未來氣候情景下鄱陽湖流域生態水文情勢演變

摘要：為了探究氣候變化影響下鄱陽湖流域水文情勢的演變規律，利用未來氣候模式數據驅動分布式時變增益水文模型，結合Mann-Kendall趨勢檢驗及生態水文指標變化范圍法（IHA-RVA），分析了鄱陽湖流域未來情景下徑流量、極值流量、脈沖變比等生態水文指標的演變趨勢。結果表明：（1）鄱陽湖流域未來徑流量呈增長趨勢，增幅在18.5%～30.3%，SSP5-8.5情景下增幅最高；（2）豐水期（3—8月）月均流量的增長較枯水期（9月—翌年2月）更明顯，5—9月徑流量增長率達到20%，最大年極值發生時間將提前1.0～17.8 d；（3）氣候變化下鄱陽湖流域整體水文情勢呈低度改變，虬津站和虎山站分別是整體水文改變度最高和最低的站點，其改變度分別為21.2和19.2。但月均流量（Ⅰ）、年極值流量（Ⅱ）與流量變化（Ⅴ）組分指標的改變度相對較高，平均為22.8。研究結果可為鄱陽湖流域生態水文情勢預測提供數據支撐。

關鍵詞：氣候變化；生態水文情勢；水文改變度；鄱陽湖流域

中圖分類號：Q143" " " " 文獻標志碼：A" " " " 文章編號：1674-3075（2025）01-0058-12

政府間氣候變化專門委員會（IPCC）第6次評估報告指出，近10年來全球地表平均溫度增長了1.1 ℃，并預測21世紀末全球增溫將達到1.5～2.0 ℃（高啟慧等，2023）；因此將對水文循環和生態環境產生極大影響，增加極端水文事件的發生概率，使得水生態保護和修復壓力更加艱巨。降水和徑流作為表征水文循環過程的重要因素，對氣候變化的影響將更加敏感。近年來，鄱陽湖流域極端水文事件頻發、旱澇災害頻繁，從2020年7月流域內發生的特大洪水事件到2022年持續5個月的極端干旱（Wu et al，2022；Deng et al，2024），使鄱陽湖出現“汛期返枯”現象，較往年提前了16～85 d進入枯水期（姚仕明等，2024），對鄱陽湖流域生態環境和水資源管理產生了極大的影響，證實了極端氣候對水文情勢的多重影響，未來氣候變化將導致該流域的生態水文情勢存在一定的不確定性。

未來氣候變化對生態水文情勢的影響預估大多建立在氣候模式基礎之上，較為廣泛的方法是基于全球氣候模式耦合水文模型對不同情境下的水文情勢進行模擬（朱夢弢，2021）。國際耦合模式比較計劃（CMIP）構建了目前為止內容最廣泛的全球氣候模式資料庫（GCMs）。CMIP6是該計劃實施20多年來參與模式最詳盡、模擬數據最龐大的一次（周天軍等，2019），其涵蓋了更復雜的氣候過程，并基于共享社會經濟路徑（SSPs）和人為排放趨勢（RCPs）進行有機組合，預估不同的SSP-RCP組合情景（He et al，2023），提高了氣候要素模擬的準確性。鄧鵬等（2023）基于CMIP6氣候模式，發現未來2050—2062年鄱陽湖流域徑流量平均變化幅度（17%）高于蒸發量平均6.5%的變化幅度，極端水文事件發生的風險增加；Wang等（2023）研究表明，未來氣候變化下預估鄱陽湖流域旱澇交替事件的頻率將增加，呈現徑流增加且峰值流量出現時間延遲的變化趨勢。這種流域水文情勢的改變，也會對鄱陽湖水生物種產生影響，Li等（2022）認為水深、流速是影響江豚分布的主要因素，旱季極端低水位情勢將極大縮減江豚的核心棲息地在自然保護區中的占比，進一步壓縮江豚的生存空間。

