EN中文

Arid Land Geography >

2024 , Vol. 47 >Issue 9: 1482 - 1495

DOI: https://doi.org/10.12118/j.issn.1000-6060.2023.597

Climatology and Hydrology

Extreme climate characteristics in the Wuding River Basin based on WRF model

  • Shunwei ZHANG ,
  • Zixiang ZHOU ,
  • Xuanchen XIONG ,
  • Jie ZHOU
Expand
  • College of Surveying and Mapping Science and Technology, Xi’an University of Science and Technology, Xi’an 710054, Shaanxi, China

Received date: 2023-10-24

  Revised date: 2023-12-31

  Online published: 2026-03-11

Fold

Abstract

There are still many uncertainties to be solved about extreme climate events in the semi-arid region of the Loess Plateau under climate change. In this study, the weather research and forecasting (WRF) model driven by the static geographical data and the final operational global analysis (FNL) global reanalysis data was used to simulate the climate of the Wuding River Basin of Shaanxi Province, China from 2011 to 2022, and the simulated results were verified using the observed data from four meteorological stations in the basin to analyze the applicability of the model. On this basis, 11 extreme weather indicators were selected, combined with Sen’s slope estimator and the Mann-Kendall (M-K) test to analyze the spatial distribution characteristics and spatiotemporal trend changes of extreme precipitation and extreme temperature at the annual and seasonal scales in the Wuding River Basin. The conclusions are as follows: (1) Extreme precipitation events in the basin are more frequent in the east than in the west, and the interannual and seasonal spatial distribution characteristics of the maximum daily precipitation (RX1day) and precipitation total (PRCPTOT) are high in the east and low in the west. (2) Extreme precipitation events in the basin will further increase, precipitation amount and intensity will further increase, but the duration of precipitation and the degree of drought will decrease, specifically reflected in increased precipitation in all seasons but decreased precipitation in autumn in the east. (3) Extreme temperature events in the basin are more frequent in the east than in the west, and the interannual and seasonal spatial distribution characteristics of the minimum temperature (TNn) and maximum temperature (TXx) are high in the east and low in the west. (4) Extreme temperature events in the basin will further increase, and the frequency of high and low temperatures and their intensity show opposite changes in the east and west directions, specifically manifested as decreased temperature in summer and increased temperature in spring.

Key words： WRF; extreme precipitation; extreme temperature; spatiotemporal variation characteristics; Wuding River Basin

Cite this article

Shunwei ZHANG , Zixiang ZHOU , Xuanchen XIONG , Jie ZHOU . Extreme climate characteristics in the Wuding River Basin based on WRF model[J]. Arid Land Geography, 2024 , 47(9) : 1482 -1495 . DOI: 10.12118/j.issn.1000-6060.2023.597

工业革命以来，经济迅速发展和人口不断增长，人为温室气体不断排放，导致大气环境中CO2浓度高于以往任何时期[1]。联合国政府间气候变化专门委员会第六次报告指出，我们所处的环境正在以全球变暖为主要特征进行着显著变化[2]，大气中的水蒸气迅速增加[3]，导致地球的水文循环改变[4]。中国受气候变暖的影响显著，陆表气温显著增加，平均升温在0.5~0.8 ℃之间，略高于同期全球平均水平，其中西北地区是全球气候变化响应的敏感干旱区，该地区受气候变化的影响较为深远[5-6]。已有研究表明，干旱、半干旱地区的极端天气事件日趋增多[7]，其中黄土高原地形地貌复杂，极端降水呈显著增加趋势[8]。无定河流域位于黄土高原北部，毛乌素沙漠南部，是极为典型的生态环境脆弱区[9]，2017年7月，该流域发生特大暴雨洪水灾害，造成仅绥德县受灾人口达17.12×104人，直接经济损失42.17×104元[10]；因此，急需加强对该流域的极端气候研究，以便有关部门快速做出反应，减少损失。
同时，研究表明数据驱动方法在气候建模中可以进行成功应用，如降水、干旱，揭示了数据驱动方法在复杂过程中的模拟能力[11-12]。但该方法通常不涉及模型的物理机制和规律，因此难以深入分析水文和气候过程[13]。有学者采用空间插值方法对干旱区进行了极端降水的时空分析[14]，该方法无法真实反映数据的真实分布情况[15-16]；本文WRF模式基于全球气候模式FNL再分析数据（基于实测数据制作，包括多种气候变量）和静态地理数据（下垫面数据）进行无定河流域的动态降尺度模拟，这不仅有相对完善的物理过程，还能很好地弥补插值失真[17-18]。故本研究利用WRF[19]模式模拟出的三维netCDF气象数据，结合ClimPACT[20]软件，可以更精准地展示极端气候的空间分布特征。
本文以FNL数据和静态地理数据作为初始条件和边界条件，利用中尺度气候模式WRF，选用10种参数化方案组合，模拟2011—2022年无定河流域降水、最高气温和最低气温过程，并选择评价指标对方案的模拟结果进行评价；结合ClimPACT软件，选取6个极端气温指数和5个极端降水指数，在WRF模式输出结果上计算极端降水和极端气温指数，运用Sen趋势+Mann-Kendall（M-K）检验方法分析流域极端降水指数和极端气温指数时空分布特征和趋势变化。

