气候变化对嘉陵江流域水资源和极端水文事件的影响

第 2 期水　利　水　运　工　程　学　报No. 2 2024 年 4 月HYDRO-SCIENCE AND ENGINEERING Apr. 2024 DOI:10.12170/20230611002
李文鑫，金君良，舒章康，等. 气候变化对嘉陵江流域水资源和极端水文事件的影响[J]. 水利水运工程学报，2024（2）：20-33. （LI Wenxin, JIN Junliang, SHU Zhangkang, et al. Assessing the impact of climate change on water resources and extreme hydrological events in the Jialing River Basin[J]. Hydro-Science and Engineering, 2024（2）: 20-33. （in Chinese））
气候变化对嘉陵江流域水资源和极端水文事件的影响
李文鑫1, 2, 3，金君良1, 2, 3, 4，舒章康1, 2, 3, 4, 5，张建云1, 2, 3, 4，王国庆1, 2, 3, 4，陈宇薇1, 4
(1. 水灾害防御全国重点实验室，江苏南京 210029； 2. 长江保护与绿色发展研究院，江苏南京 210098； 3. 水利
部应对气候变化研究中心，江苏南京 210029； 4. 河海大学水安全与水科学协同创新中心，江苏南京 210098；
5. 四川大学水力学与山区河流开发保护国家重点实验室，四川成都 610065)
摘要: 全球变暖导致降水变率增大，水文波动性增强。

嘉陵江水资源丰富，科学预估其未来水资源变化及极端
水文事件对支撑经济社会和生态环境平衡发展至关重要。

已有研究主要集中于嘉陵江历史径流演变，对气候变
化背景下未来流域水资源响应及极端水文事件预估较少。

基于第6次国际耦合模式比较计划CMIP6计划的
22个气候模式耦合可变下渗容量模型（VIC模型），预估了不同代表性典型浓度路径下嘉陵江流域未来径流变
化趋势，分析了极端水文事件强度的未来演变趋势。

结果表明：（1）VIC模型在嘉陵江流域的适用性较好，各站
点日径流模拟纳什效率系数均大于0.7，多年水量相对误差在8%之内，对极端水文指标年最大洪峰流量和年
最大5日洪量模拟较好；（2）流域未来气候变化将以暖湿化为主，2031—2090年降水量相较基准期
（1985—2014年）将增加5.5%~13.8%，温升幅度超2 ℃；（3）未来径流量很可能会增加，在2061—2090年，径流
量相较基准期（1985—2014年）将增加7.0%~14.0%；（4）流域未来洪水强度可能增大，在2061—2090年，SSP5-
8.5排放情景下基准期年最大洪峰流量与年最大5日洪量50年一遇值的重现期将缩短为10~20年。

气候变化
将导致流域水循环加快，水文形势不容乐观，需加强水资源综合管理及洪涝风险应对能力。

关　键　词：径流预估；气候模式； VIC模型； Copula函数；极端水文事件；嘉陵江流域
中图分类号：P467；TV121 文献标志码：A 文章编号：1009-640X(2024)02-0020-14
全球变暖加速了水循环，增强了大气持水能力，导致降水变率增大、极端降水增多[1-3]。

IPCC第6次评估报告指出，亚洲自20世纪50年代以来极端降水事件的频次和强度都在上升[4]。

未来中国极端降水将普遍增多[5]，会直接导致地区水文形势波动增强[6]。

科学预估未来径流变化不仅是地区防洪减灾、水资源保障和管理的基础工作，更是社会环境可持续发展与生态文明建设的重要支撑。

对未来径流预估主要有两大类研究方法，即统计模型法和物理过程法。

统计模型法以水量平衡为基础，根据降水径流关系预测未来径流，适合降水径流关系较为稳定且未来降水变幅较小的流域，未考虑气温上升对水文循环的影响[7-8]。

物理过程法，即通过降尺度全球气候模式（Global Climate Models, GCMs）数据驱动物理模型的方法，适用性较广， Soil and Water Assessment Tool（SWAT模型）、Variable Infiltration Capacity Macroscale Hydrologic Model（VIC模型）、栅格新安江模型及Hydrologiska Fyrans Vattenbalans Model（HBV模型）水文模型等已在中国许多流域未来径流预估中得到了检验应用[9-11]。

