气候变化下浙江省极端降水时空变化研究

莫康; 刘光裕; 贺治国; 许月萍; Kang MO; Guang-yu LIU; Zhi-guo HE; Yue-ping XU

中国农村水利水电 ›› 2021 ›› (3) : 74-79,87.

水文水资源

气候变化下浙江省极端降水时空变化研究

作者信息 +

Research on the Spatial-temporal Changes of Extreme Precipitation in Zhejiang Province under Climate Changes

Author information +

稿件信息 +

摘要

基于CMIP5的18个GCMs模型，通过LARS-WG降尺度模型获得降雨数据，计算了2041-2070年在RCP4.5和RCP8.5两个情景下的 11个极端降雨指数，并通过贝叶斯平均法获得两个情景下的集合值，分别与浙江省1971-2000年实测数据的极端指数计算结果进行对比分析，最后探讨了浙江省2041-2070年极端降水时空变化特征，结论如下：①浙江省的降雨量在2041-2070年间趋于集中化，整体向极端降雨量和降雨日数增加的方向发展。其中强降雨量R95pTOT和极强降雨量R99pTOT相对基准期的变化最具代表性，上升幅度最大；中雨日数R20 mm和大雨日数R30 mm上升幅度明显高于小雨日数R10 mm。②全省降雨在空间分布上趋于极端化，极端降雨由东部沿海向西部递减，东部沿海地区未来极端降雨强度和频率相对其他地区增加明显；③RCP4.5和RCP8.5排放情景下极端降雨指数相对基准期的变化相似，相较之下，RCP4.5排放情景下降雨强度和频率增加更为明显，说明该情景下发生极端降雨事件的概率更大。

Abstract

Based on 18 GCMs of CMIP5， precipitation data is generated by the LARS-WG downscaling model， and 11 extreme precipitation indices are calculated under the two emission scenarios of RCP4.5 and RCP8.5 from 2041 to 2070， which are averaged by the Bayesian model averaging method and compared with the historical data in Zhejiang Province during the baseline period from 1971 to 2000. This study explores the spatial-temporal variations of extreme precipitation in Zhejiang Province. The results are as follows： ① The precipitation in Zhejiang Province tends to be more concentrated， which has an overall trend for increase in extreme precipitation amount and number of rainfall days. The change of R95pTOT and R99pTOT is the most representative with the largest increase related to the reference period. R20 mm and R30 mm increase obviously higher than R10 mm. ②The spatial distribution of precipitation tends to be extreme， and extreme precipitation decreases from the eastern coast to the west. The eastern coast will experience more and stronger precipitation in the future than other regions. ③ The extreme precipitation indices have similar changes under RCP4.5 and RCP8.5 emission scenarios compared with the baseline period. In comparison， the increase in extreme precipitation intensity and frequency under RCP4.5 emission scenario is more obvious， which means the probability of the occurrence of extreme precipitation events is higher under RCP4.5 emission scenario.

关键词

极端降雨指数 / 浙江省 / 时空变化 / 降水频率 / 降水强度

Key words

extreme precipitation indices / Zhejiang Province / Spatial-temporal variation / precipitation intensity / precipitation intensity

基金

国家重点研发计划项目(2016YFE0122100)

引用本文

EndNote

Ris (Procite)

Bibtex

导出引用

莫康 , 刘光裕 , 贺治国 , 许月萍. 气候变化下浙江省极端降水时空变化研究[J].中国农村水利水电, 2021(3): 74-79,87

Kang MO , Guang-yu LIU , Zhi-guo HE , Yue-ping XU. Research on the Spatial-temporal Changes of Extreme Precipitation in Zhejiang Province under Climate Changes[J].China Rural Water and Hydropower, 2021(3): 74-79,87

