西南地区未来极端降水增加将导致其人口暴露风险加剧

林文青 陈活泼 徐慧文 艾雅雯 何文悦 张大伟 王帆 毕吴瑕 王玮琦

摘要 基于CN05.1观测数据和一套经过降尺度偏差校正处理的模式（NEX-GDDP-CMIP6）数据，结合泰勒图、GEV极值拟合等方法，综合评估了模式对西南地区极端降水变化的模拟性能，并系统分析了未来西南地区不同重现期的极端降水演变趋势及其人口暴露度变化。结果表明，NEX-GDDP-CMIP6模式及其集合（N-CMIP6-MME）能够较好地再现观测极端降水的时空变化特征，且多模式集合结果优于大多数单个模式。未来西南地区绝大多数区域的降水和极端降水将持续增加，十年一遇、二十年一遇极端降水事件也呈增加趋势，使得未来西南地区人口暴露于不同重现期极端降水的风险进一步增加。相比十年一遇，重现期为20 a的极端降水事件增加速度更快，增加范围更广，模式一致性也更高，对应的人口暴露度增加幅度更大。到2050年左右，在SSP1-2.6、SSP2-4.5、SSP3-7.0和SSP5-8.5情景下二十年一遇的RX1day（RX5day）分别增加了175.2％（148.9％）、216.0％（162.4％）、210.9％（156.8％）和274.3％（207.1％），对应人口暴露度分别增加了129.1％（118.8％）、177.7％（135.1％）、182.4％（143.2％）和237.5％（161.5％）。进一步分析指出，在未来极端降水人口暴露度的变化中，气候变化占主导作用，其次是人口变化和人口-气候协同作用的影响。

关键词西南地区;极端降水;未来预估;人口暴露度;NEX-GDDP-CMIP6

西南地区（包括四川省、贵州省、云南省和重庆市）位于中国第二地势阶梯，其北部为四川盆地，南部为云贵高原，地形复杂，人口稠密（张弛和吴绍洪，2021）;其气候受到印度季风和东亚季风共同控制（Yuan et al.，2019），极端降水变化与ENSO事件发展关系密切（陈子凡等，2022）。近几十年来，随着全球变暖加剧（IPCC，2021;蒋文好和陈活泼，2021;李菲等，2021），西南地区极端降水事件频发且强度增强（Xu et al.，2021;汪靖等，2021;朱连华等，2023），进一步引发了山洪、泥石流等地质灾害，造成了严重的生命和财产损失。例如，2017年，极端暴雨洪涝造成西南地区163人失踪和死亡，1 490万人受灾，直接经济损失365.05亿元（马啸，2018）;2020年8月，四川省发生了4次大范围暴雨天气，导致滑坡、泥石流等自然灾害2 091起，12人失踪和死亡，经济损失12.88亿元（黄子立等，2021）。为减缓气候变化带来的影响，2022年6月生态环境部、国家发展和改革委员会、水利部、应急管理部、中国气象局等17个部门联合印发《国家适应气候变化战略2035》，其目的之一就是降低和减少极端天气气候事件带来的灾害损失、有效应对气候变化带来的不利影响和风险，从而为21世纪中叶实现两个百年目标打下坚实基础。因此，亟须展开西南地区极端降水未来变化预估的相关研究工作，以便于更好地适应气候变化、提升防灾减灾能力。

气候模式是进行气候模拟及未来气候变化预估的重要工具。世界气候研究计划（World Climate Reaseach Programme，WCRP）耦合模式比较计划（the Coupled Model Intercomparison Project，CMIP）中的大样本模式结果被广泛用于极端事件的相关研究中。张武龙等（2015）对CMIP5模式模拟西南地区干湿季降水性能评估结果表明，大部分模式对干湿季降水存在明显高估，且模式间不确定性较大;到21世纪末期，西南地区干湿季降水普遍增多。此外，CMIP5模式对西南山区极端降水高估也较为明显（Ou et al.，2013）。相较于CMIP5，CMIP6是CMIP计划开展以来参与模式最多、数值试验最丰富的一次（周天军等，2019）。Chen et al.（2020）指出，CMIP6多模式集合可以较好地再现中国地区大雨日数的空间分布，且优于CMIP5;但在全球范围内平均低估了0.2 d。Lin and Chen（2020）在对亚洲中高纬地区极端降水评估的研究中指出，CMIP6多模式集合对极端降水的模拟能力要优于CMIP5，但对极端降水的高估仍然存在。杨贵业等（2021）使用CMIP6模式对西南地區夏季降水进行未来变化预估研究，结果表明在SSP5-8.5情景下，未来西南地区夏季降水呈增加趋势。但西南地区地形复杂，CMIP6模式对极端降水变化的模拟性能存在较大的空间差异。黄子立等（2021）使用高分辨率的CMIP6模式输出开展了系统的模式评估工作，其研究表明提高模式分辨率可以在一定程度上提升地形陡峭地区降水强度的模拟能力，但对四川盆地等平坦地区改进较小。那么，借助观测数据经过降尺度偏差校正处理的高分辨率CMIP6模式数据对西南地区极端降水模拟能力如何？这是一个值得关注的问题。

一般而言，极端降水有两种表示方法：1）采用气候变化检测与指数专家组（the Expert Team on Climate Change Detection and Indices，ETCCDI）推荐的极端降水指数，这些指数通常指一年内频繁发生的极端气候事件的大小和次数（Chen and Sun，2015;Lin and Chen，2020）;2）使用广义极值分布（Generalized Extreme Value，GEV）统计更极端的气候事件，获得某一重现期的降水极值（Kharin et al.，2013;Xu et al.，2022）。通过GEV得到的极端降水事件通常发生次数更少，但对人类健康、社会及生态环境会造成更大的影响（Zhang et al.，2017）。然而，西南地区不同重现期极端降水事件的未来变化目前还尚不清楚。此外，除了预估未来极端降水变化外，其将对人类社会有着怎样的影响？明确这些关键科学问题对适应和减缓气候变化风险的政策和措施制定至关重要。因此，本研究使用一套CMIP6模式经过降尺度处理后的高分辨率数据（NEX-GDDP-CMIP6）开展西南地区未来极端降水变化的预估研究，并评估不同重现期极端降水事件的变化对西南地区人口暴露度变化的影响，从而为西南地区适应和减缓气候变化、提升防灾减灾能力提供科学支撑。

