基于CMIP6氣候情景的西江流域未來(lái)徑流預(yù)測(cè)及其不確定性分析

Abstract：Duetotecombinedfectsofglobalclimatechangeandstronghumaactivitiesextremefloodshavebecomefrequntand widespread，withsigantcangesiunofsquences.edictigfutueunongsinfloodproneareasderteiflucef climatechangeandhumanactivitiesisofgreatsignificanceforregionalwaterdisasterpreventionandrationalwaterresource utilization.Therefore，bytakingtheXijiangRiverBasin，regionwithfrequentflods，astheresearchbject，thispaperadoptsthe Mann-Kendallmutationtestandunivariatelinearregressonmethods torevealtheon-uniformcharacteristicsofthebasin'sunoff sequences.Basedonthis，theXin'anjiang hdrologicalmodel（XAJ）isbuilt，ndtheparticleswarmoptimization （PSO）algorithmis employedtocalibrateandvalidatethemodelparameters.Furthermore，byutilizingdatafrom15climatemodelsunderCMI6，thebias correctionandspatialdisaggegation（BCSD）downscalingmethodisappliedtodownscalethedatatotheXijiangRiverBasin. AditioalleesulllXJelisbtandidatoschsotofodelaie runoffchangesareadopted torevealthecharacteristicsoffuturewaterresourcevariabilityinthebasin.Theresultsshowthatthe annual runoff of the basin decreases year by year at a rate of 17.26m³/s ，with the abrupt change occurring in 2OO2. The built XAJ modelcanbemoreefectivelyappliedtotheXijiangRiverBasinanditsabilitytocapturepeakflowissuperior.Inteearediu， andlongter，eoffuringteonodsasonwillireasesigniiantlyilethatifodeasosilleceas.eul canprovideanimpantsentificbasisfratermanagementagenciestopln，llcate，andutilizeaterrsourcesreasoablyithe basin，thereby reducing the influence of GCMs and SSPs uncertainty on runof prediction uncertainty.

Keywords： climate change; runof prediction;uncertainty;Xijiang River Basin

21世紀(jì)以來(lái)，受全球氣候變暖和強(qiáng)人類活動(dòng)共同影響，中國(guó)水資源的時(shí)空演變規(guī)律發(fā)生顯著變化，水資源管理與規(guī)劃面臨嚴(yán)峻挑戰(zhàn)[1-2]。因此，準(zhǔn)確可靠的徑流預(yù)測(cè)結(jié)果可為水管部門科學(xué)開(kāi)展水資源規(guī)劃、調(diào)配和利用提供一定技術(shù)支撐[3-4]

