EN中文

地理科学进展 >

2024 , Vol. 43 >Issue 11: 2242 - 2257

DOI: https://doi.org/10.18306/dlkxjz.2024.11.011

研究论文

长江流域干旱—热浪复合事件的历史演变及未来预估

  • 邹逸凡 , 1 ,
  • 宋晓猛 , 1, * ,
  • 马梓策 2
展开
  • 1.中国矿业大学资源与地球科学学院，江苏 徐州 221116
  • 2.滁州学院计算机与信息工程学院，安徽 滁州 239000
*宋晓猛(1987— )，男，江苏徐州人，博士，副教授，博士生导师，研究方向为城市洪涝与气候变化。E-mail:

邹逸凡(1996— )，男，江苏徐州人，博士生，研究方向为气候变化与极端事件。E-mail:

收稿日期: 2024-02-20

  修回日期: 2024-06-18

  网络出版日期: 2024-11-26

基金资助

国家自然科学基金项目(51979271)

江苏省自然科学基金项目(BK20211247)

收起

Historical changes and future prediction of compound drought and heatwave events in the Yangtze River Basin

  • ZOU Yifan , 1 ,
  • SONG Xiaomeng , 1, * ,
  • MA Zice 2
Expand
  • 1. School of Resources and Geosciences, China University of Mining and Technology, Xuzhou 221116, Jiangsu, China
  • 2. School of Computer and Information Engineering, Chuzhou University, Chuzhou 239000, Anhui, China

Received date: 2024-02-20

  Revised date: 2024-06-18

  Online published: 2024-11-26

Supported by

National Natural Science Foundation of China(51979271)

Natural Science Foundation of Jiangsu Province(BK20211247)

Fold

摘要

全球变暖背景下区域水热条件发生明显改变，导致极端水文气象事件频发，特别是复合型极端事件日益增多，严重威胁了生态环境、公共安全与社会经济发展。长江流域一直以来都是中国极端灾害最频繁的地区之一，受全球变暖影响，近年来也经历了更严重的干旱—热浪复合事件(compound drought and heatwave events，CDHEs)，严重制约了长江流域生态保护和高质量发展。为此，论文以长江流域为例，基于长期历史观测资料和CMIP6模式预估数据，采用强度指数(compound drought and heatwave magnitude index，CDHMI)识别长江流域CDHEs，并探讨CDHEs时空演变规律及未来趋势。结果表明：① 历史时期，CDHEs频次和持续时间在1993年后均呈增加趋势。轻度等级的CDHEs发生频次最高，7月的频次和持续时间均为最高，主要发生在长江流域中下游、横断山区和云贵高原等地区。② 23种CMIP6模式中INM-CM4-8、ACCESS-ESM1-5、NESM3、NorESM2-LM和INM-CM5-0是偏差校正后最适合长江流域的5种模式。③ 未来长江流域中下游地区是CDHEs频次和持续时间的高值区，5种模式中NorESM2-LM的年均频次和持续时间最高；多模式集合结果表明，不同情景在近期的差异较小，远期差异明显；SSP1-2.6、SSP2-4.5和SSP5-8.5三种情景下轻度等级CDHEs的年均频次均为最高，轻度、中度、重度和极端4种等级事件在SSP5-8.5达到峰值。研究结果可为长江流域缓解未来的气候变化风险提供科学支持。

关键词： 长江流域; 干旱—热浪复合事件; 干旱—热浪强度指数; CMIP6; 模式评估

本文引用格式

邹逸凡 , 宋晓猛 , 马梓策 . 长江流域干旱—热浪复合事件的历史演变及未来预估[J]. 地理科学进展, 2024 , 43(11) : 2242 -2257 . DOI: 10.18306/dlkxjz.2024.11.011

Abstract

Global warming has led to accelerated changes in the global hydrological cycle, resulting in an increasing number of extreme events and compound events in which multiple extreme events occur simultaneously or consecutively, and are more hazardous than a single extreme event. The Yangtze River Basin has always been one of the areas with the most frequent extreme weather and climate events and disasters in China and has also experienced more severe compound events in recent years due to global changes, which has seriously constrained ecological protection and high-quality development in the region. The Yangtze River Basin is one of the most populous and economically developed regions in China, and climate change and human activities have significantly affected the distribution of water and heat conditions in the region. Therefore, taking the Yangtze River Basin as an example and based on long-term historical observations and CMIP6 model prediction data, this study adopted the compound drought and heatwave magnitude index (CDHMI) to identify compound drought and heatwave events (CDHEs) in the Yangtze River Basin, used cumulative probability density curves to classify the intensity of CDHEs, and explored the spatial and temporal evolution patterns of the compound drought and heatwave events as well as the future trends. Meanwhile, to ensure the accuracy of the data, the applicability of the 23 CMIP6 models in the Yangtze River Basin was assessed using three evaluation metrics, which improved the credibility of future CDHEs predictions. Finally, the spatial changes of CDHEs in the Yangtze River Basin under different future scenarios were characterized based on a multi-model ensemble of 23 CMIP6 data. The results of the study show that: 1) During the historical period, the frequency and duration of CDHEs showed a non-significant increasing trend. The frequency and duration of CDHEs were the highest in July, at 0.511 times and 3.59 days, respectively. The frequency of mild CDHEs was the highest in the historical period, with an annual average frequency of 0.4 times, which mainly occurred in the middle and lower reaches of the Yangtze River Basin, the Hengduan Mountains, and the Yunnan-Guizhou Plateau. 2) Among the 23 CMIP6 models, INM-CM4-8, ACCESS-ESM1-5, NESM3, NorESM2-LM, and INM-CM5-0 are the five most suitable models for the Yangtze River Basin after bias correction. 3) In the future, the middle and lower reaches of the Yangtze River Basin will be the areas with high frequency and long duration of CDHEs, and the annual average frequency and duration of CDHEs by the NorESM2-LM model are the highest. The results of the five models and multi-modal ensemble also show small differences between scenarios in the short term and medium term and significant differences in the long term. In the long term of SSP5-8.5, the average annual frequency of CDHEs would increase by 2.3 times and 1.8 times, respectively, compared to the short term and medium term under the same scenario. The duration was 29.9 days and 21.3 days higher than that of SSP1-2.6 and SSP2-4.5 during the same period. The average annual frequency of mild CDHEs is the highest for all three scenarios, and all severity events should peak at SSP5-8.5. This findings can provide scientific and technical support to actively mitigate future climate change risks in the Yangtze River Basin.

