气候变化下山美水库流域未来径流量变化

吴丽娜，陈莹,2*，陈兴伟,2，刘梅冰,2，高路,2，杨博，卢彬彬

(1.福建师范大学 a.地理研究所，b.地理科学学院，福州350007； c.湿润亚热带山地生态国家重点实验室培育基地，福州 350007； 3.福建省陆地灾害监测评估工程技术研究中心，福州 350007)

0 引言

全球气候变化已成为不争的事实，气候变化影响水资源的时空再分配以及水资源总量，进而对社会经济发展和生态系统等产生深刻的影响[1]。气候变化对水资源的影响也成为了科学界、政府和社会普遍关注的科学问题之一[2]。

水文模型是定量研究气候变化对流域水文过程影响的重要工具。目前，采用合适的水文模型，耦合大气环流模式的降尺度结果，模拟气候变化情景下流域的水文响应，是评估气候变化对水资源影响的主要手段之一。然而，未来排放情景的设定、气候模式的建立、降尺度技术的选择、水文模型的选取等环节都存在一定程度的不确定性[3]，导致未来气候变化的水文响应存在不确定性。因此，综合考虑上述环节的不确定性进行气候变化的水文响应研究显得尤为重要。对此，近年来国内外的学者做了大量的研究，如Minville等[4]利用5种气候模式评估加拿大一个流域在未来气候变化下的洪水和水力发电的不确定性。Prudhomme和Davies[5]分析了英国部分流域气候变化径流响应的不确定性，发现全球气候模式(Global Climate Models，GCMs)是最大的不确定性来源，而降尺度方法的影响则相对小一些。Green等[6]评估了气候变化下湄公河流域径流量变化的不确定性来源，结果发现水文模型的不确定性要小于GCMs的不确定性。刘文丰等[7]采用秩评分方法，选取NCEP再分析资料作为“实测”依据，以10个统计特征值为基础，评估了21个GCMs对东南诸河流域17个气候要素的模拟效果，结果显示，GCMs对不同气候变量的模拟效果并不一致。Mandal等[8]对斯特拉斯科纳大坝未来气候变化水文响应的不确定性来源进行研究，发现降尺度方法对水文响应的影响要大于典型浓度路径 (Representative Concentration Pathways, RCPs)和GCMs。王等[9]采用CMIP5模式组3种GCMs各RCP的气候情景开展清江流域气候变化对径流的影响研究，结果表明，GCMs的不确定性大于RCPs，且降水的输入为径流预测误差的主要来源。

中国学者在气候变化对水文循环的影响方面开展了大量的工作，如黄河流域[10-12]，淮河流域[13-16]，长江流域[17-20]。山美水库流域作为福建省泉州市的主要供水源地，水资源变化将对该区社会经济发展产生重要影响。目前，山美水库流域的研究多集中在当前或者过去气象条件下径流量的变化，而综合考虑GCMs和RCPs的不确定性，评估研究区未来径流变化的研究鲜有报道。以山美水库流域为研究对象，基于5个GCMs模式和3种RCPs情景，耦合HSPF模型，开展山美水库流域2020—2039年径流量变化的预估，并量化气候变化水文响应的不确定性，其结果可为山美水库流域水资源风险管理和科学调度提供决策依据。

图 1 山美流域水系分布Figure 1 Stream networks of Shanmei Reservoir Basin

1 研究区概况和数据来源

1.1 研究区域概况

山美水库位于福建省泉州市西北部(25°07′41″N，118°26′36″E)，地处晋江东溪中游。水库流域水系分布如图1，水库流域集水面积1 023 km2，约占东溪流域的53.4%，多年平均径流量14亿m3[21]。研究区属亚热带海洋性季风气候，多年平均气温约为20 ℃，年降水量约为1 600 mm，日照时数为1 800～2 200 h。山美水库具有饮用水源地、灌溉、发电和防洪等多种职能，担负着下游9个县、市、区600万人口的生活和生产用水，年供水量约10亿m3。

表 1 山美水库流域数据及来源Table 1 Input data and sources in Shanmei Reservoir Basin

数据数据描述来源地形流域30 m×30 m分辨率数字高程模型(DEM)“中国科学院国际科学数据服务平台”(http://datamiffor.csdb.cn/datademMain/jsp)土地利用山美水库流域2006年土地利用数据TM遥感影像的解译气象1973—2005年永春气象站日最高气温、最低气温、相对湿度和风速数据福建省气象局降雨数据1971—2005年7个雨量站日降水数据福建省水利局水文2000—2010年山美水库流域日入库流量和龙门滩月调水数据福建省水利局

