Research on the Temporal and Spatial Variation Characteristics of Precipitation in the Yalong River Basin under Climate Changes

Han-yu WU; Xiao-hua DONG; Li-jun DONG; Cheng-qi GONG; Xi-jun OUYANG; Dan YU

China Rural Water and Hydropower ›› 2022 ›› (4) : 8-16,24.

Han-yu WU ¹^,²^,³
, Xiao-hua DONG ¹^,²^,³
, Li-jun DONG ¹^,²^,³
, Cheng-qi GONG ¹^,²^,³
, Xi-jun OUYANG ¹^,²^,³
, Dan YU ¹^,²^,³

Author information +

History +

Abstract

The Yalong River Basin is an important hydropower energy base in our country. In the context of global warming， it is of great significance to study the characteristics of precipitation changes in the Yalong River Basin and predict future trends in precipitation. In this paper， SDSM is used to downscale the GCM global climate model data to simulate the future precipitation changes in Yalong River Basin. Through trend analysis， M-K trend test and mutation test， Morlet wavelet analysis and other methods， the temporal and spatial trends and characteristics of precipitation in the Yalong River Basin in the historical period and the future three concentration path scenarios are analyzed. The results show that the annual precipitation in the Yalong River Basin in each period shows an increasing trend， the increase range is RCP8.5 scenario>RCP4.5 scenario>historical period>RCP2.6 scenario. Its spatial characteristics are expressed as the increase in upstream precipitation higher than downstream. There are certain differences in the seasonal changes in the amount of water falling in different periods. Except for the RCP2.6 scenario， there is a sudden change in precipitation increase in each period of the basin. The sudden change in the upstream of the historical period is 1986， and there is no significant change in the downstream. In the future， the abrupt years are mostly concentrated on the mid-range period （2041-2070）.Regarding cyclical changes， the historical period of the basin and the cyclical changes under the RCP2.6 scenario are more significant， and there are multiple cycles at the same time： 1~4 a short cycle and 4~8 a medium cycle. In the RCP4.5 and RCP8.5 scenarios， the frequency of periodic occurrence is higher， and both are short periods of 1~4 a， indicating that in the future， these two scenarios will show the characteristics of a long cycle duration and short frequency cycle changes.In general， the results simulated by the SDSM statistical downscaling model can well reflect the trend of precipitation changes in the Yalong River Basin. The statistical analysis method is used to conduct a specific research on the characteristics of future precipitation changes， which can be used to rationally plan the water in the Yalong River Basin. This paper provides a scientific basis for resource utilization， optimized reservoir dispatch and power generation dispatch.

Key words

climate change / statistical downscaling / CMIP5 / trend analysis / mutation test / wavelet analysis / temporal and spatial characteristics

Cite this article

EndNote

Ris (Procite)

Bibtex

Download Citations

Han-yu WU , Xiao-hua DONG , Li-jun DONG , Cheng-qi GONG , Xi-jun OUYANG , Dan YU. Research on the Temporal and Spatial Variation Characteristics of Precipitation in the Yalong River Basin under Climate Changes. China Rural Water and Hydropower. 2022, 0(4): 8-16,24

0 引言

工业革命以来，由于人类活动的影响，全球气候变暖的趋势进一步加剧^［1］。联合国政府间气候变化专门委员会（Intergovernmental Panel on Climate Change，IPCC）的报告指出^［2］，全球的平均地表气温在1880-2012年间已经升高了0.85（0.65~1.06） ℃，其中1951-2012年间的升温甚至为总升温的2/3以上，升温速率为0.12（0.08~0.14） ℃/10 a。同时国内的研究表明^［3］，在中国地区气温也呈现出持续上升的趋势，升温速率达到0.25 ℃/10 a，平均气温升高幅度为1.3 ℃。以全球气候变暖为主要特征的气候变化已经成为了不争的事实。气候变化对自然生态、人类生活有着正、负两面的影响^［4］，但是负面影响更为突出且表现显著。如海平面上升、冰川消融、暴雨频发和严重干旱等一系列自然灾害对人类生存环境及社会经济发展带来了严重的影响，因此对于气候变化及其变化特征的研究具有重要意义。

