过去100年(1906—2005年)，由于温室气体排放增加，导致全球气候有变暖的趋势(IPCC，2007)，第5次IPCC报告中指出，到21世纪末全球温度将再升高约1.4~6.4 ℃，全球气候变化及其可能造成的影响已引起各国政府和专家的广泛关注.水是大气环流和水文循环中的重要要素，是全球气候变化最直接和最重要的影响因素(郝秀平等，2010).以气候变暖为特征的气候变化将对降水径流等水文过程产生重要影响，这些因素进而影响水环境的变化.如温度的变化直接控制着水体的生态环境和径流变化，从而影响着水体内污染物的迁移转化过程.目前，我国有一半以上的河流存在不同程度的富营养化问题，而随着点源污染逐步得到控制，引起富营养化问题的因素主要来自农业非点源污染，如过量的肥料随径流进入水体(邓欧平等，2013).因此，在全球气候变暖的背景下，开展农业地区河流水文水质对全球气候变化的响应研究，减少气候变化对河流水环境的不利影响，对构建和谐发展的生态经济社会具有重大的科学意义和现实意义.

近年来，国内外一些学者应用SWAT模型对一些流域进行了模拟研究，但大多集中在气候变化对水循环影响方面的模拟(Githui et al., 2000；张艳娇等，2013)，关于利用SWAT模型进行流域气候变化对水文水质影响的研究比较少.另一方面，对未来气候变化情景设置主要是人为假定温度增加(比如假定未来温度增加1~4 ℃)的增量情景或者降水同比例增加或减少(+20%~-20%)的情景(王国庆等，2002；张艳娇等，2013)，显然这种方法未能充分考虑未来时期温度降水的年际年内变化.针对这一问题，本文选择大气环流模式(General Circulation Model，GCM)经过降尺度后的输出数据作为未来时期气象资料的日序列.GCM已被证实是目前定量预测未来气候变化情景最有效的工具(曹颖等，2009).

长乐江流域是东南沿海的典型流域，以非点源污染为主，河流氮磷浓度已远超国家地表水水质标准(沈晔娜，2010；Chen et al., 2011a)，且随着经济的不断发展和全球气候的持续变暖，气候变化对水环境的影响将日益加剧(丁相毅等，2012；夏星辉等，2012).本文选择长乐江流域作为研究对象，采用SWAT模型的ArcView界面—AVSWAT2005构建分布式水文模型，利用SWAT模型模拟水文水质对气候变化的响应.对于未来气候变化情景，尽管可以采用国际上流行的大气环流模式进行模拟，但基于不同大气环流模式GCMs 预测的结果具有明显的不确定性(曹颖和等，2009；Chien et al., 2013；Xu et al., 2009)，甚至会得出相反的结论.仅靠一种气候模式或者一种排放情景方案进行气候变化预测具有较大不确定性，需要构建不同模型不同情景方案的综合气候变化预测，以便降低未来气候变化预测的不确定性.因此，本文筛选出模拟结果存在较大差异的3种GCMs(HadCM3、CSIRO-Mk2和CGCM3)的A2和B2气体排放情景基础数据，采用统计降尺度方法SDSM模型与SWAT模型进行耦合，进一步评估不同GCMs的预测结果对农业非点源污染河流水文水质影响的异同之处.

长乐江流域位于东南沿海浙江省嵊州市东部，介于东经120°27′47.3″~120°47′45.3″，北纬 29°20′ 2.4″~29°42′37.5″之间，流域面积696.42 km²(Chen et al., 2011b)，所划定的流域范围见图 1.长乐江属于曹娥江水系，曹娥江是浙江省八大水系之一，由南向北注入杭州湾出东海.长乐江全长70.5 km，河道平均比降3.6‰，砂砾河床，平均河宽55 m，多年平均流量为18.4 m³ · s^-1，年平均径流量为5.7亿m³，年输沙量10.9万t，年侵蚀模数为127 t · km^-2.长乐江流域位于亚热带季风气候区，常年平均气温为16.4 ℃，平均降水量为1447 mm，平均陆面蒸发量为752 mm.降水年内分配不均匀，丰水期出现时间为每年的5—10月，丰水期降水量约占全年降水量的70%~80%.流域内林地占48%，水田占22%，园地占18%，村庄旱地和河流等占12%(沈晔娜，2010).

