未来气候模式下黄河流域极端降水指数时空分布特征

摘 要：以气候变化敏感区黄河流域为研究区，再现和预估流域内极端降水事件的时空分布特征。采用Ｄｅｌｔａ 降尺度以及多指标评价方法建立ＣＭＩＰ６ 气候模式数据集，选取１２ 个极端降水指数研究极端降水指数的时空分布特征。结果表明，黄河流域历史（１９８０—２０１４ 年）及ＳＳＰ１２６、ＳＳＰ２４５、ＳＳＰ５８５ 情景下未来（２０２２—２１００ 年）除连续干日数（ＣＤＤ）外的１１ 个极端降水指数多年均值的空间格局相似，整体上呈现出由东南向西北递减的趋势，南北向变化率比东西向的大。年际上，１１ 个极端降水指数均呈现不显著的波动性上升趋势。整体上各极端降水指数呈现波动性上升趋势，但上升趋势并不显著。

关键词：未来气候模式；极端降水指数；气候情景；黄河流域

中图分类号：Ｐ３３８；ＴＶ８８２．１ 文献标志码：Ａ ｄｏｉ：１０．３９６９／ ｊ．ｉｓｓｎ．１０００－１３７９，２０２４．１１．００６

引用格式：李小雨，张国栋，尹昌燕，等．未来气候模式下黄河流域极端降水指数时空分布特征［Ｊ］．人民黄河，２０２４，４６（１１）：３７－４２．

０ 引言

联合国气候变化专门委员会（ＩＰＣＣ）第六次评估报告（ＡＲ６）指出，全球变暖趋势持续加剧，区域气候变化将更明显［１－６］ 。其中，极端降水与气候变暖间的关系是复杂的，温度升高，大气在饱和前储存更多的水分，直接导致短时间内的降水量增多。研究表明，气候变化对极端降水的影响主要表现在改变其频率、强度、持续时间、空间分布等特性上，从而导致洪水、水土流失、泥石流等次生灾害明显增加［７］ 。因此，科学认识气候驱动的极端降水变化机理，对于流域生态保护以及水、粮食和能源安全十分重要。

目前对于极端降水事件的评估，最常用的是气候变化监测专家组推荐的极端降水指数。国内外常用的极端降水指数主要包括：Ｆｒｉｃｈ 等［８］ 提出的极端降水指数，包括持续干日数（ＣＤＤ）、强降水量（Ｒ９０Ｐ）、极强降水量（Ｒ９５Ｐ）、５ ｄ 最大降水量（ＲＸ５Ｄａｙ）；ＩＰＣＣ 第四次报告确定的２７ 个核心极端气候指数［９］ ，其中与降水相关的指数有１２ 个（见表１）。

根据指数所描述降雨特性，所有指数可以分为３类：１）持续日数，反映某一状态持续时间，包括ＣＤＤ、ＣＷＤ；２）降水量，反映某一时段内所累计的降水量的大小， 包括ＰＲＣＰＴＯＴ、Ｒ９０Ｐ、Ｒ９５Ｐ、ＲＸ１Ｄａｙ 和ＲＸ５Ｄａｙ；３）降水强度，反映单位时间内的降水量，包括ＳＤＩＩ、ＳＤＩＩ（９０）、ＳＤＩＩ（９５）。

从２０ 世纪９０ 年代中期开始，气候建模工作主要与ＩＰＣＣ 的耦合模型相互比较项目（ＣＭＩＰ）一起进行。相较于ＣＭＩＰ５，第六阶段耦合比较计划（ＣＭＩＰ６）设计了更多的数值试验，提供了更庞大的模拟数据集，且为了解决分辨率较低的问题，ＣＭＩＰ６ 推出了高分辨率区域气候模式（ ＷＲＦ）， 但目前所参与的模式并不多［１０－１１］ 。不同于ＣＭＩＰ５，ＣＭＩＰ６ 基于不同共享社会经济路径可能发生的能源结构所产生的人为排放及土地利用变化，设计了一系列新的情景预估试验，为未来气候变化机理研究以及气候变化减缓和适应研究提供关键的数据支持。舒章康等［１２］ 基于ＣＭＩＰ６ 的１１ 种全球气候模式，分析并预测了我国未来极端降水和高温事件的演变特征，结果显示，相较于历史时期，未来我国各地区极端降水和高温事件均呈现上升趋势。Ｆａｙｅ等［１３］ 利用１９ 个ＣＭＩＰ６ 模式模拟西非地区９ 个极端降水指数，结果表明ＣＭＩＰ６ 模式能够完整地再现研究区极端降水指数时空分布。气候模式对于极端降水的模拟性能存在明显的地区差异，且极端降水相较于极端高温事件，其变化趋势表现出更强的区域差异［１４］ 。因此，针对不同区域开展深入研究，对于模型的改进具有重要意义。

