全球未来洪水演变及极端洪水出现时间预测

Global Future Flood Evolution and Prediction of the Emergence Time of Extreme Floods

摘要

温室气体排放引发的全球变暖将导致水循环加剧、洪水风险增加，因此量化不同排放情景下未来洪水演变差异及极端洪水出现时间（TOE）具有重要意义。以年最大一日径流深为洪水指标研究了不同共享社会经济路径（SSPs）下未来洪水的变化趋势，基于自助法（Bootstrap）预测了未来极端洪水的出现时间，并建立归因框架探讨了未来洪水变化的主导因素。结果表明：采取高排放的化石燃料发展路径（SSP5-8.5），全球19.7%的陆地（南极洲、格陵兰岛以及沙漠地区除外）会出现极端洪水，TOE的中值为2048年；而采取低排放的可持续发展路径（SSP1-2.6），全球出现极端洪水的陆地占比将降至10.6%，TOE的中值也将延迟至2067年；极端洪水可能出现在北美洲北部、俄罗斯东部以及我国青藏高原等地区；降水在大多数流域的洪水演变中起主导作用，对洪水变化的影响以正贡献为主。该结果提示，人类只有有效控制温室气体排放，延缓全球变暖趋势，才能减少和延迟极端洪水的发生。

Abstract

Global warming induced by greenhouse gas emissions will lead to the intensification of the water cycle and the increase of flood risk. It is of great significance to quantify the differences in the evolution of future floods and the time of emergence (TOE) of extreme floods under different emission scenarios. Using the annual maximum daily runoff as the flood indicator, we investigated the changes in future floods under different Shared Socioeconomic Pathways (SSPs), predicted the TOE of extreme floods based on Bootstrap, and developed an attribution framework to explore the dominant factors of future flood changes. The results showed that under the high-emission fossil fuel development pathway (SSP5-8.5), 19.7% of the global landmass (except Antarctica, Greenland, and desert regions) would experience extreme floods, with a median TOE of 2048; while under the low-emission sustainable development pathway (SSP1-2.6), the share of the global region experiencing extreme floods would decrease to 10.6%, and the median TOE would be delayed to 2067. Extreme floods were likely to occur in northern North America, eastern Russia, the Qinghai-Xizang Plateau in China, etc. Rainfall played a dominant role in flood changes in most basins, with a predominantly positive contribution to flood changes. The results suggest that only by effectively controlling greenhouse gas emissions and delaying global warming can the emergence of extreme floods be reduced and delayed.

Graphical abstract

关键词

极端洪水 / 水循环 / 全球变暖 / 水资源 / 极端天气 / 定量归因 / 温室气体

Key words

extreme floods / water cycle / global warming / water resources / extreme weather / quantitative attribution / greenhouse gas

0　 引 言

气候变暖和经济发展综合影响下的全球水循环加剧，是当前全球关注的热点^[1]。气候变暖会导致冰川融化和海平面上升^[2]，并引发极端天气（如暴雨、飓风等），加剧洪水造成的损失^[3]。同时，现有水文、农业和工业基础设施的设计和管理多基于历史经验和统计数据^[4]，不适用于应对未来的极端洪水问题，从而加剧人们对潜在洪水风险的担忧^[5]。因此，研究未来洪水演变及其成因具有重要意义。对未来洪水的演变研究主要包括洪水量级^[6]、洪水频率^[7]、洪水时空特征^[8]等，如Giuntoli等^[9]评估了美国东部未来洪水的规模，对其变化的不确定性进行了量化。然而，洪水受多方面因素影响，其变化存在极大的不确定性，如全球气候变暖一方面会导致更频繁的极端降水^[10]，增加洪水的发生；另一方面又会导致土壤变干、地下水位降低^[11]和积雪减少^[12]，减少洪水的发生。以上因素交互作用，使得对未来洪水变化的预测存在较大分歧。当前，各政府和组织主要关注如何将全球平均气温的上升限制在一个目标值内^[13]。然而，公众对抽象的目标值与温室气体排放水平可能造成的洪水风险尚缺乏认识^[14]。通过探究不同排放情景下未来洪水演变的差异，可以提高公众对气候变化下水文响应机理的认识，激发公众节能减排的积极性。