Key words： Yangtze River Basin; compound drought and heatwave events; magnitude index; CMIP6; model evaluation

IPCC第六次评估报告指出，全球地表气温相比1850—1900年上升了约1.09 ℃[1]。受气候持续变暖和剧烈的人类活动影响，全球水文循环发生明显变化，导致水文气象极端事件频发[2]，如暴雨、洪水、干旱、高温热浪等[3-4]，其中干旱是影响范围最大、对社会经济影响最为深远的灾害之一[5]。多项研究证实干旱频率和烈度均显著增加，未来也极可能继续增强[6]。而高温热浪是一种极端热事件，高温热浪不仅对人体健康的危害极大，同时还会对生态环境、社会基础设施等造成影响[7-8]，2003年8月欧洲、2010年夏季俄罗斯、2021年6月加拿大先后发生极端高温热浪事件造成严重的人员伤亡与经济损失[9-10]。中国是干旱和高温热浪灾害最严重的国家之一，研究发现中国干旱的严重程度和高温热浪的频次、历时和烈度在20世纪80年代后显著提高[11]，如中国南部的干旱强度、烈度、历时均逐年增大[3]，与此同时，长江流域干旱的频次和强度也在增加[12]；高温热浪在中国北回归线地区的频次增幅最大[13]，长江三角洲和四川盆地高温热浪的频次和强度也呈显著增加趋势[14]。
复杂的气候系统和水循环系统之间的相互作用，致使各种极端事件常伴生发展，特别是全球气候变暖增加了多种极端水文气象事件发生的可能性。根据IPCC的定义，同时或依次发生的两种或多种极端事件的组合称为复合事件，复合事件往往较单一极端事件具有更大的危险性[15-16]。CDHEs是其中的典型代表，也是最常见的复合事件。干旱和高温热浪之间的联系密切，一方面，当干旱发生时，由于降水亏缺，导致大气更加干燥，促进了高温热浪的发生[17]；另一方面，当高温热浪发生时，连续高温天气会让土壤水分持续蒸发，导致更大程度的干旱[18]。由于复合事件具有极大的危险性，广泛影响了人类社会发展，因此，探究不同时空尺度的复合事件演变特征与发展趋势成为当前的热点问题。从全球尺度来看，未来全球的CDHEs事件将大幅增加[19]，中高排放情景下全球70%的地区CDHEs的频次、持续时间和强度将增加4倍[20]。区域尺度上，中国CDHEs整体呈明显增加趋势[21]，华北北部、中西部和淮河流域南部是CDHEs高发区，这与热浪的增强有密切联系[17,22]。黄土高原CDHEs在1980年后呈阶段性的增加趋势[23]。就流域尺度而言，CDHEs在黄河流域呈显著增加趋势，长江流域主要发生在中下游地区[24-25]，其支流赣江流域在1997年后增加显著[26]，特别是2022年长江流域发生的特大CDHE对水、粮食、能源安全产生了重大影响[27]。
长江流域是中国重要的人口和经济重心，占比均超过全国的40%[28]，而下游的长江三角洲城市群是世界六大城市群之一，该区域也是主要的高温高发区[29]。当前长江流域生态保护和高质量发展已进入关键期，面对日益复杂的气候条件，长江流域复合事件频发，在CDHEs的影响下长江流域正面临着更严峻的挑战。目前，很多学者对CDHEs进行了大尺度范围的研究，但在区域尺度上的评价分析尚少，其研究方法会存在区域局限性，可能对长江流域的CDHEs评估产生偏差。本文从长江流域的实际情况出发，基于历史时期的实测数据和未来三种情景的CMIP6数据，以揭示长江流域CDHEs历史及未来变化规律为总目标，构建适用于长江流域的CDHEs指数，明晰历史时期长江流域CDHEs的强度变化特征，并预估长江流域未来多情景下的CDHEs风险分布。研究结果对未来长江流域综合应对极端事件具有重要意义。

1 研究区域与方法

1.1 研究区概况

长江流域位于中国南部(24°30′~35°45′N、90°33′~122°25′E)，流域面积为180万km2，如图1所示。长江流域高程呈阶梯状分布，分别流经青藏高原、横断山脉、云贵高原、四川盆地、江南丘陵和长江中下游平原。长江流域大部分位于季风区，受东亚季风的影响，干旱和洪涝灾害频发[30]。
图1 长江流域高程和气象站点空间分布

Fig.1 Spatial distribution of elevations and meteorological stations in the Yangtze River Basin

1.2 数据来源

1.2.1 气象数据

气象数据来自中国气象局气象数据中心提供的逐日地面观测数据(https://data.cma.cn/)，本文选择了降水、平均气温和最高气温这三个变量。为了保证研究数据的准确性和连贯性，根据以下三点筛选出长江流域1961年1月1日—2020年12月31日的气象站点。① 气象站点每年缺失的数据不超过当年的10%；② 气象站点60年间整体数据的缺失比例不超过1%；③ 检查气象站点数据在时间和空间的一致性和连续性，剔除异常值。最终，筛选出了长江流域718个气象站点，并使用三次样条插值法将气象站点数据转化为栅格数据，空间分辨率为0.1°×0.1°。

1.2.2 GCMs数据

GCMs数据来自国际耦合模型比较方案(Coupled Model Intercomparison Project，CMIP)，CMIP6是最新一代的实验数据(https://esgf-node.llnl.gov/projects/cmip6/)。CMIP6不同模式间的数据会存在差异，从而影响计算结果，因此，为了保证数据的一致性，在选择CMIP6模式时必须满足以下条件： ① CMIP6模式的变量均选择第一个变量r1i1p1f1；② CMIP6模式均包含逐日的降水量(pr)、近地表气温(tas)、近地表最高气温(tasmax)三种变量；③ CMIP6模式均包含历史时期(historical)和未来三种不同社会共享经济路径(SSP1-2.6、SSP2-4.5、SSP5-8.5)。最终筛选出了23种CMIP6模式数据，如表1所示。计算23种CMIP6模式的多模式集合，并使用双线性内插法重采样至0.5°×0.5°。
表1 CMIP6模式信息

