EN中文

PROGRESS IN GEOGRAPHY >

2023 , Vol. 42 >Issue 3: 531 - 542

DOI: https://doi.org/10.18306/dlkxjz.2023.03.010

Articles

Future global socioeconomic risk changes to rainstorms based on the different return periods of CMIP6

  • TANG Mingxiu , 1, 2 ,
  • ZHU Xiufang , 1, 2, * ,
  • LIU Tingting 2 ,
  • GUO Chunhua 2 ,
  • ZHANG Shizhe 2 ,
  • XU Kun 2
Expand
  • 1. Key Laboratory of Environmental Change and Natural Disasters, Ministry of Education, Beijing Normal University, Beijing 100875, China
  • 2. Institute of Remote Sensing Science and Engineering, Faculty of Geographical Science, Beijing Normal University, Beijing 100875, China

Received date: 2022-08-22

  Revised date: 2022-11-26

  Online published: 2023-03-27

Supported by

National Key Research and Development Program of China(2019YFA0606900)

National Natural Science Foundation of China(42077436)

Fold

Abstract

A reasonable assessment of the risk of extreme precipitation in the future and its changes relative to the past is conducive to the scientific formulation of risk prevention measures. Based on the future daily precipitation simulation data of 24 global climate models of the Shared Socioeconomic Pathways (SSP) 2-4.5 in the sixth phase of the Coupled Model Intercomparison Program (CMIP6), the reanalysis precipitation data of ERA5, and the prediction of population and gross domestic product (GDP), this study evaluated the socioeconomic risk of future global rainstorms at four return periods (5 years, 10 years, 20 years, 50 years) and their changes relative to historical periods. The main conclusions are as follows: 1) Under the future scenarios, the rainstorm intensity in Oceania is the highest and that in Europe is the lowest. With the increase of the return period, the areas where rainstorms occur continue to expand, and the intensity of rainstorms is also projected to increase. 2) At different return periods, the rainstorm risk in Europe and Oceania are the lowest, and that in Asia and Africa are the highest. 3) The regions with the most obvious increase of rainstorm risk in the future are concentrated in the southern and eastern coastal areas of Asia, the central, northern, and southeastern areas of Africa, and the eastern, western, and southern coastal areas of North America. The regions with the most obvious risk reduction are mainly distributed in central and southern Europe, northwestern and eastern Africa, and northern South America. With the increase of the return period, the proportion of the grids with increased risk is projected to increase. 4) The factors that are most related to risk changes at the four return periods differ in the 10 countries with significant changes in risk. The risk change of Russia has the greatest correlation with the change of rainstorm intensity. The risk changes of the United States, Brazil, India, Mexico, the Democratic Republic of the Congo, Argentina, and Australia have the greatest correlation with the change of population. The risk changes of Canada and China have the greatest correlation with the change of GDP. The study can provide a certain theoretical support for disaster prevention and mitigation in areas affected by extreme precipitation.

Key words： CMIP6; rainstorm; return period; socioeconomic risk; Geodetector

Cite this article

TANG Mingxiu , ZHU Xiufang , LIU Tingting , GUO Chunhua , ZHANG Shizhe , XU Kun . Future global socioeconomic risk changes to rainstorms based on the different return periods of CMIP6[J]. PROGRESS IN GEOGRAPHY, 2023 , 42(3) : 531 -542 . DOI: 10.18306/dlkxjz.2023.03.010

