氣候變化對(duì)長(zhǎng)江源區(qū)地表徑流的影響

祁雪姣,楊 穎,韓傳楠,李健明,李佳君,劉增輝,李夢(mèng)媛,張秀芝, 包文金,盧素錦,何 奕,李悅嬌,陳斯亮,曾宣淯

(1.青海大學(xué)生態(tài)環(huán)境工程學(xué)院,青海 西寧 810016) (2.青海大學(xué)農(nóng)牧學(xué)院,青海 西寧 810016)

氣候變化引起了全球關(guān)注,成為了全球研究的核心問(wèn)題[1-2],氣候變化對(duì)生態(tài)系統(tǒng)的影響成為了氣候變化領(lǐng)域中最重要的內(nèi)容之一[3]. 氣候變化直接影響水資源的變化,水資源會(huì)在空間上重新分配以及在各地容量上發(fā)生變化,進(jìn)而引起生態(tài)環(huán)境的各種變化[4-7]. 氣候的變暖對(duì)我國(guó)的水資源產(chǎn)生了很大的影響,主要表現(xiàn)在北方徑流量減少,南方徑流量增加,各流域的年平均蒸發(fā)量的增加等,導(dǎo)致干旱、洪澇等災(zāi)害頻發(fā)[7-8],使得水循環(huán)發(fā)生變化,水資源供需矛盾進(jìn)一步加劇[9-10].

氣候模式和水文模型是現(xiàn)今國(guó)內(nèi)外用于研究變化環(huán)境下水文水資源響應(yīng)的主要手段[11]. 在IPCC第五次評(píng)估報(bào)告(AR5)[12]中,采用耦合模式比較計(jì)劃第五階段(CMIP5)的氣候模式和新的排放情景(典型濃度路徑RCP,RCP包括RCP2.6、RCP4.5和RCP8.5三種排放情景)[13]來(lái)預(yù)估未來(lái)氣候系統(tǒng)的變化,取得了較好效果. SWAT(Soil and Water Assessment Tool)是一個(gè)長(zhǎng)時(shí)間尺度的分布式水文模型[14],目前已得到廣泛應(yīng)用[15]. 國(guó)外應(yīng)用SWAT模型進(jìn)行徑流模擬、分布式水文-土壤-植被模型(DHSVM)開發(fā)等方面的研究[16-20];SWAT模型在中國(guó)的應(yīng)用與研究從2000年左右開始,先后開展了環(huán)北地區(qū)、錫林河、長(zhǎng)江上游流域等的模擬研究,并在后續(xù)的研究中對(duì)SWAT模型的應(yīng)用進(jìn)行了不斷的改進(jìn)[21-24]. 相關(guān)研究顯示,SWAT水文模型在河流流量、水文過(guò)程、水文響應(yīng)、水質(zhì)預(yù)測(cè)等方面應(yīng)用中都取得了較好的效果[20-22].

長(zhǎng)江源區(qū)地處青藏高原,是三江源國(guó)家公園的重要組成部分,是我國(guó)生態(tài)環(huán)境安全以及經(jīng)濟(jì)可持續(xù)發(fā)展的重要生態(tài)屏障[25],長(zhǎng)江源區(qū)的生態(tài)環(huán)境質(zhì)量好壞和供水能力大小,對(duì)長(zhǎng)江流域?qū)a(chǎn)生重大的影響. 由于氣候變暖,長(zhǎng)江源區(qū)近些年較大的蒸發(fā)量,造成徑流量減少[26]. 目前長(zhǎng)江源區(qū)對(duì)地表徑流的研究主要集中在冰川融水、凍土以及徑流演變規(guī)律等方面[27],而有關(guān)CMIP5氣候模型三種氣候情景下對(duì)地表徑流的影響研究未見報(bào)道. 研究氣候變化對(duì)長(zhǎng)江源區(qū)地表徑流的影響,對(duì)提升長(zhǎng)江源區(qū)水源涵養(yǎng)功能,對(duì)長(zhǎng)江源區(qū)水資源開發(fā)與保護(hù)、生態(tài)環(huán)境保護(hù)與恢復(fù)具有重要意義.

本文通過(guò)分析長(zhǎng)江源區(qū)1980—2021年地表徑流的演變規(guī)律,運(yùn)用CMIP5模型中的21種模式的模擬結(jié)果,結(jié)合RCPS的三種氣候情景(RCP2.6、RCP4.5、RCP8.5)并耦合SWAT模型,預(yù)測(cè)未來(lái)地表徑流變化的演變趨勢(shì),為長(zhǎng)江源區(qū)水資源保護(hù)和利用提供理論依據(jù),為長(zhǎng)江源區(qū)科學(xué)應(yīng)對(duì)氣候變化提供理論依據(jù).

1 材料與方法

1.1 研究區(qū)概況

長(zhǎng)江源區(qū)在青海省南部,地處青藏高原腹地,地理位置約為90°30′～97°10′E,32°30′～35°50′N,占我國(guó)三江源地區(qū)總面積的43.6%[28]. 長(zhǎng)江源區(qū)平均海拔高于4 000 m[29],具有冬季長(zhǎng)、夏季短的特點(diǎn),年平均氣溫為-5.3 ℃～3.3 ℃[30]. 長(zhǎng)江源區(qū)是由扇狀水系所組成的,水系發(fā)達(dá),河網(wǎng)密布,高原湖泊眾多[31]. 源區(qū)內(nèi)植被類型主要由草甸、草原等組成[32].

