1、第 42 卷第 11 期 水 力 发 电 学 报 Vol.42,No.11 2023 年 11 月 Journal of Hydroelectric Engineering Nov.2023 收稿日期：收稿日期：2023-05-29 接受日期：接受日期：2023-07-18 基金项目：基金项目：国家自然科学基金项目(41901028;52279064)作者简介：作者简介：孟长青(1989),女,讲师.E-mail:els_ 通信作者：通信作者：王远坤(1981),男,教授.E-mail: 低排放情景下未来极端降水特征分析 以嘉陵江流域为例 孟长青1，刘柯莹1，董子娇1，王远坤1，武其月1，钟德
2、钰2,3，门宝辉1（1.华北电力大学 水利与水电工程学院，北京 102206；2.清华大学 水圈科学与水利工程全国重点实验室，北京 100084；3.清华大学 水利部水圈科学重点实验室，北京 100084）摘摘 要：要：一场极端降水事件所造成的灾难性后果除与总量、峰值有关外，还与其时间分布模式有关。本文基于实测和全球气候模式降水数据，改进了三分段偏差校正方法，分析了嘉陵江流域基于时间分布模式的极端降水事件（包括日极端降水与其前后降水两部分）频次、降水量、持续时间及集中度的历史分布特征及未来演变规律。结果表明：改进的三分段偏差校正法比传统的三分段偏差校正法校正效果明显，能更有效地减小实测值与模拟
3、值间的误差；与历史期相比，未来情景下两种主要降水类型降水量增加，持续时间延长，集中度下降；未来预估期内，两种主要降水类型的频次、降水量、持续时间和集中度总体呈现先增长后减少的趋势。关键词：关键词：低排放情景；极端降水事件；偏差校正；时间分布模式；嘉陵江流域 中图分类号：中图分类号：P467 文献标志码：文献标志码：A DOI:10.11660/slfdxb.20231104 论文引用格式：论文引用格式：孟长青,刘柯莹,董子娇,等.低排放情景下未来极端降水特征分析:以嘉陵江流域为例J.水力发电学报,2023,42(11):33-45.MENG Changqing,LIU Keying,DONG
4、Zijiao,et al.Analysis of extreme precipitation characteristics under future low-emission scenarios.Case study of Jialing River basin J.Journal of Hydroelectric Engineering,2023,42(11):33-45.(in Chinese)Analysis of extreme precipitation characteristics under future low-emission scenarios.Case study o
5、f Jialing River basin MENG Changqing1,LIU Keying1,DONG Zijiao1,WANG Yuankun1,WU Qiyue1,ZHONG Deyu2,3,MEN Baohui1(1.School of Water Resources and Hydropower Engineering,North China Electric Power University,Beijing 102206,China;2.State Key Laboratory of Hydroscience and Engineering,Tsinghua Universit
6、y,Beijing 100084,China;3.Key Laboratory of Hydrosphere Sciences of the Ministry of Water Resources,Tsinghua University,Beijing 100084,China)Abstract:Disastrous consequences following an extreme event of precipitation are related not only to its total volume and peak value,but also to its time distri