全球气候模式（Global Climate Models，GCM）是用来进行气候模拟和预估未来气候变化的重要工具，在气候变化研究领域被广泛应用。然而由于全球气候模式在空间尺度上分辨率较低，利用其在区域尺度上进行未来气候变化研究前首先要进行降尺度处理，使其能够匹配区域气候特征。在IPCC第五次评估报告（AR5）^［5］中报告了新的实验方案，开展第5次耦合模式比较计划（CMIP5）。不同与IPCC4中的SRES A2、A1B和B1情景，在CMIP5中通过定义21世纪末的辐射强迫大小对不同情景命名，按照辐射强迫由低到高分为4种典型浓度路径（Representative Concentration Pathway，RCP）情景：RCP2.6排放情景、RCP4.5排放情景、RCP6.0排放情景以及RCP8.5排放情景。目前，在国内外基于CMIP5模式对于未来气候变化的趋势及特征进行了一系列的研究。张艳武^［6］利用第五次耦合模式比较计划（CMIP5）中29个模式的气温模拟数据，对CMIP5在中国地区的气温模拟能力进行了评估，结果表明各模式对中国地区的气温变化趋势及空间分布都能很好的模拟；陈晓晨^［7］利用43个模式评估了CMIP5对于中国地区降水特征的模拟能力，结果表明多数CMIP5模式对于中国降水从西北地区往东南地区逐渐增多的空间特征和夏季降水强冬季降水弱等时间特征有较好的重现。两位学者的研究证明了CMIP5在中国地区有较好的模拟能力，各模式的预估数据精度能够满足科研需要。莫康^［8］结合18个CMIP5模式对降水量进行降尺度，分析了RCP4.5和RCP8.5情景下未来2041-2070年的浙江省极端降水变化趋势，降尺度后降水数据偏差小于10%，结果表明在未来浙江省的降水变化表现为极端降水逐渐集中化，整体发展方向为极端降雨量增多以及降水日数增加。在国外研究中，Mohammadreza^［9］基于CanESM2模式对伊朗地区的Lar坝流域的气候参数进行预测，研究结果显示该情景对于Lar坝流域的模拟精度高，且模拟结果和未来全球变暖的趋势吻合。Lisa^［10］验证了CMIP5中多个模式在澳大利亚的适用性，并在此基础上预测了澳大利亚未来极端气温和极端降水的趋势，结果显示在澳大利亚地区未来的极端低温事件将会减少，极端高温和极端降水事件会大幅增加。此外，目前随着CMIP6模式的更新，Luo^［11］对比了CMIP5模式和CMIP6模式对于中国极端气温的模拟能力，结果表明CMIP6模式的不确定性相较于CMIP5有所改善，但是在青藏高原区域仍然会存在明显的冷偏差或暖偏差。Lun^［12］基于CMIP5模式和CMIP6模式中24个气候模式对于青藏高原的降水和气温模拟进行了对比研究，结果表明CMIP6模式在总体上优于CMIP5模式，同时两者均存在降水高估现象。

雅砻江流域是我国重要的水电能源基地，规划建设21级水电站。雅砻江流域上游处于青藏高原内，受全球气候变化影响显著，可能显著改变降雨-径流模式，对未来水电站群的运行带来显著影响，因此研究变化条件下该流域的降雨变化特征具有重要现实意义。目前在雅砻江流域已有的未来气候变化研究多集中与对气候变化幅度及时空分布情况的定量研究，未对未来的气候变化趋势及周期特征做出定性的评价。本研究选取CMIP5中的CanESM2模式，通过统计降尺度SDSM（Statistical Downscaling Model）模型对GCM数据进行降尺度处理，分析雅砻江流域在未来RCP2.6、RCP4.5和RCP8.5三种情景下降水量要素的变化特征。

1 研究区概况及数据来源

1.1 研究区概况

雅砻江流域（图 1）发源于青海省内的巴彦卡拉山南麓，位于东经96°52′~102°48′，北纬26°32′~33°58′之间，地处青藏高原东部及四川省西部，是金沙江最大的支流。雅砻江干流长度为1 571 km，流域面积为12.8 万km²，占长江流域面积的7.1%。流域东部与大雪山相邻，西部与雀儿山相邻，南部与金沙江谷地相邻，北部与巴颜喀拉山相邻，流域整体在南北方向大致呈条带状，纬度跨度及地势高差大、地形变化复杂。

图1 雅砻江流域概况

Full size|PPT slide

雅砻江为典型的川西高原气候，流域内干湿两季季节分明，5-10月为雨季，11-4月为干季。雅砻江流域的年降水量随着纬度由北向南逐渐增加，在河源区域的年降水量为500~600 mm左右，中下游地区逐渐增加至900~1 300 mm左右，其中，在中下游地区的年降水量最高可达1 500 mm以上。流域的径流50%为降水供给，余下为冰川融雪及地下水补给，径流在时间及空间上变化不大，稳定而丰沛。

雅砻江流域水资源充沛、从上游至下游海拔落差大，水力能源丰富，是我国重要的水电能源基地。目前，雅砻江干流总计规划21级水电站，已经建成了锦屏一级、锦屏二级、二滩等水电站，在建水电站有两河口、杨房沟等水电站。因此，研究历史期流域内的降水量变化规律以及预估未来的降水量变化趋势，对社会经济效益及人类生产生活具有重要意义。

1.2 数据来源

本研究使用了雅砻江流域的实测气象数据以及CMIP5全球气候模式数据，数据的来源主要为：

（1）实测气象数据：研究选用雅砻江流域内13个国家级气象站点（表1）1963-2016年的日降水量实测气象资料，资料来源于中国气象数据网（http：//data.cma.cn/data）；研究所选的站点为雅砻江流域现有的全部气象站点，且站点分布覆盖整个流域，充分了体现雅砻江流域的降水状况。下载后对数据的一致性以及完整性进行检验，并对缺测的数据采用线性内插法^［13］进行插补处理。