近来的一些研究已经将人类活动影响纳入了考虑范围[12]，主要通过增加水库模块等方式对人类活动影响下未来水文形势进行预估；极端水文事件也是未来水文形势预估的重要内容，主要针对未来年最大洪峰或年最大5日洪量等极端水文指标进行演算，对统计方法的不确定性考虑
收稿日期：2023-06-11
基金项目：国家重点研发计划项目（2021YFC3200201）；国家自然科学基金资助项目（52121006，52079026，52279018）
作者简介：李文鑫（1999—），男，山西晋城人，硕士研究生，主要从事城市洪涝风险评估研究。

E-mail：*****************通信作者：王国庆（E-mail：**************）
较少[13]。

嘉陵江流域是中国重要的能源生态基地，长江上游重要的水源涵养区。

该流域汛期降水量大，极易在河道沿岸与下游地区产生洪水，对重庆市沿江地区社会经济造成很大威胁。

未来嘉陵江流域径流量的大小及极端水文事件演变将对周边省市经济发展及防灾减灾工作产生重大影响。

但目前针对嘉陵江流域水资源演变研究主要集中于历史径流序列演变和人类活动的影响[14-15]，对未来气候变化下流域水资源响应及极端水文事件趋势预估问题亟待解决。

本文以基于第6次国际耦合模式比较计划（CMIP6）中的22个气候模式预估结果驱动VIC 模型，预估SSP1-2.6、SSP2-4.5及SSP5-8.5情景下嘉陵江流域未来径流变化趋势，并根据预估结果推求未来极端水文事件强度、频率的变化，以期为未来防洪减灾、水电开发及水资源管理工作提供科学依据。

1 数据资料与方法
1.1　研究区域与资料来源
嘉陵江是长江上游重要的一级支流，全流域地跨北纬29°18'~34°30'，东经102°33'~109°00'，流经陕西、甘肃、四川、重庆等4个省级行政区，于重庆市汇入长江，干流全长1 132 km ，流域面积为158 958 km 2。

嘉陵江水系呈树枝状，主要支流有白龙江、碚江、渠江等，河道比降大、以山区河流为主、河流汇流快，冲击力强，下游受暴雨影响极易发生山体滑坡、泥石流、山洪等自然灾害，严重威胁沿岸地区及下游重庆市人民的生命财产安全。

研究搜集了嘉陵江流域下垫面资料、干支流主要站点历史实测水文资料（1961—2000年）及实测气
象数据资料（1961—2014年）。

其中下垫面资料主要
包括马里兰大学开发的AVHRR 土地覆盖类型数据[16]、FAO 数字土壤地图、WISE 土体参数库及地理空间数据云提供的DEM 数据等，资料的空间分辨率均为1 km 。

图1给出了嘉陵江流域河流水系、子流域划分、气象站点及水文站点分布情况。

水文资料来自于长江水文年鉴日径流数据；实测气象数据来源于再分析气象数据集CN05.1，该数据集使用了中国2 400多个气象台站的逐日观测资料进行插值处理，共有58个气象台站位于嘉陵江流域，空间分辨率为0.5°×0.5°，可用于水文模型参数率
定。

为便于开展分布式水文模拟，将嘉陵江流域划分为与气象数据空间分辨率相同的网格。

气候模式数据选取最新发布的CMIP6计划中的22个气候模式（表1），以1985—2014年为基准期，以2031—2090年为预估期，对比分析了SSP1-2.6、SSP2-4.5和SSP5-8.5等3种不同社会经济发展及碳排放情景（后简称为低、中、高排放情景）下的未来径流变化趋势。

采用双线性插值将气象数据分辨率统一到0.5°×0.5°，以选取的实测气象数据为参考，采用日偏差校正法[17]（daily basis correction ，DBC ）对气候模式数据进行偏差校正。