7、bution pattern.Based on the daily precipitation data of in-situ measurements and global climate model projections,this paper improves the three-segment deviation correction method,and examines the extreme precipitation events(daily extreme precipitation and the preceding and succeeding precipitation
8、)in the Jialing River basin using a time distribution model,34 水力发电学报 focusing on their historical distribution characteristics and the future trends in the frequency,volume,duration,and concentrating patterns of precipitation.The results show that the new improved method generates a more significan
9、t correction effect than that of the three-segment method,and a more effective reduction of the simulation errors against measurements.Compared with the historical period,the volumes of precipitation of two major types show an increasing trend and their durations are prolonged,while their concentrat
10、ion ratios take a decreasing trend.In the future projection period,the frequency,volume,duration,and concentration of extreme precipitation events all present an increasing trend followed by a decreasing trend.Keywords:low-emission scenario;event-based extreme precipitation;deviation correction;time
11、 distribution pattern;Jialing River basin 0 引言引言 气候变化正在使得全球极端气候事件的发生频率、强度、空间范围和持续时间不断增加，是当今人类社会面临的最严峻的挑战之一1。政府间气候变化专门委员会（Intergovernmental Panel on Climate Change，IPCC）第六次评估报告2指出，未来全球每增温 1，极端降水事件的强度将增强7%，区域极端降水强度的增幅与全球变暖幅度近乎呈现线性关系。为规避缓解气候变化风险，巴黎协定规定各国应将升温控制在 2以内，并努力控制在 1.5，而二氧化碳等温室气体的排放是全球气候变暖的主要原因，
12、减少温室气体排放，是目前世界各国政府努力的方向，也是实现温控目标最有效的手段3。因此，厘清低排放情景下极端降水事件的空间分布与变化规律是科学研究发展的需要，也是区域防灾减灾工作的迫切要求。全球气候模式（Global Climate Model，GCM）是进行气候变化模拟和预估研究的有效工具4，第六次国际耦合模式比较计划（Coupled Model Intercomparison Project Phase 6，CMIP6）是 CMIP计划开展至今，参与模式数量最多、所提供模拟数据最庞大、科学试验设计最完善的一次，模式输出结果的分辨率也明显提高5，其情景综合了典型浓度路径（representat
13、ive concentration pathways，RCPs）和不同共享社会经济路径（shared socioeconomic pathways，SSPs）6，使得未来极端降水研究的预估结果更加可信。其中，SSP1-1.9 是目前最低的辐射排放情景，2100 年辐射强迫约达 1.9 W/m2，该情景有超过 66%的可能在 2100 年实现 1.5的温控目标；SSP1-2.6 也属于低强迫情景，2100 年辐射强迫约达 2.6 W/m2，相较于工业化革命前，该情景在 2100 年的全球升温结果将显著低于 2。这两种情景与巴黎协定 1.5和 2的温控目标一致，可以更加合理地评估 1.5和 2温升
