西南地区未来极端降水增加将导致其人口暴露风险加剧_林文青.pdf

年 第 卷 第 期：气候变化与气候预测 ：引用格式：林文青，陈活泼，徐慧文，等，西南地区未来极端降水增加将导致其人口暴露风险加剧大气科学学报，（）：，（）：.（）西南地区未来极端降水增加将导致其人口暴露风险加剧林文青，陈活泼，徐慧文，艾雅雯，何文悦，张大伟，王帆，毕吴瑕，王玮琦 中国水利水电科学研究院 水利部防洪抗旱减灾工程技术研究中心，北京；中国科学院 大气物理研究所 竺可桢南森国际研究中心，北京 联系人，：收稿，接受中国科学院战略性先导科技专项（类）（）；第二次青藏高原综合科学考察研究项目（）；水文水资源与水利工程科学国家重点实验室“一带一路”水与可持续发展科技基金资助项目（）摘要 基于.观测数据和一套经过降尺度偏差校正处理的模式（）数据，结合泰勒图、极值拟合等方法，综合评估了模式对西南地区极端降水变化的模拟性能，并系统分析了未来西南地区不同重现期的极端降水演变趋势及其人口暴露度变化。结果表明，模式及其集合（）能够较好地再现观测极端降水的时空变化特征，且多模式集合结果优于大多数单个模式。未来西南地区绝大多数区域的降水和极端降水将持续增加，十年一遇、二十年一遇极端降水事件也呈增加趋势，使得未来西南地区人口暴露于不同重现期极端降水的风险进一步增加。相比十年一遇，重现期为 的极端降水事件增加速度更快，增加范围更广，模式一致性也更高，对应的人口暴露度增加幅度更大。到 年左右，在.、.、.和.情景下二十年一遇的（）分别增 加 了.（.）、.（.）、.（.）和.（.），对应人口暴露度分别增加了.（.）、.（.）、.（.）和.（.）。进一步分析指出，在未来极端降水人口暴露度的变化中，气候变化占主导作用，其次是人口变化和人口气候协同作用的影响。关键词西南地区；极端降水；未来预估；人口暴露度；西南地区（包括四川省、贵州省、云南省和重庆市）位于中国第二地势阶梯，其北部为四川盆地，南部为云贵高原，地形复杂，人口稠密（张弛和吴绍洪，）；其气候受到印度季风和东亚季风共同控制（，），极端降水变化与 事件发展关系密切（陈子凡等，）。近几十年来，随着全球变暖加剧（，；蒋文好和陈活泼，；李菲等，），西南地区极端降水事件频发且强度增强（，；汪靖等，；朱连华等，），进一步引发了山洪、泥石流等地质灾害，造成了严重的生命和财产损失。例如，年，极端暴雨洪涝造成西南地区 人失踪和死亡，万人 受 灾，直 接 经 济 损 失.亿 元（马 啸，）；年 月，四川省发生了 次大范围暴雨天气，导致滑坡、泥石流等自然灾害 起，人失踪和死亡，经济损失.亿元（黄子立等，）。为减缓气候变化带来的影响，年 月生态环境部、国家发展和改革委员会、水利部、应急管理部、中国气象局等 个部门联合印发国家适应气候变化战略，其目的之一就是降低和减少极端天气气候事件带来的灾害损失、有效应对气候变化带来的不利影响和风险，从而为 世纪中叶实现两个百年目标打下坚实基础。因此，亟须展开西南地区极端降水未来变化预估的相关研究工作，以便于更好地适应气候变化、提升防灾减灾能力。气候模式是进行气候模拟及未来气候变化预估 年 月 第 卷 第 期的重要工具。世界气候研究计划（，）耦合模式比较计划（，）中的大样本模式结果被广泛用于极端事件的相关研究中。张武龙等（）对 模式模拟西南地区干湿季降水性能评估结果表明，大部分模式对干湿季降水存在明显高估，且模式间不确定性较大；到 世纪末期，西南地区干湿季降水普遍增多。此外，模式对西南山区极端降水高估也较为明显（，）。相较于，是 计划开展以来参与模式最多、数值试验最丰富的一次（周天军等，）。（）指出，多模式集合可以较好地再现中国地区大雨日数的空间分布，且优于；但在全球范围内平均低估了.。（）在对亚洲中高纬地区极端降水评估的研究中指出，多模式集合对极端降水的模拟能力要优于，但对极端降水的高估仍然存在。杨贵业等（）使用 模式对西南地区夏季降水进行未来变化预估研究，结果表明在.情景下，未来西南地区夏季降水呈增加趋势。