EN中文

干旱区地理 >

2025 , Vol. 48 >Issue 8: 1329 - 1341

DOI: https://doi.org/10.12118/j.issn.1000-6060.2024.634

气候与水文

基于CMIP6的伊犁河流域极端降水时空特征分析研究

  • 刘京会 ,
  • 袁旭山 ,
  • 李艳敏 ,
  • 李鑫旭
展开
  • 防灾科技学院应急技术与管理学院，河北 三河 065201
袁旭山（2000-），男，硕士研究生，主要从事灾害监测与评估研究. E-mail:

刘京会（1975-），女，博士，副教授，主要从事灾害监测与评估、灾害遥感与GIS应用. E-mail:

收稿日期: 2024-10-20

  修回日期: 2025-01-16

  网络出版日期: 2026-03-11

基金资助

第三次新疆综合科学考察项目资助(2022xjkk0600)

中央高校基本科研业务费专项资金课题(ZY20180115)

中央高校基本科研业务费专项资金(ZY20240344)

收起

Spatio-temporal characteristics of extreme precipitation in the Ili River Basin based on CMIP6

  • Jinghui LIU ,
  • Xushan YUAN ,
  • Yanmin LI ,
  • Xinxu LI
Expand
  • School of Emergency Technology and Management, Institute of Disaster Prevention, Sanhe 065201, Hebei, China

Received date: 2024-10-20

  Revised date: 2025-01-16

  Online published: 2026-03-11

Fold

摘要

在全球变暖的影响下，极端降水事件引发的灾害风险日益加剧，对地区的社会经济发展和公众的生命财产安全造成严重威胁。首先对1981—2024年伊犁河流域的8个极端降水指数进行时空特征分析，并通过第六次国际耦合模式比较计划（Coupled Model Intercomparison Project Phase 6，CMIP6）多个模式不同情景的数据，使用多模式集合平均法和Sen’s斜率估计法分析2025—2050年不同情景下的极端降水指数时空变化。结果表明：（1）1981—2024年的伊犁河流域极端降水指数多呈上升趋势，尤以东部和西南部山区显著。（2）2025—2050年SSP245和SSP585情景下，极端降水波动性大但整体呈上升趋势，其中SSP585情景下极端降水更频繁强烈，伊犁河流域东部和南部山区的年降水量及强降水事件显著增加，展现出更强的降水趋势和更高的极端降水风险，而北部和中部平原地区强降水事件相对较少，这种空间异质性可能对区域自然灾害频发程度及农业生产、畜牧养殖产生不同影响。研究结果可为地方政府部门制定极端降水事件防控策略提供科学依据。

关键词： CMIP6; 极端降水; 时空变化特征; 伊犁河流域

本文引用格式

刘京会 , 袁旭山 , 李艳敏 , 李鑫旭 . 基于CMIP6的伊犁河流域极端降水时空特征分析研究[J]. 干旱区地理, 2025 , 48(8) : 1329 -1341 . DOI: 10.12118/j.issn.1000-6060.2024.634

Abstract

Under the influence of global warming, the disaster risks associated with extreme precipitation events have intensified. These risks pose serious threats to regional socioeconomic development and the safety of life and property. Considering historical daily meteorological data from 1981 to 2024, this study examines the spatiotemporal distribution patterns of extreme precipitation indices in the Ili River Basin, Xinjiang, China. Furthermore, using data from multiple models under the Coupled Model Intercomparison Project Phase 6 (CMIP6) and applying the multimodel ensemble mean and Sen’s slope estimation method, this study estimates the changes in these indices under different scenarios from 2025 to 2050. The results indicate that: (1) From 1981 to 2024, most extreme precipitation indices in the Ili River Basin exhibited an increasing trend, especially in the eastern and southwestern mountainous regions. (2) From 2025 to 2050, under the SSP245 and SSP585 scenarios, extreme precipitation is estimated to result in large fluctuations but in an upward trend. In particularly, under the SSP585 scenario, precipitation events are expected to become more frequent and intense, with remarkable increases in annual precipitation and extreme precipitation events in the eastern and southern mountainous regions of the Ili River Basin, indicating a stronger upward trend and increased risk. By contrast, extreme precipitation events are projected to be relatively fewer in the northern and central plains. This spatial heterogeneity may have differentiated impacts on the frequency of natural disasters and agricultural and pastoral production in the region. The findings provide a scientific basis for preventing and mitigating extreme precipitation hazards and support high-quality regional development in the Ili River Basin.