水文气象变量持续地偏离历史范围标志着新状态的开始^[4]，尽管大多数生态和社会经济系统具有适应环境变化的能力，但其受破坏程度主要取决于相关变量达到前所未有状态的时间框架^[15]。因此，了解洪水何时超越历史范围进入前所未有的阶段，对制定有效的气候变化适应战略和缓解措施至关重要。出现时间（time of emergence, TOE）指变量显著偏离给定参考期的时间点^[14]，可以用不同的方式计算，主要取决于变量的选择、空间和时间尺度、基准时间段以及界定出现的阈值。有关TOE的研究主要集中在气象变量，如温度和降水，包括平均状况^[16]和极端状况^[17]。已有学者开始预测水文径流偏离历史范围的TOE，如Dirmeyer等^[18]调查了两种未来情景下全球季节性月降水总量、径流总量和地表土壤湿度总量永久高于或低于历史平均值的年份。但这些研究并没有考虑极端水文的变化，即未来洪水显著高于历史最大值的时间点，这是一种更为极端且严格的指标^[18]，给生态环境造成的危害可能是更严峻的。据了解，仅有少数研究在小尺度范围内研究了未来极端洪水显著偏离历史范围的时间，如Gadeke等^[19]调查了恒河流域、雅鲁藏布江流域和梅克纳河流域未来洪水与历史洪水明显不同的时间点。但不同排放情景下全球极端洪水出现时间的空间格局仍不清楚。传统的气候模型和水文模型能够对未来气候条件下的洪水演变进行预测，但缺乏对洪水事件的解释和归因。在温室气体浓度持续升高和下垫面剧烈变化的情境下，厘清未来洪水演变的成因才能更好地提高洪水预测效果以应对气候变化。对洪水潜在的物理过程分析可知，洪水不仅依赖于极端降雨，还受地表变化的影响^[20]。丰富的证据表明，极端降水事件的频率和强度随气候变暖而上升^[21，22]。若其他条件保持不变，极端降水的增加会导致洪水增加。然而，仍然存在一些与极端降雨变化相反的因素，可能抵消洪水的增加。因此，对于哪些因素在未来洪水变化中占主导地位仍存争议，需要更进一步的研究和探索。

综上所述，本文旨在描述全球未来不同排放情景下极端洪水的时空演变格局，预测全球极端洪水的第一次出现时间，探讨气候变化下各因素对未来洪水变化的影响并确定主导机制。

1　 数 据

本文使用年最大一日径流深作为洪水指标。历史日径流深数据源于EartH2Observe数据集（第二版）中的多模型集合数据（https://wci.earth2observe.eu/thredds/catalog/ens/wrr2/catalog.html），空间分辨率0.25°×0.25°，时间范围1980—2014年^[23]。未来径流数据则源于第六次国际耦合模式比较计划（The Coupled Model Intercomparison Project Phase 6，CMIP6）的气候模式模拟数据（https://pcmdi.llnl.gov/CMIP6）。CMIP6的未来气候变化情景表示为共享社会经济路径（Shared Socioeconomic Pathways, SSPx-y），其中x表示特定的SSP，y（单位为W/m²）表示2100年的辐射强迫水平。辐射强迫水平随温室气体排放浓度的增加而升高。使用了4种共享社会经济路径下的径流数据：SSP1-2.6为低排放情景，代表可持续发展路径；SSP2-4.5为中等排放情景，代表“中间地带”发展路径；SSP3-7.0为中高排放情景，代表区域竞争发展路径；SSP5-8.5为高排放情景，代表化石燃料发展路径^[22]。本文只选择模拟运行的第一个集成（r1i1p1f1）进行分析，以便在计算多模型均值时，所有模型都具有相同的权重^[24]。取各情景下的模型交集进行后续研究，共使用了18个模型（表1），所有模型的时间跨度为2015—2100年。此外，未来洪水变化的驱动因素（降雨、土壤湿度、融雪）数据也源于CMIP6。采用双线性插值法对所有数据进行重采样，使其具有统一的空间分辨率（1°×1°）。

2　 方 法

2.1　数据筛选

排除栅格数据中存在数据缺失和具有10个以上连续相等值等可疑数据^[25]的网格。用Sen’s斜率计算洪水的变化趋势，用修正后的Mann-Kendall趋势检验评估趋势的显著性。只有洪水变化符号（正负）的模型一致性（S）大于0.6^[4]且洪水趋势的显著性水平（P）小于0.1的网格才能用于分析。计算网格变化趋势的多模型面积加权平均值作为全球洪水的总体趋势。