但西南地区地形复杂，模式对极端降水变化的模拟性能存在较大的空间差异。黄子立等（）使用高分辨率的 模式输出开展了系统的模式评估工作，其研究表明提高模式分辨率可以在一定程度上提升地形陡峭地区降水强度的模拟能力，但对四川盆地等平坦地区改进较小。那么，借助观测数据经过降尺度偏差校正处理的高分辨率 模式数据对西南地区极端降水模拟能力如何？这是一个值得关注的问题。一般而言，极端降水有两种表示方法：）采用气候变化检测与指数专家组（，）推荐的极端降水指数，这些指数通常指一年内频繁发生的极端气候事件的大小和次数（，；，）；）使用广义极值分布（，）统计更极端的气候事件，获得某一重现期的降水极值（，；，）。通过 得到的极端降水事件通常发生次数更少，但对人类健康、社会及生态环境会造成更大的影响（，）。然而，西南地区不同重现期极端降水事件的未来变化目前还尚不清楚。此外，除了预估未来极端降水变化外，其将对人类社会有着怎样的影响？明确这些关键科学问题对适应和减缓气候变化风险的政策和措施制定至关重要。因此，本研究使用一套 模式经过降尺度处理后的高分辨率数据（）开展西南地区未来极端降水变化的预估研究，并评估不同重现期极端降水事件的变化对西南地区人口暴露度变化的影响，从而为西南地区适应和减缓气候变化、提升防灾减灾能力提供科学支撑。数据和方法.数据.观测数据本文使用的观测降水数据来自吴佳和高学杰（）基于中国 余个地面气象台站的观测资料，采用“距平逼近法”插值得到的逐日格点化数据集（.）。该数据集的空间分辨率为.，时间范围为 年；但本文为了与模式历史时段统一，研究时段选为 年。.模式数据本文使用的模式数据为美国国家航空航天局（）团队基于第六次国际耦合模式比较计划（）输出的 年逐日降水（历史和未来预估）数据进行统计降尺度和偏差校正处理后得到的高分辨率逐日降水数据集（，；：）（为方便描述，后称 模式）。该数据集使用月度偏差校正和空间分解（）方法生成水平分辨率为.（）的逐日降水，包含历史时期和 个 排 放 情 景（.、.、.、.）。在模式模拟西南地区极端降水性能评估中用到了 个模式结果（表），时间范围为 年。我们对 个模 式 中 位 数 集 合（，即对所有模式进行排序，选取中位数作为集合结果）以及单个模式模拟能力进行了综合评估。由于 有 个 模 式（、和）没有未来情景的资料，故在未来预估中使用了 个模式结果，时间范围为 年；历史模拟和未来预估均只分析了第一个样本 的结果。本文主要关注 年和 年前后的变化情况，故选择 年代表 年，年代表 年开展重点研究。林文青，等：西南地区未来极端降水增加将导致其人口暴露风险加剧表 本文研究中所用的模式相关信息 序号模式输出所属国家 地区序号模式输出所属国家 地区澳大利亚法国澳大利亚韩国中国）韩国意大利日本意大利德国加拿大德国欧盟日本欧盟）中国）美国挪威美国挪威俄罗斯中国俄罗斯 注：）表示在未来预估中没有用到此模式.人口数据本文使用 （）开发的水平分辨率为.的全球人口网格数据来计算未来不同变暖情景下西南地区极端降水人口暴露度变化。我们采用该数据集中的 年基准期人口数据作为当前时段（年）的人口数量，并利用 个未来 情景（、；与 模 式 中.、.、.、.相对应）人口数据进行未来人口暴露度变化的相关分析。.研究方法.极端降水指数本文在对中国西南地区（主要包括：四川省、贵州省、云南省和重庆市；图）进行极端降水变化相关分析时，使用国际气候变化检测与指数专家组（，）推荐的 个极端降水指数，详见表。表 本文使用的极端降水指数定义 名称英文缩写定义单位年降水量一年内日降水量 的降水总量降水强度年降水量 年降水日数 最大降水量最大的日降水量连续 最大降水量最大的连续 降水量强降水量大于年内 分位点的日降水量总和极端强降水量大于年内 分位点的日降水量总和中雨日数日降水量 的日数大雨日数日降水量 的日数.模式性能评价指标）综合评分指数（：）本文使用 综合评分指数（，）评估模式在模拟极端降水气候态方面的表现，具体如下：（）|（）。