未來氣候模式下黃河流域極端降水指數(shù)時空分布特征

摘 要：以氣候變化敏感區(qū)黃河流域為研究區(qū)，再現(xiàn)和預估流域內極端降水事件的時空分布特征。采用Ｄｅｌｔａ 降尺度以及多指標評價方法建立ＣＭＩＰ６ 氣候模式數(shù)據(jù)集，選?。保?個極端降水指數(shù)研究極端降水指數(shù)的時空分布特征。結果表明，黃河流域歷史（１９８０—２０１４ 年）及ＳＳＰ１２６、ＳＳＰ２４５、ＳＳＰ５８５ 情景下未來（２０２２—２１００ 年）除連續(xù)干日數(shù)（ＣＤＤ）外的１１ 個極端降水指數(shù)多年均值的空間格局相似，整體上呈現(xiàn)出由東南向西北遞減的趨勢，南北向變化率比東西向的大。年際上，１１ 個極端降水指數(shù)均呈現(xiàn)不顯著的波動性上升趨勢。整體上各極端降水指數(shù)呈現(xiàn)波動性上升趨勢，但上升趨勢并不顯著。

關鍵詞：未來氣候模式；極端降水指數(shù)；氣候情景；黃河流域

中圖分類號：Ｐ３３８；ＴＶ８８２．１ 文獻標志碼：Ａ ｄｏｉ：１０．３９６９／ ｊ．ｉｓｓｎ．１０００－１３７９，２０２４．１１．００６

引用格式：李小雨，張國棟，尹昌燕，等．未來氣候模式下黃河流域極端降水指數(shù)時空分布特征［Ｊ］．人民黃河，２０２４，４６（１１）：３７－４２．

０ 引言

聯(lián)合國氣候變化專門委員會（ＩＰＣＣ）第六次評估報告（ＡＲ６）指出，全球變暖趨勢持續(xù)加劇，區(qū)域氣候變化將更明顯［１－６］ 。其中，極端降水與氣候變暖間的關系是復雜的，溫度升高，大氣在飽和前儲存更多的水分，直接導致短時間內的降水量增多。研究表明，氣候變化對極端降水的影響主要表現(xiàn)在改變其頻率、強度、持續(xù)時間、空間分布等特性上，從而導致洪水、水土流失、泥石流等次生災害明顯增加［７］ 。因此，科學認識氣候驅動的極端降水變化機理，對于流域生態(tài)保護以及水、糧食和能源安全十分重要。

目前對于極端降水事件的評估，最常用的是氣候變化監(jiān)測專家組推薦的極端降水指數(shù)。國內外常用的極端降水指數(shù)主要包括：Ｆｒｉｃｈ 等［８］ 提出的極端降水指數(shù)，包括持續(xù)干日數(shù)（ＣＤＤ）、強降水量（Ｒ９０Ｐ）、極強降水量（Ｒ９５Ｐ）、５ ｄ 最大降水量（ＲＸ５Ｄａｙ）；ＩＰＣＣ 第四次報告確定的２７ 個核心極端氣候指數(shù)［９］ ，其中與降水相關的指數(shù)有１２ 個（見表１）。

根據(jù)指數(shù)所描述降雨特性，所有指數(shù)可以分為３類：１）持續(xù)日數(shù)，反映某一狀態(tài)持續(xù)時間，包括ＣＤＤ、ＣＷＤ；２）降水量，反映某一時段內所累計的降水量的大小， 包括ＰＲＣＰＴＯＴ、Ｒ９０Ｐ、Ｒ９５Ｐ、ＲＸ１Ｄａｙ 和ＲＸ５Ｄａｙ；３）降水強度，反映單位時間內的降水量，包括ＳＤＩＩ、ＳＤＩＩ（９０）、ＳＤＩＩ（９５）。

從２０ 世紀９０ 年代中期開始，氣候建模工作主要與ＩＰＣＣ 的耦合模型相互比較項目（ＣＭＩＰ）一起進行。相較于ＣＭＩＰ５，第六階段耦合比較計劃（ＣＭＩＰ６）設計了更多的數(shù)值試驗，提供了更龐大的模擬數(shù)據(jù)集，且為了解決分辨率較低的問題，ＣＭＩＰ６ 推出了高分辨率區(qū)域氣候模式（ ＷＲＦ）， 但目前所參與的模式并不多［１０－１１］ 。不同于ＣＭＩＰ５，ＣＭＩＰ６ 基于不同共享社會經(jīng)濟路徑可能發(fā)生的能源結構所產(chǎn)生的人為排放及土地利用變化，設計了一系列新的情景預估試驗，為未來氣候變化機理研究以及氣候變化減緩和適應研究提供關鍵的數(shù)據(jù)支持。舒章康等［１２］ 基于ＣＭＩＰ６ 的１１ 種全球氣候模式，分析并預測了我國未來極端降水和高溫事件的演變特征，結果顯示，相較于歷史時期，未來我國各地區(qū)極端降水和高溫事件均呈現(xiàn)上升趨勢。Ｆａｙｅ等［１３］ 利用１９ 個ＣＭＩＰ６ 模式模擬西非地區(qū)９ 個極端降水指數(shù)，結果表明ＣＭＩＰ６ 模式能夠完整地再現(xiàn)研究區(qū)極端降水指數(shù)時空分布。氣候模式對于極端降水的模擬性能存在明顯的地區(qū)差異，且極端降水相較于極端高溫事件，其變化趨勢表現(xiàn)出更強的區(qū)域差異［１４］ 。因此，針對不同區(qū)域開展深入研究，對于模型的改進具有重要意義。