14、的气候变化结果6-7。但由于模型结构的简化假设，以及参数设置存在不确定性、模型模拟效果存在空间差异性等原因8-10，GCM 数据与实测气象数据往往存在一定偏差11。目前学界广泛应用的降水偏差校正方法可分为两大类：一类是基于降水序列的均值、方差等进行校正，比如线性缩放法（linear scaling，LS）基于均值进行校正，指数转换法（power transformation，PT）基于均值和方差进行校正，局部强度缩放法（local intensity scaling，LOCI）基于雨天发生的强度和频率进行校正；另一类是基于降水序列的概率分布进行校正，比如分位点映射法（quantile mapp
15、ing，QM）是基于降水序列的经验累积分布函数（empirical cumulative distribution function，ECDF）进行校正的非参数方法，分布映射法（distribution mapping，DM）是基于降水序列的累积分布函数（cumulative distribution function，CDF）进行校正的参数方法。后一类方法可以有效缩小降水序列实测值与模拟值在均值、方差、标准差和分位点等多方面的偏差，是目前学界的研究重点12-13。对于上述不同的偏差校正方法，Fang 等13对校正效果进行了对比分析，结果显示，DM 法对降水分布的偏差校正效果最好，但对时间序列
16、的校正效果不如 LOCI 法。高超等12在 DM 方法的基础上提出分段三伽玛分布偏差校正法，该方法按降水序列分位点将其分为极小值、常规值和极大值 3 部分分别进行偏差校正，可有效提高校正效果，但是对降水日数的校正上效果有限，且其仅采孟长青，等：低排放情景下未来极端降水特征分析以嘉陵江流域为例 35 用伽马曲线进行拟合，没有考虑降水在流域内的空间分布差异。岳书旭等14则通过在由 DM 方法发展而来的等比分布映射校正法（equiratio cumulative distribution functions matching，ERCDFm）中改进降水频率与未来预估期内降水日数的校正方法，提高了校正精
17、度。以上的降水校正方法各有侧重但不全面，因此，降水偏差校正方法应该同时考虑降水日数的模拟精度与降水量的时空分布差异。一场降水事件通常由起始、发展和衰减 3 个主要阶段组成，一般会持续几天时间15。降水强度有时会超过设定的阈值或百分位值而出现极端降水，对于这样一场包含极端降水的降水事件，总降水量由极端降水和前后降水（preceding and succeeding precipitation，P-S-P）组成，以往大多数关于极端降水的研究往往是仅考虑极端降水部分，而忽略 P-S-P16。虽然极端降水会产生大量的洪水，但是 P-S-P 往往会使情况更加恶化。Wu 等17基于极端降水与P-S-P，并
18、考虑到降水的时间分布特征，提 出 了 极 端 降 水 事 件（event based extreme precipitation，EEP）的概念。EEP 有助于更加全面地研究极端降水，为极端降水研究提供新的思路。全球变暖导致极端降水事件频发，其造成的经济损失与社会影响日益突出18-19，本文利用嘉陵江流域的历史实测降水数据以及 CMIP6 中 7 个模式的 SSP1-1.9 和 SSP1-2.6 两种低排放情景下的降水数据，改进了三分段偏差校正法，分析了低排放情景下极端降水事件的分布特征及其演变趋势。1 研究区域及数据研究区域及数据 1.1 研究区域概况研究区域概况 嘉陵江自陕西省凤县代王山发
19、源，流经陕、甘、川、渝，最终汇入长江，全长 1345 km，是长江流域中流域面积最大、流量第二大的支流20。流域内地势具有明显的梯度变化，呈现西北高、东南低的分布。流域地属亚热带季风气候，夏季气候湿热且多暴雨，是长江中游地区严重洪涝灾害的主要原因之一21。嘉陵江流域地理位置如图 1 所示。注：基于国家测绘地理信息局标准地图服务网站下载的审图号为 GS(2020)4619 号的标准地图制作，底图无修改。图图 1 嘉陵江流域地理位置嘉陵江流域地理位置 Fig.1 Location of Jialing River basin 1.2 数据来源数据来源 1.2.1 降水观测资料降水观测资料 本文采用