102°E 050图例经度
纬度气象站水文站
河流
流域划分ⅠⅡⅢ
Ⅳ
ⅤⅥ
Ⅶ
Ⅷ
模型网格100200 km 30°N 31°N
32°N
33°N 34°N 35°N
103°E 104°E 105°E 106°E 107°E 108°E 109°E
图 1 嘉陵江流域水文气象站点分布及水系概况
Fig. 1 The arrangement of hydrometeorological stations and
water system in the Jialing River Basin
第 2 期
李文鑫，等：气候变化对嘉陵江流域水资源和极端水文事件的影响21
22水　利　水　运　工　程　学　报2024 年 4 月
表 1 研究采用的气候模式基本信息
Tab. 1 Fundamental details regarding the global climate models employed in the investigation 模式名称国家（地区）分辨率模式名称国家（地区）分辨率
ACCESS-CM2澳大利亚 1.25°×1.25°KACE-1-0-G韩国 1.25°×1.25°ACCESS-ESM1-5澳大利亚 1.25°×1.25°KIOST-ESM韩国 1.875°×1.875°BCC-CSM2-MR中国 1.125°×1.125°MIROC6日本 1.4°×1.4°
CMCC-ESM2意大利0.625°×0.625°MPI-ESM1-2-HR德国 1.875°×1.875°
CanESM5加拿大 2.8°×2.8°MPI-ESM1-2-LR德国0.937 5°×0.937 5°
EC-Earth3欧盟0.7°×0.7°MRI-ESM2-0日本 1.125°×1.125°EC-Earth3-Veg欧盟0.7°×0.7°NESM3中国 1.875°×1.875°EC-Earth3-Veg-LR欧盟 1.125°×1.125°NorESM2-LM挪威 1.875°×1.875°GFDL-ESM4美国 1.0°×1.0°NorESM2-MM挪威0.937 5°×0.937 5°INM-CM4-8俄罗斯 1.5°×1.5°TaiESM1中国0.937 5°×0.937 5°INM-CM5-0俄罗斯 1.5°×1.5°UKESM1-0-LL英国 1.25°×1.25°
1.2　VIC水文模型
选用华盛顿大学开发的VIC水文模型模拟流域水文过程。

该模型产流部分输入包括下垫面文件和气象数据（降水量、最高气温、最低气温），输出为土壤含水量、蒸散发量及产流量等[18]。

汇流部分通过模拟水流在网格内和河道内的传播时间计算水流在流域出口处的汇流过程[19]。

模型主要包含8个产流参数和2个汇流参数（表2），其中有4个不敏感参数D1、C、v和D iff可根据经验值确定，需要重点对其余6个敏感参数进行率定。

以纳什效率系数（Nash-Sutcliffe efficiency coefficient，R NSE）和模拟径流量和实测径流量的多年平均相对误差（relative error，E r）为目标函数，基于均匀设计表法[20]及模式搜索法[21-22]进行参数优化。

根据选用的水文站位置信息将研究区划分为8个区域（图1），按照河道上下游关系自上而下确定参数优化优先级。

如对于亭子口站集水区，应按照Ⅰ区、Ⅱ区、Ⅲ区的优先级进行参数优化。

为保证流域参数一致性，对新的区域进行参数率定时应保证已率定区域网格参数保持不变。

若1个网格中包含多个区域，则该网格参数为网格中面积最大的区域所对应的参数。

表 2 VIC模型主要参数及率定范围
Tab. 2 Primary parameters and the calibration range of the VIC model
参数率定范围描述
B0.001~1.000可变下渗曲线指数
D s0.001~1.000非线性基流占最大基流速率的比例
D m0.1~50.0 mm/d最大基流速度
W s0.200~1.000基流非线性增长时，底层土壤含水量与最大土壤含水量的比值
D1*0.1 m第1层土壤厚度
D20.1~3.0 m第2层土壤厚度
D30.1~3.0 m第3层土壤厚度
C*2基流非线性增长指数
v* 1.5 m/s流速
D iff*800水力扩散系数
注：带“*”的参数在本研究中未参与参数率定，取确定值。

1.3　极端水文事件重现期计算
概率统计法是研究极端水文事件的常用方法[23]。

为探究研究区未来极端水文事件演变趋势，选取了皮尔逊Ⅲ型分布（P-Ⅲ）、广义极值分布（GEV）、伽马分布（Gamma）、对数正态分布（Lognormal）、耿贝尔分布（Gumbel）5种极值分布函数对年最大洪峰流量Q max及年最大5日洪量W5d两种指标序列进行拟合，并采用K-S检验（Kolmogorov-Smirnov检验）评价分布的拟合效果。

峰、量的极值序列存在相关关系，采用峰量联合分布分析法能更好描述未来洪水特征。

选取了t Copula函数、Gaussian Copula函数、Gumbel Copula函数、Clayton Copula函数及Frank Copula函数等5种常见的Copula函数对Q max及W5d两种指标序列联合分布进行拟合。

采用归一化均方根误差（normalized
root mean square error, E NRMSE）、Akaike Information Criterion（AIC准则）及Bayesian Information Criterion （BIC准则）评价各联合分布的拟合效果。

2结果与讨论
2.1　VIC模型率定及检验
VIC模型对人类活动影响较小的理想流域适用性较好。

已有研究[24]表明：20世纪90年代之前嘉陵江流域受人类活动影响很小，可视为天然流域。

因此，选取1990年之前的水文气象资料来进行水文模型参数优化，其中模型预热期、率定期及验证期分别设置为1961—1970年、1971—1980年、1981—1990年。

