基于CMIP6氣候模式的黃河源區未來徑流情勢預估

關鍵詞：CMIP6氣候模式；徑流；未來情勢；黃河源區中圖分類號：TV121 文獻標識碼：A DOI：10.3969/j. issn.1000-0941.2025.07.020引用格式：，賈升策，楊程，等.基于CMIP6氣候模式的黃河源區未來徑流情勢預估[J].中國水土保持，2025（7）：71-77.

黃河源區素以黃河流域的“水塔”而著稱，其面積和年徑流量分別占黃河流域的 16% 和 38%^[1] ，是黃河流域的主要產流區和水源涵養區。但近幾十年來，黃河源區徑流量總體呈遞減趨勢，給黃河流域中下游水沙調控和水土保持帶來新的挑戰。此外，在氣候變化背景下，黃河源區未來徑流變化的不確定性將進一步加劇，一方面，地表氣溫以更快的速度升高，將引發高寒山區冰川積雪消融加速、凍土層退縮、蒸散發增加等陸地水文過程的一系列連鎖變化，使未來徑流演變的驅動機制更趨復雜[2]；另一方面，隨著社會經濟發展和人類活動增強，草原、濕地等生態系統的格局變化會引起下墊面條件改變，進而對區域水源涵養能力和徑流產生機制造成較大影響[3]。因此，開展氣候變化情景下黃河源區未來徑流情勢預估，對保障黃河流域水土資源安全、推動黃河流域高質量發展具有重要意義。

河川徑流的形成是氣候、地質地貌、人類活動等多種因素共同作用的結果，其實質是一個復雜的非線性動力學系統過程。雖然目前的徑流預測方法可以依據歷史徑流的形成規律，對未來一段時間內的流量做出定量預測，但要建立能夠精確描述這個復雜問題的動力學方程依然十分困難[4]。此外，氣候變化和人類活動導致徑流的波動性不斷加劇，徑流演變的不確定性不斷增強，徑流預測工作正面臨更加艱巨的挑戰[5]。當前，徑流預測模型的種類多樣，根據模型驅動方式大致分為過程驅動模型和數據驅動模型兩個類型[6]。其中，過程驅動模型更加注重刻畫水循環的物理機制，但其模型參數難以確定、建模過程較為復雜、輸入數據需求量相對較大，很大程度上限制了此類模型在不同流域的適用性[7]。而融合水文統計學的數據驅動模型的原理相對簡單、數據需求較小、可操作性強，但模型受限于各類假設（如線性、平穩性等），預測精度和穩健性有待提高[8]

本研究聚焦黃河源區，以最新的CMIP6氣候模式數據作為驅動數據，建立基于滾動策略的中長期徑流分期組合預測模型，開展黃河源區未來徑流情勢預估，對比不同碳排放路徑下未來徑流的年內年際變化趨勢，以期為黃河源區水資源保護和管理、調水調沙策略制定等提供科學依據

1 研究區概況

黃河是我國第二大河流，發源于青藏高原巴顏喀拉山北麓，干流全長 5464km ，流經青海、四川、甘肅、寧夏、內蒙古、陜西、山西、河南、山東9個省（自治區），最后匯入渤海，流域面積達79.5萬 km² ，流域范圍北緯 32^°10^′～41^°50^′ ，東經 95^°53^′～119^°05^′ 。其中唐乃亥站及以上為黃河源區（見圖1），黃河源區內河道呈S形，總長度 1553km ，面積達12.19萬 km² ，占黃河流域總面積的 15.33% 。黃河源區內分布有鄂陵湖、扎陵湖等多個高海拔淡水湖泊，出口站唐乃亥水文站多年平均徑流量超200億 m³ ，水資源豐沛。