1 数据和方法

1.1 数据

1.1.1 观测数据

本文使用的观测降水数据来自吴佳和高学杰（2013）基于中国2 400余个地面气象台站的观测资料，采用“距平逼近法”插值得到的逐日格點化数据集（CN05.1）。该数据集的空间分辨率为0.25°×0.25°，时间范围为1961—2021年;但本文为了与模式历史时段统一，研究时段选为1961—2014年。

1.1.2 模式数据

本文使用的模式数据为美国国家航空航天局（NASA）团队基于第六次国际耦合模式比较计划（CMIP6）输出的1950—2100年逐日降水（历史和未来预估）数据进行统计降尺度和偏差校正处理后得到的高分辨率逐日降水数据集（NASA Global Daily Downscaled Projections，CMIP6，NEX-GDDP-CMIP6;https：／／www.nccs.nasa.gov／services／data-collections／land-based-products／nex-gddp-cmip6） （为方便描述，后称N-CMIP6模式）。该数据集使用月度偏差校正和空间分解（BCSD）方法生成水平分辨率为0.25°×0.25°（～25 km）的逐日降水，包含历史时期和4个SSP排放情景（SSP1-2.6、SSP2-4.5、SSP3-7.0、SSP5-8.5）。在模式模拟西南地区极端降水性能评估中用到了23个模式结果（表1），时间范围为1950—2014年。我们对23个模式中位数集合（MME，即对所有模式进行排序，选取中位数作为集合结果）以及单个模式模拟能力进行了综合评估。由于有3个模式（GFDL-CM4、KIOST-ESM和NESM3）没有未来情景的资料，故在未来预估中使用了20个模式结果，时间范围为2015—2100年;历史模拟和未来预估均只分析了第一个样本r1i1p1f1的结果。本文主要关注2035年和2050年前后的变化情况，故选择2031—2040年代表2035年，2046—2055年代表2050年开展重点研究。

1.1.3 人口数据

本文使用Jones and ONeill（2016）开发的水平分辨率为0.125°×0.125°的全球人口网格数据来计算未来不同变暖情景下西南地区极端降水人口暴露度变化。我们采用该数据集中的2000年基准期人口数据作为当前时段（1995—2014年）的人口数量，并利用4个未来SSP情景（SSP1、SSP2、SSP3、SSP5;与N-CMIP6模式中SSP1-2.6、SSP2-4.5、SSP3-7.0、SSP5-8.5相对应）人口数据进行未来人口暴露度变化的相关分析。

1.2 研究方法

1.2.1 极端降水指数

本文在对中国西南地区（主要包括：四川省、贵州省、云南省和重庆市;图1）进行极端降水变化相关分析时，使用国际气候变化检测与指数专家组（the Expert Team on Climate Change Detection and Indices，ETCCDI）推荐的8个极端降水指数，详见表2。

1.2.2 模式性能评价指标

1）Taylor综合评分指数（Taylor skill score：S）

本文使用Taylor综合评分指数（Taylor，2001）评估模式在模拟极端降水气候态方面的表现，具体如下：

S=4（1+R）4δmδ+δδm2（1+R0）4。（1）

其中：δmδ为模式和观测标准差之比；R为观测极端降水指数与模式的相关系数；R0为该指数在所有模式中的相关系数最大值。S的数值范围为[0，1]，当S越接近于1代表该模式对极端降水的模拟性能较优。

2）年际变率指数（Interannual Variability Skill，IVS）

N-CMIP6模式模拟极端降水的年际变化能力采用年际变率指数（Chen et al.，2011）进行评估，具体如下：

IVS=δmδ-δδm2。（2）

其中：δmδ含义同式（1）；模式极端降水指标的IVS越接近于0，表示模式对该降水指标的年际变率模拟性能越好。

1.2.3 极端降水事件定义

在进行未来西南地区人口暴露度变化相关分析时，本文使用的极端降水事件定义为某一重现期的RX1day和RX5day极端事件。此处，重现期为超过某一概率水平的极端事件重复出现的时间间隔平均数，即极端事件发生频率（p）的倒数。例如，当极端事件重现期为10 a、20 a时，称对应的极端事件为十年一遇（p=10%）和二十年一遇（p=5%）。

通过GEV方法拟合1950—2014年期间所有模式每个格点的RX1day和RX5day，导出GEV分布的累积概率密度函数（CDF），然后将特定累积概率（P）对应的CDF反算为GEV的分位数函数，从而导出极值XP（Kharin et al.，2013），如式（3）所示：

XP=μ-δln-lnP，k=0；

μ-δkln1--lnP-k，k≠0。（3）

式（3）中使用极大似然法估计了位置参数μ、尺度参数δ和形状参数k。

1.2.4 人口暴露度

这里的人口暴露度指格点内极端事件日数与人口数量的乘积（Jones et al.，2015）。本文对重现期为十年一遇和二十年一遇的极端降水事件（RX1day和RX5day）进行对应的人口暴露度变化估算。