Key words： CMIP6; extreme precipitation; spatio-temporal variation characteristics; Ili River Basin

气候变化会加剧极端降水事件，提升其发生频率、强度及持续时间，对社会经济发展和生态系统建设造成严重损失[1]。此外，极端降水，特别是降水强度，到达一定程度会引发洪涝灾害，对人员生命财产造成严重威胁[2]。因此，探究极端降水的时空分布规律，并预估其未来极端降水情况，对提升一个区域应对灾害的能力和制定适应的策略具有重要意义。气候变化导致各地区极端降水现象呈现出不同的变化趋势，这些变化引发了灾害性事件，因而备受社会各界关注[3]。张宏芳等[4]运用极值分布和统计学的方法，分析了秦岭2个阶段的极端降水时空演变特征，并对比了4个季节之间差异；邹磊等[5]选取降水量、降水强度、最大1 d降水量和强降水量等6种极端降水指数，采用Mann-Kendall（M-K）趋势检验和小波变换方法分析渭河流域极端降水时空演变规律，并进一步探究极端降水指数与大气环流因子之间的关联性问题；赵丽等[6]采用M-K突变检验法对我国西北地区极端降水情况进行研究，研究发现过去50 a我国西北干旱区尤其是北疆地区及天山山区极端降水事件呈现增加趋势；杨霞等[7]基于百分位阈值的方法分析新疆地区夏季极端强降水的时空演变特征，并进一步认识新疆干旱区、半干旱区极端降水的发生规律。研究发现，极端降水频率和强度的增加，导致我国西北地区如新疆等地容易发生较多的暴雨洪水灾害以及引发的山体滑坡、泥石流等地质灾害[8]。鉴于极端降水事件日益增强且频发，可能诱发重大洪涝灾害，故而探究其变化趋势及规律的工作变得尤为迫切和重要[9]。
分析未来气候变化的潜在影响是全球气候研究的重要目标之一，而第六次国际耦合模式比较计划（Coupled Model Intercomparison Project Phase 6，CMIP6）作为世界气候研究计划（World Climate Research Programme，WCRP）主导的全球性气候模型对比计划，是实现这一目标的主要手段[10]。通过多模式实验，CMIP6不仅能够深入理解气候系统的复杂性，还为预测和应对未来气候变化提供了科学依据。在已有研究中，学者基于不同研究目标选取了多种CMIP6模式进行模拟分析。例如，王双双等[11]评估了28个气候模式对中国气温日较差的模拟能力；胡一阳等[12]利用18个高分辨率模式分析了中国降水特征；杨小玲[13]和向竣文等[14]分别优选了20个模式研究气候态分布及极端气温与降水特征；张晓璐等[15]则基于20个模式分析了新疆地区降水和温度的变化。有学者[16]已经针对伊犁河流域的降水时空演变特征进行相应的研究。然而，缺乏对伊犁河流域极端降水以及未来极端降水的深入分析[17]。综上所述，本文以伊犁河流域为研究区域，共选取8个极端降水指数，分析1981—2024年的各极端降水指数的时空分布特征，并基于CMIP6多模式集合数据，系统分析各极端降水指数在不同气候情景下的时空演变规律，为区域极端降水事件的未来变化趋势预测提供了科学依据。

1 研究区概况

伊犁河流域位于中国新疆维吾尔自治区，地处天山北支婆罗科努山与南支哈尔克山之间，地理位置介于80°09′~84°56′E和42°14′~44°50′N之间（图1），是中国连接中亚、西亚和欧洲等地的重要通道[18]。研究区域地貌类型多样，整体地形呈现“东高西低、东窄西宽”的空间格局[19]。由于其地处欧亚大陆腹地，地形三面环山，西方的暖湿气流可直接汇入伊犁河谷平原，显著增加了极端降水事件的发生概率[20]。此外，流域地势起伏较大，大部分降水汇聚到伊犁河中，导致河流沿岸居民面临山洪灾害的严重威胁[21]。这一独特的地理和气候条件使得伊犁河流域成为极端降水事件的高发区，对区域生态环境、居民生活以及区域间的经济文化交流产生重要影响。
图1 研究区示意图

Fig. 1 Schematic diagram of the study area

2 数据来源与模式选取

本文所用气象数据分为历史与未来模拟两类。历史降水数据是伊犁河流域10个国家级气象站点1981—2024年逐日降水数据集（http://data.cma.cn），进行了数据质量控制。参考上述学者对中国及新疆地区模式选取的经验，结合研究需求及数据可获得性，最终选取了20个气候模式（https://esgf-node.llnl.gov/search/cmip6/），详见表1。
表1 CMIP6中20个模式的基本信息