2 研究方法

2.1考慮融雪影響的徑流預測時段識別方法

相關研究表明，黃河源區的融雪徑流約占年徑流量的 10% ，部分月份融雪徑流占月徑流量的比例可高達 30%～40%^[9-10] 。因此，為提升徑流預測的準確性，將年內預測時段劃分為融雪影響期和非融雪主導期。滿足以下條件的月份被識別為融雪影響期： ① 融雪水當量彈性系數（徑流對融雪水當量變化的敏感程度）大于0； ② 流域出現明顯的融雪現象，積雪覆蓋率呈下降趨勢； ③ 積雪覆蓋率大于年內最大積雪覆蓋率的10% ： ④ 融雪徑流占比超過 10% 。除融雪影響期外的其他月份，被識別為非融雪主導期。

2.2中長期徑流分期組合預測模型

基于識別出的年內融雪影響期和非融雪主導期，采用極限梯度提升樹XGBoost分別構建融雪影響期和非融雪主導期分期組合預測模型[1]，開展徑流預測，并將兩個時期的徑流預測結果合并得到最終的確定性預測結果。分期組合預測模型的預測因子包括降水、氣溫、地表溫度、氣壓、風速、蒸發、相對濕度、雪水當量等CMIP6氣候模式的輸出變量，同時考慮到待預測時段徑流通常與前期徑流具有較強的相關性，因此將前期徑流也作為預測因子之一。但是在開展未來徑流預測時，未來時段的前期流量也屬于未知變量，為解決這一問題，本研究采用滾動預測策略，即以前一時刻的徑流預測結果作為后一時刻的預測因子來預測徑流，直至預測時期的最后一個時段結束。

2.3基于分位數回歸森林模型的徑流概率區間預測

考慮到未來徑流情勢的不確定性，基于分期組合模型的確定性預測結果，進一步采用分位數回歸森林模型預測未來徑流的概率區間。分位數回歸森林模型是在隨機森林算法的基礎上結合分位數回歸的改進模型，不僅能夠獲得預測結果的條件均值，還能得到預測結果的條件概率分布[12]。首先，通過隨機森林模型建立 N 棵決策樹，并計算每個樣本在隨機森林中的權重 ω_i ;然后，對各樣本權重 ω_i 進行歸一化處理，并作為某個樣本 x_i 的輸出結果 y_i 的頻率;最后，基于y_i 和歸一化后的樣本權重，采用核密度估計法獲取預測結果的條件概率分布，并進一步獲取各分位數的預測結果。

對分位數回歸森林模型擬合效果影響較大的參數有決策樹棵數、葉子節點最小樣本數等[13]。決策樹的棵數決定了隨機森林規模，決策樹棵數越多，模型結果會更加穩定，但同時也會增加計算成本。葉子節點最小樣本數，即一個節點允許包含的最小樣本數，當節點內樣本數量不滿足條件時，將被剪枝，由此控制單個決策樹的深度和規模[14]。在本研究中，決策樹棵數和最小葉子節點個數的取值范圍分別為［100，1000]和[3，10]，并采用梯度下降法迭代優化模型參數，使模型擬合效果最優，

2.4概率區間預測準確性評價

從可靠性和清晰度兩個方面來綜合評價概率區間預測模型的性能[15-16]。引入預測區間覆蓋率（Pre-dictionintervalcoverageprobability，PICP）指標來評價預測區間的可靠性，該指標反映了實際觀測值落在預測區間上下界內的概率；引入預測區間平均帶寬（Pre-diction interval normalized average width，PINAW）指標來反映預測的清晰度，避免因單純追求可靠性出現預測區間過寬，不能給出有效的預測值，從而失去決策價值的情況。預測區間覆蓋率越高、平均帶寬越小，表示模型的預測能力越強、預測效果越好。