本研究以黃河流域為研究區(qū)，基于優(yōu)選評估后和多模式集合后的ＣＭＩＰ６ 數(shù)據(jù)集，提?。保?個極端降水指數(shù)，再現(xiàn)歷史及預估未來各情景下黃河流域極端降水事件的時間演變和空間分布特征。

１ 研究區(qū)概況與研究方法

１．１ 研究區(qū)概況

黃河流域處于干旱半干旱區(qū)，屬于氣候敏感區(qū)，氣溫升高導致流域內汛期常見大范圍暴雨、持續(xù)性降水和對流性大風等天氣。黃河流域多年平均降水量約為４７６ ｍｍ，主要以暴雨形式降落。流域內降水具有明顯的季節(jié)性，全年約７０％降水主要集中于夏季且呈現(xiàn)出強烈的區(qū)域性，而冬季降水少且變化率小?？臻g上，年降水整體上呈從東南向西北遞減趨勢，降水高值區(qū)主要分布于流域東南部濕潤半濕潤地區(qū)，年降水量超８００ ｍｍ，低值區(qū)主要分布于流域北部干旱地區(qū)，年降水量小于２００ ｍｍ。年際差異大，豐水年與枯水年的降水量之比為１．７～７．５。

１．２ 數(shù)據(jù)的收集與處理

１）水文數(shù)據(jù)。本文所采用的水文數(shù)據(jù)主要包括：黃河流域１９８０—２０１４ 年９４ 個地面氣象站逐日降水量數(shù)據(jù)，來源于國家氣候中心（ｈｔｔｐ：／／ ｗｗｗ．ｎｍｉｃ．ｃｎ／ ）；黃河流域１９８０—２０１８ 年水平分辨率為３１ ｋｍ 的ＥＲＡ５降水再分析數(shù)據(jù)，其作為歐洲中期天氣預報中心全球氣候最新產(chǎn)品，對全球日降水數(shù)據(jù)具有一定的再現(xiàn)能力。

２） 氣候模式數(shù)據(jù)?；谇叭搜芯浚?本文選?。茫停桑校?氣候模式中對于黃河流域極端降水指數(shù)模擬較優(yōu)且資料完備的６ 個模式探究歷史及未來時期降水量［１５－１６］ ，包括ＥＣ －Ｅａｒｔｈ３、ＥＣ －Ｅａｒｔｈ３ － Ｖｅｇ、ＧＦＤＬ －ＥＳＭ４、ＭＰＩ－ＥＳＭ１ －２ －ＨＲ、ＭＲＩ－ＥＳＭ２ －０ 和ＩＰＳＬＣＭ６Ａ－ＬＲ 的日降水數(shù)據(jù)集（見表２），數(shù)據(jù)來源于ｈｔ?ｔｐｓ：／／ ｅｓｇｆ－ｉｎｄｅｘ１．ｃｅｄａ．ａｃ．ｕｋ／ ｐｒｏｊｅｃｔｓ－ｃｍｉｐ６－ｃｅｄａ／ 。

下載的ＣＭＩＰ６ 數(shù)據(jù)集提供了１９８０—２０１４ 年歷史模擬及２０１５—２１００ 年未來預估的日降水數(shù)據(jù)，為與其保持時間信息一致性，本文以１９８０—２０１４ 年為歷史基準期，以２０２２—２１００ 年為未來預估時期，選?。?種不同共享社會經(jīng)濟路徑（ Ｓｈａｒｅｄ Ｓｏｃｉｏ － ｅｃｏｎｏｍｉｃＰａｔｈｗａｙｓ， ＳＳＰｓ），即低、中、高排放情景下的ＳＳＰ１－２．６（ＳＳＰ１２６）、ＳＳＰ２－４．５（ＳＳＰ２４５）和ＳＳＰ５－８．５（ＳＳＰ５８５）進行對比分析。

３）極端降水指數(shù)。根據(jù)ＩＰＣＣ 第四次報告所確定的２７ 個核心極端氣候指數(shù)，本文選擇與降水相關的１２ 個作為評估指標（見表１），從降水的強度、頻次、持續(xù)性和貢獻率等方面全面評估黃河流域降水特性。其中，ＳＤＩＩ（９０），ＳＤＩＩ（９５）可由ＳＤＩＩ 定義拓展計算。

