2018, Vol. 64
文章信息
- 孙鹏, 肖名忠, 张强, 顾西辉, 王月, 刘剑宇
- SUN Peng, XIAO Mingzhong, ZHANG Qiang, GU Xihui, WANG Yue, LIU Jianyu
- 水文气象极值事件研究进展
- Advance in Hydrometeorological Extremes Research
- 武汉大学学报(理学版), 2018, 64(1): 28-36
- Journal of Wuhan University(Natural Science Edition), 2018, 64(1): 28-36
- http://dx.doi.org/10.14188/j.1671-8836.2018.01.003
-
文章历史
- 收稿日期：2016-09-27
引用本文
|
2. 自然灾害过程与防控研究安徽省重点实验室, 安徽 芜湖 241002;
3. 河海大学 水文水资源学院, 江苏 南京 210098;
4. 北京师范大学 环境演变与自然灾害教育部重点实验室, 北京 100875;
5. 北京师范大学 减灾与应急管理研究院, 北京 100875;
6. 中国地质大学 环境学院, 湖北 武汉 430074;
7. 广西师范大学 环境与资源学院, 广西 桂林 541004
2. Anhui Key Laboratory of Natural Disaster Process and Prevention, Wuhu 241002, Anhui, China;
3. College of Hydrology and Water Resources, Hohai University, Nanjing 210098, Jiangsu, China;
4. Key Laboratory of Environmental Change and Natural Disaster of Ministry of education, Beijing Normal University, Beijing 100875, China;
5. Academy of Disaster Reduction and Emergency Management, Beijing Normal University, Beijing 100875, China;
6. School of Environmental Studies, China University of Geosciences, Wuhan 430074, Hubei, China;
7. College of Environment and Resources, Guangxi Normal University, Guilin 541004, Guangxi, China
大量研究表明[1, 2]，在全球气候变化背景下，水文循环呈加速趋势.日趋频繁的极端气候事件已引起各国政府、社会公众及学术界的广泛关注[3~6].气候异常、水文气象极值事件时空演变机理及其对人类社会的影响是当前大气科学、水文学以及人文地理学研究的前沿课题[7, 8].国际地圈-生物圈研究计划(IGBP)和全球水系统计划(GWSP)已将气候变化和人类活动对水循环产生的影响作为重点研究问题之一，同时联合国教科文组织的国际水文计划第七阶段(IHP-Ⅶ)的任务中也将气候变化对水文循环和水资源的影响以及如何提高变化环境下水资源管理的能力列为重点研究领域.
中国作为世界人口第一大国及第二大经济体，气候变化和人类活动造成的水资源短缺问题已成为制约其经济、社会可持续发展的主要瓶颈.2015年，中国在联合国第三届世界减灾大会期间发布的《中国极端天气气候事件和灾害风险管理与适应国家评估报告》[9]指出：近60年来，中国极端气候事件发生次数发生了显著变化，高温天数和暴雨天数增加，北方和西南干旱化有加强趋势，登陆台风强度增大，霾日数增加，群发性或区域性的极端气候事件发生频次增加，且范围有所扩大.随着气候灾害影响范围的扩大和人口经济总量的增长，各类承灾体的暴露度及脆弱性趋于增大[9].因而，对重大气候灾害形成机理和预测的研究对保障中国社会的可持续发展具有重大的意义，也是目前中国急需研究的前沿课题.
当前对水文气象极值事件时空演变特征及其风险评估的研究已取得一系列成果，然而由于水文气象系统的复杂性，对水文气象极值事件时空演变的机理特征还不够了解，预测研究的结果还有很大不确定性.为此，本文从干旱、极端降水以及径流变化特征3个方面，对近年来国内外在水文气象极值事件的研究进展情况进行较全面的分析总结，把握水文气象极值事件时空演变特征研究的现状及未来发展方向，以期促进国内学者对水文气象极值事件时空演变特征的深入研究.
1 研究现状在以气候变暖为主要特征的全球气候变化背景下，水文循环过程已发生深刻改变，水旱灾害事件频发.随着气温升高，大气持水能力增强，极端降水事件也呈增多趋势.然而，降水的总量并没有明显变化，降水的时空分布更加不均，旱涝急转问题非常突出.同时，干旱和气温间还存在相互反馈作用，干旱时，植被的蒸腾作用减弱，消耗的潜热减少，导致气温升高，而气温升高将增大蒸发量，进一步加剧缺水状况[10, 11].归纳来说，气温、极端降水和干旱之间存在相互作用和影响(如图 1所示)，因此，本文分别从干旱、极端降水以及径流变化特征3个方面阐述其国内外研究现状及进展.
|
| 图 1 气温、极端降水与干旱之间相互作用关系示意图 Figure 1 Schematic diagram of the relationship of temperature, extreme precipitation and drought |
干旱主要是指一段时间内，由于降水量、土壤含水量及水资源量等不足导致无法保持或承载一个区域内生态及经济社会活动的灾害现象[12].由于影响范围广、历时长，干旱是造成损失最为严重的自然灾害，受其影响的人数远超其他自然灾害.根据干旱的影响因素，可分为4种类型：气象干旱、水文干旱、农业干旱和社会经济干旱[13]，其中，气象干旱主要是由降水缺少导致，而水文干旱则主要由径流缺少导致，同时农业干旱和社会经济干旱则主要分析干旱对农业及社会经济的影响.由于影响干旱发生及演变的因素众多，目前干旱是人们理解最为缺乏的灾种之一，如何理解旱灾成因及机理并进行有效的预警及预防，已成为旱灾研究最为关键的理论课题.针对目前对干旱的研究进展，归纳来看，干旱问题研究可总结为干旱指标的构建、干旱时空演变特征分析及干旱预警预测3方面的内容.