Tab.1 CMIP6 model information

序号 模式 机构 国家 分辨率
1 ACCESS-CM2 联邦科学与工业研究组织 澳大利亚 1.88°×1.25°
2 ACCESS-ESM1-5 联邦科学与工业研究组织 澳大利亚 1.88°×1.25°
3 BCC-CSM2-MR 中国气象局国家气候中心 中国 1.13°×1.12°
4 CanESM5 加拿大环境局气候模拟与分析中心 加拿大 2.81°×2.79°
5 CMCC-ESM2 欧洲地中海气候变化中心 意大利 1.25°×0.94°
6 EC-Earth3 欧盟地球系统模式联盟 欧盟 0.7°×0.7°
7 EC-Earth3-Veg 欧盟地球系统模式联盟 欧盟 0.7°×0.7°
8 EC-Earth3-Veg-LR 欧盟地球系统模式联盟 欧盟 0.7°×0.7°
9 FGOALS-g3 中国科学院 中国 2.0°×2.28°
10 GFDL-ESM4 国家大气海洋局地球流体动力学实验室 美国 1.25°×1°
11 INM-CM4-8 俄罗斯科学院计算数学研究所 俄罗斯 2.0°×1.5°
12 INM-CM5-0 俄罗斯科学院计算数学研究所 俄罗斯 2.0°×1.5°
13 IPSL-CM6A-LR 皮埃尔—西蒙拉普拉斯研究所 法国 2.5°×1.27°
14 KACE-1-0-G 韩国气象厅 韩国 1.88°×1.25°
15 KIOST-ESM 韩国海洋科学技术院 韩国 1.88°×1.89°
16 MIROC6 日本海洋地球科技研究所 日本 1.41°×1.4°
17 MPI-ESM1-2-HR 马克斯—普朗克气象研究所 德国 0.94°×0.93°
18 MPI-ESM1-2-LR 马克斯—普朗克气象研究所 德国 1.88°×1.86°
19 MRI-ESM2-0 日本气象局气象研究所 日本 1.13°×1.12°
20 NESM3 南京信息工程大学 中国 1.88°×1.86°
21 NorESM2-LM 挪威气候中心 挪威 2.5°×1.89°
22 NorESM2-MM 挪威气候中心 挪威 1.25°×0.94°
23 TaiESM1 台湾“中央研究院”环境变迁研究中心 中国 1.25°×0.94°

1.3 研究方法

1.3.1 干旱和高温热浪的定义

本文使用标准化降水蒸散发指数(standardized precipitation evapotranspiration index，SPEI)来判断是否发生干旱[31]，并采用Thornthwaite方法来计算SPEI[32]。SPEI不仅考虑了降水，还考虑到了温度和潜在蒸散发，其结果能更准确地监测干旱。在本文中，当1个月尺度的SPEI<-0.5时，则判断为干旱；高温热浪的定义为日最高气温高于30 ℃且高于90分位数阈值连续3 d及以上，则判定为一次高温热浪事件。

1.3.2 强度指数的定义

为了计算复合干热事件的强度，参考Wang等[22]对复合事件强度指数的定义，干旱和热浪的强度指数分别定义为：
当干旱发生时，先计算干旱月份与干旱阈值的差ΔDi，再对ΔDi进行归一化处理，得到当月的干旱强度指数DMI。
∆ D i = D i - - 0.5
D M I i = M ∆ D i = 0.9 × ∆ D i - ∆ D m i n ∆ D m a x - ∆ D m i n + 0.1
式中：Di是第i月的SPEI值；ΔDmin、ΔDmax分别为序列中ΔD的最小值和最大值。
若在干旱月份中，发生了高温热浪事件，则进一步计算高温热浪的强度指数HWMI。
∆ T i = T i - T t h
M ∆ T i = 0.9 × ∆ T i - ∆ T m i n ∆ T m a x - ∆ T m i n + 0.1
H W M I = ∑ i = 1 H W M ∆ T i             ( H W ≥ 3 )
式中：Ti是高温热浪事件中第i天的最高气温；Tth是最高气温的阈值；ΔTmin、ΔTmax是一次高温热浪事件中ΔT的最小值和最大值；HW为一次高温热浪的持续时间(d)。
在本文中，干旱—热浪复合事件定义为当月的SPEI<-0.5，且在该月内发生了高温热浪，这种事件就被定义为一次干旱—热浪复合事件。通过分别计算干旱强度指数DMI和高温热浪强度指数HWMI，最终得到干旱—热浪复合强度指数CDHMI。
C D H M I = D M I × H W M I
若当月内发生了两次高温热浪事件，则被认为是发生了两次干旱—热浪复合事件。当月的CDHMI由两次复合事件相加得到，以此类推。
C D H M I i = D M I i × H W M I i 1 + D M I i × H W M I i 2
式中：CDHMIi为第i月的复合事件强度指数；DMIi为第i月的干旱强度指数；HWMIi1、HWMIi2分别为第i月第一次高温热浪、第二次高温热浪强度指数。
为了能更直观地对CDHMI进行分析，本文统计了历史时期长江流域逐像元的月尺度强度指数CDHMI，并使用累计概率密度曲线将CDHMI的值划分为4个等级[22,33](图2)，分别为轻度(0, 1.47] (累计概率0~50%)、中度(1.47, 3] (50%~75%)、重度(3, 7.06] (75%~90%)和极端(7.06, +∞) (90%~100%)。
图2 CDHMI等级划分