由于气候变化和人类活动的影响，浙江省降水正在趋于极端化^［1］，频发且不断加剧的极端降水事件造成了暴雨、洪水、泥石流等灾害，给人们的生命和财产安全带来了严重的危害^［2］。极端事件包括极端气候事件和极端天气事件，是指某个天气或气候变量值高于（或低于）该变量观测值区间的上限（或下限）^［3］。极端降水事件指的是降水高于（或低于）观测值区间的上限（或下限），国际上采用极端降水指数来分析评估极端降水，由降雨事件序列的百分位数来界定极端降水的阈值，如超过降水序列的95%或99%就定义为极端降水^［4］。极端降水事件具有气候平均态敏感性和空间不一致性。敏感性，指气候平均态的微小波动都有可能引起极端降水事件强度和频率的剧烈变化^［5］；不一致性，指当某个地区的总降水量不变或下降情况下，极端降水的强度和频率却可能增加^［6］。探究气候变化下区域极端降水时空变化特征，可为当地应对极端降水事件提供科学基础，国内外许多学者对不同地区开展了针对性的研究和分析。例如，Harpa等^［7］基于6个区域气候模拟系统，预测了2041-2070年罗马尼亚地区在RCP4.5中排放和RCP8.5高排放情景下3个极端降雨指数变化，结果表明该地区降雨日数和降雨强度相对基准期有明显增加，持续干旱天数缓慢下降。Kim等^［8］基于全球气候模式HadGEM-2-AO通过动力降尺度方法，预测了朝鲜半岛在RCP4.5和RCP8.5情景下，极端降水指数在2020-2100年间有明显增加。Baez-Gonzalez等^［9］基于气候变化下极端气候指数的变化特征，分析了极端降雨和温度的变化对墨西哥东北部的自然保护区生态环境的影响。Xu等^［10］基于区域气候模拟系统RegCM3，预测除最北部和青藏高原地区外，中国大部分区域21世纪极端降水事件出现的概率将增大。Gao等^［11］研究了气候变化和人类活动对极端降雨事件的影响，结果表明中国东部沿海地区在1960-2012年间极端降雨有所增加，受极端降雨影响而频发洪涝灾害。

浙江省位于中国东南沿海，与福建、江西、安徽、江苏和上海毗邻，处于东经118°至123°，北纬27°至31°。全省的主要气候类型为亚热带季风气候，平均温度在15~18 °C，省内多年平均降雨量在980~2 000 mm，集中于5、6月份^［13］。几乎每年沿海地区都受台风影响而遭遇极端降水，靠内陆的地区属于丘陵地区，常遭遇山洪和泥石流灾害^［14］。由于快速发展的经济，急剧增加的人口，高速发展的城市以及迅速恶化的环境，使得浙江省对气候变化极为敏感，频繁经历暴雨、台风和洪水等灾害。2010年以来，2012年的台风“海葵”、2013 年的台风“菲特”、2015年台风“苏迪罗”以及2019年台风“利奇马”给浙江省带来的极端降水均是历史罕见的，造成了严重的暴雨洪水灾害。高歌等^［12］学者基于信息扩散方法对中国台风灾害风险评估结果显示，浙江省的风险概率位居全国第一。

相比于全国其他地区，目前针对浙江省的单独研究较少，大多数研究都是涵盖于长江中下游和东部沿海地区研究中，还有部分研究侧重某一城市的单站点研究，并且针对气候变化下浙江省未来极端降雨的研究很少，部分文献极端降雨指数选取不够全面，本文研究旨在前人研究基础上，丰富气候变化下浙江省极端降水时空变化的研究。基于CMIP5的18个GCMs模型，通过LARS-WG降尺度模型生成了RCP4.5和RCP8.5两个情景下预测期2041-2070年的降雨数据，计算了选自气候变化检测和指数专家团队的11个极端降雨指数^［15］，通过贝叶斯模型平均法获得两个情景下的集合值，并与基准期1971-2000年计算结果作对比。期望通过本研究较全面地评估未来浙江省极端降水时空变化特征，为浙江省防范和应对极端降水事件提供科学基础。