（）其中：为模式和观测标准差之比；为观测极端降 年 月 第 卷 第 期水指数与模式的相关系数；为该指数在所有模式中的相关系数最大值。的数值范围为，当 越接近于 代表该模式对极端降水的模拟性能较优。）年际变率指数（，）模式模拟极端降水的年际变化能力采用年际变率指数（，）进行评估，具体如下：|。（）其中：含义同式（）；模式极端降水指标的 越接近于，表示模式对该降水指标的年际变率模拟性能越好。极端降水事件定义在进行未来西南地区人口暴露度变化相关分析时，本文使用的极端降水事件定义为某一重现期的 和 极端事件。此处，重现期为超过某一概率水平的极端事件重复出现的时间间隔平均数，即极端事件发生频率（）的倒数。例如，当极端事件重现期为 、时，称对应的极端事件为十年一遇（）和二十年一遇（）。通过 方法拟合 年期间所有模式每个格点的 和，导出 分布的累积概率密度函数（），然后将特定累积概率（）对应的 反算为 的分位数函数，从而导出极值（，），如式（）所示：()，；()()，。|（）式（）中使用极大似然法估计了位置参数、尺度参数 和形状参数。人口暴露度这里的人口暴露度指格点内极端事件日数与人口数量的乘积（，）。本文对重现期为十年一遇和二十年一遇的极端降水事件（和）进行对应的人口暴露度变化估算。此外，极端降水人口暴露度的变化主要受 方面的影响：气候因子、人口因子、人口与气候协同因子（下称协同因子），如式（）所示：。（）其中：和分别为基准期的极端降水日数和人口数量；和 分别是未来情景相对于基准期的极端降水日数变化和人口数量变化。通过式（）（）可计算气候因子、人口因子和协同因子对计算降水人口暴露度变化的贡献率：；（）；（）。（）其中：、分别代表气候、人口和协同因子作用对人口暴露度变化的贡献率。结果与分析.模式对西南地区极端降水变化模拟性能评估 在对西南地区极端降水变化进行预估和人口暴露度相关分析之前，本节使用泰勒图、综合评分指数（）和年际变率指数（）等方法，从 个极端降水指标（表）时空变化等角度对 个模式数据模拟西南地区极端降水的性能进行了综合评估。.空间模拟性能图 和图 给出了 模式和观测的西南地区各极端降水指数的气候态分布及其差异，可以看出，降水主要集中分布于西南地区南部、中部和东部（云南西双版纳、普洱、临沧；贵州黔西南、黔南、铜仁；四川成都、雅安；重庆彭水、酉阳、秀山等地），而四川阿坝、甘孜等地分布相对较少。极端降水大值中心则遍布整个重庆和四川东部以及云南和贵州的大部分地区。多 模 式 中 位 数 集 合（）可以很好地再现总降水量（）、降水强度（）、最大降水量（）、连续 最大降水量（）、中雨日数（）和大雨日数（）的空间分布和量级，且与观测的空间相关系数较高（.）。但相比于观测，模式对 和 均 有 一 定 的 低 估，平 均 而 言 分别低估了.（.）和.（.）。就 单 个 模 式 而 言，模式对 低估最为明显，为.（.）；模式对 的负偏最大，为.（.）。然而，以往研究表明，和 模式对西南地区降水的模拟存在普遍高估现象（张武龙等，；杨贵业等，）；高分辨率模式对西南地区夏季降水有所低估，但在一定程度上提升了对降水强度的模拟，尤其是在地势崎岖地区（黄子立，）。林文青，等：西南地区未来极端降水增加将导致其人口暴露风险加剧图 观测（、）与 多模式集合（；、）模拟的 年西南地区总降水量（，单位：；、）、降水强度（，单位：；、）、最大降水量（，单位：；、）和连续 最大降水量（，单位：；、）的气候态分布，以及 与观测之间的偏差（观测，单位：；、）（，）（，）（）（，）（：），（，）（：），（，）（：）（，）（：），（，）（，：）此外，从图 中可以看出，模式对极端降水的低估普遍存在；例如，就整个西南地区而言，模式集合对 和 的低估分别为.（.）和.（.）；模拟的 和 分别低估了观测约.（.）和.（.）；在空间上，这种负偏差主要分布在西南地区东部和北部区域。在单个模式中，模式和 模式对 的低估幅度最大，分别为.和.（表略）。