20、由国家气象信息中心所整理的 1961 2014 年中国地面降水日值 0.50.5格点数据集（V2.0），数据集由中国基本气象站、基准气候站、一般气象站在内的 2472 个主要站点降水量数据插值而成。1.2.2 气候模式数据气候模式数据 目前，CMIP6 官网提供的 SSP1.1-9 模式数据较少，基于前人的研究成果8,22-23结合 CMIP6 官36 水力发电学报 网提供的模式数据，共筛选出 7 个模型，本文选取其历史期（19612014 年）以及 SSP1-1.9、SSP1-2.6 两种情景下的未来预估期（20152100 年）逐日降水数据进行分析。由于各个气候模式的空间分辨率不同，为了方
21、便数据处理以及结果对比，统一采用双线性插值24和改进的三分段偏差校正方法将空间分辨率统一为 0.50.5，各模式的具体信息如表 1 所示。表表 1 CMIP6 中中 7 个个 GCMs 基本信息基本信息 Table 1 Basic information of seven GCMs in CMIP6 模式名称 国家和地区 研发机构 分辨率（经向网格数纬向网格数）EC-Earth3-Veg 欧洲 欧盟地球系统模式联盟 512256 EC-Earth3-Veg-LR 欧洲 欧盟地球系统模式联盟 320160 FGOALS-g3 中国 中国科学院大气物理研究所 18080 GFDL-ESM4 美国
22、美国国家海洋大气局地球物理流体动力实验室 288180 IPSL-CM6A-LR 欧洲 皮埃尔-西蒙拉普拉斯研究所 144143 MPI-ESM1-2-LR 德国 马普气象研究所 19296 MRI-ESM2-0 日本 日本气象研究所 320160 2 研究方法研究方法 2.1 改进的三分段偏差校正方法改进的三分段偏差校正方法 相较于传统三分段偏差校正法12，改进的三分段偏差校正法主要有以下 3 个优点：一是通过合理增补小雨日数使降水日数偏少情况的情况也得以修正；二是选取了水文计算中常用的多种曲线进行寻优拟合，而非仅采用 gamma 曲线拟合；三是改进了未来预估期的降水日数校正方法。改进的三分
23、段偏差校正法具体的校正流程如图 2 所示。主要有以下 6 步：（1）确定增补或删减的降水日数，一般有两种方法25：第一种是阈值法，一般是将极小降水阈值设置为 0.01 mm/d，然后将低于该阈值的小雨日数剔除26；第二种是比率法，校正时期修正后的降水日数与总日数的比值与观测时期降水日数与总日数的比值相等。本文参考阈值法，将降水量 0.01 mm/d 的降水日数作为有效降水日数。有效降水日 数除以总日数即为降水频率，参考比率法，使oP bcP。因此所需增减的降水日数计算公式如下：hofbcMPPNMPP历史期未来预估期 （1）式中：N为所需增补或删减的降水日数；M为对 应时段内的总日数；hP为历
24、史期的模拟降水频率；oP为历史期的实测数据降水频率；fP为未来预估期的模拟降水频率；bcP为未来预估期的目标降水 频率。（2）生成新序列，确定N后，若hoPP或fbcPP，则将相应时期内的降水序列升序排列，然后将第1 N个降水数据全部赋值为0，生成 新序列；若hoPP或fbcPP，则在0.01,0.1 mm 区间内生成N个随机数据替换掉相应降水序列中的0值，生成新序列。（3）对新序列进行重修正，若GCM降水数据的频率偏差较大，由于增补（删减）小雨日数，第2步生成的新序列可能会出现小雨日数堆积（缺失）的问题，从而影响校正效果。因此，在进行概率拟合校正之前，先按照下式将第2步生成的新序列进行修正，
25、可以使降水分布更加合理13：1fffQuantile()mmmxFx （2）式中：fmx为模式m未来预估期的模拟值；fQuantile()mx为未来预估期模拟值在降水日数校正后的新序列中的分位数；1fmF为模式m在未来预估期的逆累积分布函数；fmx为重修正后的模拟值。（4）将重修正后的新序列分段，考虑降水事件极小值、常规值和极大值各段分布差异并进行逐段偏差校正，可以更好地识别降水过程中的极值事件，并减小校正过程的误差，提高校正效果11。本文将降水量数据的10%作为极小分位点，90%作为极大分位点，将重修正后的新序列分成三段。（5）确定最优拟合曲线，将分段之后的降水孟长青，等：低排放情景下未来极