1 数据与方法

1.1 研究区概况

无定河是黄河中游多沙粗沙来源区最大的一级支流，发源于陕西省定边县白于山北麓，上游被称为红柳河，在流经靖边县后称为无定河。整条河流长约491 km，横跨陕西和内蒙古自治区2个省区（图1），在向东流经榆林市清涧县河口村时与黄河汇合。无定河流域位于黄土高原北部和毛乌素沙漠边缘，流域西北部属于毛乌素沙漠腹地，地势平坦且风蚀严重，东南部地面起伏不平，土质疏松，植被稀少，水流中携带大量泥沙[21]。该流域位于东部季风区和西北干旱区的过渡带，属于温带干旱、半干旱的大陆性季风气候，年均气温8.5~9.5 ℃，年均降水量300~500 mm，年均蒸发量1500~2000 mm。
图1 研究区示意图

Fig. 1 Schematic diagram of the study area

1.2 数据来源

WRF模式的输入数据包括：静态地理数据（地形、土地利用、土壤参数、植被参数等）、FNL数据（时间分辨率为6 h，空间分辨率为1°，包括气压、气温、湿度、风速和风向等）。通过调整文件参数（namelist.wps、namelist.input）得到运行结果。验证模式输出数据来源于国家气象信息中心（表1）。
表1 数据来源

Tab. 1 Data sources

数据名称 数据描述 数据来源
地理基础
信息数据		 行政区划、
水系等
 http://www.ngcc.cn/ngcc/
高程数据 空间分辨率
（30 m×30 m）		 http://www.gscloud.cn/
静态地理
数据		 空间分辨率
（1 km×1 km）		 https://www2.mmm.ucar.edu/
FNL全球再分析数据 空间分辨率
（1°×1°）
 https://rda.ucar.edu/
气象数据 逐日降水、气温 https://data.cma.cn/

1.3 研究方法

1.3.1 极端气候指数的选取

本研究根据流域实际情况，基于ETCCDI（Expert Team on Climate Change Detection and Indices）选取了6个极端气温指标、5个极端降水指标[18,22-23]作为研究对象（表2、表3）。极端降水指数[24]包括单日最大降水量（RX1day）、雨日降水总量（PRCPTOT）、雨日降水强度（SDII）、持续干燥日数（CDD）和持续湿润日数（CWD），分别反映流域的降水极值、平均状态、干旱湿润等情况；极端气温指数[25]包括极端最低气温（TNn）、极端最高气温（TXx）、气温日较差（DTR）、暖持续日数（WSDI）、霜冻日数（FD）和夏日日数（SU），分别反映流域的气温极值、持续时间、波动和平均状态等情况。各项指数均基于ClimPACT2[20]软件进行计算：该软件通过日降水和气温定义极端气候指数，利用三维逐日气温和降水的netCDF数据集（时间×纬度×经度）来计算相关气候指数，以计算与健康、农业和水资源等领域相关的气候指标，并展示极端气候指数的时空分布特征。
表2 极端降水指数定义

Tab. 2 Definition of extreme precipitation indices

分类 指数名称 指数代码 定义 单位 时间尺度
强度指数 单日最大降水量 RX1day 最大1日降水量 mm 月或年
雨日降水总量 PRCPTOT 雨日（日降水量≥1 mm）降水总量 mm 月或年
雨日降水强度 SDII 年内日降水量≥1 mm的总量与总日数之比 mm·d-1 年
持续指数 持续干燥日数 CDD 日降水量<1 mm的最长连续日数 d 月或年
持续湿润日数 CWD 日降水量≥1 mm的最长连续日数 d 月或年
表3 极端气温指数定义

Tab. 3 Definition of extreme temperature indices

分类 指数名称 指数代码 定义 单位 时间尺度
强度指数 极端最低气温 TNn 日最低气温的最小值 ℃ 月或年
极端最高气温 TXx 日最高气温的最大值 ℃ 月或年
气温日较差 DTR 日最高气温与最低气温的差值 ℃ 月或年
持续指数 暖持续日数 WSDI 连续6 d日最高气温>90%分位值日 d 年
霜冻日数 FD 日最低气温低于0 ℃的日数 d 月或年
夏日日数 SU 日最高气温大于25 ℃的日数 d 月或年