本研究以黄河流域为研究区，基于优选评估后和多模式集合后的ＣＭＩＰ６ 数据集，提取１２ 个极端降水指数，再现历史及预估未来各情景下黄河流域极端降水事件的时间演变和空间分布特征。

１ 研究区概况与研究方法

１．１ 研究区概况

黄河流域处于干旱半干旱区，属于气候敏感区，气温升高导致流域内汛期常见大范围暴雨、持续性降水和对流性大风等天气。黄河流域多年平均降水量约为４７６ ｍｍ，主要以暴雨形式降落。流域内降水具有明显的季节性，全年约７０％降水主要集中于夏季且呈现出强烈的区域性，而冬季降水少且变化率小。空间上，年降水整体上呈从东南向西北递减趋势，降水高值区主要分布于流域东南部湿润半湿润地区，年降水量超８００ ｍｍ，低值区主要分布于流域北部干旱地区，年降水量小于２００ ｍｍ。年际差异大，丰水年与枯水年的降水量之比为１．７～７．５。

１．２ 数据的收集与处理

１）水文数据。本文所采用的水文数据主要包括：黄河流域１９８０—２０１４ 年９４ 个地面气象站逐日降水量数据，来源于国家气候中心（ｈｔｔｐ：／／ ｗｗｗ．ｎｍｉｃ．ｃｎ／ ）；黄河流域１９８０—２０１８ 年水平分辨率为３１ ｋｍ 的ＥＲＡ５降水再分析数据，其作为欧洲中期天气预报中心全球气候最新产品，对全球日降水数据具有一定的再现能力。

２） 气候模式数据。基于前人研究， 本文选取ＣＭＩＰ６ 气候模式中对于黄河流域极端降水指数模拟较优且资料完备的６ 个模式探究历史及未来时期降水量［１５－１６］ ，包括ＥＣ －Ｅａｒｔｈ３、ＥＣ －Ｅａｒｔｈ３ － Ｖｅｇ、ＧＦＤＬ －ＥＳＭ４、ＭＰＩ－ＥＳＭ１ －２ －ＨＲ、ＭＲＩ－ＥＳＭ２ －０ 和ＩＰＳＬＣＭ６Ａ－ＬＲ 的日降水数据集（见表２），数据来源于ｈｔ⁃ｔｐｓ：／／ ｅｓｇｆ－ｉｎｄｅｘ１．ｃｅｄａ．ａｃ．ｕｋ／ ｐｒｏｊｅｃｔｓ－ｃｍｉｐ６－ｃｅｄａ／ 。

下载的ＣＭＩＰ６ 数据集提供了１９８０—２０１４ 年历史模拟及２０１５—２１００ 年未来预估的日降水数据，为与其保持时间信息一致性，本文以１９８０—２０１４ 年为历史基准期，以２０２２—２１００ 年为未来预估时期，选取３ 种不同共享社会经济路径（ Ｓｈａｒｅｄ Ｓｏｃｉｏ － ｅｃｏｎｏｍｉｃＰａｔｈｗａｙｓ， ＳＳＰｓ），即低、中、高排放情景下的ＳＳＰ１－２．６（ＳＳＰ１２６）、ＳＳＰ２－４．５（ＳＳＰ２４５）和ＳＳＰ５－８．５（ＳＳＰ５８５）进行对比分析。

３）极端降水指数。根据ＩＰＣＣ 第四次报告所确定的２７ 个核心极端气候指数，本文选择与降水相关的１２ 个作为评估指标（见表１），从降水的强度、频次、持续性和贡献率等方面全面评估黄河流域降水特性。其中，ＳＤＩＩ（９０），ＳＤＩＩ（９５）可由ＳＤＩＩ 定义拓展计算。

１．３ 研究方法

１）Ｄｅｌｔａ 降尺度法。为保持数据分辨率的一致性，本文采用双线性插值法将所有历史及未来数据统一插值到０．２５°×０．２５°网格。双线性插值是对线性插值在二维向量上的拓展，即在两个方向上分别进行一次线性插值［１７］ 。