此外，极端降水人口暴露度的变化主要受3方面的影响：气候因子、人口因子、人口与气候协同因子（下称协同因子），如式（4）所示：

ΔE=C1×ΔP+P1×ΔC+ΔP×ΔC。（4）

其中：C1和P1分别为基准期的极端降水日数和人口数量；ΔC和ΔP分别是未来情景相对于基准期的极端降水日数变化和人口数量变化。

通过式（5）—（7）可计算气候因子、人口因子和协同因子对计算降水人口暴露度变化的贡献率：

EC=C1×ΔPΔE×100%；（5）

EP=P1×ΔCΔE×100%；（6）

Eint=ΔP×ΔCΔE×100%。（7）

其中：EC、EP、Eint分別代表气候、人口和协同因子作用对人口暴露度变化的贡献率。

2 结果与分析

2.1 模式对西南地区极端降水变化模拟性能评估

在对西南地区极端降水变化进行预估和人口暴露度相关分析之前，本节使用泰勒图、Taylor综合评分指数（S）和年际变率指数（IVS）等方法，从8个极端降水指标（表2）时空变化等角度对23个模式数据模拟西南地区极端降水的性能进行了综合评估。

2.1.1 空间模拟性能

图1和图2给出了N-CMIP6模式和观测的西南地区各极端降水指数的气候态分布及其差异，可以看出，降水主要集中分布于西南地区南部、中部和东部（云南西双版纳、普洱、临沧;贵州黔西南、黔南、铜仁;四川成都、雅安;重庆彭水、酉阳、秀山等地），而四川阿坝、甘孜等地分布相对较少。极端降水大值中心则遍布整个重庆和四川东部以及云南和贵州的大部分地区。N-CMIP6多模式中位数集合（N-CMIP6-MME）可以很好地再现总降水量（PRCPTOT）、降水强度（SDII）、1 d最大降水量（RX1day）、连续5 d最大降水量（RX1day）、中雨日数（R10 mm）和大雨日数（R20 mm）的空间分布和量级，且与观测的空间相关系数较高（0.74～0.85）。但相比于观测，模式对PRCPTOT和SDII均有一定的低估，平均而言N-CMIP6-MME分别低估了11.8％（-117.2 mm）和13.9％（-1.0 mm／d）。就单个模式而言，GFDL-ESM4模式对PRCPTOT低估最为明显，为16.1％（170.1 mm）;CMCC-CM2-SR5模式对SDII的负偏最大，为23.5％（1.6 mm／d）。

然而，以往研究表明，CMIP5和N-CMIP6模式对西南地区降水的模拟存在普遍高估现象（张武龙等，2015;杨贵业等，2021）;N-CMIP6高分辨率模式对西南地区夏季降水有所低估，但在一定程度上提升了对降水强度的模拟，尤其是在地势崎岖地区（黄子立，2021）。

此外，从图2中可以看出，N-CMIP6模式对极端降水的低估普遍存在;例如，就整个西南地区而言，N-CMIP6模式集合对RX1day和RX5day的低估分别为45.5％（21.1 mm）和27.4％（26.5 mm）;N-CMIP6-MME模拟的R95p和R99p分别低估了观测约90.7 mm（38.0％）和35.9 mm（45.3％）;在空间上，这种负偏差主要分布在西南地区东部和北部区域。在单个模式中，IPSL-CM6A-LR模式和ACCESS-ESM1-5模式对R95p／R99p的低估幅度最大，分别为-105.8 mm／-41.4 mm和-98.8 mm／-40.6 mm（表略）。就区域平均的中雨日数（R10 mm）和大雨日数（mm）而言，N-CMIP6模式的低估仍然普遍存在。其中，CMCC-CM2-SR5和IPSL-CM6A-LR模式模拟的R10 mm（R20 mm）与观测偏差较大，分别为7.9 d（7.8 d）和6.0 d（7.7 d）。

图3为N-CMIP6模式模拟的1995—2014年西南地区各极端降水指数的泰勒图（Taylor，2001），该图简洁直观地展示了模式与观测的相关系数（R）、中心均方根误差（RMSE）和标准差之比（STD）。可以看出，大多数N-CMIP6模式与观测PRCPTOT、SDII、RX1day、RX5day、R95p、R10 mm和R20 mm的空间相关系数为0.60～0.92，RMSE为0.2～1.0;相比较而言，PRCPTOT和R10 mm的STD更接近于1.0，即大多数模式对这两个指数标准差的模拟较好。然而，N-CMIP6模式对R99p的模拟性能无论是从相关系数、RMSE还是STD都有待于进一步的提升。此外，N-CMIP6-MME模拟极端降水性能要优于大多数模式，在气候态上更接近观测。例如，N-CMIP6-MME模拟的R10 mm与观测相关系数为0.82，RMSE为0.26，STD接近于1.0。

2.1.2 时间模拟性能

我们进一步分析了N-CMIP6模式对西南地区各极端降水指数时间演变的模拟能力。图4给出了1995—2014年平均的西南地区N-CMIP6模式和观测的极端降水指数时间序列及其距平变化，可以看出，N-CMIP6多模式集合模拟的极端降水指数较其他单个模式更接近于观测，尤其是对总降水量的模拟。从距平变化（图4）中也可以看出，N-CMIP6-MME可以很好地再现降水及极端降水的变化趋势。但如前所述，大多数N-CMIP6模式对极端降水指数存在一定的低估。同时，N-CMIP6模式模拟极端降水指数年际变化能力较弱，还需改善提升。

