氣候變化對HBV水文模型參數(shù)敏感性和不確定性的影響

摘要：闡明氣候變化對流域水文模型參數(shù)的影響是分析參數(shù)可移植性、預估未來水量平衡組分的基礎科學問題?；贑MIP6框架下3種數(shù)據(jù)來源（CNRM、IPSL和MRI）的氣象信息，驅動HBV水文模型模擬贛江流域2015—2100年的月徑流變化，量化并評估氣候變化下控制徑流模擬過程典型參數(shù)的敏感性和不確定性。研究結果表明：① 未來降水增多或減少比持平情況下模型參數(shù)敏感性整體更高，其中土壤模塊（計算土壤蒸散發(fā)和含水量）參數(shù)敏感性最高;② 區(qū)分年內(nèi)豐枯期與全年平均結果相比，響應模塊（劃分各徑流組分）參數(shù)敏感性更高、未來增幅更大，且未來降水增多或減少均會使枯水期土壤模塊和響應模塊參數(shù)的敏感性增高，表明降水量及其年內(nèi)分配會影響模型參數(shù)敏感性;③ 隨機擾動響應模塊參數(shù)導致的徑流不確定性最大（貢獻超50%），特別是未來降水增多情景下（超70%），因此，若未來氣候變化使徑流組分（快速、慢速流比例）大幅變化，需重點關注該模塊參數(shù)。

關鍵詞：水量平衡;水文模型;氣候變化;CMIP6;水循環(huán)過程模擬

中圖分類號：P33

文獻標識碼：A

文章編號：1001-6791（2024）04-0556-13

近百年來全球氣候系統(tǒng)經(jīng)歷著顯著的變化，不同程度地改變了水文循環(huán)過程，所引起的水文效應問題受到國內(nèi)外學者的廣泛關注，了解未來氣候變化帶來的影響是決策者制定適應性措施的基礎［1-3］。水文模型作為分析區(qū)域徑流、水量平衡組分及洪水風險的有力工具，已被廣泛應用于研究氣候變化對流域水文過程的影響。如Schnorbus等［4］和肖恒等［5］分別利用VIC模型研究加拿大不列顛哥倫比亞流域和中國北江、郁江等流域徑流對氣候變化的響應;Dessu等［6］和Zhang等［7］利用SWAT模型分別探究氣候變化對尼羅河和輝發(fā)河流域徑流的影響。已有研究在率定模型時，通常假定水文模型參數(shù)在不同的氣候條件下保持穩(wěn)定［8-9］，更多著眼于降水、氣溫和蒸發(fā)等氣象輸入變量對徑流的影響，而缺乏氣候變化對水文模型參數(shù)影響的關注。

在全球氣候變化更為廣泛、快速和強烈的背景下，眾多流域或區(qū)域的水文參數(shù)正從“非時變”向“時變”轉化，揭示流域產(chǎn)匯流特征屬性的水文模型參數(shù)在不同氣候條件下敏感性存在差異，而模型參數(shù)敏感性和不確定性分析對于降低參數(shù)維度、提升模型精度至關重要。不考慮水文模型參數(shù)對氣候變化的響應已成為阻礙水文模型預估未來水文情勢的重要因素［10-12］。Vaze等［13］認為在氣候變化背景下，只有未來年均降水變幅不超過15%時，率定的參數(shù)才能用于未來研究;Bastola等［14］認為當未來時期徑流變幅小于率定期的10%時，參數(shù)引起的徑流不確定才可以忽略。另有研究表明，反映流域水文物理性質的水文模型參數(shù)在不同氣候條件下敏感性存在差異［15］，例如，與無降雪的熱帶集水區(qū)相比，在降水以降雪為主的寒帶集水區(qū)，積雪參數(shù)的敏感性更高。近年有部分學者基于國際耦合模式比較計劃（CMIP）、SAFRAN等數(shù)據(jù)探究VIC、SWAT等水文模型參數(shù)對氣候變化的響應［16-17］。HBV水文模型因其結構簡單、參數(shù)物理意義明確，被廣泛應用于全球多個流域或區(qū)域的科研與工程建設中，但已有研究對其參數(shù)的敏感性和不確定性分析幾乎均是在實測數(shù)據(jù)驅動下進行的［18-19］。