自工业革命以来，人类活动排放了大量的二氧化碳等温室气体，导致气候变暖不断加剧。联合国政府间气候变化专门委员会(IPCC)的第六次评估报告和已有研究均表明，地球气候处于快速增温期，气温的升高强化了水文循环[1-2]，使得极端天气灾害事件发生的频率和强度均呈现出显著增加趋势[3⇓⇓⇓-7]，给生态系统、社会经济以及人类生命健康造成严重影响[8⇓⇓⇓-12]。
极端气候事件是指强度低于或超过某一数值的灾害[13-14]。目前已存在的对于未来极端气候的研究包括高温、极端干旱和极端降水[13,15-16]等。在气候变化的影响下，全球和局部区域的极端降水事件均呈现出不同的变化趋势[17⇓-19]。此外，随着全球人口的增加和经济的快速发展，尽管社会的防灾减灾能力不断提升，但是灾害事件造成的损失越来越大。因此，在气候变化的背景下，全面了解与极端降水相关的社会经济系统风险，合理评估极端降水在未来的风险大小及其相对于历史的变化对于减少灾害所造成的损失显得极为重要。
社会经济风险是指暴露于灾害中的人口和GDP的可能损失。不少研究者分析了未来气候情景下暴露于极端降水中的人口和GDP的情况[20⇓⇓⇓⇓-25]。也有少数研究者在全球和区域尺度上对未来社会经济的风险进行了预估。例如：Liu等[13]基于第五次耦合模式比较计划(CMIP5)的5个全球气候模式3种代表性浓度路径(RCP)以及共享社会经济路径中的人口和GDP预估数据，在全球尺度上分析了未来时期(2016—2035年和2046—2065年)相对基准时期(1986—2005年)的暴雨洪涝灾害风险及其变化。黄晓远等[26]基于CMIP6的5个气候模式3种情景(SSP1-2.6、SSP2-4.5、SSP5-8.5)下的降水预估数据，结合地形因子、社会经济数据和耕地面积百分比，对中国西南地区未来时期(2021—2040年和2041—2060年)相对基准时期(1995—2014年)的暴雨洪涝灾害风险及其变化进行了预估。
整体来说，基于CMIP6对于未来社会经济的风险评估还很不足。已有研究往往选用CMIP6中的若干个气候模式的模拟数据，然而来自不同国家和地区的模型之间差异较大，选取若干个的气候模式可能存在较大的不确定性，利用所有可用的模式模拟的降水数据进行评估可以减少评价结果不确定性。此外，已有研究更多关注的是暴雨风险中致灾因子即暴雨强度、历时、频率等特征的变化，对于暴雨风险的评估工作较少，特别是在全球尺度开展的暴雨风险更少，且没有对不同重现期下的全球暴雨社会经济风险的对比评估。同时考虑CMIP6是未来气候变化预估的最新版本，与CMIP5相比，实验设计更为完善，模型质量有了很大改进[27⇓-29]，具有更好的分辨率。为此，本文基于ERA5全球历史降水数据和CMIP6中SSP2-4.5情景24个模式2030—2099年逐日降水模拟数据，结合历史和未来人口和GDP数据，在全球尺度上评估历史和未来4个不同重现期(5年、10年、20年和50年一遇)下极端降水的社会经济风险及其相对于历史风险的变化，对比分析不同重现期、不同区域的社会经济风险，找出社会经济风险变化显著的10个国家，并分析影响其风险变化的主要因子，从而为受极端降水影响区域的灾害风险研究提供借鉴和参考。

1 数据和方法

1.1 数据来源

本文所用的数据包括ERA5再分析数据、CMIP6未来气候情景数据、人口和GDP数据。ERA5是欧洲中期天气预报中心(ECWMF)推出的第五代再分析产品，提供了1950年以来大气、海洋和陆地表面的详细气候变量[30-31]。本文所用的是1979—2015年间ERA5的小时降水数据合成的日降水数据，空间分辨率为0.25°。CMIP6是世界气候研究计划(WCRP)发起的最新的国际耦合模式比较计划。本文采用CMIP6中接近于目前社会发展状况的中度发展和中度排放情景(SSP2-4.5)下的来自不同国家和地区的24个模式(表1)模拟的2030—2099年未来降水数据，其时间分辨率为1 d。人口和GDP数据来自日本国立环境研究所，SSP2路径下每10年的预测数据[32]，空间分辨率为0.5°。
表1 研究所使用的CMIP6模型信息

Tab.1 CMIP6 model information used in the study

模型 国家 分辨率
(经纬向格点数)		 一年中
天数/d
ACCESS-CM2 澳大利亚 192×144 365/366
ACCESS-ESM1-5 澳大利亚 192×145 365/366
BCC-CSM2-MR 中国 320×160 365
CanESM5 加拿大 128×64 365
CESM2-WACCM 美国 288×192 365
CMCC-CM2-SR5 意大利 288×192 365
CMCC-ESM2 意大利 288×192 365
EC-Earth3-Veg 10个欧洲国家 512×256 365/366
EC-Earth3-Veg-LR 10个欧洲国家 320×160 365/366
GFDL-ESM4 美国 288×180 365
IITM-ESM 印度 192×94 365/366
INM-CM4-8 俄罗斯 180×120 365
INM-CM5-0 俄罗斯 180×120 365
IPSL-CM6A-LR 法国 144×143 365/366
KACE-1-0-G 韩国 192×144 360
KIOST-ESM 韩国 192×96 365
MIROC6 日本 256×128 365/366
MPI-ESM1-2-HR 德国 384×192 365/366
MPI-ESM1-2-LR 德国 192×96 365/366
MRI-ESM2-0 日本 320×160 365/366
NESM3 中国 192×96 365/366
NorESM2-LM 挪威 144×96 365
NorESM2-MM 挪威 288×192 365
TaiESM1 中国 288×192 365