表1 率定期及验证期降水量模拟精度

台站	R ²			RMSE/mm
台站	率定期	验证期（校正前）	验证期（校正后）	率定期	验证期（校正前）	验证期（校正后）
清水河	0.71	0.69	0.77	0.786	0.785	0.614
石渠	0.74	0.65	0.65	0.869	0.911	0.866
甘孜	0.71	0.58	0.59	0.965	1.164	1.171
色达	0.76	0.58	0.65	0.961	1.272	1.145
道孚	0.69	0.64	0.67	1.034	1.140	1.108
新龙	0.68	0.68	0.72	1.094	1.135	1.092
康定	0.60	0.60	0.67	1.323	1.426	1.353
木里	0.66	0.76	0.72	1.655	1.356	1.511
九龙	0.67	0.65	0.79	1.531	1.705	1.326
越西	0.61	0.70	0.73	1.943	1.703	1.634
昭觉	0.59	0.62	0.70	1.786	1.750	1.617
盐源	0.68	0.62	0.65	1.560	1.749	1.749
西昌	0.55	0.63	0.68	2.043	2.020	1.984

（2）CMIP5全球气候模式数据：研究选用由加拿大环境与气候变化建模与分析中心（CCCma）提供的CanESM2气候模式（https：//www.canada.ca/en.html）的大尺度气象资料，其中包含NCEP全球气候再分析数据以及3种未来排放情景RCP2.6（温室气体低排放情景）、RCP4.5（温室气体中排放情景）和RCP4.5（温室气体高排放情景）的数据，数据共包含26个大尺度气象因子（如平均海平面压力、风向、相对涡度、相对湿度等），数据尺度为逐日序列，空间分辨率为2.812 5°×2.812 5°。

为保证与GCM数据时间序列长度的一致性，选取1963-2005年的实测气象数据进行降尺度模拟，其中设定1963-1995年为率定期，1996-2005年为验证期。IPCC建议基准期长度为30年以上^［14］，因此本研究所选取33年的时间长度以描述该区域的气候特征，能够涵括炎热、干旱、温暖、潮湿及凉爽等时期。

为更精细的研究降水量变化趋势的时空差异性，根据北半球的气候特征对全年进行季节划分^［15］，分别为春季（3、4、5月）；夏季（6、7、8月）；秋季（9、10、11月）；冬季（12、1、2月）。

2 研究方法

本研究通过SDSM统计降尺度模型对雅砻江流域未来的降水数据进行模拟，然后使用线性趋势及滑动平均法对降水量进行趋势分析，使用Mann-Kendall（M-K）趋势检验法对降水量的变化趋势进行检验，使用Mann-Kendall（M-K）突变检验法、滑动t检验法判断降水序列是否发生突变以及确定突变年份，使用Morlet小波分析研究周期变化特征。最后综合所有结果，分析雅砻江流域降水量的变化特征。

2.1 SDSM模型及误差修正

由于GCM输出的数据往往具有粗糙的分辨率，无法很好的体现区域气候特征，因此本文首先对GCM全球气候模式数据进行降尺度处理。SDSM是一种耦合了多元回归模块和天气发生器模块的统计降尺度模型^［16］。

SDSM模型的降尺度过程主要分为以下几个步骤：①选定与实测站点对应的大尺度网格；②筛选大尺度气候预报因子；③模型的率定及验证；④生成未来气候情景。通过以上步骤来建立大尺度气候预报因子与站点实测气候数据之间的统计关系，并利用GCM中的再分析数据通过率定好的模型来输出模拟站点的未来气象数据。大尺度气候预报因子与区域气候预报变量之间的统计函数为：

Y = F (X)

（1）

式中：

X (x_{1}, x_{1}, \dots, x_{n})

序列为大尺度气候预报因子序列；

Y

为区域气候预报变量；

F (x)

为大尺度气候预报因子与区域气候预报变量之间的统计关系函数。

将所有预报因子与实测数据进行相关性分析来选取合适的预报因子，确定相应的预报因子以后，通过SDSM模型建立实测数据与预报因子序列之间的统计关系，确定多元回归方程来率定模型。完成模型的率定后将GCM中输出的未来气候情景序列输入SDSM模型中，从而得到站点的未来气候序列。将输出结果与基准期数据对比，用于分析区域气候未来的变化特征。

采用降尺度模型在进行降水的模拟中存在一定的误差，若是将降尺度模拟的降水数据直接输入水文模型中会存在较大的不确定性，因此需要对降水的模拟结果进行误差修正^［17］。本研究在进行未来气候变化评估之前，先对雅砻江流域内各站点的降水模拟数据采用比例缩放法进行偏差校正，其原理为利用各站点实测和模拟的月平均降水比值对降尺度的模拟降水结果进行修正。

a P_{模 拟} = P_{实 测}

（2）

{\bar{x}}_{m} = a (x_{m})