3 數據來源

本研究使用的CMIP6氣候模式數據來源于WCRP 耦合模型比對計劃（https：//esgf-node.llnl.gov/projects/cmip6/），該數據集由中國、歐盟、加拿大、美國等使用不同氣候模式合作完成，并提供了多種共享社會經濟路徑（Shared Socioeconomic Pathways，SSP）下的未來氣候變量。與CMIP5相比，CMIP6氣候模式數據綜合考慮了不同經濟路徑所導致的碳排放增長量的不同，將碳排放增長與社會經濟變化相結合。本研究共使用9種不同的氣候模式，并選取了具有代表性的3種共享社會經濟路徑，即低排放路徑下的SSP1-2.6（以下簡稱“SSP126\"）、中等排放路徑下的SSP3-7.0（以下簡稱“SSP370”）和高排放路徑下的SSP5-8.5（以下簡稱“SSP585\"），以上3種未來情景在2100年的輻射強迫分別穩定在2.6、7.0和8.5W/m² 。選取9種氣候模式時主要考慮數據可在空間上涵蓋研究區、變量類型足以驅動預測模型、時間尺度可滿足逐月徑流預測需要這3個條件，具體的氣候模式及所需變量見表1。

4結果與分析

4.1考慮融雪影響的徑流預測時段劃分

黃河源區徑流主要來源于大氣降水、地下水和融雪融冰的補給，冬季枯水期徑流主要來源于地下水補給（基流）[17]。黃河源區多年平均徑流量的分割統計顯示，降水、地下水補給和冰雪凍土融水分別約占年徑流量的 65% ） 25% 和 10%^[18] 。通過統計1960—2023年唐乃亥站和瑪曲站各月降雨徑流、基流和融雪徑流占比（見圖2），發現：1月和12月融雪徑流占比均為0，2月和11月不足 5% ;4—5月融雪徑流占比達到最高，均超過了 40% ，9—10月融雪徑流占比較高，均超過了 30% 。依據徑流預測時段識別方法，劃分年內融雪影響期和非融雪主導期，唐乃亥和瑪曲站的融雪影響期為3一6月，非融雪主導期為7月至次年2月。在融雪影響期內，唐乃亥和瑪曲站的融雪水當量彈性系數均大于0，且流域積雪覆蓋率下降趨勢明顯，期間唐乃亥和瑪曲站的融雪徑流比分別達到 42.5% 和 34.8% ，融雪徑流占比較高，同時積雪覆蓋率均超過最大值 10% ，具有充足的積雪儲量。

4.2 預測模型準確性評價

為評估模型預測能力，對徑流預測結果與實測徑流數據（1960—2023年）進行對比，計算不同徑流置信區間預測值的預測區間覆蓋率和預測區間平均帶寬，結果顯示：對于唐乃亥站，在各氣候模式一路徑組合中， 75% 置信區間內預測區間覆蓋率大于0.85，表明超過 85% 的徑流實測數據落入模型預測的概率區間內， 85% 和 95% 置信區間內預測區間覆蓋率分別大于0.89和0.94;對于瑪曲站，在各氣候模式—路徑組合中， 75%.85%.95% 置信區間內預測區間覆蓋率分別大于 0.80，0.85，0.90 。結果表明預測模型的可靠度較高。唐乃亥站和瑪曲站的預測區間平均帶寬基本在 100～200 范圍內，最高為372，唐乃亥站在基于CM-CC-CM2-SR5氣候模式的預測區間平均帶寬最小（154），瑪曲站在基于MIROC6模式的預測區間平均帶寬最小（120）。整體來看，基于各氣候模式一路徑建立的預測模型的可靠性和清晰度均較高，具有較好的模擬能力，預測結果準確度較高。

4.3基于不同氣候模式和路徑的黃河源區2024—2100年徑流情勢預估

4.3.1基于不同氣候模式的未來徑流情勢預估預測得到的黃河源區唐乃亥站和瑪曲站2024—

2100年年徑流量變化趨勢分別見圖3和圖4。圖中95% 置信區間為9種氣候模式的集合預測結果，即采用算術平均方法綜合9種氣候模式預測結果的上邊界和下邊界，由此構成集合預測結果的 95% 置信區間。結果表明：在不同氣候模式下唐乃亥和瑪曲站的2024一2100年年徑流量整體均呈不同速率的減少趨勢，其中唐乃亥站基于ACCESS-CM2氣候模式下未來年徑流量減少速率較高，基于CMCC-CM2-SR5氣候模式下年徑流量減少速率最小;瑪曲站同樣是基于ACCESS-CM2氣候模式下未來年徑流量減少速率較高，基于CMCC-ESM2和CESM2-WACCM氣候模式下年徑流量減少速率均較小。