Fig.2 Classification of CDHMI

1.3.3 Delta偏差校正

由表1所示，CMIP6数据整体分辨率较低，难以对区域间的气候变化情况进行准确研究。Delta偏差校正是一种适用于区域气候情景模式的偏差校正方法，通过变化系数法能有效减少模式数据与实测数据的误差，更加准确地反映出未来气候的变化[34]。因此，使用Delta方法对23种CMIP6模式进行偏差校正，其中降水数据使用式(8)、平均气温/最高气温数据使用式(9)，公式如下：
P d e l t a = P o b s × P m m e - f u t P m m e - h i s
T d e l t a = T o b s + T m m e - f u t - T m m e - h i s
式中：Pobs、Tobs为实测降水、平均气温/最高气温数据；Pmme-fut、Tmme-fut为未来时期降水、平均气温/最高气温数据；Pmme-his、Tmme-his为历史时期降水、平均气温/最高气温数据；Pdelta、Tdelta为偏差校正后的未来时期降水、平均气温/最高气温数据。

1.3.4 CMIP6模式评估

为进一步探究CMIP6模式在长江流域的适用性，从三个维度对23种CMIP6模式进行评估，分别为泰勒图评分S、空间技巧评分(spatial skills score，SS)以及时间技巧评分(time skills score，TS)。泰勒图评分能够定量化反映出CMIP6模式在泰勒图中模拟的优劣程度[35]，空间技巧评分能够反映出CMIP6模式在空间上模拟的优劣程度[36]，时间技巧评分能够反映出CMIP6模式在时间上模拟的优劣程度[37]。公式如下：
S = 4 1 + R 4 σ f + 1 σ f 2 1 + R 0 4
式中：R为观测值与模拟值的相关系数；R0为观测值与模拟值的最大相关系数；σf为模拟值标准差与实测值标准差的比值。当S越接近1时，表明其模拟的效果越好。
S S = 1 - M S E m , o M S E o - , o
式中：m为模拟值；o为观测值；MSE(m,o)为模拟值与观测值的均方误差； M S E o - , o为观测值的均方误差。当SS越接近1时，表明其模拟效果越好。
T S = S T D m S T D o - S T D o S T D m 2
式中：STDm为模拟值时间序列的标准差；STDo为观测值时间序列的标准差。TS越接近0时，表明其模拟效果越好。

2 CDHEs变化特征分析

2.1 历史时期干旱—热浪复合事件的变化特征

图3展示了长江流域干旱—热浪复合事件时空变化特征。从空间分布上看，CDHEs的频次高值区主要分布在长江流域中下游、横断山区和云贵高原等地区，在长江源头没有CDHEs发生。年均频次最高的地区位于横断山区，为3.11次。CDHEs的持续时间与频次的空间分布相似，除西南部的高值区外，长江流域中下游等地区也均为CDHEs持续时间的高值区。年均持续时间最长的地区位于湖北省东部，为19.73 d。基于线性趋势法评估CDHEs频次和持续时间的变化特征，结果表明，两者在空间分布上具有一致性，长江流域中上游地区以增加趋势为主，尤其在上游地区增幅明显。下游地区以减少趋势为主，安徽和江苏段的减少趋势最明显。CDHEs频次呈增加趋势的面积占全流域的38.4%，较减少趋势高5.8%。有36%的地区持续时间呈增加趋势，较减少趋势高1.1%。从年际变化特征看，60年间CDHEs的频次和持续时间表现出明显的波动性，呈不显著的增加趋势。1993年为CDHEs的拐点，1993年之前，CDHEs的频次和持续时间呈减少趋势，变化率分别为-0.25次/10 a和-2.1 d/10 a。1993年后，CDHEs的频次和持续时间呈增加趋势，变化率分别为0.21次/10 a和1.69 d/10 a。2006年CDHEs的频次达到峰值，为3.07次；1979年CDHEs的持续时间达到峰值，为19.42 d。
图3 1961—2020年长江流域平均CDHEs频次和持续时间的变化特征

Fig.3 Spatial and temporal changes in the frequency (a, c, e) and duration (b, d, f) of annual average CDHEs in the Yangtze River Basin during 1961-2020

从月尺度来看(图4)，7月的月均频次和持续时间均为最长，分别为0.511次和3.59 d。8月的频次与持续时间次之，分别为0.505次和3.51 d。而5、6和9月的频次和持续时间均较低。不同月份间CDHEs的空间分布有较大差异，5月的频次高值区主要分布在长江流域的西南部横断山区和云贵高原地区，月频次和持续时间均高于0.7次和5 d，其余地区较低；6月的高值区除横断山区和云贵高原外，长江流域北部汉江流域地区的频次和持续时间也在增加；7月和8月频次和持续时间的空间分布较为相似，长江流域的中下游大部地区均为高值区，月频次和持续时间分别超过了0.4次和4 d；9月份的频次和持续时间整体均较低，较7、8月整体有着明显的减少。
图4 1961—2020年长江流域月平均CDHEs频次(a)和持续时间(b)的空间分布

Fig.4 Spatial distributions of the frequency and duration of monthly average CDHEs in the Yangtze River Basin during 1961-2020

根据CDHMI等级划分，不同强度指数的时空特征如图5所示。轻度等级的CDHEs的年均频次最高，为0.4次/a，集中发生在长江流域中下游以及西南部横断山区、云贵高原等地区。中度等级的年均频次约0.2次/a，主要分布在长江流域的中下游地区。重度等级的频次为0.1次，在长江流域的下游更易发生。极端等级的频次为0.01次，在下游地区尤其是长江三角洲更易发生。从年际变化上看，除极端等级外，均呈增加趋势。轻度CDHEs的变化率最大，为0.02次/10 a。由此可见，历史时期的CDHEs以轻度CDHEs为主，极端CDHEs仅占了很小的一部分，且60年间的波动较小。
图5 1961—2020年长江流域轻度(a)、中度(b)、重度(c)和极端(d) CDHEs年均频次的空间分布及其年际变化(e)

Fig.5 Spatial distribution of the annual average frequency of mild (a), moderate (b), severe (c), and extreme (d) CDHEs in the Yangtze River Basin from 1961 to 2020, and their interannual variations (e)