隨著計(jì)算機(jī)技術(shù)的進(jìn)步，通常采用基于產(chǎn)匯流機(jī)制的物理模型方法和基于氣象、徑流數(shù)據(jù)驅(qū)動(dòng)的深度學(xué)習(xí)、機(jī)器學(xué)習(xí)方法5-進(jìn)行徑流序列預(yù)測(cè)。前者輸出結(jié)果由模型參數(shù)、結(jié)構(gòu)和物理假設(shè)條件共同決定，但因其充分考慮物理機(jī)制被得以廣泛應(yīng)用[7-8]。后者利用氣候因子與徑流之間的動(dòng)態(tài)關(guān)系預(yù)測(cè)徑流序列，但其精度嚴(yán)重依賴于所收集資料長(zhǎng)度及氣候因子選擇的不確定性。近年來(lái)，國(guó)內(nèi)外學(xué)者利用這2種方法進(jìn)行徑流序列預(yù)測(cè)[9-1]。例如，Chen 等[12]通過(guò)構(gòu)建IFAS與長(zhǎng)短時(shí)記憶模型（LongShort-TermMemory，LSTM）耦合模型預(yù)測(cè)了強(qiáng)降雨驅(qū)動(dòng)下流域洪水過(guò)程。張?zhí)m影等[13以石羊河8個(gè)子流域?yàn)槔肧VM模型成功預(yù)測(cè)了月徑流量。何玉芬等[14]通過(guò)耦合分布式GBEHM（GeomorphologyBasedEco-HydrologicalModel）水文模型和自回歸（Autoregressive，AR）誤差校正方法，開(kāi)展了多尺度（候、旬、月）徑流預(yù)報(bào)研究，結(jié)果表明該模型能較好地重現(xiàn)逐日徑流過(guò)程。董寧澎等5以雅襲江甘孜水文站以上流域?yàn)槔?，?gòu)建了考慮融雪產(chǎn)流和土壤凍融的新安江模型，并指出其可以顯著提升流域冰雪消融期的水文模擬精度。縱觀過(guò)往研究發(fā)現(xiàn)，基于數(shù)據(jù)驅(qū)動(dòng)的深度學(xué)習(xí)、機(jī)器學(xué)習(xí)模型在高緯度、高海拔山區(qū)因?qū)崪y(cè)數(shù)據(jù)長(zhǎng)度不足且質(zhì)量不高導(dǎo)致模型應(yīng)用受限，相對(duì)而言，新安江水文模型計(jì)算簡(jiǎn)便、運(yùn)算速度快，在開(kāi)展徑流預(yù)報(bào)方面具有獨(dú)特優(yōu)勢(shì)。因此，從未來(lái)視角，利用概念性水文模型厘清其在洪澇高發(fā)流域的適用性有助于提高氣候變化背景下流域未來(lái)洪峰情勢(shì)預(yù)估的準(zhǔn)確度。然而，氣候變化和人類活動(dòng)影響下未來(lái)洪澇高發(fā)區(qū)極端洪峰、洪量及洪水過(guò)程可能發(fā)生顯著改變，當(dāng)利用陸氣耦合模式（CMIP6和XAJ模型）預(yù)測(cè)未來(lái)洪水特征時(shí)氣候模式（GeneralCirculationModels，GCMs）和氣候變化情景（SharedSocioeconomicPathways，SSPs）不確定性對(duì)洪水預(yù)測(cè)不確定性的影響卻鮮有涉及。

因此，以洪澇頻發(fā)的西江流域?yàn)檠芯繉?duì)象，采用Mann-Kendall突變檢驗(yàn)和一元線性回歸方法揭示流域徑流序列的非一致性特征；基于此構(gòu)建XAJ水文模型，并采用粒子群優(yōu)化算法對(duì)模型參數(shù)進(jìn)行校準(zhǔn)和驗(yàn)證；其次，基于CMIP6下15種氣候模式數(shù)據(jù)，采用偏差校正空間分解降尺度方法將其降尺度至西江流域，并將其驅(qū)動(dòng)成功構(gòu)建的XAJ模型，并采用變差系數(shù)和徑流相對(duì)變化等指標(biāo)揭示流域未來(lái)水資源的豐枯變化特征及其不確定性影響。

1流域概況及數(shù)據(jù)來(lái)源

西江流域發(fā)源于云南省曲靖馬雄山東麓，干流全長(zhǎng)為 2214km² ，是珠江流域最長(zhǎng)河流，流域集水面積高達(dá)35.31萬(wàn) km² ，占珠江流域總面積的 80% ，其多年平均水資源量為2302億 m³ ，占珠江流域總水資源量的 68% 左右。流域地處熱帶和亞熱帶氣候區(qū)，降水量豐富，但其時(shí)空分配不均，降水主要發(fā)生在每年的4一10月，占年降水總量的 72%～86% ，且1960—2023年多年平均降水量為 1 200～1 900 水文站點(diǎn)空間分布見(jiàn)圖1。mm ，平均氣溫為 。流域地理位置及氣象、

圖1西江流域地理位置及氣象、水文站點(diǎn)空間分布

Fig.1Geologicallocationandspatialdistributionof meteorologicalandhydrologicalstationsinXijiangRiver Basin