1 数据与研究方法

1.1 数据预处理

历史实测数据来源于中国气象科学数据中心，包括了最高最低气温、平均气温、日降水、日照时数、风速气压、相对湿度等，可从http：//data.cma.cn/网站获取数据。选取浙江省33个站点基准期 1971-2000年30 a的逐日降雨资料，基本覆盖全省，如图1所示。在选择数据时去除了连续几年记录缺失或者1年中有4 d缺失的站点数据。为了检测出人为的失误对数据进行质量检测，通过人工检查并尽可能与相邻站点进行对比分析，合理保留，不合理按缺测处理。通过质量检测和非均匀性检测，结果表明观测数据完整性和一致性良好。

图1 浙江地区所选站点分布

Fig.1 Distribution of selected observation stations in Zhejiang area

Full size|PPT slide

全球气候模式（Global atmospheric general Circulation Models， GCMs）是评估未来气候变化的重要工具^［16］。CMIP5 （Coupled Model Intercomparison Project 5）由世界气候研究计划（WCRP）下的耦合模式工作组成立^［17］，预测资料可从https：//pcmdi.llnl.gov/mips/cmip5/获取，本研究数据来自CMIP5的18个GCMs，如表1所示。选定预测期为2041-2070年，由于RCP2.6和RCP8.5两个情景下均存在部分GCMs数据缺失情况，因此预测期数据选自RCP4.5和RCP8.5情景下18GCMs降雨数据。RCP4.5属于中排放情景，辐射强迫在100年达到稳定值4.5 W/m²，二氧化碳浓度达到650 ppm，温度升高为2.4~5.5 ℃，变化趋势为先上升到恒定值后趋于稳定。RCP8.5属于高排放情景，变化趋势为一路上升，其辐射强迫在2100年达到峰值8.5 W/m²，二氧化碳浓度上升到1 370 ppm，温度升高为4.6~10.3 ℃^［18］。

表1 18个GCMs信息

Tab.1 18 GCMs information

GCMs	研究机构	分辨率	权重
BCC-CSM1-1	BCC，中国	2.81°×2.81°	0.042
BNU-ESM	GCESS，中国	2.81°×2.81°	0.058
CanESM2	CCCMA，加拿大	2.81°×2.81°	0.058
CNRM-CM5	CNRM-CERFACS，法国	1.41°×1.41°	0.025
CSIRO-Mk3-6-0	CSIRO-QCCCE，澳大利亚	1.88°×1.88°	0.057
GFDL-CM3	NOAA GFDL，美国	2.00°×2.50°	0.071
GFDL-ESM2G			0.056
GFDL-ESM2M			0.045
GISS-E2-H	NASA GISS，美国	2.00°×2.50°	0.043
GISS-E2-R	NASA GISS，美国	2.00°×2.50°	0.063
HadGEM2-AO	MOHC，英国	1.24°×1.88°	0.011
HadGEM2-ES	MOHC，英国	1.24°×1.88°	0.015
IPSL-CM5A-LR	ISPL，法国	1.88°×3.75°	0.054
MIROC5	ISPL，法国	1.41°×1.41°	0.086
MOROC-ESM-CHEM	MIROC，日本	2.81°×2.81°	0.076
MIROC-ESM	MIROC，日本	2.81°×2.81°	0.090
MPI-ESM-LR	MPI-M，德国	1.88°×1.88°	0.085
MRI-CGCM3	MRI，日本	1.13°×1.13°	0.065

1.2 研究方法

气候变化检测和指数专家团队提出了27个核心极端气候变化指数，其中极端气温指数16个，极端降水指数11个。为对极端降水事件进行较为全面的评估和分析，本文把选取的11个极端指数根据性质大致分为3类^［19］。第一类为强度指数：降雨强度SDII、最大1日降水量Rx1day和最大5日降水量Rx5day；第二类为绝对指数：小雨日数R10、中雨日数R20、大雨日数R30、强降水量R95pTOT和极强降水量R99pTOT；第三类为持续性指数：年总降水量PRCPTOT、持续干旱日数CDD、持续湿润日数CWD；详细定义如表2所示。