表3和表4分别给出了模型参数优化结果及径流模拟结果。

分析可知：VIC模型在嘉陵江流域各子流域模拟结果均较好，不同时间尺度下的模拟效果有所差异。

模型在日、月尺度下对多年水量误差的模拟结果相差不大，均小于8%；对于径流量过程模拟效果，日尺度模拟R NSE为0.71~0.86，月尺度模拟R NSE大多在0.9以上，明显优于日尺度模拟结果。

究其原因，一方面VIC模型中河道汇流路径受网格划分大小的影响，流域较大时，概化的汇流路径导致洪水遭遇时间提前或滞后，因而对洪峰的模拟结果相较实际值偏小；另一方面，降水数据的插值结果往往难以反映真实的空间分布，降水信息的代表性不足影响了模型日尺度模拟结果。

这些时空差异在月尺度模拟中被均化，对模拟结果影响较小。

与前人研究[25-27]相比，本研究将流域划分为8个区域分别进行参数优化，所使用气象资料的分辨率较高，改善了VIC模型在嘉陵江流域的径流模拟效果。

表 3 嘉陵江流域子流域基本信息及参数率定结果
Tab. 3 Basic information and parameter calibration results of sub watershed in Jialing River Basin 区域控制站名km2
集水面积/B D s D m/（mm/d）W s D2/m D3/m Ⅰ武都14 2880.140.128.50.450.150.48Ⅱ三磊坝29 2730.670.09 2.50.200.10 2.70Ⅲ亭子口61 0890.720.1326.50.970.72 2.89Ⅳ风滩16 5950.700.639.00.500.100.10Ⅴ射洪23 5740.950.1012.00.800.25 1.20Ⅵ罗渡溪38 0640.970.91 4.50.960.130.80Ⅶ小河坝28 9010.200.90 5.00.990.32 1.20Ⅷ北碚156 1420.100.31 5.00.420.250.54
表 4 嘉陵江流域各子流域水文模拟效果
Tab. 4 Hydrological simulation outcomes for sub-basins within the Jialing River Basin
区域
日尺度月尺度
率定期检验期率定期检验期
R NSE E r/%R NSE E r/%R NSE E r/%R NSE E r/%
Ⅰ0.75−0.40.82 4.70.880.60.86 4.2Ⅱ0.74 2.20.71 5.60.92 2.00.92 6.0Ⅲ0.74−7.10.720.80.91−7.00.89 1.3Ⅳ0.71−1.80.737.80.88−7.70.958.0Ⅴ0.74 4.10.710.20.90 3.70.910.5Ⅵ0.78 3.00.828.00.93 4.70.957.7Ⅶ0.750.40.72 1.30.90−0.40.91 2.8Ⅷ0.86−4.60.86−0.60.94−5.20.930
第 2 期李文鑫，等：气候变化对嘉陵江流域水资源和极端水文事件的影响23
图2给出了VIC 模型日、月尺度下的径流模拟结果、对年最大洪峰及年最大5日洪量的模拟结果。

分析可知：模型整体模拟结果与实测值相关性较高，日尺度模拟相关系数达到了0.94~0.98，对枯水期流量模拟效果较好，尽管模型对洪峰流量存在一定低估，但年最大洪峰及年最大5 日洪量的模拟相关系数分别达到了0.98与0.97，这表明该模型可用于流域未来径流与极端水文事件预估。

年份
19790
流量/(m 3/s )
R 2 = 0.94R 2 = 0.98
R 2 = 0.99R 2 = 0.98
R 2 = 0.98
R 2 = 0.97
1980
198119821983
观测值模拟值
20 000
40 00060 000年份
19750
月平均流量/(m 3/s )
1980
19851990
观测值模拟值
5 000
10 00015 000年份
1975
Q m a x /(m 3/s )
198019851990观测值模拟值
20 000
40 00060 000年份
(a) 日径流模拟结果
(b) 月径流模拟结果
(c) 年最大洪峰模拟结果(d) 年最大 5 日洪量模拟结果
1975
W 5d /(108m 3)
198019851990
观测值模拟值
50100150
图 2 嘉陵江流域北碚站日径流及月径流模拟结果
Fig. 2 Simulation outcomes for daily and monthly runoff at the Beibei station within the Jialing River Basin
2.2　嘉陵江流域未来水文气象变化
2.2.1　未来气温、降水变化　基于22个气候模式对3种排放情景下预估嘉陵江流域未来气温、降水的变化趋势。