1.2 研究方法

1.2.1 暴雨强度计算

世界气象组织将降水分为6个等级，其中日降水量大于50 mm被称为暴雨[33]，因此，本文采用50 mm作为阈值来判定是否有暴雨发生，统计每年发生暴雨的日数，进而计算年暴雨日的平均降雨量，即年暴雨强度。具体来说，本文首先根据ERA5的日降水数据计算1979—2015年间的年暴雨强度序列，根据CMIP6中24个模式的日降水预估数据计算2030—2099年间的24个模式各自的年暴雨强度序列。然后，通过核密度函数分别得到历史基准期和未来24个模式在5年、10年、20年、50年4个重现期下的暴雨强度的数值[34-35]。核密度估计是一种用于估计概率密度函数的非参数方法，它不利用数据分布的先验知识，直接从数据样本本身出发研究数据的分布特征，其公式如下所示：
f ( x ) = 1 N h ∑ i = 1 N K 0 x - x i h
∫ K 0 ( x ) d x = 1
式中： x i代表第 i个样本值； h代表带宽； N代表自变量 x的数量； K 0 ( ⋅ )代表核函数，且在 0 ≤ x ≤ 1时， K 0 ( x ) = 1 2。
将历史和未来所有模型的4个重现期(5年、10年、20年、50年一遇)的年暴雨强度利用双线性插值法重采样到0.5°；对于未来数据，每个重现期的暴雨强度均取24个模型均值[36]。这里要说明的一点是：计算过程中对于不同重现期下计算得到的年暴雨强度小于50 mm/d的栅格，由于没有达到暴雨发生条件，将其栅格赋值为零。

1.2.2 社会经济风险评估

风险是指当有价值的东西处于危险之中而结果不确定时的潜在后果[16]。社会经济风险是指暴露于灾害中的人口和GDP的可能损失。为此，本文定义式(3)来计算人口和GDP在不同重现期暴雨灾害中的风险：
R i s k = r i n t e n s i t y × s p o p + s g d p 2
式中：Risk为暴雨所造成的社会经济风险；rintensity为标准化后的暴雨强度，首先计算历史和未来所有重现期下年暴雨强度的最大值和最小值，然后对所有的暴雨强度数据利用最大—最小值标准化处理法进行标准化处理，得到数值在0~1之间；spop、sgdp分别为标准化后的人口和GDP。历史时段的人口和GDP数据采用1980—2010年均值，未来时段则采用2030—2100年均值。类似暴雨强度标准化的方式，根据人口和GDP在历史和未来的最大、最小值，将人口和GDP数据标准化到0~1之间。

1.2.3 社会经济风险的变化评估与分析

每个重现期中暴雨的社会经济风险变化由该重现期中未来的社会经济风险减去历史的社会经济风险得到。进而通过每个重现期的差值与同一重现期历史风险数据的比值得到未来社会经济风险相对于历史社会经济风险的变化比例。通过固定值断点将4个重现期的风险变化比例分为6个等级：<0、[120%]和>120%。对于每一个重现期重复以下操作：统计每个国家每个级别的栅格数，提取每个级别栅格数排序前10的国家。进而在4个重现期提取的所有国家中得到出现频次最高的前10个国家，作为未来暴雨灾害社会经济风险变化的主要研究区域。对于筛选出的10个国家，以同样做差的方式计算4个重现期(5年、10年、20年、50年一遇)年暴雨强度、人口和GDP的变化值，进而使用地理探测器[37]计算不同重现期的人口、GDP以及年暴雨强度变化对风险变化的解释能力，以此来衡量引起风险变化的主要因子。地理探测器是一种检测空间异质性、探索空间异质性背后的决定因素的统计工具[37]，它被广泛应用于洪涝灾害和地物空间分布格局演变等的驱动要素的研究中[38⇓-40]。在因子检测器中，q值用来衡量变量Y的空间异质性，以及因子X对变量Y的空间异质性的解释程度，q值越大，说明解释能力越强。q值的计算公式如下所示[37]：
q = 1 - 1 N σ 2 ∑ h = 1 L N h σ h 2
式中： h=1, …, L，为变量 Y或因子 X的分层，即分类或分区； N h和 N分别为层 h和全区的单元数； σ h 2和 σ 2分别是层 h和全区的 Y值的方差。

2 结果分析

2.1 不同重现期下未来暴雨强度分析

图1为未来情景和历史时期年暴雨强度分布图。在5年、10年、20年、50年一遇下，全球未来年暴雨强度的均值依次为67.48、76.96、86.78、96.47 mm.d-1，全球历史年暴雨强度均值依次为76.92、89.92、102.83、120.78 mm.d-1。可见，在未来情景和历史时期随着重现期的增加，暴雨的范围扩张，强度增大。在各重现期下均有暴雨发生的区域主要集中在热带雨林气候区、热带季风气候区、亚热带季风区、亚热带润湿气候区、温带季风气候区。
图1 未来情景(a1、b1、c1、d1)和历史时期(a2、b2、c2、d2)中4个重现期的全球年暴雨强度分布

注：本图基于自然资源部标准地图服务网站下载的审图号为GS(2016)1667号的标准地图制作，底图边界无修改。下同。

Fig.1 Global annual rainstorm intensity distribution at four return periods under future scenarios (a1, b1, c1, d1) and in history (a2, b2, c2, d2)