26、端降水特征分析以嘉陵江流域为例 37 序列，每段分别用gamma、Gumbel、weibull、exponential、广义极值分布（generalized extreme value distribution，GEV）、广义帕雷托分布（generalized Pareto distribution，GPD）、皮尔逊III型（Pearson distribution，P-III）曲线进行拟合27-29，并计算历史期实测数据与经过不同拟合曲线校正之后的模式模拟数据的纳什系数，将纳什效率系数效果最好的曲线作为该段的最优拟合曲线来对历史期与未来预估期进行校正。历史期模式模拟数据校正公式如下：1h,c
27、orohh1,h1,h1,o1,ohh,10th()()|,)|,)()mmmmmmmxiFFxixix（3）1h,corohh2,h2,h2,o2,oh,10thhh,90th()()|,)|,)()mmmmmmmmxiFFxixxix（4）1h,corohh3,h3,h3,o3,ohh,90th()()|,)|,)()mmmmmmmxiFFxixix（5）式中：1,o，1,o、2,o，2,o和3,o，3,o分别为实测值位于0 10%、10%90%、90%100%分位点之间的参数，1,hm，1,hm、2,hm、2,hm和3,hm，3,hm分别为模式m历史期模拟值位于0 10%、10%90%、
28、90%100%分位点之间的参数。纳什系数计算公式如下：2obssim12obsobs1NS1MiMiPiPiPiP （6）式中：M为时间序列长度；obsPi为第i日实测降水量，mm；simPi为第i日模拟降水量，mm；obsP 为平均实测日降水量，mm。NS值越接近1，表示模拟降水越接近实测降水。（6）分段进行概率拟合校正，针对每一段都采用最优拟合曲线利用以下两式进行历史时期和未来时期的校正：1h corohh()mmmxFFx,（7）1offf corf1hff()()mmmmmmmFFxxxFFx,（8）式中：hmx为模式m历史期的模拟值；fmx为模式m未来预估期重修正后的模拟值；1oF、
29、1hmF分 别为实测值与模式m历史期的逆累积分布函数；hmF、fmF分别为模式m在历史时期与未来预估期的累积分布函数；h cormx,、f cormx,分别为模式m在 历史期与未来预估期的校正值。图图 2 改进的三分段偏差校正方法流程改进的三分段偏差校正方法流程 Fig.2 Flowchart of improved three-segment deviation correction method 2.2 极端降水事件的定义极端降水事件的定义 首先定义降水事件，本文将1 mm作为判断每日有无降水的分界值，因此将降水事件定义为连续几天的日降水量不小于1 mm的降水。其次识别日极端降水，本文将目
30、前学界最常用的第99百分位值作为识别极端降水的阈值30。最后，在前两步的基础之上将EEP定义为：若在降水事件期间至少存在一个日极端降水，则认为该降水事件是EEP。根据降水事件定义，相邻EEP之间至少应间隔一天（该天日降水量小于1 mm）。极端降水的时间分布模式（time distribution pattern，TDP）也被称为极端降水的时间剖面，在水力结构设计、数值天气预报、水文预报、水库运行和洪水控制中起着至关重要的作用，因为它决定了地表径流和河流流量过程17。以往对极端降水的研究主要有两类方法：一类是用极端降水指数研究，一类是基于极值理论16，对极端降水TDP38 水力发电学报 的系统研
31、究很少。对于提取出的 EEP 事件，本文根据 TDP 分为 1-day-EEP、TDP1、TDP2、TDP3四种类型，其具体的定义方式如表 2 所示17。表表 2 四种四种 TDP 类型的定义类型的定义 Table 2 Definitions of four TDP types 名称 定义 TDP1 EEP 期间的所有日极端降水全部分布在持续时间的前 1/2 TDP2 EEP 期间的所有日极端降水全部分布在持续时间的后 1/2 TDP3 EEP 期间的日极端降水部分分布在持续时间的前 1/2，部分分布在后 1/2 1-day-EEP 持续时间仅一天且降水量超过极端降水阈值 当持续多日的 EEP