图3为3种排放情景下嘉陵江流域未来降水量、气温变化箱线图，箱线图上下的横线分别代表最大值与最小值，箱子上下边界分别代表分位数75%与25%的值，中间横线代表中位数值。

为便于说明，下述各气象因子的变化将描述为中位数与最值范围的形式。

采用变异系数C V 比较了不同GCMs 在预估未来气象要素变化时的不确定性，C V 无量纲且剔除了数据集均值大小对数据离散程度的影响，可用于比较不同时期不同量纲要素之间不确定性大小，C V 值越大，表示各模式预估结果的差异越大，不确定性越高[28-29]，结果如表5所示。

由图3和表5可以看出：①气候模式对嘉陵江流域未来降水量的预估存在一定的不确定性，但多数模式预估未来嘉陵江流域降水量变化以增加为主；②在近期（2031—2060年），低、中、高排放情景下降水量较基准期分别增加了7.2%[−5.6%, 19.9%]、6.6%[−4.2%, 16.6%]和5.5%[−7.2%, 24.4%]，高排放情景下降水量
24
水 利 水 运 工 程 学 报2024 年 4 月
变化不确定性最高，C V 值为各排放情景最高；③在远期（2061—2090年），超75%的模式预估未来降水量将进一步增加，低、中、高排放情景下降水量较基准期增幅分别为9.0%[0.9%, 31.2%]、9.3%[−15.0%,26.8%]和13.8%[−3.5%, 43.3%]。

低、中排放情景下远期降水量增幅相较近期增加量很小，高排放情景下远期降水量增幅相较近期有明显增加，3种排放情景下各气候模式对远期降水量预估的不确定性均低于近期。

2031—2060 年(a) 降水量未来变化
降水量变化/%
(b) 最低气温未来变化
最低气温变化值/°C
最高气温变化值/°C
−10
010203040SSP5-8.5 排放情景SSP2-4.5 排放情景SSP1-2.6 排放情景
2061—2090 年2031—2060 年0
21346
57SSP5-8.5 排放情景SSP2-4.5 排放情景SSP1-2.6 排放情景
2061—2090 年
(c) 最高气温未来变化
2031—2060 年0
2134657SSP5-8.5 排放情景SSP2-4.5 排放情景SSP1-2.6 排放情景
2061—2090 年
图 3 3种排放情景下嘉陵江流域未来降水及气温变化
Fig. 3 Projected alterations in precipitation and temperature in the Jialing River Basin under three emission scenarios for future
climate conditions
表 5 3种排放情景下不同气候模式对嘉陵江流域降水气温预估结果的变异系数C V
Tab. 5 C V of precipitation and temperature prediction results of different climate models in the Jialing River Basin under three
emission scenarios
气象要素近期（2031—2060年）
远期（2061—2090年）
SSP1-2.6SSP2-4.5SSP5-8.5SSP1-2.6SSP2-4.5SSP5-8.5降水量0.86 1.02 1.380.80 1.030.76最低气温0.340.350.330.370.270.25最高气温
0.30
0.31
0.28
0.28
0.24
0.23
对于嘉陵江流域未来气温变化而言：（1）气候模式对未来气温预估的不确定性低于降水量，所有气候模式均预估各排放情景下嘉陵江流域未来气温将进一步升高，但对温升幅度的预估差异仍较大；（2）在近期（2031—2060年），低、中、高排放情景下，相较基准期多年平均最低气温分别增加了1.5 ℃[0.9 ℃, 2.7 ℃]、1.6 ℃[1.1 ℃, 2.9 ℃]和2.1 ℃[1.3 ℃, 4.1 ℃]，多年平均最高气温增幅略高于多年平均最低气温，分别为1.8 ℃[0.9 ℃, 3.0 ℃]、1.6 ℃[1.1 ℃, 3.0 ℃]和2.2 ℃[1.4 ℃, 3.5 ℃]；（3）在远期（2061—2090年），低、中、高排放情景下，相较基准期多年平均最低气温分别增加了1.8 ℃[1.0 ℃, 3.2 ℃]、2.4 ℃[1.6 ℃, 4.0 ℃]和3.7 ℃[2.6 ℃,6.0 ℃]，多年平均最高气温增幅略高于多年平均最低气温，分别为2.1 ℃[1.1 ℃, 3.3 ℃]、2.6 ℃[1.6 ℃, 4.3 ℃]和4.0 ℃[2.6 ℃, 6.4 ℃]。