1.1.1 干旱指标构建目前常用的干旱指标有帕默尔指数(Palmer drought severity index，PDSI)、标准化降水指数(standardized precipitation index，SPI)、标准化降水蒸散发指数(standardized precipitation evapotranspiration index, SPEI)[14]、土壤相对湿度指标等.李柏贞等[15]将其归纳总结为气象指标、土壤墒情指标以及作物生理生态指标3大类.不同干旱指标所需的数据不同，因此对于不同地区，选用的干旱指标往往需结合所能获取的数据来决定.同时，由于不同地区遭受干旱的原因和干旱造成的危害各不相同，且干旱受气候条件、地形因素、水资源条件和农业生产状况等多种因素影响，目前常用的干旱指标大多是建立在特定的地域和时间范围内，不同区域适用的干旱指标差异很大.为更加深刻地认识和准确地评估干旱的影响，国内外已有许多专家学者对各类型干旱指标的适用性进行了广泛而深入的研究[13, 16, 17].
不同干旱类型间是相互联系的，如气象干旱加剧将导致水文干旱，而水文干旱又可能导致农业干旱和社会经济干旱，因此，综合各种信息、构建适合的干旱指标是干旱风险研究中的重要研究内容.对于SPI指数，不同的时间尺度表征不同的干旱类型，如3~6个月时间尺度的SPI表示短期干旱，9~12个月时间尺度的SPI表示长期干旱.短期干旱与长期干旱间是相互联系的，因此必须综合不同时间尺度的SPI才能更好地刻画干旱特征.Kao等[18]基于copula函数综合不同时间尺度的SPI提出copula-based joint deficit指数，对整体的干旱特征提供概率描述，从而可避免选择干旱指标时的主观性[18].同时，考虑到干旱受多因子的影响，Hao等[19]通过copula函数将SPI和标准化土壤湿度指数综合起来，提出多变量标准化干旱指数，对干旱进行更全面的评估，同时，该多变量标准化干旱指数具有能综合SPI, 更易识别干旱发生时刻的特性及标准化土壤湿度指数，更能表征干旱持续过程的特点.总的来说，由于干旱指标众多，考虑的因子各有不同，对干旱特性的描述也各有侧重，从而将不同干旱指标进行综合将促进对干旱发生机理及过程的了解.
1.1.2 干旱时空演变特征研究干旱事件的特征属性包含干旱强度、干旱严重程度和干旱历时等，因此需基于多变量联合分布函数来分析.由于copula函数易于将不同变量的边缘分布联合起来构造联合分布[20]，从而在考虑干旱多特征属性的时空演变研究中得到广泛运用.肖名忠等[21]采用copula函数描述干旱历时和干旱严重程度之间的相关性，对珠江流域的气象干旱时空演变特征进行了分析，同时还探讨了对应于单变量分析的重现期概念在多变量分析过程中的适应性问题.由于干旱是由多个属性表征的，只考虑单个变量的重现期已不能很好地描述干旱的风险，因而需考虑多个变量的联合重现期.多个变量的联合重现期有两种情形，一种是多个属性都发生的联合重现期，简称为“且联合重现期”，另一种是只要其中有一个属性发生的联合重现期，简称为“或联合重现期”.对于这两种联合重现期，不同的干旱属性值组合可能出现相同的重现期值，从而对干旱等级划分及风险防范造成困扰.为此，Salvadori等[22]提出第二重现期概念，研究联合重现期大于某一值的事件，将联合重现期值相等的一系列事件用一个值来表示.第二重现期综合考虑了多变量分析中具有相同值的一条曲线的情况，而前面提到的联合重现期其实考虑的只是其中一个点的情况.运用Salvadori等[22]提出的第二重现期概念，肖名忠等[21]对珠江流域的干旱风险研究发现，第二重现期计算出的珠江流域干旱风险要更为稳健，同时比用“且联合重现期”计算的结果大一些，而比用“或联合重现期”计算的结果小一些.Zhang等[23]采用copula函数对东江流域的水文干旱进行分析，同时分析了copula函数的不确定性[24].由于样本数据有限，单变量频率分析的结果具有很大的不确定性，同样，没有更多样本数据的多变量频率分析结果的不确定性也将更大[24].总体来说，copula函数为深入研究干旱多属性特征间的时空演变过程及风险提供了有效途径.