本文基于CMIP6框架下3種數(shù)據(jù)源（CNRM、IPSL、MRI）的氣象數(shù)據(jù)，驅動HBV水文模型模擬贛江流域歷史（2015—2020年）和未來（2021—2100年）時期的月徑流變化，分別采用改進的Morris篩選法和基于Monte-Carlo的不確定性分析法量化徑流模擬過程典型參數(shù)的敏感性和不確定性，分析比較未來不同時段、豐枯期典型參數(shù)敏感性的變化規(guī)律及可能成因，揭示水文模型參數(shù)敏感性和不確定性對氣候變化的響應。

1 研究區(qū)域和數(shù)據(jù)

贛江流域位于長江中下游南岸（24°31′N—28°45′N、113°34′E—116°38′E），是鄱陽湖流域最大的子流域，集水區(qū)面積為81 158 km2，占江西省總面積的50%。贛江流域屬亞熱帶季風氣候，氣候溫和，多年平均氣溫約為18 ℃，雨量充沛，多年平均降水量約為1 600 mm，其中4—9月為豐水期，降水集中，占全年降水總量的60%以上。流域內(nèi)海拔范圍為12～2 029 m，地貌較為復雜，以山地丘陵為主，沿贛江流向自南向北呈階梯狀分布。氣候在空間上受地形落差影響，氣溫南高北低、日照東多西少、中游降水最少;時間上，流域受季風氣候的影響，降水季節(jié)分配不均，呈現(xiàn)“春夏多、秋冬少”的形勢［20］。贛江發(fā)源于贛、閩交界處的武夷山脈，全長為766 km（圖1）。

本文使用的模式數(shù)據(jù)為第六次國際耦合模式比較計劃（CMIP6）預估的2015—2100年降水、氣溫和蒸散發(fā)數(shù)據(jù)集，CNRM、IPSL和MRI 3套數(shù)據(jù)集分別由法國國家氣象研究中心、法國國家科學研究中心和日本氣象廳氣象研究所開發(fā)。3套數(shù)據(jù)集的時空分辨率和用途見表1，每套數(shù)據(jù)集中包含3個SSP排放情景（SSP126、SSP245和SSP460），描述未來不同發(fā)展路徑下氣候變化結果。用流域出水口外洲站2015—2020年的日徑流資料，以及同時期流域內(nèi)地面實測的降水、氣溫和蒸發(fā)數(shù)據(jù)，驗證HBV模型在贛江流域的適用性。同時，選用R語言自帶的qmap函數(shù)包，以流域內(nèi)實測降水為基準，對3套數(shù)據(jù)集的降水進行偏差校正。通常認為模擬降水的頻率分布與觀測降水一致，構建實測降水數(shù)據(jù)和上述3套數(shù)據(jù)集（每套數(shù)據(jù)有3個SSP情景）降水的累積分布函數(shù)（CDF），根據(jù)實測降水的CDF去校正氣候模式降水值的CDF，即把每個氣候模式降水值映射到觀測值CDF曲線的對應分位數(shù)上，并采用站點降水總量對頻率訂正后的氣候模式降水數(shù)據(jù)進行驗證［21］。