1.2 数据来源

HSPF模型构建需要的数据包括地形特征、土地利用数据、气象水文数据等，具体的数据及来源如表1所示。

2 研究方法

2.1 水文模型的率定与验证

HSPF水文模型是由美国国家环境保护局1981年开发的半分布式流域水文模型，已经广泛应用于气候变化下水文响应的相关研究[22-23]。本研究结合多目标函数(丰水期日流量偏差、枯水期日流量偏差、月流量偏差、超流量天数偏差)利用PEST(Parameter Estimation)实现晋江流域HSPF的多目标自动率定，将2000—2005年作为率定期，2005—2010年作为验证期，并选用Nash效率系数(ENS)和误差百分率(PBIAS)2个评价指标对模型的模拟结果进行综合评价，具体过程见文献[24]。在率定期，丰水期日流量NSE为0.78，PBIAS为-2.57%；枯水期NSE为0.25，PBIAS为-24.52%；在验证期，丰水期日流量NSE为0.89，PBIAS为-6.49%；枯水期日流量NSE为0.54，PBIAS为-16.79%。结果表明，HSPF模型能较好地模拟山美水库流域丰枯期日径流特征，应用该模型进行研究区气候变化的水文响应研究是可行的。

2.2 气温、降水和径流预估

利用1973—2005年7个雨量站点的日降水和1个气象站气温观测数据与5个GCMs历史时期模拟出来的日降水和气温进行对比，发现月均降水模拟值与观测值之间的相关系数r为0.991～0.999，RMSE为17.56～17.58，PBIAS为-13.17%～-13.20%；月均最高气温模拟值与观测值之间的相关系数r为0.935～0.960，RMSE为3.80～5.29，PBIAS为-0.12%～6.23%；月均最低气温模拟值与观测值之间的相关系数r为0.954～0.969，RMSE 2.79～3.40，PBIAS为-0.11%～-3.92%。其中5个GCM集合预估的月均降水模拟值与实测值的相关系数r为0.96，月均最高温模拟值与实测值的PBIAS为-4.31%，月均最低温模拟值与实测值RMSE为11.58，表明5个GCM模式对降水和气温的模拟良好。

基于已率定的HSPF模型，结合未来2020—2039年3种浓度典型路径RCP2.6，RCP4.5和RCP6.0下的5个GCMs(GFDL-ESM2M、HadGEM2-ES、IPSL-CM5A-LR，MIROC-SEM-CHEM、NoerESM1-M)，模拟得到未来流域出口的日径流量数据，并以1991—2010年实测径流量为基础值，对径流的变化进行分析。对于不同GCMs和RCPs导致的径流预估的不确定性，使用标准偏差来衡量不同全球模式和典型浓度下预估结果的离散程度。

3 结果与分析

3.1 未来降水和气温的变化

表 2 未来年平均降水量相对于基准期变化百分率/%Table 2 The projected change in annual average precipitation compared to baseline

情景/模式GFDLHadIPSLMIROCNoerGCMs均值RCP2.6 12.109.88-3.35-4.1617.646.42 RCP4.56.6111.343.59-4.122.614.81RCP6.0-0.9221.031.51-10.641.362.96RCP均值5.9314.120.58-6.317.20—

注：RCP2.6、RCP4.5、RCP6.0为典型浓度路径 (Representative Concentration Pathways,简称 RCPs)的3种情景；GFDL、Had、IPSL、MIROC、Noer是全球气候模式(Global Climate Models,简称GCM)的5种模式，下同。从集合平均结果来看，预估的年平均降水量较基准期增加4.30%(表2)。就5个GCMs而言(3种RCPs下的均值)，除了MIROC模式下的降水量减少了-6.31%，其余模式均呈现增加趋势，变化范围在0.58%～14.12%，以Had模式下的降水量增加最为显著，达到14.12%。就3种RCPs(5种GCMs下的均值)而言，预测的年平均降水量的变化范围在2.96%～6.42%之间，以RCP2.6预估的降水增加最显著，其次RCP4.5，最后为RCP6.0。此外，由RCPs和GCMs引起降水量变化的标准偏差分别为1.41和6.83，GCMs导致降水预估的不确定性要大于 RCPs。

从集合平均结果来看，预估的日最高温度和最低温度分别增加2.34 ℃和2.09 ℃(表3)。流域未来3种RCPs情景下(5个GCMs下的均值)，RCP6.0下日最高气温和日最低气温较基准期的增幅均最小，分别增加了2.21 ℃和1.99 ℃；RCP2.6下日最高温度的增幅最显著，达到2.49 ℃；而RCP4.5下日最低温度的增幅最大，达到2.17 ℃。5个GCMs(3种RCPs下的均值)，Had预估的最高温和最低温变化幅度最大，分别为3.10 ℃和2.80 ℃；Noer预估的最高温和最低温变化幅度最小，分别为1.67 ℃和1.73 ℃。由RCPs和GCMs引起的日最高温变化的标准偏差分别为0.11和0.64，引起的日最低温变化的标准偏差为0.07和0.37。可见，GCMs导致气温预估的不确定性要大于 RCPs。