Tab. 1 Basic information of 20 modes in CMIP6

模式名称 所属国家或地区 所属机构简称 格点数
ACCESS-ESM1-5 澳大利亚 CSIRO 145×192
ACCESS-CM2 澳大利亚 CSIRO-ARCCSS 144×192
BCC-CSM2-MR 中国 BCC 160×320
CESM2-WACCM 美国 NCCR 192×288
CanESM5 加拿大 CCCma 64×128
CESM2 美国 NCCR 192×288
CNRM-ESM2-1 法国 CNRM-CERFACS 249×362
EC-Earth3 欧盟 EC-Earth-Consortium 256×512
EC-Earth3-Veg 欧盟 EC-Earth-Consortium 256×512
FGOALS-g3 中国 CAS 80×180
GFDL-ESM4 美国 NOAA-GFDL 180×288
GFDL-CM4 美国 NOAA-GFDL 180×288
IPSL-CM6A-LR 欧盟 IPSL 90×144
KACE-1-0-G 韩国 NIMS-KMA 144×192
MPI-ESM1-2-HR 德国 MPI-MDWD DKRZ 192×384
MRI-ESM2-0 日本 MRI 160×320
NESM3 中国 NUIST 96×192
NorESM2-LM 挪威 NCC 96×144
NorESM2-MM 挪威 NCC 192×288
UKESM1-0-LL 英国 MOHC 144×192
对20个模式通过双曲线插值将数据调整至0.25°×0.25°的分辨率，分别经过降尺度处理到每个气象站点，再基于Delta偏差矫正方法得到每个模式矫正后的数据，为了筛选出适用于伊犁河流域的气候模式，将20个气候模式矫正后的数据与伊犁河流域1981—2024年逐日实际观测数据进行模拟对比，这一筛选过程通过泰勒图来实现（图2），泰勒图由标准差、相关性系数和均方根误差组成。模型精度评估体系包含3个关键指标：标准差趋近1表示模拟精度最优；极角表征模拟与实测数据的相关性强度，其值越大表明拟合度越高；同心圆弧反映中心均方根误差（RMSE），其半径越小则模拟准确性越佳。通过观察可以看出，ACCESS-ESM1-5等5个模式与实际观测数据相关性为负，以及CESM2-WACCM等5个模式与实际观测数据的相关性相对较小，因此将上述10个气候模式剔除。最终选取CanESM5、ACCESS-CM2、EC-Earth3、EC-Earth3-Veg、FGOALS-g3、IPSL-CM6A-LR、KACE-1-0-G、MPI-ESM1-2-HR、MRI-ESM2-0、NorESM2-MM共10个气候模式，其中EC-Earth3模式的矫正效果最好，EC-Earth3-Veg次之，因其他模式的相关性系数均大于0.5且相差不大，为了消除其他因素的影响，保留这10个气候模式数据。
图2 20个模式的泰勒图模拟结果

Fig. 2 Simulation results of Taylor diagram for 20 models

3 研究方法

3.1 极端降水指数

本文从世界气象组织气候委员会与气候变率计划定义的11个基本极端降水指数中选择其中8个极端降水指数[22]，具体解释见表2。本研究建立的极端降水指标体系将8个特征指数划分为强度、相对和绝对指数3个维度[23]。通过RclimDex 1.0软件计算得到极端降水指数。
表2 极端降水指数定义

Tab. 2 Definitions of extreme precipitation indices

类型 指标 缩写 含义 单位
强度指数 降水量 PRCPTOT 日降水量≥1 mm的总降水量 mm
降水强度 SDLL 连续降水的日平均降水量 mm·d-1
最大1 d降水量 RX1day 最大的当日降水量 mm
最大5 d降水量 RX5day 最大的连续5 d降水量 mm
相对指数 强降水量 R95p 日降水量>95%降水总量 mm
极强降水量 R99p 日降水量>99%降水总量 mm
绝对指数 最长有降水日数 CWD 1 a内最长有降水的天数 d
最长无降水日数 CDD 1 a内最长无降水的天数 d

3.2 Delta方法

Delta法是一个常用的偏差矫正方法，这个方法能够计算模式与观测数据之间的偏差，并将这个偏差用于调整未来模式数据，从而实现对未来数据的偏差矫正处理[24]。通过实施Delta偏差矫正方法，首先计算1981—2024年内模式数据与观测数据之间的偏差，即Delta值，随后利用所建立的Delta关系模型，对2025—2050年的CMIP6模式降水数据进行调整，获得更为精细且接近真实情况的预估数据。

3.3 多模式集合平均法

多模式集合平均法（Multi-model ensemble，MME）作为气候模拟研究的重要方法[25]，主要包括等权和加权2种集合方式。本研究采用等权集合平均法，其计算公式为：
E E = 1 N ∑ i = 1 N F i
式中：EE为等权集合平均值；N为模式的个数； F i为第i个模式模拟的结果。

3.4 Mann-Kendall（M-K）趋势检验法

M-K趋势检验法常用于检测时间序列数据中是否存在上升或下降趋势。该方法的一个优势在于它不依赖于任何特定的数据分布，并且能够处理包含异常值和非正态分布的数据，因此非常适合于分析气候学、水文学、环境科学等领域中的时间序列数据[26]。具体来说，当Z值大于0时，表示时间序列呈现上升趋势。

3.5 Sen’s斜率估计法

Sen’s斜率估计法是一个非参数的统计方法，通过计算所有可能点对之间斜率的中位数来估计数据的趋势斜率，该方法对异常值不敏感，能够处理不符合正态分布的数据，广泛应用于趋势分析、异常检测和预测等任务中[27]。通过计算时间序列的斜率β来表示其趋势变化，若β>0，则表示时间序列呈上升趋势；若β=0，则表示时间序列无显著变化；若β<0，则表示时间序列呈下降趋势。

4 结果与分析

4.1 偏差矫正结果

采用Delta偏差矫正的方法，对10个气候模式集合平均后的逐日降水模拟数据进行偏差矫正（图3）。从整体上看，偏差矫正后的模拟降水量要低于实际观测值，并且订正后的降水总体变化趋势表现为偏差显著减少、季节性变化明显、逐日降水量准确性提高以及整体趋势的一致性。具体分析其变化特征，可以看出偏差矫正前的模拟值，其与实际观测值具有较大的变差，并且在季节上的变化趋势不明显，而经过Delta偏差矫正后的日尺度降水量，则显著降低了这个偏差，使得模拟的逐日降水量更加接近实际观测情况。通过观察可以看出夏季（尤其是7月）的降水量相对较大，而冬季（1月和12月）则较小，与实际降水在季节上的变化趋势一致，这个季节性的降水差异在偏差矫正后的数据中得到了很好的体现。
图3 1981—2024年偏差矫正前后的逐日降水量对比