表2 极端降水指数

Tab.2 Extreme precipitation indices and definition

指数名称	指数缩写	定义
最大1日降雨量	Rx1day	每年最大单日降雨量
最大5日降雨	Rx5day	每年最大连续5日降雨量
降雨强度	SDII	湿天的总降雨量和湿天日数 (湿天日降雨量>1 mm)的比值
年降雨总量	PRCPTOT	一年中湿天的降雨量之和
强降雨量	R95pTOT	一年中湿天日降雨量大于第95个百分位值的总降雨量
极强降雨量	R99pTOT	一年中湿天日降雨量大于第99个百分位值的总降雨量
小雨日数	R10	每年降雨量大于10 mm的日数
中雨日数	R20	每年降雨量大于20 mm的日数
大雨日数	R30	每年降雨量大于30 mm的日数
持续干旱日数	CDD	日降雨量小于1 mm的最大连续日数
持续湿润日数	CWD	日降雨量大于1 mm的最大连续日数

由于GCMs的输出空间分辨率粗糙，预测结果往往具有较大不确定性，可通过统计降尺度方法解决大尺度到小尺度问题^［20］。LARS-WG 是单站点天气发生器，是由英国洛桑实验室开发的统计降尺度工具^［21］，通过天气变量的历史观测值的统计特性并结合全球气候模式的输出，生成随机天气变量序列。LARS-WG 通过一个半经验分布模型，来模拟干湿序列和降雨量、温度和辐射等变量：

E m p = \{α_{0}, α_{i}; h_{i}, i = 1,2, \dots, N\}

（1）

模拟降雨时，LARS-WG先将某时期内各月湿天的天数和降雨量按照特定的分位数升序分配到若干区间内，再统计其在每个区间的概率。用N表示区间个数，α_i 为第i个降雨天数（或降雨量）区间的临界值，升序排列，h_i 为降雨天数落在区间［α_i -1，α_i ）内的频次。据实测数据计算出降雨天数与降雨量的区间临界值，并计算其落在各个区间的概率作为参数备用。选取一个服从0~1之间均匀分布的随机数来判断降雨天数所在的区间，在该区间内随机生成降雨天数，再按照均匀分布逐日生成湿天的降雨量，即完成降雨序列的随机生成。

贝叶斯模型平均法（Bayesian Model Averaging， BMA）是一种通过极大似然估计法，通过计算独立预报量的权重，再根据权重来推断预报量的统计方法^［22］。BMA方法考虑了在贝叶斯理论下每个不同GCMs模型的不确定性。因此，相比于模型的简单集合，BMA方法在减少GCMs不确定性方面能取得更好的效果^［23］。

本文基于BMA方法得到18个GCMs模型在RCP4.5和RCP8.5排放情景下的降雨变量权重值，从而获得两个情景下的预测期BMA集合值，与基准期1971-2000年实测值的极端降水指数计算结果作对比，从而探究极端降水年际变化和空间变化情况。本文的研究路线如图2所示。

图2 研究路线

Fig.2 Research route

Full size|PPT slide

2 结果分析

2.1 未来极端降雨指数的年际变化

通过对比LARS-WG模拟降雨值和实测降雨值，绝大部分站点的年均值偏差均小于10%，说明通过LARS-WG模拟降雨值具有较好的效果。基于BMA方法计算的不同GCMs降雨数据权重值见表1。

图3所示为浙江省2041-2070年间11个极端降雨量指数相对基准期在不同排放情景下的年际变化。除持续性指数连续干旱日数CDD和连续湿润日数CWD相对下降外，其余9项极端降雨指数相对于基准期均有或大或小上升趋势。对比两个排放情景下指数的相对变化，RCP4.5排放情景下极端降雨强度和频率增加较RCP8.5排放情景下更为明显。每个指数相对于基准期均值变化可见表3。