就区域平均的中雨日数（）和大雨日数（）而言，模式的低估仍 然 普 遍 存 在。其 中，和 模式模拟的 （）与观测偏差较大，分别为.（.）和.（.）。图 为 模式模拟的 年西南地区各极端降水指数的泰勒图（，），该图简洁直观地展示了模式与观测的相关系数（）、中心均方根误差（）和标准差之比（）。可以看出，大多数 模式与观测、和 的空间相关系数为.，为.；相比较而言，和 的 更接近于.，即大多数模式对这两个指数标准差的模拟较好。然而，模式对 的模拟性能无论是从相关系数、还是 都有待于进一步的提升。此外，模拟极端降水性能要优于大多数模式，在气候态上更接近观测。例如，模拟的 与观测相关系数为.，为.，接近于.。年 月 第 卷 第 期图 与图 类似，但为强降水量（，单位：；、）、极端强降水量（，单位：；、）、中雨日数（，单位：；、）和大雨日数（，单位：；、），（，）（：），（，）（：），（，）（：）（，）（：）图 模式模拟的 年平均的西南地区的泰勒图（为红色标记）：（）总降水量（）、降水强度（）、最大降水量（）和连续 最大降水量（）；（）强降水量（）、极端强降水量（）、中雨日数（）和大雨日数（）（）（），（），.时间模拟性能我们进一步分析了 模式对西南地区各极端降水指数时间演变的模拟能力。图 给出了 年平均的西南地区 模式和观测的极端降水指数时间序列及其距平变化，可以看出，多模式集合模拟的极端降水指数较其林文青，等：西南地区未来极端降水增加将导致其人口暴露风险加剧他单个模式更接近于观测，尤其是对总降水量的模拟。从距平变化（图）中也可以看出，可以很好地再现降水及极端降水的变化趋势。但如前所述，大多数 模式对极端降水指数存在一定的低估。同时，模式模拟极端降水指数年际变化能力较弱，还需改善提升。图 总降水量（，单位：；、）、降水强度（，单位：；、）、最大降水量（，单位：；、）和连续 最大降水量（，单位：；、）的时间序列（、）和相应距平（、）。以及强降水量（，单位：；、）、极端强降水量（，单位：；、）、中雨日数（，单位：；、）和大雨日数（，单位：；、）的时间序列（、）和相应距平（、）。模式（红色）时间范围为，.（黑色）为；阴影部分为 模式间第 个百分位值，代表模式间的不确定性范围（，）（，）（：），（，）（：），（，）（，）（：）（，），（，）（，）（：），（，），（，）（：）（，）（：）（，），（），.，.综合性能评估初步了解 模式对西南地区极端降水时空变化的模拟性能后，接下来主要采用 综合评分指数（；表）和年际变率指数（；图）进一步对模式模拟西南地区极端降水的综合性能进行评估。当 越接近.时，表示模式对极端降水模拟性能越好。从表 中可以看出，多模式集合对、和 的模拟效果相对较好（它们的 值大于等于.），尤其是对 和 的模拟，二者 值分别为.和.，即 对这两个指数的模拟水平高于其他指数。就 单 个 模 式 而 言，、和 模式模拟的 的 综合评分指数 值均超过.。而对于 而言，除 模式 值为.外，其他模式 值均大于或等于.。相比较而 言，模 式 对、和 模拟效果相对较差，模拟的这四个指数 值均在.左右。对这四个指数而言，单个模式中表现最好的为 和 模式，值均大于.。总体上，模式对总降水模拟效果较好，但在模拟极端降水方面还需要进一步改进。指数可以用于进一步评估 模式对极端降水年际变化模拟效果，数值越接近 越好。年 月 第 卷 第 期表 模式模拟的西南地区极端降水 综合评分指数（）模式.图 为 模式模拟的极端降水指数对应的年际变率指数分布情况。可以看出 的 值较大多数模式更接近于，即 多模式集合对极端降水指数年际变化特征的模拟能力优于大多数模式，但其模拟的 随极端降水指数的不同而有所差异。相比于其他极端降水指数，模式模拟的 和 的 值更接近于，即模式对这两个指数年际变化特征的模拟整体水平较高。就单个模式而言，个 模式模拟的 和 的 值变化范围分别为：.和.；、等模式对这两个指数年际变率模拟性能较好。此外，模式模拟的、和 指数的 值分别为：.