1.3.2 WRF模式

WRF[19]模式是由美国国家大气研究中心开发的中尺度天气预报模式，包括Advanced Research WRF（ARW）和Nonhydrostatic Mesoscale Model（NMM）2种动力内核。在科学研究中，ARW具有更加普遍的适用性，本研究利用WRF4.2.2版本，拟选择ARW模式框架，采用区域嵌套的方法对FNL进行动态缩放，提高模拟分辨率。该模式已成功应用于数据同化研究[26]、空气质量模拟[27]和区域气候模拟，如短期降水预报[28]、长期气候模拟[18]和台风模拟[29]。因此，基于WRF模式模拟的气象数据，能更精确地计算出极端气候指数。
WRF模式根据不同气候模式提供多种物理参数化方案；由于各种参数化方案对不同地区各有优缺点，为了提高流域的模拟精度，本研究在前人[14,30]研究方案的基础上加以优化，得出适合本研究区的参数化方案（表4）。
表4 WRF参数设置

Tab. 4 Parameter settings of WRF

两层嵌套方案 参数设置 物理方案 方案名称
初始边界条件 FNL Data 长波辐射方案 RRTM
投影坐标系 Lat-Lon 短波辐射方案 Dudhia
区域中心点 38.2°N，109.5°E 地表参数化方案 MYJ Monin-Obukhov
时间步长 150 s 云微物理方案 CAM 5.1
嵌套格点 d01：30×30；d02：61×66 陆面过程方案 Noah LSM
空间分辨率 d01：0.25°；d02：0.05° 大气边界层方案 MYJ
输出的时间步长 d01：24 h；d02：1 h 浅积云方案 Kain-Fritsch
为客观评价数值天气预报模式WRF在模拟降水和气温等方面的效果，本文采用气象监测站点的实测资料对模拟结果进行精度评价，所用到的评估指标主要是均方根误差（RMSE）、平均绝对误差（MAE）、相关系数（r）和一致性指数（IA）。MAE和RMSE反映了观测值与模拟值之间的误差，数值越小，代表模拟数据的精度越高。IA和r越接近1，代表二者之间的拟合程度越高。
R M S E = 1 n ∑ i = 1 n ( x i - y i ) 2
M A E = 1 n ∑ i = 1 n x i - y i
r = ∑ i = 1 n ( x i - x - ) ( y i - y - ) ∑ i = 1 n ( x i - x - ) 2 ∑ i = 1 n ( y i - y - ) 2
I A = 1 - ∑ i = 1 n ( x i - y i ) 2 ∑ i = 1 n x i - y - + y i - y - 2
式中：n为样本数量； x i为模拟值； y i为观测值； x -为
模拟样本均值； y -为观测样本均值。

1.3.3 Sen趋势+M-K检验

Sen趋势法能减少噪声的影响[31]，计算公式如下：
β = M e d i a n x j - x i j - i ,       j ＞ i
式中： β为变化趋势，β>0表示上升趋势，β<0表示下降趋势。
结合M-K检验法检验Sen趋势度的显著性：假设要素的时间序列为 X 1 ,   X 2 ,   ⋯ ,   X n，n为样本量，检验统计量S为：
S = ∑ i = 1 n - 1 ∑ j = i + 1 n s g n x j - x i
s g n x j - x i = 1 ,       x j > x i 0 ,       x j = x i - 1 , x j < x i
当n≥10时，统计量S近似服从正态分布，其方差 V a r ( S )为：
V a r ( S ) = n ( n - 1 ) ( 2 n + 5 ) - ∑ i = 1 m t i t i - 1 2 t i - 5   18
正态分布检验统计量Z为：
Z = S - 1 V a r ( S ) ,     S > 0 0 ,                               S = 0 S + 1 V a r ( S ) ,     S < 0
式中：n为样本数量；m为序列中重复出现的数据组个数； t i为重复数据组i中重复数据的个数。定义 α为显著性检验水平，当 α=0.05时，即|Z|>1.96时，表示显著变化；当|Z|≤1.96时，表示非显著变化。

2 结果与分析

2.1 WRF模式结果评估

为定量研究无定河流域极端气候的变化情况，需对WRF模式模拟的气温、降水结果进行评估。限于获取的气象数据有限，选取2011—2020年的最高气温、最低气温和降水量进行评估，以此反映2011—2022年流域WRF模式气候与实际气候的吻合程度。通过统计分析得到各气象站点月尺度数据以及WRF模式中气象站点所对应的栅格格点月尺度数据，将两者进行验证，从而得到真实值与模拟值的评估指标。
WRF模式能够较好地再现无定河流域的气候特征，模拟结果如表5所示。通过对比站点数据位置可以发现，流域西部的气候模拟精度优于东部。对物理参数化方案进行改进可以提高WRF模式的气候模拟精度，其中降水模拟精度相对较高。表明WRF模式模拟结果与实际气温、降水情况一致，可准确反映流域实际气候状况和用于进行极端气候指数的计算与分析。
表5 2011—2022年WRF模式与各站点气象要素评估

Tab. 5 Evaluation of WRF model and meteorological elements at each station from 2011 to 2020