各排放情景下气温相较近期都将进一步升高，其中，高排放情景下的温升幅度远高于低、中排放情景下的温升幅度，但其对气温预估的不确定性却低于低、中排放情景。

总体来看，嘉陵江流域未来将呈现暖湿化变化趋势，其中高排放情景下暴雨、山洪等极端天气事件将可能进一步增加。

吴健等[30]、Yue 等[31]基于CMIP6气候模式预估了未来长江流域的气温及降水，结果表明长江上游未来气温、降水均呈增加趋势，在SSP1-2.6情景下，气温和降水变化呈先增加后稳定的变化趋势，与本文研究结果一致。

不同气候模式对近期降水量的预估结果差异较大，对远期降水量的预估则以增加为主。

2.2.2　未来水资源变化　以22个气候模式的气象要素作为VIC 水文模型气象驱动因子，预估了嘉陵江流域出口北碚站未来（2031—2090年）径流量变化趋势，结果如表6所示。

第 2 期
李文鑫，等：气候变化对嘉陵江流域水资源和极端水文事件的影响25
表 6 3种排放情景下各气候模式对嘉陵江流域未来径流量变化预估及不确定性分析
Tab. 6 Forecast and uncertainty analysis of future runoff variations in the Jialing River Basin using different climate models under three emission scenarios
气候模式/统计指标
嘉陵江流域未来径流量
气候模式/统计指标
嘉陵江流域未来径流量相较基准期变化（北碚站）/%相较基准期变化（北碚站）/% 2031—2060年2061—2090年2031—2060年2061—2090年
SSP1-2.6SSP2-4.5SSP5-8.5SSP1-2.6SSP2-4.5SSP5-8.5SSP1-2.6SSP2-4.5SSP5-8.5SSP1-2.6SSP2-4.5SSP5-8.5
ACCESS-CM217.1 6.913.940.919.521.5MIROC6 3.5 5.7−2.7 3.3 3.37.1 ACCESS-ESM1-528.013.117.436.526.949.3MPI-ESM1-2-HR12.5−1.4 6.37.5−7.98.5 BCC-CSM2-MR−5.0−0.5 1.6 5.80.113.2MPI-ESM1-2-LR 5.1−3.5−7.58.9−4.3 2.8 CMCC-ESM28.8 2.2 5.98.38.217.3MRI-ESM2-07.7 2.515.521.314.812.2 CanESM5 3.9−4.9−12.7−2.810.1 4.5NESM3−9.3−8.8−6.3 2.5−12.4−8.0 EC-Earth312.27.515.023.518.624.8NorESM2-LM7.510.8 2.07.9 2.1 4.3 EC-Earth3-Veg16.8−3.1 6.511.09.019.6NorESM2-MM 3.7 6.8−1.217.2 5.310.4 EC-Earth3-Veg-LR−8.6 3.6 1.2 6.3 1.214.8TaiESM112.4−1.511.5 4.812.217.5 GFDL-ESM413.60.3−1.726.816.116.0UKESM1-0-LL12.521.020.231.131.139.6 INM-CM4-8−0.8−0.6−10.8−1.4 5.829.6最小值/%−9.3−8.8−12.7−5.0−12.4−8.0 INM-CM5-016.5−0.5−6.90.1 4.6 4.9最大值/%28.021.124.640.931.149.3 KACE-1-0-G27.321.124.638.025.836.0变异系数C V 1.2 2.4 2.7 1.0 1.30.9 KIOST-ESM−2.1−4.6−5.0−5.0−3.00.1中位数/%8.3 1.2 1.88.17.014.0
从表6可以看出：（1）与未来降水预估结果相似，多数模式预估未来嘉陵江流域径流量将进一步增加，未来径流量预测结果的不确定性略高于气温、降水量预估结果。

（2）在近期（2031—2060年），低、中、高排放情景下径流量较基准期分别增加了8.3%[−9.3%, 28.0%]、1.2%[−8.8%, 21.1%]和1.8%[−12.7%, 24.6%]，相较低排放情景，中、高排放情景下各模式增幅中位数统计结果值偏小，但不确定性较高，中、高排放情景下分别存在10个和9个气候模式预估未来径流量将减少。

（3）在远期（2061—2090年），嘉陵江流域未来径流量增加的可能性很大，低、中、高排放情景下径流量较基准期分别增加了8.1%[−5.0%, 40.9%]、7.0%[−12.4%, 31.1%]和14.0%[−8.0%, 49.3%]，超过75%的模式预估低、中排放情景下未来径流量会增加，其中高排放情景下仅NESM3模式预估未来径流量会减少。