图 1(Fig. 1)

图 1 长乐江流域及其采样点示意图 Fig. 1 Map of the Changle River catchment and sampling point distribution

SWAT模型(Soil and Water Assessment Tool)是一个流域尺度的分布式连续时间序列水文水质模拟模型，由美国农业部(USDA)农业研究中心研发，可用于预测具有多种土壤、土地利用和管理条件下的大流域水文、泥沙和农业化学物质的运动和变化(Neitsch et al., 2009).流域水文过程分为两部分：陆域部分(产流和坡面汇流部分)和水域部分(河网汇流部分).前者控制着每个子流域内各河道的水、沙和营养物质等的输入量；后者决定水、沙和营养物质等从河网向流域出口的输移过程(Neitsch et al., 2011).本研究中SWAT模型的地表径流模拟采用径流曲线“SCS-CN”方法，潜在蒸发模拟选择 “Penman-Monteith”方法，河道演算采用“Variable Storage”方法.侵蚀过程由修正后的通用土壤流失方程进行模拟，可以预测土壤侵蚀状况和由此产生的泥沙及吸附在泥沙上的养分、农药等物质的迁移转化.本研究中SWAT模型的模拟时段为2003-01-01—2009-12-31，2003年为平衡阶段，2004—2007年为率定阶段，2008—2009年为验证期.

SWAT模型运行所必需的图件包括DEM、土地利用/覆被图、土壤图.比例尺为1 : 5万的DEM来自浙江省测绘局，分辨率为25 m×25 m.土地利用/覆被图为2007年嵊州市土地利用现状图，由浙江省嵊州市国土资源局提供，经ArcGIS矢量化得到，比例尺为1 : 5万.土壤图根据《1 : 2.5万嵊县土壤分幅图》经ArcGIS 矢量化得到.所有图件统一采用 Transverse Mercator 投影校正.数据资料包括气象数据、土壤数据、水文数据、水质数据和污染源数据.气象数据由浙江省嵊州市气象站提供，包括2003年1月—2009 年12月逐日的降雨量、最高温度、最低温度、露点温度、风速、相对湿度、日照时数.水文数据由浙江省水利厅提供，包括2003年1月—2009 年12月逐日的流量和含沙量.土壤数据来自《浙江省嵊县土壤志》，用于构建土壤信息数据库.长乐江流域各监测点的水质数据和大气沉降数据为本实验室2003年至2009年每月一次的实地实测数据，人口、畜禽养殖和农用地施肥量等数据通过以乡镇为单位的抽样调查汇总获得.

本研究采用绝对相对误差R_e、决定系数R²和Nash-Sutcliffe模拟效率系数E_ns来评价SWAT模型的模拟结果，计算方法如下：

进行参数率定时，先进行径流模拟的参数率定，再进行产沙模拟的参数率定，最后进行TN和TP模拟的参数率定.TN和TP的监测频率为每月1次，而在非点源污染流域，降雨、径流等水文因素是非点源污染产生和迁移的主要驱动因子(丁晓雯等，2008)，因此，TN和TP的月平均负荷不能以水质测定当日的结果为代表.长乐江流域非点源污染负荷与流量呈极显著线性正相关关系(沈晔娜等，2010)，故本研究以2004—2009年每月水质监测当日的TN和TP负荷与当日的流量进行回归拟合，非水质测定日的TN和TP负荷根据逐日流量，采用线性插值法获取，各月逐日负荷累加得到逐月负荷.

利用SWAT-2005模型自身的LH-OAT方法进行参数的敏感性分析，本研究中SWAT模型的主要敏感参数及取值如表 1所示.率定期和验证期的模拟效果如表 2所示.径流、含沙量、 TN 及TP模拟的月E_ns≥0.5，R²≥0.6，同时，相对误差均在20%以内，结果令人满意.

表1(Table 1)

表1 SWAT模型率定后主要敏感参数取值 Table 1 Values of the parameters for the model

表1 SWAT模型率定后主要敏感参数取值 Table 1 Values of the parameters for the model 参数 定义 取值范围 实际取值 CN2 径流曲线值 35~98 a-8 ESCO 土壤蒸发补偿系数 0~1 0.75 GW_REVAP 潜水蒸发系数 0.02~0.2 0.18 GWQMN 基流产生阈值 0~5000 20 SPCON 含沙量输移线性系数 0.0001~0.01 0.0005 SPEXP 含沙量输移指数系数 1.0~1.5 1.1 CH-N 河道曼宁(Manning)值 -0.01~0.3 0.076 NPERCO 氮下渗系数 0~1 0.9 注：a-8为SWAT模型根据不同土地利用类型、土壤类型和坡度模拟所得的缺省值减8.