目前，評估生態水文情勢的普遍方法是采用特定的水文指標來量化流量變化狀況及其產生的生態影響（Wang et al，2024）；國內外已開展大量對流域水文情勢改變的研究，多采用水生態流量法、AHP（analytic hierarchy process）法和生態綜合評價指數（ecological index，EI）等 （Matono et al，2012；Ling et al，2016；AL Kuisi et al，2024）。近年來，應用最為廣泛的生態水文評價指標為水文指標改變體系（indicators of hydrologic alteration，IHA）。該體系包含徑流指標、極端流量的頻率和持續時間等5組32個水文指標，描述流域生態水文情勢在生境、極端水文、突變災害等方面的變化情況；該體系結合Richter提出的變化范圍法（RVA），可進一步量化流域水文情勢的變化范圍與程度（郭強等，2019）。本文以鄱陽湖流域為研究區域，構建適用于該流域的水文模型，利用多個全球氣候模式以及4種不同SSPs-RCPs排放情景的降尺度輸出驅動水文模型，預估未來氣候變化下鄱陽湖流域徑流的變化趨勢，建立IHA-RVA水文指標體系，定量評價分析生態水文情勢改變程度，為鄱陽湖生態水文管理和保護提供科學依據。

1" "材料與方法

1.1" "區域概況

鄱陽湖流域（圖1）位于長江中下游南岸（24°29′14″～30°04′41″N，113°34′36″～118°28′58″E），面積162 225 km2，主要包括贛江、饒河、撫河、信江和修水五大河流，由湖口匯入長江。受季風氣候及獨特的自然地理特征影響，流域雨量充沛，全年降水集中在4—6月，占年降水量的48%，自東北向西南降水量逐步遞減。鄱陽湖流域多年平均徑流量約為1 494億m3，徑流年內分布不均，5—10月汛期徑流量占全年徑流量的63.13%。近年來，在氣候變化和人類活動的雙重影響下，鄱陽湖水位不斷下降，其中，2022年下降至60年來的最低點（Peng et al，2024）；另外，流域氣溫持續升高，降水分布不穩定，枯水期降水過少導致持續干旱，豐水期降水過多及降水高峰的推遲也容易造成流域發生洪澇災害（Li et al，2021）。

1.2" "數據來源

本研究構建鄱陽湖流域分布式水文模型（distributed time-variant gain hydrological model）DTVGM需要的空間數據包括分辨率1 000 m的土地利用數據（中國科學院資源環境科學與數據中心）和90 m空間分辨率的DEM數據（地理空間數據云），土壤類型數據獲取自世界糧農組織（food and agriculture organization of the united nations，FAO）土壤數據庫，分辨率為1 000 m。

氣象數據來源于中國氣象局降水數據集和氣溫數據集，其中包括流域內部及周邊26個氣象站1980—2016年逐日降水、氣溫、相對濕度等數據；水文數據包括外州、李家渡、梅港、渡峰坑4個水文控制站點1980—2016年逐日徑流量資料，來源于長江流域水文統計年鑒。

根據CMIP6中氣候模式在長江流域綜合模擬評價結果，選取對鄱陽湖流域模擬氣溫、降水效果較好的4個氣候模式逐日降水、氣溫、風速和輻射數據（吳健等，2023），以實測氣象站點數據為基準，采用分位數映射法，按照春、夏、秋、冬四季對氣候模式中氣溫和降水數據進行校正，相對誤差可保持在10%～20%，選擇的4個氣候模式信息見表1。未來情景則選擇4種SSPs-RCPs組合，分別為SSP1-2.6、SSP2-4.5、SSP3-7.0、SSP5-8.5。

1.3" "研究方法

1.3.1" "分布式時變增益水文模型" "該模型將水文系統非線性理論和分布式水文模擬相結合來實現模擬過程（夏軍等，2004）；其既具有物理模擬特征，又具有非線性系統的強分析適應能力，可以在水文資料不完整或存在不確定性干擾的情況下完成分布式水文模擬與分析（曾思棟等，2016），已在我國多流域取得了較好的驗證（夏軍等，2003；Fan et al，2023），模型更詳細的基本原理可參考文獻（鐘奇等，2024）。

模型評價采用Nash-Sutcliffe效率（NSE）系數和相對系數（R2）指標。NSE和R2數值越趨近1，表示模型模擬效果越好（邱淑偉等，2015），通常以大于0.6為符合模擬精度要求（陸志翔等，2012）。