2.1.3 综合性能评估

初步了解N-CMIP6模式对西南地区极端降水时空变化的模拟性能后，接下来主要采用Taylor综合评分指数（S;表3）和年际变率指数（IVS;图5）进一步对模式模拟西南地区极端降水的综合性能进行评估。当S越接近1.0时，表示模式对极端降水模拟性能越好。从表3中可以看出，N-CMIP6多模式集合对PRCPTOT、R95p和R10 mm的模拟效果相对较好（它们的S值大于等于0.70），尤其是对PRCPTOT和R10 mm的模拟，二者S值分别为0.85和0.95，即N-CMIP6-MME对这两个指数的模拟水平高于其他指数。就单个模式而言，EC-Earth3-Veg-LR、EC-Earth3、INM-CM5-0、NorESM2-MM和TaiESM1模式模拟的PRCPTOT的Taylor综合评分指数S值均超过0.90。而对于R10 mm而言，除KACE-1-0-G模式S值为0.64外，其他模式S值均大于或等于0.86。相比较而言，N-CMIP6模式对RX1day、RX5day、R99p和R20 mm模拟效果相对较差，N-CMIP6-MME模拟的这四个指数S值均在0.60左右。对这四个指数而言，单个模式中表现最好的为CMCC-ESM2和EC-Earth3-Veg-LR模式，S值均大于0.60。总体上，N-CMIP6模式对总降水模拟效果较好，但在模拟极端降水方面还需要进一步改进。

IVS指数可以用于进一步评估N-CMIP6模式对极端降水年际变化模拟效果，数值越接近0越好。

图5为N-CMIP6模式模拟的极端降水指数对应的年际变率指数分布情况。可以看出N-CMIP6-MME的IVS值较大多数模式更接近于0，即N-CMIP6多模式集合对极端降水指数年际变化特征的模拟能力优于大多数模式，但其模拟的IVS随极端降水指数的不同而有所差异。相比于其他极端降水指数，N-CMIP6模式模拟的PRCPTOT和R10mm的IVS值更接近于0，即模式对这两个指数年际变化特征的模拟整体水平较高。就单个模式而言，23个N-CMIP6模式模拟的PRCPTOT和R10mm的IVS值变化范围分别为：0～1.4和0～0.3;EC-Earth3-Veg-LR、NorESM2-MM、TaiESM1等模式对这两个指数年际变率模拟性能较好。此外，模式模拟的SDII、RX1day、RX5day、R95p、R99p和R20mm指数的IVS值分别为：0.6～3.7、1.2～9.0、0.8～4.0、0.4～2.0、0.5～2.2和1.0～6.1，对应的N-CMIP6-MME的IVS值为1.7、2.5、1.9、1.1、1.4和2.3，明显优于多数模式。单个模式中，NorESM2-MM模式对极端降水指数年际变化特征模拟能力优于其他模式。

2.2 西南极端降水未来变化预估

基于2.1节的N-CMIP6模式（NEX-GDDP-N-CMIP6）对西南地区极端降水模拟性能的评估结果可知，N-CMIP6多模式集合在模拟极端降水的时空变化方面优于大多数单个模式的结果。因此，在后续的未来极端降水演变趋势预估和极端降水人口暴露度计算中使用N-CMIP6-MME的结果进行相应的分析。

本节基于N-CMIP6模式SSP1-2.6、SSP2-4.5、SSP3-7.0和SSP5-8.5情景下的数据，对2031—2040、2046—2055年极端降水相较于1995—2014年的空间变化进行研究。结果表明，整体上未来西南大部分地区降水和极端降水呈增加趋势。到2031—2040年，在SSP1-2.6情景下，PRCPTOT呈现全区一致的增加趋势，平均而言增加幅度为3.5％（图略）;而在SSP2-4.5、SSP3-7.0和SSP5-8.5情景下，除西南地区南部部分区域外，PRCPTOT呈增加趋势，平均而言变化幅度分别为：1.54％、-0.51％和1.22％。到了2046—2055年，除了SSP3-7.0情景，在其他排放情景下西南地區总降水量表现为全区一致增加，且增加幅度较大的区域位于具有陡峭地形的西部地区;但在SSP3-7.0情景下，其南部地区表现为降水减少趋势。

在SSPs四个不同情景下，西南地区平均的PRCPTOT相对当前气候将分别增加7.44％、4.38％、0.49％和4.45％。对降水强度SDII而言，到2031—2040年，在不同排放情景下基本呈现全区一致的增加趋势，分别增长了2.84％、2.56％、1.28％和2.07％;而到2046—2055年，SDII增加幅度更大，平均而言在4种情景下分别增加3.49％、4.12％、2.66％和4.42％。这也意味着，到21世纪中期，西南地区降水强度持续增强，极端强降水发生概率明显增加。RX1day、RX5day、R95p、R99p、R10mm和R20mm在未来全球变暖背景下也基本表现出了全区一致的增加趋势。如图6所示，在SSP1-2.6、SSP2-4.5、SSP3-7.0和SSP5-8.5情景下，RX1day／RX5day在2031—2040年（2046—2055年）在西南大部分地区呈现显著的增加趋势，分别将增加6.77％（10.65％）／5.49％（7.87％）、6.26％（11.77％）／5.25％（9.14％）、4.75％（10.65％）／3.06％（6.98％）、7.48％（14.28％）／5.74％（10.29％）。最大日降水量和连续5 d降水量的持续增加可能会进一步导致西南地区突发性暴雨洪涝事件发生的可能性增加，洪水承载力也将进一步降低，堤防、水库的防洪压力进一步增大，对防灾减灾工作的开展十分不利。值得注意的是，在SSP5-8.5情景下，到21世纪中期，西南地区大部分区域有超过60％的模式都呈现出一致的增加趋势，且增量更高。也就是说最高排放情景下要面临更为严峻防洪考验。

R95p和R99p的预估结果（图略）也表明，未来西南绝大多数地区强降水量和极端强降水量将显著增加，尤其是其西部地区，增加幅度更大。到2031—2040（2046—2055）年，在四种不同SSPs排放情景下西南区域平均的R95p／R99p将分别增加：18.34％（27.17％）／132.79mm（145.81mm）、14.06％（27.18％）／126.49mm（145.82mm）、7.58％（18.38％）／116.93mm（132.85mm）、14.01％（31.53％）／126.42mm（152.24mm）。图7为未来中雨日数（R10mm）和大雨日数（R20mm）相对当前气候的变化。可以看出，除SSP3-7.0情景外，二者在西南大部分地区基本呈现一致的增加趋势;在SSP3-7.0情景下，在其南部部分地区中雨日数将有可能减少。到2050年左右，区域平均的R10mm／R20mm在四种不同排放情景下将分别增加2.79d／0.78d、2.09d／0.85d、0.52d／0.65d和2.26d／1.0d。