为弥补低分辨率数据的不足，本文以ＥＲＡ５ 为参考数据，采用Ｄｅｌｔａ 降尺度法对历史模式及未来数据进行偏差修正。该方法主要通过比较历史模式数据与实测数据间的差异求得变化因子，并假设未来情景中该变化因子保持不变，由此达到修正未来数据的目的［１８］ 。

２）气候模式评估。本文以历史时期为验证期，根据泰勒图（Ｓ）［１９］ 、时间变率技巧评分（ＩＶＳ）［２０］ 和综合评级指数（ＭＲ）［２１］ 对历史时期观测的与降尺度模拟的极端降水指数进行误差检验，优选出适合黄河流域极端降水指数分析的气候模式。

２ 结果与分析

２．１ 气候模式评估及优选

历史时期（１９８０—２０１４ 年）６ 个气候模式对于１２个极端降水指数的空间格局的模拟能力普遍不高，空间相关系数整体分布于０．３～０．７，标准差整体分布于０．５～１．５，中心均方根误差整体分布于０．５～１．０，对不同指数上显现出不同的模拟效果，其中，所有模式对ＳＤＩＩ、ＳＤＩＩ（９０）、ＳＤＩＩ（９５）和ＲＸ５Ｄａｙ 的模拟能力都较强，对ＰＲＣＰＴＯＴ、Ｒ９０Ｐ、Ｒ９５Ｐ、ＣＤＤ 和ＣＷＤ 的模拟能力较弱。对于ＣＷＤ，６ 个模式的Ｓ 值均小于０．３，其中ＩＰＳＬ－ＣＭ６Ａ－ＬＲ 模拟效果最差（Ｓ 值＝ ０．０７），ＭＰＩＥＳＭ１－２－ＨＲ 模拟效果最优（Ｓ 值＝ ０．２９）。各模式整体上对Ｒ２０ＭＭ 的模拟效果最优，有６ 个模式的Ｓ 值均大于０．４。

ＩＶＳ 得分显示，６ 个ＣＭＩＰ６ 气候模式对于黄河流域１２ 个极端降水指数的年际变化率的模拟能力整体一般。从指数上看，各模式对ＰＲＣＰＴＯＴ、Ｒ９０Ｐ、Ｒ９５Ｐ和Ｒ２０ＭＭ 的年际变化率模拟效果都较好，其中对Ｒ９５Ｐ 的模拟最优，６ 个模式的ＩＶＳ 得分均小于０．４，各模式中ＥＣ－Ｅａｒｔｈ３－Ｖｅｇ模拟效果最优，ＭＲＩ－ＥＳＭ２－０模拟效果最差。各模式对ＣＷＤ 的年际变化率的模拟效果最差，６ 个模式的ＩＶＳ 得分均大于０．４。

对于空间格局的再现能力，ＥＣ－Ｅａｒｔｈ３－Ｖｅｇ、ＧＦＤＬＥＳＭ４和ＩＰＳＬ－ＣＭ６Ａ－ＬＲ 对于１２ 个指数的整体模拟性能较好；对于年际变化率的再现能力，ＭＰＩ－ＥＳＭ１－２－ＨＲ和ＭＲＩ－ＥＳＭ２－０ 对于１２ 个指数的整体模拟性能较好。本研究中，对于空间格局表现最佳的模型与年际变化率表现最佳的模型不一致，说明本研究所用的ＣＭＩＰ６ 模式对于极端降水指数的空间格局和年际变化率的模拟性能不一致，见图１（图中，ＭＭＥ２ 为前两名模式平均集合，ＭＭＥ３ 为前三名模式平均集合，ＭＭＥ４ 为前四名模式平均集合，ＭＭＥ５ 为前五名模式平均集合，ＭＭＥ６ 为所有模式平均集合）。

为了降低气候模式的不确定性，基于单个模式的诊断结果，比较ＭＭＥ２、ＭＭＥ３、ＭＭＥ４、ＭＭＥ５、ＭＭＥ６的模拟效果，这几种模式的平均集合对于１２ 个极端降水指数的模拟性能都有明显的提高，相关系数均能达０．６，且标准差、中心均方根误差较观测值均减小。多模式集合后的数据集对于１２ 个极端降水指数的年际变化率的模拟性能略有提升，使得ＩＶＳ 得分更接近于０。ＭＲ 得分表明多模式集合能显著改善对１２ 个极端降水指数整体的空间格局和年际变化率的再现能力。