1.3.2" "IHA-RVA生態水文指標體系" "IHA生態水文指標法從流域流量、日期及變化、歷時、變化率等幾個方面展開（程俊翔等，2018），其中5組分水文指標的內容與涵義見表2。Richter進一步提出了RVA變化范圍法來實現流域生態系統管理，后用于定量評估水文改變度，并劃定25%～75%的變化作為指標的上下限評價流域的生態水文情勢狀況，默認33%和67%作為水文影響度的跨級改變閾值（米瑋潔等，2024），即D0lt;33%視為低度改變；33%≤D0lt;67%視為中度改變；D0≥67%視為高度改變。本文IHA-RVA評價體系中所選站點研究時段內無斷流，故不考慮零流量天數指標。

在IHA-RVA體系評估過程中，常用水文指標的改變度來衡量水文情勢變化情況與變化幅度，計算公式如下：

式中：Dt為第t個指標的改變度；P0和Pt為t個值落入值域內的實際與預測年數；r為比例系數（本研究取25%）；Pa為受影響的總年數；D0為整體水文改變度。

2" "結果與分析

2.1" "水文模型率定與驗證

結合鄱陽湖流域地形地貌、土地利用、土壤數據等下墊面空間差異，將下墊面空間數據統一到1 000 m分辨率，基于此將鄱陽湖流域劃分為130個子流域，按照泰森多邊形方法確定氣象站點面積權重，將氣象數據插值到各子流域。虬津、虎山、萬家埠、梅港、李家渡、外州、渡峰坑7個站點是鄱陽湖的控制性水文站點，考慮到徑流變化明顯且數據序列的完整性，采用外州、李家渡、梅港與渡峰坑4個站點實測流量數據進行模型的參數率定。以1980—2003年作為模型率定期，2004—2016年作為模型驗證期，對模型參數進行率定和對模擬結果進行評估，模擬結果時間尺度為日尺度。對比模擬值與站點實測值（圖2），兩者具有較好的協同性，流域率定期與驗證期的NSE系數如表3所示。4個站點率定期模擬結果的NSE系數在0.72～0.84，驗證期模擬結果NSE系數在0.65～0.82，表明構建的水文模型能夠模擬鄱陽湖流域水文過程且結果可靠，能夠支持未來氣候變化下鄱陽湖生態水文情勢變化研究。

2.2" "未來氣候情景的徑流變化趨勢

利用4種氣候模式數據驅動水文模型對未來氣候情景下鄱陽湖流域水文過程進行模擬，以1980─2014年作為歷史時期，2020-2100年作為未來時期，對4種氣候模式驅動水文模擬流量的集合平均值流量序列進行分析。結果表明，各站點相對于歷史時期，SSP3-7.0、SSP2-4.5、SSP1-2.6、SSP5-8.5的年均流量變幅依次增大（圖3），整體變幅分別為18.5%、19.9%、20.7%和30.3%，徑流量增長受SSP5-8.5氣候情景影響最為顯著。各站整體變幅在20%～24%，其中虎山站的變幅最大，達24.2%；萬家埠站的變幅最小，為20.5%。

M-K檢驗模擬年徑流量趨勢結果表明，各站點年均流量均呈增長趨勢，其中梅港站與外州站上升趨勢最顯著，在4個氣候情景下均通過90%～99%的顯著性檢驗；其余站點年徑流量隨輻射強度的增強其顯著性也逐漸增加（表4），如李家渡站由SSP1-2.6情景的不顯著上升趨勢，增加至SSP5-8.5情景的顯著上升趨勢；同時，各站點年徑流量變化對SSP5-8.5情景響應最顯著，且均呈顯著上升趨勢。

2.3" "未來氣候情景下鄱陽湖流域水文指標變化

2.3.1" "月均值流量" "未來氣候變化影響前后流域的月均值流量變化趨勢基本一致，3─8月流量較大為豐水期，9月至翌年2月流量較小為枯水期（圖4）。鄱陽湖流域在未來氣候影響下豐水期徑流量相對歷史時期變幅為9.2%～16.5%，其中虬津站變幅最大，梅港站變幅最小；枯水期徑流量在-1.5%～4.6%，變幅最大的站點為外州站，梅港站變幅最小，為-1.5%，呈負增長。與歷史時期相比，流域豐水期月均值流量變化較枯水期大，豐水期流量變幅達13.2%，枯水期流量變幅為6.7%，5─9月徑流量增長率達20%。各站點中外州站變化幅度最大，為26.2%，虬津站變化幅度最小，為9.4%。整體來看，未來氣候變化對流域月均徑流量的影響程度豐水期大于枯水期。豐水期各氣候情景變幅按SSP5-8.5、SSP1-2.6、SSP2-4.5、SSP3-7.0的順序變幅逐漸減小，SSP5-8.5情景變幅最大，達21.5%，SSP3-7.0情境變幅最小，為7.7%。