简而言之，西南地区未来极端降水发生的风险将明显增加，这也反映在整个21世纪极端降水时间演变趋势中（图略）。相对于1995—2014年，2015—2100年降水及极端降水指数均呈现显著的增加趋势，且高排放情景下极端降水的增加幅度更为明显。因此，随着未来变暖的进一步加剧，西南地区极端降水发生风险加剧，导致局地洪涝、滑坡、泥石流等灾害风险明显增加，对当地政府防灾减灾的能力提出了更高的要求。此外，极端降水增加是否会对当地社会人口产生一定的风险？我们将在2.3节做进一步的分析。

2.3 西南地区极端降水人口暴露度变化

2.3.1 未来人口变化

已有研究表明，到21世纪末，SSP1、SSP2、SSP3、SSP4和SSP5情景下，中国大陆人口将显著减少（Chen and Sun，2021）。图8给出了西南地区2035年和2050年人口数量相对于2000年基准期的空间变化，可以看出，在SSP1、SSP2、SSP3和SSP5情景下，到2035年和2050年，相比于当前气候西南地区西北部、南部地区人口将大幅减少，一些地区的人口减少幅度甚至超过30％;而其东北部和中部的部分地区人口略有增加，但增加幅度相对较小。从空间变化上来看，SSP1情景和SSP5情景人口变化空间分布较为一致，SSP3情景下人口数量减少幅度较其他情景小。总的来说，到2050年，各个情景对应的人口减少幅度较2035年要大。

从人口数量的时间变化上来看，基准期西南地区总人口数量约1.93亿，到2035／2050年，在4个SSPs情景下分别减少了-1.30×107／-3.42×107、-0.41×107／-2.23×107、+0.43×107／-8.83×106和-1.30×107／-3.41×107人（图略）。值得注意的是，SSP3情景下西南地区未来人口于21世纪初增加至2030年左右，才开始缓慢下行。SSP1和SSP5情景下，人口变化趋势较为接近，在四个情景中变化幅度最大。

2.3.2 不同重現期极端降水阈值的空间分布

不同重现期的极端降水事件往往发生次数更少、强度更强，会对人类社会和生态环境等产生更为严重的影响。从历史时期（1950—2014年）十年、二十年一遇的RX1day和RX5day极端降水事件阈值的空间分布（图略）可以看到，十年一遇和二十年一遇的极端降水事件阈值大值区主要分布在西南的东部和云南西部地区;对于二十年一遇的RX1day极端降水事件，部分高值区的阈值超过了50 mm，对于RX5day，部分高值区阈值超过了120 mm;相比较而言，其西北和中部部分地区阈值相对较小。而且可以看到，不同重现期极端降水事件的阈值在空间分布上与RX1day和RX5day的气候态分布十分相似。

2.3.3 未来人口暴露度变化

图9给出了未来不同变暖情景下，西南地区十年一遇的RX1day极端降水人口暴露度分布及其相对于当前气候（1995—2014年）的变化分布。可以看出，整体上2035年和2050年西南地区极端降水人口暴露度分布较为一致，大值中心主要位于其东部，即四川盆地等人口相对集中的区域;十年一遇RX5day极端降水人口暴露度也有着相似的空间分布特征（图略）。

相对于当前气候，十年一遇的RX1day和RX5day极端降水人口暴露度在西南地区的绝大多数区域呈现增加的趋势，尤其在其东部部分地区增加幅度超过80％，这里也是极端降水发生概率增加最为明显的地区。也就是说，随着未来极端降水发生风险的进一步增加，西南地区社会人口暴露于十年一遇极端降水事件的风险也将随之增加。具体而言，西南地区十年一遇RX1day极端降水人口暴露度在SSP1-2.6、SSP2-4.5、SSP3-7.0和SSP5-8.5情景

下，到2035年（2050年）左右相较于基准期的2.44×105（人·d）分别增加了：56.1％（81.2％）、62.1％（114.3％）、60.5％（110.2％）和77.3％（131.5％），其中相应的RX1day极端降水事件发生概率增加了68.6％（121.8％）、63.7％（140.7％）、61.0％（139.4％）和87.2％（187.1％），而相应时期西南地区人口数量是在减少的（详见2.3.1节）。类似地，十年一遇RX5day极端降水事件的人口暴露度在SSPs四个情景下到2035年（2050年）相较于基准时期的2.30×105（人·d）分别增加了：46.2％（89.1％）、44.4％（81.9％）、48.8％（98.9％）和62.2％（108.7％），其中相应的RX5day极端降水事件发生概率增加了61.3％（112.5％）、48.7％（123.0％）、28.9％（105.8％）和70.4％（153.77％）。因此，未来西南地区极端降水发生概率的增加是导致该区域极端降水人口暴露风险显著上升的主导因素。