32、 仅存在一个日极端降水，且恰好发生正中间一天时（持续时间是奇数），日极端降水既不属于持续时间的前 1/2，也不属于后1/2，此时如果持续时间前（后）1/2 的累积降水量大于后（前）1/2 的累积降水量，则认为该 EEP 为TDP1（TDP2）。图 3 展示了从降水序列中提取的四种 EEP，其中 EEPi、EEPi+1、EEPi+2、EEPi+3分别表示 1-day-EEP、TDP1、TDP2、TDP3。图图 3 EEP 及及 TDPs 概念描述概念描述 Fig.3 Demonstration of the EEP and TDPs concept 2.3 极端降水指标极端降水指标 对于提取出的
33、 EEP，本文将利用频次、持续时间、降水量及集中度四项指标来分析各类 EEP 的特征，四项指标的具体定义如表 3 所示。以图 3 中 EEPi+1这次降水事件为例，持续时间、降水量以及集中度计算公式为：11,e1,s1iiidtt （9）1,e1,s1()diititVP tt （10）11,11(),(1,2,3,)niikikeP tVn（11）式中：1id，1iV，1ie分别为 EEPi+1的持续时间、降水量及集中度；1,sit，1,eit为事件的开始日期和 结束日期；n 为 EEPi+1期间日极端降水的数量，1,ikt为 EEPi+1期间第 k 个每日极端降水发生的时 间；()P t
34、为已有的降水序列。对于 1-day-EEP，即图 3 中的 EEPi，它的持续时间和集中度恒为 1。针对特定时间段内的每个网格点，本文比较四种降水类型的累积频次，将频次最高的模式确定为主导模式。若频率相同，则将累积降水量最大的确定为主导模式，若当累积降水量也相同时，则将集中度最高的确定为主导模式。表表 3 极端降水指标及定义极端降水指标及定义 Table 3 Indexes and definitions of extreme precipitation 指标名称 定义 频次 某时段内发生 EEP 的总次数 持续时间 某 EEP 持续的总天数 降水量 某 EEP 期间的总降水量 集中度 某 E
35、EP 期间所有日极端降水的累积量与总降水量的比值 2.4 统计分析方法统计分析方法 Thiel-Sen 斜率估计方法与简单的线性回归相比，不受数据异常值的影响31，本文使用该方法分析嘉陵江流域降水在时间上的变化趋势。Mann-Kendall方法是一种非参数检验方法，适用于非线性趋势的检验，广泛应用于水文、气象等领域。本文使用该方法对 EEP 指标的年际变化趋势进行分析32。泰勒图可以通过相关系数、标准差和均方根误差 3 个统计量直观地表现多种气候模式的模拟性能32，本文使用泰勒图对气候模式的模拟效果进行评估。整体偏差值为 GCM 数据 ECDF 与实测数据ECDF 之间的面积差，可以用来恒量偏
36、差校正的效果。本文共选用 19 个分位点，分别为 5%、10%、15%、20%、25%、30%、35%、40%、45%、50%、55%、60%、65%、70%、75%、80%、85%、90%和 95%分位点，以这 19 个分位点下 GCM 与实测数据的绝对偏差总和近似作为GCM数据ECDF与实测数据 ECDF 间的面积差12。整体偏差值计算孟长青，等：低排放情景下未来极端降水特征分析以嘉陵江流域为例 39 公式如下：o1AD|()()|NmiViV i （12）式中：N 为分位点总个数（N=19）；()mVi和o()V i 分别为 GCM 降水数据和实测降水数据的第 i 个分位点对应的数值（1
37、,2,19i）。3 结果和分析结果和分析 3.1 校正效果评估校正效果评估 本文首先对 CMIP6 的 7 个模式数据分别进行了偏差校正，并选取 19611990 年为率定期，19912014 年为验证期。图 4 为验证期内模型校正前后月降水量的效果对比泰勒图，离实测值越近表示模式模拟的效果越好。如图 4（a）所示，7个模式校正前的相关系数大于 0.7，标准差处于0.85 1.25 之间，均方根误差处于 0.6 0.9 之间。如图 4（b）所示，经传统的三分段偏差校正法校正之后，7 个模式校正后的相关系数大于 0.72，标准差处于 0.85 1.2 之间，均方根误差处于 0.45 0.85 之
38、间。如图 4（c）所示，经改进的三分段偏差校正法校正之后，7 个模式校正后的相关系数大于0.75，标准差处于 0.85 1.15 之间，均方根误差处于 0.4 0.7 之间。结果表明，两种校正方法均可提高模型模拟精度，但改进的三分段偏差校正方法校正效果更为明显。由于各个模式的模拟性能有各自的局限性，多模式集合平均方法（multi-model ensemble，MME）能够有效减小模型模拟的不确定性31，由图 4（c）可知，MME 的相关性系数为 0.91，标准差为 0.88，均方根误差为 0.41，相较单一模式而言，MME 的表现效果最优。因此本文采用多模式集合平均方法来研究嘉陵江流域的未来极