Fig. 3 Comparison of daily precipitation before and after bias correction from 1981 to 2024

4.2 CMIP6气候模式模拟效果评估

采用泰勒图对比分析10个气候模式及多模式集合平均（MME）数据集与观测数据的模拟性能（图4）。MME凭借其最低的标准差（1.01）、较低的均方根误差（0.122）以及最高的预测与观测数据之间的相关性系数（0.765），优于其他单一模型。相比之下，单一模型的表现各有优劣。例如，EC-Earth3模型在相关性系数上表现较好（0.748），但其标准误差和均方根误差相对较高（1.043, 0.133）。CanESM5模型虽然在相关性系数上表现尚可（0.630），但其标准误差和均方根误差均较高（1.164, 0.174），显现出较大的预测不确定性。FGOALS-g3模型在所有评估指标上表现相对较差，标准误差和均方根误差较高（1.126, 0.141），且相关性系数较低（0.570），表明其预测精度与观测数据的线性关系均较弱。IPSL-CM6A-LR模型在各项指标上表现中等，标准误差和均方根误差分别为1.116和0.087，相关性系数为0.591，显示出一定的预测能力，但与MME相比仍有差距。MPI-ESM1-2-HR模型在标准误差和均方根误差上略优于FGOALS-g3（1.110, 0.125），但其相关性系数仅为0.520，表明其与观测数据的线性关系并不显著。MRI-ESM2-0模型在标准误差和均方根误差上表现较好（1.115, 0.128），但其相关性系数仅为0.550，显示出较弱的线性相关性。总体而言，MME相较于单一模型在模拟性能上表现更优，故本文采用MME探究2个未来情景下伊犁河流域极端降水指数的时空演变特征。
图4 MME与10个气候模式模拟效果对比

注：MME为多模式集合平均。

Fig. 4 Comparison of simulation effects between MME and 10 climate models

4.3 伊犁河流域历史极端降水指数时空分布特征

基于ArcGIS软件绘制伊犁河流域历史时期极端降水指数的时空分布图（图5）。由于站点数量有限，并考虑到空间平滑效果，研究采用反距离权重插值法进行空间分析。1981—2024年伊犁河流域极端降水指数展现出显著的时间变化特征。降水量（PRCPTOT）在1981—2024年整体呈现缓慢上升趋势，1998、2003、2004、2010、2014年及2016年的降水量较高，特别是2016年达到了514.5 mm的峰值，而1995年则降至最低的203.95 mm，显示出降水总量的显著年际变化。强降水量（R95p）、极强降水量（R99p）波动较大，但整体存在上升趋势，特别是在2002—2005年、2010—2016年增幅较大。从最大1 d降水量（RX1day）、最大5 d降水量（RX5day）来看，两者均表现出较强的年际波动，整体呈现一定的缓慢上升趋势。如2002、2004、2010、2015年和2016年的RX1day及RX5day均较高，说明这些年份发生了较为严重的极端降水事件。而降水强度（SDLL）作为衡量降水强度的指标，在多数年份中保持相对稳定，但在降水量较高的年份如1998、1999、2002、2004、2010、2015、2016年等，SDLL也缓慢增大，表明这些年份的降水更为集中和强烈。其中CDD整体呈现下降趋势，1984年达到峰值54.1 d，而2010年则降至最低的22.9 d，表明无降水期的长短存在显著的年际差异。最长有降水日数则相对稳定，多在3~6 d之间波动，但个别年份如1987年和2002年超过5 d，显示出较长的连续降水时段。
图5 1981—2024年伊犁河流域极端降水指数的时空分布特征

Fig. 5 Spatial and temporal distribution characteristics of extreme precipitation indices in the Ili River Basin from 1981 to 2024

PRCPTOT、SDLL、R95p、R99p 4个极端降水指数的空间分布特征表现为东部和西南部山区较高，而西北部山区及中部平原则相对较低。PRCPTOT在新源县和昭苏县分别以502.95 mm和482.3 mm位居前列，表明这2个地区年降水量最为充沛。特别地，新源县的R95p、R99p以及RX1day、RX5day和SDLL均处于较高水平，尤其是其SDLL达到了6.24 mm·d-1，远超其他县域，显示出其降水不仅量大而且强度大。伊犁河流域最长无降水日数（CDD）呈现西高东低的趋势，霍尔果斯市（34.28 d）和察布查尔锡伯自治县（36.84 d）干旱周期较长，而尼勒克县（26 d）和新源县（25.75 d）降水较为丰沛。最长有降水日数（CWD）变化显著，东部和西南部山区较高，西北至中部平原较低。其中，昭苏县达6.01 d，显著高于其他地区（3.6~4.8 d），显示其降水周期更为持续。