１．３ 研究方法

１）Ｄｅｌｔａ 降尺度法。為保持數(shù)據(jù)分辨率的一致性，本文采用雙線性插值法將所有歷史及未來數(shù)據(jù)統(tǒng)一插值到０．２５°×０．２５°網(wǎng)格。雙線性插值是對線性插值在二維向量上的拓展，即在兩個方向上分別進行一次線性插值［１７］ 。

為彌補低分辨率數(shù)據(jù)的不足，本文以ＥＲＡ５ 為參考數(shù)據(jù)，采用Ｄｅｌｔａ 降尺度法對歷史模式及未來數(shù)據(jù)進行偏差修正。該方法主要通過比較歷史模式數(shù)據(jù)與實測數(shù)據(jù)間的差異求得變化因子，并假設未來情景中該變化因子保持不變，由此達到修正未來數(shù)據(jù)的目的［１８］ 。

２）氣候模式評估。本文以歷史時期為驗證期，根據(jù)泰勒圖（Ｓ）［１９］ 、時間變率技巧評分（ＩＶＳ）［２０］ 和綜合評級指數(shù)（ＭＲ）［２１］ 對歷史時期觀測的與降尺度模擬的極端降水指數(shù)進行誤差檢驗，優(yōu)選出適合黃河流域極端降水指數(shù)分析的氣候模式。

２ 結果與分析

２．１ 氣候模式評估及優(yōu)選

歷史時期（１９８０—２０１４ 年）６ 個氣候模式對于１２個極端降水指數(shù)的空間格局的模擬能力普遍不高，空間相關系數(shù)整體分布于０．３～０．７，標準差整體分布于０．５～１．５，中心均方根誤差整體分布于０．５～１．０，對不同指數(shù)上顯現(xiàn)出不同的模擬效果，其中，所有模式對ＳＤＩＩ、ＳＤＩＩ（９０）、ＳＤＩＩ（９５）和ＲＸ５Ｄａｙ 的模擬能力都較強，對ＰＲＣＰＴＯＴ、Ｒ９０Ｐ、Ｒ９５Ｐ、ＣＤＤ 和ＣＷＤ 的模擬能力較弱。對于ＣＷＤ，６ 個模式的Ｓ 值均小于０．３，其中ＩＰＳＬ－ＣＭ６Ａ－ＬＲ 模擬效果最差（Ｓ 值＝ ０．０７），ＭＰＩＥＳＭ１－２－ＨＲ 模擬效果最優(yōu)（Ｓ 值＝ ０．２９）。各模式整體上對Ｒ２０ＭＭ 的模擬效果最優(yōu)，有６ 個模式的Ｓ 值均大于０．４。

ＩＶＳ 得分顯示，６ 個ＣＭＩＰ６ 氣候模式對于黃河流域１２ 個極端降水指數(shù)的年際變化率的模擬能力整體一般。從指數(shù)上看，各模式對ＰＲＣＰＴＯＴ、Ｒ９０Ｐ、Ｒ９５Ｐ和Ｒ２０ＭＭ 的年際變化率模擬效果都較好，其中對Ｒ９５Ｐ 的模擬最優(yōu)，６ 個模式的ＩＶＳ 得分均小于０．４，各模式中ＥＣ－Ｅａｒｔｈ３－Ｖｅｇ模擬效果最優(yōu)，ＭＲＩ－ＥＳＭ２－０模擬效果最差。各模式對ＣＷＤ 的年際變化率的模擬效果最差，６ 個模式的ＩＶＳ 得分均大于０．４。

對于空間格局的再現(xiàn)能力，ＥＣ－Ｅａｒｔｈ３－Ｖｅｇ、ＧＦＤＬＥＳＭ４和ＩＰＳＬ－ＣＭ６Ａ－ＬＲ 對于１２ 個指數(shù)的整體模擬性能較好；對于年際變化率的再現(xiàn)能力，ＭＰＩ－ＥＳＭ１－２－ＨＲ和ＭＲＩ－ＥＳＭ２－０ 對于１２ 個指數(shù)的整體模擬性能較好。本研究中，對于空間格局表現(xiàn)最佳的模型與年際變化率表現(xiàn)最佳的模型不一致，說明本研究所用的ＣＭＩＰ６ 模式對于極端降水指數(shù)的空間格局和年際變化率的模擬性能不一致，見圖１（圖中，ＭＭＥ２ 為前兩名模式平均集合，ＭＭＥ３ 為前三名模式平均集合，ＭＭＥ４ 為前四名模式平均集合，ＭＭＥ５ 為前五名模式平均集合，ＭＭＥ６ 為所有模式平均集合）。

為了降低氣候模式的不確定性，基于單個模式的診斷結果，比較ＭＭＥ２、ＭＭＥ３、ＭＭＥ４、ＭＭＥ５、ＭＭＥ６的模擬效果，這幾種模式的平均集合對于１２ 個極端降水指數(shù)的模擬性能都有明顯的提高，相關系數(shù)均能達０．６，且標準差、中心均方根誤差較觀測值均減小。多模式集合后的數(shù)據(jù)集對于１２ 個極端降水指數(shù)的年際變化率的模擬性能略有提升，使得ＩＶＳ 得分更接近于０。ＭＲ 得分表明多模式集合能顯著改善對１２ 個極端降水指數(shù)整體的空間格局和年際變化率的再現(xiàn)能力。