2 模型與方法

以2015—2020年的實測降水、氣溫、蒸散發(fā)和徑流數(shù)據(jù)為模型輸入，以流域出水口外洲站實測徑流序列為率定目標，使用GAP廣義指派算法優(yōu)化模型參數(shù)，驗證構建的贛江流域水文模型在歷史時期的適用性。分別以歷史時期CNRM、IPSL、MRI的氣候數(shù)據(jù)為模型輸入，率定各SSP情景下的模型參數(shù)，模擬預估2015—2100年的月徑流序列。采用改進的Morris分類篩選法，量化評估未來不同氣候情景下8個典型參數(shù)的敏感性，運用基于Monte-Carlo的不確定性分析法量化評估各參數(shù)在其先驗區(qū)間內(nèi)隨機擾動給徑流模擬帶來的不確定性。

2.1 水量平衡模型構建

HBV水文模型是基于數(shù)字高程模型（DEM）劃分子流域的概念水文模型［22］，模型基于降水、氣溫和潛在蒸散量估算各單位徑流量，根據(jù)流域水系拓撲結構確定各子流域自產(chǎn)流到匯流至流域出水口的時間，進一步根據(jù)匯流時間疊加總流域產(chǎn)流量，形成流域出水口的徑流過程。經(jīng)驗證，模型在不同的氣候條件和流域尺度上具有很強的適用性，且輸入數(shù)據(jù)的簡化對于模型模擬精度造成的影響可以忽略。本文使用由蘇黎世大學地理系開發(fā)的HBV-light-GUI簡化版模型，版本號為4.0.0.23。模型由融雪模塊、土壤模塊、響應模塊和河網(wǎng)匯流模塊4部分組成，各模塊的參數(shù)及其含義如表2所示。

2.2 改進Morris敏感性分析方法

Morris分類篩選法是目前應用較廣的一種基于篩選分析的全局分析方法［23］，其原理是在其他參數(shù)保持不變的基礎上，“篩選”一個參數(shù)在其先驗區(qū)間內(nèi)隨機擾動，分析該參數(shù)擾動對目標函數(shù)值的影響。改進的Morris分類篩選法則將參數(shù)以固定步長增減，將多次擾動計算所得平均值作為參數(shù)的敏感度指數(shù)（S）。采用Lenhart等［24］和Knighton等［25］劃分的敏感性評估等級，如表3所示。

式中：Si為第i次運行時的參數(shù)敏感度指數(shù);Yi和Yi+1分別為模型第i次和i+1次運行輸出值;Y0為參數(shù)率定后計算結果初始值;Pi和Pi+1為第i次和i+1次模型運算參數(shù)值相對于率定值的比率;n為模型運行次數(shù)。

2.3 Monte-Carlo隨機模擬法量化參數(shù)不確定性

基于Monte-Carlo法量化參數(shù)不確定性是一種用于評估模型參數(shù)擾動引起輸出結果不確定性的方法，可以量化流域水文模型中參數(shù)間復雜的非線性和交互作用給徑流模擬帶來的不確定性，能提供全面的模型參數(shù)不確定性貢獻評估。本文分析HBV水文模型中的8個典型參數(shù)，在其先驗區(qū)間內(nèi)用Monte-Carlo采樣法隨機取1 000組參數(shù)進行模擬，并以97.5%置信區(qū)間篩選流量，計算各參數(shù)擾動導致的徑流不確定性：

式中：Ui為單一參數(shù)擾動引起的徑流不確定性;xu（t，i）和xd（t，i）分別為第i個參數(shù)擾動時t時刻輸出流量97.5%置信區(qū)間的上、下界，m3/s;yu，t和yd，t分別為所有參數(shù)擾動時t時刻輸出流量97.5%置信區(qū)間的上、下界，m3/s;Bi為擾動單個參數(shù)引起的徑流相對不確定性。

2.4 模擬效果的統(tǒng)計評價方法

采用納什效率系數(shù)（ENS）、Kling-Gupta系數(shù)（EKG）和相對偏差（DR）3個統(tǒng)計指標對徑流的模擬精度進行評價。ENS和EKG是標準化的統(tǒng)計量，用來度量徑流的模擬效果;DR用來衡量模擬徑流與實測徑流的流量誤差。ENS和EKG越接近1、DR越接近0，模型的模擬效果越好。