本质上讲干旱是区域性的，因而，区域干旱特征分析将会为短期和长期的水资源管理提供关键信息[12].区域干旱特征分析常用的方法是通过建立干旱严重程度-影响面积曲线对区域干旱特征进行分析[12]，该方法主要通过对同一年内不同地区的干旱严重程度进行排序，然后分析不同干旱范围阈值下的平均干旱严重程度.另外，也可采用区域频率分析的方法[25]对划分为同一分区内的站点进行一致性检验，并假定通过一致性检验的站点数据在根据分布函数的位置参数标准化处理后，服从同一分布函数，从而可充分利用一致性分区的站点数据，提高分布函数参数估计的精度.这一方法也为解决由于样本数据少，copula函数不确定性大的问题提供了一个途径.基于该思想，Zhang等[26]对珠江流域干旱空间变化特征进行了分析.需要说明的是，目前干旱时空演变特征的研究还主要集中在对干旱的时间变化特征进行分析，对干旱空间演变过程的研究还很缺乏，尤其是考虑干旱时空动态性的研究，仍是需要加强的一个研究方向.
1.1.3 干旱预警预测目前长期干旱预测的准确率还不高，因而对干旱进行概率预测很有必要.干旱可看成是随机事件，从而干旱概率预测的含义就是指预测出未来干旱发生的概率，这可采用马尔科夫方法进行计算.马尔科夫方法中最关键的内容是如何得到不同干旱状态间的转移概率矩阵，常用最大似然估计方法计算.然而，该方法的有效性受到了Cancelliere等[27]的质疑，由于样本数过少，在某些情况下会导致计算出的转移概率为零，这是非常不合理的.为避免传统最大似然估计方法的缺陷，Chen等[28]采用copula函数描述前后干旱事件之间的相关性，对珠江流域不同强度间干旱的转移概率特征进行了分析，同时采用马尔科夫链对各季节的干旱情况进行概率预测[29].另外，通过综合不同时间尺度干旱指标的信息，Xiao等[30]对淮河流域各季节的干旱情况也进行了概率预测.与降水相似，干旱也受到大尺度气候指标的影响.为描述各气候指标对干旱转移概率的影响，Xiao等[31]通过构造三变量copula函数对珠江流域不同强度干旱间的转移概率受各气候指标影响的情况进行了分析.这些研究结果为不同区域干旱概率预测研究提供了借鉴.
在全球气候变化背景下，各区域降水对气候变化的响应不一，不同地区存在着变干或者变湿的趋势.对于这些趋势的准确把握将有助于对未来该地区的干旱预警及预防.目前主要通过全球气候模式数据对未来降水变化进行预估，然而由于影响降水的因素众多，对降水预估的结果具有很大的不确定性，因此如何减少降水预测结果的不确定性也是目前研究的一个热点问题，尤其是在区域尺度上.
1.2 极端降水全球变暖将使地表蒸散发加剧，大气持水能力增强，从而导致全球和区域性水循环过程加剧，极端降水事件增多.对于极端降水的研究归纳来看有两方面的内容，一是极端降水的影响，主要是对城市防洪排涝等的影响；二是极端降水的变化特征，主要体现在极端降水发生频次及强度的变化上，示意图见图 2.目前的研究主要关注极端降水指标的确定、极端降水事件的分布和演变趋势、影响因子分析，以及通过降尺度的方法运用全球气候模式数据对极端降水进行评估等4个方面[32].
|
| 图 2 极端降水研究内容总结示意图 Figure 2 Summary for the research on precipitation extreme |
自然灾害如暴雨、大雪等往往具有空间相关性，因此，建立能较好描述极值事件间空间相关性的区域模型对于探讨水文气象极值事件的空间分布特征具有重要的理论及现实意义.通过描述连续空间内极值事件的相关性，Smith[33]，Padoan[34]和Davison[35]等人对Max-stable过程模型及应用进行了研究，发现该模型可以很好地揭示水文气象极值事件的空间结构与特征.空间数据的Max-stable过程模型可用De Haan[36]提出的谱表示方法进行构造，随后有更多的Max-stable过程模型提出，其中Schlather[37]和Kabluchko[38]等在综合各种Max-stable模型基础上，提出一个更通用的模型.基于该通用的Max-stable过程模型，Zhang等[39]对鄱阳湖流域年及季节尺度极端降水的空间分布特征进行研究，发现随着站点距离的增大，年最大1天降水及最大5天降水的空间相关性逐渐减弱，其中年最大5天降水的空间相关性更强.另外，Zhang等[40]还对大尺度气候指标对鄱阳湖流域年及季节尺度极端降水的影响进行了分析，发现年最大1天降水及最大5天降水主要受前一年的厄尔尼诺-南方涛动(ENSO)指数正相关的影响.