由各模式和多模式集合數(shù)據(jù)集的ＭＲ 平均得分，獲得各模式對于流域內極端降水指數(shù)的整體模擬性能排名，結果顯示，隨著集合平均的模式數(shù)量的增加，模擬性能先提高后降低，其中多模式集合平均中前四名模式平均集合ＭＭＥ４ 對于１２ 個極端降水指數(shù)的模擬最優(yōu)（見圖２）。因此，本文以ＭＭＥ４ 作為模式數(shù)據(jù)集，用于提取黃河流域歷史及未來ＳＳＰ１２６、ＳＳＰ２４５ 和ＳＳＰ５８５ 情景下１２ 個極端降水指數(shù)。

２．２ 歷史及各情景下未來極端降水指數(shù)時空變化趨勢

２．２．１ 歷史及各情景下未來極端降水指數(shù)空間格局

歷史及未來時期１２ 個指數(shù)的空間分布格局差異都不明顯，除ＣＤＤ 外，整體上呈現(xiàn)從東南向西北遞減的趨勢。對于描述降雨持續(xù)性的指數(shù)ＣＷＤ、ＣＤＤ（見圖３），歷史時期流域內多年均值為２１．９３、４３． ４４ ｄ， 未來ＳＳＰ１２６、ＳＳＰ２４５、ＳＳＰ５８５ 情景下相較于歷史時期的變化率分別為－１２．１％、－ １１．５％、－ １６．２％，４．８％、－ １．８％、－３．３％，空間上呈現(xiàn)南多北少的格局。

對于描述降水量的指數(shù)ＲＸ１Ｄａｙ、ＲＸ５Ｄａｙ、ＰＲＣＰ?ＴＯＴ、Ｒ９０Ｐ、Ｒ９５Ｐ， 歷史時期流域多年均值分別為１８．９１、４１．５２、５２９．９９、１５７．０８、９４．９４ ｍｍ，相較于歷史時期，ＳＳＰ１２６、ＳＳＰ２４５、ＳＳＰ５８５ 情景下變化率分別為１４．３％、１３．６％、１５． ４％，１２． ３％、１２． ０％、１３． ８％，１９． ７％、１５．２％、１８．２％，２３．６％、１９．３％、２３．０％，２３．７％、２０．０％、２３．７％。

對于描述降水強度的指數(shù)ＳＤＩＩ、ＳＤＩＩ（９０）、ＳＤＩＩ（９５）（見圖４），歷史時期流域多年均值為３．８６、１１．６３、１３．９３ ｍｍ／ ｄ，相較于歷史時期，ＳＳＰ１２６、ＳＳＰ２４５、ＳＳＰ５８５情景下變化率分別為８．７％、７．５％、８．５％，１０．８％、１０．６％、１１．７％，１１．４％、１１．１％、１２．５％。這些指數(shù)在空間分布上具有相似的格局，整體上呈現(xiàn)從東南向西北遞減的趨勢，高值區(qū)出現(xiàn)在三門峽至花園口段，低值區(qū)出現(xiàn)于河源至頭道拐段，最大值與最小值之間差異明顯。

２．２．２ 歷史及各情景下未來極端降水指數(shù)年際變化

ＣＤＤ 變化率最大，其歷史及ＳＳＰ１２６、ＳＳＰ２４５ 和ＳＳＰ５８５ 情景下未來多年均值分別為２１．９、２３．０、２１．５、２１．２ ｄ，標準差分別為３．０、３．２、２．８、２．４ ｄ，ＣＤＤ 上下波動幅度較大，歷史時期最大值５１．０５ ｄ 出現(xiàn)于２００５ 年，最小值３６．０２ ｄ 出現(xiàn)于１９８３ 年。對于描述降水量的指數(shù)，ＰＲＣＰＴＯＴ 的增長較為明顯，其歷史及各情景下未來多年均值分別為５３０．０、６３４．２、６１０．７、６２６．３ ｍｍ，標準差分別為３３．７、４４．２、５０．６、４９．３ ｍｍ，ＰＲＣＰＴＯＴ 歷史時期最大值５８６．６６ ｍｍ 出現(xiàn)于２０１３ 年，最小值４５１．０９ ｍｍ出現(xiàn)于１９９２ 年。對于描述降水強度的指數(shù)，其變化率的大小規(guī)律為ＳＤＩＩ＜ＳＤＩＩ（９０）＜ＳＤＩＩ（９５），即９５％分位值下極強降水強度的年際變化率最大，其歷史及各情景下未來多年均值分別為１３．９、１５．５、１５．５、１５．７ ｍｍ／ ｄ，標準差分別為０．６、０．４、０．５、０．６ ｍｍ／ ｄ，ＳＤＩＩ 歷史時期最大值１５．６５ ｍｍ／ ｄ 出現(xiàn)于２００７ 年，最小值１２．７１ ｍｍ／ ｄ出現(xiàn)于１９８６ 年。對于描述降水日數(shù)的指數(shù)，Ｒ１０ＭＭ變化率最大，其歷史及ＳＳＰ１２６、ＳＳＰ２４５ 和ＳＳＰ５８５ 情景下未來多年均值分別為７．８６、１１．４０、１０．７３、１１．２９ ｄ，標準差分別為１．１４、１．５７、１．８３、１．７２ ｄ，Ｒ１０ＭＭ 上下波動幅度較大，歷史時期最大值１０．２７ ｄ 出現(xiàn)于１９８２ 年，最小值５．５２ ｄ 出現(xiàn)于２００３ 年。歷史及各情景下未來黃河流域極端降水指數(shù)ＳＤＩＩ 年際變化如圖５ 所示。