2.2 CMIP6模式的评估结果

针对23种CMIP6模式历史时期3种变量模拟效果进行评估，分析预估结果的有效性和适用性。鉴于总体上降水数据的模拟效果不如气温数据，因此在选择最优模式时提高了降水模拟效果所占比重，将降水、平均气温和最高气温的比重调整为2∶1∶1。结合23种模式3种指标的评估结果和空间特征统计(限于篇幅，图表略)，仅筛选偏差校正后最优的5种模式结果进行比较与分析，如图6所示。
图6 1961—2015年长江流域偏差校正后的5种综合最优模式

Fig.6 Five comprehensive optimal models after bias correction in the Yangtze River Basin during 1961-2015

Delta偏差校正可以有效提高长江流域降水、平均气温和最高气温的模拟能力。其中降水的模拟能力提升幅度最大，在3种评价指标中S平均提高了0.15，SS平均提高了0.33，TS平均降低了0.39，且长江流域上游的模拟效果要整体优于下游地区；平均气温的模拟评价中S平均提高了0.02，SS平均提高了0.75，TS平均降低了0.09，且长江流域下游的模拟效果要整体优于上游地区；与平均气温相似，最高气温的模拟评价中，S平均提高了0.04，SS平均提高了1.56，TS平均降低了0.15，且长江流域下游的模拟效果要整体优于上游地区。值得注意的是，Delta偏差校正在降水模拟上对S和TS提高效果显著，而气温则在SS上提高显著。最终，本文筛选出5种偏差校正后的最优模式INM-CM4-8、ACCESS-ESM1-5、NESM3、NorESM2-LM和INM-CM5-0。由于偏差校正后的数据模拟效果更优，后续使用5种偏差校正后的最优模式对长江流域未来CDHEs的变化进行分析。

2.3 最优模式下未来干旱—热浪复合事件的变化特征

将未来时期划分为三个时段，分别为近期(2015—2039年)、中期(2040—2064年)和远期(2065—2099年)，结果如图7所示。未来CDHEs主要发生在长江流域的中下游地区，SSP1-2.6、SSP2-4.5和SSP5-8.5三种不同情景下NorESM2-LM模式CDHEs的年均频次和持续时间最高，分别为1.54次、1.59次、1.78次和11.66 d、11.78 d、14.76 d。NESM3模式下的年均频次和持续时间最低，仅为0.01次、0.04次、0.15次和0.03 d、0.18 d、1.09 d。随着社会共享经济路径的增加，CDHEs的频次和持续时间也在随之增加。其中，三种不同情景下在近期的差异较小，在SSP1-2.6情景下，近期与中期的CDHEs年均频次较为接近，呈现出微弱的增加趋势，与此同时，5种模式在SSP5-8.5远期的频次和持续时间要远高于近期和中期，其中NorESM2-LM模式的持续时间差距最大，分别相差了17.71 d和10.19 d。
图7 长江流域5种最优模式下年均CDHEs频次和持续时间的空间分布特征

Fig.7 Spatial distributions of the frequency and duration of annual average CDHEs in the Yangtze River Basin using five optimal models

如图8所示，3种情景下5种模式的轻度等级CDHEs的年均频次均为最高，随着CDHEs严重程度的增加，其年均频次呈现出递减的趋势。与此同时随着社会共享经济路径的增加，4种等级的年均频次也均在增加。NorESM2-LM在不同情景下4种等级的频次均为最高，在SSP5-8.5情景下达到峰值，分别为1.28、0.40、0.17、0.05次/a。NESM3在不同情景下4种等级的频次最低，且在SSP1-2.6情景下无重度和极端等级CDHEs事件发生。从空间分布上看，与频次的空间分布相似，不同模式间具有差异性，但长江流域的中下游地区是主要的高风险区。NESM3模式与其他4种模式差异较大，尤其是在SSP1-2.6和SSP2-4.5情景下主要发生在长江中游，其余模式下长江中下游均有发生。
图8 2015—2099年长江流域不同情景下轻度、中度、重度和极端CDHEs年均频次的空间分布

Fig.8 Spatial distribution of the annual average frequency of mild, moderate, severe, and extreme CDHEs in the Yangtze River Basin during 2015-2099

2.4 多模式集合下未来干旱—热浪复合事件的变化特征

基于CMIP6的多模式集合对不同情景下CDHEs的频次和持续时间进行分析，结果如图9所示。与5种最优模式相同，未来长江流域的中下游地区是CDHEs频次和持续时间的高值区，且未来的云贵高原将会是CDHEs的重灾区。近期不同情景下的CDHEs差异较小，但随着时间和社会共享经济路径的增加，CDHEs的频次和持续时间也随之增加。在SSP5-8.5远期，CDHEs的年均频次达到2.4次，相比于同情景下的近期和中期分别增加了2.33次和1.83次，相比于同期的SSP1-2.6和SSP2-4.5分别增加了1.47次和1.07次。年均持续时间同样如此，在SSP5-8.5远期的年均持续时间为40.62 d，分别比同期SSP1-2.6和SSP2-4.5高出29.94 d和21.33 d。
图9 长江流域未来不同情景下多模式集合CDHEs频次和持续时间的空间分布特征

Fig.9 Spatial distributions of the frequency and duration of MME CDHEs in the Yangtze River Basin under different future scenarios

基于多模式集合对不同情景下的CDHEs的不同强度等级进行分析，如图10所示。三种情景下轻度等级的CDHEs频次最高，在长江流域中下游广泛分布。SSP1-2.6和SSP2-4.5情景下中度和重度CDHEs的年均频次相差不大，但到了SSP5-8.5情景下，重度的频次超过了中度，中度和重度的频次分别为0.22次和0.3次。与此同时，极端频次达到了0.15次，远高于SSP1-2.6的0.03次和SSP245的0.06次。
图10 长江流域不同情景下多模式集合轻度、中度、重度和极端CDHEs的空间分布

Fig.10 Spatial distribution of the MME of mild, moderate, severe, and extreme CDHEs in the Yangtze River Basin under different future scenarios