39、端降水特征。（a）未校正 （b）传统的三分段偏差校正值 （c）改进的三分段偏差校正值 图图 4 模型校正前后效果对比泰勒图模型校正前后效果对比泰勒图 Fig.4 Taylor diagram comparison of effects before and after model correction 图 5 为验证期内模型校正前后月降水量的经验累计分布效果对比。经过两种偏差校正方法进行校正之后，气候模式数据与实测值之间的偏差值都大大减小，在降水量的整个区间内校正之后的气候模式数据均比未校正之前的数据更为接近实测值，但改进的三分段偏差校正方法校正效果更为明显。图图 5 模型校正前后模型校正前后
40、 ECDF 效果对比效果对比 Fig.5 Comparison of ECDF effects before and after model correction 图 6 为根据式（12）计算的验证期模型校正前后日降水数据 ECDF 与实测日降水数据 ECDF 间40 水力发电学报 的整体偏差值效果对比。统计嘉陵江流域覆盖的所有网格（网格内流域面积小于 1/2 的网格忽略不计）的整体偏差值发现，如图 6（a）所示，未校正时，多模式集合数据与实测降水的偏差较大，流域内所有网格的整体偏差值大于 20 mm，约 47.5%的整体偏差值大于 30 mm；如图 6（b）所示，传统的三分段偏差校正法可有效
41、减小模拟值与实测值之间的误差，经该方法校正之后流域内整体偏差值小于 20 mm 的网格约占 91.5%，小于 10 mm 网格约占 20.3%；如图 6（c）所示，改进的三分段偏差校正方法效果最为显著，可以明显提高校正精度，其中流域内整体偏差值位于 10 mm 以下的网格就可达 93.2%。（a）未校正 （b）传统的三分段偏差校正值 （c）改进的三分段偏差校正值 图图 6 模型校正前后整体偏差值效果对比模型校正前后整体偏差值效果对比 Fig.6 Comparison of overall deviation effects before and after model correction 3
42、.2 主导主导 EEP 模式分布分析模式分布分析 图 7 为四种不同类型 EEP 的总频次百分比和总降水量百分比的空间分布情况。从总频次百分比来看，TDP1 与 TDP2 是嘉陵江流域的两种主导EEP 模式，北部大部分区域在历史以及两种未来情景下 TDP2 发生最频繁；南部区域在历史情景下TDP1 发生最为频繁，在两种未来情景下 TDP1 的频次百分比略高于 TDP2，但是有个别地区两者频 图图 7 极端降水事件的总频次和总降水量百分比极端降水事件的总频次和总降水量百分比 Fig.7 Percentages of total frequencies and total volumes of e
43、xtreme precipitation events 孟长青，等：低排放情景下未来极端降水特征分析以嘉陵江流域为例 41 次百分比基本一致。TDP3 与 1-day-EEP 在嘉陵江流域的发生频次相对较低，在两种未来情景下，TDP3 的频次百分比相较于历史期均呈现明显的增加，1-day-EEP 的频次百分比相较于历史期均呈现明显下降。从总降水量百分比来看，降水量百分比与频次百分比在历史期和两种相应未来情景下的空间分布特征基本一致，表明总降水量整体上随总频率的增加而增加，但 TDP3 的总降水量百分比略高于总频次百分比，而 1-day-EEP 的总降水量百分比略低于总频次百分比。图 7 表明，
44、TDP1 与 TDP2 为流域两种主导EEP 模式，但是南部个别区域在两种未来情景下存在 TDP1 与 TDP2 的总降水量（频次）百分比基本一致的情况。为进一步确定不同时期下流域的主导 EEP 模式，本文根据 2.3 节中所描述的方法进一步计算，并绘制了流域主导 EEP 模式的空间分布于图 8。结果表明，流域北部 TDP2 为主导 EEP 模式，流域南部 TDP1 为主导 EEP 模式；相较于历史期，两种未来情景下南部区域中以 TDP1 为主导 EEP模式的部分地区会演变为以 TDP2 为主导，且SSP126 情景下尤为明显，根据极端降水的时间分布模式可知，TDP2 的降水峰值位于一场降水事