3 結果與討論

3.1 模型適用性驗證及不同SSP情景下徑流預估

降水作為濕潤地區(qū)徑流的主要來源，對流域徑流量起著決定性作用。降水量變化是氣候變化的直接反映，圖2描述了不同數(shù)據(jù)源（CNRM、IPSL、MRI）未來時期多年月平均降水量的變化，可以看出不同數(shù)據(jù)源的降水量差異顯著，MRI（SSP245、SSP460）和CNRM未來的降水將增多，其中6月降水量增幅超過50%;MRI-SSP126未來降水量與歷史時期幾乎持平;IPSL數(shù)據(jù)源的降水未來則較歷史時期減少超過10%。3種數(shù)據(jù)源不同SSP情景下多年月平均水量平衡組分變化如圖3所示，未來時期MRI（SSP245、SSP460）和CNRM多年月平均徑流增加5～30 mm（增幅為5%～20%），IPSL多年月平均徑流減少45～55 mm（降幅約為30%），MRI-SSP126幾乎保持不變，這與降水量的變化一致;未來時期，各數(shù)據(jù)源的氣溫普遍增加0.2～3.2 ℃，SSP245和SSP460情景下的蒸發(fā)量增大，而SSP126情景下蒸發(fā)量則表現(xiàn)為CNRM數(shù)據(jù)源蒸發(fā)增加5～15 mm、IPSL減小5～10 mm、MRI在一定范圍內(nèi)波動。各時期（歷史、未來近期、未來遠期）水量平衡組分滿足水量平衡關系。

選定2015—2018年為率定期，2019—2020年為驗證期，驗證模型在贛江流域的適用性。歷史時期模擬與實測的徑流序列如圖4（a）所示，二者高度重合，ENS為0.82，EKG為0.85，DR為1.2%，表明構建的模型在贛江流域具有較強適用性。將3種數(shù)據(jù)源不同SSP情景下的氣象數(shù)據(jù)輸入模型，徑流模擬結果如圖4（b）—圖4（d）所示，IPSL數(shù)據(jù)源模擬得到的徑流小于實測值，而CNRM和MRI高于實測徑流，這與歷史時期CNRM和MRI降水較實測值多而IPSL降水較實測值低一致。3種情景下降水—徑流趨勢與實測趨勢一致，歷史時期（2015—2020年）實測降水—徑流的相關性系數(shù)為0.82，3套數(shù)據(jù)集SSP126、SSP245和SSP460情境下的降水—徑流相關性系數(shù)為0.80～0.95，普遍高于歷史時期的0.82，模擬徑流與實測徑流差異應是由歷史時期降水差異導致的。

3.2 敏感性指數(shù)隨參數(shù)值的動態(tài)變化分析

氣候變化中降水與蒸發(fā)的改變對天然流域各水量平衡組分含量及占比起著決定性作用，在3.1節(jié)中提到，3套數(shù)據(jù)集內(nèi)各SSP情景間降水、蒸發(fā)和氣溫變幅較小，不能涵蓋未來降水可能的變化趨勢（增多、減少和與歷史持平）。未來不同數(shù)據(jù)集各SSP126情景間的降水、蒸發(fā)差異最顯著，能代表未來不同的氣候趨勢（重點表現(xiàn)在降水上）。因此，參照Li等［26］和韓銘洋等［27］利用Morris方法探究水文模型參數(shù)敏感性時選取的先驗區(qū)間和擾動步長，在此以10%為步長、在±50%范圍內(nèi)擾動，分析CNRM-SSP126、IPSL-SSP126和MRI-SSP126情景下8個典型參數(shù)的敏感性隨參數(shù)值的動態(tài)變化，結果如圖5和圖6所示。為更好地反映參數(shù)敏感性對氣候變化的響應、提高參數(shù)敏感性評估精度，還對各年劃分了豐水期（4—9月）和枯水期（10月至次年3月）。