2.2　TOE检测框架

为了量化人们应对未来极端水文变化的时间，本文评估了极端洪水的TOE。TOE指在特定时间范围，洪水持续偏离参考期最大值的第一年^[15]。考虑到不同长度的历史参考期对TOE无明显影响^[15]，且受到可用数据长度的限制，本文采用的洪水参考期为1980—2014年。为了减少内部气候变率和模型集合成员所带来的不确定性^[4]，本文基于自助法（Bootstrap）^[26]建立TOE检测框架，如图1所示。首先，重复抽样10 000次为每个网格创建18×10 000个大样本时间序列，1/3以上的大样本能检测到TOE才被认为是可信的^[4，27]。随后，将重复抽样后的大样本随机分为1 000个子集，并计算每个子集TOE的均值，得到TOE均值5%~95%的置信区间。若此置信区间能反映总体均值，则认为总体均值是显著的^[4]。为了防止“伪出现”，TOE总体均值须小于2090年^[18]。最终，极端洪水的TOE由总体均值定义。此外，本文估计了极端洪水随时间推移发生的可能性，并将结果表示为累积分布函数（cumulative distribution functions, CDF）。主体CDF由重复抽样后的大样本时间序列确定，每个子集中CDF的最大值和最小值提供了主体CDF的不确定性范围。需要说明的是，文中计算的TOE是统计学上的概率时间，并非极端洪水真实发生的时间。本研究的重点在于对比不同排放情景下未来洪水演变的差异，向公众展示控制温室气体排放的重要性和紧迫性。

2.3　归因框架构建

本文主要评估最大1天和最大7天平均降雨、土壤湿度、融雪（分别简称Rainfall1、Rainfall7、Soil1、Soil7、Snow1、Snow7）对洪水变化的贡献，步骤如下：

1） 筛选最佳回归模型。基于全子集回归建立归因框架，以筛选出最佳解释变量和最佳回归模型^[28]。将调整后决定系数最大的模型作为最佳回归模型，后续的模拟均基于此模型。

2） 敏感性实验。对最佳回归模型中包含的每个因素进行敏感性实验，即将回归模型中某个因素的时间序列平均值代替原始数据，而其余因素保持不变，随后对洪水进行模拟并计算模拟洪水的趋势值。因传统归因方法计算的因素贡献可能包含其他因素间的相互作用，故本文使用Sun等^[29]的趋势归因方程分离每个因素的贡献，以减少这些因素间的混杂效应。对于给定的敏感性实验，其模拟洪水的趋势值可视为其他因素的累积影响：

{\displaystyle \sum _{j\ne i}^z}{B}_j=S_i（1）

其中：{\displaystyle \sum _{j\ne i}^z}{B}_j为驱动因素（除第i个因素外）对洪水变化的贡献之和；z为最佳回归模型中驱动因素的个数；S_i为第i个敏感性实验中模拟洪水的趋势值。求解方程（1），得到各因素对洪水变化的贡献：

B_i=\frac{{\displaystyle \sum _{j\ne i}^z}{S}_j-\left(z-\mathrm{2}\right)\times S_i}{z-\mathrm{1}}（2）

其中：B_i为第i因素对洪水变化的影响量。各因素的相对贡献率可以由其影响量获得，公式如下：

C_i=\frac{B_i}{\mathrm{M}\mathrm{e}\mathrm{a}\mathrm{n}}\times \mathrm{100}\mathrm{\%}（3）

其中：C_i为第i因素对洪水变化的相对贡献率，\mathrm{M}\mathrm{e}\mathrm{a}\mathrm{n}为观测洪水的多年平均值。

3） 定义主导因素。将贡献最大且贡献方向（正负）与洪水变化方向一致的因素定义为主导因素。如果最佳回归模型中各因素的累积贡献和与洪水变化方向不一致，则主导因素定义为最佳回归模型中所包含因素外的其他因素。

3　 结果与分析

3.1　全球洪水演变趋势

1980—2100年不同排放情景下的洪水变化趋势预测如图2所示。结果显示：全球洪水量级总体呈上升趋势，且上升幅度随着温室气体排放浓度的增加而增大，即全球洪水的总体趋势从SSP1-2.6情景下的0.06±0.06 mm/年上升至SSP5-8.5情景下的0.10±0.08 mm/年；SSP1-2.6、SSP2-4.5、SSP3-7.0、SSP5-8.5情景下分别有49.4%（7.3%）、52.3%（7.0%）、53.8%（6.8%）、55.4%（6.7%）全球陆地面积（南极洲、格陵兰岛及沙漠地区除外）的洪水量级呈显著上升（下降）趋势。值得注意的是，洪水呈现较大上升幅度（趋势值>0.2 mm/年）的网格占比也随着温室气体排放浓度的增加而增加，分别为SSP1-2.6（2.3%）、SSP2-4.5（3.6%）、SSP3-7.0（5.6%）、SSP5-8.5（7.7%）。以上情况说明，随着排放浓度的增加，全球洪水风险将日益加剧。