图3 不同排放情景下2041-2070年浙江省极端降雨指数相对基准期的年际变化

Fig.3 Inter-annual variations of extreme precipitation indices under different emission scenarios in Zhejiang during 2041-2070 relative to the baseline period

Full size|PPT slide

表3 不同排放情景下2041-2070年浙江省极端降雨指数均值相对基准期变化

Tab.3 Change of the mean of extreme precipitation indices under different emission scenarios in Zhejiang during 2041-2070 relative to the baseline period

排放情景

Rx1day/

Rx5day/

SDII/

(mm·d^-1)

R10/

(mm·d^-1)

R20/

(mm·d^-1)

R30/

(mm·d^-1)

R95pTOT/

R99pTOT/

PRCPTOT/

CDD/

CWD/

RCP4.5

25.32

14.40

1.99

2.28

4.09

3.43

82.46

29.69

195.65

-2.27

-1.67

RCP8.5

21.62

7.74

1.52

1.19

2.98

2.50

67.23

24.74

132.03

-2.42

-1.77

通过比较分析可以发现，第一类强度指数均呈现相对上升变化。最大1日降水量Rx1day变化幅度大于最大5日降水量Rx5day。降雨强度SDII上升幅度较另外两个强度指数小，但由于SDII代表着平均降雨量在单位时间的变化，可能在某个时间段内有极大降雨量。综合第一类强度指数看，浙江省总的极端降雨量的增加，主要原因是降雨量的集中，并且趋向于往降雨量更大方向发展。

第二类绝对指数均呈现上升趋势。小雨日数R10、中雨日数R20和大雨日数R30分别代表大于10、20和30 mm降雨量的日数，3个指数相对于基准期变化基本一致，上升幅度依次增加，并且R20和R30均值变化高于R10。强降雨量R95pTOT和极强降雨量R99pTOT在绝对指数中上升明显，变化幅度大，相较之下，R95pTOT即一年中湿天日降雨量大于第95个百分位值的总降雨量增加更为明显，能达到R99pTOT的2倍以上。

第三类为持续性指数。其中年总降水量PRCPTOT即一年中湿天的降雨量之和相对基准期呈上升变化，说明总的降雨量在增加。但由于持续干旱日数CDD相对基准期呈现下降变化，持续湿润日数CWD小幅下降，这与第一类指数的结论一致，说明浙江省总降水情况在往降雨量增多和降雨量集中的方向发展。

11个极端降雨指数在2041-2070年间存在波动变化，但不影响总体较基准期的上升趋势。其中在2047年有较大的波动，主要原因可能是基准期1977年有突变，这与尹扬娜等^［19］研究PRCPTOT 湿日总降水量在20世纪70年代上升，进入20世纪80年代开始下降，突变点在1977年的判断一致。总的来说，由于气候变化和人类活动的影响，浙江省在21世纪中叶极端降水强度有所增强，降雨频率有所增加，有可能发生严重的暴雨和洪水等灾害，并且RCP4.5较RCP8.5排放情景有更大的降雨量和更长的降雨时间。

2.2 未来极端降雨指数变化的空间分布

图4为R30、Rx5day、R95pTOT、SDII和CDD 5个具有代表性的指数均值相对基准期的空间变化，绿色圆圈代表下降变化，红色圆圈代表上升表化，圆圈的大小分为大、中和小，代表变化的程度的大小。除了持续干旱日数CDD在大多数站点呈现相对下降趋势，浙江省大部分站点的其他4个极端降雨指数，相对基准期均呈现上升变化，其中东部地区站点上升明显，由东部向西部过程中上升幅度逐渐减弱。对比两个情景，RCP4.5排放情景下极端降雨指数均值相对RCP8.5上升明显。

图4 不同排放情景下2041-2070年降雨指数相对基准期均值的空间变化

Fig.4 Spatial change of mean of extreme precipitation indices under different emission scenarios in Zhejiang during 2041-2070 relative to the base period