图2是未来情景中6个大洲的暴雨强度统计雷达图，图中统计了各重现期下年暴雨强度在6个大洲的极差(最大值-最小值)、均值及标准差。随着重现期的增加，6个大洲年暴雨强度的极差、均值、标准差都在增大。从极差来看，5年一遇和10年一遇的重现期下，大洋洲的极差最大，分别为43.97、64.54 mm.d-1；非洲次之；欧洲最小，分别为4.84、23.95 mm.d-1。20年一遇和50年一遇的重现期下，非洲的极差最大，分别为85.74、113.04 mm.d-1；北美洲次之；欧洲最小，分别为40.53、59.29 mm.d-1。从均值来看，大洋洲年暴雨强度的均值最大，范围是71.72~136.43 mm.d-1；南美洲次之；欧洲最小，范围为52.46~63.76 mm.d-1。从标准差来看，5年和10年一遇的重现期中非洲的标准差最大，分别为10.38和14.77 mm.d-1；20年和50年一遇的重现期中亚洲的标准差最大，分别为18.28、26.00 mm.d-1；4个重现期中欧洲的标准差最小，介于1.52~12.90 mm.d-1。
图2 未来情景中6个大洲的年暴雨强度统计

Fig.2 Statistical charts of annual rainstorm intensity on six continents under future scenarios

2.2 不同重现期下未来情景的暴雨社会经济风险分析

图3显示了未来全球人口和GDP均值的分布。人口和GDP分布具有很大的相关性，相关系数达到0.86，二者均呈现出在沿海、低海拔和低纬度地区分布密集，在沙漠、高海拔和高纬度地区分布稀疏的趋势。具体来说，人口和GDP暴露较大的地区集中分布在亚洲东部、南部和东南部，非洲西部和东部，北美洲的中部和南部，南美洲西北部和东部，欧洲的中部和南部，大洋洲的东部沿海等地区。在亚洲中部和北部、非洲北部沙漠地区、北美洲的北部、格陵兰岛、南美洲中部以及大洋洲的西部和中部等地区，人口和GDP暴露极低。
图3 未来情景中的全球(a)人口和(b)GDP分布

注：PPP指购买力平价(purchasing power parity)。

Fig.3 Global (a) population and (b) GDP distribution under future scenarios

图4是未来情景4个重现期的全球暴雨社会经济风险分级分布图。第一等级(G1)表示暴雨风险最小，第五等级(G5)表示暴雨风险最大。图中显示4个重现期的风险分布差异不大，风险级别最高的区域集中分布在亚洲的东部和南部，以及非洲的中北部和东南部；中等风险主要分布在北美洲的西部沿海、南部、东南部，南美洲的西北部和东部，欧洲南部，以及大洋洲的东部沿海区域；最低风险区所占比例最大，栅格数占全球的比例在76.43%~84.39%之间。
图4 未来情景4个重现期的全球暴雨社会经济风险等级

Fig.4 Global rainstorm socioeconomic risk levels at four return periods under future scenarios

图5是未来情景中4个重现期下5个等级的社会经济风险在6个大洲的栅格数比例统计图。在4个重现期中，第一等级的风险在各洲的比例均远大于其他等级，比例均在70%以上。北美洲和大洋洲在不同重现期下各风险等级的变化不大，第一等级的风险占比分别在84.71%~87.11%和91.72%~93.15%之间，其他4个等级的风险占比变化更小，大洋洲在4个重现期均不会出现第五等级的风险；而欧洲和非洲在不同重现期下各风险等级的变化比较大，随着重现期的增长，2个大洲第一等级的风险占比分别从99.46%和82.19%降到70.77%和68.18%，第二等级的风险占比分别从0.47%和14.31%增长到25.64%和25.92%，其他3个等级的风险占比小幅增加或不变。
图5 未来情景4个重现期社会经济风险等级在6个大洲的比例统计

Fig.5 Proportional statistical charts of socioeconomic risk levels on six continents at four return periods under future scenarios

2.3 不同重现期下未来情景的暴雨社会经济风险变化分析

图6是4个重现期全球暴雨社会经济风险变化等级图。风险变化增加最明显的区域集中分布在亚洲的南部和东部沿海地区，非洲的中北部和东南部，北美洲的东部、西部和南部的沿海地区，主要包括印度、中国、美国、墨西哥、尼日利亚等国家。风险变化减少最明显的区域主要分布在欧洲中部和南部、非洲西北部、南美洲的北部等地区。
图6 未来情景4个重现期全球暴雨社会经济风险变化等级

注：D表示风险减少，D2减少幅度比D1大；I表示风险增加，I3增加幅度高于I2，I2高于I1。

Fig.6 Global rainstorm socioeconomic risk change scale at four return periods under future scenarios

表2统计了4个重现期下不同全球暴雨社会经济风险变化等级的栅格数占全球陆地栅格总数的比例。在5年一遇和10年一遇下全球暴雨风险减少的栅格数占比更高，分别为68.29%和56.86%。20年一遇下全球暴雨风险减少的栅格数和增加的栅格数基本相当，分别为50.8%和49.2%。50年一遇下全球暴雨风险增加的栅格数占比(57.86%)超过了暴雨风险减少的栅格数占比(42.14%)。随着重现期的增加，风险变化等级为D1的栅格数明显下降，风险变化等级为I1的栅格数占比明显增加。
表2 4个重现期全球暴雨社会经济风险变化等级占比统计