气象要素 站点 RMSE MAE r IA
最高气温/℃ 榆林 3.98 2.08 0.96 0.96
绥德 3.92 2.11 0.96 0.97
横山 1.90 1.70 1.00 0.99
靖边 1.74 1.56 1.00 0.99
最低气温/℃ 榆林 3.39 1.69 0.97 0.97
绥德 0.85 0.74 1.00 1.00
横山 0.79 0.67 1.00 1.00
靖边 1.24 1.02 1.00 1.00
降水量/mm 榆林 0.25 0.17 1.00 0.99
绥德 0.53 0.31 0.93 0.97
横山 0.13 0.09 0.99 1.00
靖边 0.18 0.12 0.99 0.99

注：RMSE、MAE、r和IA分别为均方根误差、平均绝对误差、相关系数和一致性指数。

2.2 极端降水事件时空变化特征

2.2.1 年际变化特征

为了清晰刻画各指数的空间分布特征，在每个指数最小值和最大值的基础上进行了4类均分。如图2所示，流域RX1day、PRCPTOT、SDII均在空间上呈东高西低的空间分布特征，且东南部极端降水指数明显高于其他区域；CDD呈东低西高的空间分布特征；CWD呈南高北低的空间分布特征。
图2 2011—2022年年际极端降水指数均值空间分布

注：RX1day、PRCPTOT、SDII、CDD、CWD分别为单日最大降水量、雨日降水总量、雨日降水强度、持续干燥日数、持续湿润日数。下同。

Fig. 2 Spatial distributions of mean values of interannual extreme precipitation indices from 2011 to 2022

对极端降水指数进行Sen趋势和M-K检验分析（图3），RX1day的非显著上升、显著上升、非显著下降像元占比分别为84.8%、12.8%、2.4%；PRCPTOT的非显著上升、非显著下降、显著上升像元占比分别为89.5%、9.0%、1.5%，且东北部呈下降趋势；SDII的非显著上升、显著上升、非显著下降像元占比分别为92.2%、5.8%、2.0%；CDD的非显著下降、非显著上升像元占比分别为87.5%、12.5%；CWD的非显著下降、非显著上升、显著下降像元占比分别为75.2%、21.4%、3.4%。整体上，RX1day、PRCPTOT、SDII均为上升趋势，表明流域降水强度增加。CDD、CWD均为下降趋势，表明流域干旱程度有所减少。
图3 2011—2022年年际极端降水指数变化趋势空间分布

Fig. 3 Spatial distributions of interannual extreme precipitation indices change trend from 2011 to 2022

2.2.2 季节变化特征

如图4所示，RX1day四季均值范围分别为6.6~14.1 mm、12.8~45.8 mm、7.1~20.1 mm和1.5~2.5 mm；PRCPTOT四季均值范围分别为10.4~24.3 mm、25.6~125.5 mm、13.7~45.2 mm和1.6~3.8 mm；CDD四季均值范围分别为20~36 d、8~27 d、12~20 d和43~57 d；CWD春季、夏季、秋季均值范围分别为1~2 d、2~6 d和2~4 d，冬季平均为1 d。空间上，RX1day和PRCPTOT四季均呈东南低西北高的分布特点，空间差异显著；CDD四季分布整体一致，均呈西高东低分布；CWD四季分布各异，春夏季呈东高西低分布，秋季呈南高北低分布，冬季分布整体一致。
图4 2011—2022年季节极端降水指数均值空间分布

Fig. 4 Spatial distributions of mean value of seasonal extreme precipitation indices from 2011 to 2022

据Sen趋势和M-K检验可知（图5），RX1day四季总体均为上升趋势，春秋季中东部区域和夏季中南部区域主要表现为下降趋势。PRCPTOT四季总体均为上升趋势，春季下降趋势集中于中北部，夏季下降趋势集中于中南部，秋冬季下降趋势集中于东北部。CDD四季均为下降趋势，秋季东南部趋势变化显著。CWD春夏冬季均为上升趋势，秋季为下降趋势。表明流域极端降水量增加，具体表现为四季整体降水增多，但局部降水减少，以流域北部最为明显；且流域整体干旱程度减少，但夏冬季干旱程度增加，以流域东南部最为明显。
图5 2011—2022年季节极端降水指数变化趋势空间分布

Fig. 5 Spatial distributions of seasonal extreme precipitation indices change trend from 2011 to 2022

2.3 极端气温事件时空变化特征

2.3.1 年际变化特征

如图6所示，空间上，TNn呈东南高西低的分布特点，TXx呈东高西南低的分布特点，DTR呈西高东低的分布特点，地域差异显著。WSDI除东南部外，呈东高西低的分布特征；FD的呈东部低、西部高的分布特征；SU呈西南低、其他区域高的分布特征。总体上，TNn、TXx、WSDI和SU呈东高西低分布，DTR和FD呈西高东低分布。
图6 2011—2022年年际极端气温指数均值空间分布