３ 討論

模式ＥＣ － Ｅａｒｔｈ３ － Ｖｅｇ、ＧＦＤＬ － ＥＳＭ４ 和ＩＰＳＬ －ＣＭ６Ａ－ＬＲ 對于１２ 個指數(shù)的空間分布再現(xiàn)性能相對較好，ＭＰＩ－ＥＳＭ１－２－ＨＲ 和ＭＲＩ－ＥＳＭ２－０ 對于１２ 個指數(shù)的年際變化率的整體模擬較好，表明模式對于空間格局和年際變化率的捕捉能力并不一致［２２］ 。原因可能是黃河流域橫跨多個地貌單元，本身的降雨時空分布特征較為復雜，導致模式較難捕捉其降雨時空分布特征。同時，模式對于不同指數(shù)的模擬能力不同，整體上看， 模式對于ＳＤＩＩ、ＳＤＩＩ （ ９０）、ＳＤＩＩ （ ９５） 和ＲＸ５Ｄａｙ 的模擬能力較強，而對于ＰＲＣＰＴＯＴ、Ｒ９０Ｐ、Ｒ９５Ｐ、ＣＷＤ 的模擬能力較弱，表現(xiàn)出對于平均態(tài)勢指數(shù)的模擬能力較強，而對于描述降水量年內分布的指數(shù)的模擬能力較差，存在明顯的偏高估［１５］ ，這可能與研究區(qū)所處的地理位置有關，ＣＭＩＰ６ 氣候模式相較于ＣＭＩＰ５ 氣候模式，其對于干旱、半干旱地區(qū)的平均極端降水的模擬能力顯著改善，對于濕潤區(qū)的改善并不明顯，其物理過程、動力學框架還需要更深入的研究。

馮安蘭等［２３］ 研究發(fā)現(xiàn)黃河流域極端降水指數(shù)空間分布格局呈現(xiàn)西北低、東南高的格局，這與本研究的結果是一致的。相較于原始的數(shù)據(jù)集，ＭＭＥ２、ＭＭＥ３、ＭＭＥ４、ＭＭＥ５、ＭＭＥ６ 對于１２ 個極端降水指數(shù)的年際變化率和空間格局的模擬性能均有所提高。綜合得分隨著模式平均個數(shù)的增加先增大后減小，文中前四名模式集合平均生成的數(shù)據(jù)集（ＭＭＥ４）最能真實地模擬黃河流域的極端降水指數(shù)。原因在于多模式集合使得空間格局和年際變化率間的模擬誤差相互抵消，可提高模式的模擬能力，但隨著模式樣本容量的增大，達到一定數(shù)量后會趨于穩(wěn)定［２４－２７］ 。由此，多模式集合中，通過改變集合模式個數(shù)獲得最優(yōu)的數(shù)據(jù)集，而不是利用所有模式的集合，可進一步降低模式的不確定性。

４ 結論

基于ＣＭＩＰ６ 中的６ 個模式數(shù)據(jù)，采用雙線性插值結合Ｄｅｌｔａ 降尺度對模式數(shù)據(jù)進行偏差校正，并利用多種指數(shù)評估氣候模式對于黃河流域１２ 個極端降水指數(shù)的模擬性能，根據(jù)優(yōu)選集合后的模式數(shù)據(jù)分析了流域內歷史及各情景下未來極端降水指數(shù)的時空特征。ＭＲ 綜合得分顯示，ＧＦＤＬ－ＥＳＭ４、ＥＣ－Ｅａｒｔｈ３－Ｖｅｇ和ＥＣ－Ｅａｒｔｈ３ 是對黃河流域１２ 個極端降水指數(shù)的空間格局和年際變化率模擬效果較優(yōu)的３ 個模式。多模式集合能顯著改善模式對黃河流域１２ 個極端降水指數(shù)的空間格局和年際變化率的再現(xiàn)性能。除ＣＤＤ 外的１１ 個指數(shù)，整體上呈現(xiàn)出由東南向西北遞減的趨勢，南北向比東西向變化率更大，降水高值區(qū)位于三門峽至花園口段，低值區(qū)出現(xiàn)于蘭州至河口段，最大值與最小值之間差異明顯。年際上，各極端降水指數(shù)呈現(xiàn)波動性上升趨勢，但上升趨勢并不顯著。