二十年一遇的极端降水人口暴露度空间分布与十年一遇事件类似，人口暴露度大值中心也主要分布在四川盆地等地区（图10）。相对当前气候，二十年一遇RX1day（图略）和RX5day极端降水人口暴露度在西南地区的东部增加幅度较大，部分地区甚至超过100％，而且不同模式之间其变化具有较好的一致性。就整个西南地区而言，到2035年，相较于基准期的1.20×105（人·d），在SSP1-2.6、SSP2-4.5、SSP3-7.0和SSP5-8.5情景下二十年一遇RX1day极端降水人口暴露度将分别增加99.9％、109.3％、113.83％和135.7％（图11）;到2050年左右，RX1day人口暴露度在四种排放情景下的增加幅度将分别为129.1％、177.7％、182.4％和237.5％。对于二十年一遇的RX5day极端降水事件，到2035年其人口暴露度在四种不同排放情景下将分别增加59.8％、64.3％、57.0％和92.4％;到2050年左右，其人口暴露度增加幅度相比2035年几乎翻倍，将分别增加118.8％、135.1％、143.2％和161.5％。同时期RX1day和RX5day极端降水事件发生概率也在显著增加，例如，到2035年（2050年）二十年一遇RX1day极端降水事件发生概率在未来四种不同排放情景下将分别增加107.0％（175.2％）、95.2％（216.0％）、95.4％（210.9％）和135.7％（274.3％），而RX5day将分别增加76.5％（148.9％）、68.6％（162.4％）、47.9％（156.8％）和97.6％（207.1％）。

通过上述分析可知，未来RX1day／RX5day极端事件发生概率增加引起的人口脆弱性风险在21世纪前期和中期也将持续增加。相较于十年一遇的极端降水事件，重现期为二十年的极端降水事件增长速度更快，增加范围更广，模式一致性也更高，且对应的人口暴露度增加幅度更大。也就是说未来更为极端的降水事件发生频率将显著增加，其带来的人口脆弱性也将进一步上升，应采取行之有效的气候变化减缓措施，来应对这一风险。

那么气候、人口因素的变化对未来西南地区极端降水人口暴露度的变化起到了什么样的作用？已有研究表明，未来极端事件人口暴露度变化主要与气候因子（如不同重现期RX1day／RX5day极端事件发生概率变化）、人口因子（人口数量）和人口-气候协同因子变化有关（Jones and ONeill，2016;Chen and Sun，2020）。图12给出了在未来不同变暖情景下，到2035／2050年不同因子对十年一遇、二十年一遇的RX1day和RX5day人口暴露度变化的贡献。可以看出，整体上西南地区极端降水人口暴露度变化由气候因子主导，极端降水事件发生概率的增加导致其人口暴露度显著增加，而未来西南地区人口数量减少，使得其对极端降水人口暴露度变化表现为负贡献，人口-气候协同作用也是如此。具体而言，到2035年左右，在SSP1-2.6、SSP2-4.5、SSP3-7.0和SSP5-8.5情景下，十年一遇（二十年一遇）的RX1day极端降水人口暴露度变化中，气候变化的貢献约分别占到133.5％（127.0％）、108.5％（107.1％）、92.6％（93.7％）和129.5％（124.7％），受其影响人口暴露度持续增加;未来人口减少导致暴露度有所减少，主要表现为负贡献，分别为-23.77％（-17.8％）、-6.1％（-4.8％）、5.4％（4.2％）和-20.12％（15.7％）;而人口-气候协同作用的贡献在三者中最小，在其作用下同样导致了极端降水人口暴露度的减少。到2050年左右，重现期为十年和二十年的RX1day极端降水人口暴露度仍呈现增加趋势，且各个因子的贡献与2035年一致，具体为：气候因子>人口因子>人口-气候协同因子。类似地，在十年一遇和二十年一遇的RX5day极端降水人口暴露度变化贡献中也可以看出，其人口暴露度主要受到气候因子的影响而增加，而人口数量变化和人口-气候协同作用主要为负贡献，使得未来社会人口暴露的风险减小。在四种不同排放情景下，到2050年，十年一遇（二十年一遇）的RX5day极端降水人口暴露度变化中气候变化对其的贡献分别占到266.2％（236.6％）、158.4％（152.2％）、116.5％（114.5％）、233.4％（215.2％），人口因子占比为-108.6％（-85.5％）、-37.7％（-32.2％）、-10.9％（-9.0％）、-83.1％（-68.8％），其次为人口-气候协同作用的影响。

值得注意的是，在SSP3-7.0情景下，2035年不同重现期下的极端降水人口暴露度变化中，人口因子和人口-气候协同因子贡献度为正，即在二者影响下人口暴露度也有所增加。这主要与SSP3情景下，到2035年，西南地区人口数量较当前气候将增加0.43×107有关。

3 讨论

本文基于CN05.1观测数据，使用泰勒图、年际变率指数等方法系统评估了经过降尺度偏差校正处理的高分辨率逐日降水数据集NEX-GDDP-CMIP6对西南地区极端降水的时空变化模拟能力。在此基础上，基于该模式数据集未来预估试验结果，深入分析了不同变暖情景下西南地区极端降水的未来演变趋势及其对人口暴露度变化的影响。主要结论如下：

1）NEX-GDDP-CMIP6多模式集合可以合理再现1995—2014年西南地区总降水量（PRCPTOT）、降水强度（SDII）、1 d最大降水（RX1day）、连续5 d最大降水（RX1day）、R95p（强降水量）、R99p（极端强降水量）、中雨日数（R10mm）和大雨日数（R20mm）的空间分布格局，且与观测相关系数较高。但相比于观测，模式对极端降水指数的低估普遍存在。此外，N-CMIP6-MME对极端降水气候态和年际变率的模拟水平要优于大多数单个模式，尤其是对PRCPTOT和R10mm的模拟。总体上，N-CMIP6模式对总降水量的模拟技能较高，但对极端降水的模拟还存在一定的偏差。

2）西南地区绝大多数区域未来极端降水发生概率将持续增加、强度增强。在SSP1-2.6、SSP2-4.5、SSP3-7.0和SSP5-8.5情景下，到2031—2040年，相较于1995—2014年RX1day（RX5day）将分别增加：6.77％（5.49％）、6.26％（5.25％）、4.75％（3.06％）和7.48％（5.74％）;到2046—2050年，RX1day（RX5day）将分别增加10.65％（7.87％）、11.77％（9.14％）、10.65％（6.98％）和14.28％（10.29％）。未来极端降水增加将进一步导致西南地区暴雨洪涝、滑坡、泥石流等灾害发生风险增大，将对社会和生态环境造成更大的影响。同时，高排放情景下将要面临更为严峻的自然灾害防御考验。