（3）

式中：

a

为实测与模拟降水量的月平均比值；

P_{模 拟}

为模拟多年平均月降水量，mm；

P_{实 测}

为实测多年平均月降水量，mm；

x_{m}

为各站点模拟的降水量，mm；

{\bar{x}}_{m}

为各站点修正后的降水量，mm。

2.2 趋势分析及趋势检验方法

降水量的变化通常波动较大，从降水量过程线图中往往无法直观的看出降水量的变化趋势以及变化的显著程度。因此本文使用一元线性回归及滑动平均两种趋势分析方法来判断降水量的变化趋势，同时通过M-K趋势检验方法对降水量变化趋势的显著性进行检验。

采用一元线性回归方程来拟合气候要素的变化趋势，通过气候倾向率^［18］来定量分析气候要素的变化趋势及特征。

y = a x + b

（4）

式中：

y

为气候要素序列；

x

为

y

所对应的时间序列；

a

为气候倾向率，表示气候要素的变化趋势；

b

为常数。

滑动平均，又称作指数加权平均，通过对平均时段内的序列数据进行平均从而计算序列的局部均值，以时间序列的平滑值来表示气候要素的变化。采用5 a滑动平均法分析雅砻江流域内的降水量变化趋势。

M-K趋势检验是一种非参数的检验方法^［19］。该方法不需要样本数据遵从特定的分布，因此对于随机分布的水文气象序列有很好的效果，该方法被广泛运用于水文气象要素的趋势检验研究中^［20］。对于标准化统计量

Z_{m k}

，当

|Z_{m k}| > Z_{(1 - a / 2)}

时表示数据序列变化趋势通过显著性检验，反之则表示不通过检验。对于置信水平

a

，当置信水平为0.05时，

Z_{(1 - a / 2)}

值为1.96；当置信水平为0.01时，

Z_{(1 - a / 2)}

值为2.58。

2.3 突变检验法

对于长时间的降水序列，判断其是否发生突变以及突变的具体时间是理清各阶段降水变化特征的重要基础。研究通过采用M-K突变检验和滑动t检验两种方法对气候序列进行突变性检验，两种检验均设置置信水平为0.05，滑动t检验设置步长为5 a。由于M-K突变检验的检测范围较宽，在长时间序列时检验判断突变点时主观性较强，因此本研究结合滑动t检验来确定突变发生的具体年份^［21］。

M-K突变检验方法由世界气象组织（WMO）推荐，在世界范围内被广泛应用于气候及水文要素的序列变异性诊断研究，其原理为：当

U F_{K}

和

U B_{K}

相交且交点位于置信区间之内，则该交点为序列的突变点^［22］。当

U F_{K} > 0

时表示序列呈上升趋势，反之则呈下降趋势。当

U F_{K}

超过置信水平时，表示该序列通过显著性检验，反之则表示序列未通过显著性检验。

滑动t检验法通过判断气候序列中两段子序列的均值有无差异以及差异是否显著来检验序列的突变。

2.4 周期分析方法

研究采用Morlet小波分析方法对序列进行周期变化分析，该方法可以同时获取频域和时域的信息，在得到频率成分的同时还能识别该频率所在的时间位置。小波分析的基本原理为通过小波函数来表示某一类信号，该小波函数具有震荡性的特点。小波函数的具体公式原理如下：

\int_{- \infty}^{+ \infty} ψ (t) d t = 0, ψ (t) \in L^{2} (R)

（5）

ψ_{a, b} (t) = {|a|}^{- 1 / 2} ψ (\frac{t - b}{a})

（6）

式中：

ψ (t)

基为小波函数；

ψ_{a, b} (t)

为子小波；a为小波周期尺度因子；b为时间平移因子。

3 结果分析

3.1 SDSM模拟精度

通过确定性系数（

R^{2}

）和均方根误差（

R M S E

）来检验统计降尺度模型在率定期及验证期对于气象要素的模拟效果（见表1）。结果显示通过误差校正后，在验证期除甘孜站外，各站点的确定性系数（

R^{2}

）均高于0.65，其中半数以上站点达到0.70以上。结果显示SDSM对于雅砻江流域的降水模拟有较好的适用性，模拟结果能够满足研究精度需要。

3.2 降水量变化趋势分析

雅砻江流域纬度跨度较大，流域内年降水量由北向南依次递增。其中清水河、石渠、甘孜、色达、道孚、新龙站点的历史期多年平均降水量均小于800 mm；而康定、木里、九龙、越西、昭觉、盐源、西昌站点的多年平均降水量为800 mm以上。按照干湿区划分标准，年降水量400~800 mm属于半湿润区，年降水量800 mm以上属于湿润区。同时参照各个站点在雅砻江流域的分布情况（图1），可对于雅砻江流域划分为上游和下游进行分析。