參考文獻：

［１］ 姜克雋．ＩＰＣＣ 第三工作組第六次評估報告：全球減緩走向何方？ ［Ｊ］．氣候變化研究進展，２０２０，１６（２）：２５１－２５２．

［２］ 周天軍，鄒立維，陳曉龍．第六次國際耦合模式比較計劃（ＣＭＩＰ６）評述［Ｊ］．氣候變化研究進展， ２０１９，１５（５）：４４５－４５６．

［３］ ＬＩ Ｃ，ＺＷＩＥＲＳ Ｆ，ＺＨＡＮＧ Ｘ Ｂ，ｅｔ ａｌ．Ｌａｒｇｅｒ Ｉｎｃｒｅａｓｅｓ ｉｎ Ｍｏｒｅ Ｅｘｔｒｅｍｅ Ｌｏｃａｌ Ｐｒｅｃｉｐｉｔａｔｉｏｎ Ｅｖｅｎｔｓ ａｓ Ｃｌｉｍａｔｅ Ｗａｒｍｓ［Ｊ］．Ｇｅｏ?ｐｈｙｓｉｃａｌ Ｒｅｓｅａｒｃｈ Ｌｅｔｔｅｒｓ，２０１９，４６（１２）：６８８５－６８９１．

［４］ ＣＨＥＮ Ｌ，ＦＯＲＤ Ｔ Ｗ．Ｅｆｆｅｃｔｓ ｏｆ ０．５ °Ｃ Ｌｅｓｓ Ｇｌｏｂａｌ Ｗａｒｍｉｎｇ ｏｎ Ｃｌｉｍａｔｅ Ｅｘｔｒｅｍｅｓ ｉｎ ｔｈｅ Ｃｏｎｔｉｇｕｏｕｓ Ｕｎｉｔｅｄ Ｓｔａｔｅｓ［Ｊ］．Ｃｌｉ?ｍａｔｅ Ｄｙｎａｍｉｃｓ，２０２１，５７：３０３－３１９．

［５］ 呂睿喆，趙曉祥，翁白莎，等．烏梁素海流域氣候模式適用性評價及旱澇預估［Ｊ］．人民黃河，２０１７，３９（４）：５３－５７．

［６］ 劉昌明，劉璇，楊亞鋒，等．水文地理研究發(fā)展若干問題商榷［Ｊ］．地理學報，２０２２，７７（１）：３－１５．

［７］ ＧＡＯ Ｔ，ＷＡＮＧ Ｈ Ｌ．Ｔｒｅｎｄｓ ｉｎ Ｐｒｅｃｉｐｉｔａｔｉｏｎ Ｅｘｔｒｅｍｅｓ ｏｖｅｒ ｔｈｅ Ｙｅｌｌｏｗ Ｒｉｖｅｒ Ｂａｓｉｎ ｉｎ Ｎｏｒｔｈ Ｃｈｉｎａ：Ｃｈａｎｇｉｎｇ Ｐｒｏｐｅｒｔｉｅｓ ａｎｄ Ｃａｕｓｅｓ［Ｊ］．Ｈｙｄｒｏｌｏｇｉｃａｌ Ｐｒｏｃｅｓｓｅｓ，２０１７，３１（１３）：２４１２－２４２８．

［８］ ＦＲＩＣＨ Ｐ， ＡＬＥＸＡＮＤＥＲ Ｌ， ＤＥＬＬＡ?ＭＡＲＴＡ Ｐ， ｅｔ ａｌ．Ｏｂｓｅｒｖｅｄ Ｃｏｈｅｒｅｎｔ Ｃｈａｎｇｅｓ ｉｎ Ｃｌｉｍａｔｉｃ Ｅｘｔｒｅｍｅｓ Ｄｕｒｉｎｇ ｔｈｅ Ｓｅｃｏｎｄ Ｈａｌｆ ｏｆ ｔｈｅ Ｔｗｅｎｔｉｅｔｈ Ｃｅｎｔｕｒｙ［Ｊ］．Ｃｌｉｍａｔｅ Ｒｅｓｅａｒｃｈ，２００２，１９（３）：１９３－２１２．