2.3.2" "年極值流量" "未來氣候變化下，鄱陽湖流域年最大日流量較歷史時期呈增加趨勢，年最小日流量較歷史時期呈減少趨勢。流域年最小極值流量的平均變幅在-7.8%～3.7%，其中外州站變幅最大，渡峰坑站變幅最小，呈負增長；年最大極值流量的平均變幅在14.8%～28.6%，其中渡峰坑站變幅最大，梅港站變幅最小。歷史及未來氣候影響下，年最小1、3、7、30、90 d的日流量逐漸增加（圖5），而年最大1、3、7、30、90 d的日流量逐漸減小（圖6）。氣候變化對年最大極值徑流量的影響更顯著，按SSP2-4.5、SSP1-2.6、SSP3-7.0、SSP5-8.5的順序變幅逐漸增大，SSP5-8.5情境變幅最大，達31.5%；SSP2-4.5情境變幅最小，為12.1%。流域內各站點的基流指數在0.07～0.17，平均變化幅度為-28.1%～-4.0%，其中虬津站和萬家埠站并列平均變幅最大，李家渡站平均變幅最小。

2.3.3" "年極值流量出現時間" "流域內年最大、最小流量值出現時間在未來氣候變化影響下均有提前趨勢，最大值流量出現時間提前1.0～17.8 d，平均提前2.6 d；最小值流量出現時間提前0.5～3.5 d，平均提前0.7 d，最大值流量出現時間受氣候變化影響更大（圖7）；各站點的年最小流量出現時間集中在10月下旬，提前幅度較小，外州站提前幅度最高由12月下旬提前至12月中旬，梅港、萬家埠等站則出現2.0～5.0 d的小幅度推遲；各站點年最大流量出現時間由5月下旬提前至5月中旬，李家渡站提前幅度最大，達3.5 d，梅港、萬家埠等站則出現0.5～1.3 d的小幅度推遲。總體來看，流域年極值流量出現時間變化按SSP2-4.5、SSP5-8.5、SSP1-2.6提前幅度依次增大，其中SSP1-2.6提前幅度最大，達5.0 d，SSP2-4.5提前幅度最小，僅0.3 d；而SSP3-7.0情境則整體上呈延遲趨勢，平均延遲幅度為2.0 d。

2.3.4" "流量高低脈沖頻次和歷時" "氣候變化影響下低脈沖頻次和歷時呈減少趨勢，高脈沖頻次及歷時呈增加趨勢（圖8）。水文情勢改變對高脈沖的變化影響更大，達9.2%。流域低脈沖頻次在2～10次，歷時在4～37 d，其中頻次最少、歷時最長的為外州站，分別為2次、37 d；流域高脈沖頻次和歷時呈增加趨勢，高脈沖頻次在3～16，歷時在3～23 d，其中外州站高脈沖頻次最少歷時最長，分別為3.5次、16 d。流域低脈沖在SSP3-7.0情景下變化最大，SSP2-4.5情景下變化最小，分別為-2.3%和-10.3%；高脈沖變化則在SSP5-8.5情景下變化最大，SSP3-7.0情景下變化最小。整體來看，在SSP3-7.0情景下脈沖變化受影響最顯著，其中高脈沖變幅最大，低脈沖變幅最小，總體變化率為-2.3%～3.9%。