由各模式和多模式集合数据集的ＭＲ 平均得分，获得各模式对于流域内极端降水指数的整体模拟性能排名，结果显示，随着集合平均的模式数量的增加，模拟性能先提高后降低，其中多模式集合平均中前四名模式平均集合ＭＭＥ４ 对于１２ 个极端降水指数的模拟最优（见图２）。因此，本文以ＭＭＥ４ 作为模式数据集，用于提取黄河流域历史及未来ＳＳＰ１２６、ＳＳＰ２４５ 和ＳＳＰ５８５ 情景下１２ 个极端降水指数。

２．２ 历史及各情景下未来极端降水指数时空变化趋势

２．２．１ 历史及各情景下未来极端降水指数空间格局

历史及未来时期１２ 个指数的空间分布格局差异都不明显，除ＣＤＤ 外，整体上呈现从东南向西北递减的趋势。对于描述降雨持续性的指数ＣＷＤ、ＣＤＤ（见图３），历史时期流域内多年均值为２１．９３、４３． ４４ ｄ， 未来ＳＳＰ１２６、ＳＳＰ２４５、ＳＳＰ５８５ 情景下相较于历史时期的变化率分别为－１２．１％、－ １１．５％、－ １６．２％，４．８％、－ １．８％、－３．３％，空间上呈现南多北少的格局。

对于描述降水量的指数ＲＸ１Ｄａｙ、ＲＸ５Ｄａｙ、ＰＲＣＰ⁃ＴＯＴ、Ｒ９０Ｐ、Ｒ９５Ｐ， 历史时期流域多年均值分别为１８．９１、４１．５２、５２９．９９、１５７．０８、９４．９４ ｍｍ，相较于历史时期，ＳＳＰ１２６、ＳＳＰ２４５、ＳＳＰ５８５ 情景下变化率分别为１４．３％、１３．６％、１５． ４％，１２． ３％、１２． ０％、１３． ８％，１９． ７％、１５．２％、１８．２％，２３．６％、１９．３％、２３．０％，２３．７％、２０．０％、２３．７％。

对于描述降水强度的指数ＳＤＩＩ、ＳＤＩＩ（９０）、ＳＤＩＩ（９５）（见图４），历史时期流域多年均值为３．８６、１１．６３、１３．９３ ｍｍ／ ｄ，相较于历史时期，ＳＳＰ１２６、ＳＳＰ２４５、ＳＳＰ５８５情景下变化率分别为８．７％、７．５％、８．５％，１０．８％、１０．６％、１１．７％，１１．４％、１１．１％、１２．５％。这些指数在空间分布上具有相似的格局，整体上呈现从东南向西北递减的趋势，高值区出现在三门峡至花园口段，低值区出现于河源至头道拐段，最大值与最小值之间差异明显。

２．２．２ 历史及各情景下未来极端降水指数年际变化

ＣＤＤ 变化率最大，其历史及ＳＳＰ１２６、ＳＳＰ２４５ 和ＳＳＰ５８５ 情景下未来多年均值分别为２１．９、２３．０、２１．５、２１．２ ｄ，标准差分别为３．０、３．２、２．８、２．４ ｄ，ＣＤＤ 上下波动幅度较大，历史时期最大值５１．０５ ｄ 出现于２００５ 年，最小值３６．０２ ｄ 出现于１９８３ 年。对于描述降水量的指数，ＰＲＣＰＴＯＴ 的增长较为明显，其历史及各情景下未来多年均值分别为５３０．０、６３４．２、６１０．７、６２６．３ ｍｍ，标准差分别为３３．７、４４．２、５０．６、４９．３ ｍｍ，ＰＲＣＰＴＯＴ 历史时期最大值５８６．６６ ｍｍ 出现于２０１３ 年，最小值４５１．０９ ｍｍ出现于１９９２ 年。对于描述降水强度的指数，其变化率的大小规律为ＳＤＩＩ＜ＳＤＩＩ（９０）＜ＳＤＩＩ（９５），即９５％分位值下极强降水强度的年际变化率最大，其历史及各情景下未来多年均值分别为１３．９、１５．５、１５．５、１５．７ ｍｍ／ ｄ，标准差分别为０．６、０．４、０．５、０．６ ｍｍ／ ｄ，ＳＤＩＩ 历史时期最大值１５．６５ ｍｍ／ ｄ 出现于２００７ 年，最小值１２．７１ ｍｍ／ ｄ出现于１９８６ 年。对于描述降水日数的指数，Ｒ１０ＭＭ变化率最大，其历史及ＳＳＰ１２６、ＳＳＰ２４５ 和ＳＳＰ５８５ 情景下未来多年均值分别为７．８６、１１．４０、１０．７３、１１．２９ ｄ，标准差分别为１．１４、１．５７、１．８３、１．７２ ｄ，Ｒ１０ＭＭ 上下波动幅度较大，历史时期最大值１０．２７ ｄ 出现于１９８２ 年，最小值５．５２ ｄ 出现于２００３ 年。历史及各情景下未来黄河流域极端降水指数ＳＤＩＩ 年际变化如图５ 所示。