表2(Table 2)

表2 径流、含沙量、TN和TP负荷的率定和验证结果 Table 2 Calibration and validation results of monthly runoff，sediment，TN and TP loads in Yazhi Bridge

表2 径流、含沙量、TN和TP负荷的率定和验证结果 Table 2 Calibration and validation results of monthly runoff，sediment，TN and TP loads in Yazhi Bridge 指标 数据类型 Re Ens R2 径流量 率定期 12.39% 0.768 0.801 验证期 8.98% 0.791 0.877 含沙量 率定期 16.68% 0.594 0.605 验证期 10.54% 0.625 0.710 TN浓度 率定期 11.42% 0.694 0.761 验证期 10.20% 0.752 0.803 TP浓度 率定期 8.64% 0.712 0.689 验证期 9.31% 0.724 0.727 TN负荷 率定期 2.58% 0.697 0.718 验证期 9.33% 0.782 0.800 TP负荷 率定期 6.61% 0.662 0.766 验证期 6.02% 0.745 0.816 注：TN和TP浓度为每月测定当日的浓度校验，既避免了重复，又可反映内插效果;TN和TP负荷为逐日累积月负荷校验.

大气环流模型GCM可以模拟给出全球大尺度的天气变化趋势，但该模型并没有考虑各区域下垫面情况，而一个特定地区的实际天气变化是在全球大气环流的控制下对下垫面条件的综合响应.统计降尺度方法SDSM是英国学者Wilby等建立的一种基于Windows界面、将大气环流变化趋势与特定区域下垫面综合条件相结合来研究区域和当地气候变化影响的决策支持工具，该模型融合了天气发生器和多元线性回归技术，是一种混合统计降尺度方法(Wilby et al., 2002).经过近10年的发展，SDSM已经发展到第4代，并在气候变化中得到广泛的应用(田鹏等，2011；Huang et al., 2011).SDSM 的工作流程主要包括两部分：一是建立当地气象要素预报值与预报影响因子变量(区域下垫面综合条件)之间的统计关系，从而确定天气发生器所需参数；二是将大气环流模型GCM模拟给出的天气变化作为自变量，由上述统计关系所确定的天气发生器模拟预报当地的具体天气变化(即预报当地每日的气象要素变化).

本文采用长乐江流域2个气象站点1961—2000年观测的日最大气温、日最小气温、降雨等实测资料(由中国气象科学数据共享服务网提供)，取2个气象站点降水和温度的算术平均值作为流域的平均值，其中，以1961—1990年为参数率定期，用于建立SDSM统计关系，1991—2000年为验证期，用于比较预报结果与实测值误差.采用美国环境预报中心NCEP(National Centers for Environmental Prediction)的全球再分析资料提供的26个应用于统计降尺度的大尺度预报影响因子变量，分别为描述地面、850 hPa 及 500 hPa层的大气环流特征影响因子、大气温度、相对湿度、散度等状况等.本文选取距代表站点最近的网格点来提供相应的预报影响因子数据.

最后，本研究采用IPCC数据中心(http://www.ipcc-data.org)的3个大气环流模型(HadCM3、CSIRO-Mk2和CGCM2)，根据IPCC发布的A2和B2两种温室气体排放情景的基础数据(1961—2099 年)模拟大气环流变化，并采用已建立的SDSM统计模型模拟给出研究区各气象要素的预报值.各GCM 的基本特征见表 3. 其中，A2情景下未来发展很不均衡，对新技术的适应较慢，人口继续增长，温室气体排放持续增加；B2 情景假定生态环境得到一定改善，全球人口趋于稳定，温室气体排放较A2情景低.

表3(Table 3)

表3 3个大气环流模式的基本特征 Table 3 Basic feature of three GCMs

表3 3个大气环流模式的基本特征 Table 3 Basic feature of three GCMs 名称 研发单位 时间 径向网格点 纬向网格点 HadCM3 英国Hadley中心 1997年 96 73 CSIRO-Mk2 澳大利亚联邦科学与工业研究组织 1997年 64 56 CGCM2 加拿大气候中心 1999年 96 48

本文在长乐江流域应用SDSM，以日最高、最低气温和日降水为预报值，通过 SDSM 中的“筛选变量”程序、季节相关分析、偏相关分析和散点图等确定各预报值的最优预报影响因子.利用1961—1990年站点日序列实测数据(预报值)与上述确定的NCEP预报影响因子序列建立统计关系，计算SDSM天气发生器模型参数.利用该统计关系计算(预报)1991—2000年最高、最低气温和降水的逐日数据，再将计算(预报)结果与实测值对比，进行模型的验证.最后将大气环流模型HadCM3、CSIRO-Mk2和CGCM2根据A2、B2的温室气体排放情景模拟得到的2020—2099年逐日数据输入到由上述SDSM模型建立的统计关系中，模拟生成2020—2099年长乐江流域逐日最高、最低气温和降水预报值，作为流域水文水质模型SWAT的输入气象资料数据.