4.4 伊犁河流域未来极端降水指数时间分布特征

通过观察2025—2050年伊犁河流域各极端降水指数时空分布特征图可以看出（图6），整体上伊犁河流域的8个极端降水指数在SSP245与SSP585情景下均展现出显著的差异与波动性，在未来情景下，PRCPTOT、SDLL、RX1day和CWD等极端降水指数均呈现上升趋势，表明伊犁河流域极端降水事件的频率和强度可能增加。
图6 2025—2050年伊犁河流域极端降水指数时间分布特征

Fig. 6 Temporal distribution characteristics of extreme precipitation indices in the Ili River Basin from 2025 to 2050

在2025—2050年间，SSP245和SSP585情景下PRCPTOT均呈上升趋势，但SSP585增幅更大且波动性更强。SSP245从404.5 mm降至384.5 mm，变化较为平稳。而SSP585从385.9 mm增至435.5 mm，增幅显著，但2040年和2050年分别出现最低值（314.9 mm）和最高值（435.5 mm），不确定性更大（图6a）。SSP245和SSP585情景下SDLL均波动明显，但SSP585波动幅度更大且强度更高。SSP245在1.74~1.91 mm·d-1间波动，变化平稳；SSP585在1.65~1.98 mm·d-1间波动，2040年和2048年分别达峰值1.98 mm·d-1、1.96 mm·d-1，极端降水事件概率更高（图6b）。SSP245和SSP585情景下R95p和R99p均波动，但SSP585极端性更突出。R95p方面，SSP245范围为13.28~55.08 mm，趋势平缓。SSP585范围为6.17~55.29 mm，2030年（9.82 mm）和2031年（6.17 mm）出现极低值，2042年达峰值55.29 mm，极端降水强度和变异性更强（图6c）。R99p方面，SSP245范围为0.00~19.84 mm，波动较小，SSP585范围为2.02~21.48 mm，其中在2030年（20.76 mm）和2041年（21.48 mm）达峰值，极端降水强度和概率更高（图6d）。由图6e可以看出，SSP245的RX1day在4.0~6.8 mm间变化且波动较大，在2029、2037年和2046年分别出现较高的峰值。SSP585的RX1day在4.4~6.5 mm间变化，整体平较为平稳，但在2025、2026、2041年和2047年出现显著峰值。通过图6f整体来看2种情景下的RX5day差异较小，SSP245的RX5day在13.0~21.9 mm之间波动。在2025年起始值为20.25 mm，2026年上升至21.9 mm达到一个小高峰，随后在2027年下降至16.8 mm，之后几年继续上下波动，在2030年达到最低点13.0 mm，之后又逐渐回升并在后续年份保持波动状态。SSP585的RX5day在14.5~21.8 mm之间波动。2025年起始值为18.1 mm，2027年进一步下降到14.9 mm，在2035年达到最高点19.7 mm。SSP585情景下CDD波动较大，无长期上升或下降趋势，但SSP245波动更大且整体上升，2035年（39 d）和2049年（43.5 d）为峰值年份（图6g）。SSP245情景下CWD趋势平稳，无明显变化，但SSP585波动较大，2040年达峰值（57 d），整体呈上升趋势（图6h）。

4.5 伊犁河流域未来极端降水指数M-K趋势特征

通过M-K趋势检验分析2025—2050年伊犁河流域极端降水指数变化趋势（图7），SSP585情景下除CDD外，其他极端降水指数Z值均大于0，其中PRCPTOT、SDLL通过10%显著性检验，呈显著上升趋势。SSP245情景下除R99p外，其他指标也呈上升趋势。具体来看，PRCPTOT、SDLL、R99p、RX1day、RX5day在SSP585情景下的Z值高于SSP245，表明温室气体排放增加可能导致极端降水强度增强。SSP245情景下R99p小于0，表明低排放情景下极强降水量减少。CDD和CWD变化趋势显示，SSP245情景下CDD缓慢增长，SSP585情景下CDD下降，而2种情景下CWD均呈上升趋势，表明伊犁河流域未来降水量较为充足。
图7 2025—2050年伊犁河流域极端降水指数Mann-Kendall显著性检验结果

注：1.5IQR代表数据的上下线；Z值用来判断趋势的方向。

Fig. 7 Results of the Mann-Kendall significance tests for extreme precipitation indices in the Ili River Basin from 2025 to 2050

4.6 伊犁河流域未来极端降水指数趋势空间分布特征

根据MME分别统计SSP245情景和SSP585情景下的2025—2050年日均降水量，观察其空间分布特征（图8）可以看出，在SSP245情景下的多年日均降水量分布较高的区域主要集中在伊犁河流域的南部地区。而在SSP585情景下的多年日均降水量分布较高的区域主要集中在南部地区和东部地区，其预估的多年日均降水量要略高于SSP245情景，且在空间上体现在高值区域更为广泛。
图8 2025—2050年伊犁河流域多年日均降水量空间分布

Fig. 8 Spatial distributions of multi-year average daily precipitation in the Ili River Basin from 2025 to 2050