、.、.、.、.和.，对应的 的 值为.、.、.、.、.和.，明显优于多数模式。单个模式中，模式对极端降水指数年际变化特征模拟能力优于其他模式。.西南极端降水未来变化预估基于.节的 模式（）对西南地区极端降水模拟性能的评估结果可知，多模式集合在模拟极端降水的时空变化方面优于大多数单个模式的结果。因此，在后续的未来极端降水演变趋势预估和极端降水人口暴露度计算中使用 的结果进行相应的分析。本节基于 模式.、.、.和.情景下的数据，对、年极端降水相较于 林文青，等：西南地区未来极端降水增加将导致其人口暴露风险加剧图 模式模拟的总降水量（）、降水强度（）、最大降水量（）和连续 最大降水量（）（），以及强降水量（）、极端强降水量（）、中雨日数（）和大雨日数（）的年际变率指数（）（）（）（），（），年的空间变化进行研究。结果表明，整体上未来西南大部分地区降水和极端降水呈增加趋势。到 年，在.情景下，呈现全区一致的增加趋势，平均而言增加幅度为.（图略）；而在.、.和.情景下，除西南地区南部部分区域外，呈增加趋势，平均而言变化幅度分别 为：.、.和.。到 了 年，除 了.情景，在其他排放情景下西南地区总降水量表现为全区一致增加，且增加幅度较大的区域位于具有陡峭地形的西部地区；但在.情景下，其南部地区表现为降水减少趋势。在 四个不同情景下，西南地区平均的 相 对 当 前 气 候 将 分 别 增 加.、.、.和.。对降水强度 而言，到 年，在不同排放情景下基本呈现全区一致 的 增 加 趋 势，分 别 增 长 了.、.、.和.；而到 年，增加幅度更大，平均而言在 种情景下分别增加.、.、.和.。这也意味着，到 世纪中期，西南地区降水强度持续增强，极端强降水发生概 率 明 显 增 加。、和 在未来全球变暖背景下也基本表现出了全区一致的增加趋势。如图 所示，在.、.、.和.情景下，在 年（年）在西南大部分地区呈现显著的增加趋势，分别将增加.（.）.（.）、.（.）.（.）、.（.）.（.）、.（.）.（.）。最大日降水量和连续 降水量的持续增加可能会进一步导致西南地区突发性暴雨洪涝事件发生的可能性增加，洪水承载力也将进一步降低，堤防、水库的防洪压力进一步增大，对防灾减灾工作的开展十分不利。值得注意的是，在.情景下，到 世纪中期，西南地区大部分区域有超过 的模式都呈现出一致的增加趋势，且增量更高。也就是说最高排放情景下要面临更为严峻防洪考验。和 的预估结果（图略）也表明，未来 年 月 第 卷 第 期图 基于 多模式集合预估的.（、）、.（、）、.（、）和.（、）情景下未来西南地区日最大降水量（，单位：；、：年；、：年）和连续 最大降水量（，单位：；、：年；、：年）相较于 年的变化分布（黑点和绿色斜网格分别代表超过 和 的模式预估结果与 结果一致）（：；，：；，：）（：；，：；，：）（，）.，（，）.，（，）.，（，）.，西南绝大多数地区强降水量和极端强降水量将显著增加，尤 其 是 其 西 部 地 区，增 加 幅 度 更 大。到（）年，在四种不同 排放情景下西南区域平均的 将分别增加：.（.）.（.）、.（.）.（.）、.（.）.（.）、.（.）.（.）。图 为未来中雨日数（）和大雨日数（）相对当前气候的变化。可以看出，除.情景外，二者在西南大部分地区基本呈现一致的增加趋势；在.情景下，在其南部部分地区中雨日数将有可能减少。到 年左右，区域平均的 在四种不同排放情景下将分别增加.、.、.和.。简而言之，西南地区未来极端降水发生的风险林文青，等：西南地区未来极端降水增加将导致其人口暴露风险加剧图 与图 类似，但为中雨日数（，单位：；：、；：、）和大雨日数（，单位：；：、；：、），（：；：，；：，）（：；：，；：，）将明显增加，这也反映在整个 世纪极端降水时间演 变 趋 势 中（图 略）。相 对 于 年，年降水及极端降水指数均呈现显著的增加趋势，且高排放情景下极端降水的增加幅度更为明显。