采用线性趋势及滑动平均法对历史期及未来不同情景下的降水量进行趋势分析，对年降水量及各个季节的降水量变化趋势逐一进行比较分析。

图2 上游降水量趋势分析

Full size|PPT slide

图3 下游降水量趋势分析

Full size|PPT slide

对于历史期而言，上游和下游的年降水量均呈现增长趋势，上游变化趋势更加显著。在上游历史期中，对比增长斜率可以发现在春季降水量有明显的增多，而在夏季、秋季和冬季增长趋势则较缓。同时在降水总量上，各个季节之间的分配也存在较大的差异，夏季降水量达到年降水总量的57.5%。夏季降水密切影响着雅砻江的防洪安全以及水力发电的效益，因此对于未来夏季降水量的变化需要重点研究。

下游年降水量总体呈现为增长趋势，但在各个季节却表现出一定的差异性。其中在春、夏两季表现出降水量逐渐升高的现象，在秋、冬两季降水量却呈现降低的趋势。对比雅砻江流域上游和下游不同季节的历史期变化趋势，可以发现在雅砻江流域内降水存在明显的时间及空间变化。因此在进行未来的趋势分析时，不能仅仅只考虑整个流域的平均年降水量，应该对于各个季节，不同分区进行详细的比较，由此更加精细的研究雅砻江流域未来不同情景下的降水量的变化规律。

在CMIP5中一共设定了RCP2.6、RCP4.5、RCP6.0和RCP8.5四种浓度路径，其中RCP2.6为低排放情景、RCP4.5与RCP6.0均为中排放情景、RCP8.5为高排放情景。为比较不同等级的浓度排放下流域内未来的气候变化及差异性，本研究选取其RCP2.6、RCP4.5和RCP8.5三种情景来假设雅砻江流域的未来气候变化，由此来探究未来不同的社会发展状况下流域内的降水变化规律。对于上游流域，未来除在RCP2.6情景下，年降水量出现下降的情况外，在RCP4.5和RCP8.5情景下年降水量均呈现出上升趋势，其中RCP8.5情景下上升趋势最为显著。在RCP2.6情景下降水量的变化表现出季节差异性，其中冬、春两季降水量下降，而夏季和秋季的降水量呈现出微弱的上升趋势。而在RCP4.5和RCP8.5两种情景下，各个季节的降水量均会出现上升的现象，且变化幅度为秋季>春季>夏季>冬季。结果表示雅砻江上游流域在未来全球变暖背景下，降水量总体呈现上升趋势，而在秋季和夏季上升幅度最大，冬季上升幅度最小，这可能会进一步加剧流域内降水年内分布不均的问题。对于下游流域，虽然总体上3种情景下年降水量均表现为增加，但是在RCP2.6情景的春季、秋季及冬季，RCP4.5情景的夏季和冬季时，降水量却呈现微弱的下降趋势。同时，和上游相比，两种情景下下游降水量的变化幅度更低。在未来雅砻江流域上游和下游的降水均会出现增加的现象，且增加幅度均为RCP8.5>RCP4.5>RCP2.6，这与IPCC中设定的未来气候变化趋势吻合。而对于流域内变化的时空分布特征，在上游流域（半湿润区）的增加较下游流域（湿润区）更为显著，且在夏、秋两季（汛期）的变化幅度较春、冬两季（非汛期）更大。即在雅砻江流域未来降水量的空间差异性会减小，而季节差异性会进一步增大。

从总体而言，对比历史期变化趋势和未来情景下的趋势，可以发现与历史期趋势吻合度最高的为RCP4.5情景，而RCP2.6情景相对于历史期降水量增加趋势较弱，RCP8.5情景下降水量增加趋势明显强于历史期。参照IPCC对于CMIP5各情景的浓度路径定义^［23］，其中设定RCP2.6为低辐射强迫路径，路径形状为峰值和下降；RCP4.5为中间稳定路径，其路径形状定义为无过冲稳定；RCP8.5为高辐射强迫路径，其路径形状为上升。因此，可以看出在雅砻江流域不同情景下降水量的变化趋势结果与CMIP5的情景设定吻合。

3.3 趋势检验

通过M-K趋势检验法得到雅砻江流域各站点的标准化统计量

Z_{m k}

，对流域内历史期及未来不同情景下降水量变化趋势进行显著性检验。同时，分别对年降水量和各个季节的降水量进行趋势检验，以研究流域内降水量变化趋势的时空特征。图4对于不同时期、不同季节下各个站点的