3 讨论

随着全球变暖加剧，更快的水文循环增加了复合事件的不确定性，在未来长江流域的干旱将会更加严重，长江流域中上游的干旱频次将增加，在高排放情景下长江流域下游会发生持续时间更长、强度更大的干旱事件[38]，极端干旱的人口暴露度也在快速增加，下游的人口暴露度最高[39]。未来高温热浪在区域间有明显增加趋势，华南地区和长江流域高温热浪事件也将会明显增加[40-41]。大气环流模式与陆—气反馈系统的变化可能会导致复合事件的增加。在大气环流模式中，阻塞高压、大气停滞、副热带高压等都会诱发CDHEs[42]，陆—气反馈系统则是通过水分亏缺形成CDHEs[17]。全球气候变暖导致干旱与高温热浪联系越发紧密，气温和降水是影响CDHEs的两个最重要变量，随着气温和降水之间的依赖性增强，未来会出现更多的CDHEs[43]。CDHEs在未来的变化主要由高温热浪所主导，受气温升高和人类活动影响，即使未来干旱的变化是非平稳的，CDHEs也将更加频繁[4]。结果也证明了未来CDHEs的频次、持续时间相比于历史时期均有不同程度的提高。CDHEs的强度等级从历史时期的轻度等级为主，发展到SSP5-8.5情景下的重度等级为主。当复合事件发生时，会大大加剧极端事件的危险性，导致生态系统发生一系列响应[44]。在更高的温升下，全球多个农作物产区发生CDHEs将会变得更加频繁[1]，导致未来越来越多的人暴露在CDHEs。
目前CMIP6模型已广泛应用于未来气候变化的研究，通过将社会共享经济路径(SSP)结合典型浓度路径(RCP)使CMIP6数据具有更高的分辨率与准确性[45]。但CMIP6作为GCMs在碳循环等关键过程，对流等过程的参数化以及动力学方程的数值求解方法等方面仍需要进一步完善[46]。本文对23种CMIP6模式在长江流域的适用性进行了评估，同时还使用了Delta偏差校正，最大限度地降低了不确定性，但不确定性仍然存在，与CMIP5相似，在降水数据的模拟上会出现高估的情况[47]。分析CDHEs的阈值方法分别使用了相对阈值法和绝对阈值法，在识别干旱时使用了绝对阈值，因为长江流域大部分位于亚热带季风区，都属于亚热带季风气候，干旱的成因主要受气温、降水和大气环流异常的影响[48]，因此，使用绝对阈值法识别干旱。在识别高温热浪时使用了相对阈值和绝对阈值相结合的方法，这种高温热浪的识别方法不仅能够在绝对温度不是特别高的情况下，对能够使该地区产生较大影响事件进行识别[49]，还能识别出真实高温事件的影响变化。在本文中成功识别了横断山区和云贵高原地区的CDHEs事件，这些高原山地区也是水稻的主要产区之一，主要种植在山间梯田上，更易受到CDHEs的影响。

4 结论

本文基于历史时期的气象站点实测数据及未来的CMIP6模式数据，分析了长江流域的干旱—热浪复合事件的时空变化特征，评估了CMIP6数据在长江流域的适用性，通过构建强度指数阐释历史及未来干旱—热浪复合事件的特征演变，主要结论如下：
(1) 历史时期CDHEs频次和持续时间的高值区主要分布在长江流域中下游、横断山区和云贵高原等地区。CDHEs频次和持续时间在1993年后均呈增加趋势。CDHEs主要发生在7月和8月，其中7月CDHEs的频次和持续时间均为最高，分别为0.511次和3.59 d。历史时期CDHEs以轻度CDHEs为主，年均频率为0.4次，主要发生在长江流域中下游地区。
(2) 23种CMIP6模式中，平均气温和最高气温的模拟效果要整体优于降水。Delta偏差校正对降水的S和TS指标提高显著，对气温的SS指标提高显著。INM-CM4-8、ACCESS-ESM1-5、NESM3、NorESM2-LM和INM-CM5-0是偏差校正后最适合长江流域的5种模式。
(3) 未来长江流域的中下游地区是CDHEs频次和持续时间的高值区，SSP1-2.6、SSP2-4.5和SSP5-8.5三种情景下NorESM2-LM模式CDHEs的年均频次和持续时间均为最高。不同情景下近期的频次和持续时间较为接近，但随着时间和社会共享经济路径的增加，CDHEs的频次和持续时间也随之增加。多模式集合的结果表明，在SSP5-8.5远期，CDHEs的年均频次相比于同情景下的近期和中期分别增加了2.3次和1.8次，持续时间比同期SSP1-2.6和SSP2-4.5高出29.9 d和21.3 d。三种情景下轻度等级CDHEs的年均频次均为最高，在SSP5-8.5情景下随着SSP的增加，极端频次达到了0.15次，远高于SSP1-2.6和SSP2-4.5。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
IPCC. Climate change 2021: The physical science basis[M]. Cambridge, UK: Cambridge University Press, 2021: 4-31.

[2]
Zhang Q, Li J F, Singh V P, et al. Spatio-temporal relations between temperature and precipitation regimes: Implications for temperature-induced changes in the hydrological cycle[J]. Global and Planetary Change, 2013, 111: 57-76.

[3]
温庆志, 孙鹏, 张强, 等. 非平稳标准化降水蒸散指数构建及中国未来干旱时空格局[J]. 地理学报, 2020, 75(7): 1465-1482.

DOI

[Wen Qingzhi, Sun Peng, Zhang Qiang, et al. A multi-scalar drought index for global warming: The non-stationary standardized precipitation evaporation index (NSPEI) and spatio-temporal patterns of future drought in China. Acta Geographica Sinica, 2020, 75(7): 1465-1482.]

DOI

[4]
Bian Y J, Sun P, Zhang Q, et al. Amplification of non-stationary drought to heatwave duration and intensity in eastern China: Spatiotemporal pattern and causes[J]. Journal of Hydrology, 2022, 612: 128154. doi: 10.1016/j.jhydrol.2022.128154.

[5]
Wang W J, Guo B, Zhang Y Q, et al. The sensitivity of the SPEI to potential evapotranspiration and precipitation at multiple timescales on the Huang-Huai-Hai Plain, China[J]. Theoretical and Applied Climatology, 2021, 143: 87-99.

[6]
Zhai J Q, Mondal S K, Fischer T, et al. Future drought characteristics through a multi-model ensemble from CMIP6 over South Asia[J]. Atmospheric Research, 2020, 246: 105111. doi: 10.1016/j.atmosres.2020.105111.