本研究所收集數(shù)據(jù)為流域內(nèi)部及周邊33個(gè)國(guó)家一級(jí)氣象站1960—2023年逐日降水量、平均氣溫、最高氣溫、最低氣溫 ?2m 高處平均風(fēng)速、日照時(shí)數(shù)和相對(duì)濕度長(zhǎng)序列氣象數(shù)據(jù)，其來(lái)源于國(guó)家氣象數(shù)據(jù)服務(wù)共享網(wǎng)（http：//data.cma.cn/）。同時(shí)利用Penman-Monteith算法（P-M）計(jì)算各站點(diǎn)對(duì)應(yīng)的潛在蒸發(fā)量，其詳細(xì)計(jì)算公式參考文獻(xiàn)[16]。同時(shí)，收集了第6次國(guó)際耦合模式比較計(jì)劃（CoupledModeltercomparisonProjectPhase6，CMIP6）15種在中國(guó)區(qū)表現(xiàn)較好的氣候模式數(shù)據(jù)集，其涵蓋了3種氣候情景：SSP126（低排放情景）SSP245（中等排放情景）、SSP585（高排放情景），見(jiàn)表1。

2 研究方法

2.1Mann-Kendall非參數(shù)突變檢驗(yàn)方法（M-K）

M-K方法廣泛應(yīng)用于流域氣象、水文序列的突變性檢驗(yàn)[17]，其計(jì)算過(guò)程如下。

假定年徑流量序列為 {x_i}（i=1，2，3，…，n） ，接著

構(gòu)造新秩序列 m_i ，定義 d_k 為：

d_k 的均值、方差計(jì)算方法為：

假定檢測(cè)序列具有隨機(jī)性且相互獨(dú)立，定義統(tǒng)計(jì)量UF為：

式中：UF服從正態(tài)分布，當(dāng)給定顯著性水平 α ，本文中其值為 95% ；當(dāng) |UF|gt;U_α 時(shí)，表明年徑流量序列存在一定趨勢(shì)性，當(dāng)UF gt;0 ，則表明年徑流序列呈上升趨勢(shì)，否則呈下降趨勢(shì)；在置信區(qū)間內(nèi)，當(dāng)UF和UB曲線相交時(shí)，該交點(diǎn)即為流域年徑流序列的突變點(diǎn)，即突變年份。

表1CMIP6下全球15種氣候模式數(shù)據(jù)集

Tab.1Globaldatasetof15climatemodelsunderCMIP6

2.2新安江水文模型

基于薩克拉門托模型原理引入了新安江模型，并提出了三水源新安江模型[18]。該模型核心過(guò)程為：分析流域某一時(shí)刻降水、土壤水以及產(chǎn)流量之間的非線性關(guān)系，從而獲得流域水文過(guò)程。該模型主要分為四大模塊：蒸散發(fā)模塊、產(chǎn)流模塊、分水源計(jì)算模塊和匯流模塊。其中，蒸散發(fā)計(jì)算模塊采用3層蒸散發(fā)模型；產(chǎn)流模塊采用蓄滿產(chǎn)流模型；分水源計(jì)算模塊采用自由水蓄水庫(kù)結(jié)構(gòu)將總徑流劃分為地表徑流、壤中流和地下徑流3種徑流成分；匯流模塊采用線性水庫(kù)和分段馬斯京根連續(xù)演算法計(jì)算坡面及河道匯流。模型原理詳見(jiàn)參考文獻(xiàn)[18]。模型各層次結(jié)構(gòu)功能、計(jì)算方法見(jiàn)圖2。

2.3偏差校正空間分解（BCSD）降尺度方法

BCSD（Bias Correction and Spatial Disaggrega-tion）降尺度法最早由Wood等[19]提出，近年來(lái)被國(guó)內(nèi)外研究學(xué)者廣泛使用。在本研究中為解決CMIP6下15種GCMs數(shù)據(jù)在西江流域尺度模擬誤差較大的問(wèn)題，采用能夠較好重現(xiàn)氣象要素變化特征的BCSD法分別對(duì)降水、溫度等氣候模式數(shù)據(jù)進(jìn)行偏差校正，降尺度到 0.25^°×0.25^° 空間分辨率。其過(guò)程為：假定氣象要素的觀測(cè)數(shù)據(jù)與GCMs數(shù)據(jù)的累積概率分布一致，通過(guò)分位數(shù)映射修正GCMs數(shù)據(jù)，將修正后的GCMs與升尺度后的觀測(cè)資料均值的差值作為修正因子，并對(duì)修正因子進(jìn)行雙線性插值得到高分辨率的修正因子，最后基于高分辨率觀測(cè)資料均值還原到各個(gè)時(shí)間序列。