Z_{m k}

值进行了具体展示。

图4 雅砻江流域年降水量趋势检验

Full size|PPT slide

在图4中，对不同站点降水变化的显著性进行展示，该图中不同的颜色代表

Z_{m k}

的大小不同。当

Z_{m k} > 2.58

时，站点显示为红色，表示该站点降水量呈增长趋势且通过了99%置信度的检验；当

1.96 < Z_{m k} \leq 2.58

时，站点显示为橙色，代表该站点降水量呈增长趋势且通过了95%置信度的检验；而当

0 < Z_{m k} \leq 1.96

时，则表示该站点虽然降水量呈上升趋势但并未通过置信度检验，即表示该站点降水量的变化趋势不显著。反之，当

Z_{m k}

为负时，则降水量为下降趋势。

因此由图4可知，在历史期［见图4（a1）］除上游清水河、石渠站点呈黄色外，其余站点均通过了99%置信度的检验，而其中下游3个蓝色点分别表示越西、木里、盐源3个站点的年降水量呈显著降低趋势，余下站点呈显著增长趋势。而在季节分配上，在春季所有站点均为显著上升趋势，夏季和秋季多数站点为通过95%置信度的检验，冬季所有站点均通过了99%置信度的检验，但各站点的增减趋势不一。在RCP2.6情景下，所有站点的年降水量均未通过均通过了95%置信度的检验，在季节表现上RCP2.6情景下，春季和冬季整体表现为未来降水量将会减少。在RCP4.5情景下［见图4（c1）］，最上游两个站点清水河、石渠的变化趋势不显著，中游蓝点表示康定站点呈显著下降趋势，区域站点均为通过99%置信度检验的增长趋势。在RCP8.5情景下［见图4（d1）］所有站点均为显著上升趋势，且除夏季外，其他季节流域整体也表现为降水量增加。对比历史期及各情景可以发现，年降水量和季节降水量随着浓度排放的增加，降水量的增长趋势也更加显著，除夏季降水表现出较大的波动性及不确定性外。

3.4 突变检验

对雅砻江流域历史期及未来不同情景下降水序列进行突变检验，其中M-K突变检验的结果如图5所示，滑动T突变检验的结果如表2所示。通过结合两种方法的检验结果，确定具体的突变年份及其显著性。

图5 雅砻江流域降水量M-K突变检验结果

Full size|PPT slide

表2 雅砻江流域降水量滑动t突变检验结果（突变年份）

	历史期	RCP2.6情景	RCP4.5情景	RCP8.5情景
上游	1986年	无显著跳跃	2072年	2067年
下游	无显著跳跃	无显著跳跃	2042年	2057年

对比各时期的

U F

曲线，雅砻江流域上游及下游的趋势及突变年份基本一致，除RCP4.5情景下，上游的变化趋势较下游更加显著。在历史期，上游及下游流域的M-K突变检验结果均存在较多交点，无法准确判别具体的突变年份，因此结合滑动t检验进一步分析，最终结果显示历史期上游的显著突变年份为1986年，下游无显著突变。对于RCP2.6情景下，观察M-K突变检验图发现上游及下游的

U F

曲线均未超过显著性水平，因此虽然存在较多交点，但均未达到显著突变。同时对比滑动t检验结果，两种方法的检验结果相同，结果表明在RCP2.6情景下变化趋势不显著且未发生显著突变。对于RCP4.5情景下，上游

U F > 0

且增加趋势超过置信区间，而下游波动较大。对于上游M-K检验交点出现在2068年，滑动t检验显著突变年份为2072年；下游M-K交点过多，滑动t检验结果为2042年为突变年份。对于RCP8.5情景下，上游及下游

U F

均为显著上升，且交点出现的时间段相近，上游的交点出现在2069年，下游的交点出现在2066年。与滑动t结果比较，两种方法检验中上游突变年份出现的时间吻合，而下游存在一定的差异。对于RCP4.5情景和RCP8.5情景下交点处

U F

均大于0，表示在未来这两种情景下均为降水量增多的突变。

总的来说，在气候变化背景下，雅砻江流域未来RCP4.5和RCP8.5情景下降水量的变化相较于RCP2.6情景会有更显著的突变。

3.5 周期分析

研究采用Morlet小波分析方法结合全局小波谱研究雅砻江流域历史期及未来不同情景下降水量变化的周期特征，分析结果如图 6。

图6 雅砻江流域降水量小波分析

Full size|PPT slide

小波分析在对有限时间的数据序列进行分析时，在起点、终点处无法无限的去匹配它的信号，会产生拟合误差，因此两端点附近会存在一定的边界效应。在小波结果图中，颜色接近红色时表示能量越强，颜色接近蓝色时表示能量越弱；黑色线圈区域为周期变化显著区域；小波锥之内为可信的序列周期范围，小波锥之外灰色部分为可信度较低区域。在全局小波谱图中，红色虚线所包围的扇形区域内出现的波峰即为显著的序列周期。

历史期雅砻江上游在1995年左右存在0~2 a的短周期，在2000年左右时间段内存在4~8 a的中周期，结合全局小波普分析两个周期均在显著范围内；在雅砻江流域下游，存在1970年左右才存在0~4 a的短周期。对比上游、下游周期结果，结果表示在历史期两者的周期变化存在一定的差异性。在RCP2.6情景下，流域上游在2050年同时存在1~4 a的短周期及4~8 a的中周期，在2070-2080年之间存在8-10a的长周期，在2080-2090年之间存在1~4 a的短周期，比照全局小波谱可以看出2070-2080年的长周期未通过显著性水平（