2.3.5" "流量上升率、下降率和逆轉次數" "流量上升率（rise rate）、流量下降率（fall rate）與流量逆轉次數（number of reversals）作為表征水流條件變化的重要量化指標，體現了氣候變化所帶來的流域改變狀況。由圖9可知，流域各站點上升率均呈上升趨勢，增幅在11.3%～23.2%，其中渡峰坑站漲幅最大，達23.2%；流域各站點下降率則呈下降趨勢，降幅為13.8%～24.1%，其中李家渡站降幅最大，為24.1%。受未來氣候影響，流域各站點下降率降幅大于上升率增幅，表明流域流量整體呈增長趨勢。逆轉次數通常表征流量變化趨勢的轉折點，流域內逆轉頻次呈減少趨勢，在-3.9%～0.4%，渡峰坑站降幅最為顯著，達-3.9%；萬家埠站則與整體趨勢相反，呈微弱增長，增幅達0.4%。流域內流量整體變化按SSP5-8.5、SSP1-2.6、SSP2-4.5、SSP3-7.0依次遞減，SSP5-8.5的變幅最大，達16.5%，SSP3-7.0的變幅最小，為7.4%。梅港站與外州站在流量上升率和下降率變化過程中，相對其他站點變化幅度較大且差異顯著。

2.3.6" "流域整體水文改變度" "氣候變化影響下，流域內32項水文指標改變度以中低度改變為主（圖10）。其中整體水文改變度最高的為虬津站，達21.2；整體水文改變度最低為虎山站，為19.2。兩站絕大部分指數均為低度改變，其中中度改變指標均分布在5月均值流量與年最小1、3、7 d流量變化指標。在32個水文指標中，Ⅰ組、Ⅱ組和Ⅴ組對流域整體發生中度改變的貢獻率相對顯著，平均改變度達22.8。其中Ⅰ組的5月、9月的月均流量發生中度改變相對較多，整體改變度達19.6；Ⅱ組中度改變集中在年最小1、3、7 d流量、年最大1、3 d流量指標改變上，整體改變度達23.2；V組的徑流量下降率為32個指標中唯一的中度改變指標，水文改變度達34.2，其中萬家埠、外州、李家渡站下降率的水文改變度均為中度改變。整體來看，未來鄱陽湖流域水文改變主要體現在豐枯期月均值流量、年最大和最小極值流量與流量改變的相關水文因素。

3" "討論

水文情勢的自然波動是維系河流生態多樣性以及功能形態豐度的關鍵。鄱陽湖流域徑流量年內分布不均，豐、枯水期流域水文情勢差異明顯，在人類活動和氣候變化的共同影響下，鄱陽湖流域水生態情勢將發生改變，進而影響整個流域生態環境。4種未來氣候模式下鄱陽湖流域生態水文情勢變化結果表明，未來情景鄱陽湖流域年均徑流量均呈現增長趨勢，且豐水期（3—8月）的月均流量較枯水期（9月—翌年2月）增長更明顯，5—9月增長率達到20%。

崔浩（2019）研究表明，以蘆葦、南荻和菰為代表的水生植物，3—5月是其生長的旺盛期，并在5月達到峰值；楊平等（2024）認為以藍藻群落為代表的水生微生物，7—9月是其生長旺盛期。未來情景下5—9月的徑流增加將改變當前鄱陽湖的濕地分布，并對水生微生物和水生植物生長產生影響；另外，氣候變化導致鄱陽湖的水文改變度在各種情景下均呈中低度改變，表明單純考慮氣候變化對鄱陽湖生態水文情勢的影響是有限的。Lei等（2021）研究表明，歷史時期（1960─2015年）鄱陽湖人類活動和氣候變化對流域水文情勢改變的貢獻分別是42%和57%，表明人類活動是流域水文情勢改變的重要影響因素，與本研究結果相符。范宏翔等（2021）認為鄱陽湖流域水文情勢的變化受人類活動和氣候變化的影響，且影響程度存在季節性差異，春秋季人類活動對水文情勢影響更大，相對貢獻率最大可超過70%。

本研究也存在一些不足。例如，研究需要采用更高分辨率的數據（包括DEM、土地利用等）以及氣象與水文實測數據提升模型模擬精度。同時，研究還應考慮人類活動（如土地利用變化）對鄱陽湖流域生態水文情勢變化的影響。相關研究表明，在長江中下游、渭河、閩江等流域，人類活動對生態水文情勢的影響貢獻率可達48.66%～73.36%（周昊彤，2023；Guo et al，2022），未來應嘗試將人類活動加入研究范圍。

4" "結論

（1）4種SSPs-RCPs氣候情景下，2020—2100年鄱陽湖流域年均徑流量較歷史時期呈增長趨勢，年徑流量增幅達18.5%～30.3%，且SSP5-8.5情景增幅最大達30.3%；豐水期（3—8月）月均流量增長較枯水期（9月—翌年2月）更大，豐水期流量變幅達13.2%，枯水期流量變幅為6.7%。