表 3 未来最高温和最低温相对于基准期的温度变化/℃Table 3 The projected change in annual average temperature compared to baseline

3.2 预估月径流量的变化

图2给出了集合平均预估的月径流量占年径流量的百分比。与基准期相比，未来月径流量的变化幅度为-14.81%～71.06%。其中，1—5月份径流相对于基准期呈增加趋势(20.00%～71.06%)，6—8月份径流呈减少趋势(-14.81%～-2.59%)，9—12月份径流呈-4.23%的下降趋势。相对其他季节，夏季径流呈现显著的减少趋势(-18.21%～-2.59%)，这与夏季降水减少一致(-11.74%～2.6%)；此外，夏季最高温度和最低温度分别升高了1.26 ℃和1.21 ℃，造成蒸发量增加，这也会导致径流量下降。在15种集合情景中，夏季径流量最大值与最小值之间的变化范围最大(6.12%～17.03%)，其次为春季(5.33%～7.55%)、秋季(2.55%～8.55%)以及冬季(1.37%～2.51%)，表明夏季径流的预测存在着较大的不确定性。此外，从图2(b)和(c)可以看出GCMs预测的不确定期性大于RCP；由RCPs和GCMs引起的月径流变化的标准偏差分别为4.57和4.61，也表明GCMs导致径流预估的不确定性要大于 RCPs。

注：(a)集合平均(MME)；(b)5种GCMs下的均值；(c)3个RCPs下的均值。图 2 未来预估的月径流量占年径流量的比例Figure 2 Annual distribution of monthly runoff percentage

3.3 未来灾害风险分析

以1990—2010年的径流量作为平均流量，利用径流量距平百分率对研究区未来2020—2039年径流变化的风险进行评估，将距平百分数大于或等于20%时对应年份为涝灾年份，距平百分数小于-20%时为旱灾年份[25]。从集合预估的结果来看未来灾害发生率达到53.13%，其中洪涝发生的频率为32.5%，干旱发生的频率为20.63%，洪涝的发生概率高于干旱。

此外，5个GCMs(3种RCPs下的均值)预估的灾害发生率在45%～55%之间，且洪涝发生的概率(33%)高于干旱(20%)。然而各模式预估结果存在显著的差异，其中Had和IPSL模式下洪涝发生的年份多于干旱，而GFDL、MIROC和Noer干旱和洪涝发生的年份基本接近(表4)。3种RCPs情景下(5个GCMs下的均值)的模拟结果也表现为洪涝多于干旱，且结果基本接近，灾害发生率在50%～60%之间。同时由RCPs和GCMs引起的灾害年份变化的标准偏差别为1.28和1.82，由GCMs导致的灾害预估的不确定性更大。

4 结论与讨论

采用CMIP5中的5 种GCMs在3种RCPs下气候预估结果驱动HSPF模型，定量评估了在未来2020—2039年山美水库流域气候变化特征及其对径流量的影响。主要结论如下：

表 4 不同情景和模式下预估的未来旱涝情况/年Table 4 The drought and flood disaster in different GCMs and RCPs

情景/模式RCP2.6Rd≤-20%年数Rd≥20%年数RCP4.5Rd≤-20%年数Rd≥20%年数RCP6.0Rd≤-20%年数Rd≥20%年数RCPs均值Rd≥20%年数Rd≥20%年数GFDL91350104 5 Had38311373 9 IPSL11026342 7 MIROC7754766 6 Noer3955755 6 GCMs均值 574646——

(1)预估的平均年降水量较基准期增加4.30%，年均日最高温和日最低温分别增加2.34 ℃和2.09 ℃。相对于气温，不同GCMs预估的降水结果差异更显著，不仅在量级上存在并异，在预测方向上也存在不同。

(2)相对于基准期的变化，未来月径流量变化幅度为-14.81%～71.06%，其中1—5月份预估的模拟结果呈现出增加趋势(20%～71.06%)，6—8月份呈下降趋势(-14.81%～-2.59%)，9—12月份径流在波动中呈下降趋势。此外，夏季径流的变化幅度相对于其他季节更显著。

(3)未来发生灾害的年份较多，灾害发生率达到53.13%，且发生洪涝的概率大于干旱。

(4)未来降水量、气温以及径流量的变化预估中存在着一定的不确定性，尤其是降水量和径流量的不确定性较大。 同时，与不同RCPs下的预估结果相对比，降水、气温以及径流量预估的不确定性主要来源于GCMs。

(5)径流预估的不确定性受多种因素组成，仅就GCMs和RCPs两个方面分析了气候变化对水文过程影响的不确定性。然而，对于来源于其他方面的不确定性，如水文模型(包括模型结构、模型参数和模型输入)、降尺度等方面的不确定性导致气候变化水文响应的不确定性，仍需要今后进一步研究。