α = 0.05

）检验；流域下游未显现出明显的周期变化特征。相较历史期和RCP2.6情景，RCP4.5和RCP8.5情景下的震荡周期更短。在RCP4.5情景下下游流域、RCP8.5情景下上游和下游流域均只存在1~4 a的短周期，且年份分布频繁，说明未来这两种情景下降水量表现为周期持续时间长且频率较短的周期变化特征。

总体而言，未来雅砻江流域的降水量表现为周期平稳的上升趋势，未来降水量会显著增加，这对流域的水资源管理带来较大挑战，需要根据不同区域的需水情况来制定水资源管理措施预案。

4 结论

为匹配CMIP5模式的时间尺度，本文选取1963-2005年为基准期对大尺度气候模式数据进行降尺度处理，以模拟未来2020-2100年雅砻江流域的降水数据。在进行统计分析时，选取已有的历史期1963-2016年的实测降水序列以及未来期2020-2100年3种RCP情景下的预测降水序列进行趋势分析、突变检验以及周期分析，研究了各时期下流域降水的变化特征并对比其差异性。主要结论如下：

（1）通过SDSM统计降尺度模型结合CMIP5数据，模拟未来雅砻江流域13个站点的降水量，结果表示SDSM模拟结果与实测数据拟合精度较高。率定期各站点的平均R ²达到0.66，在校正后验证期的平均R ²达到0.69。

（2）在历史期雅砻江上游和下游流域年降水量均呈上升趋势，在季节分配方面均为春季增幅最大。在未来RCP2.6情景下降水量变化表现平稳，无明显的上升或下降趋势，RCP4.5及RCP8.5两种情景下降水量均为增加趋势，且增加幅度为RCP8.5情景>RCP4.5情景。综合比较历史期和未来期可以得出雅砻江流域的降水量变化幅度为RCP8.5情景>RCP4.5情景>历史期>RCP2.6情景，各时期在季节变化上的趋势不一。

（3）雅砻江流域降水量在历史期及RCP4.5、RCP8.5情景下均有显著的突变年份，其中历史期上游流域突变年份为1986年，下游无显著跳跃。在RCP4.5情景时流域下游的突变年份为2042年，RCP8.5情景时流域上游的突变年份为2067年、下游的突变年份为2057年，3个突变年份均处于中景期（2041-2070年）。而在RCP4.5情景时流域上游的突变年份为2072年，处于远景期（2071-2100年）。各个突变点均为降水量显著性增多的突变，且上游的突变点要晚于下游。

（4）雅砻江流域在历史期和RCP2.6情景下同时存在1~4 a短周期和4~8 a中周期两种周期特征。在RCP4.5和RCP8.5情景下仅存在1~4 a短周期，未来这两种情景下降水量表现为周期持续时间长且频率较短的周期变化特征。

综上所述，雅砻江流域在未来RCP2.6情景下降水量无明显变化，无明显的上升或下降趋势；但在RCP4.5以及RCP8.5情景下未来雅砻江流域的降水量增加趋势都非常显著，尤其是在“无政策干预”的RCP8.5情景时。因此，作为我国重要的水电能源基地，雅砻江流域需要考虑未来气候变化导致的降雨径流变化，做好对现有梯级水库群的防洪、发电，以及水资源调度策略进行适应性应用的准备。 □

References

Publishing order | Descend order by publishing year | Descend order by cited within

1	蒋帅，江志红，李伟，等. CMIP5模式对中国极端气温及其变化趋势的模拟评估［J］. 气候变化研究进展，2017，13（1）：11-24. 本文引用 [1]

2	IPCC. Climate Change 2013： The Physical Science Basis［M］. Cambridge： Cambridge University Press， 2013. 本文引用 [1]

3	刘凯，聂格格，张森. 中国1951-2018年气温和降水的时空演变特征研究［J］. 地球科学进展，2020，35（11）：1 113-1 126. 本文引用 [1]

4	丁一汇. 气候系统的演变及其预测［M］. 北京：气象出版社， 2003. 本文引用 [1]

5	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]

6	张艳武，张莉，徐影. CMIP5模式对中国地区气温模拟能力评估与预估［J］. 气候变化研究进展，2016，12（1）：10-19. 本文引用 [1]

7	陈晓晨，徐影，许崇海，等. CMIP5全球气候模式对中国地区降水模拟能力的评估［J］. 气候变化研究进展，2014，10（10）：217-225. 本文引用 [1]

8	莫康，刘光裕，贺治国，等. 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. 本文引用 [1]

9	JAVAHERIAN M， EBRAHIMI H， AMINNEJAD B. Prediction of changes in climatic parameters using CanESM2 model based on Rcp scenarios （case study）： Lar dam basin［J］. Ain Shams Engineering Journal， 2021，12（1）：445-454. 本文引用 [1]

10	ALEXANDER L V， ARBLASTER J M. Historical and projected trends in temperature and precipitation extremes in Australia in observations and CMIP5［J］. Weather and Climate Extremes， 2017，15：34-56. 本文引用 [1]