（2）未來情景下，年最大流量增加幅度為14.8%～28.6%，年最小流量增加幅度為-7.8%～3.7%，且SSP5-8.5情景變幅最為顯著。渡峰坑站對氣候變化響應相對明顯，年最大流量增幅達28.6%，年最小流量減幅最大達7.8%。基流指數持續減小且受SSP5-8.5情景影響程度最大，各站點年最大和最小流量出現時間均有提前趨勢，其中年最大流量提前1.0～17.8 d，年最小流量提前0.5～3.5 d。

（3）未來氣候變化影響下，鄱陽湖流域整體水文改變度呈中低度改變，其中虬津站、虎山站作為流域內改變度最高、最低水文站點，改變度分別為21.2和19.2。各組分指標中，Ⅰ、Ⅱ、Ⅴ組指標對流域整體發生中度改變的貢獻作用最明顯，水文改變度分別為19.6、23.2和34.2，平均水文改變度達22.8。

參考文獻

程俊翔， 徐力剛， 姜加虎， 2018. 水文改變指標體系在生態水文研究中的應用綜述[J].水資源保護， 34（6）：24-32.

CHENG J X， XU L G， JIANG J H， et al， 2018. Review of application of hydrologic alteration index system in eco-hydrology research[J].Water Resources Protection， 34（6）：24-32.

崔浩， 2019. 南磯濕地優勢挺水植物根系性狀動態特征[D].南昌： 江西師范大學.

鄧鵬， 徐進超， 王歡， 2023. 基于CMIP6的氣候變化對鄱陽湖流域徑流影響研究[J].水利水運工程學報， （4）：71-80.

DENG P， XU J C， WANG H， 2023. Study on the impact of climate change by CMIP6 on the rainfall-runoff process of Poyang Lake basin[J].Hydro-Science and Engineering， （4）：71-80.

范宏翔， 何菡丹， 徐力剛， 等， 2021. 基于長短記憶模型的鄱陽湖流域徑流模擬及其演變的歸因分析[J].湖泊科學， 33（3）：866-878.

FAN H X， HE H D， XU L G， et al， 2021. Simulation and attribution analysis based on the long-short-term-memory network for detecting the dominant cause of runoff variation in the Lake Poyang basin[J].Journal of Lake Sciences， 33（3）：866-878.

高啟慧， 秦圓圓， 梁媚聰， 等， 2023. IPCC第六次評估報告綜合報告解讀及對我國的建議[J].環境保護， 51（增刊2）：82-84.

郭強， 孟元可， 樊龍鳳， 等， 2019. 基于IHA/RVA法的近年來鄱陽湖生態水位變異研究[J].長江流域資源與環境， 28（7）：1691-1701.

GUO Q， MENG Y K， FAN L F， et al， 2019. Study on ecological water level variation of Poyang Lake based on IHA and RVA method in recent years[J].Resources and Environment in the Yangtze Basin， 28（7）：1691-1701.

陸志翔， 鄒松兵， 尹振良， 等， 2012. 缺資料流域SWAT適宜性模型校準新方法及應用[J].蘭州大學學報（自然科學版）， 48（1）：1-7，14.

LU Z X， ZOU S B， YIN Z L， et al， 2012. A new suitable method for SWAT model calibration and its application in data-scarce basins[J].Journal of Lanzhou University（Natural Sciences）， 48（1）：1-7，14.

米瑋潔， 張舜， 胡俊， 等， 2024. 黃河內蒙古河段水文情勢變化及生態效應初探[J].水生態學雜志， 45（1）：42-49.

MI W J， ZHANG S， HU J， et al， 2024. Ecological effects of flow regime alteration in Inner Mongolia reach of the Yellow River[J].Journal of Hydroecology， 45（1）：42-49.

邱淑偉， 梁秀娟， 肖長來， 等， 2015. 間斷性階梯狀抽水試驗求參[J].節水灌溉， （5）：60-62，65.

QIU S W， LIANG X J， XIAO C L， et al， 2015. Parameters determination for intermittent step-pumping tests[J].Water Saving Irrigation， （5）： 60-62，65.

吳健， 夏軍， 曾思棟， 等， 2023. CMIP6全球氣候模式對長江流域氣候變化的模擬評估與未來預估[J].長江流域資源與環境， 32（1）：137-150.