Tab.2 Statistics of the proportion of global rainstorm socio-economic risk change levels at four return periods (%)

风险变化等级 5年一遇 10年一遇 20年一遇 50年一遇
D2 1.44 1.23 0.90 0.52
D1 66.85 55.64 49.90 41.62
I1 30.69 41.83 47.65 55.89
I2 0.93 1.19 1.41 1.78
I3 0.09 0.11 0.14 0.19
全球不同地区因为经济发展状况、人口分布、气候条件等存在差异，因此，不同区域暴雨风险变化的主导因素各有不同。以风险变化比例前10的国家(美国、加拿大、俄罗斯、巴西、中国、印度、墨西哥、刚果民主共和国、阿根廷、澳大利亚)为例，计算4个重现期中这10个国家的人口、GDP及对应年暴雨强度变化对风险变化的解释能力，也即相关程度，结果如图7所示。由图可以看出，不同的国家在4个重现期下与风险变化相关程度最大的要素各有不同。除俄罗斯以外的9个国家，未来风险变化均与人口或GDP变化的相关程度最大。俄罗斯的风险变化与暴雨强度变化的相关程度最大，q值在0.14~0.32之间；美国、巴西、印度、墨西哥、刚果民主共和国、阿根廷、澳大利亚7个国家的风险变化与人口变化的相关程度最大，其中美国、巴西、印度和墨西哥在4个重现期中风险变化与人口变化的相关程度均在0.7以上，刚果民主共和国、阿根廷以及澳大利亚3个国家在5年一遇的重现期中人口变化与风险变化的相关程度较低，q值分别为0.37、0.56、0.55；加拿大和中国的风险变化与GDP变化的相关程度最大，4个重现期中加拿大的风险变化与GDP变化的相关程度在0.74~0.89之间，中国的风险变化与GDP变化的相关程度在0.65~0.75之间。
图7 在4个重现期中风险变化显著的10个国家的人口、GDP及对应重现期的年暴雨强度的变化与风险变化的相关程度统计

Fig.7 Statistical charts of the degree of correlation between population, GDP, and annual rainstorm intensity changes and risk changes in 10 countries with significant risk changes at four return periods

3 结论与讨论

3.1 结论

本文基于CMIP6中SSP2-4.5情景多个模式的未来2030—2099年日降水数据和ERA5的1979—2015年历史再分析数据以及历史和未来情景的人口与GDP模拟数据，计算得到了未来全球陆地暴雨灾害的社会经济风险及其相对于历史时期暴雨社会经济风险的变化。主要结论如下：
(1) 未来情景中大洋洲的暴雨强度最大，欧洲最小，且在东亚和南亚的季风区、北美洲的中部和东部及赤道附近的热带雨林气候区暴雨强度最大，在亚欧大陆的中部和北部、非洲北部的沙漠地区、北美洲的中部和北部以及南美洲的西部等高海拔、高纬度和热带沙漠区未来暴雨强度最小。随着重现期的增加，有暴雨发生的区域不断扩大，暴雨的强度也在不断增大。
(2) 4个重现期中第一级风险在全球陆地所占比例最大，第五级风险所占比例最小。随着重现期的增长，第一等级的风险所占比例变化趋势为减少，其他等级的风险所占比例呈现增加的趋势。不同重现期中欧洲和大洋洲的暴雨风险最小，亚洲和非洲的暴雨风险最大。
(3) 风险变化增加最明显的区域集中分布在亚洲的南部和东部沿海地区，非洲的中北部和东南部，以及北美洲的东部、西部和南部的沿海等地区。风险变化减少最明显的区域主要分布在欧洲中部和南部、非洲西北部和东部及南美洲的北部等地区。随着重现期的增长，风险变化表现为增加的栅格占比从31.71%扩大到57.86%。
(4) 不同国家的风险变化与人口、GDP、暴雨强度的变化的相关程度存在差异。风险变化与暴雨强度变化相关性最大的国家是俄罗斯，风险变化与人口变化的相关程度最大的国家有美国、巴西、印度、墨西哥、刚果民主共和国、阿根廷、澳大利亚，加拿大和中国的风险变化与GDP变化的相关程度最大。