Full size|PPT slide

通过对比分析可知，第一类强度指数中，降雨强度SDII在所有站点存在相对上升趋势，东部沿海地区大陈岛、定海和石浦等站点相对上升明显。在RCP4.5排放情景下，Rx5day指数在除西部地区衢州、开化和江山等9个站点中呈现相对下降变化，其余24个站点相对上升，其中杭州和平湖两个站点上升明显。

第二类绝对指数中，大雨日数R30与SDII变化情况相似，在所有站点中升高。在RCP4.5排放情景下，R30在分布于东部和中部地区的义乌、温州和定海等9个站点均值相对基准期上升超过4 d，而RCP8.5情景下只有义乌站，说明RCP4.5情景相对于RCP8.5情景下发生极端降雨事件的概率更高。

值得注意的是，第三类持续性指数中，持续干旱日数CDD中大多数站点中相对基准期下降，且东部沿海地区嵊泗、石浦等站点下降明显，西部衢州、开化等站点则相对下降较小。

总体而言，极端降雨空间分布正朝极端化发展。东部沿海原来极端降雨指数大的地区将面临更多更强的降雨，从而引起更多的暴雨洪水灾害。因此，应根据不同地区的极端降雨变化情况制定气候变化应对措施，从而减少灾害带来的损失。

3 结论

本文选定1971-2000年为基准期，预测期为2041-2070年，基准期数据选用了国家气象数据中心提供的浙江省33个站点的逐日降雨资料。基于CMIP5的18个GCMs模型，通过LARS-WG降尺度模型生成了RCP4.5和RCP8.5两个排放情景下预测期2041-2070年的降雨数据，计算了11个极端降雨指数，通过贝叶斯模型平均法获得两个情景的集合值。通过数据处理，可视化绘制和对比分析等，得到结论如下。

（1）浙江省的降雨量趋于集中化，整体向极端降雨量和降雨日数增加的方向发展。其中强降雨量R95pTOT和极强降雨量R99pTOT相对基准期的变化最具代表性，上升幅度最大。中雨日数R20和大雨日数R30上升幅度明显高于小雨日数R10。

（2）浙江省降雨在空间分布上趋于极端化，极端降雨由东部沿海向西部递减，同时，东部沿海原来极端降雨指数大的地区将面临更多更强的降雨。

（3）两个排放情景下极端降雨指数相对基准期的变化相似，但是RCP4.5情景相对于RCP8.5情景，降雨强度和降雨频率的增加更为明显，说明RCP4.5情景下发生极端降雨事件的概率更大。

本文在探究气候变化下极端降雨强度和频率变化的机理、不同GCMs下极端降雨变化和比较，以及极端降雨事件的应对措施方面方面未作详细讨论，希望在今后的相关研究中逐步完善。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序

1	丁楠，沙晓军，高颖会，等. 1961-2010年浙江省极端降水特征分析［J］. 中国农村水利水电，2017（2）：104-107. 本文引用 [1]

2	尹占娥，田鹏飞，迟潇潇. 基于情景的1951-2011年中国极端降水风险评估［J］. 地理学报，2018，73（3）：405-413. 本文引用 [1]

3	马佳宁，高艳红. 近50年黄河上游流域年均降水与极端降水变化分析［J］. 高原气象， 2019（1）： 124-135. 本文引用 [1]

4	孔锋，史培军，方建，等. 全球变化背景下极端降水时空格局变化及其影响因素研究进展和展望［J］. 灾害学，2017，32（2）： 165-174. 本文引用 [1]

5	KIKTEV D， SEXTON D M H， ALEXANDER L， et al. Comparison of modeled and observed trends in indices of daily climate extremes［J］. Journal of Climate， 2003，16（22）：3 560-3 571. 本文引用 [1]

6	EASTERLING D R， MEEHL G A， PARMESAN C， et al. Climate extremes： observations， modeling， and impacts［J］. Science， 2000， 289（5 487）：2 068-2 074. 本文引用 [1]