輸出 輸入蒸散發(fā)E 實(shí)測(cè)降雨P(guān)、流域蒸散發(fā)EWM，K，B，（I-P） IMP透水面積產(chǎn)流R不產(chǎn)流面積產(chǎn)流面積 不透水面積 產(chǎn)流RB 產(chǎn)流計(jì)算1-FR FR張力水蓄水量R SM 地面徑流RS 地面總?cè)肓鱍S 流域出流UMLM 上層蓄水量WU 自由水 KI 壤中流RI CI 壤中總?cè)肓鱍IC 下層蓄水量W蓄水量S KG 地下徑流RGCG 地下總?cè)肓鱍G三層蒸發(fā)計(jì)算 三水源劃分 匯流計(jì)算

2.4水文模型精度評(píng)價(jià)指標(biāo)

本文選擇Kling-Gupta效率系數(shù)KGE、平均絕對(duì)誤差MAE和決定系數(shù) R² 對(duì)XAJ模型在西江流域的適應(yīng)性進(jìn)行評(píng)價(jià)。各指標(biāo)計(jì)算見(jiàn)式（5）一（7）：

KGE=1-

式中：CC為模擬與實(shí)測(cè)值的決定系數(shù)； 為模擬流量; Q_obs 為實(shí)測(cè)流量； N 為率定期或者驗(yàn)證期的時(shí)間序列長(zhǎng)度。

3 結(jié)果與討論

3.1流域年徑流量序列趨勢(shì)性和突變性檢驗(yàn)結(jié)果

為了進(jìn)一步揭示流域豐枯變化和非一致性突變特征，本小節(jié)采用一元線性回歸和M-K突變檢驗(yàn)結(jié)果對(duì)西江流域控制站梧州水文站1960—2023年年徑流量序列進(jìn)行趨勢(shì)性和突變性檢驗(yàn)，結(jié)果見(jiàn)圖3。

a）由圖3a可知，通過(guò)流域年徑流量趨勢(shì)線可以看出，年徑流量每年以 17.26m³/s 的速率逐年遞減，且2000年之后尤為明顯；同時(shí)，年徑流量最大值發(fā)生于1968年，其值為 9015.26m³/s ，最小值發(fā)生于1963年，其值為 3105.48m³/s ；此外1980—2005年之間， 95% 置信水平下年徑流量序列不確定性區(qū)間更窄，即年際尺度徑流變幅小，而近期（2005一2023年）徑流變幅較大，這意味著受氣候和下墊面影響流域“旱澇互轉(zhuǎn)\"更加頻繁[20]

b）由圖3b可知， 95% 置信水平下流域年徑流量序列計(jì)算獲得的UF和UB曲線分別于2002、2014和2016年，結(jié)合陳立華等2研究結(jié)果（突變年份為2002年），本研究最終確定西江流域徑流突變年份為2002年。

c）基于年徑流量序列突變和趨勢(shì)性檢驗(yàn)結(jié)果可知，突變年前后，多年平均徑流量分別為6706.15、5872.29m³/s ，其減少了 833.86m³/s O

圖3梧州水文站1960一2023年年徑流量序列趨勢(shì)性和突變性檢驗(yàn)結(jié)果

Fig.3 Trend and mutation test results of annual runoff sequences at Wuzhou Hydrological Station from 1960 to 2023

3.2XAJ水文模型在西江流域的適應(yīng)性評(píng)價(jià)