因此，随着未来变暖的进一步加剧，西南地区极端降水发生风险加剧，导致局地洪涝、滑坡、泥石流等灾害风险明显增加，对当地政府防灾减灾的能力提出了更高的要求。此外，极端降水增加是否会对当地社会人口产生一定的风险？我们将在.节做进一步的分析。.西南地区极端降水人口暴露度变化.未来人口变化已有研究表明，到 世 纪 末，、和 情景下，中国大陆人口将显著减少（，）。图 给出了西南地区 年和 年人口数量相对于 年基准期的空间变化，可以看出，在、和 情景下，到 年和 年，相比于当前气候西南地区西北部、南部地区人口将大幅减少，一些地区的人口减少幅度甚至超过；而其东北部和中部的部分地区人口略有增加，但增加幅度相对较小。从空间变化上来看，情景和 情景人口变化空间分布较为一致，情景下人口数量减少幅度较其他情景小。总的来说，到 年，各个情景对应的人口减少幅度较 年要大。年 月 第 卷 第 期图 （、）、（、）、（、）、（、）情景下，年（、）和 年（、）人口数量相较于 年的变化（单位：）（，）（，）（，），（，），（，），（，）（：）从人口数量的时间变化上来看，基准期西南地区总人口数量约.亿，到 年，在 个 情景下分别减少了.、.、.和.人（图略）。值得注意的是，情景下西南地区未来人口于 世纪初增加至 年左右，才开始缓慢下行。和 情景下，人口变化趋势较为接近，在四个情景中变化幅度最大。.不同重现期极端降水阈值的空间分布不同重现期的极端降水事件往往发生次数更少、强度更强，会对人类社会和生态环境等产生更为严重的影响。从历史时期（年）十年、二十年一遇的 和 极端降水事件阈值的空间分布（图略）可以看到，十年一遇和二十年一遇的极端降水事件阈值大值区主要分布在西南的东部和云南西部地区；对于二十年一遇的 极端降水事件，部分高值区的阈值超过了，对于，部分高值区阈值超过了 ；相比较而言，其西北和中部部分地区阈值相对较小。而且可以看到，不同重现期极端降水事件的阈值在空间分布上与 和 的 气 候 态 分 布 十 分相似。.未来人口暴露度变化图 给出了未来不同变暖情景下，西南地区十年一遇的 极端降水人口暴露度分布及其相对于当前气候（年）的变化分布。可以看出，整体上 年和 年西南地区极端降水人口暴露度分布较为一致，大值中心主要位于其东部，即四川盆地等人口相对集中的区域；十年一遇 极端降水人口暴露度也有着相似的空间分布特征（图略）。相对 于 当 前 气 候，十 年 一 遇 的 和 极端降水人口暴露度在西南地区的绝大多数区域呈现增加的趋势，尤其在其东部部分地区增加幅度超过，这里也是极端降水发生概率增加最为明显的地区。也就是说，随着未来极端降水发生风险的进一步增加，西南地区社会人口暴露于十年一遇极端降水事件的风险也将随之增加。具体而言，西南地区十年一遇 极端降水人口暴露度在.、.、.和.情景下，到 年（年）左右相较于基准期的.（人）分别增加了：.（.）、.（.）、.（.）和.（.），其中相应的 极端降水事件发生概率增加了.（.）、.（.）、.（.）和.（.），而相应时期西南地区人口数量是在减少的（详见.节）。类似地，十年一遇 极端降水事件的人口暴露度在 四个情景下到 年（年）相较于基准时期的.（人 ）分别增加了：.（.）、.（.）、.（.）和.（.），其中相应的 极端降水林文青，等：西南地区未来极端降水增加将导致其人口暴露风险加剧图 .（、）、.（、）、.（、）和.（、）情景下西南地区十年一遇 极端降水人口暴露度（单位：人）在 年（、）和 年（、）的分布及其相较于基准期的变化（单位：）（：、；：、）（黑点和绿色斜网格分别代表超过 和 的模式预估结果与 结果一致）（：）（，）（，），（：）（：，；：，）（，）.，（，）.，（，）.，（，）.，事件发生概率增加了.（.）、.（.）、.（.）和.（.）。因此，未来西南地区极端降水发生概率的增加是导致该区域极端降水人口暴露风险显著上升的主导因素。二十年一遇的极端降水人口暴露度空间分布与十年一遇事件类似，人口暴露度大值中心也主要分布在四川盆地等地区（图）。