注：TNn、TXx、DTR、WSDI、FD、SU分别为极端最低气温、极端最高气温、气温日较差、暖持续日数、霜冻日数、夏日日数。下同。

Fig. 6 Spatial distributions of mean values of interannual extreme temperature indices from 2011 to 2022

对极端气温指数进行Sen趋势和M-K趋势分析（图7），流域TNn非显著下降、非显著上升像元占比分别为63.5%、36.5%；TXx非显著上升、显著上升像元占比分别为71.4%、28.6%；DTR非显著下降、非显著上升像元占比分别为85%、15%；WSDI非显著上升、非显著下降像元占比分别为57.3%、42.7%；FD显著下降、非显著下降像元占比分别为56.7%、43.3%；SU非显著上升、显著上升像元占比分别为76.2%、23.8%。整体上，TNn和DTR为下降趋势，TXx为上升趋势，且流域内东部极端最低气温上升趋势大于西部；WSDI和SU均为上升趋势，但 WSDI西北部和东南部为下降趋势，FD为总体为显著下降趋势；表明流域高温日和低温日进一步增多，且南部明显多于北部。
图7 2011—2022年年际极端气温指数变化趋势空间分布

Fig. 7 Spatial distributions of interannual extreme temperature indices change trend from 2011 to 2022

2.3.2 季节变化特征

如图8所示，TNn四季均值范围分别为-5.2~0.1 ℃、10.6~15.3 ℃、-4.1~0.8 ℃和-20.3~-14.6 ℃；TXx四季均值范围分别为22.8~29.0 ℃、29.8~36.3 ℃、18.7~24.2 ℃和4.1~8.0 ℃；DTR四季均值范围分别为11.1~15.4 ℃、9.3~11.8 ℃、7.6~10.8 ℃和8.5~12.3 ℃；FD春季、秋季均值范围分别为6.0~13.0 d和5.0~12.0 d，夏季平均为0 d，冬季平均为30.0 d；SU春季、夏季、秋季均值范围分别为2.0~9.0 d、17.0~26.0 d和0~5.0 d，冬季平均为0 d。空间上，TNn和TXx四季分布大体一致，均呈东高西低分布，且西南部极端气温变化明显大于其他区域。DTR四季呈西高东低分布。FD春秋季呈西高东低的分布特征，夏冬季流域范围均分布一致。SU除冬季外，其他三季皆呈东高西低的分布特点。总体上，TNn、TXx四季和SU春夏秋季均呈东高西低分布，DTR四季和FD春秋季均呈西高东低分布，其中FD和SU分布特征差异显著，夏冬季尤为突出。
图8 2011—2022年季节极端气温指数均值空间分布

Fig. 8 Spatial distributions of mean values of seasonal extreme temperature indices from 2011 to 2022

据Sen趋势和M-K检验结果可知（图9），TNn春夏冬季均主要为上升趋势，秋季趋势变化显著，显著上升趋势占比为30.3%，显著下降趋势为23.1%，主要集中于流域中部。TXx四季均为上升趋势，秋季趋势变化明显，显著上升趋势和显著下降趋势均集中于流域西部。DTR夏秋季为下降趋势，春季流域东南部下降明显，春冬季为上升趋势，但冬季显著变化明显，流域西北部为显著下降，流域东北部为显著上升。FD春秋冬为上升趋势，夏季为下降趋势。SU四季均为上升趋势，夏季下降变化显著。表明流域极端气温进一步增加，主要表现为霜冻日数在夏季减少、春秋冬季增多，而夏日日数四季均增多。
图9 2011—2022年季节极端气温指数变化趋势空间分布

Fig. 9 Spatial distributions of seasonal extreme temperature indices change trend from 2011 to 2022

3 讨论

前人在研究极端气候事件时，多使用空间插值方法和分析年际时空特征[23,32]。因此，本文基于FNL数据驱动WRF模拟精准的空间分布气候数据，从栅格尺度上展示并分析了流域的极端气候空间分布特征和时空趋势变化，还从季节尺度上分析了流域极端气候情况，进而从地域和不同时间角度上解释研究区近12 a的时空演变规律。本研究认为WRF模式对无定河流域的气候模拟与实际情况较为吻合；无定河流域的极端降水事件地域差异显著，东部多于西部，且流域的极端降水事件增加，降水更加频繁和均匀，主要表现为RX1day、PRCPTOT、SDII的增加，这与其他黄土高原研究区结论相似[9,32]。其中CDD和CWD为下降趋势，表明没有出现过长的干旱和湿润状态，这与杨维涛等[33]和黎珩等[34]研究结论一致。有研究表明，2011年之前[30]，流域的干旱程度在不断增强，这与本文结论不一致。这主要是因为2014—2020年是过去250 a来的第二个湿润期，无定河流域的降水量在20世纪中期以来的干旱趋势已经在21世纪初逆转[35]。此外，本文从气温角度进行研究，发现流域的极端气温事件为上升趋势，且流域东部极端气温事件多于西部，具体指高温事件为上升趋势，低温事件为下降趋势，但无论高温和低温，夏季都是下降趋势；这与世界气象组织的报告内容[36]一致。但是，人类活动和气候变化对该流域的影响分别为62%和38%[37]，故需要进一步细分极端天气事件规律，加强人类活动的研究，从而识别自然灾害高风险区，以便有关部门提前做好极端天气事件监测与预警。