基于流域年徑流量序列“非一致性\"突變檢驗(yàn)結(jié)果，為了更好反映流域現(xiàn)狀，本研究XAJ水文模型預(yù)熱期、率定期和驗(yàn)證期分別為2003、2004—2010和2011—2015年。同時(shí)，采用粒子群優(yōu)化算法（ParticleSwarmOptimization，PSO）22l對(duì)XAJ水文模

型參數(shù)進(jìn)行率定。

表2和圖4為西江流域構(gòu)建的XAJ水文模型率定期和驗(yàn)證期模型適應(yīng)性評(píng)價(jià)結(jié)果。由表2可知，率定期下，KGE、MAE和 R² 指標(biāo)值分別為0.92、1308.90和0.95，而驗(yàn)證期下其值分別為0.84、1757.06和0.88，且模擬值與實(shí)測(cè)值之間的誤差更小。

同理，由圖4可以看出，率定期和驗(yàn)證期下，XAJ模型模擬水文過(guò)程與實(shí)測(cè)水文過(guò)程基本保持一致，且對(duì)峰值流量的捕捉能力優(yōu)于非汛期極端低流量值；同時(shí)發(fā)現(xiàn)驗(yàn)證期極端高流量值小于率定期極端高流量值?？傊狙芯繕?gòu)建的XAJ水文模型可以較優(yōu)地應(yīng)用于西江流域，即其可以用于未來(lái)徑流量預(yù)測(cè)研究。

表2率定期和驗(yàn)證期XAJ水文模型在西江流域的適應(yīng)性評(píng)價(jià)結(jié)果

Tab.2Evaluationresultsofthecalibrationandvalidation periodsoftheXAJmodelinXijiangRiverBasin

3.3 CMIP6下15種GCMs在西江流域的適應(yīng)性 評(píng)價(jià)

本研究采用BCSD降尺度方法將CMIP6下15種GCMs氣象要素降尺度至西江流域，為了進(jìn)一步揭示各氣候模式GCMs模擬的氣象要素在流域的適應(yīng)性，本小節(jié)基于1960—2014年實(shí)測(cè)月降水量、月平均氣溫、最高氣溫和最低氣溫序列，繪制了各氣象要素實(shí)測(cè)值和GCMs模擬值之間的泰勒?qǐng)D用以適應(yīng)性精度評(píng)價(jià)，結(jié)果見(jiàn)圖5。

a）降水下，15種GCMs的模擬值與實(shí)測(cè)值之間相關(guān)性系數(shù)差異明顯，且 60%GCMs 對(duì)應(yīng)的 R² 大于0.45，其中模擬精度最好的為FGG和ACE5，最差的為ECE。

b）平均氣溫下，15種GCMs模擬值與實(shí)測(cè)值之間的相關(guān)性系數(shù)均大于0.70（GFES除外），且精度評(píng)價(jià)最優(yōu)的為ACE5，這證明本文降尺度獲得的GCMs對(duì)降水和氣溫的捕捉能力較好。

c）同理，最高和最低氣溫下，前者的表現(xiàn)形式與平均氣溫的相似，且各氣候模式下精度評(píng)估性能差異較小，而后者下，僅 50%GCMs 獲得的模擬值與實(shí)測(cè)值之間的 R² 為 0.65～0.70 。

總的來(lái)說(shuō)，由澳大利亞氣候與天氣研究系統(tǒng)研發(fā)的ACE5氣候模式在西江流域的適應(yīng)性最好。

圖4率定期和驗(yàn)證期XAJ模擬和實(shí)測(cè)水文過(guò)程擬合結(jié)果 Fig.4FittingresultsofXAJsimulatedandmeasured hydrologicalprocessesduringcalibrationand validationperiods

3.4不確定性條件下西江流域年際和年內(nèi)尺度徑流量預(yù)測(cè)

3.4.1流域年際尺度未來(lái)徑流量預(yù)測(cè)結(jié)果

基于前文分析可知，GCMs不確定性對(duì)氣象要素預(yù)測(cè)產(chǎn)生重要影響，因此，為了進(jìn)一步揭示其影響，本小節(jié)以3種氣候情景：SSP126（低排放情景）、SSP245（中等排放情景）、SSP585（高排放情景）為評(píng)價(jià)對(duì)象繪制了未來(lái)徑流量預(yù)測(cè)不確定性區(qū)間，結(jié)果見(jiàn)圖6。