11	LUO N， GUO Y， GAO Z， et al. Assessment of CMIP6 and CMIP5 model performance for extreme temperature in China［J］. Atmospheric and Oceanic Science Letters， 2020，13（6）：589-597. 本文引用 [1]

12	LUN Y， LIU L， CHENG L， et al. Assessment of GCMs simulation performance for precipitation and temperature from CMIP5 to CMIP6 over the Tibetan Plateau［J］. International Journal of Climatology， 2021，41（7）：3 994-4 018. 本文引用 [1]

13	司鹏，郝立生，罗传军，等. 河北保定气象站长序列气温资料缺测记录插补和非均一性订正［J］. 气候变化研究进展，2017，13（1）：41-51. 本文引用 [1]

14	GEBREMESKEL S， LIU Y B， SMEDT F D， et al. Analysing the effect of climate changes on streamflow using statistically downscaled GCM scenarios［J］. International Journal of River Basin Management， 2004，2（4）：271-280. 本文引用 [1]

15	宁忠瑞，张建云，王国庆. 1948-2016年全球主要气象要素演变特征及空间分布格局［J］. 中国环境科学，2021： 1-12. https：//doi.org/10.19674/j.cnki.issn11000-16923.20210427.20210003 本文引用 [1]

16	BEERSMA J J， BUISHAND T A. Multi-site simulation of daily precipitation and temperature conditional on the atmospheric circulation［J］. Climate Research， 2003，25（2）：121-133. 本文引用 [1]

17	马佳培，李弘毅，王建，等. 面向寒区水文模拟的区域气候模式降水订正方法对比［J］. 遥感技术与应用，2019，34（3）：655-666. 本文引用 [1]

18	魏凤英. 现代气候统计诊断与预测技术［M］. 北京：气象出版社， 1999. 本文引用 [1]

19	BAO Z， ZHANG J， WANG G， et al. The impact of climate variability and land use/cover change on the water balance in the Middle Yellow River Basin， China［J］. Journal of Hydrology， 2019，577：123 942. 本文引用 [1]

20	王乐扬，李清洲，王金星，等. 变化环境下近60年来中国北方江河实测径流量及其年内分配变化特征［J］. 华北水利水电大学学报（自然科学版），2020，41（2）：36-42. 本文引用 [1]

21	王充，李超超，申若竹，等. 固原市西吉县近67 a降水特征变化分析［J］. 中国农村水利水电，2020（9）：152-156，162. 本文引用 [1]

22	王建新，王健. 序列一阶自相关对MK突变检验影响的探讨［J］. 山东理工大学学报（自然科学版），2018，32（2）：66-69. 本文引用 [1]

23	MOSS R H， EDMONDS J A， HIBBARD K A， et al. The next generation of scenarios for climate change research and assessment［J］. Nature， 2010，463（7 282）：747-756. 本文引用 [1]

PDF(2712 KB)

991

Accesses

Citation

Detail

Sections

Recommended

Received	Published
2021-07-12	2022-04-15
Issue Date
2022-06-09

Please choose a citation manager

Content to export

Abstract

Key words

Cite this article

0 引言

1 研究区概况及数据来源

1.1 研究区概况

图1 雅砻江流域概况

1.2 数据来源

表1 率定期及验证期降水量模拟精度

2 研究方法

2.1 SDSM模型及误差修正

2.2 趋势分析及趋势检验方法

2.3 突变检验法

2.4 周期分析方法

3 结果分析

3.1 SDSM模拟精度

3.2 降水量变化趋势分析

图2 上游降水量趋势分析

图3 下游降水量趋势分析

3.3 趋势检验

图4 雅砻江流域年降水量趋势检验

3.4 突变检验

图5 雅砻江流域降水量M-K突变检验结果

表2 雅砻江流域降水量滑动t突变检验结果（突变年份）

3.5 周期分析

图6 雅砻江流域降水量小波分析

4 结论

{{custom_sec.title}}

{{custom_sec.title}}

References

Please choose a citation manager

Content to export

Abstract

Key words

Cite this article

0 引 言

1 研究区概况及数据来源

1.1 研究区概况

图1 雅砻江流域概况

1.2 数据来源

表1 率定期及验证期降水量模拟精度

2 研究方法

2.1 SDSM模型及误差修正

2.2 趋势分析及趋势检验方法

2.3 突变检验法

2.4 周期分析方法

3 结果分析

3.1 SDSM模拟精度

3.2 降水量变化趋势分析

图2 上游降水量趋势分析

图3 下游降水量趋势分析

3.3 趋势检验

图4 雅砻江流域年降水量趋势检验

3.4 突变检验

图5 雅砻江流域降水量M-K突变检验结果

表2 雅砻江流域降水量滑动t突变检验结果（突变年份）

3.5 周期分析

图6 雅砻江流域降水量小波分析

4 结 论

{{custom_sec.title}}

{{custom_sec.title}}

References

0 引言

4 结论