7	HARPA G V， CROITORU A E， DJURDJEVIC V， et al. Future changes in five extreme precipitation indices in the lowlands of Romania［J］. International Journal of Climatology， 2019，39（15）：5 720-5 740. 本文引用 [1]

8	KIM G， CHA D H， PARK C， et al. Future changes in extreme precipitation indices over Korea［J］. International Journal of Climatology， 2018，38：e862-e874. 本文引用 [1]

9	BAEZ-GONZALEZ A D， DE JESUS TORRES-MEZA M， ROYO-MARQUEZ M H， et al. Climate variability and trends in climate extremes in the priority conservation area El Tokio and adjacent areas in northeastern Mexico［J］. Weather and Climate Extremes， 2018， 22：36-47. 本文引用 [1]

10	XU J Y， SHI Y， GAO X J， et al. Projected changes in climate extremes over China in the 21st century from a high resolution regional climate model （RegCM3）［J］. Chinese Science Bulletin， 2013，58（12）：1 443-1 452. 本文引用 [1]

11	GAO L， HUANG J， CHEN X， et al. Contributions of natural climate changes and human activities to the trend of extreme precipitation［J］. Atmospheric Research， 2018，205：60-69. 本文引用 [1]

12	高歌，黄大鹏，赵珊珊. 基于信息扩散方法的中国台风灾害年月尺度风险评估［J］. 气象，2019，45（11）：1 600-1 610. 本文引用 [1]

13	TIAN Y， XU Y P， BOOIJ M J， et al. Detection of trends in precipitation extremes in Zhejiang， east China［J］. Theoretical and Applied Climatology， 2012，107（1-2）：201-210. 本文引用 [1]

14	冯利华. 浙江洪水的主要特征分析［J］. 地理与地理信息科学，2003，19（2）：89-92. 本文引用 [1]

15	YIN H， SUN Y. Characteristics of extreme temperature and precipitation in China in 2017 based on ETCCDI indices［J］. Advances in Climate Change Research， 2018，9（4）：218-226. 本文引用 [1]

16	JOSHI S， GOUDA K C， GOSWAMI P. Seasonal rainfall forecast skill over Central Himalaya with an atmospheric general circulation model［J］. Theoretical and Applied Climatology， 2020，139（1）：237-250. 本文引用 [1]

17	TAYLOR K E， STOUFFER R J， MEEHL G A. An overview of CMIP5 and the experiment design［J］. Bulletin of the American Meteorological Society， 2012， 93（4）： 485-498. 本文引用 [1]

18	PVAN VUUREN D， EDMONDS J， KAINUMA M， et al. The representative concentration pathways： an overview［J］. Climatic Change， 2011，109（1-2）：5. 本文引用 [1]

19	尹扬娜.浙江省1971-2016年极端降水指数时空变化特征［J］. 自然科学，2019，7（4）：294-306. 本文引用 [2]

20	MARAUN D， WETTERHALL F， IRESON A M， et al. Precipitation downscaling under climate change： Recent developments to bridge the gap between dynamical models and the end user［J］. Reviews of Geophysics， 2007，48（3）：633-650. 本文引用 [1]

21	SHA J， LI X， WANG Z L. Estimation of future climate change in cold weather areas with the LARS-WG model under CMIP5 scenarios［J］. Theoretical and Applied Climatology， 2019，137（3-4）： 3 027-3 039. 本文引用 [1]

22	DUAN Q， AJAMI N K， GAO X， et al. Multi-model ensemble hydrologic prediction using Bayesian model averaging［J］. Advances in Water Resources， 2007，30（5）：1 371-1 386. 本文引用 [1]

23	ZHANG X， YAN X. A new statistical precipitation downscaling method with Bayesian model averaging： a case study in China［J］. Climate Dynamics， 2015，45（9-10）：2 541-255. 本文引用 [1]

PDF(5637 KB)

访问

引用

详细情况

段落导航

收稿日期	出版日期
2020-05-22	2021-03-15
发布日期
2021-04-07

选择文件类型/文献管理软件名称

选择包含的内容