[7]
Perkins-Kirkpatrick S E, Lewis S C. Increasing trends in regional heatwaves[J]. Nature Communications, 2020, 11: 3357. doi: 10.1038/s41467-020-16970-7.

PMID

[8]
薛倩, 谢苗苗, 郭强, 等. 地理学视角下城市高温热浪脆弱性评估研究进展[J]. 地理科学进展, 2020, 39(4): 685-694.

DOI

[Xue Qian, Xie Miaomiao, Guo Qiang, et al. Research progress on urban heat wave vulnerability assessment: A geographical perspective. Progress in Geography, 2020, 39(4): 685-694.]

DOI

[9]
Miralles D G, Teuling A J, van Heerwaarden C C, et al. Mega-heatwave temperatures due to combined soil desiccation and atmospheric heat accumulation[J]. Nature Geoscience, 2014, 7: 345-349.

[10]
Philip S Y, Kew S F, van Oldenborgh G J, et al. Rapid attribution analysis of the extraordinary heat wave on the Pacific Coast of the US and Canada in June 2021[J]. Earth System Dynamics, 2022, 13(4): 1689-1713.

[11]
顾颖, 刘静楠, 林锦. 近60年来我国干旱灾害特点和情势分析[J]. 水利水电技术, 2010, 41(1): 71-74.

[Gu Ying, Liu Jingnan, Lin Jin. Analysis on characteristics and situation of drought disasters during past 60 years in China. Water Resources and Hydropower Engineering, 2010, 41(1): 71-74.]

[12]
金佳鑫, 肖园园, 金君良, 等. 长江流域极端水文气象事件时空变化特征及其对植被的影响[J]. 水科学进展, 2021, 32(6): 867-876.

[Jin Jiaxin, Xiao Yuanyuan, Jin Junliang, et al. Spatial-temporal variabilities of the contrasting hydrometeorological extremes and the impacts on vegetation growth over the Yangtze River Basin. Advances in Water Science, 2021, 32(6): 867-876.]

[13]
沈皓俊, 游庆龙, 王朋岭, 等. 1961—2014年中国高温热浪变化特征分析[J]. 气象科学, 2018, 38(1): 28-36.

[Shen Haojun, You Qinglong, Wang Pengling, et al. Analysis on heat waves variation features in China during 1961-2014. Journal of the Meteorological Sciences, 2018, 38(1): 28-36.]

[14]
叶殿秀, 尹继福, 陈正洪, 等. 1961—2010年我国夏季高温热浪的时空变化特征[J]. 气候变化研究进展, 2013, 9(1): 15-20.

[Ye Dianxiu, Yin Jifu, Chen Zhenghong, et al. Spatiotemporal change characteristics of summer heatwaves in China in 1961-2010. Progressus Inquisitiones de Mutatione Climatis, 2013, 9(1): 15-20.]

[15]
Zscheischler J, Westra S, van den Hurk B J J M, et al. Future climate risk from compound events[J]. Nature Climate Change, 2018, 8: 469-477.

[16]
郝增超, 陈阳. 地球系统视角下的多圈层复合极端事件研究进展与展望[J]. 中国科学: 地球科学, 2024, 54(2): 360-393.

[Hao Zengchao, Chen Yang. Research progresses and prospects of multi-sphere compound extremes from the Earth System perspective. Scientia Sinica Terrae, 2024, 54(2): 360-393.]

[17]
Zhang Q, Yu X, Qiu R J, et al. Evolution, severity, and spatial extent of compound drought and heat events in north China based on Copula model[J]. Agricultural Water Management, 2022, 273: 107918. doi: 10.1016/j.agwat.2022.107918.

[18]
Dai A G. Increasing drought under global warming in observations and models[J]. Nature Climate Change, 2013, 3: 52-58.

[19]
Mukherjee S, Mishra A K, Ashfaq M, et al. Relative effect of anthropogenic warming and natural climate variability to changes in compound drought and heatwaves[J]. Journal of Hydrology, 2022, 605: 127396. doi: 10.1016/j.jhydrol.2021.127396.

[20]
Yin J B, Gentine P, Slater L, et al. Future socio-ecosystem productivity threatened by compound drought-heatwave events[J]. Nature Sustainability, 2023, 6: 259-272.

[21]
熊少堂, 赵铜铁钢, 郭成超, 等. 我国各大流域复合高温干旱事件变化趋势与归因分析[J]. 中国科学: 地球科学, 2024, 54(1): 83-96.

[Xiong Shaotang, Zhao Tongtiegang, Guo Chengchao, et al. Evaluation and attribution of trends in compound dry-hot events for major river basins in China. Scientia Sinica Terrae, 2024, 54(1): 83-96.]

[22]
Wang W J, Zhang Y Q, Guo B, et al. Compound droughts and heat waves over the Huai River Basin of China: From a perspective of the magnitude index[J]. Journal of Hydrometeorology, 2021, 22(11): 3107-3119.

[23]
孙艺杰, 刘宪锋, 任志远, 等. 1960—2016年黄土高原干旱和热浪时空变化特征[J]. 地理科学进展, 2020, 39(4): 591-601.

DOI

[Sun Yijie, Liu Xianfeng, Ren Zhiyuan, et al. Spatiotemporal changes of droughts and heatwaves on the Loess Plateau during 1960-2016. Progress in Geography, 2020, 39(4): 591-601.]

DOI

[24]
姜雨彤, 郝增超, 冯思芳, 等. 长江与黄河流域复合高温干旱事件时空演变特征[J]. 水资源保护, 2023, 39(2): 70-77.

[Jiang Yutong, Hao Zengchao, Feng Sifang, et al. Spatiotemporal evolution characteristics in compound hot-dry events in Yangtze River and Yellow River Basins. Water Resources Protection, 2023, 39(2): 70-77.]

[25]
Qian Z H, Sun Y X, Ma Q R, et al. Understanding changes in heat waves, droughts, and compound events in Yangtze River valley and the corresponding atmospheric circulation patterns[J]. Climate Dynamics, 2024, 62: 539-553.