雖然預測得到唐乃亥站和瑪曲站的未來徑流情勢整體均呈減少趨勢，但基于不同氣候模式下預測結果存在差異。唐乃亥站基于MIROC6氣候模式下未來徑流量呈增加趨勢，且在SSP585路徑下增加速率達 60.2×10⁶m³/a ；瑪曲站基于ACCESS-ESM1-5氣候模式和SSP126路徑下未來徑流呈增加趨勢

4.3.2 基于不同路徑的未來徑流情勢預估

對比3種共享社會經濟路徑下唐乃亥站和瑪曲站未來徑流變化趨勢，可以發現：在SSP126路徑下，唐乃亥站和瑪曲站基于各氣候模式下未來徑流趨勢線斜率的絕對值均小于實測徑流量趨勢線斜率[見圖3（a）和圖4（a）]，表明在SSP126路徑下未來徑流的變化速率小于1960—2023年的，徑流減少趨勢逐漸緩和；在SSP585路徑下，唐乃亥站在5種氣候模式下未來徑流變化趨勢線斜率的絕對值大于歷史時期徑流量趨勢線斜率[見圖3（c）]，尤其是在CanESM5氣候模式下唐乃亥站未來徑流減少速率達到了 106.6×10⁶m³/a ，幾乎是1960—2023年的兩倍，表明在SSP585路徑下未來徑流減少速率大于歷史時期。從整體來看，在SSP126路徑下未來徑流變化情勢相對穩定，在SSP585路徑下未來徑流變化更加顯著，在SSP370路徑下徑流變化趨勢介于二者之間。以唐乃亥站基于ACCESS-CM2氣候模式下未來徑流情勢預估結果為例，在SSP126、SSP370、SSP585路徑下2024—2100年徑流減少速率分別為 33.4×10⁶，90.5×10⁶，101.5×10⁶ m³/a 。

4.4未來徑流年內和年際變化分析

對基于9種氣候模式下徑流預測結果取平均值，得到唐乃亥站和瑪曲站在不同路徑下未來徑流年內和年際變化，并與實測數據進行對比。3種路徑下唐乃亥站和瑪曲站冬季徑流量與實測數據相差較小，均不足 4% 。相對于實測數據，唐乃亥站春季徑流量將減少 8.95%～10. 28% ，夏季徑流量將減少 16. 00% ～23.60% ，秋季徑流量將減少 10.31%～26.33% （見表2）;瑪曲站春季徑流量將減少 8.58%～10.86% ，夏季徑流量將減少 13.76%～18.44% ，秋季徑流量將減少3.68%～15.91% （見表3）。夏、秋季徑流量減少趨勢更加顯著，冬季徑流變化趨勢不明顯。在SSP126、SSP370、SSP585路徑下，2024—2100年唐乃亥站和瑪曲站年徑流量均呈減少趨勢，唐乃亥站徑流減少速率分別為13.9×10⁶，38.8×10⁶，49.8×10⁶m³/a ，瑪曲站徑流減少速率分別為 6.9×10⁶，26.8×10⁶，36.3×10⁶ m³/a ，隨著碳排放和人類活動強度增加，徑流減少速率不斷加快（見圖5）。