4 结论

（1） 2011—2022年流域极端降水事件东部多于西部。年际极端降水均值空间分布表明：RX1day、PRCPTOT、SDII、CDD均呈东高西低分布，CWD呈北低南高分布；季节极端降水指数均值空间分布表明：RX1day、PRCPTOT四季均呈东高西低的分布，CDD四季呈西高东低分布，CWD春冬季分布一致，夏季呈东北高西南低分布，冬季呈东北低西南高分布。
（2） 2011—2022年流域极端降水事件整体为上升趋势，极端降水量和强度都有所增加，干旱程度都有所减少，具体表现为除夏季湿润程度下降外，春秋冬季湿润程度上升。年际极端降水指数变化趋势表明：RX1day、PRCPTOT、SDII均为上升趋势，CDD、CWD均为下降趋势。季节极端降水指数变化趋势表明：RX1day四季主要为上升趋势，而春秋季在流域中东部却集中为下降趋势；PRCPTOT四季为上升趋势；CDD四季均为下降趋势，而秋季东南部趋势变化显著；CWD春夏冬季为上升趋势，秋季为下降趋势。
（3） 2011—2022年流域极端气温事件东部多于西部。年际极端气温指数均值空间分布表明，TNn、TXx、WSDI、FD、SU均呈东高西低分布，DTR、FD均呈西高东低分布；季节极端气温指数均值空间分布表明，TNn、TXx四季均呈东高西低分布，DTR四季呈西高东低分布，FD春秋季呈西高东低分布、夏冬季整体分布无变化，SU春夏秋季呈东高西低分布、冬季整体分布无变化。
（4） 2011—2022年流域极端气温事件整体为上升趋势，极端气温进一步升高，极端高温频率和强度从东到西依次递增，极端低温频率和强度从东到西依次递减，具体表现为夏季气温下降，春季气温上升。年际极端气温指数变化趋势表明：TXx、WSDI、SU均为上升趋势，TNn、DTR均为下降趋势。季节极端气温指数变化趋势表明：TNn、TXx四季均为上升趋势，但TNn秋冬季显著变化明显；DTR在夏秋季为下降趋势，在春冬季为上升趋势；FD在夏季为下降趋势，其他季节为上升趋势；SU四季均为上升趋势。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
Legg S. IPCC, 2021: Climate change 2021: The physical science basis[J]. Interaction, 2021, 49(4): 44-45.

[2]
孙颖. 人类活动对气候系统的影响——解读IPCC第六次评估报告第一工作组报告第三章[J]. 大气科学学报, 2021, 44(5): 654-657.

[Sun Ying. lmpact of humanactivities on climate system: An interpretation of Chapter Ⅲ of WG I report of IPCC AR6[J]. Transactions of Atmospheric Sciences, 2021, 44(5): 654-657.]

[3]
Thackeray C W, Deangelis A M, Hall A, et al. On the connection between global hydrologic sensitivity and regional wet extremes[J]. Geophysical Research Letters, 2018, 45(20): 11343-11351.

[4]
Donat M G, Lowry A L, Alexander L V, et al. More extreme precipitation in the world’s dry and wet regions[J]. Nature Climate Change, 2016, 6(5): 508-513.

[5]
Pi Y Y, Yu Y, Zhang Y Q, et al. Extreme temperature events during 1960—2017 in the arid region of northwest China: Spatiotemporal dynamics and associated large-scale atmospheric circulation[J]. Sustainability, 2020, 12(3): 1198, doi: 10.3390/su12031198.

[6]
Wang Y J, Zhou B T, Qin D H, et al. Changes in mean and extreme temperature and precipitation over the arid region of northwestern China: Observation and projection[J]. Advances in Atmospheric Sciences, 2017, 34: 289-305.

[7]
曾颖婷, 陆尔. 1961—2010年我国夏季总降水和极端降水的变化[J]. 气候变化研究进展, 2015, 11(2): 79-85.

[Zeng Yingting, Lu Er. Changes of summer rainfall and extreme precipitation during 1961—2010 in China[J]. Climate Change Research, 2015, 11(2): 79-85.]

[8]
陈效逑, 刘立, 尉杨平. 1961—2005年黄河流域极端气候事件变化趋势[J]. 人民黄河, 2011, 33(5): 3-5.

[Chen Xiaoqiu, Liu Li, Wei Yangping. Variation trend of extreme climate events of the Yellow River Basin in 1961—2005 period[J]. Yellow River, 2011, 33(5): 3-5.]