就区域而言，洪水变化的全球空间格局在4种排放情景下大致相同。北美洲、俄罗斯东部等高纬度地区均出现大范围洪水量级增加的情况。洪水增幅较大的地区主要分布在巴西东部、中国南部、南亚、东南亚等地。而洪水呈下降趋势的区域主要集中分布在原本就水资源匮乏的中东地区。以上变化可能伴随着某些地区的水资源过剩和其他地区的水资源短缺，进一步增加水资源分布不均造成的危害。例如，南亚和东南亚地区多为热带季风和热带雨林气候，降水充沛，洪水的增加可能会给当地带来更严峻的挑战。而中东地区普遍为热带沙漠气候，全年高温干旱。日益干旱的气候会导致该地区普遍缺水，可能加剧该地区国家间为抢夺宝贵淡水资源而产生的冲突。

3.2　未来极端洪水的TOE

图3预测了不同排放情景下2015—2100年极端洪水的TOE。就全球而言，SSP1-2.6、SSP2-4.5、SSP3-7.0、SSP5-8.5情景下分别有10.6%、12.5%、17.5%、19.7%的陆地面积会经历极端洪水，SSP5-8.5情景为SSP1-2.6情景的1.86倍。对于大多数陆地区域，低排放情景下的TOE多分布在21世纪后期（2071—2100年），而高排放情景下TOE将提前至21世纪前期（2015—2040年）和中期（2041—2070年）。以上结果说明，控制温室气体排放可以减少极端洪水发生的可能性并延缓极端洪水发生的时间。就区域而言，极端洪水多发生在北半球的高纬度地区，如北美洲北部、俄罗斯东部等区域。根据上述的洪水变化分析可知，这些地区显示出了大面积洪水量级增加的迹象（图2）。此外，巴西东部、非洲中部、我国青藏高原以及东南亚等地区也检测出极端洪水的TOE，这与这些区域较大的洪水上升幅度相对应。以上区域多为生态脆弱区和资源丰富区，需要更多的关注与保护。

图4显示了极端洪水随时间发生的可能性。高排放情景下极端洪水发生的累积概率在21世纪前期增长较迅速，21世纪后期增速有所减缓，而低排放情景下的情况正好相反。SSP1-2.6、SSP2-4.5、SSP3-7.0、SSP5-8.5情景下全球极端洪水的TOE中值分别为2067、2064、2056、2048年，不确定范围分别为2054—2076、2052—2071、2040—2068、2035—2059年。尽管SSP5-8.5情景下TOE的不确定性并非最小，但其TOE中值比SSP1-2.6情景提前了近20年，足以凸显采取适当发展路径的重要性。以上结果是气候变化速度快慢的清晰指标，突出了减少温室气体排放以延迟极端洪水发生时间的紧迫性。

3.3　未来洪水变化归因

进一步挖掘了未来洪水变化的驱动机制。将全球极端洪水的TOE（图3）与洪水变化的空间格局（图2）叠加，选出典型流域进行未来洪水变化归因。为了使典型流域更具全球代表性，尽可能在全球各大洲选取，并结合以下原则进行筛选：1） 处于洪水趋势显著上升（或下降）的区域；2） TOE网格占比较大；3） 流域面积较大；4）全球影响力较大。由于SSP5-8.5情景下未来洪水变化最剧烈，故后续的分析均基于此情景。

基于归因框架，量化各因素对洪水变化的贡献，并采用相关系数R² 、纳什效率系数（the Nash-Sutcliffe efficiency coefficient, NSE）及Kling-Gupta效率系数（the Kling-Gupta efficiency scores， KGE）衡量模拟效果（表2）。大多数流域的模拟系数在0.6以上，说明此框架在模拟洪水变化方面表现良好。

图5展示了各驱动因素对典型流域未来洪水变化的影响方向及大小，流域边界数据源于全球径流数据中心（https://www.bafg.de/GRDC/EN/02_srvcs/22_gslrs/221_MRB/riverbasins.html?nn=201570）。在洪水趋于增加的流域中，降水对洪水变化的影响为正贡献，其贡献是其他因素的4倍以上，对洪水的上升趋势起主导作用（除Kem、Kolyma流域外）。高排放（SSP5-8.5）情景下的强温室效应导致全球净辐射显著增加，进而引发全球大范围升温现象^[30]。气温升高会导致海洋、湖泊等水体中更多的水蒸气进入大气^[31]，大气的容水能力增强，促进对流的产生、扩展和强降水的形成^[30，32]，进而导致洪水增加。融雪在Kem和Kolyma流域的洪水变化中起主导作用，这可能是由于高排放情景下全球变暖导致冰川和积雪进一步融化，融化的雪水导致洪水增加。但在洪水显著减少的Shatt al-Arab流域，土壤湿度（-0.67%）和极端降水（-0.92%）共同减少导致该流域洪水呈显著下降趋势。随着全球温度升高，土壤中水分蒸发加剧^[33]，导致土壤更加干旱。Shatt al-Arab流域地处副热带高气压带附近，根据Hadley环流形成原理，全球变暖会加剧副热带地区的下沉气流^[34]，使降雨形成受到抑制^[35]，故该流域降水减少。总之，极端降水在未来的洪水演变中扮演着越来越重要的角色，会加剧极端水文事件的发生频率和强度，同时也进一步加剧水资源分布的不合理性。