表 4给出了SDSM 在率定和验证期对各气象变量的模拟效果.受篇幅限制，仅以HadCM3 A2情景为例，其他情景模拟效果与其相似.其中，月均最大温度和最小温度的模拟值和观测值都比较一致，平均相对误差均小于10%，效率系数E_ns和决定系数R²在率定和验证期都在0.85以上.降水预报值的R_e、R²和E_ns效果均小于温度，但R_e<10%，E_ns≥0.7，R²≥0.7，模拟效果仍较满意.

表4(Table 4)

表4 最高温度，最低温度和月降水量的率定和验证结果 Table 4 Calibration and validation results of monthly Tmax and Tmin for HadCM3-A2

表4 最高温度，最低温度和月降水量的率定和验证结果 Table 4 Calibration and validation results of monthly Tmax and Tmin for HadCM3-A2 指标 数据类型 Re Ens R2 月最高温度 率定期 4.876% 0.923 0.924 验证期 3.124% 0.964 0.894 月最小温度 率定期 8.681% 0.856 0.828 验证期 5.562% 0.924 0.789 月降水量 率定期 9.645% 0.789 0.736 验证期 7.349% 0.813 0.782

将未来分为两个时段，第一时段为2020—2059年，定义为21世纪中期(简记为2040s)；第二时段为2060—2099年，定义为21世纪末期(简记为2080s).分别用各时段的气象数据驱动已经率定好的SWAT模型，模拟河流径流、TN和TP在A2和B2情景下对3种GCMs气候变化的响应.同时，以1961—2000年时段各气象数据平均值作为分析的基准气候现状，以2003—2009年时段的水质实测平均值作为水文水质的参照期(基准期).

分析气候变化对未来时期水文水质的变化是否具有显著性，警惕人类的不合理活动，对未来水资源管理与规划具有实际的指导意义.常用的检验方法有Spearman秩次相关检验、线性回归检验、滑动平均法、Mann-Kendall非参数统计检验等(周园园等，2011).由于Mann-Kendall非参数统计检验很少受异常值的干扰，也不受数据分布特征的影响，广泛用于气象和水文时间序列变化的趋势分析.鉴于此，本文中统计检验法均采用Mann-Kendall统计检验方法，具体检验方法和原理参阅相关文献(魏凤英，2007；周园园等，2011).

图 2是3种大气环流模式下2种不同气体排放情景下最高、最低温度的变化情况比较.从图 2可以看出，针对同一种统计降尺度模型，不同的GCM模型下气温变化存在较大差别，但总体上，21世纪末期气温变化明显大于21世纪中期气温变化，最高温度变化幅度大于最低温度变化.HadCM3模型中期和末期最高温度变化幅度分别为0.57~3.40 ℃和0.84~5.00 ℃，最低温度变化幅度分别为0.59~2.83 ℃和0.82~4.29 ℃；CSIRO模型中期和末期最高气温变化幅度分别为0.68~3.29 ℃和0.97~4.70 ℃，最低温度变化幅度分别为0.69~2.54℃和1.01~3.97 ℃；CGCM3模型中期和末期最高气温变化幅度分别为0.81~3.38 ℃和0.92~4.48 ℃，最低温度变化幅度分别为0.55~2.43 ℃和1.02~4.81 ℃.同一大气环流模式下同时期A2情景气变温化幅度大于B2情景，以HadCM3模型为例，21世纪中期A2情境下最高气温变化幅度为1.07~3.40 ℃，而中期B2情景下最高气温变化幅度仅为0.57~1.40 ℃.在HadCM3模型的A2和B2情景下，丰水期(5—10月)气温变化明显大于枯水期(11月到次年4月)气温变化，CSIRO模型的A2和B2情下，丰水期气温变化稍大于枯水期气温变化，而CGCM3模型气温年内变化较均匀.对所有情景下的气温变化进行Mann-Kendall非参数统计检验，均通过了α=0.01的极显著性水平，说明尽管不同大气环流模式之间年内气温变化存在一定差异，但是均呈极显著性增加趋势.