不區(qū)分豐枯期時，參數(shù)FC、K0、β、K2在其先驗區(qū)間內(nèi)的敏感性隨參數(shù)值增加顯著降低。未來不同數(shù)據(jù)源SSP126情境下FC、K0、β、LP等參數(shù)的敏感性表現(xiàn)為IPSLgt;CNRMgt;MRI，表明未來降水增多（CNRM-SSP126）或減少（IPSL-SSP126）都將增大參數(shù)的敏感性且降水減少帶來增幅可能更大;K2和TT在不同情景和豐枯期的敏感性均較低且差異都不大，主要是由于K2控制的深層地下水層對徑流貢獻量小且穩(wěn)定，此外贛江流域屬亞熱帶季風氣候區(qū)，年均氣溫高達18 ℃，融雪對徑流影響可以忽略。未來降水變化一致時，參數(shù)FC、K0、K1、LP、K2、PERC在先驗區(qū)間內(nèi)的敏感性均較各自情景下歷史時期低，參數(shù)β的敏感性未來將上升，這表明參數(shù)敏感性除受降水外可能還受氣溫等因素影響。

區(qū)分豐枯水期來看，K1和PERC均較不區(qū)分時敏感性更高、規(guī)律更復雜，其余的6個參數(shù)在其先驗區(qū)間內(nèi)的敏感性變化趨勢與不區(qū)分豐枯期保持一致，其中土壤模塊參數(shù)在豐水期敏感性高于枯水期，響應模塊（除K2外）則相反。參數(shù)FC和β都是反映土壤蓄水能力的參數(shù)，豐水期土壤含水量較高，二者變化對于徑流的影響大于枯水期，相應的敏感性也就更高，此外，豐水期降水的增加還使土壤中毛管水水位上升，LP的敏感性也相應增加;枯水期補充上層水庫的降水減少，控制上層水庫對徑流貢獻度的主要參數(shù)變?yōu)镵0、K1和PERC，因而其在枯水期具有更高的敏感性。這表明豐枯期主要敏感參數(shù)不同，未來若氣候變化使年內(nèi)降水分配更不均勻、流域調(diào)蓄能力改變會增加部分參數(shù)的敏感性（LP、FC、β與土地利用類型有關［28］）。

3.3 參數(shù)敏感性在歷史和未來時期動態(tài)變化分析

在不同數(shù)據(jù)集（CNRM、IPSL和MRI）對應的3個SSP情景下，根據(jù)式（3）和式（4）計算得到各參數(shù)的敏感度指數(shù)，并繪制圖7和圖8。

研究期內(nèi)不區(qū)分豐枯期時土壤模塊參數(shù)敏感性最高，呈現(xiàn)SLPgt;0.1gt;Sβgt;0.05gt;SFC關系，其中LP和IPSL數(shù)據(jù)源的β參數(shù)在未來時期敏感性指數(shù)普遍大于0.2，屬中敏感性參數(shù);3個參數(shù)中β在未來時期敏感性將增加，而FC和LP則相反。這是由于徑流變化的主導因素是氣候要素中的降水和氣溫，而位于季風氣候區(qū)的贛江流域年內(nèi)降水量、氣溫變化較大，氣溫、降水顯著影響著由LP控制的蒸散發(fā)環(huán)節(jié)，β則是解釋降水—徑流轉化的參數(shù)，F(xiàn)C作為土壤最大含水量間接影響著流域的蒸散發(fā)及產(chǎn)流過程，因此土壤模塊參數(shù)在徑流產(chǎn)生過程中敏感性較其他模塊參數(shù)更高。分別對比圖7和圖8中全年平均的參數(shù)敏感性，可以看出未來IPSL數(shù)據(jù)源對應參數(shù)β和LP的敏感性（Sgt;0.2）遠大于CNRM和MRI數(shù)據(jù)源的參數(shù)敏感性，MRI（SSP245、SSP460）和CNRM數(shù)據(jù)源的上述2個參數(shù)敏感性相近且遠高于MRI-SSP126情景下的敏感性，表明未來降水減少或增多相較于與歷史時期持平時參數(shù)β和LP的敏感性更高，且降水減少對二者敏感性帶來的影響更大。