4　 讨 论

CMIP气候模式数据常用于研究未来水文变化^[36]，但其结果通常存在较大的不确定性。不确定性来源主要包括内部变异性、模型不确定性和情景不确定性。内部变异性是指区域气候在10年或10年以上时间尺度的自然变率^[37]，包括厄尔尼诺-南方涛动^[38]、太平洋年代际振荡^[39]和类似的年际变率来源。模型不确定性是指不同模型对同一辐射强迫的响应不同，主要源于模型之间数学表示和参数化过程的差异^[40]。情景不确定性是指不同未来排放情景之间的模型响应差异，如代表性浓度路径和共享社会经济路径。本文在具体研究时，1） 考虑到情景不确定性，量化了不同排放情景下未来洪水的演变，探讨了不同发展路径给全球造成的后果差异；2） 考虑到内部变异性，使用更大的集合数据以提高TOE检测的稳健性^[4]，采用自助法产生大样本时间序列评估了未来洪水演变的不确定性和极端洪水发生的可能性；3） 考虑到模型不确定性，设定所有结果只有在1/3以上集合成员表现出一致性时才被认为有效。因此，本文结果具有较好的预测性与警示性。

以往的归因研究多聚焦于洪水产生的机制，认为极端降水、土壤湿度和融雪是常见的洪水发生机制^[41~43]。但洪水变化的主导机制可能与洪水产生的主导机制不一致。如一个流域的洪水可能有多种产生机制，且降水为其主导机制，但降水在长时间序列中并没有发生显著变化，而是其他因素的变化引起了洪水变化，这种情况下洪水变化的主导因子与其产生的主导机制不同。因此，本文为洪水变化的定量归因提供了新的视角。

此外，洪水变化可能会受诸多因素的影响，这增加了洪水归因的难度。为了提高实验的严谨性，如果最佳回归模型中各因素的累计贡献和与洪水变化的方向不一致，则主导因素被定义为最佳回归模型中未包含的其他因素。

5　 结 论

本文分析了不同排放情景下全球洪水的演变，检测了洪水显著偏离历史参考期的出现时间，并建立洪水变化归因框架，揭示了未来洪水变化的主导机制，得出的主要结论如下：

1） 1980—2100年，全球洪水量级的上升幅度及上升比例随着温室气体排放浓度的增加而升高。SSP1-2.6、SSP2-4.5、SSP3-7.0、SSP5-8.5情景下全球洪水的总体变化趋势分别为0.06±0.06、0.07±0.06、0.08±0.07、0.10±0.08 mm/年，且洪水呈显著上升趋势的网格占比分别为49.4%、52.3%、53.8%、55.4%。

2） 2015—2100年极端洪水的出现比例随温室气体排放浓度的增加而上升，TOE也随之提前。SSP1-2.6、SSP2-4.5、SSP3-7.0、SSP5-8.5情景下全球出现极端洪水的网格占比分别为10.6%、12.5%、17.5%、19.7%，且TOE的全球中值分别为2067、2064、2056、2048年。

3） 归因框架的洪水演变模拟系数（NSE）在0.6以上，模拟性能较好。归因结果表明，在全球洪水呈上升趋势的流域中，降水对洪水变化的影响以正贡献为主，且占据主导地位；在洪水呈下降趋势的流域中，降水减少与土壤湿度降低共同促进了洪水的减少。无论如何，降水都在未来洪水演变中占据重要地位。

参考文献

[1] 方建， 杜鹃， 徐伟， 等. 气候变化对洪水灾害影响研究进展［J］. 地球科学进展， 2014， 29（9）： 1085-1093. DOI： 10.11867/j.issn.1001-8166.2014.09.1085 .

[2] FANG J， DU J， XU W， et al. Advances in the study of climate change impacts on flood disaster［J］. Advances in Earth Science， 2014， 29（9）： 1085-1093. DOI： 10.11867/j.issn.1001-8166.2014.09.1085（Ch ）.

[3] 孙钦珂， 周亮， 王宝. 气候变化背景下沿海特大城市复合洪水灾害空间模拟［J］. 地球信息科学学报， 2023， 25（12）： 2427-2438. DOI： 10.12082/230326.2023.230326 .