［９］ 尹紅，孫穎．基于ＥＴＣＣＤＩ 指數(shù)２０１７ 年中國極端溫度和降水特征分析［Ｊ］．氣候變化研究進展，２０１９，１５（４）：３６３－３７３．

［１０］ 王闖，戴長雷，宋成杰．青藏高原氣候變化的時空分布特征分析［Ｊ］．人民黃河，２０２２，４４（９）：７６－８２．

［１１］ 沙健，路瑞，孫運海，等．基于模型聯(lián)用評估氣候變化對徑流特征的影響［Ｊ］．人民黃河，２０１７，３９（１１）：５７－６２，６５．

［１２］ 舒章康，李文鑫，張建云，等．中國極端降水和高溫歷史變化及未來趨勢［Ｊ］．中國工程科學，２０２２，２４（５）：１１６－１２５．

［１３］ ＦＡＹＥ Ａ，ＡＫＩＮＳＡＮＯＬＡ Ａ Ａ．Ｅｖａｌｕａｔｉｏｎ ｏｆ Ｅｘｔｒｅｍｅ Ｐｒｅ?ｃｉｐｉｔａｔｉｏｎ Ｉｎｄｉｃｅｓ ｏｖｅｒ Ｗｅｓｔ Ａｆｒｉｃａ ｉｎ ＣＭＩＰ６ Ｍｏｄｅｌｓ［Ｊ］．Ｃｌｉｍａｔｅ Ｄｙｎａｍｉｃｓ，２０２１，５８：９２５－９３９．

［１４］ 張磊，王春燕，潘小多．基于區(qū)域氣候模式未來氣候變化研究綜述［Ｊ］．高原氣象，２０１８，３７（５）：１４４０－１４４８．

［１５］ 王予，李惠心，王會軍，等．ＣＭＩＰ６ 全球氣候模式對中國極端降水模擬能力的評估及其與ＣＭＩＰ５ 的比較［Ｊ］．氣象學報，２０２１，７９（３）：３６９－３８６．

［１６］ ＸＵ Ｈ Ｗ，ＣＨＥＮ Ｈ Ｐ，ＷＡＮＧ Ｈ Ｊ．Ｆｕｔｕｒｅ Ｃｈａｎｇｅｓ ｉｎ Ｐｒｅｃｉｐｉ?ｔａｔｉｏｎ Ｅｘｔｒｅｍｅｓ Ａｃｒｏｓｓ Ｃｈｉｎａ Ｂａｓｅｄ ｏｎ ＣＭＩＰ６ Ｍｏｄｅｌｓ［Ｊ］．Ｉｎ?ｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ Ｃｌｉｍａｔｏｌｏｇｙ，２０２２，４２（１）：６３５－６５１．

［１７］ 徐振亞，任福民，楊修群，等．日最高溫度統(tǒng)計降尺度方法的比較研究［Ｊ］．氣象科學，２０１２，３２（４）：３９５－４０２．

［１８］ 劉倩，高路，馬苗苗，等．遼寧大凌河流域氣溫和降水降尺度研究［Ｊ］．水利水電技術（中英文），２０２１，５２（９）：１６－３１．

［１９］ 向竣文，張利平，鄧瑤，等．基于ＣＭＩＰ６ 的中國主要地區(qū)極端氣溫／ 降水模擬能力評估及未來情景預估［Ｊ］．武漢大學學報（工學版），２０２１，５４（１）：４６－５７，８１．

［２０］ ＣＨＥＮ Ｗ Ｌ，ＪＩＡＮＧ Ｚ Ｈ，ＬＩ Ｌ．Ｐｒｏｂａｂｉｌｉｓｔｉｃ Ｐｒｏｊｅｃｔｉｏｎｓ ｏｆ Ｃｌｉｍａｔｅ Ｃｈａｎｇｅ ｏｖｅｒ Ｃｈｉｎａ Ｕｎｄｅｒ ｔｈｅ ＳＲＥＳ Ａ１Ｂ Ｓｃｅｎａｒｉｏ Ｕｓｉｎｇ ２８ ＡＯＧＣＭｓ［Ｊ］．Ｊｏｕｒｎａｌ ｏｆ Ｃｌｉｍａｔｅ，２０１１，２４（１７）：４７４１－４７５６．

［２１］ ＪＩＡＮＧ Ｚ Ｈ，ＬＩ Ｗ，ＸＵ Ｊ Ｊ，ｅｔ ａｌ．Ｅｘｔｒｅｍｅ Ｐｒｅｃｉｐｉｔａｔｉｏｎ Ｉｎｄｉ?ｃｅｓ ｏｖｅｒ Ｃｈｉｎａ ｉｎ ＣＭＩＰ５ Ｍｏｄｅｌｓ．Ｐａｒｔ Ｉ：Ｍｏｄｅｌ Ｅｖａｌｕａｔｉｏｎ ［Ｊ］．Ｊｏｕｒｎａｌ ｏｆ Ｃｌｉｍａｔｅ，２０１５，２８（２１）：８６０３－８６１９．

［２２］ ＴＡＮＧ Ｂ，ＨＵ Ｗ Ｔ，ＤＵＡＮ Ａ Ｍ．Ａｓｓｅｓｓｍｅｎｔ ｏｆ Ｅｘｔｒｅｍｅ Ｐｒｅ?ｃｉｐｉｔａｔｉｏｎ Ｉｎｄｉｃｅｓ ｏｖｅｒ Ｉｎｄｏｃｈｉｎａ ａｎｄ Ｓｏｕｔｈ Ｃｈｉｎａ ｉｎ ＣＭＩＰ６ Ｍｏｄｅｌｓ［Ｊ］．Ｊｏｕｒｎａｌ ｏｆ Ｃｌｉｍａｔｅ，２０２１，３４（１８）：７５０７－７５２４．