分析圖6發(fā)現(xiàn)：GCMs不確定性對(duì)汛期徑流預(yù)測(cè)不確定性的影響大，尤其是汛前和汛后時(shí)期；同時(shí)，不同SSPs下，未來(lái)時(shí)期（2020—2050年）徑流量時(shí)程變化規(guī)律相似，但各年份極端高值存在一定差異性，例如2020年，SSP126、SSP245和SSP585下年最大徑流量分別為 9876，11240.68，12685.75m³/s 此外，SSP585下徑流預(yù)測(cè)不確定性區(qū)間更大、SSP126次之，而SSP245最小。

此外，由圖6中不同SSPs下多種GCMs徑流集合平均預(yù)測(cè)結(jié)果和最佳GCM（ACE5模式）結(jié)果可知，較ACE5模式，多種GCMs徑流集合平均預(yù)測(cè)值在豐水期低估洪峰流量，而在枯水期高估極端低流量，這側(cè)面表明GCMs徑流集合平均預(yù)測(cè)結(jié)果可保守預(yù)測(cè)未來(lái)徑流過(guò)程，但其對(duì)極端流量的捕捉能力較差。

3.4.2 流域月尺度未來(lái)徑流量預(yù)測(cè)結(jié)果

為了進(jìn)一步揭示GCMs不確定性對(duì)未來(lái)不同時(shí)期月尺度徑流預(yù)測(cè)的差異性，本小節(jié)將未來(lái)時(shí)期劃分為3個(gè)時(shí)期，其分別為：近期（2020—2030年）、中期（2031—2040年）和遠(yuǎn)期（2041—2050年）。同時(shí)，采用變差系數(shù)和徑流相對(duì)變化指標(biāo)揭示流域未來(lái)不同時(shí)期水資源的豐枯變化特征，結(jié)果見(jiàn)圖7。

a）不同SSPs下，較基準(zhǔn)期（2004—2016年），未來(lái)不同時(shí)期（近、中和遠(yuǎn)期）各月份徑流量變化規(guī)律相似，整體呈現(xiàn)出汛前至汛末（5一9月）未來(lái)徑流量將減少，而非汛期徑流量將增大，這一規(guī)律與單敬敬[23]研究結(jié)果相似。

b）對(duì)比不同SSPs下梧州站月尺度徑流量的變差系數(shù) （C_v） 相對(duì)變化可知，月尺度下，其變差系數(shù)相對(duì)變化量值均小于0，即未來(lái)不同時(shí)期徑流變異過(guò)程更加平穩(wěn)，這可能歸因于未來(lái)減小GCMs不確定性對(duì)徑流預(yù)測(cè)不確定性的影響，將15種GCMs模擬值進(jìn)行均值處理，存在一定的模擬值坦化現(xiàn)象，但各月份未來(lái)徑流平穩(wěn)程度存在一定差異性，例如，汛期更加平穩(wěn)，而非汛期變幅較大。

c）對(duì)比不同SSPs下非汛期徑流相對(duì)變化量結(jié)果可知，SSP126下，10月至次年4月徑流量呈增加趨勢(shì)，其增幅約為基準(zhǔn)期的 50% 左右，而SSP585下，其增幅僅為 10% 左右，這意味著氣候情景不確定性對(duì)不同時(shí)期月徑流量預(yù)測(cè)不確定性均產(chǎn)生一定影響。

d）以非汛期2月為例，由近期（2020—2030年）至遠(yuǎn)期（2041—2050年），未來(lái)徑流量增加幅度進(jìn)一步增加，但由低排放情景至高排放情景，其徑流量增幅明顯增加。

e）總之，未來(lái)近、中和遠(yuǎn)期下，非汛期徑流量增加明顯，而汛期徑流量呈減少趨勢(shì)，即流域未來(lái)汛期水資源供需矛盾愈加突出，而非汛期得以有一定緩解。

