影響，其次是人口因子和人口-氣候協(xié)同因子的作用。

參考文獻(xiàn)（References）

Chen H P，Sun J Q，2015.Assessing model performance of climate extremes in China：an intercomparison between CMIP5 and CMIP3［J］.Clim Change，129（1／2）：197-211.doi：10.1007／s10584-014-1319-5.

Chen H P，Sun J Q，2020.Increased population exposure to precipitation extremes in China under global warming scenarios［J］.Atmos Ocean Sci Lett，13（1）：63-70.doi：10.1080／16742834.2020.1697168.

Chen H P，Sun J Q，2021.Significant increase of the global population exposure to increased precipitation extremes in the future［J］.Earths Future，9（9）：e2020EF001941.doi：10.1029／2020EF001941.

Chen H P，Sun J Q，Lin W Q，et al.，2020.Comparison of CMIP6 and CMIP5 models in simulating climate extremes［J］.Sci Bull，65（17）：1415-1418.doi：10.1016／j.scib.2020.05.015.

Chen W L，Jiang Z H，Li L，2011.Probabilistic projections of climate change over China under the SRES A1B scenario using 28 AOGCMs［J］.J Climate，24（17）：4741-4756.doi：10.1175／2011jcli4102.1.

陳子凡，王磊，李謝輝，等，2022.西南地區(qū)極端降水時(shí)空變化特征及其與強(qiáng)ENSO事件的關(guān)系［J］.高原氣象，41（3）：604-616. Chen Z F，Wang L，Li X H，et al.，2022.Spatiotemporal change characteristics of extreme precipitation in southwestern China and its relationship with intense ENSO events［J］.Plateau Meteor，41（3）：604-616.（in Chinese）.

黃子立，吳小飛，毛江玉，2021.CMIP6模式水平分辨率對(duì)模擬我國西南地區(qū)夏季極端降水的影響評(píng)估［J］.高原氣象，40（6）：1470-1483. Huang Z L，Wu X F，Mao J Y，2021.An evaluation for impacts of the horizontal resolution of CMIP6 models on simulating extreme summer rainfall over southwest China［J］.Plateau Meteor，40（6）：1470-1483.（in Chinese）.

IPCC，2021.Climate change 2021：the physical science basis［R］.Cambridge：Cambridge University Press.

蔣文好，陳活潑，2021.CMIP6模式對(duì)亞洲中高緯區(qū)極端溫度變化的模擬及預(yù)估［J］.大氣科學(xué)學(xué)報(bào)，44（4）：592-603. Jiang W H，Chen H P，2021.Assessment and projection of changes in temperature extremes over the mid-high latitudes of Asia based on CMIP6 models［J］.Trans Atmos Sci，44（4）：592-603.（in Chinese）.

Jones B，ONeill B C，2016.Spatially explicit global population scenarios consistent with the Shared Socioeconomic Pathways［J］.Environ Res Lett，11（8）：084003.doi：10.1088／1748-9326／11／8／084003.

Jones B，ONeill B C，McDanielL，et al.，2015.Future population exposure to US heat extremes［J］.Nature Clim Change，5（7）：652-655.doi：10.1038／nclimate2631.

Kharin V V，Zwiers F W，ZhangX，et al.，2013.Changes in temperature and precipitation extremes in the CMIP5 ensemble［J］.Clim Change，119（2）：345-357.doi：10.1007／s10584-013-0705-8.

李菲，郜永祺，萬欣，等，2021.全球變暖與地球“三極”氣候變化［J］.大氣科學(xué)學(xué)報(bào)，44（1）1-11. Li F，Gao Y Q，WanX，et al.，2021.Earths “three-poles” climate change under global warming［J］.Trans Atmos Sci，44（1）1-11.doi：10.13878／j.cnki.dqkxxb.20201031003.（in Chinese）.

Lin W Q，Chen H P，2020.Assessment of model performance of precipitation extremes over the mid-high latitude areas of Northern Hemisphere：from CMIP5 to CMIP6［J］.Atmos Ocean Sci Lett，13（6）：598-603.doi：10.1080／16742834.2020.1820303.

馬嘯，2018.2017年全國洪澇災(zāi)情綜述［J］.中國防汛抗旱，28（8）：60-66. Ma X，2018.Summary of national flood disasters in 2017［J］.China Flood Drought Manag，28（8）：60-66.（in Chinese）.

Ou T H，Chen D L，Linderholm H W，et al.，2013.Evaluation of global climate models in simulating extreme precipitation in China［J］.Tellus A DynMeteorol Oceanogr，65（1）：19799.doi：10.3402／tellusa.v65i0.19799.

Taylor K E，2001.Summarizing multiple aspects of model performance in a single diagram［J］.J Geophys Res Atmos，106（D7）：7183-7192.doi：10.1029／2000JD900719.

汪靖，張少波，袁利平，2021.西南地區(qū)極端降水變化特征分析［J］.氣象科技進(jìn)展，11（6）31-37. Wang J，Zhang S B，Yuan L P，2021.Analysis on the characteristics of extreme precipitation in southwestern China［J］.Adv Meteorol Sci Technol，11（6）31-37.doi：10.3969／j.issn.2095-1973.2021.06.005.（in Chinese）.

吳佳，高學(xué)杰，2013.一套格點(diǎn)化的中國區(qū)域逐日觀測(cè)資料及與其他資料的對(duì)比［J］.地球物理學(xué)報(bào)，56（4）：1102-1111. Wu J，Gao X，2013.A gridded daily observation dataset over China region and comparison with the other datasets［J］.Chin J Geophys，56（4）：1102-1111.（in Chinese）.