然而，相比于Renard提出的基于分层贝叶斯的区域频率分析模型[41]，Max-stable过程模型虽然计算比较简单，却在模型定义的完备性以及运用的灵活性上要差很多，例如Max-stable过程模型只描述了样本间的空间相关性，而分层贝叶斯区域频率分析模型则能够很好地定义样本间的空间相关性以及参数间的空间相关性[41]，且Max-stable过程模型只适用于对空间极值过程进行分析，需假定各站点的极值序列服从广义极值分布，而在分层贝叶斯的区域频率分析模型中则没有这样的限制.基于此，肖名忠采用分层贝叶斯模型对鄱阳湖流域极端降水的时空特征进行了系统分析[42]，发现采用广义极值分布函数描述年最大1天降水时，考虑广义极值分布函数参数间的空间相关性能更好地表现出真实情况.然而，相比于样本间的空间相关性，参数间空间相关性的影响要小很多，同时在描述样本空间相关性方面，Gaussian copula函数优于Student copula函数.
1.2.2 不同天气系统造成的极端降水特征分析随着观测条件的进步，对极端降水发生机理的研究也更加深入.降水的产生与天气系统有关，如冷暖气流交汇造成的锋面雨以及强气流抬升产生的对流雨等.根据Clausius-Clapeyron方程，气温每升高1 ℃，饱和水汽压增大约7%，对应的极端降水也将增大相应的比例[43].但有研究发现，随着气温的升高，极端降水强度增加的速率要显著高于饱和水汽压增大的速率.Berg等[44]研究发现这一现象是由于对流雨对气温升高更敏感导致的.显然，不同天气系统产生的降水之间的特征也是不同的，对气候变化的敏感性也不一样，然而由于数据条件等的限制，目前国内对这一方面的研究还很薄弱.
1.3 径流变化 1.3.1 径流变化归因分析20世纪以来，全球径流量显著增加[45]，目前还难以确定这一变化主要是由气候因子还是人类活动因子引起的.径流的长期变化趋势取决于降水和蒸发的平衡.其中，蒸发不仅受到气候因子(温度、风速等)的影响，还受到植被的生理成分(如气孔)及结构特征的影响(如叶面积指数)[46].因此，Gedney等[46]认为温室气体浓度增加导致植被气孔缩小，降低了植被的蒸腾作用，是引起全球径流增加的主要因素.但Piao等[47]认为气候和土地利用变化对全球径流的影响要明显高于温室气体浓度增加带来的影响.
流域或区域尺度的径流变化趋势由于气候和人类活动的差异性而有很大不同.大量的研究集中在径流变化的归因分析.目前量化气候变化和人类活动对径流影响的方法主要有3种：回归分析[48]、灵敏度分析[49]、水文模型模拟[50, 51].刘剑宇等[48]运用多元回归定量辨析了气候变化和人类活动对1970—2009年鄱阳湖流域径流的影响，发现整体上气候变化是鄱阳湖流域径流增加的主要因素，贡献率为73%，其中人类活动是修水径流增加以及抚河径流减少的主要因素；张树磊等[52]基于Budyko假设的流域水热耦合平衡方程对各流域径流变化进行了归因分析，发现径流对气候和下垫面变化的敏感程度与该地区的湿润程度有关，在气候较为湿润的地区，径流对气候及下垫面变化均不敏感，而在气候干燥地区则很敏感，区域差异性明显；郭军庭等[50]用SWAT水文模型模拟了潮河流域径流过程，认为降水每增加10%，径流平均增加23.9%，温度每增加12%，径流平均减少6%.
1.3.2 未来径流模拟及预测未来径流的变化特征对于水资源管理和规划具有重要的意义，目前该领域的研究也很多，常用基于气候模式(GCMs)数据驱动水文模型对流域径流过程进行中长期预测[53~58].Xu等[53]、郝振纯等[54]利用多个全球气候模式数据来驱动分布式水文模型，分析得出在未来100年内黄河源区的径流总量总体呈不断减少趋势，旱涝威胁将日趋严峻.李林等[55]利用区域气候模式系统PRECIS(providing regional climates for impacts studies)输出的未来气候变化情景资料，模拟了在不同气候情景下降水径流的关系，据此预测2010—2030年黄河源区径流变化趋势以减少为主.张永勇等[56]利用SWAT(soil and water assessment tool)水文模型预测了在A1B和B1排放情景下2010—2039年三江源区出口断面的径流演变趋势，发现气候变化对长江源区径流的影响最为显著，对黄河源区的影响次之，对澜沧江源区的影响最小；长江源区径流量呈增加趋势而黄河源区径流量呈减少趋势.Li等[57]采用SIMHYD和GR4J降雨-径流模型，通过融入下雪-融雪过程，提升了对青藏高原东南部径流的预测能力，然后又结合IPCC AR4中的20个GCMs输出结果，进一步对全球气温升高1 ℃情景下径流模拟的不确定性进行分析，发现不同模式输出结果模拟的径流差异非常大，径流变化量约在-25%~30%[58].
水文模型需要复杂的数据量，相比而言，数据驱动模型对数据要求较低，因此在径流模拟与短期预测中的应用越来越受到重视[59, 60].当前以数据驱动模型为主的径流模拟与预测一般分为多因子和单因子两种，在数据充足的情况下，可以将影响径流的因素(如降水、蒸发等)作为输入变量，径流量作为输出变量进行多因子径流模拟与预测[60]；而当研究流域只有径流数据时，则只能使用径流量滞后因子作为输入变量进行单因子径流的模拟与预测.