圖7基于XAJ水文模型的未來(lái)近、中和遠(yuǎn)3個(gè)時(shí)期月尺度徑流量變化規(guī)律

Fig.7Runoff variation paternsona monthly scale in near，medium，and long terms based on XAJmodel

4結(jié)論

以受氣候和下墊面影響較大的西江流域?yàn)檠芯繉?duì)象，采用多種統(tǒng)計(jì)分析方法揭示了流域水資源的“非一致性\"趨勢(shì)性和突變性變異特征；通過(guò)構(gòu)建XAJ和GCMs耦合模型預(yù)估了西江流域未來(lái)水資源量的豐枯變異規(guī)律。

a）流域年徑流量以 17.26m³/s 的速率逐年遞減，并于2002年發(fā)生了“非一致性\"突變，且通過(guò)了95% 置信水平顯著性檢驗(yàn)。

b）構(gòu)建的XAJ水文模型可以較優(yōu)地應(yīng)用于西江流域，其可有效重現(xiàn)流域水文過(guò)程，率定期下，KGE、MAE和 R² 指標(biāo)值分別為 0.92、1308.90 和0.95，且精度優(yōu)于驗(yàn)證期。

c）GCMs和SSPs不確定性均對(duì)未來(lái)不同時(shí)期（近、中和遠(yuǎn)期）年際和年內(nèi)尺度徑流預(yù)測(cè)不確定性產(chǎn)生重要影響，整體表現(xiàn)為：未來(lái)近、中和遠(yuǎn)期下，非汛期徑流量增加明顯，而汛期徑流量減少。

d）本文構(gòu)建的XAJ模型雖較好地重現(xiàn)流域水文過(guò)程，但模型參數(shù)、結(jié)構(gòu)不確定性均對(duì)徑流預(yù)報(bào)結(jié)果產(chǎn)生一定影響，如何進(jìn)一步量化GCMs、SSPs以及水文模型參數(shù)、結(jié)構(gòu)不確定性對(duì)預(yù)測(cè)不確定性的貢獻(xiàn)，同時(shí)兩兩及以上之間的交互作用對(duì)預(yù)測(cè)不確定性貢獻(xiàn)仍需要深入地研究。同時(shí)，除氣候變化環(huán)境因素外，人類活動(dòng)如砍伐森林、城市化發(fā)展等，都會(huì)對(duì)徑流產(chǎn)生較大的影響[23-24]，如何定量地區(qū)分其中氣象要素和人類活動(dòng)的貢獻(xiàn)率也有待進(jìn)一步分析。

參考文獻(xiàn)：

[1］梁文翔，駱震，陳伏龍，等．基于CMIP6多模式集合的內(nèi)陸河徑流模擬及預(yù)估[J].地學(xué)前緣，2024，31（6）：450-461.

[2]王國(guó)慶，虞暢，金君良，等．氣候變化對(duì)南水北調(diào)西線工程的影響及建議[J].人民黃河，2024，46（9）：60-66.

[3]汪海，沈延青，祁善勝，等．基于STL-CEEMDAN-LSTM模型的月徑流量預(yù)測(cè)[J].人民珠江，2025，46（4）：39-46.

[4]王文川，顧淼.基于SGMD-SE-AVOA-LSTM耦合模型的月徑流預(yù)測(cè)[J].應(yīng)用基礎(chǔ)與工程科學(xué)學(xué)報(bào)，2024，32（6）：1755-1771.

[5]張書(shū)齊，左其亭，臧超，等．基于CNN-LSTM-Attention模型的沁河流域徑流模擬及未來(lái)多情景預(yù)測(cè)[J].水資源與水工程學(xué)報(bào)，2024，35（5）：73-81.

[6］雷興碧.基于多源降水與改進(jìn)GR4J模型的巖溶山區(qū)流域徑流預(yù)報(bào)研究[D].南寧：廣西大學(xué)，2024.

[7]孫明博，閆寶偉，常建波，等.基于物理機(jī)制和深度學(xué)習(xí)的混合模型及應(yīng)用研究[J].中國(guó)農(nóng)村水利水電，2024（8）：67-72，80.