WU J， XIA J， ZENG S D， et al， 2023. Evaluation of the performance of CMIP6 models and future changes over the Yangtze River basin[J].Resources and Environment in the Yangtze Basin， 32（1）：137-150.

夏軍， 王綱勝， 呂愛鋒， 等， 2003. 分布式時變增益流域水循環模擬[J].地理學報， 58（5）：789-796.

XIA J， WANG G S， LYU A F， et al， 2003. A research on distributed time variant gain modeling[J].Acta Geographica Sinica， 58（5）：789-796.

夏軍， 王綱勝， 談戈， 等， 2004. 水文非線性系統與分布式時變增益模型[J].中國科學（D輯：地球科學）， 34（11）：1062-1071.

楊平， 劉聚濤， 胡芳， 等， 2024. 風場對鄱陽湖豐水期表層藍藻密度的影響[J].湖泊科學， 36（2）：377-388.

YANG P， LIU J T， HU F， et al， 2024. Influence of wind field on surface cyanobacteria density of Lake Poyang in wet season， China[J].Journal of Lake Sciences， 36（2）：377-388.

姚仕明， 范達福， 欒華龍， 等， 2024. 鄱陽湖近年極端洪枯情勢分析及應對策略[J/OL].長江科學院院報，[2024-05-08]. https：//kns.cnki.net/kcms/detail/42.1171.TV.20240507.1501.004.html.

YAO S M， FAN D F， LUAN H L， et al， 2024. Analysis of recent extreme flood and drought hydrological situation in Poyang Lake and countermeasures[J/OL].Journal of Changjiang River Scientific Research Institute，[2024-05-08]. https：//kns.cnki.net/kcms/detail/42.1171.TV.20240507.1501.004.html.

鐘奇， 付曉雷， 蔣曉蕾， 等， 2024. 基于分布式時變增益水文模型和CN05.1降水數據的贛江流域徑流模擬研究[J].人民珠江， 45（3）：18-29，108.

ZHONG Q， FU X L， JIANG X L， et al， 2024. Runoff simulation study of Ganjiang River basin based on distributed time-varying gain hydrological model and CN05.1 precipitation data[J].Pearl River， 45（3）：18-29， 108.

周昊彤， 2023. 氣候變化與人類活動對長江中下游生態水文情勢影響研究[D].鄭州：華北水利水電大學.

周天軍， 鄒立維， 陳曉龍， 2019. 第六次國際耦合模式比較計劃（CMIP6）評述[J].氣候變化研究進展， 15（5）：445-456.

ZHOU T J， ZOU L W， CHEN X L， 2019. Commentary on the Coupled Model Intercomparison Project Phase 6（CMIP6）[J].Climate Change Research， 15（5）：445-456.

朱夢弢， 2021. 下湄公河干流水文情勢變化及生態流量估算[D].昆明：云南大學.

曾思棟， 夏軍， 黃會勇， 等， 2016. 分布式水資源配置模型DTVGM-WEAR的開發及應用[J].南水北調與水利科技， 14（3）：1-6.

DENG S P， WU Q Q， WANG Z C， et al， 2024. Investigating flood characteristics and mitigation measures in plain-type river-connected lakes： a case study of Poyang Lake[J]. Water， 16（2）：281.

AL KUISI M， AL AZZAM N， HYARAT T， et al， 2024. Flood hazard and risk assessment of flash floods for Petra catchment area using hydrological and analytical hierarchy （AHP） modeling[J]. Water， 16（16）：2283.

FAN D， ZENG S D， DU H， et al， 2023. Projected flow regimes and biodiversity changes under climate change in the planning western route source areas of the South-to-North Water Diversion Project[J]. Ecological Indicators， 154：110827.

GUO W X， ZHOU H T， JIAO X Y， et al， 2022. Analysis of alterations of the hydrological situation and causes of river runoff in the Min River， China[J]. Water， 14（7）：1093.

HE T， WANG N， TONG Y D， et al， 2023. Anthropogenic activities change population heat exposure much more than natural factors and land use change： an analysis of 2020-2100 under SSP-RCP scenarios in Chinese cities[J]. Sustainable Cities and Society， 96：104699.