[4] SUN Q K， ZHOU L， WANG B. Spatial simulation of compound flood hazard risk in coastal megacities under climate change［J］. Journal of Geo-Information Science， 2023， 25（12）： 2427-2438. DOI： 10.12082/230326.2023.230326（Ch ）.

[5] DOTTORI F， SZEWCZYK W， CISCAR J C， et al. Increased human and economic losses from river flooding with anthropogenic warming［J］. Nature Climate Change， 2018， 8： 781-786. DOI：10.1038/s41558-018-0257-z .

[6] SATOH Y， YOSHIMURA K， POKHREL Y， et al. The timing of unprecedented hydrological drought under climate change［J］. Nature Communications， 2022， 13（1）： 3287. DOI：10.1038/s41467-022-30729-2 .

[7] 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 .

[8] RUDD A C， KAY A L， SAYERS P B. Climate change impacts on flood peaks in Britain for a range of global mean surface temperature changes［J］. Journal of Flood Risk Management， 2023， 16（1）： 15. DOI：10.1111/jfr3.12863 .

[9] HIRABAYASHI Y， MAHENDRAN R， KOIRALA S， et al. Global flood risk under climate change［J］. Nature Climate Change， 2013， 3： 816-821. DOI：10.1038/nclimate1911 .

[10] 李赞. 西流松花江径流变化归因分析及未来洪水风险评估［D］. 哈尔滨： 黑龙江大学， 2023. DOI: 10.3390/w15030451 .

[11] LI Z. Attribution analysis of runoff change and future flood risk assessment in the Xiliu Songhua River［D］. Harbin： Heilongjiang University， 2023 （Ch）. DOI: 10.3390/w15030451 .

[12] GIUNTOLI I， PROSDOCIMI I， HANNAH D M. Going beyond the ensemble mean： Assessment of future floods from global multi-models［J］. Water Resources Research， 2021， 57（3）： 19. DOI：10.1029/2020wr027897 .

[13] 李雨竹， 程磊， 程旭， 等. 基于HEC-RAS模型的城集镇洪灾淹没分析研究［J］. 武汉大学学报（工学版）， 2023， 56（12）： 1536-1545. DOI：10.14188/j.1671-8844.2023-12-011 .

[14] LI Y Z， CHENG L， CHENG X， et al. Analysis of the flood inundation of towns based on HEC-RAS model［J］. Engineering Journal of Wuhan University， 2023， 56（12）： 1536-1545. DOI：10.14188/j.1671-8844.2023-12-011（Ch ）.

[15] 杨大文， 杨雨亭， 高光耀， 等. 黄河流域水循环规律与水土过程耦合效应［J］. 中国科学基金， 2021， 35（4）： 544-551. DOI：10.16262/j.cnki.1000-8217.2021.04.007 .

[16] YANG D W， YANG Y T， GAO G Y， et al. Water cycle and soil-water coupling processes in the Yellow River Basin［J］. Bulletin of National Natural Science Foundation of China， 2021， 35（4）： 544-551. DOI：10.16262/j.cnki.1000-8217.2021.04.007（Ch ）.

[17] 朱光熙， 效存德， 陈波， 等. 气候变化背景下黑河上游春季融雪洪水预估研究［J］. 气候变化研究进展， 2020， 16（6）： 667-678. DOI： 10.12006/j.issn.1673-1719.2020.006 .

[18] ZHU G X， XIAO C D， CHEN B， et al. Spring snowmelt flood estimate in the upper Heihe River under climate change［J］. Climate Change Research， 2020， 16（6）： 667-678. DOI： 10.12006/j.issn.1673-1719.2020.006（Ch ）.

[19] JOSHI M， HAWKINS E， SUTTON R， et al. Projections of when temperature change will exceed 2 ℃ above pre-industrial levels［J］. Nature Climate Change， 2011， 1（8）： 407-412. DOI：10.1038/nclimate1261 .

[20] LENG G Y， HUANG M Y， VOISIN N， et al. Emergence of new hydrologic regimes of surface water resources in the conterminous United States under future warming［J］. Environmental Research Letters， 2016， 11（11）： 114003. DOI：10.1088/1748-9326/11/11/114003 .

[21] MORA C， FRAZIER A G， LONGMAN R J， et al. The projected timing of climate departure from recent variability［J］. Nature， 2013， 502（7470）： 183-187. DOI：10.1038/nature12540 .

[22] POHL E， GRENIER C， VRAC M， et al. Emerging climate signals in the Lena River Catchment： A non-parametric statistical approach［J］. Hydrology and Earth System Sciences， 2020， 24（5）： 2817-2839. DOI：10.5194/hess-24-2817-2020 .