未來降水增加或減少會顯著增加枯水期土壤模塊和響應模塊參數(shù)的敏感性，且K0參數(shù)在豐水期和枯水期的敏感性增幅顯著。未來降水量與歷史時期持平時，響應模塊參數(shù)的敏感性為豐水期gt;枯水期gt;全年平均（不區(qū)分年內(nèi)豐枯期），土壤模塊參數(shù)（LP除外）敏感性為枯水期gt;豐水期gt;全年平均;未來降水增加或減少情況下，響應模塊參數(shù)的敏感性變?yōu)榭菟趃t;豐水期gt;全年平均，土壤模塊參數(shù)（LP除外）敏感性變?yōu)樨S水期gt;全年平均gt;枯水期，各SSP情景參數(shù)LP敏感性從豐水期到枯水期平均降低0.1～0.2。

3.4 參數(shù)對徑流模擬的不確定性分析

為探究氣候變化背景下水文模型參數(shù)不確定性對未來徑流模擬的影響，利用Monte-Carlo采樣器在參數(shù)先驗區(qū)間用隨機采樣的方法分別擾動單個參數(shù)和所有（8個）參數(shù)，模擬得到擾動單個參數(shù)和所有參數(shù)的徑流序列，以式（3）和式（4）估算各參數(shù)擾動對未來徑流模擬不確定性的貢獻。如圖9所示，3套數(shù)據(jù)集各SSP情景下，控制總徑流中快速流和慢速流比例的響應模塊對未來徑流模擬的不確定性貢獻最大（超過50%）。未來降水增多時，響應模塊對徑流模擬的不確定性平均貢獻超過70%，其中PERC和K0的影響最顯著，二者總貢獻超過50%;未來降水增多較降水減小情景，響應模塊參數(shù)的不確定性貢獻率平均高出約15%。若未來氣候變化致使各徑流組分比例顯著改變，尤其是在未來降水增多的情景下，利用水文模型預估水量平衡組分、探討參數(shù)非平穩(wěn)性和可移植性時需重點關注該模塊參數(shù)。

4 結" 論

以贛江流域為研究區(qū)，基于CMIP6的氣象數(shù)據(jù)驅動HBV水文模型，模擬2015—2100年的月徑流序列，量化并評估了徑流模擬過程典型參數(shù)的敏感性和不確定性，進而探討參數(shù)敏感性的變化規(guī)律及原因。主要結論如下：

（1） 氣候變化背景下參數(shù)敏感性受多個因素影響，未來不區(qū)分年內(nèi)豐枯期時（全年平均），土壤模塊參數(shù)（潛在蒸散發(fā)上限、降水對徑流的貢獻率和土壤田間持水量）敏感性最高，其中降水對徑流的貢獻率敏感性未來將增加，土壤田間持水量和潛在蒸散發(fā)上限敏感性將減小。此外，未來降水減少或增多相較于與歷史時期持平時，降水對徑流的貢獻率和潛在蒸散發(fā)上限的敏感性更高，且降水減少時帶來的影響更大。

（2） 區(qū)分年內(nèi)豐枯期與全年年均結果相比，響應模塊參數(shù)的敏感性更高、未來時期增幅更大;未來降水增加或減少均會使枯水期土壤模塊和響應模塊參數(shù)的敏感性顯著增高，表明豐枯期的主要敏感參數(shù)不同，若未來氣候變化致使年內(nèi)降水分配更不均勻將增加部分參數(shù)的敏感性。

（3） 響應模塊控制著總徑流中快慢速流的比例，隨機擾動該模塊參數(shù)對未來徑流模擬的不確定性貢獻最大（超過50%），且未來降水增多的情景下貢獻更高（超過70%）。因此，若未來氣候變化使徑流組分（快速、慢速流比例）大幅變化，特別是未來降水增多時，用水文模型模擬未來徑流、評估水量平衡組分應重點關注該模塊參數(shù)。

參考文獻：

［1］STEPHENS C M，JOHNSON F M，MARSHALL L A.Implications of future climate change for event-based hydrologic models［J］.Advances in Water Resources，2018，119：95-110.