3.2 讨论

本文的社会经济风险增加和减少区域的分布与已有研究结果类似[13,21]。对于暴雨社会经济风险变化主导因素的研究结果表明，大部分区域极端降水的社会经济风险变化与社会经济变化的相关程度大于与灾害危险性变化的相关程度，这与Liu等[13]和Chen等[41]的研究结果具有一致性。但具体细节上存在差异，主要原因是上述2个研究和本文研究在分析主导因素时所用的尺度不同。在SSP2-4.5情景中，Liu等[13]从大洲的角度计算，发现欧洲的社会经济风险变化与极端降水变化的相关程度大于与人口变化的相关程度，其他大洲的社会经济风险变化与人口和GDP变化的相关程度均大于与极端降水变化的相关程度；Chen等[41]从地区的角度分析，发现欧洲北部和亚洲北部(包括俄罗斯)的社会经济风险变化与极端降水变化的相关程度大于与人口变化的相关程度，其他地区的社会经济风险变化与人口变化的相关程度均大于与极端降水变化的相关程度。而本文在国家尺度开展分析，发现SSP2-4.5情景中未来俄罗斯社会经济风险变化与暴雨危险性变化的相关程度大于与社会经济变化的相关程度，其他9个国家社会经济风险变化与社会经济变化的相关程度均大于与暴雨危险性变化的相关程度。从防范全球灾害风险的角度来看，在国家尺度以及更小的局部区域分别开展风险主导因素研究更有利于制定防灾政策以及减少社会经济损失。
本文与前人的研究相比，有2个特点：首先，CMIP6的每个社会经济路径中均包含多个模型，这些模型来自不同的国家和地区，模型之间的差异较大，为了使研究结果更具说服力，本文采用SSP2-4.5路径包含的所有模型数据的均值，用于未来暴雨社会经济风险的计算。其次，很多研究分别讨论人口和GDP的风险[13,16]，有些研究将人口和GDP历史数值作为固定值代入未来的社会经济风险计算中[42]，而本文同时考虑了人口和GDP，实现了社会经济风险的综合评价，而且对比了历史和未来的暴雨社会经济风险。
本文也存在一些不足之处：首先，未来气候变化的不确定性很大，CMIP6对多个社会经济发展路径下的未来降水进行了模拟，本文只选取了中间发展路径SSP2-4.5的降水数据对未来暴雨风险进行预估，有待使用SSP1-2.6、SSP5-8.5等未来不同发展路径的降水模拟数据，得到对未来暴雨风险变化的更为全面的评估。其次，CMIP6模拟数据空间尺度为全球，范围大，空间分辨率低，文中通过双线性方法将所有模式数据分辨率统一到0.5°，对于单个国家来说，分辨率较低，不利于局部地区内部风险异质性分析。再者，暴雨阈值的选择不同，研究的结果不同，本文以日降水大于50 mm为阈值来识别暴雨，未来有必要利用其他阈值选择方法，来进行极端降水风险的预估，以便更好地服务于防灾减灾政策的制定。最后，本文选取了10个风险变化显著的国家分析导致风险变化的主导因素。若使用风险变化均值或者风险变化比例均值，筛选出来的国家中会包括本身面积很小的国家。而栅格数过少会影响后续的统计分析。为此，本文使用风险变化比例分级数据对所有国家进行排序，提取每个级别栅格数排序前10的国家，进而在4个重现期提取的所有国家中筛选得到出现频次最高的前10个国家。然而，这种方法又会使得包含栅格数较多的国家容易被筛选出来。未来可以综合考虑国土面积、风险等级、风险变化大小、统计分析对样本量的要求等因素，来筛选更合理的对象。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
姜大膀, 王晓欣. 对IPCC第六次评估报告中有关干旱变化的解读[J]. 大气科学学报, 2021, 44(5): 650-653.

[Jiang Dabang, Wang Xiaoxin. A brief interpretation of drought change from IPCC Sixth Assessment Report. Transactions of Atmospheric Sciences, 2021, 44(5): 650-653.]

[2]
苏布达, 孙赫敏, 李修仓, 等. 气候变化背景下中国陆地水循环时空演变[J]. 大气科学学报, 2020, 43(6): 1096-1105.

[Su Buda, Sun Hemin, Li Xiucang, et al. Impact of climate change on terrestrial water cycle in China. Transactions of Atmospheric Sciences, 2020, 43(6): 1096-1105.]

[3]
Daniel Tang K H. Climate change in Malaysia: Trends, contributors, impacts, mitigation and adaptations[J]. Science of the Total Environment, 2019, 650: 1858-1871.

DOI

[4]
Alexander L V, Zhang X, Peterson T C, et al. Global observed changes in daily climate extremes of temperature and precipitation[J]. Journal of Geophysical Research: Atmospheres, 2006, 111(D5): D05109. doi: 10.1029/2005JD006290.

DOI

[5]
Liu J, Hertel T W, Diffenbaugh N S, et al. Future property damage from flooding: Sensitivities to economy and climate change[J]. Climatic Change, 2015, 132(4): 741-749.

DOI

[6]
Giorgi F, Im E-S, Coppola E, et al. Higher hydroclimatic intensity with global warming[J]. Journal of Climate, 2011, 24(20): 5309-5324.

DOI

[7]
Zhou T J, Ren L W, Zhang W X. Anthropogenic influence on extreme Meiyu rainfall in 2020 and its future risk[J]. Science China Earth Sciences, 2021, 64(10): 1633-1644.

DOI

[8]
菅艺伟, 付瑾, 周丰. 极端降水对水稻产量的影响研究综述[J]. 地理科学进展, 2021, 40(10): 1746-1760.