[23] HARRINGTON L J， FRAME D J， FISCHER E M， et al. Poorest countries experience earlier anthropogenic emergence of daily temperature extremes［J］. Environmental Research Letters， 2016， 11（5）： 055007. DOI：10.1088/1748-9326/11/5/055007 .

[24] DIRMEYER P A， YU L， AMINI S， et al. Projections of the shifting envelope of water cycle variability［J］. Climatic Change， 2016， 136（3）： 587-600. DOI：10.1007/s10584-016-1634-0 .

[25] GADEKE A， WORTMANN M， MENZ C， et al. Climate impact emergence and flood peak synchronization projections in the Ganges， Brahmaputra and Meghna Basins under CMIP5 and CMIP6 scenarios［J］. Environmental Research Letters， 2022， 17（9）： 094036. DOI：10.1088/1748-9326/ac8ca1 .

[26] 宁婷婷. Budyko框架下黄土高原流域蒸散时空变化及其归因分析［D］. 北京： 中国科学院教育部水土保持与生态环境研究中心， 2017. DOI: 10.5194/hess-21-1515-2017 .

[27] NING T T. The spatiotemporal variability of catchment evapotranspiration and its attribution analysis in the loess plateau under the Budyko framework［D］. Beijing： Research Center for Eco-Environmental Sciences， Chinese Academy of Sciences， 2017 （Ch）. DOI: 10.5194/hess-21-1515-2017 .

[28] 王洁， 蒿萌， 葛慧， 等. 基于CMIP6模式数据的京津冀山区未来极端降水频率的变化［J］. 灾害学， 2024， 39（2）： 92-98. DOI：10.3969/j.issn.1000-811X.2024.02.015 .

[29] WANG J， HAO M， GE H， et al. Future changes in extreme precipitation frequency in the mountainous regions of Beijing-Tianjin-Hebei in the context of climate change［J］. Journal of Catastrophology， 2024， 39（2）： 92-98. DOI：10.3969/j.issn.1000-811X.2024.02.015（Ch ）.

[30] 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. DOI：10.12202/j.0476-0301.2023020 .

[31] FENG A L， ZHANG Q， SONG J A， et al. Analysis of spatiotemporal characteristics of extreme precipitation in the Yellow River basin based on CMIP6［J］. Journal of Beijing Normal University （Natural Science）， 2024， 60（2）： 270-284. DOI：10.12202/j.0476-0301.2023020（Ch ）.

[32] BECK H E， VAN DIJK A I J M， DE ROO A， et al. Global evaluation of runoff from 10 state-of-the-art hydrological model［J］. Hydrology and Earth System Sciences， 2017， 21（6）： 2881-2903. DOI：10.5194/hess-21-2881-2017 .

[33] KONG D D， GU X H， LI J F， et al. Contributions of global warming and urbanization to the intensification of human-perceived heatwaves over China［J］. Journal of Geophysical Research： Atmospheres， 2020， 125（18）： e2019JD032175. DOI：10.1029/2019JD032175 .

[34] LIU J Y， FENG S Y， GU X H， et al. Global changes in floods and their drivers［J］. Journal of Hydrology， 2022， 614： 128553. DOI： 10.1016/j.jhydrol.2022.128553 .

[35] KABACOFF R. R in Action： Data Analysis and Graphics with R ［M］. New York： Manning Publications Co.， 2015.

[36] TOUMA D， STEVENSON S， LEHNER F， et al. Human-driven greenhouse gas and aerosol emissions cause distinct regional impacts on extreme fire weather［J］. Nature Communications， 2021， 12（1）： 212. DOI：10.1038/s41467-020-20570-w .

[37] YANG S H， HUANG Z Q， WANG C， et al. A real-time occupancy detection system for unoccupied， normally and abnormally occupied situation discrimination via sensor array and cloud platform in indoor environment［J］. Sensors and Actuators A： Physical， 2021， 332： 113116. DOI：10.1016/j.sna.2021.113116 .

[38] SUN S L， CHEN H S， SUN G， et al. Attributing the changes in reference evapotranspiration in southwestern China using a new separation method［J］. Journal of Hydrometeorology， 2017， 18（3）： 777-798. DOI：10.1175/JHM-D-16-0118.1 .

[39] 尹家波， 郭生练， 王俊， 等. 全球极端降水的热力学驱动机理及生态水文效应［J］. 中国科学：地球科学， 2023， 53（1）： 96-114. DOI： 10.1360/SSTe-2022-0100 .