３ 讨论

模式ＥＣ － Ｅａｒｔｈ３ － Ｖｅｇ、ＧＦＤＬ － ＥＳＭ４ 和ＩＰＳＬ －ＣＭ６Ａ－ＬＲ 对于１２ 个指数的空间分布再现性能相对较好，ＭＰＩ－ＥＳＭ１－２－ＨＲ 和ＭＲＩ－ＥＳＭ２－０ 对于１２ 个指数的年际变化率的整体模拟较好，表明模式对于空间格局和年际变化率的捕捉能力并不一致［２２］ 。原因可能是黄河流域横跨多个地貌单元，本身的降雨时空分布特征较为复杂，导致模式较难捕捉其降雨时空分布特征。同时，模式对于不同指数的模拟能力不同，整体上看， 模式对于ＳＤＩＩ、ＳＤＩＩ （ ９０）、ＳＤＩＩ （ ９５） 和ＲＸ５Ｄａｙ 的模拟能力较强，而对于ＰＲＣＰＴＯＴ、Ｒ９０Ｐ、Ｒ９５Ｐ、ＣＷＤ 的模拟能力较弱，表现出对于平均态势指数的模拟能力较强，而对于描述降水量年内分布的指数的模拟能力较差，存在明显的偏高估［１５］ ，这可能与研究区所处的地理位置有关，ＣＭＩＰ６ 气候模式相较于ＣＭＩＰ５ 气候模式，其对于干旱、半干旱地区的平均极端降水的模拟能力显著改善，对于湿润区的改善并不明显，其物理过程、动力学框架还需要更深入的研究。

冯安兰等［２３］ 研究发现黄河流域极端降水指数空间分布格局呈现西北低、东南高的格局，这与本研究的结果是一致的。相较于原始的数据集，ＭＭＥ２、ＭＭＥ３、ＭＭＥ４、ＭＭＥ５、ＭＭＥ６ 对于１２ 个极端降水指数的年际变化率和空间格局的模拟性能均有所提高。综合得分随着模式平均个数的增加先增大后减小，文中前四名模式集合平均生成的数据集（ＭＭＥ４）最能真实地模拟黄河流域的极端降水指数。原因在于多模式集合使得空间格局和年际变化率间的模拟误差相互抵消，可提高模式的模拟能力，但随着模式样本容量的增大，达到一定数量后会趋于稳定［２４－２７］ 。由此，多模式集合中，通过改变集合模式个数获得最优的数据集，而不是利用所有模式的集合，可进一步降低模式的不确定性。

４ 结论

基于ＣＭＩＰ６ 中的６ 个模式数据，采用双线性插值结合Ｄｅｌｔａ 降尺度对模式数据进行偏差校正，并利用多种指数评估气候模式对于黄河流域１２ 个极端降水指数的模拟性能，根据优选集合后的模式数据分析了流域内历史及各情景下未来极端降水指数的时空特征。ＭＲ 综合得分显示，ＧＦＤＬ－ＥＳＭ４、ＥＣ－Ｅａｒｔｈ３－Ｖｅｇ和ＥＣ－Ｅａｒｔｈ３ 是对黄河流域１２ 个极端降水指数的空间格局和年际变化率模拟效果较优的３ 个模式。多模式集合能显著改善模式对黄河流域１２ 个极端降水指数的空间格局和年际变化率的再现性能。除ＣＤＤ 外的１１ 个指数，整体上呈现出由东南向西北递减的趋势，南北向比东西向变化率更大，降水高值区位于三门峡至花园口段，低值区出现于兰州至河口段，最大值与最小值之间差异明显。年际上，各极端降水指数呈现波动性上升趋势，但上升趋势并不显著。

参考文献：

［１］ 姜克隽．ＩＰＣＣ 第三工作组第六次评估报告：全球减缓走向何方？ ［Ｊ］．气候变化研究进展，２０２０，１６（２）：２５１－２５２．

［２］ 周天军，邹立维，陈晓龙．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， ２０１９，１５（５）：４４５－４５６．