［2］KONAPALA G，MISHRA A K，WADA Y，et al.Climate change will affect global water availability through compounding changes in seasonal precipitation and evaporation［J］.Nature Communications，2020，11：3044.

［3］YANG P，ZHANG S Q，XIA J，et al.Analysis of drought and flood alternation and its driving factors in the Yangtze River basin under climate change［J］.Atmospheric Research，2022，270：106087.

［4］SCHNORBUS M A，CANNON A J.Statistical emulation of streamflow projections from a distributed hydrological model：application to CMIP3 and CMIP5 climate projections for British Columbia，Canada［J］.Water Resources Research，2014，50（11）：8907-8926.

［5］肖恒，陸桂華，吳志勇，等.珠江流域未來30年洪水對氣候變化的響應［J］.水利學報，2013，44（12）：1409-1419.（XIAO H，LU G H，WU Z Y，et al.Flood response to climate change in the Pearl River basin for the next three decades［J］.Journal of Hydraulic Engineering，2013，44（12）：1409-1419.（in Chinese））

［6］DESSU S B，MELESSE A M.Impact and uncertainties of climate change on the hydrology of the Mara River basin，Kenya/Tanzania［J］.Hydrological Processes，2013，27（20）：2973-2986.

［7］ZHANG A J，ZHANG C，F(xiàn)U G B，et al.Assessments of impacts of climate change and human activities on runoff with SWAT for the Huifa River basin，Northeast China［J］.Water Resources Management，2012，26（8）：2199-2217.

［8］朱仟.氣候變化下降水輸入和水文模型參數(shù)對水文模擬的影響［D］.杭州：浙江大學，2017.（ZHU Q.Influence of water input and hydrological model parameters on hydrological simulation due to climate change［D］.Hangzhou：Zhejiang University，2017.（in Chinese））

［9］POULIN A N，BRISSETTE F，LECONTE R，et al.Uncertainty of hydrological modelling in climate change impact studies in a Canadian，snow-dominated river basin［J］.Journal of Hydrology，2011，409（3/4）：626-636.

［10］MELSEN L A，GUSE B.Hydrological drought simulations：how climate and model structure control parameter sensitivity［J］.Water Resources Research，2019，55（12）：10527-10547.

［11］XIONG M S，LIU P，CHENG L，et al.Identifying time-varying hydrological model parameters to improve simulation efficiency by the ensemble Kalman filter：a joint assimilation of streamflow and actual evapotranspiration［J］.Journal of Hydrology，2019，568：758-768.

［12］OLSSON J，ARHEIMER B，BORRIS M，et al.Hydrological climate change impact assessment at small and large scales：key messages from recent progress in Sweden［J］.Climate，2016，4（3）：39.

［13］VAZE J，POST D A，CHIEW F H S，et al.Climate non-stationarity：validity of calibrated rainfall—runoff models for use in climate change studies［J］.Journal of Hydrology，2010，394（3/4）：447-457.

［14］BASTOLA S，MURPHY C，SWEENEY J.Evaluation of the transferability of hydrological model parameters for simulations under changed climatic conditions［J］.Hydrology and Earth System Sciences Discussions，2011，8（3）：5891-5915.

［15］van WERKHOVEN K，WAGENER T，REED P，et al.Sensitivity-guided reduction of parametric dimensionality for multi-objective calibration of watershed models［J］.Advances in Water Resources，2009，32（8）：1154-1169.