无论是径流趋势检测及归因还是径流模拟及预测，相应的研究都已较为成熟，但这些研究均较局限在径流过程的单一系统中，而忽视了径流系统与气候系统、社会经济系统、植被系统以及水生态系统等系统之间的动态相互作用与反馈，因此，径流过程与其他系统间的耦合关系将是未来研究的重点和难点.
2 结论与展望本文分别从干旱、极端降水以及径流变化特征3个方面对当前国内外水文气象极值事件时空演变特征及其风险评估的研究进行了分析和总结，归纳来看，主要有以下几点：
1) 对于干旱，目前已逐渐从干旱单特征属性分析过渡到多特征属性分析，同时也给传统的单变量重现期概念带来挑战.由于现有的观测数据样本有限，多特征属性分析在增进我们对干旱时空特征认识的同时，其结果的不确定性也不容忽视.另外，已有的干旱指标都常侧重于某个或某些因子，为更全面的描述干旱特征，未来的研究应在对干旱发生及演变过程分析基础上，构建综合干旱指标.干旱本质上是区域性的，考虑时空动态性的干旱时空演变特征研究尚待加强.
2) 对于极端降水，目前对其空间相关性的研究正逐渐增多，贝叶斯方法由于其模型构造的灵活性且能够综合不同先验信息，未来在极端降水空间相关性的研究上具有很大的潜力；极端降水的变化主要体现在发生次数或强度的变化上，然而其更深层次的机理还值得进一步的探讨和研究；不同天气系统产生的降水之间的特征也是不同的，如何在更高时间精度降水数据及其他类型数据基础上分析对流雨、台风等不同天气系统产生的极端降水特征，将是未来研究的重点.
3) 对于径流变化，由于受到人类活动及气候变化的相互影响，径流变化在归因方面目前还有很大的争论.在全球气候变化背景下，未来径流的变化特征对于水资源管理和规划具有重要的意义，如何减小气候模式降水数据的不确定性，通过降尺度分析驱动水文模型更好地对流域径流过程进行中长期预测是未来研究的热点问题；极端降水造成的城市内涝所带来的损失日趋严重，如何有效地在城市地区模拟产汇流过程，对内涝黑点进行预防也是迫切需要解决的问题；径流系统是一个综合的系统，它与气候系统、社会经济系统、植被系统以及水生态系统等系统之间的耦合效应也是未来研究的重点.
作为水文循环系统中的一部分，干旱、极端降水以及径流变化之间是存在相互作用和影响的，如何在更高层次上整体考虑，将是未来研究的重点和难点.目前已有不少陆气模式耦合的研究，然而模式结果的不确定性及模型的复杂程度仍制约着这方面的发展，未来任重而道远.
| [1] |
HUNTINGTON T G. Evidence for intensification of the global water cycle: Review and synthesis[J]. Journal of Hydrology, 2006, 319(1-4): 83-95. DOI:10.1016/j.jhydrol.2005.07.003 |
| [2] |
OHMURA A, WILD M. Is the hydrological cycle accelerating[J]. Science, 2002, 298(5597): 1345-1346. DOI:10.1126/science.1078972 |
| [3] |
COUMOU D, RAHMSTORF S. A decade of weather extremes[J]. Nature Climate Change, 2012, 2(7): 491-496. DOI:10.1038/nclimate1452 |
| [4] |
MUELLER B, SENEVIRATNE S I. Hot days induced by precipitation deficits at the global scale[J]. Proceedings of the National Academy of Sciences, 2012, 109(31): 12398-12403. DOI:10.1073/pnas.1204330109 |
| [5] |
KUNDZEWICZ Z W, KANAE S, SENEVIRATNE S I, et al. Flood risk and climate change: Global and regional perspectives[J]. Hydrological Sciences Journal, 2014, 59(1): 1-28. DOI:10.1080/02626667.2013.857411 |
| [6] |
BRULLE R J, CARMICHAEL J, JENKINS J C. Shifting public opinion on climate change: An empirical assessment of factors influencing concern over climate change in the U.S., 2002—2010[J]. Climatic Change, 2012, 114(2): 169-188. DOI:10.1007/s10584-012-0403-y |
| [7] |
EASTERLING D R, MEEHL G A, PARMESAN C, et al. Climate extremes: Observations, modeling, and impacts[J]. Science, 2000, 289(5487): 2068-2074. DOI:10.1126/science.289.5487.2068 |
| [8] |
FOWLER H J, KILSBY C G, O'CONNELL P E. Modeling the impacts of climatic change and variability on the reliability, resilience, and vulnerability of a water resource system[J]. Water Resources Research, 2003, 39(8): 1222. DOI:10.1029/2002WR001778 |
| [9] |
秦大河. 中国极端天气气候事件和灾害风险管理与适应国家评估报告[M]. 北京: 科学出版社, 2015: 377. QIANG D H. Report of Extreme Weather and Climate Events and the Assessment of Related Disaster in China[M]. Beijing: Science Press, 2015: 377. |
| [10] |
ZHANG Q, XIAO M Z, SINGH V P, et al. Observational evidence of summer precipitation deficit-temperature coupling in China[J]. Journal of Geophysical Research: Atmospheres, 2015, 120(19): 120. DOI:10.1002/2015JD023830 |