［２３］ 馮安蘭，張強，宋金帛，等．基于ＣＭＩＰ６ 的黃河流域極端降水時空特征分析［Ｊ］．北京師范大學學報（自然科學版），２０２４，６０（２）：２７０－２８４．

［２４］ ＪＩＡＮ Ｓ Ｑ，ＺＨＵ Ｔ Ｓ，ＷＡＮＧ Ｊ Ｙ，ｅｔ ａｌ．Ｔｈｅ Ｃｕｒｒｅｎｔ ａｎｄ Ｆｕｔｕｒｅ Ｐｏｔｅｎｔｉａｌ Ｇｅｏｇｒａｐｈｉｃａｌ Ｄｉｓｔｒｉｂｕｔｉｏｎ ａｎｄ Ｅｖｏｌｕｔｉｏｎ Ｐｒｏｃｅｓｓ ｏｆ Ｃａｔａｌｐａ ｂｕｎｇｅｉ ｉｎ Ｃｈｉｎａ［Ｊ］． Ｆｏｒｅｓｔｓ，２０２２，１３（１）：９６．

［２５］ ＨＡＭＬＥＴ Ａ Ｆ，ＢＹＵＮ Ｋ，ＲＯＢＥＳＯＮ Ｓ Ｍ，ｅｔ ａｌ．Ｉｍｐａｃｔｓ ｏｆ Ｃｌｉｍａｔｅ Ｃｈａｎｇｅ ｏｎ ｔｈｅ Ｓｔａｔｅ ｏｆ Ｉｎｄｉａｎａ：Ｅｎｓｅｍｂｌｅ Ｆｕｔｕｒｅ Ｐｒｏｊｅｃｔｉｏｎｓ Ｂａｓｅｄ ｏｎ Ｓｔａｔｉｓｔｉｃａｌ Ｄｏｗｎｓｃａｌｉｎｇ ［Ｊ］． Ｃｌｉｍａｔｉｃ Ｃｈａｎｇｅ，２０１９，１６３（４）：１８８１－１８９５．

［２６］ ＩＮＮＯＣＥＮＴＩ Ｓ，ＭＡＩＬＨＯＴ Ａ，ＬＥＤＵＣ Ｍ，ｅｔ ａｌ． Ｐｒｏｊｅｃｔｅｄ Ｃｈａｎｇｅｓ ｉｎ ｔｈｅ Ｐｒｏｂａｂｉｌｉｔｙ Ｄｉｓｔｒｉｂｕｔｉｏｎｓ， Ｓｅａｓｏｎａｌｉｔｙ， ａｎｄ Ｓｐａｔｉｏｔｅｍｐｏｒａｌ Ｓｃａｌｉｎｇ ｏｆ Ｄａｉｌｙ ａｎｄ Ｓｕｂｄａｉｌｙ Ｅｘｔｒｅｍｅ Ｐｒｅ?ｃｉｐｉｔａｔｉｏｎ Ｓｉｍｕｌａｔｅｄ ｂｙ ａ ５０?Ｍｅｍｂｅｒ Ｅｎｓｅｍｂｌｅ ｏｖｅｒ Ｎｏｒｔｈ?ｅａｓｔｅｒｎ Ｎｏｒｔｈ Ａｍｅｒｉｃａ［Ｊ］．Ｊｏｕｒｎａｌ ｏｆ Ｇｅｏｐｈｙｓｉｃａｌ Ｒｅｓｅａｒｃｈ：Ａｔｍｏｓｐｈｅｒｅｓ，２０１９，１２４（１９）：１０４２７－１０４４９．

［２７］ ＣＨＥＮ Ｊ，ＢＲＩＳＳＥＴＴＥ Ｆ．Ｓｔｏｃｈａｓｔｉｃ Ｇｅｎｅｒａｔｉｏｎ ｏｆ Ｄａｉｌｙ Ｐｒｅ?ｃｉｐｉｔａｔｉｏｎ Ａｍｏｕｎｔｓ： Ｒｅｖｉｅｗ ａｎｄ Ｅｖａｌｕａｔｉｏｎ ｏｆ Ｄｉｆｆｅｒｅｎｔ Ｍｏｄｅｌｓ［Ｊ］．Ｃｌｉｍａｔｅ Ｒｅｓｅａｒｃｈ，２０１４，５９（３）：１８９－２０６．

【責任編輯 張 帥】

基金項目：黃委優(yōu)秀青年人才科技項目（ＨＱＫ－２０２３０５）；貴州省科技支撐一般項目（２０６）；國家重點研發(fā)計劃項目（２０２２ＹＦＣ３００３４０５０２）