DOI

[Jian Yiwei, Fu Jin, Zhou Feng. A review of studies on the impacts of extreme precipitation on rice yields. Progress in Geography, 2021, 40(10): 1746-1760.]

DOI

[9]
王军, 谭金凯. 气候变化背景下中国沿海地区灾害风险研究与应对思考[J]. 地理科学进展, 2021, 40(5): 870-882.

DOI

[Wang Jun, Tan Jinkai. Understanding the climate change and disaster risks in coastal areas of China to develop coping strategies. Progress in Geography, 2021, 40(5): 870-882.]

DOI

[10]
Bowles D C, Butler C D, Friel S. Climate change and health in Earth's future[J]. Earth's Future, 2014, 2(2): 60-67.

DOI

[11]
Sun Q H, Miao C Y, Duan Q Y, et al. A review of global precipitation data sets: Data sources, estimation, and intercomparisons[J]. Reviews of Geophysics, 2018, 56(1): 79-107.

DOI

[12]
方佳毅, 史培军. 全球气候变化背景下海岸洪水灾害风险评估研究进展与展望[J]. 地理科学进展, 2019, 38(5): 625-636.

DOI

[Fang Jiayi, Shi Peijun. A review of coastal flood risk research under global climate change. Progress in Geography, 2019, 38(5): 625-636.]

DOI

[13]
Liu Y J, Chen J, Pan T, et al. Global socioeconomic risk of precipitation extremes under climate change[J]. Earth's Future, 2020, 8(9): e2019EF001331. doi: 10.1029/2019EF001331.

DOI

[14]
Sun J, Zhang F Q. Daily extreme precipitation and trends over China[J]. Science China Earth Sciences, 2017, 60: 2190-2203.

DOI

[15]
Shan Z R, An Y H, Xu L, et al. High-temperature disaster risk assessment for urban communities: A case study in Wuhan, China[J]. International Journal of Environmental Research and Public Health, 2021, 19(1): 183. doi: 10.3390/ijerph19010183.

DOI

[16]
Liu Y, Chen J. Future global socioeconomic risk to droughts based on estimates of hazard, exposure, and vulnerability in a changing climate[J]. Science of the Total Environment, 2021, 751: 142159. doi: 10.1016/j.scitotenv.2020.142159.

DOI

[17]
Cui D Y, Wang C H, Santisirisomboon J. Characteristics of extreme precipitation over eastern Asia and its possible connections with Asian summer monsoon activity[J]. International Journal of Climatology, 2019, 39(2): 711-723.

DOI

[18]
Ayugi B, Dike V, Ngoma H, et al. Future changes in precipitation extremes over east Africa based on CMIP6 models[J]. Water, 2021, 13(17): 2358. doi: 10.3390/w13172358.

DOI

[19]
Alexander L V. Global observed long-term changes in temperature and precipitation extremes: A review of progress and limitations in IPCC assessments and beyond[J]. Weather and Climate Extremes, 2016, 11: 4-16.

DOI

[20]
井源源, 方建, 史培军. 未来气候变化情景下湖北省极端降水的人口暴露分析[J]. 北京师范大学学报(自然科学版), 2020, 56(5): 700-709.

[Jing Yuanyuan, Fang Jian, Shi Peijun. Analysis of population exposure to extreme precipitation in Hubei Province under the climate change scenarios. Journal of Beijing Normal University (Natural Science), 2020, 56(5): 700-709.]

[21]
Shi X Y, Chen J, Gu L, et al. Impacts and socioeconomic exposures of global extreme precipitation events in 1.5 and 2.0 ℃ warmer climates[J]. Science of the Total Environment, 2021, 766: 142665. doi: 10.1016/j.scitotenv.2020.142665.

DOI

[22]
Hirabayashi Y, Tanoue M, Sasaki O, et al. Global exposure to flooding from the new CMIP6 climate model projections[J]. Scientific Reports, 2021, 11(1): 3740. doi: 10.1038/s41598-021-83279-w.

DOI PMID

[23]
Chen H P, Sun J Q, Li H X. Increased population exposure to precipitation extremes under future warmer climates[J]. Environmental Research Letters, 2020, 15(3): 034048. doi: 10.1088/1748-9326/ab751f.

DOI

[24]
Chen H P, Sun J Q. Increased population exposure to precipitation extremes in China under global warming scenarios[J]. Atmospheric and Oceanic Science Letters, 2020, 13(1): 63-70.

DOI

[25]
宁思雨, 黄晶, 汪志强, 等. 基于投入产出法的洪涝灾害间接经济损失评估: 以湖北省为例[J]. 地理科学进展, 2020, 39(3): 420-432.

DOI

[Ning Siyu, Huang Jing, Wang Zhiqiang, et al. Indirect economic losses of flood disaster based on an input-output model: A case study of Hubei Province. Progress in Geography, 2020, 39(3): 420-432.]