图 2(Fig. 2)

图 2 长乐江流域不同GCMs模式下最高温度和最低温度年内变化量比较 Fig. 2 Increment of mean monthly Tmax and Tmin in the future scenarios

根据以上分析，可以得出气温变化在未来气候情景下均呈显著增加的趋势，但降雨量的变化要显得复杂的多.从图 3可以看出，HadCM3中期的情景下，枯水期降雨量变化量基本呈增加趋势，而丰水期主要呈减少趋势；到21世纪末期，B2情景下降雨变化量与中期基本一致，但A2情景下降雨变化量则与之相反；CSIRO-Mk2情景下降雨变化量趋势基本上与HadCM3呈相反趋势，而CGCM2在丰水期总体上明显增加，枯水期有增有减，减少幅度大于增加幅度.HadCM3和CSIRO-Mk2情景下年降雨量均稍微增加，增加幅度分别为0.52%~4.76%和0.45%~2.74%.对于CGCM2 中期B2情景下，年降雨减少0.52%，其他情景均增加(0.52%~5.03%).在HadCM3 A2情景下，21世纪中期阶段枯水期降雨量显著增加，丰水期显著减少，年内分配趋于均匀化；末期阶段则相反，这表明本世纪末极端天气事件较近期气候情景更易发生，长乐江流域夏季发生洪涝灾害，冬季发生旱灾的可能性将增大.在CSIRO-Mk2 A2和B2情境下，丰水期降雨增加，枯水期降雨减少，极端天气事件更易发生.CGCM2 A2情景下，同CSIRO-Mk2情景一样，也较易发生极端天气，而B2情景下，则降雨变化较小.

图 3(Fig. 3)

图 3 长乐江流域不同GCMs模式下丰水期和枯水期降水累积变化量比较 Fig. 3 Accumulated increment of dry and wet season precipitation in the future scenarios

径流主要受气象条件的影响，尤其是温度和降雨量.图 4描述了不同气候情景下径流降雨在枯水期与丰水期的平均月变化量.可以看出，径流的变化情况与降雨量基本一致，但径流的变化未达到显著水平.在SWAT模型模拟中，降水和温度的变化直接影响着水文循环过程(地表径流模型SCS-CN和蒸腾蒸发模型Penman-Monteith公式)(Neitsch et al., 2011).不同的大气环流模式下，径流的变化也不尽相同.径流在HadCM3模式下除中期A2情景和末期B2情景下枯水期稍微增加外(0.19 m³ · s^-1和0.43 m³ · s^-1)，其他情景均呈减少趋势，尤其是21世纪中期A2情景下，丰水期径流减少量达1.45 m³ · s^-1；CSIRO-Mk2模式下径流无论是丰水期还是枯水期均减少，减少幅度分别为0.02~0.61 m³ · s^-1和0.04~0.78 m³ · s^-1；CGCM2模式除A2情景下丰水期增加外，其他情景均减少，减少强度小于HadCM3模式下.

就同一排放情景不同气候模式而言，同是A2情境中期下的两个模式HadCM3和CGCM2的差别最大，达到1.818 m³ · s^-1；同一气候模式的不同排放情景差别最大的是中期CGCM2 模式的A2和B2情景，为1.048 m³ · s^-1，但不及A2情景下的HadCM3和CGCM2差别大，这表明排放情景并不是影响预测结果不确定性的最大来源，相比之下气候模式的影响更大.

图 4(Fig. 4)

图 4 长乐江流域不同GCMs模式下丰水期和枯水期径流平均变化量比较 Fig. 4 Accumulated increment of dry and wet season runoff in the future scenarios

尽管在3种大气环流模式下，降雨径流变化存在较大差异，但TN浓度基本上都较基准期高，变化达到显著水平(α=0.05)，且21世纪末期浓度要高于中期，CSIRO-Mk2模式下增加强度大于HadCM3和CGCM2模式下.这种增加与气候变化情景有关，一方面受温度升高的影响，因气温增加导致水体温度升高，增强了微生物的活性，进而促进底泥中内源氮的释放，在SWAT模型中主要是温度的变化影响水体中氮循环的各个环节，包括藻类生长速率、河流沉积速率、有机氮释放NH⁺₄-N的速率及NH⁺₄-N生物氧化成NO^-₃-N的速率等生化过程(Neitsch et al., 2011).另一方面，径流的减少降低了河流水体的稀释能力.在所有的气候变化情景下，冬季的TN浓度基本都高于夏季，主要与河流冬季氮素自净能力(包括微生物反硝化和植物吸收等)减弱有关(Chen et al., 2010；郝秀平等，2010).