Xu H W，Chen H P，Wang H J，2021.Interannual variation in summer extreme precipitation over Southwestern China and the possible associated mechanisms［J］.Int J Climatol，41（6）：3425-3438.doi：10.1002／joc.7027.

Xu H W，Chen H P，Wang H J，2022.Increased populations will be exposed to the dangerous precipitation extremes across China in the future［J］.Front Earth Sci，10：963042.doi：10.3389／feart.2022.963042.

楊貴業(yè)，裴宇菲，宋敏紅，2021.CMIP6模式對(duì)我國西南地區(qū)降水分布的評(píng)估和預(yù)估［J］.自然科學(xué)（6）：910-920. Yang G Y，Pei Y F，Song M，2021.Evaluation and projection of precipitation in southwestern China using CMIP6 models［J］.Open J Nat Sci（6）：910-920.（in Chinese）.

Yuan W H，Hu X L，Tian Q，2019.Regional differences in rainfall frequency and amount over southwestern China［J］.Atmos Ocean Sci Lett，12（5）：313-319.doi：10.1080／16742834.2019.1626194.

張弛，吳紹洪，2021.西南地區(qū)夏季極端降水的水汽來源分析［J］.自然資源學(xué)報(bào)，36（5）：1186-1194. Zhang C，Wu S H，2021.An analysis on moisture source of extreme precipitation in Southwest China in summer［J］.J Nat Resour，36（5）：1186-1194.doi：10.31497／zrzyxb.20210508.（in Chinese）.

張武龍，張井勇，范廣洲，2015.CMIP5模式對(duì)我國西南地區(qū)干濕季降水的模擬和預(yù)估［J］.大氣科學(xué)，39（3）：559-570. Zhang W L，Zhang J Y，F(xiàn)an G Z，2015.Evaluation and projection of dry-and wet-season precipitation in southwestern China using CMIP5 models［J］.Chin J Atmos Sci，39（3）：559-570.doi：10.3878／j.issn.1006-9895.1408.14136.（in Chinese）.

Zhang X B，Zwiers F W，Li G L，et al.，2017.Complexity in estimating past and future extreme short-duration rainfall［J］.Nature Geosci，10（4）：255-259.doi：10.1038／ngeo2911.

周天軍，鄒立維，陳曉龍，2019.第六次國際耦合模式比較計(jì)劃（CMIP6）評(píng)述［J］.氣候變化研究進(jìn)展，15：445-456. Zhou T J，Zou L W，Chen X L，2019.Commentary on the coupled model intercomparison project phase 6 （CMIP6）［J］.Clim Change Res，15（5）：445-456.doi：10.12006／j.issn.1673-1719.2019.193.（in Chinese）.

朱連華，祝穎锜，姚壹壹，等，2023.全球增暖1.5／2 ℃下中國區(qū)域極端降水的風(fēng)險(xiǎn)變化及其影響因子［J］.大氣科學(xué)學(xué)報(bào)，46（1）：97-109. Zhu L H，Zhu Y Q，Yao Y Y，et al.，2023.Risk and impact analysis of extreme precipitation over China under 1.5 and 2 ℃ global warming levels［J］.Trans Atmos Sci，46（1）：97-109.（in Chinese）.

·ARTICLE·

Significant increase of precipitation extremes will enlarge its population exposure over Southwest China in the future

LIN Wenqing1，CHEN Huopo2，XU Huiwen2，AI Yawen2，HE Wenyue2，ZHANG Dawei1，WANG Fan1，BI Wuxia1，WANG Weiqi1

1Research Center on Flood and Drought Disaster Reduction of Ministry of Water Resources，China Institute of Water Resources and Hydropower Research，Beijing 100038，China;

2Nansen-Zhu International Research Centre，Institute of Atmospheric Physics，Chinese Academy of Sciences，Beijing 100029，China

Abstract Based on the observation and a set of downscaling bias corrected model （NEX-GDDP-CMIP6） data，this study has investigated the model performance in simulating precipitation extremes over Southwest China using Taylor diagram and GEV fitting methods.Furthermore，the future changes of precipitation extremes that with different return intervals and their associated population exposure are also explored.Results show that NEX-GDDP-CMIP6 models and the multi-model ensemble （N-CMIP6-MME） can reasonably capture the spatial-temporal characteristics of changes in precipitation extremes over Southwest China，and N-CMIP6-MME out performs most of individual models.In the future，the precipitation extremes are expected to significant increases over most regions of Southwest China，including the extreme events that occurring once in 10 or 20 years，which will further increase the risk of population exposure to these extremes.Additionally，for the more extreme events （once in 20-year），the increasing magnitude of its occurring probability would be much greater and it would also exert a larger increase of its associated population exposure，when compared to the events of once in 10-year.Around the year of 2050，the occurring probabilities of the RX1day （RX5day） extremes that occurring once in 20-year are expected to increase by 175.2％（148.9％），216.0％（162.4％），210.9％（156.8％），and 274.3％（207.1％） under SSP1-2.6，SSP2-4.5，SSP3-7.0and SSP5-8.5 scenario，respectively.Correspondingly，thepopulation exposuresare projected to respective increase by 129.1％（118.8％），177.7％ （135.1％），182.4％（143.2％），and 237.5％（161.5％）.Further analyses indicate that the increase of population exposure to the precipitation extreme over Southwest China is mainly due to the significant increase of precipitation extremes，and the changes in populations and their interaction generally present a negative contribution.

Keywords Southwest China;precipitation extreme;projection;population exposure;NEX-GDDP-CMIP6

doi：10.13878／j.cnki.dqkxxb.20221118007

（責(zé)任編輯：張福穎）