NESM3模式预估未来降水量无明显变化，相较基准期变化幅度为−1.7%~4.0%，在气温升高时，水分蒸发量增大，径流量呈减少趋势。

中、高排放情景下，各模式对远期径流量预估结果的不确定性相较近期的较低。

究其原因，一方面因为近期许多模式降水量预估结果相较基准期增幅还比较小，气温的升高对径流量影响较大，二者共同作用下近期径流量可能呈减少趋势，而远期气温上升对径流量的减少效应不明显，径流量均呈增加趋势；另一方面是气候模式对远期降水预估结果的不确定性也要低于近期。

总体而言，受降水量可能增多影响，未来嘉陵江流域径流将很有可能会增加。

但在降水量增幅较小时（低于4.0%），气温的升高仍会导致流域径流量明显下降。

从模拟结果来看，不同气候模式预估的径流量差异较大，甚至相反。

如对于高排放情景下近期径流量的预估，有6个模式预估未来嘉陵江流域径流量变化不明显，变化幅度低于5.0%，有6个模式预估径流量将明显减少，减幅为−12.7%~−5.0%，有10个模式预估径流量将明显增加，增幅为5.9%~24.6%。

如何降低气候变化预估中各气候模式的不确定性是提高气候变化可靠性预估的重要方向，也是将气候模式纳入未来水资源预估的重大挑战[32]。

在实际水资源规划管理工作中应纳入所有可用数据并合理评估其预测结果，根据几种模拟结果可信度高的模式来确定未来径流可能变化范围并制定气候变化适应方案[33]。

2.3　未来极端水文事件变化
采用5种边缘分布函数对嘉陵江流域出口站点北碚站不同GCMs模拟年最大洪峰流量Q max及年最大26水　利　水　运　工　程　学　报2024 年 4 月
5 日洪量W5d序列进行拟合优选，发现GEV分布、P-Ⅲ分布对Q max序列边缘分布拟合效果最好，GEV分布对W5d序列分布拟合效果最好（表7）。

洪峰、洪量相关性较好时，同一重现期下的洪峰、洪量同时发生的可能性较高，基于单变量分布得到的设计值组合与实际设计标准存在偏差，且并不总是偏“安全”，双变量联合分布对具有多个特征的洪水过程描述效果更好[34-35]。

综合分析5种Copula函数的拟合结果，发现Gumbel Copula函数和Clayton Copula函数对嘉陵江流域峰量分布拟合效果较好。

为避免不同统计分布函数带来的预估结果不确定性，本研究中各模式不同重现期下Q max和W5d边缘分布值统一使用GEV分布计算，联合分布值统一使用Clayton Copula函数计算。

表 7 最大洪峰流量Q max及年最大5 日洪量W5d序列分布拟合优度检验
Tab. 7 Assessment of the goodness-of-fit for the distribution fitting of annual maximum one-day runoff intensity and annual maximum five-day water volume value series
检验指标
边缘分布函数联合分布函数
P-ⅢGEV Gamma Lognormal Gumbel Gaussian t Gumbel Clayton Frank
Q max边缘分布拟合KS检验平均置信度0.760.860.740.780.24
W5d边缘分布拟合KS检验平均置信度0.750.840.730.770.25
联合分布拟合平均NRMSE值0.582 50.582 40.583 20.581 80.581 0联合分布拟合平均AIC检验值−12.21−10.22−14.29−14.25−14.18联合分布拟合平均BIC检验值−9.41−6.01−9.49−9.45−9.37
联合分布同一重现期下对应的Q max与W5d组合众多，因此采用“峰量同频”假设求解所得的各重现期下对应的Q max与W5d值。