| [11] |
ALEXANDER L. Climate science: Extreme heat rooted in dry soils[J]. Nature Geoscience, 2011, 4(1): 12-13. DOI:10.1038/ngeo1045 |
| [12] |
肖名忠, 张强, 陈晓宏. 珠江流域干旱事件的多变量区域分析及区域分布特征[J]. 灾害学, 2012, 27(3): 12-18. XIAO M Z, ZHANG Q, CHEN X H. Regionalization and changing properties of drought events along the Pearl River basin[J]. Journal of Catastrophology, 2012, 27(3): 12-18. |
| [13] |
MISHRA A K, SINGH V P. A review of drought concepts[J]. Journal of Hydrology, 2010, 391(2): 202-216. DOI:10.1016/j.jhydrol.2010.07.012 |
| [14] |
VICENTE-SERRANO S M, BEGUER A S, LÓPEZ-MORENO J I. A multiscalar drought index sensitive to global warming: The standardized precipitation eva-potranspiration index[J]. Journal of Climate, 2010, 23(7): 1696-1718. DOI:10.1175/2009JCLI2909.1 |
| [15] |
李柏贞, 周广胜. 干旱指标研究进展[J]. 生态学报, 2014, 34(5): 1043-1052. LI B Z, ZHOU G S. Advance in the study on drought index[J]. Acta Ecologica Sinica, 2014, 34(5): 1043-1052. |
| [16] |
李芬, 于文金, 张建新, 等. 干旱灾害评估研究进展[J]. 地理科学进展, 2011, 30(7): 891-898. LI F, YU W J, ZHANG J X, et al. Review of drought disaster evaluation[J]. Progress in Geography, 2011, 30(7): 891-898. DOI:10.11820/dlkxjz.2011.07.015 |
| [17] |
王劲松, 李耀辉, 王润元, 等. 我国气象干旱研究进展评述[J]. 干旱气象, 2012, 30(4): 497-508. WANG J S, LI Y H, WANG R Y, et al. Preliminary analysis on the demand and review of progress in the field of meteorological drought research[J]. Journal of Arid Meteorology, 2012, 30(4): 497-508. |
| [18] |
KAO S C, GOVINDARAJU R S. A copula-based joint deficit index for droughts[J]. Journal of Hydrology, 2010, 380(2): 121-134. DOI:10.1016/j.jhydrol.2009.10.029 |
| [19] |
HAO Z, AGHAKOUCHAK A. Multivariate standardized drought index: A parametric multi-index model[J]. Advances in Water Resources, 2013, 57: 12-18. DOI:10.1016/j.advwatres.2013.03.009 |
| [20] |
NELSEN R B. An Introduction to Copulas[M]. New York: Springer Verlag, 2006.
|
| [21] |
肖名忠, 张强, 陈晓宏. 基于多变量概率分析的珠江流域干旱特征研究[J]. 地理学报, 2012, 67(1): 83-92. XIAO M Z, ZHANG Q, CHEN X H. Spatial-temporal patterns of drought risk across the Pearl River basin[J]. Acta Geographica Sinica, 2012, 67(1): 83-92. DOI:10.11821/xb201201009 |
| [22] |
SALVADORI G, DE MICHELE C. Frequency analysis via copulas: Theoretical aspects and applications to hydrological events[J]. Water Resources Research, 2004, 40(12). DOI:10.1029/2004WR003-133 |
| [23] |
ZHANG Q, XIAO M Z, SINGH V P, et al. Copula-based risk evaluation of hydrological droughts in the East River basin, China[J]. Stochastic Environmental Research and Risk Assessment, 2013, 27(6): 1397-1406. DOI:10.1007/s00477-012-0675-9 |
| [24] |
ZHANG Q, XIAO M Z, SINGH V P. Uncertainty evaluation of copula analysis of hydrological droughts in the East River basin, China[J]. Global and Planetary Change, 2015, 129: 1-9. DOI:10.1016/j.gloplacha.2015.03.001 |
| [25] |
HOSKING J R M, WALLIS J R. Regional Frequency Analysis: An Approach Based on L-Moments[M]. New York: Cambridge University Press, 1997.