5 討論

許多研究聚焦黃河源區，開展了未來徑流量變化趨勢預測。例如，劉義花等[19]運用HBV水文模型和Elman神經網網絡預測得到2021—2060年黃河源區的徑流量呈增加趨勢；馬明衛等[20]預測在SSP多種情景下，到2100年末黃河源區徑流將呈不同程度的減少趨勢；賈何佳等[21]預估黃河源區徑流呈先增（2021—2060年）后減（2061—2100年）趨勢；王建群等[22]預估黃河源區徑流量呈減（2010—2039 年）—增（2040—2069年）—減（2070—2098年）的交替變化趨勢。由此可見，由于歷史對比時期、未來預估時段、氣候模式、升溫情景、陸面物理屬性（植被、地形、地質和土壤）等不同，因此預測得到的未來氣候變化情景下黃河源區徑流變化趨勢也存在差異性。

相關研究普遍認為氣候和下墊面變化是導致黃河源區徑流變化的重要因素，其中降水、蒸散發、凍土退化是最顯著的影響因素[23-24]。張一然等[23]分析了黃河源區氣候因子的變化及其對徑流的影響，發現雖在主要產流區降水增加，但在整個黃河源區蒸散發量隨著溫度升高而普遍增加，導致黃河源區實際產流能力偏低，源區徑流量持續減少。此外，受全球變暖影響，多年凍土消融使其隔水作用減弱，地表水下滲增強，不利于地表徑流形成[24]。HUetal.[25]運用SWAT模型，進一步研究了未來氣候情景下黃河源區水量平衡，結果表明到21世紀末，黃河源區降水量呈顯著增長趨勢，相較于1976—2015年增幅達到 8% ～13% ，同時隨著黃河源區氣溫不斷升高，蒸散發量增幅可達 32.7%～49.8% ，蒸散發量增幅遠超降水量，使得黃河源區土壤含水量下降 3.7%～9.7% ，產水能力下降 15% 以上，因此地表徑流將在未來呈不斷減小的趨勢，由此也印證了本研究預測結果的合理性。在未來的研究中，需要通過修正氣候模式輸出結果誤差、加入凍土變化影響因子等方法完善預測模型，進一步提高未來徑流變化情勢預估的準確性。

6 結論

以黃河源區為研究對象，以最新的CMIP6未來氣候模式數據作為輸人數據，建立了基于滾動策略的中長期徑流分期預測組合模型，預測了黃河源區唐乃亥站和瑪曲站2024—2100年在9種氣候模式和3種共享社會經濟路徑下的逐月徑流量，并采用分位數回歸森林模型預測不同置信度水平下的未來徑流概率區間，分析未來徑流的年際、年內變化趨勢。結果表明：① 將預測模型模擬結果與1960—2023年實測徑流數據對比，計算預測區間覆蓋率和預測區間平均帶寬，發現預測區間覆蓋率在0.80以上，預測區間平均帶寬為100～200 ，預測模型的可靠性和清晰度均較高，預測結果準確度較高； ② 黃河源區唐乃亥站和瑪曲站未來徑流整體呈減少趨勢，且唐乃亥站未來徑流減少速率大于瑪曲站，夏秋兩季的未來徑流減少幅度高于春季，冬季變化幅度不足 4% ③ 對基于9種氣候模式下徑流預測結果取平均值，在SSP126、SSP370、SSP585路徑下，2024—2100年唐乃亥站和瑪曲站徑流減少速率分別為 13.9×10⁶，38.8×10⁶，49.8×10⁶m³/a ，瑪曲站徑流減少速率分別為 6.9×10⁶，26.8×10⁶，36.3×10⁶m³/a ，可以說隨著碳排放和人類活動強度增加，徑流減少速率不斷加快，未來徑流的變化趨勢與人類活動密切相關。

參考文獻：

［1］雍斌，張建云，王國慶.黃河源區水文預報的關鍵科學問題[J].水科學進展，2023，34（2）：159-171.

[2]鄭子彥，呂美霞，馬柱國.黃河源區氣候水文和植被覆蓋變化及面臨問題的對策建議[J].中國科學院院刊，2020，35（1）：61-72.

［3］王道席，田世民，蔣思奇，等.黃河源區徑流演變研究進展[J].人民黃河，2020，42（9）：90-95.