[9]
任宗萍, 马勇勇, 王友胜, 等. 无定河流域不同地貌区径流变化归因分析[J]. 生态学报, 2019, 39(12): 4309-4318.

[Ren Zongping, Ma Yongyong, Wang Yousheng, et al. Runoff changes and attribution analysis in tributaries of different geomorphic regions in Wuding River Basin[J]. Acta Ecologica Sinica, 2019, 39(12): 4309-4318.]

[10]
党维勤, 郝鲁东, 高健健, 等. 基于“7·26”暴雨洪水灾害的淤地坝作用分析与思考[J]. 中国水利, 2019(8): 52-55.

[Dang Weiqin, Hao Ludong, Gao Jianjian, et al. Roles of silt retention dam in rainstorm flood disaster on July 26[J]. China Water Resources, 2019(8): 52-55.]

[11]
Ahmed K, Sachindra D, Shahid S, et al. Multi-model ensemble predictions of precipitation and temperature using machine learning algorithms[J]. Atmospheric Research, 2020, 236: 104806, doi: 10.1016/j.atmosres.2019.104806.

[12]
Yang T A, Liu J L, Chen Q Y. Assessment of plain river ecosystem function based on improved gray system model and analytic hierarchy process for the Fuyang River, Haihe River Basin, China[J]. Ecological Modelling, 2013, 268: 37-47.

[13]
Corchado J M, Lees B. A hybrid case-based model for forecasting[J]. Applied Artificial Intelligence, 2001, 15(2): 105-127.

[14]
杨梅焕, 王钰尧, 王涛, 等. 西北干旱区极端降水时空变化特征及驱动因素[J]. 西安理工大学学报, 2023, 39(3): 393-403.

[Yang Meihuan, Wang Yuyao, Wang Tao, et al. Spatiotemporal variation characteristics and driving factors of extreme precipitation in arid region of northwest China[J]. Journal of Xi’an University of Technology, 2023, 39(3): 393-403.]

[15]
李军龙, 张剑, 张丛, 等. 气象要素空间插值方法的比较分析[J]. 草业科学, 2006, 23(8): 6-11.

[Li Junlong, Zhang Jian, Zhang Cong, et al. Analyze and compare the spatial interpolation methods for climate factor[J]. Pratacultural Science, 2006, 23(8): 6-11.]

[16]
林忠辉, 莫兴国, 李宏轩, 等. 中国陆地区域气象要素的空间插值[J]. 地理学报, 2002, 57(1): 47-56.

[Lin Zhonghui, Mo Xingguo, Li Hongxuan, et al. Comparison of three spatial interpolation methods for climate variables in China[J]. Acta Geographica Sinica, 2002, 57(1): 47-56.]

DOI

[17]
郭飞. 基于WRF的城市热岛效应高分辨率评估方法[J]. 土木建筑与环境工程, 2017, 39(1): 13-19.

[Guo Fei. Assessment method of urban heat island high resolution based on WRF[J]. Journal of Civil and Environmental Engineering, 2017, 39(1): 13-19.]

[18]
侯嘉琪. 基于WRF模式的中国西北地区未来气候变化预测分析[D]. 武汉: 华中农业大学, 2023.

[Hou Jiaqi. Prediction of future climate change in northwest China based on WRF model[D]. Wuhan: Huazhong Agricultural University, 2023.]

[19]
Skamarock W C, Klemp J B, Dudhia J, et al. A description of the advanced research WRF Version 3[C]// NCAR/TN 475+STR. NCAR Technical Note. Colorado: Mesoscale and Microscale Meteorology Division National Center for Atmospheric Research, 2009.

[20]
Alexander L, Herold N. ClimPACT2[M]. Sydney: The University of New South Wales, 2016: 1-46.

[21]
赵雪岩. 无定河流域土地利用变化方式及对径流的影响研究[D]. 咸阳: 西北农林科技大学, 2023.

[Zhao Xueyan. Study on land use change and its impact on runoff in Wuding River Basin[D]. Xianyang: Northwest A & F University, 2023.]

[22]
马伟东, 刘峰贵, 周强, 等. 1961—2017年青藏高原极端降水特征分析[J]. 自然资源学报, 2020, 35(12): 3039-3050.

DOI

[Ma Weidong, Liu Fenggui, Zhou Qiang, et al. Characteristics of extreme precipitation over the Qinghai-Tibet Plateau from 1961 to 2017[J]. Journal of Natural Resources, 2020, 35(12): 3039-3050.]

DOI

[23]
李胜利, 巩在武, 石振彬. 近50年来山东省极端降水指数变化特征分析[J]. 水土保持研究, 2016, 23(4): 120-127.

[Li Shengli, Gong Zaiwu, Shi Zhenbin. Characteristics of change in extreme precipitation indices in Shandong Province in recent 50 years[J]. Research of Soil and Water Conservation, 2016, 23(4): 120-127.]