[8]陳嵐，羅純良，李慧贊，等．DYRESM和新安江模型在洱海出入流重建中的應(yīng)用對(duì)比[J].地理科學(xué)進(jìn)展，2023，42（3）：543-557.

[9]劉聲洪，SOOMROSEH，李穎，等.基于相關(guān)性檢驗(yàn)的VMD-LSTM耦合模型月徑流模擬研究［J]．水資源與水工程學(xué)報(bào)，2024，35（2）：71-82.

[10]程家波，姬厚靈，陳中舉，等.基于GWO-PE-VMD-ResNet組合模型的日徑流預(yù)測(cè)[J].水電能源科學(xué)，2024，42（8）：43-47.

[11]吳小濤，袁曉輝，袁艷斌，等.基于EEMD-VMD-SSA-KELM模型的汛期日徑流預(yù)測(cè)[J].中國(guó)農(nóng)村水利水電，2023（7）：27-34.

[12]CHEN YC，GAO JJ，BIN ZH，et al. Application study of IFASand LSTM models on runoff simulationand flood prediction in theTokachiRiverbasin[J].JournalofHydroInformatics，2O21，23（5）：1098-1111.

[13]張?zhí)m影，龐博，徐宗學(xué)，等．基于支持向量機(jī)的石羊河流域徑流模擬適用性評(píng)價(jià)[J].干旱區(qū)資源與環(huán)境，2013，27（7）：113-118.

[14］何玉芬，楊漢波，董寧澎，等．分布式水文模型與自回歸誤差校正相結(jié)合的低枯流量預(yù)報(bào)研究[J].水利學(xué)報(bào)，2024，55（12）：1539-1547.

[15］董寧澎，王浩，楊明祥，等．考慮融雪及土壤凍融的新安江模型及其應(yīng)用：以雅襲江上游徑流模擬為例[J].水科學(xué)進(jìn)展，2024，35（4）：530-542.

[16］張一然，周德剛，郭曉峰．變暖背景下黃河源區(qū)氣候響應(yīng)特征及對(duì)徑流的影響[J].中國(guó)科學(xué)：地球科學(xué)，2024，54（3）：862-873.

[17］張獻(xiàn)志，楊明暉，劉吉峰．黃河內(nèi)蒙古河段凌情要素序列突變點(diǎn)診斷[J].人民黃河，2020，42（S2）：21-22，33.

[18］徐宗學(xué)，班春廣，張瑞．我國(guó)主要河川徑流演變規(guī)律與歸因及其區(qū)域特征[J].水利水電科技進(jìn)展，2024，44（1）：1-8.

[19]WOOD A W，LEUNGL R，SRIDHARV，etal．Hydrologicimplicationsofdynamical andstatisticalapproachestodownscalingclimatemodel outputsJ].ClimaticChange，2004，62（1）：180-216.

[20］王寶恩.強(qiáng)化跨省河流水資源統(tǒng)一調(diào)度扎實(shí)推動(dòng)新階段珠江水利高質(zhì)量發(fā)展[J].水利發(fā)展研究，2024，24（1）：46-50.

[21]陳立華，劉為福，冷剛，等．西江干流徑流年際及年內(nèi)變化趨勢(shì)分析[J].南水北調(diào)與水利科技，2018，16（4）：74-81.

[22]曾杭，易祖新，黃草，等．基于PSO的新安江模型對(duì)資水流域柘桃區(qū)間洪水預(yù)報(bào)研究[J].人民珠江，2024，45（S1）：175-185，200.

[23］單敬敬.西江流域河川徑流對(duì)氣候和土地利用變化的響應(yīng)研究[D].南京：南京信息工程大學(xué)，2024.

[24］林嫻，陳曉宏，何艷虎，等．氣候變化和人類活動(dòng)對(duì)武江流域年徑流及最大日流量影響的定量分析[J].自然資源學(xué)報(bào)，2018，33（5）：828-839.

（責(zé)任編輯：李燕珊）