3）历史时期十年一遇、二十年一遇极端降水事件在未来呈显著增加趋势，使得西南地区社会人口极易暴露于这些极端事件中，进而导致人口脆弱性明显增加。未来极端降水人口暴露度大值中心主要位于其东部地区，尤其是四川盆地地区。尽管现有的预估数据表明，西南地区未来人口数量将减少，但由于极端降水事件发生风险显著增加，使得该区域极端降水人口暴露度也呈明显增加趋势，且越极端的事件其人口暴露度增幅越大。在未来四种不同排放情景下，到2050年左右，二十年一遇的RX1day（RX5day）极端降水事件发生日数将分别增加175.2％（148.9％）、216.0％（162.4％）、210.9％（156.8％）和274.3％（207.1％），对应的人口暴露度将分别增加129.1％（118.8％）、177.7％（135.1％）、182.4％（143.2％）和237.5％（161.5％）。人口暴露度的增加主要受到气候变化的影响，其次是人口因子和人口-气候协同因子的作用。

参考文献（References）

Chen H P，Sun J Q，2015.Assessing model performance of climate extremes in China：an intercomparison between CMIP5 and CMIP3［J］.Clim Change，129（1／2）：197-211.doi：10.1007／s10584-014-1319-5.

Chen H P，Sun J Q，2020.Increased population exposure to precipitation extremes in China under global warming scenarios［J］.Atmos Ocean Sci Lett，13（1）：63-70.doi：10.1080／16742834.2020.1697168.

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

Chen H P，Sun J Q，Lin W Q，et al.，2020.Comparison of CMIP6 and CMIP5 models in simulating climate extremes［J］.Sci Bull，65（17）：1415-1418.doi：10.1016／j.scib.2020.05.015.

Chen W L，Jiang Z H，Li L，2011.Probabilistic projections of climate change over China under the SRES A1B scenario using 28 AOGCMs［J］.J Climate，24（17）：4741-4756.doi：10.1175／2011jcli4102.1.

陈子凡，王磊，李谢辉，等，2022.西南地区极端降水时空变化特征及其与强ENSO事件的关系［J］.高原气象，41（3）：604-616. Chen Z F，Wang L，Li X H，et al.，2022.Spatiotemporal change characteristics of extreme precipitation in southwestern China and its relationship with intense ENSO events［J］.Plateau Meteor，41（3）：604-616.（in Chinese）.

黄子立，吴小飞，毛江玉，2021.CMIP6模式水平分辨率对模拟我国西南地区夏季极端降水的影响评估［J］.高原气象，40（6）：1470-1483. Huang Z L，Wu X F，Mao J Y，2021.An evaluation for impacts of the horizontal resolution of CMIP6 models on simulating extreme summer rainfall over southwest China［J］.Plateau Meteor，40（6）：1470-1483.（in Chinese）.

IPCC，2021.Climate change 2021：the physical science basis［R］.Cambridge：Cambridge University Press.

蔣文好，陈活泼，2021.CMIP6模式对亚洲中高纬区极端温度变化的模拟及预估［J］.大气科学学报，44（4）：592-603. Jiang W H，Chen H P，2021.Assessment and projection of changes in temperature extremes over the mid-high latitudes of Asia based on CMIP6 models［J］.Trans Atmos Sci，44（4）：592-603.（in Chinese）.

Jones B，ONeill B C，2016.Spatially explicit global population scenarios consistent with the Shared Socioeconomic Pathways［J］.Environ Res Lett，11（8）：084003.doi：10.1088／1748-9326／11／8／084003.

Jones B，ONeill B C，McDanielL，et al.，2015.Future population exposure to US heat extremes［J］.Nature Clim Change，5（7）：652-655.doi：10.1038／nclimate2631.

Kharin V V，Zwiers F W，ZhangX，et al.，2013.Changes in temperature and precipitation extremes in the CMIP5 ensemble［J］.Clim Change，119（2）：345-357.doi：10.1007／s10584-013-0705-8.

李菲，郜永祺，万欣，等，2021.全球变暖与地球“三极”气候变化［J］.大气科学学报，44（1）1-11. Li F，Gao Y Q，WanX，et al.，2021.Earths “three-poles” climate change under global warming［J］.Trans Atmos Sci，44（1）1-11.doi：10.13878／j.cnki.dqkxxb.20201031003.（in Chinese）.

Lin W Q，Chen H P，2020.Assessment of model performance of precipitation extremes over the mid-high latitude areas of Northern Hemisphere：from CMIP5 to CMIP6［J］.Atmos Ocean Sci Lett，13（6）：598-603.doi：10.1080／16742834.2020.1820303.

馬啸，2018.2017年全国洪涝灾情综述［J］.中国防汛抗旱，28（8）：60-66. Ma X，2018.Summary of national flood disasters in 2017［J］.China Flood Drought Manag，28（8）：60-66.（in Chinese）.

Ou T H，Chen D L，Linderholm H W，et al.，2013.Evaluation of global climate models in simulating extreme precipitation in China［J］.Tellus A DynMeteorol Oceanogr，65（1）：19799.doi：10.3402／tellusa.v65i0.19799.

Taylor K E，2001.Summarizing multiple aspects of model performance in a single diagram［J］.J Geophys Res Atmos，106（D7）：7183-7192.doi：10.1029／2000JD900719.

汪靖，张少波，袁利平，2021.西南地区极端降水变化特征分析［J］.气象科技进展，11（6）31-37. Wang J，Zhang S B，Yuan L P，2021.Analysis on the characteristics of extreme precipitation in southwestern China［J］.Adv Meteorol Sci Technol，11（6）31-37.doi：10.3969／j.issn.2095-1973.2021.06.005.（in Chinese）.