对比MME模式预估降水数据与历史实测降水数据，发现其在空间分布上具有一定的相似性，为了得到伊犁河流域各极端降水指数在2025—2050年空间上的变化趋势，本文基于MME模式预估数据对伊犁河流域10个国家级气象站点的极端降水指数进行趋势分析，为了清晰地表述伊犁河流域整体的变化趋势，将伊犁河流域分为北部地区（包括霍尔果斯市气象站、霍城县气象站）、南部地区（包括昭苏县气象站、特克斯县气象站）、中部地区（包括伊宁市气象站、伊宁县气象站、巩留县气象站、察布查尔锡伯自治县气象站）、东部地区（包括尼勒克县气象站、新源县气象站）。
基于10个气象站点的MME模式数据，计算SSP245和SSP585情景下8个极端降水指数的Sen斜率值，分析伊犁河流域极端降水的空间分布特征（图9）。SSP585情景下，东部和南部山区的PRCPTOT较SSP245增加，R95p、R99p在东部和南部也呈上升趋势，可能引发暴雨洪涝及滑坡、泥石流等灾害。北部和中部平原地区强降水事件较少，降水强度变化可能对农业和畜牧业产生不同影响。
图9 2025—2050年伊犁河流域极端降水指数趋势空间分布

Fig. 9 Spatial distributions of trends in extreme precipitation indices in the Ili River Basin from 2025 to 2050

在SSP585情景下伊犁河流域PRCPTOT增加趋势显著强于SSP245。SSP245情景下，各气象站的Sen斜率值为0.64~1.67，呈缓慢增加。SSP585情景下，Sen斜率值为0.90~1.97，增幅更大，东部和南部尤为突出。中部在SSP245情景下增幅较小，SSP585情景下显著增加。东部和南部在2个情景下均为增幅最大区域，可能与地形和气候敏感性有关（图9a）。在SSP245情景下，霍城县和特克斯县气象站SDLL的Sen斜率值分别为0.04和0.05，增幅微弱。而伊宁市和伊宁县气象站分别为0.15和0.12，增幅相对明显。在SSP585情景下，各气象站SDLL增幅更显著，伊宁县和伊宁市气象站的Sen斜率值分别达0.47和0.40，远高于SSP245（图9b）。在SSP245情景下各气象站的R95p和R99p均呈增加趋势，R95p的Sen斜率值多在0.11~0.21，强降水量增强趋势平缓。而伊宁市气象站的R95p和R99p增幅显著，Sen斜率值均接近1，暗示极端降水风险。SSP585情景下，各气象站R95p和R99p增幅更显著。R95p方面，各气象站的Sen斜率值普遍提升，昭苏县气象站最高，达0.51（图9c）。R99p方面，尼勒克县、新源县和巩留县气象站增幅最强，Sen斜率值分别为0.92、0.65和0.89，昭苏县和特克斯县气象站增幅较弱，Sen斜率值分别为0.22和0.10（图9d）。SSP245情景下伊犁河流域RX1day和RX5day没有明显的变化趋势，但伊宁市和尼勒克县气象站增幅显著，Sen斜率值分别为0.83和0.90，预示极端降水事件频率增加（图9e）。RX5day方面，察布查尔锡伯自治县、伊宁市、尼勒克县、伊宁县、新源县和昭苏县气象站呈微弱增加（图9f）。SSP585情景下，各气象站的RX1day和RX5day增幅普遍增强。SSP245情景下，霍尔果斯市、伊宁市和尼勒克县气象站的CDD增加，预示无降水期延长。SSP585情景下，霍城县、伊宁县、巩留县、新源县、昭苏县和特克斯县气象站的CDD减少（图9g）。CWD方面，SSP245情景下，霍尔果斯市气象站的CWD稳定，其他气象站CWD增加，察布查尔锡伯自治县增幅最显著，预示连续降水期延长。SSP585情景下，各气象站CWD增幅更一致，霍尔果斯市CWD开始增加，昭苏县增幅最显著，其他气象站增幅较小，但连续降水可能性增加（图9h）。

5 结论

本文分析1981—2024年伊犁河流域极端降水事件的时空分布特征，并基于CMIP6数据揭示2025—2050年不同情景下极端降水指数的演变规律，主要结论如下：
（1）1981—2024年伊犁河流域的PRCPTOT、SDLL、R95p、R99p呈现明显的上升趋势，R1Xday、R5Xday和CWD上升趋势较为缓慢，而CDD的降趋势比较显著。在空间分布上，伊犁河流域的东部和西南部山区，极端降水最为突出，降水集中且强度大，而西北部至中部平原降水相对较少。
（2）2025—2050年随着碳排放量的增加，伊犁河流域的极端降水事件呈现出一定的上升趋势。这主要体现在强度指数中的PRCPTOT、SDLL和R95p上。这些指数的统计特征值Z值随着排放量升高而不断增大，反映了它们呈现增加趋势，其中PRCPTOT、SDLL还通过了10%显著性检验。这表明，在未来高排放情景下，伊犁河流域可能会面临更多的极端降水事件，导致年降水量和降水强度增加。
（3）2025—2050年伊犁河流域在不同温室气体排放情景下，极端降水的空间分布呈现显著异质性。SSP585情景下，东部与南部山区年降水量较SSP245增加，强降水事件（R95p、R99p）在东北和西南山区显著增多，暴雨洪涝风险上升。中部平原地区强降水事件较少，降水变化将对区域社会生活和农业生产产生不同影响。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
IPCC. Climate change the physical science basis: Contribution of working group I to the fifth assessment report of the Intergovernmental Panel on Climate Change[M]. Cambridge: Cambridge University Press, 2013.