图 5(Fig. 5)

图 5 长乐江流域不同GCMs模式下TN和TP浓度年内变化比较 Fig. 5 Mean monthly TN and TP concentrations in the future scenarios

TP浓度变化较复杂，部分气候情景增加，部分减少，总体呈增加趋势，但变化不显著.主要是因为TP的迁移转化主要与降雨径流有关.同TN一样，温度的增加会促进内源磷的释放，但径流量的减少将会减少陆地磷污染物进入水体，这种减少程度比水量减少造成TP浓度的增加程度大.

另外，本研究SWAT模型中人畜粪便入河量采用的是基准期统计的结果，但在未来情景中，人口是持续增加的，由人居地排放的污染物一定会比现阶段多得多，因此，TN、TP浓度可能会比现在预测的高.在未来时期，长乐江的水质将更加恶化，水体富营养化问题也将越来越突出.

尽管TN浓度都不程度升高，但由于河流径流不同程度地减小，因此，TN负荷并没有显著增加(图 6).年均TN负荷变化率除CGCM2模式中期 A2情景下减少外(-6.21%)，其他气候情境下均不同程度增加(0.38%~6.58%)，但增加或者减少趋势没有达到显著水平.在所有的气候情景下，枯水期TN负荷基本呈增加趋势，丰水期则呈减少趋势，一方面由于丰水期径流减少大于枯水期，同时枯水期TN浓度增加程度要大于丰水期.另外，HadCM3和CGCM2模型年内各月在不同的气候情景下负荷量变化程度大于CSIRO模式.月均TP负荷与基准期相比，不存在显著的增加或者减少趋势，同样在不同大气环流模式下也存在一定差异，比如HadCM3模式下枯水期负荷量总体增加，丰水期则总体减少；而CGCM2模式下则相反.

图 6(Fig. 6)

图 6 长乐江流域不同GCMs模式下TN(左)和TP(右)负荷年内变化比较 Fig. 6 Mean monthly TN(left) and TP(right)load in the future scenarios

本研究是在假定未来污染物排放源不变的情景下，只由气候变化引起河流氮磷负荷的变化.针对气候变化在未来排放源及其强度的变化情景下，例如，未来时期土地利用/覆盖的变化对河流氮磷浓度及负荷的综合影响研究，将是下一步工作的重点.

1)未来气候情景下，长乐江流域气温将持续升高，A2情景下的增温幅度大于B2情景，日最高气温的增温幅度大于日最低气温.但3种大气环流模式年内气温变化存在较大差异，其中，HadCM3模式夏季增温明显大于冬季，CSIRO模式冬季增温稍大于夏季，而CGCM2模式则无明显季节变化.

2)3种大气环流模式下未来年降水量总体呈微弱的增加趋势，其中，HadCM3模式枯水期增加大于CSIRO和CGCM2模式，而CSIRO和CGCM2模式丰水期增加明显大于HadCM3模式，到21世纪末期，所有情景枯水期和丰水期降水量均增加.由于受到气温升高的影响，地表蒸散量较大，所有情景下径流均小幅度减少，总体上，丰水期的减少幅度大于枯水期的减少幅度.气温是长乐江流域径流变化的关键因素，对径流量的影响要大于降水.

3)3种大气环流模式下气温、降水年内差异较大，但长乐江TN浓度呈显著增加趋势，且冬季增加幅度要大于夏季，A2情景增加幅度大于B2情景，TP浓度有增有减，总体呈增加趋势，说明与温度升高有明显的相关关系.因温度升高是一个不争的事实，未来河流水质将严重恶化，水体富营养化问题将会更加突出.

4)3种大气环流模式下，年均TN负荷量呈微弱增加的趋势，且增加量主要集中在枯水期.TP负荷量基本保持不变.

由于气侯系统的复杂性，未来温室气体排放数量的不确定性及不同大气环流模式降尺度方法之间的差异性，导致未来气候的变化具有很大的不确定性，同时未来土地利用变化对水文水质的影响由于其复杂性在本文中并未考虑.另外，由于不同地区如湿润和干旱地区降水、气温等气象因子存在较大差异，本文模拟结果仅适用于东南沿海湿润地区在本文中可能出现的气候情景.