［16］NAJIMI F，AMINNEJAD B，NOURANI V.Assessment of climate change′s impact on flow quantity of the mountainous watershed of the jajrood river in Iran using hydroclimatic models［J］.Sustainability，2023，15（22）：15875.

［17］SELLAMI H，BENABDALLAH S，la JEUNESSE I，et al.Climate models and hydrological parameter uncertainties in climate change impacts on monthly runoff and daily flow duration curve of a Mediterranean Catchment［J］.Hydrological Sciences Journal，2016，61（8）：1415-1429.

［18］MEDINA Y，MUOZ E.Analysis of the relative importance of model parameters in watersheds with different hydrological regimes［J］.Water，2020，12（9）：2376.

［19］SHARIFINEJAD A，HASSANZADEH E.Evaluating climate change effects on a snow-dominant watershed：a multi-model hydrological investigation［J］.Water，2023，15（18）：3281.

［20］劉璇，郭家力，張靜文，等.氣候變化影響下的贛江流域水資源變化趨勢與幅度分析［J］.水利水電技術，2018，49（6）：39-46.（LIU X，GUO J L，ZHANG J W，et al.Analysis on variation trend and amplitude of water resources in Ganjiang River basin under impact of climate change［J］.Water Resources and Hydropower Engineering，2018，49（6）：39-46.（in Chinese））

［21］雷華錦，馬佳培，李弘毅，等.基于分位數(shù)映射法的黑河上游氣候模式降水誤差訂正［J］.高原氣象，2020，39（2）：234-238.（LEI H J，MA J P，LI H Y，et al.Bias correction of climate model precipitation in the Upper Heihe River basin based on quantile mapping method［J］.Plateau Meteorology，2020，39（2）：234-238.（in Chinese））

［22］HUANG S C，EISNER S，MAGNUSSON J O，et al.Improvements of the spatially distributed hydrological modelling using the HBV model at 1 km resolution for Norway［J］.Journal of Hydrology，2019，577：123585.

［23］譚明豪，姚娟娟，張智，等.基于Morris的SWMM水質參數(shù)靈敏度分析與應用［J］.水資源與水工程學報，2015，26（6）：117-122.（TAN M H，YAO J J，ZHANG Z，et al.Analysis and application of sensitivity of water quality parameter based on SWMM of Morris［J］.Journal of Water Resources and Water Engineering，2015，26（6）：117-122.（in Chinese））

［24］LENHART T，ECKHARDT K，F(xiàn)OHRER N，et al.Comparison of two different approaches of sensitivity analysis［J］.Physics and Chemistry of the Earth，2002，27（9/10）：645-654.

［25］KNIGHTON J，LENNON E，BASTIDAS L，et al.Stormwater detention system parameter sensitivity and uncertainty analysis using SWMM［J］.Journal of Hydrologic Engineering，2016，21（8）：5016014.

［26］LI D L，JU Q，JIANG P，et al.Sensitivity analysis of hydrological model parameters based on improved Morris method with the double-Latin hypercube sampling［J］.Hydrology Research，2023，54（2）：220-232.

［27］韓銘洋，胡金輝，桑梓杰，等.基于Morris與正交試驗的SWMM模型參數(shù)敏感性分析［J］.水利水電快報，2024，45（2）：11-18.（HAN M Y，HU J H，SANG Z J，et al.Sensitivity analysis of SWMM model parameters based on Morris and orthogonal test［J］.Express Water Resources amp; Hydropower Information，2024，45（2）：11-18.（in Chinese））

［28］歐陽帥.祁連山排露溝水文動態(tài)HBV模型模擬參數(shù)檢驗及敏感性分析［D］.北京：北京林業(yè)大學，2014.（OUYANG S.Parameter test and sensitivity analysis of hydrological dynamic HBV model in Pailugou，Qilian Mountain［D］.Beijing：Beijing Forestry University，2014.（in Chinese））