[4］李保健.水電站群中長期徑流預報及發電優化調度的智能方法應用研究[D].大連：大連理工大學，2015：3-8.

[5]劉揚，王立虎，杜帥兵，等.改進VMD-QR-ELM混合模型在徑流預報中的應用[J].水文，2022，42（6）：31-34，51.

[6］梁浩，黃生志，孟二浩，等.基于多種混合模型的徑流預測研究［J].水利學報，2020，51（1）：112-125.

[7］張珂，牛杰帆，李曦，等.洪水預報智能模型在中國半干旱半濕潤區的應用對比[J].水資源保護，2021，37（1）：28-35，60.

[8］榮艷淑，胡玉恒，馮瑞瑞，等.廣義相加模型在烏江夏季徑流預報中的應用［J].河海大學學報（自然科學版），2021，49（2） ：121-126.

[9］田明珠，趙杰，王金釗，等.基于UEB模型的黃河源區黃河沿—達日區間融雪徑流模擬[J].青海大學學報，2021，39（2） ：98-104.

[10］藍永超，魯承陽，喇承芳，等.黃河源區氣候向暖濕轉變的觀測事實及其水文響應[J].冰川凍土，2013，35（4）：920-928

[11］胡雪梅.XGBoost決策樹優化及其應用研究［D].長沙：長沙理工大學，2022：15-17.

[12］戴領，駱光磊，周建中.基于分位數回歸森林的水庫調度滾動模擬方法研究[J].人民長江，2023，54（7）：218-224.

[13］李天笑，周田瑞，胡勤友，等.基于梯度提升決策樹分位數回歸的船舶能耗區間預測[J].上海海事大學學報，2022，43（2）：19-24.

［14］王民，楊金路，王鑫，等.基于隨機森林算法的泥頁巖巖相測井識別[J].地球科學，2023，48（1）：130-142.

[15］楊耀紅，韓興忠，張智曉，等.復合地層小直徑隧道掘進機掘進速度區間預測[J].科學技術與工程，2023，23（34）：14638-14650.

[16]岳首志，洪海生，鄧祺，等.基于曲線特征聚類與信息聚合的電力負荷預測[J].長沙理工大學學報（自然科學版），2023，20（6） ：128-139.

[17］代軍臣，王根緒，宋春林，等.三江源區徑流退水過程演變規律[J].長江流域資源與環境，2018，27（6）：1342-1350.

[18］藍永超，魯承陽，喇承芳，等.黃河源區氣候向暖濕轉變的觀測事實及其水文響應[J].冰川凍土，2013，35（4）：920-928.

[19］劉義花，高歌，翟建青，等.基于CMIP6氣候模式和兩種水文模型綜合集成預估的黃河源區未來40年流量變化[J].冰川凍土，2024，46（2）：675-687.

[20］馬明衛，王召航，臧紅飛，等.基于SSP情景的黃河源區未來徑流模擬預估[J].華北水利水電大學學報（自然科學版），2023，44（5）：31-40.

[21］賈何佳，李謝輝，文軍，等.黃河源區徑流變化模擬及未來趨勢預估[J].資源科學，2022，44（6）：1292-1304.

[22]王建群，劉松平，郝陽玲，等.A1B情景下黃河源區徑流變化趨勢[J].河海大學學報（自然科學版），2014，42（2）：95-100.

[23］張一然，周德剛，郭曉峰.變暖背景下黃河源區氣候響應特征及對徑流的影響［J].中國科學：地球科學，2024，54（3） ：862-873.

[24］李林，申紅艷，戴升，等.黃河源區徑流對氣候變化的響應及未來趨勢預測[J].地理學報，2011，66（9）：1261-1269.

[25]HUJY，WUYP，SUNPC，et al.Predictinglong-termhydrological change caused by climate shifting in the 21stcenturyin theheadwater area of the Yellow RiverBasin[J].Stochastic Environmental Research and Risk Assessment，2021，36（6） ：1-18.

（責任編輯 李佳星）