[40] YIN J B， GUO S L， WANG J， et al. Thermodynamic driving mechanisms for the formation of global precipitation extremes and ecohydrological effects［J］. Scientia Sinica（Terrae）， 2023， 53（1）： 96-114. DOI： 10.1360/SSTe-2022-0100（Ch ）.

[41] ZHOU W Y， WANG L Y， LI D， et al. Spatial pattern of lake evaporation increases under global warming linked to regional hydroclimate change［J］. Communications Earth & Environment， 2021， 2： 255. DOI：10.1038/s43247-021-00327-z .

[42] FISCHER E M， KNUTTI R. Observed heavy precipitation increase confirms theory and early models［J］. Nature Climate Change， 2016， 6： 986-991. DOI：10.1038/nclimate3110 .

[43] WANG R， LI L H， GENTINE P， et al. Recent increase in the observation-derived land evapotranspiration due to global warming［J］. Environmental Research Letters， 2022， 17（2）： 024020. DOI：10.1088/1748-9326/ac4291 .

[44] 付丽丽. 全球变暖 水资源会发生哪些变化 ［N］. 科技日报， 2020-3-23.

[45] FU L L. What will Happen to Water Resources with Global Warming［N］. Science and Technology Daily， 2020-03-23（Ch）.

[46] 尹家波， 郭生练， 杨妍， 等. 基于陆地水储量异常预估中国干旱及其社会经济暴露度［J］. 中国科学： 地球科学， 2022， 52（10）： 2061-2076. DOI： 10.1360/SSTe-2021-0276 .

[47] YIN J B， GUO S L， YANG Y， et al. Predicting drought and its socio-economic exposure in China based on terrestrial water storage anomalies［J］. Scientia Sinica （Terrae）， 2022， 52（10）： 2061-2076. DOI： 10.1360/SSTe-2021-0276（Ch ）.

[48] HIRABAYASHI Y， TANOUE M， SASAKI O， et al. Global exposure to flooding from the new CMIP6 climate model projections［J］. Scientific Reports， 2021， 11： 3740. DOI：10.1038/s41598-021-83279-w .

[49] LAFAYSSE M， HINGRAY B， MEZGHANI A， et al. Internal variability and model uncertainty components in future hydrometeorological projections： The Alpine Durance Basin［J］. Water Resources Research， 2014， 50（4）： 3317-3341. DOI：10.1002/2013wr014897 .

[50] GROTHE P R， COBB K M， LIGUORI G， et al. Enhanced EL Niño-southern oscillation variability in recent decades［J］. Geophysical Research Letters， 2020， 47（7）： 8. DOI：10.1029/2019gl083906 .

[51] WU S， LIU Z Y， ZHANG R， et al. On the observed relationship between the Pacific Decadal Oscillation and the Atlantic Multi-decadal Oscillation［J］. Journal of Oceanography， 2011， 67（1）： 27-35. DOI：10.1007/s10872-011-0003-x .

[52] WANG X J， RAN Y H， PANG G J， et al. Contrasting characteristics， changes， and linkages of permafrost between the Arctic and the Third Pole［J］. Earth-Science Reviews， 2022， 230： 104042. DOI：10.1016/j.earscirev.2022.104042 .

[53] 郝振纯，鞠琴，王璐，等. 气候变化下淮河流域极端洪水情景预估［J］. 水科学进展， 2011， 22（5）： 605-614. DOI：10.14042/j.cnki.32.1309.2011.05.017 .

[54] HAO Z C， JU Q， WANG L， et al. Prediction of extreme floods in Huaihe River Basin under climate change［J］. Advances in Water Science， 2011， 22（5）： 605-614. DOI： 10.14042/j.cnki.32.1309.2011.05.017（Ch ）.

[55] BERGHUIJS W R， WOODS R A， HUTTON C J， et al. Dominant flood generating mechanisms across the United States［J］. Geophysical Research Letters， 2016， 43（9）： 4382-4390. DOI：10.1002/2016gl068070 .

[56] MAO Y N， ZHOU T， LEUNG L R， et al. Flood inundation generation mechanisms and their changes in 1953-2004 in global major river basins［J］. Journal of Geophysical Research： Atmospheres， 2019， 124（22）： 11672-11692. DOI：10.1029/2019jd031381 .

基金资助

国家自然科学基金(U2340230)

国家自然科学基金(42371041)

武汉市知识创新专项曙光计划(2022020801020215)

武汉市知识创新专项曙光计划(2023020201020333)

南京水利科学研究院水灾害防御全国重点实验室“一带一路”水与可持续发展科技基金(2022nkms03)

华东师范大学地理信息科学教育部重点实验室开放基金(KLGIS2022A01)

中国地质大学（北京）地下水循环与环境演化教育部重点实验室开放基金(2022-001)