相对当前气候，二十年一遇（图略）和 极端降水人口暴露度在西南地区的东部增加幅度较大，部分地区甚至超过，而且不同模式之间其变化具有较好的一致性。就整个西南地区而言，到 年，相较于基准期的.（人），在.、.、.和.情 景 下 二 十 年 一 遇 年 月 第 卷 第 期图 与图 类似，但为二十年一遇 极端降水人口暴露度变化（单位：），（：）极端降水人口暴露度将分别增加.、.、.和.（图）；到 年左右，人口暴露度在四种排放情景下的增加幅 度 将 分 别 为.、.、.和.。对于二十年一遇的 极端降水事件，到 年其人口暴露度在四种不同排放情景下将分别增加.、.、.和.；到 年左右，其人口暴露度增加幅度相比 年几乎翻倍，将分别增加.、.、.和.。同时期 和 极端降水事件发生概率也在显著增加，例如，到 年（年）二十年一遇 极端降水事件发生概率在未来四 种 不 同 排 放 情 景 下 将 分 别 增 加.（.）、.（.）、.（.）和.（.），而 将分别增加.（.）、.（.）、.（.）和.（.）。通过上述分析可知，未来 极端事件发生概率增加引起的人口脆弱性风险在 世纪前期和中期也将持续增加。相较于十年一遇的极端降水事件，重现期为二十年的极端降水事件增长速度更快，增加范围更广，模式一致性也更高，且对应的人口暴露度增加幅度更大。也就是说未来更为极端的降水事件发生频率将显著增加，其带来的人口脆弱性也将进一步上升，应采取行之有效的气候变化减缓措施，来应对这一风险。那么气候、人口因素的变化对未来西南地区极端降水人口暴露度的变化起到了什么样的作用？已林文青，等：西南地区未来极端降水增加将导致其人口暴露风险加剧图 西南地区在.、.、.和.情景下（、）及 年（、）时十年一遇、二十年一遇（、）和 极端降水人口暴露度变化（、）（误差棒的范围为模式间第 个百分位值，代表模式的不确定性范围，单位：）（，），（，）（，）（，），.，.，.，：有研究表明，未来极端事件人口暴露度变化主要与气候因子（如不同重现期 极端事件发生概率变化）、人口因子（人口数量）和人口气候协同因子变化有关（，；，）。图 给出了在未来不同变暖情景下，到 年不同因子对十年一遇、二十年一遇的 和 人口暴露度变化的贡献。可以看出，整体上西南地区极端降水人口暴露度变化由气候因子主导，极端降水事件发生概率的增加导致其人口暴露度显著增加，而未来西南地区人口数量减少，使得其对极端降水人口暴露度变化表现为负贡献，人口气候协同作用也是如此。具体而言，到 年左右，在.、.、.和.情景下，十年一遇（二十年一遇）的 极端降水人口暴露度变化中，气候变化的贡 献 约 分 别 占 到.（.）、.（.）、.（.）和.（.），受其影响人口暴露度持续增加；未来人口减少导致暴露度有所减少，主要表现为负贡献，分别为.（.）、.（.）、.（.）和.（.）；而人口气候协同作用的贡献在三者中最小，在其作用下同样导致了极端降水人口暴露度的减少。到 年左右，重现期为十年和二十年的 极端降水人口暴露度仍呈现增加趋势，且各个因子的贡献与 年一致，具体为：气候因子人口因子人口气候协同因子。类似地，在十年一遇和二十年一遇的 极端降水人口暴露度变化贡献中也可以看出，其人口暴露度主要受到气候因子的影响而增加，而人口数量变化和人口气候协同作用主要为负贡献，使得未来社会人口暴露的风险减小。在四种不同排放情景下，到 年，十年一遇（二十年一遇）的 极端降水人口暴露度变化中气候变化对其的贡献分别占 到.（.）、.（.）、.（.）、.（.），人口因子占比为 .（.）、.（.）、.（.）、.（.），其次为人口气候协同作用的影响。值得注意的是，在.情景下，年不同重现期下的极端降水人口暴露度变化中，人口因子和人口气候协同因子贡献度为正，即在二者影响下人口暴露度也有所增加。这主要与 情景下，到 年，西南地区人口数量较当前气候将增加.有关。年 月 第 卷 第 期图 气候变化、人口变化以及气候人口协同作用对西南地区（、）和 年（、）（、）与（、）极端降水人口暴露度变化的可能贡献率（单位：），（，）（，）（，）（，）（：）讨论本文基于.