LEI X Y， GAO L， WEI J H， et al， 2021. Contributions of climate change and human activities to runoff variations in the Poyang Lake Basin of China[J]. Physics and Chemistry of the Earth， Parts A/B/C， 123：103019.

LI X H， HU Q， WANG R， et al， 2021. Influences of the timing of extreme precipitation on floods in Poyang Lake， China[J]. Hydrology Research， 52（1）：26-42.

LI Q Y， LAI G Y， LIU Y， et al， 2022. Identifying the seasonal characteristics of likely habitats for the Yangtze finless porpoise in Poyang Lake[J]. Aquatic Conservation： Marine and Freshwater Ecosystems， 32（3）：523-536.

LING H B， ZHANG P， XU H L， et al， 2016. Determining the ecological water allocation in a hyper-arid catchment with increasing competition for water resources[J]. Global and Planetary Change， 145：143-152.

MATONO P， BERNARDO J M， OBERDORFF T， et al， 2012. Effects of natural hydrological variability on fish assemblages in small Mediterranean streams： implications for ecological assessment[J]. Ecological Indicators， 23：467-481.

PENG Y J， CHEN G， CHAO N F， et al， 2024. Detection of extreme hydrological droughts in the Poyang Lake basin during 2021-2022 using GNSS-derived daily terrestrial water storage anomalies[J]. Science of the Total Environment， 919：170875.

WANG R， LI X H， ZHANG Q， et al， 2023. Projection of drought-flood abrupt alternation in a humid subtropical region under changing climate[J]. Journal of Hydrology， 624：129875.

WANG Q Z， SUN Y F， GUAN Q Y， 2024. Exploring future trends of precipitation and runoff in arid regions under different scenarios based on a bias-corrected CMIP6 model[J]. Journal of Hydrology， 630：130666.

WU J R， CHEN X L， LU J Z， et al， 2022. Assessment of long and short-term flood risk using the multi-criteria analysis model with the AHP-Entropy method in Poyang Lake basin[J]. International Journal of Disaster Risk Reduction， 75：102968.

Ecohydrological Regime Changes in Poyang Lake Basin

Under Future Climate Scenarios

Abstract：In this study， we explored how the hydrological regime in Poyang Lake basin might change under the influence of climate change， focusing on runoff trends， extreme flows and pulse ratios. We aimed to provide a scientific basis for ecohydrological management and protection of the basin and enhance resilience to climate change. To begin， we constructed a distributed time-variant gain model （DTVGM） to simulate runoff in the Poyang Lake basin， based on daily runoff data recorded at four hydrological stations （Waizhou， Lijiadu， Meigang， Dufengkeng Stations）. Data from 1980-2003 was used for calibration and data from 2004-2016 was used for validation. The Nash-Sutcliffe efficiency coefficients （NSE） were in the range of 0.72-0.84 for the calibration period and 0.65-0.82 for the validation period， indicating the reliability of the DTVGM model. Runoff was then simulated in the Poyang Lake basin for the period 2020-2100 using four climate scenarios of SSPs-RCPs combinations （SSP1-2.6， SSP2-4.5， SSP3-7.0， SSP5-8.5）. Combining the Mann-Kendall trend test and eco-hydrological index range method （IHA-RVA）， we quantitatively assessed and analyzed the change degree of eco-hydrological indicators at seven stations in Poyang Lake basin under the four climate scenarios. Results show that： （1） Future runoff in the Poyang Lake basin shows an increasing trend， with an increase range of 18.5% - 30.3%， and the increase under the scenario of SSP5-8.5 is the highest. （2） The increase of monthly average runoff in wet season （March to August） is more obvious than in dry season （September to the following February）. The increase in runoff reaches 20% from May to September， and the maximum annual extreme runoff will occur 1.0 to 17.8 days sooner than at present. （3） Under the climate change scenarios， the overall hydrology of Poyang Lake basin will change only slightly， and the highest change degree occurs at the Qiujin Station （21.2） and the lowest change degree occurs at Hushan Station （19.2）. However， the changes in the component indices for monthly average flow （I）， annual extreme flow （II） and flow change （V） are relatively high， with an average degree of 22.8." Our results provide scientific support for predicting and preparing for climate induced changes in the eco-hydrology of Poyang Lake basin.

Key words：climate change; ecological hydrological situation; hydrological change degree; Poyang Lake basin