[2]
Ou T H, Chen D L, Linderholm W H, et al. Evaluation of global climate models in simulating extreme precipitation in China[J]. Tellus: Series A, Dynamic Meteorology and Oceanography, 2013, 65(1): 1-16.

[3]
Xu H W, Chen H P, Wang H J. Future changes in precipitation extremes across China based on CMIP6 models[J]. International Journal of Climatology, 2022, 42(1): 635-651.

[4]
张宏芳, 潘留杰, 卢珊, 等. 近40 a来秦岭及周边地区极端降水变化特征[J]. 干旱区地理, 2024, 47(3): 380-390.

DOI

[Zhang Hongfang, Pan Liujie, Lu Shan, et al. Variation characteristics of extreme precipitation in Qinling and surrounding areas over the past 40 years[J]. Arid Land Geography, 2024, 47(3): 380-390. ]

DOI

[5]
邹磊, 余江游, 王飞宇, 等. 渭河流域极端降水时空演变规律及其对大气环流因子的响应[J]. 干旱区研究, 2021, 38(3): 764-774.

DOI

[Zou Lei, Yu Jiangyou, Wang Feiyu, et al. Spatial-temporal variations of extreme precipitation indices and their response to atmospheric circulation factors in the Weihe River Basin[J]. Arid Zone Research, 2021, 38(3): 764-774. ]

DOI

[6]
赵丽, 韩雪云, 杨青. 近50 a西北干旱区极端降水的时空变化特征[J]. 沙漠与绿洲气象, 2016, 10(1): 19-26.

[Zhao Li, Han Xueyun, Yang Qing. Spatial and temporal variability of the extreme precipitation in the arid region of northwest China during recent 50 years[J]. Desert and Oasis Meteorology, 2016, 10(1): 19-26. ]

[7]
杨霞, 周鸿奎, 赵克明, 等. 1991—2018年新疆夏季小时极端强降水特征[J]. 高原气象, 2020, 39(4): 762-773.

DOI

[Yang Xia, Zhou Hongkui, Zhao Keming, et al. Variation features of hourly precipitation in Xinjiang Province during 1991—2018[J]. Plateau Meteorology, 2020, 39(4): 762-773. ]

[8]
Velazquez J A, Troin M, Caya D, et al. Evaluating the time invariance hypothesis of climate model bias correction: Implications for hydrological impact studies[J]. Journal of Hydrometeorology, 2015, 16(5): 2013-2026.

[9]
李双林, 韩乐琼, 卞洁. 基于IPCCAR4部分耦合模式结果的21世纪长江中下游强降水预估[J]. 暴雨灾害, 2012, 31(3): 193-200.

[Li Shuanglin, Han Leqiong, Bian Jie. Projecting heavy rainfall events in the middle and lower reach of the Yangtze River valley in the 21st century based on IPCC AR4 simulations[J]. Torrential Rain and Disasters, 2012, 31(3): 193-200. ]

[10]
龚骁, 戴长雷, 李树岭, 等. 近60 a嫩江流域极端气候指数时空分布特征及未来趋势分析[J/OL]. 人民珠江. [2025-03-19]. http://kns.cnki.net/kcms/detail/44.1037.TV.20250120.1855.004.html.

[Gong Xiao, Dai Changlei, Li Shuling, et al. Spatio-temporal distribution characteristics and future trend analysis of extreme climate indices in Nenjiang River Basin over the past 60 years[J]. Pearl River. [2025-03-19]. http://kns.cnki.net/kcms/detail/44.1037.TV.20250120.1855.004.html. ]

[11]
王双双, 谢文强, 延晓冬. CMIP6模式对中国气温日较差的模拟能力评估[J]. 气候与环境研究, 2022, 27(1): 79-93.

[Wang Shuangshuang, Xie Wenqiang, Yan Xiaodong. Evalution on CMIP6 model simulation of the diurnal temperature range over China[J]. Climatic and Environmental Research, 2022, 27(1): 79-93. ]

[12]
胡一阳, 徐影, 李金建, 等. CMIP6不同分辨率全球气候模式对中国降水模拟能力评估[J]. 气候变化研究进展, 2021, 17(6): 730-743.

[Hu Yiyang, Xu Ying, Li Jinjian, et al. Evaluation on the performance of CMIP6 global climate models with different horizontal resolution in simulating the precipitation over China[J]. Climate Change Research, 2021, 17(6): 730-743. ]

[13]
杨小玲. CMIP6优选模式集合对中国温度和降水的模拟评估与预估[D]. 南京: 南京信息工程大学, 2022.

[Yang Xiaoling. Evaluation and projection of temperature and precipitation in China using CMIP6 model ensembles[D]. Nanjing: Nanjing University of Information Science and Technology, 2022. ]

[14]
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.