观测数据，使用泰勒图、年际变率指数等方法系统评估了经过降尺度偏差校正处理的高分辨率逐日降水数据集 对西南地区极端降水的时空变化模拟能力。在此基础上，基于该模式数据集未来预估试验结果，深入分析了不同变暖情景下西南地区极端降水的未来演变趋势及其对人口暴露度变化的影响。主要结论如下：）多模式集合可以合理再现 年西南地区总降水量（）、降水强度（）、最大降水（）、连续 最大降水（）、（强降水量）、（极端强降 水 量）、中 雨 日 数（）和 大 雨 日 数（）的空间分布格局，且与观测相关系数较高。但相比于观测，模式对极端降水指数的低估普遍存在。此外，对极端降水气候态和年际变率的模拟水平要优于大多数单个模式，尤其是对 和 的 模 拟。总 体 上，模式对总降水量的模拟技能较高，但对极端降水的模拟还存在一定的偏差。）西南地区绝大多数区域未来极端降水发生概 率 将 持 续 增 加、强 度 增 强。在.、.、.和.情景下，到 年，相较于 年（）将分别增加：.（.）、.（.）、.（.）和.（.）；到 年，（）将 分 别 增 加.（.）、.（.）、.（.）和.（.）。未来极端降水增加将进一步导致西南地区暴雨洪涝、滑坡、泥石流等灾害发生风险增大，将对社会和生态环境造成更大的影响。同时，高排放情景下将要面临更为严峻的自然灾害防御考验。）历史时期十年一遇、二十年一遇极端降水事件在未来呈显著增加趋势，使得西南地区社会人口极易暴露于这些极端事件中，进而导致人口脆弱性明显增加。未来极端降水人口暴露度大值中心主要位于其东部地区，尤其是四川盆地地区。尽管现有的预估数据表明，西南地区未来人口数量将减少，但由于极端降水事件发生风险显著增加，使得该区域极端降水人口暴露度也呈明显增加趋势，且越极端的事件其人口暴露度增幅越大。在未来四种不同排放情景下，到 年左右，二十年一遇的（）极端降水事件发生日数将分别增加.（.）、.（.）、.（.）和.（.），对应的人口暴露度将分别增加.林文青，等：西南地区未来极端降水增加将导致其人口暴露风险加剧（.）、.（.）、.（.）和.（.）。人口暴露度的增加主要受到气候变化的影响，其次是人口因子和人口气候协同因子的作用。参考文献（），：，（）：.，（）：.，（）：.，（）：.，（）：.陈子凡，王磊，李谢辉，等，西南地区极端降水时空变化特征及其与强 事件的关系高原气象，（）：，（）：（）黄子立，吴小飞，毛江玉，模式水平分辨率对模拟我国西南地区夏季极端降水的影响评估高原气象，（）：，（）：（），：蒋文好，陈活泼，模式对亚洲中高纬区极端温度变化的模拟及预估大气科学学报，（）：，（）：（），（）：.，（）：.，（）：.李菲，郜永祺，万欣，等，全球变暖与地球“三极”气候变化大气科学学报，（），“”，（）：.（），：，（）：.马啸，.年全国洪涝灾情综述中国防汛抗旱，（）：，（）：（），（）：.，（）：.汪靖，张少波，袁利平，西南地区极端降水变化特征分析气象科技进展，（），（）：.（）吴佳，高学杰，一套格点化的中国区域逐日观测资料及与其他资料的对比地球物理学报，（）：，（）：（），（）：.，：.杨贵业，裴宇菲，宋敏红，模式对我国西南地区降水分布的评估和预估自然科学（）：，（）：（），（）：.年 月 第 卷 第 期张弛，吴绍洪，西南地区夏季极端降水的水汽来源分析自然资源学报，（）：，（）：.（）张武龙，张井勇，范广洲，模式对我国西南地区干湿季降水的模拟和预估大气科学，（）：，（）：.（），（）：.周天军，邹立维，陈晓龙，第六次国际耦合模式比较计划（）评述气候变化研究进展，：，（），（）：.（）朱连华，祝颖锜，姚壹壹，等，全球增暖.下中国区域极端降水的风险变化及其影响因子大气科学学报，（）：，.，（）：（），；，（），（），（），（）.（.），.（.），.（.），.（.）.，.，.，.（.），.（.），.（.），.（.），；：.（责任编辑：张福颖）