吴佳，高学杰，2013.一套格点化的中国区域逐日观测资料及与其他资料的对比［J］.地球物理学报，56（4）：1102-1111. Wu J，Gao X，2013.A gridded daily observation dataset over China region and comparison with the other datasets［J］.Chin J Geophys，56（4）：1102-1111.（in Chinese）.

Xu H W，Chen H P，Wang H J，2021.Interannual variation in summer extreme precipitation over Southwestern China and the possible associated mechanisms［J］.Int J Climatol，41（6）：3425-3438.doi：10.1002／joc.7027.

Xu H W，Chen H P，Wang H J，2022.Increased populations will be exposed to the dangerous precipitation extremes across China in the future［J］.Front Earth Sci，10：963042.doi：10.3389／feart.2022.963042.

杨贵业，裴宇菲，宋敏红，2021.CMIP6模式对我国西南地区降水分布的评估和预估［J］.自然科学（6）：910-920. Yang G Y，Pei Y F，Song M，2021.Evaluation and projection of precipitation in southwestern China using CMIP6 models［J］.Open J Nat Sci（6）：910-920.（in Chinese）.

Yuan W H，Hu X L，Tian Q，2019.Regional differences in rainfall frequency and amount over southwestern China［J］.Atmos Ocean Sci Lett，12（5）：313-319.doi：10.1080／16742834.2019.1626194.

张弛，吴绍洪，2021.西南地区夏季极端降水的水汽来源分析［J］.自然资源学报，36（5）：1186-1194. Zhang C，Wu S H，2021.An analysis on moisture source of extreme precipitation in Southwest China in summer［J］.J Nat Resour，36（5）：1186-1194.doi：10.31497／zrzyxb.20210508.（in Chinese）.

张武龙，张井勇，范广洲，2015.CMIP5模式对我国西南地区干湿季降水的模拟和预估［J］.大气科学，39（3）：559-570. Zhang W L，Zhang J Y，Fan G Z，2015.Evaluation and projection of dry-and wet-season precipitation in southwestern China using CMIP5 models［J］.Chin J Atmos Sci，39（3）：559-570.doi：10.3878／j.issn.1006-9895.1408.14136.（in Chinese）.

Zhang X B，Zwiers F W，Li G L，et al.，2017.Complexity in estimating past and future extreme short-duration rainfall［J］.Nature Geosci，10（4）：255-259.doi：10.1038／ngeo2911.

周天军，邹立维，陈晓龙，2019.第六次国际耦合模式比较计划（CMIP6）评述［J］.气候变化研究进展，15：445-456. Zhou T J，Zou L W，Chen X L，2019.Commentary on the coupled model intercomparison project phase 6 （CMIP6）［J］.Clim Change Res，15（5）：445-456.doi：10.12006／j.issn.1673-1719.2019.193.（in Chinese）.

朱连华，祝颖锜，姚壹壹，等，2023.全球增暖1.5／2 ℃下中国区域极端降水的风险变化及其影响因子［J］.大气科学学报，46（1）：97-109. Zhu L H，Zhu Y Q，Yao Y Y，et al.，2023.Risk and impact analysis of extreme precipitation over China under 1.5 and 2 ℃ global warming levels［J］.Trans Atmos Sci，46（1）：97-109.（in Chinese）.

·ARTICLE·

Significant increase of precipitation extremes will enlarge its population exposure over Southwest China in the future

LIN Wenqing1，CHEN Huopo2，XU Huiwen2，AI Yawen2，HE Wenyue2，ZHANG Dawei1，WANG Fan1，BI Wuxia1，WANG Weiqi1

1Research Center on Flood and Drought Disaster Reduction of Ministry of Water Resources，China Institute of Water Resources and Hydropower Research，Beijing 100038，China;

2Nansen-Zhu International Research Centre，Institute of Atmospheric Physics，Chinese Academy of Sciences，Beijing 100029，China

Abstract Based on the observation and a set of downscaling bias corrected model （NEX-GDDP-CMIP6） data，this study has investigated the model performance in simulating precipitation extremes over Southwest China using Taylor diagram and GEV fitting methods.Furthermore，the future changes of precipitation extremes that with different return intervals and their associated population exposure are also explored.Results show that NEX-GDDP-CMIP6 models and the multi-model ensemble （N-CMIP6-MME） can reasonably capture the spatial-temporal characteristics of changes in precipitation extremes over Southwest China，and N-CMIP6-MME out performs most of individual models.In the future，the precipitation extremes are expected to significant increases over most regions of Southwest China，including the extreme events that occurring once in 10 or 20 years，which will further increase the risk of population exposure to these extremes.Additionally，for the more extreme events （once in 20-year），the increasing magnitude of its occurring probability would be much greater and it would also exert a larger increase of its associated population exposure，when compared to the events of once in 10-year.Around the year of 2050，the occurring probabilities of the RX1day （RX5day） extremes that occurring once in 20-year are expected to increase by 175.2％（148.9％），216.0％（162.4％），210.9％（156.8％），and 274.3％（207.1％） under SSP1-2.6，SSP2-4.5，SSP3-7.0and SSP5-8.5 scenario，respectively.Correspondingly，thepopulation exposuresare projected to respective increase by 129.1％（118.8％），177.7％ （135.1％），182.4％（143.2％），and 237.5％（161.5％）.Further analyses indicate that the increase of population exposure to the precipitation extreme over Southwest China is mainly due to the significant increase of precipitation extremes，and the changes in populations and their interaction generally present a negative contribution.

Keywords Southwest China;precipitation extreme;projection;population exposure;NEX-GDDP-CMIP6

doi：10.13878／j.cnki.dqkxxb.20221118007

（責任编辑：张福颖）