取各模式模拟结果中位数用于分析，结果如表8所示。

图4为基于频率分布计算结果所绘制的Q max和W5d频率分布，图中各颜色区域上、下边界代表了对应排放情景下各模式不同重现期75%分位值与25%分位值计算结果。

表 8 3种排放情景下嘉陵江流域未来年最大洪峰及年最大5日洪量重现期计算
Tab. 8 Computation of the maximum flood peak in the future year and the corresponding maximum five-day flood return period in the Jialing River Basin under three emission scenarios
分布类型计算期排放情景
(m3/s)
不同重现期下的Q max/(108m3)
不同重现期下的W5d/
100 a50 a20 a10 a100 a50 a20 a10 a
边缘分布
基准期45 27241 68834 33329 412144.2132.9110.394.8
近期
（2031—2060年）
SSP1-2.649 78945 68738 41133 159155.2142.2121.7106.2
SSP2-4.546 62343 77736 92532 018151.9141.0118.8103.1
SSP5-8.551 04246 55938 96433 179164.2151.5125.0106.0
远期
（2061—2090年）
SSP1-2.648 48344 84838 28833 408157.6145.2124.0108.0
SSP2-4.551 704*47 808*39 751*33 911*165.8*151.9*126.8*108.4*
SSP5-8.557 732*52 772*43 636*37 213*186.4*171.3*140.7*119.4*
联合分布
基准期47 33345 58541 56433 766150.0144.3131.6108.4
近期
（2031—2060年）
SSP1-2.652 78150 69745 38337 687163.7157.2141.5121.0
SSP2-4.549 17047 12442 56136 028160.9154.5138.8116.1
SSP5-8.554 41952 33547 68238 135170.8164.0149.3122.8
远期
（2061—2090年）
SSP1-2.650 75948 80344 85639 139164.2157.8144.6125.9*
SSP2-4.553 27151 08446 06339 127171.4164.4148.0125.7*
SSP5-8.560 82558 528*53 210*43 398195.3*188.3*171.7*139.7*
注：“*”代表超过总数75%的气候模式预估的变率为正。

第 2 期李文鑫，等：气候变化对嘉陵江流域水资源和极端水文事件的影响27
由图4和表8可以看出：（1）未来径流量增加会直接导致极端水文事件指标Q max 和W 5d 的增大，超半数的模式预估3种排放情景下未来极端水文事件强度增大。

（2）在近期（2031—2060年），低、中、高排放情景下单变量分析结果预估Q max 的50年一遇值相较基准期分别增加了9.6%、5.0%和11.7%，W 5d 的50年一遇值相较基准期分别增加了7.0%、6.1%和14.0%。

联合分布分析结果预估Q max 的50年一遇值相较基准期分别增加了11.2%、3.4%及14.8%，W 5d 的50年一遇值相较基准期分别增加了8.9%、7.1%和13.7%。

在高排放情景下，各重现期Q max 和W 5d 值均明显增大，基准期Q max 和W 5d 值百年一遇值重现期在近期约为50年。

（3）在远期（2061—2090年），未来极端水文事件强度将进一步增大。

低、中、高排放情景下单变量分析结果预估Q max 的50年一遇值相较基准期分别增加了7.6%、14.7和26.6%，W 5d 的50年一遇值相较基准期分别增加了9.3%、14.3%和28.9%。

联合分布分析结果预估Q max 的50年一遇值相较基准期分别增加了7.1%、12.1%和28.4%，W 5d 的50年一遇值相较基准期分别增加了9.4%、13.9%和30.5%。

其中低排放情景下的Q max 和W 5d 值50年一遇值相较近期有所下降，而中、高排放情景下Q max 和W 5d 的50年一遇值相较近期上升明显，超75%的气候模式单变量分析结果相较基准期变率为正。

在高排放情境下，基准期Q max 与W 5d 的50年一遇值的重现期在远期将缩短为10~20 a 。

（4）对比分析单变量分析法与峰量联合分布分析法得到的极端水文事件设计值差异性可以发现：两种方法对未来3种排放情景下Q max 和W 5d 值变化趋势计算结果相似。

但联合分布对相同重现期下的Q max 和W 5d 值计算结果及未来相对于基准期的增幅均略高于单变量分析结果，因此，联合分布推求的不同重现期峰、量设计值分析结果相较单变量分析法更偏安全，可用于峰、量设计值的推求。

所得结果与前人研究结果[36]一致，且峰量同频假设对于洪水设计值的计算具有一定的合理性[37]。

P /%
(b) 2031—2060 年 Q max (联合分布)
基准期SSP1-2.6SSP2-4.5SSP5-8.5
1012345672
5102030405060708090959899
年最大洪峰流量/(104m 3/s )
P /%
(a) 2031—2060 年 Q max (边缘分布)
基准期SSP1-2.6SSP2-4.5SSP5-8.5
1012345672
5102030405060708090959899
边缘分布年最大洪峰流量/(104m 3/s )
P /%
(d) 2061—2090 年 Q max (联合分布)
基准期SSP1-2.6SSP2-4.5SSP5-8.51012345672
5102030405060708090959899
年最大洪峰流量/(104m 3/s )
P /%
(c) 2061—2090 年 Q max (边缘分布)
基准期SSP1-2.6SSP2-4.5SSP5-8.51012345672
5102030405060708090959899
年最大洪峰流量/(104m 3/s )
联合分布边缘分布联合分布
28
水 利 水 运 工 程 学 报2024 年 4 月。