45、件的中后期，其造成的洪水影响比 TDP1 更严重。图图 8 主要主要 EEP 模式的空间分布模式的空间分布 Fig.8 Distribution of dominant EEP patterns 3.3 EEP 模式空间分布特征分析模式空间分布特征分析 图 9 为四种不同类型 EEP 的平均降水量、持续时间、集中度的空间分布情况，1-day-EEP 的持续时间和集中度均为 1，因此未在图中标出。从平均降水量来看，四种类型 EEP 的降水量空间分布基本一致，均呈出东南高西北低的分布特点。TDP3 的平均降水量在四种类型中最高，除历史期的西北区域和两种未来情景下极个别北部区域外，TDP3 的平均降
46、水量均大于 90 mm，尤其是巴中、达州、汉中部分地区可高达 180 mm 以上。1-day-EEP 的平均降水量在四种类型中最低，除历史期达州北部区域外，1-day-EEP 的平均降水量均小于 60 mm。TDP1 与 TDP2 两种类型的平均降水量及其空间分布基本相同，其中在陇南、甘南境内平均降水量最低，约为 30 60 mm，在巴中、达州、汉中境内平均降水量最高，约为 90 120 mm。从平均持续时间来看，TDP1 与 TDP2 在相同情景下平均持续时间和其空间分布基本相同，在相同情景下 TDP3 的平均持续时间长于 TDP1 和TDP2。相较于历史期，两种未来情景下 TDP1、TDP
47、2 和 TDP3 的平均持续时间均呈现明显的延长，TDP1 与 TDP2 在未来情景下绝大部分地区平均持续时间大于 5 天，阿坝与绵阳境内持续时间甚至可达 9 10 天；TDP3 在未来情景下平均持续时间大于 7 天，大部分地区甚至可达 9 10 天。从平均集中度来看，TDP1 与 TDP2 在相同情景下平均集中度与其空间分布基本相同，在相同情景下 TDP3 的平均集中度高于 TDP1 和 TDP2。相较于历史期，两种未来情景下 TDP1、TDP2 和TDP3 的平均集中度均呈现明显下降，TDP1 与TDP2 在未来情景下除天水、达州、南充的极个别区域外，平均集中度低于 0.6，TDP3 在未
48、来情景下流域内绝大部分区域平均集中度低于 0.8。图 10 为全流域平均的降水量、持续时间和集中度玫瑰图，可以进一步反映嘉陵江流域的整体平均特征。从平均降水量特征来看，两种未来情景下每种类型降水量基本一致，且相较于历史期，除 1-day-EEP 降水量减少约 10 mm 以外，其他三种类型降水量都存在一定程度的增加现象，TDP1 与 TDP242 水力发电学报 增加约5 mm，TDP3增加约10 mm。从平均持续时间特征来看，TDP1、TDP2、TDP3相较于历史时期延长了约2 3天，且SSP119情景下的延长情况略高于SSP126情景。从平均集中度特征来看，TDP1、TDP2、TDP3相较于
49、历史期均有所下降。图图 9 长期事件平均长期事件平均 EEP 指标空间分布特征指标空间分布特征 Fig.9 Spatial distributions of long-term mean EEP indexes （a）降水量 （b）持续时间 （c）集中度 图图 10 长期事件平均长期事件平均 EEP 指标玫瑰图指标玫瑰图 Fig.10 Rose charts of long-term mean EEP indexes 3.4 EEP模式时间演变特征分析模式时间演变特征分析 图11为TDP1与TDP2的四种EEP指标的趋势变化空间分布情况。因为1-day-EEP和TDP3的发生并不频繁，导致大多
50、数网格样本不足，因此在网格尺度上计算它们的趋势似乎并不具备足够说服力，所以本节只针对嘉陵江流域的两种主导EEP模式进行分析，图中黑点表示变化趋势通过95%信度检验。从频次来看，TDP1与TDP2在历史期整体呈现极微弱的负趋势，SSP119情景下TDP1与TDP2在南部大部分区域转为正增长趋势，SSP126情景下TDP1在北部大部分区域及TDP2在流域中部大部分地区转为正增长趋势。从降水量来看，历史期TDP1在南部区域、TDP2在东南部及西北个别区域呈现较强的正增长趋势，变化率可达6 9 mm/10a，两种未来情景下TDP1与TDP2在流域内绝大部分区域均为正趋势。从持续时间来看，历史期除TDP