|
| [26] |
ZHANG Q, XIAO M Z, SINGH V P, et al. Regionalization and spatial changing properties of droughts across the Pearl River basin, China[J]. Journal of Hydrology, 2012, 472: 355-366. DOI:10.1016/j.jhydrol.2012.09.054 |
| [27] |
CANCELLIERE A, MAURO G D, BONACCORSO B, et al. Drought forecasting using the standardized precipitation index[J]. Water Resources Management, 2007, 21(5): 801-819. DOI:10.1007/s11269-006-9062-y |
| [28] |
CHEN Y D, ZHANG Q, XIAO M Z, et al. Transition probability behaviors of drought events in the Pearl River basin, China[J]. Stochastic Environmental Research and Risk Assessment, 2017, 31(1): 159-170. DOI:10.1007/s00477-015-1178-2 |
| [29] |
CHEN Y D, ZHANG Q, XIAO M Z, et al. Probabilistic forecasting of seasonal droughts in the Pearl River basin, China[J]. Stochastic Environmental Research and Risk Assessment, 2016, 30(7): 2031-2040. DOI:10.1007/s00477-00015-01174-00476 |
| [30] |
XIAO M Z, ZHANG Q, SINGH V P, et al. Probabilistic forecasting of seasonal drought behaviors in the Huai River basin, China[J]. Theoretical and Applied Climatology, 2017, 128(3): 667-677. DOI:10.1007/s00704-00016-01733-x |
| [31] |
XIAO M Z, ZHANG Q, SINGH V P, et al. Transitional properties of droughts and related impacts of climate indices in the Pearl River basin, China[J]. Journal of Hydrology, 2016, 534: 397-406. DOI:10.1016/j.jhydrol.2016.01.012 |
| [32] |
王苗, 郭品文, 邬昀, 等. 我国极端降水事件研究进展[J]. 气象科技, 2012, 40(1): 79-86. WANG M, GUO P W, WU Y, et al. Progresses in researches on extreme precipitation over China[J]. Meteorological Science and Technology, 2012, 40(1): 79-86. |
| [33] |
SMITH R L. Max-Stable Processes and Spatial Extremes[M]. Guildford: University of Surrey, 1990.
|
| [34] |
PADOAN S A, RIBATET M, SISSON S A. Likelihood-based inference for max-stable processes[J]. Journal of the American Statistical Association, 2010, 105(489): 263-277. DOI:10.1198/jasa.2009.tm08577 |
| [35] |
DAVISON A C, PADOAN S A, RIBATET M. Statistical modeling of spatial extremes[J]. Statistical Science, 2012, 27(2): 161-186. DOI:10.1214/11-STS376 |
| [36] |
DE HAAN L. A spectral representation for max-stable processes[J]. The Annals of Probability, 1984, 12(4): 1194-1204. DOI:10.1214/aop/1176993148 |
| [37] |
SCHLATHER M. Models for stationary max-stable random fields[J]. Extremes, 2002, 5(1): 33-44. DOI:10.1023/A:1020977924878 |
| [38] |
KABLUCHKO Z, SCHLATHER M, DE HAAN L. Stationary max-stable fields associated to negative definite functions[J]. The Annals of Probability, 2009, 2042-2065. DOI:10.1214/09-AOP455 |
| [39] |
ZHANG Q, XIAO M Z, LI J F, et al. Topography-based spatial patterns of precipitation extremes in the Poyang Lake basin, China: Changing properties and causes[J]. Journal of Hydrology, 2014, 512: 229-239. DOI:10.1016/j.jhydro1.2014.03.010 |
| [40] |
ZHANG Q, XIAO M Z, SINGH V P, et al. Max-stable based evaluation of impacts of climate indices on extreme precipitation processes across the Poyang Lake basin, China[J]. Global and Planetary Change, 2014, 122: 271-281. DOI:10.1016/j.gloplacha.2014.09.005 |
| [41] |
RENARD B. A Bayesian hierarchical approach to regional frequency analysis[J]. Water Resources Research, 2011, 47(11): W11513. DOI:10.1029/2010WR010089 |
| [42] |
肖名忠. 鄱阳湖流域极端降水时空特征及成因研究[D]. 广州: 中山大学, 2016. XIAO M Z. Spatiotemporal Patterns of Precipitation Extremes in the Poyang Lake Basin, China: Changing Properties and Causes [D]. Guangzhou: Sun Yat-sen University, 2016. |
| [43] |
TRENBERTH K E, DAI A, RASMUSSEN R M, et al. The changing character of precipitation[J]. Bulletin of the American Meteorological Society, 2003, 84(9): 1205-1217. DOI:10.1175/BAMS-84-9-1205 |
| [44] |
BERG P, MOSELEY C, HAERTER J O. Strong increase in convective precipitation in response to higher temperatures[J]. Nature Geosci, 2013, 6(3): 181-185. DOI:10.1038/ngeo1731 |
| [45] |