［３］ ＬＩ Ｃ，ＺＷＩＥＲＳ Ｆ，ＺＨＡＮＧ Ｘ Ｂ，ｅｔ ａｌ．Ｌａｒｇｅｒ Ｉｎｃｒｅａｓｅｓ ｉｎ Ｍｏｒｅ Ｅｘｔｒｅｍｅ Ｌｏｃａｌ Ｐｒｅｃｉｐｉｔａｔｉｏｎ Ｅｖｅｎｔｓ ａｓ Ｃｌｉｍａｔｅ Ｗａｒｍｓ［Ｊ］．Ｇｅｏ⁃ｐｈｙｓｉｃａｌ Ｒｅｓｅａｒｃｈ Ｌｅｔｔｅｒｓ，２０１９，４６（１２）：６８８５－６８９１．

［４］ ＣＨＥＮ Ｌ，ＦＯＲＤ Ｔ Ｗ．Ｅｆｆｅｃｔｓ ｏｆ ０．５ °Ｃ Ｌｅｓｓ Ｇｌｏｂａｌ Ｗａｒｍｉｎｇ ｏｎ Ｃｌｉｍａｔｅ Ｅｘｔｒｅｍｅｓ ｉｎ ｔｈｅ Ｃｏｎｔｉｇｕｏｕｓ Ｕｎｉｔｅｄ Ｓｔａｔｅｓ［Ｊ］．Ｃｌｉ⁃ｍａｔｅ Ｄｙｎａｍｉｃｓ，２０２１，５７：３０３－３１９．

［５］ 吕睿喆，赵晓祥，翁白莎，等．乌梁素海流域气候模式适用性评价及旱涝预估［Ｊ］．人民黄河，２０１７，３９（４）：５３－５７．

［６］ 刘昌明，刘璇，杨亚锋，等．水文地理研究发展若干问题商榷［Ｊ］．地理学报，２０２２，７７（１）：３－１５．

［７］ ＧＡＯ Ｔ，ＷＡＮＧ Ｈ Ｌ．Ｔｒｅｎｄｓ ｉｎ Ｐｒｅｃｉｐｉｔａｔｉｏｎ Ｅｘｔｒｅｍｅｓ ｏｖｅｒ ｔｈｅ Ｙｅｌｌｏｗ Ｒｉｖｅｒ Ｂａｓｉｎ ｉｎ Ｎｏｒｔｈ Ｃｈｉｎａ：Ｃｈａｎｇｉｎｇ Ｐｒｏｐｅｒｔｉｅｓ ａｎｄ Ｃａｕｓｅｓ［Ｊ］．Ｈｙｄｒｏｌｏｇｉｃａｌ Ｐｒｏｃｅｓｓｅｓ，２０１７，３１（１３）：２４１２－２４２８．

［８］ ＦＲＩＣＨ Ｐ， ＡＬＥＸＡＮＤＥＲ Ｌ， ＤＥＬＬＡ⁃ＭＡＲＴＡ Ｐ， ｅｔ ａｌ．Ｏｂｓｅｒｖｅｄ Ｃｏｈｅｒｅｎｔ Ｃｈａｎｇｅｓ ｉｎ Ｃｌｉｍａｔｉｃ Ｅｘｔｒｅｍｅｓ Ｄｕｒｉｎｇ ｔｈｅ Ｓｅｃｏｎｄ Ｈａｌｆ ｏｆ ｔｈｅ Ｔｗｅｎｔｉｅｔｈ Ｃｅｎｔｕｒｙ［Ｊ］．Ｃｌｉｍａｔｅ Ｒｅｓｅａｒｃｈ，２００２，１９（３）：１９３－２１２．