[Xiang Junwen, Zhang Liping, Deng Yao, et al. Projection and evaluation of extreme temperature and precipitation in major regions of China by CMIP6 models[J]. Engineering Journal of Wuhan University, 2021, 54(1): 46-57, 81. ]

[15]
张晓璐, 王晓欣, 华丽娟, 等. 新疆温度和降水变化的CMIP6模式预估[J]. 大气科学, 2023, 47(2): 387-398.

[Zhang Xiaolu, Wang Xiaoxin, Hua Lijuan, et al. Projections of temperature and precipitation over Xinjiang based on CMIP6 models[J]. Chinese Journal of Atmospheric Sciences, 2023, 47(2): 387-398. ]

[16]
杨昕馨. 浅析新疆伊犁河流域50余年降水时空分布[J]. 水资源开发与管理, 2018(6): 65-68.

[Yang Xinxin. Analysis on spatial and temporal distribution of precipitation in Xinjiang Ili River Basin for more than 50 years[J]. Water Resources Development and Management, 2018(6): 65-68. ]

[17]
赵丽, 杨青, 韩雪云. 1961—2009年伊犁地区降水指数的时空分布及变化特征分析[J]. 干旱区资源与环境, 2024, 28(10): 82-89.

[Zhao Li, Yang Qing, Han Xueyun. Analysis of temporal and spatial distribution and variation characteristics of precipitation index in Ili during 1961—2009[J]. Journal of Arid Land Resources and Environment, 2024, 28(10): 82-89. ]

[18]
陈世泷, 孟庆凯, 戴勇, 等. 基于CMIP6未来情景的伊犁河流域地质灾害危险性评估预测[J]. 干旱区地理, 2025, 48(4): 599-611.

DOI

[Chen Shilong, Meng Qingkai, Dai Yong, et al. Geological disaster hazard assessment and prediction in the Ili River Basin based on CMIP6 future scenarios[J]. Arid Land Geography, 2025, 48(4): 599-611. ]

DOI

[19]
古丽扎尔·莫明, 杨莲梅, 刘艳, 等. 伊犁河流域近30 a洪水灾害时空分布及孕灾环境特征研究[J]. 干旱区地理, 2024, 47(8): 1314-1326.

DOI

[Momin Gulzar, Yang Lianmei, Liu Yan, et al. Spatial and temporal distribution of flood disasters and characteristics of disaster-prone environment in Ili River Basin in recent 30 years[J]. Arid Land Geography, 2024, 47(8): 1314-1326. ]

DOI

[20]
刘晶, 周玉淑, 杨莲梅, 等. 伊犁河谷一次极端强降水事件水汽特征分析[J]. 大气科学, 2019, 43(5): 959-974.

[Liu Jing, Zhou Yushu, Yang Lianmei, et al. A diagnostic study of water vapor during an extreme precipitation event in the Yili River Valley[J]. Chinese Journal of Atmospheric Sciences, 2019, 43(5): 959-974. ]

[21]
杨霞, 安大维, 周鸿奎, 等. 2012—2017年伊犁河谷冬季降水日变化特征[J]. 冰川冻土, 2020, 42(2): 609-619.

DOI

[Yang Xia, An Dawei, Zhou Hongkui, et al. Daily variation of winter precipitation in Ili River valley of Xinjiang from 2012 to 2017[J]. Journal of Glaciology and Geocryology, 2020, 42(2): 609-619. ]

DOI

[22]
Wang L Y, Chen S F, Zhu W B, et al. Spatiotemporal variations of extreme precipitation and its potential driving factors in China’s North-South Transition Zone during 1960—2017[J]. Atmospheric Research, 2021, 252: 105429, doi: 10.1016/j.atmosres.2020.105429.

[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.

[Feng Anlan, Zhang Qiang, Song Jinbo, et al. Spatiotemporal characteristics of extreme precipitation in the Yellow River Basin based on CMIP6[J]. Journal of Beijing Normal University(Natural Science Edition), 2024, 60(2): 270-284. ]

[24]
Song J B, Zhang Q, Wu W H, et al. Amplifying flood risk across the lower Yellow River Basin, China, under shared socioeconomic pathways[J]. Frontiers in Earth Science, 2022, 10: 900866, doi: 10.3389/feart.2022.900866.

[25]
祁斌. 基于CMIP6的渭河流域极端降水时空变化及洪涝灾害风险预估[D]. 西安: 长安大学, 2023.

[Qi Bin. Temporal and spatial changes of extreme precipitation and flood disaster risk projection in the Wei River Basin based on CMIP6 models[D]. Xi’an: Chang’an University, 2023. ]

[26]
关颖慧. 长江流域极端气候变化及其未来趋势预测[D]. 咸阳: 西北农林科技大学, 2015.

[Guan Yinghui. Extreme climate change and its trend prediction in the Yangtze River Basin[D]. Xianyang: Northwest A & F University, 2015. ]

[27]
李慧慧, 栾承梅, 夏栩, 等. 基于CMIP6气候模式的中国大陆未来极端降水情景预估[J]. 水利水电技术(中英文), 2023, 54(8): 16-29.

[Li Huihui, Luan Chengmei, Xia Xu, et al. Prediction of future extreme precipitation scenarios in China based on CMIP6 climate model[J]. Water Resources and Hydropower Engineering, 2023, 54(8): 16-29. ]

Options
文章导航

/

〈 〉