LEGATES D R, LINS H F, MCCABE G J. Comments on "Evidence for global runoff increase related to climate warming" by Labat et al.[J]. Advances in Water Resources, 2005, 28(12): 1310-1315. DOI:10.1016/j.advwatres.2005.04.006 |
| [46] |
GEDNEY N, COX P M, BETTS R A, et al. Detection of a direct carbon dioxide effect in continental river runoff records[J]. Nature, 2006, 439(7078): 835-838. DOI:10.1038/nature04504 |
| [47] |
PIAO S, FRIEDLINGSTEIN P, CIAIS P, et al. Changes in climate and land use have a larger direct impact than rising CO2 on global river runoff trends[J]. Proceedings of the National Academy of Sciences, 2007, 104(39): 15242-15247. DOI:10.1073/pnas.0707213104 |
| [48] |
刘剑宇, 张强, 邓晓宇, 等. 气候变化和人类活动对鄱阳湖流域径流过程影响的定量分析[J]. 湖泊科学, 2016, 28(2): 432-443. LIU J Y, ZHANG Q, DENG X Y, et al. Quantitative analysis the influences of climate change and human activities on hydrological processes in Poyang basin[J]. Journal of Lake Sciences, 2016, 28(2): 432-443. DOI:10.18307/2016.0224 |
| [49] |
AHN K H, MERWADE V. Quantifying the relative impact of climate and human activities on streamflow[J]. Journal of Hydrology, 2014, 515: 257-266. DOI:10.1016/j.jhydrol.2014.04.062 |
| [50] |
郭军庭, 张志强, 王盛萍, 等. 应用SWAT模型研究潮河流域土地利用和气候变化对径流的影响[J]. 生态学报, 2014, 34(6): 1559-1567. GUO J T, ZHANG Z Q, WANG S P, et al. Applying SWAT model to explore the impact of changes in land use and climate on the streamflow in a watershed of Northern China[J]. Acta Ecologica Sinica, 2014, 34(6): 1559-1567. |
| [51] |
邓晓宇, 张强, 陈晓宏. 气候变化和人类活动综合影响下的抚河流域径流模拟研究[J]. 武汉大学学报(理学版), 2015, 61(3): 262-270. DENG X Y, ZHANG Q, CHEN X H. Assessment of impacts of climate change and human activities on runoff with HSPE for the Fuhe River basin[J]. Journal of Wuhan University (Natural Science Edition), 2015, 61(3): 262-270. |
| [52] |
张树磊, 杨大文, 杨汉波, 等. 1960—2010年中国主要流域径流量减小原因探讨分析[J]. 水科学进展, 2015, 26(5): 605-613. ZHANG S L, YANG D W, YANG H B, et al. Analysis of the dominant causes for runoff reduction in five major basins over China during 1960—2010[J]. Advances in Water Science, 2015, 26(5): 605-613. |
| [53] |
XU Z X, ZHAO F F, LI J Y. Response of streamflow to climate change in the headwater catchment of the Yellow River basin[J]. Quaternary International, 2009, 208(1-2): 62-75. DOI:10.1016/j.quaint.2008.09.001 |
| [54] |
郝振纯, 王加虎, 李丽, 等. 气候变化对黄河源区水资源的影响[J]. 冰川冻土, 2006, 28(1): 1-7. HAO Z C, WANG J H, LI L, et al. Impact of climate change on runoff source region of Yellow River[J]. Journal of Glaciology and Geocryology, 2006, 28(1): 1-7. |
| [55] |
李林, 申红艳, 戴升, 等. 黄河源区径流对气候变化的响应及未来趋势预测[J]. 地理学报, 2011, 66(9): 1261-1269. LI L, SHEN H Y, DAI S, et al. Response to climate change and prediction of runoff in the Source Region of Yellow River[J]. Acta Geographica Sinica, 2011, 66(9): 1261-1269. DOI:10.11821/xb201109011 |
| [56] |
张永勇, 张士锋, 翟晓燕, 等. 三江源区径流演变及其对气候变化的响应[J]. 地理学报, 2012, 67(1): 71-82. ZHANG Y Y, ZHANG S F, ZHAI X Y, et al. Runoff variation in the three rivers source region and its response to climate change[J]. Acta Geographica Sinica, 2012, 67(1): 71-82. DOI:10.11821/xb201201008 |
| [57] |
LI F, ZHANG Y, XU Z, et al. Runoff predictions in ungauged catchments in southeast Tibetan Plateau[J]. Journal of Hydrology, 2014, 511: 28-38. DOI:10.1016/j.jhydro1.2014.01.014 |
| [58] |
LI F, ZHANG Y, XU Z, et al. The impact of climate change on runoff in the southeastern Tibetan Plateau[J]. Journal of Hydrology, 2013, 505: 188-201. DOI:10.1016/j.jhydrol.2013.09.052 |
| [59] |
NOURANI V, HOSSEINI BAGHANAM A, ADAMOWSKI J, et al. Applications of hybrid wavelet-artificial intelligence models in hydrology: A review[J]. Journal of Hydrology, 2014, 514: 358-377. DOI:10.1016/j.jhydrol.2014.03.057 |
| [60] |
张正浩, 张强, 江涛, 等. 基于小波神经网络的东江流域径流模拟多模型比较研究[J]. 武汉大学学报(理学版), 2015, 61(3): 255-261. ZHANG Z H, ZHANG Q, JIANG T, et al. Multiple models comparative study of the East River basin runoff simulation based on wavelet neural network[J]. Journal of Wuhan University (Natural Science Edition), 2015, 61(3): 255-261. |