[26]
Zhang Y Q, Mao G X, Chen C C, et al. Population exposure to compound droughts and heatwaves in the observations and ERA5 reanalysis data in the Gan River Basin, China[J]. Land, 2021, 10(10): 1021. doi: 10.3390/land10101021.

[27]
郝增超, 张璇, 郝芳华, 等. 2022年夏季长江流域复合高温干旱事件的影响及应对[J]. 水资源保护, 2023, 39(6): 46-52.

[Hao Zengchao, Zhang Xuan, Hao Fanghua, et al. Impacts and coping strategies of compound hot extremes and droughts during summer of 2022 in the Yangtze River Basin. Water Resources Protection, 2023, 39(6): 46-52.]

[28]
Fang G C, Gao Z Y, Wang L, et al. How does green innovation drive urban carbon emission efficiency? Evidence from the Yangtze River Economic Belt[J]. Journal of Cleaner Production, 2022, 375: 134196. doi: 10.1016/j.jclepro.2022.134196.

[29]
Yao R, Hu Y Q, Sun P, et al. Effects of urbanization on heat waves based on the wet-bulb temperature in the Yangtze River Delta urban agglomeration, China[J]. Urban Climate, 2022, 41: 101067. doi: 10.1016/j.uclim.2021.101067.

[30]
黄家祺. 长江流域旱涝时空分析与预测模型检验研究[D]. 上海: 华东师范大学, 2023.

[Huang Jiaqi. Spatiotemporal analysis and prediction model test of drought and flood in the Yangtze River Basin. Shanghai, China: East China Normal University, 2023.]

[31]
Vicente-Serrano S M, Beguería S, López-Moreno J I. A multiscalar drought index sensitive to global warming: The standardized precipitation evapotranspiration index[J]. Journal of Climate, 2010, 23(7): 1696-1718.

[32]
Thornthwaite C W. An approach toward a rational classification of climate[J]. Geographical Review, 1948, 38(1): 55-94.

[33]
Zhang Y Q, Yang X Q, Chen C C. Substantial decrease in concurrent meteorological droughts and consecutive cold events in Huai River Basin, China[J]. International Journal of Climatology, 2021, 41(13): 6065-6083.

[34]
任婧宇, 彭守璋, 曹扬, 等. 1901—2014年黄土高原区域气候变化时空分布特征[J]. 自然资源学报, 2018, 33(4): 621-633.

DOI

[Ren Jingyu, Peng Shouzhang, Cao Yang, et al. Spatiotemporal distribution characteristics of climate change in the Loess Plateau from 1901 to 2014. Journal of Natural Resources, 2018, 33(4): 621-633.]

DOI

[35]
Taylor K E. Summarizing multiple aspects of model performance in a single diagram[J]. Journal of Geophysical Research: Atmospheres, 2001, 106: 7183-7192.

[36]
Beven K J, Kirkby M J. A physically based, variable contributing area model of basin hydrology[J]. Hydrological Sciences Journal, 2009, 24(1): 43-69.

[37]
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.

[38]
Ma Z C, Sun P, Zhang Q, et al. The characteristics and evaluation of future droughts across China through the CMIP6 multi-model ensemble[J]. Remote Sensing, 2022, 14(5): 1097. doi: 10.3390/rs14051097.

[39]
Chen J, Liu Y J, Pan T, et al. Population exposure to droughts in China under the 1.5 ℃ global warming target[J]. Earth System Dynamics, 2018, 9(3): 1097-1106.

[40]
陈曦, 李宁, 黄承芳, 等. 综合湿度和温度影响的中国未来热浪预估[J]. 地理科学进展, 2020, 39(1): 36-44.

DOI

[Chen Xi, Li Ning, Huang Chengfang, et al. Projection of heatwaves by the combined impact of humidity and temperature in China. Progress in Geography, 2020, 39(1): 36-44.]

DOI

[41]
Gao Z B, Yan X D. High-resolution regional climate modeling and projection of heatwave events over the Yangtze River Basin[J]. Sustainability, 2022, 14(3): 1141. doi: 10.3390/su14031141.

[42]
Zhang W, Luo M, Gao S, et al. Compound hydrometeorological extremes: Drivers, mechanisms and methods[J]. Frontiers of Earth Science, 2021, 9: 673495. doi: 10.3389/feart.2021.673495.

[43]
Zscheischler J, Seneviratne S I. Dependence of drivers affects risks associated with compound events[J]. Science Advances, 2017, 3(6): e1700263. doi: 10.1126/sciadv.1700263.

[44]
Gruber N, Boyd P W, Frölicher T L, et al. Biogeochemical extremes and compound events in the ocean[J]. Nature, 2021, 600: 395-407.

[45]
O'Neill B C, Tebaldi C, van Vuuren D P, et al. The scenario model intercomparison project (ScenarioMIP) for CMIP6[J]. Geoscientific Model Development, 2016, 9: 3461-3482.

[46]
Yazdandoost F, Moradian S, Izadi A, et al. Evaluation of CMIP6 precipitation simulations across different climatic zones: Uncertainty and model intercomparison[J]. Atmospheric Research, 2021, 250: 105369. doi: 10.1016/j.atmosres.2020.105369.

[47]
张文青, 刘浏, 伦玉蕊, 等. 青藏高原未来极端降水时空变化特征及海拔依赖性研究[J]. 水土保持学报, 2023, 37(2): 149-158, 216.

[Zhang Wenqing, Liu Liu, Lun Yurui, et al. Spatial-temporal variation characteristics of future extreme precipitation and its elevation dependency over the Qinghai-Tibet Plateau. Journal of Soil and Water Conservation, 2023, 37(2): 149-158, 216.]

[48]
Lu E, Liu S Y, Luo Y L, et al. The atmospheric anomalies associated with the drought over the Yangtze River Basin during spring 2011[J]. Journal of Geophysical Research: Atmospheres, 2014, 119(10): 5881-5894.

[49]
Ridder N N, Pitman A J, Westra S, et al. Global hotspots for the occurrence of compound events[J]. Nature Communication, 2020, 11: 5956. doi: 10.1038/s41467-020-19639-3.

Options
文章导航

/

〈 〉