［９］ 尹红，孙颖．基于ＥＴＣＣＤＩ 指数２０１７ 年中国极端温度和降水特征分析［Ｊ］．气候变化研究进展，２０１９，１５（４）：３６３－３７３．

［１０］ 王闯，戴长雷，宋成杰．青藏高原气候变化的时空分布特征分析［Ｊ］．人民黄河，２０２２，４４（９）：７６－８２．

［１１］ 沙健，路瑞，孙运海，等．基于模型联用评估气候变化对径流特征的影响［Ｊ］．人民黄河，２０１７，３９（１１）：５７－６２，６５．

［１２］ 舒章康，李文鑫，张建云，等．中国极端降水和高温历史变化及未来趋势［Ｊ］．中国工程科学，２０２２，２４（５）：１１６－１２５．

［１３］ ＦＡＹＥ Ａ，ＡＫＩＮＳＡＮＯＬＡ Ａ Ａ．Ｅｖａｌｕａｔｉｏｎ ｏｆ Ｅｘｔｒｅｍｅ Ｐｒｅ⁃ｃｉｐｉｔａｔｉｏｎ Ｉｎｄｉｃｅｓ ｏｖｅｒ Ｗｅｓｔ Ａｆｒｉｃａ ｉｎ ＣＭＩＰ６ Ｍｏｄｅｌｓ［Ｊ］．Ｃｌｉｍａｔｅ Ｄｙｎａｍｉｃｓ，２０２１，５８：９２５－９３９．

［１４］ 张磊，王春燕，潘小多．基于区域气候模式未来气候变化研究综述［Ｊ］．高原气象，２０１８，３７（５）：１４４０－１４４８．

［１５］ 王予，李惠心，王会军，等．ＣＭＩＰ６ 全球气候模式对中国极端降水模拟能力的评估及其与ＣＭＩＰ５ 的比较［Ｊ］．气象学报，２０２１，７９（３）：３６９－３８６．

［１６］ ＸＵ Ｈ Ｗ，ＣＨＥＮ Ｈ Ｐ，ＷＡＮＧ Ｈ Ｊ．Ｆｕｔｕｒｅ Ｃｈａｎｇｅｓ ｉｎ Ｐｒｅｃｉｐｉ⁃ｔａｔｉｏｎ Ｅｘｔｒｅｍｅｓ Ａｃｒｏｓｓ Ｃｈｉｎａ Ｂａｓｅｄ ｏｎ ＣＭＩＰ６ Ｍｏｄｅｌｓ［Ｊ］．Ｉｎ⁃ｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ Ｃｌｉｍａｔｏｌｏｇｙ，２０２２，４２（１）：６３５－６５１．

［１７］ 徐振亚，任福民，杨修群，等．日最高温度统计降尺度方法的比较研究［Ｊ］．气象科学，２０１２，３２（４）：３９５－４０２．

［１８］ 刘倩，高路，马苗苗，等．辽宁大凌河流域气温和降水降尺度研究［Ｊ］．水利水电技术（中英文），２０２１，５２（９）：１６－３１．

［１９］ 向竣文，张利平，邓瑶，等．基于ＣＭＩＰ６ 的中国主要地区极端气温／ 降水模拟能力评估及未来情景预估［Ｊ］．武汉大学学报（工学版），２０２１，５４（１）：４６－５７，８１．

［２０］ 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．

［２１］ ＪＩＡＮＧ Ｚ Ｈ，ＬＩ Ｗ，ＸＵ Ｊ Ｊ，ｅｔ ａｌ．Ｅｘｔｒｅｍｅ Ｐｒｅｃｉｐｉｔａｔｉｏｎ Ｉｎｄｉ⁃ｃｅｓ ｏｖｅｒ Ｃｈｉｎａ ｉｎ ＣＭＩＰ５ Ｍｏｄｅｌｓ．Ｐａｒｔ Ｉ：Ｍｏｄｅｌ Ｅｖａｌｕａｔｉｏｎ ［Ｊ］．Ｊｏｕｒｎａｌ ｏｆ Ｃｌｉｍａｔｅ，２０１５，２８（２１）：８６０３－８６１９．

［２２］ ＴＡＮＧ Ｂ，ＨＵ Ｗ Ｔ，ＤＵＡＮ Ａ Ｍ．Ａｓｓｅｓｓｍｅｎｔ ｏｆ Ｅｘｔｒｅｍｅ Ｐｒｅ⁃ｃｉｐｉｔａｔｉｏｎ Ｉｎｄｉｃｅｓ ｏｖｅｒ Ｉｎｄｏｃｈｉｎａ ａｎｄ Ｓｏｕｔｈ Ｃｈｉｎａ ｉｎ ＣＭＩＰ６ Ｍｏｄｅｌｓ［Ｊ］．Ｊｏｕｒｎａｌ ｏｆ Ｃｌｉｍａｔｅ，２０２１，３４（１８）：７５０７－７５２４．