[24]
王倩之, 刘凯, 汪明. NEX-GDDP降尺度数据对中国极端降水指数模拟能力的评估[J]. 气候变化研究进展, 2022, 18(1): 31-43.

[Wang Qianzhi, Liu Kai, Wang Ming. Evaluation of extreme precipitation indices performance based on NEX-GDDP downscaling data over China[J]. Climate Change Research, 2022, 18(1): 31-43.]

[25]
李宛鸿, 徐影. CMIP6模式对青藏高原极端气温指数模拟能力评估及预估[J]. 高原气象, 2023, 42(2): 305-319.

DOI

[Li Wanhong, Xu Ying. Evaluation and projection of extreme temperature indices over the Qinghai-Xizang Plateau by CMlP6 models[J]. Plateau Meteorology, 2023, 42(2): 305-319.]

DOI

[26]
Vourlioti P, Mamouka T, Agrafiotis A, et al. Medicane ianos: 4D-var data assimilation of surface and satellite observations into the numerical weather prediction model WRF[J]. Atmosphere, 2022, 13(10): 1683, doi: 10.3390/atmos13101683.

[27]
Fu Y Y, Zhou Z X, Li J J, et al. Impact of aerosols on NPP in basins: Case study of WRF-solar in the Jinghe River Basin[J]. Remote Sensing, 2023, 15(7): 1908, doi: 10.3390/RS15071908.

[28]
Shirali E, Nikbakht S A, Fathian H, et al. Evaluation of WRF and artificial intelligence models in short-term rainfall, temperature and flood forecast (case study)[J]. Journal of Earth System Science, 2020, 129(1): 1-16.

[29]
Delfino R J, Bagtasa G, Hodges K, et al. Sensitivity of simulating Typhoon Haiyan (2013) using WRF: The role of cumulus convection, surface flux parameterizations, spectral nudging, and initial and boundary conditions[J]. Natural Hazards and Earth System Sciences, 2022, 22(10): 3285-3307.

[30]
田磊. 变化环境下黄土高原水文气候要素数值模拟及未来预测[D]. 咸阳: 西北农林科技大学, 2019.

[Tian Lei. Numerical simulation and future prediction of hydrological and climatic factors in the Loess Plateau under changing environment[D]. Xianyang: Northwest A & F University, 2019.]

[31]
方利, 王文杰, 蒋卫国, 等. 2000—2014年黑龙江流域(中国)植被覆盖时空变化及其对气候变化的响应[J]. 地理科学, 2017, 37(11): 1745-1754.

DOI

[Fang Li, Wang Wenjie, Jiang Weiguo, et al. Spatio-temporal variations of vegetation cover and its responses to climate change in the Heilongjiang Basin of China from 2000 to 2014[J]. Scientia Geographica Sinica, 2017, 37(11): 1745-1754.]

DOI

[32]
李双双, 孔锋, 韩鹭, 等. 陕北黄土高原区极端降水时空变化特征及其影响因素[J]. 地理研究, 2020, 39(1): 140-151.

DOI

[Li Shuangshuang, Kong Feng, Han Lu, et al. Spatiotemporal variability of extreme precipitation and influencing factors on the Loess Plateau in northern Shaanxi Province[J]. Geographical Research, 2020, 39(1): 140-151.]

[33]
杨维涛, 孙建国, 康永泰, 等. 黄土高原地区极端气候指数时空变化[J]. 干旱区地理, 2020, 43(6): 1456-1466.

[Yang Weitao, Sun Jianguo, Kang Yongtai, et al. Temporal and spatial changes of extreme weather indices in the Loess Plateau[J]. Arid Land Geography, 2020, 43(6): 1456-1466.]

DOI

[34]
黎珩, 朱冰冰, 边熇, 等. 1970—2020年黄土高原水蚀风蚀交错区极端降水时空变化研究及驱动因素分析[J]. 干旱区地理, 2024, 47(4): 539-548.

DOI

[Li Heng, Zhu Bingbing, Bian He, et al. Temporal and spatial changes of extreme precipitationand its driving factors in the water-wind erosion interlacing area of the Loess Plateau from 1970 to 2020[J]. Arid Land Geography, 2024, 47(4): 539-548.]

DOI

[35]
Cai Q F, Liu Y U, Fang C X, et al. Insight into spatial-temporal patterns of hydroclimate change on the Chinese Loess Plateau over the past 250 years, using new evidence from tree rings[J]. Science of the Total Environment, 2022, 850: 157960, doi: 10.1016/j.scitotenv.2022.157960.

[36]
WMO. State of the global climate 2021: WMO provisional report[M]. Geneva: WMO, 2021: 1-4.

[37]
Zhang P A, Sun W Y, Xiao P Q, et al. Driving factors of heavy rainfall causing flash floods in the middle reaches of the Yellow River: A case study in the Wuding River Basin, China[J]. Sustainability, 2022, 14(13): 8004, doi: 10.3390/su14138004.

Options
Outlines

/

〈 〉