DOI

[26]
黄晓远, 李谢辉. 基于CMIP6的西南暴雨洪涝灾害风险未来预估[J]. 应用气象学报, 2022, 33(2): 231-243.

[Huang Xiaoyuan, Li Xiehui. Future projection of rainstorm and flood disaster risk in Southwest China based on CMIP6 models. Journal of Applied Meteorological Science, 2022, 33(2): 231-243.]

[27]
Stouffer R J, Eyring V, Meehl G A, et al. CMIP5 scientific gaps and recommendations for CMIP6[J]. Bulletin of the American Meteorological Society, 2017, 98(1): 95-105.

DOI

[28]
Eyring V, Bony S, Meehl G A, et al. Overview of the Coupled Model Intercomparison Project Phase 6 (CMIP6) experimental design and organization[J]. Geoscientific Model Development, 2016, 9(5): 1937-1958.

DOI

[29]
Eyring V, Cox P M, Flato G M, et al. Taking climate model evaluation to the next level[J]. Nature Climate Change, 2019, 9(2): 102-110.

DOI

[30]
Hersbach H, Bell B, Berrisford P, et al. The ERA5 global reanalysis[J]. Quarterly Journal of the Royal Meteorological Society, 2020, 146: 1999-2049.

DOI

[31]
刘婷婷, 朱秀芳, 郭锐, 等. ERA5再分析降水数据在中国的适用性分析[J]. 干旱区地理, 2022, 45(1): 66-79.

[Liu Tingting, Zhu Xiufang, Guo Rui, et al. Applicability of ERA5 reanalysis of precipitation data in China. Arid Land Geography, 2022, 45(1): 66-79.]

[32]
Murakami D, Yamagata Y. Estimation of gridded population and GDP scenarios with spatially explicit statistical downscaling[J]. Sustainability, 2019, 11(7): 2106. doi: 10.3390/su11072106.

DOI

[33]
Tan M L, Ibrahim A L, Duan Z, et al. Evaluation of six high-resolution satellite and ground-based precipitation products over Malaysia[J]. Remote Sensing, 2015, 7(2): 1504-1528.

DOI

[34]
Zhu X F, Xu K, Liu Y, et al. Assessing the vulnerability and risk of maize to drought in China based on the AquaCrop model[J]. Agricultural Systems, 2021, 189: 103040. doi: 10.1016/j.agsy.2020.103040.

DOI

[35]
唐明秀, 孙劭, 朱秀芳, 等. 基于CMIP6的中国未来暴雨危险性变化评估[J]. 地球科学进展, 2022, 37(5): 519-534.

DOI

[Tang Mingxiu, Sun Shao, Zhu Xiufang, et al. CMIP6 assessment of changes in hazard of future rainstorms in China. Advances in Earth Science, 2022, 37(5): 519-534.]

DOI

[36]
Wallach D, Martre P, Liu B, et al. Multimodel ensembles improve predictions of crop-environment-management interactions[J]. Global Change Biology, 2018, 24(11): 5072-5083.

DOI PMID

[37]
王劲峰, 徐成东. 地理探测器: 原理与展望[J]. 地理学报, 2017, 72(1): 116-134.

DOI

[Wang Jinfeng, Xu Chengdong. Geodetector: Principle and prospective. Acta Geographica Sinica, 2017, 72(1): 116-134.]

DOI

[38]
胡畔, 陈波, 史培军. 中国暴雨洪涝灾情时空格局及影响因素[J]. 地理学报, 2021, 76(5): 1148-1162.

DOI

[Hu Pan, Chen Bo, Shi Peijun. Spatiotemporal patterns and influencing factors of rainstorm-induced flood disasters in China. Acta Geographica Sinica, 2021, 76(5): 1148-1162.]

DOI

[39]
张若婧, 陈跃红, 张晓祥, 等. 基于参数最优地理探测器的江西省山洪灾害时空格局与驱动力研究[J]. 地理与地理信息科学, 2021, 37(4): 72-80.

[Zhang Ruojing, Chen Yuehong, Zhang Xiaoxiang, et al. Spatial-temporal pattern and driving factors of flash flood disasters in Jiangxi Province analyzed by optimal parameters-based geographical detector. Geography and Geo-Information Science, 2021, 37(4): 72-80.]

[40]
Guo R, Zhu X F, Zhang C, et al. Analysis of change in maize plantation distribution and its driving factors in Heilongjiang Province, China[J]. Remote Sensing, 2022, 14(15): 3590. doi: 10.3390/rs14153590.

DOI

[41]
Chen H P, Sun J Q. Significant increase of the global population exposure to increased precipitation extremes in the future[J]. Earth's Future, 2021, 9(9): e2020EF001941. doi: 10.1029/2020EF001941.

DOI

[42]
Sun H M, Wang Y J, Chen J, et al. Exposure of population to droughts in the Haihe River Basin under global warming of 1.5 and 2.0 ℃ scenarios[J]. Quaternary International, 2017, 453: 74-84.

DOI

Options
Outlines

/

〈 〉