［２３］ 冯安兰，张强，宋金帛，等．基于ＣＭＩＰ６ 的黄河流域极端降水时空特征分析［Ｊ］．北京师范大学学报（自然科学版），２０２４，６０（２）：２７０－２８４．

［２４］ ＪＩＡＮ Ｓ Ｑ，ＺＨＵ Ｔ Ｓ，ＷＡＮＧ Ｊ Ｙ，ｅｔ ａｌ．Ｔｈｅ Ｃｕｒｒｅｎｔ ａｎｄ Ｆｕｔｕｒｅ Ｐｏｔｅｎｔｉａｌ Ｇｅｏｇｒａｐｈｉｃａｌ Ｄｉｓｔｒｉｂｕｔｉｏｎ ａｎｄ Ｅｖｏｌｕｔｉｏｎ Ｐｒｏｃｅｓｓ ｏｆ Ｃａｔａｌｐａ ｂｕｎｇｅｉ ｉｎ Ｃｈｉｎａ［Ｊ］． Ｆｏｒｅｓｔｓ，２０２２，１３（１）：９６．

［２５］ ＨＡＭＬＥＴ Ａ Ｆ，ＢＹＵＮ Ｋ，ＲＯＢＥＳＯＮ Ｓ Ｍ，ｅｔ ａｌ．Ｉｍｐａｃｔｓ ｏｆ Ｃｌｉｍａｔｅ Ｃｈａｎｇｅ ｏｎ ｔｈｅ Ｓｔａｔｅ ｏｆ Ｉｎｄｉａｎａ：Ｅｎｓｅｍｂｌｅ Ｆｕｔｕｒｅ Ｐｒｏｊｅｃｔｉｏｎｓ Ｂａｓｅｄ ｏｎ Ｓｔａｔｉｓｔｉｃａｌ Ｄｏｗｎｓｃａｌｉｎｇ ［Ｊ］． Ｃｌｉｍａｔｉｃ Ｃｈａｎｇｅ，２０１９，１６３（４）：１８８１－１８９５．

［２６］ ＩＮＮＯＣＥＮＴＩ Ｓ，ＭＡＩＬＨＯＴ Ａ，ＬＥＤＵＣ Ｍ，ｅｔ ａｌ． Ｐｒｏｊｅｃｔｅｄ Ｃｈａｎｇｅｓ ｉｎ ｔｈｅ Ｐｒｏｂａｂｉｌｉｔｙ Ｄｉｓｔｒｉｂｕｔｉｏｎｓ， Ｓｅａｓｏｎａｌｉｔｙ， ａｎｄ Ｓｐａｔｉｏｔｅｍｐｏｒａｌ Ｓｃａｌｉｎｇ ｏｆ Ｄａｉｌｙ ａｎｄ Ｓｕｂｄａｉｌｙ Ｅｘｔｒｅｍｅ Ｐｒｅ⁃ｃｉｐｉｔａｔｉｏｎ Ｓｉｍｕｌａｔｅｄ ｂｙ ａ ５０⁃Ｍｅｍｂｅｒ Ｅｎｓｅｍｂｌｅ ｏｖｅｒ Ｎｏｒｔｈ⁃ｅａｓｔｅｒｎ Ｎｏｒｔｈ Ａｍｅｒｉｃａ［Ｊ］．Ｊｏｕｒｎａｌ ｏｆ Ｇｅｏｐｈｙｓｉｃａｌ Ｒｅｓｅａｒｃｈ：Ａｔｍｏｓｐｈｅｒｅｓ，２０１９，１２４（１９）：１０４２７－１０４４９．

［２７］ ＣＨＥＮ Ｊ，ＢＲＩＳＳＥＴＴＥ Ｆ．Ｓｔｏｃｈａｓｔｉｃ Ｇｅｎｅｒａｔｉｏｎ ｏｆ Ｄａｉｌｙ Ｐｒｅ⁃ｃｉｐｉｔａｔｉｏｎ Ａｍｏｕｎｔｓ： Ｒｅｖｉｅｗ ａｎｄ Ｅｖａｌｕａｔｉｏｎ ｏｆ Ｄｉｆｆｅｒｅｎｔ Ｍｏｄｅｌｓ［Ｊ］．Ｃｌｉｍａｔｅ Ｒｅｓｅａｒｃｈ，２０１４，５９（３）：１８９－２０６．

【责任编辑 张 帅】

基金项目：黄委优秀青年人才科技项目（ＨＱＫ－２０２３０５）；贵州省科技支撑一般项目（２０６）；国家重点研发计划项目（２０２２ＹＦＣ３００３４０５０２）