圖1 長(zhǎng)江源區(qū)地理位置圖Fig.1 Geographical map of the source area of the Yangtze River

1.2 研究方法

1.2.1 數(shù)據(jù)收集與測(cè)定

整理長(zhǎng)江源區(qū)1980—2021的氣象監(jiān)測(cè)數(shù)據(jù),數(shù)據(jù)類型主要為年平均降水量、年平均氣溫以及年地表徑流平均變化量,數(shù)據(jù)來(lái)源于中國(guó)氣象數(shù)據(jù)網(wǎng)(https://lishi.tianqi.com)和青海省氣候中心;1980—2021年地表徑流量數(shù)據(jù)來(lái)自青海省水利廳.

1.2.2 SWAT模型的原理及構(gòu)建方法

SWAT模型可以將流域劃分為不同的子流域,并進(jìn)行多種不同的水循環(huán)物理過(guò)程. 本研究運(yùn)用了SWAT模型中氣候和水文2個(gè)組件[33].

(1)氣候組件

水量平衡由流域氣候控制. SWAT模型需要輸入的氣候因素實(shí)測(cè)數(shù)據(jù)包括降雨量、相對(duì)濕度、氣溫、風(fēng)速和太陽(yáng)輻射等[34].

(2)水文組件

SWAT模型的水量平衡模塊可以模擬氣候以及土壤對(duì)徑流量的影響,計(jì)算公式為[35]:

(1)

式中,SWt表示土壤含水最終值(mm),SW0表示土壤含水初始值(mm),t表示時(shí)間,Rday、Qsurf、E、Wseep和Qgw表示第i天的降水量(mm)、徑流量(mm)、蒸散發(fā)量(mm)、土壤剖面底層的滲漏量和旁側(cè)流量(mm)、地下水回歸量(mm).

SWAT模型可以模擬每個(gè)HRU的徑流量,通常使用SCS曲線數(shù)法計(jì)算. 本方法引入了曲線系數(shù),其值與土壤濕度、土地利用有關(guān),代表該日徑流曲線值.

SCS計(jì)算公式為[35]:

(2)

式中,Qsurf表示河流徑流量(mm),Rday表示日降水量(mm),Ia表示初始損耗(mmQ),S表示流域瞬時(shí)積水量(mm).

SWAT模型的構(gòu)建過(guò)程為通過(guò)高程數(shù)據(jù)進(jìn)行分帶設(shè)置并分析水文數(shù)據(jù),生成河網(wǎng)圖,劃分出子流域后進(jìn)行相關(guān)參數(shù)的計(jì)算.在子流域的基礎(chǔ)上生成多個(gè)水文響應(yīng)單元,根據(jù)生成的各項(xiàng)數(shù)據(jù)計(jì)算出流域總徑流量.

1.2.3SWAT模型驗(yàn)證和率定方法

選取SWAT模型的敏感性參數(shù),并利用參數(shù)驗(yàn)證SWAT模型,檢驗(yàn)?zāi)Ｐ褪欠衲芊从潮狙芯繀^(qū)域的情況.

在本研究中,選取相對(duì)誤差Re以及擬合度R2對(duì)模型進(jìn)行評(píng)估.若Re越接近0,模型模擬結(jié)果與實(shí)測(cè)值相差越小.R2為模擬值與實(shí)測(cè)值的擬合度,數(shù)值越接近1,則模擬值與實(shí)測(cè)值越接近[34].

(3)

(4)

SWAT模型使用LH-OAT分析方法進(jìn)行參數(shù)敏感分析和自動(dòng)參數(shù)率定,該方法結(jié)合了拉丁方(LH)抽樣法與單因子(OAT)敏感度分析,同時(shí)具備LH抽樣的健壯性和OAT算法的準(zhǔn)確性[36].

SWAT-CUP是Abbaspour等開發(fā)的一款程序,該程序可以對(duì)SWAT模型進(jìn)行參數(shù)敏感性分析及率定[37]. 作為參數(shù)選取的最有效方法,SUFI2不僅對(duì)模型結(jié)構(gòu)、數(shù)據(jù)輸入和參數(shù)不確定性進(jìn)行了考慮,還將參數(shù)率定范圍以模擬值與實(shí)測(cè)值的形式反映出來(lái). SUFI2以t-Stat和P-Value表示參數(shù)的敏感性.t-Stat為參數(shù)的敏感性,P-Value為敏感性的顯著性[38].

1.2.4 三種氣候情景下地表徑流預(yù)測(cè)方法

將CMIP5全球氣候模型與SWAT水文模型耦合. 采用IPCC發(fā)布的3種RCPs(RCP2.6、RCP4.5、RCP8.5)溫室氣體排放情景,并結(jié)合IPCC數(shù)據(jù)中心發(fā)布的CMIP5全球氣候模型2022—2100年的統(tǒng)計(jì)降尺度氣候資料,用獲得的未來(lái)氣象數(shù)據(jù)驅(qū)動(dòng)已率定和驗(yàn)證好的長(zhǎng)江源區(qū)SWAT水文模型,模擬地表徑流在RCP2.6、RCP4.5和RCP8.5情境下對(duì)CMIP5全球氣候變化的響應(yīng),得到未來(lái)不同氣候情境下長(zhǎng)江源區(qū)地表徑流變化數(shù)據(jù).

1.3 分析方法

本研究采用線性回歸法[39]對(duì)徑流量的年際、年內(nèi)變化進(jìn)行分析. 公式為:

y=ax+b.

(5)

式中,a代表回歸系數(shù),b代表常數(shù),R2代表相關(guān)系數(shù),可說(shuō)明y與x的相關(guān)性顯著程度.本研究取顯著性水平α=0.05,n=80,查得r=0.2732,r2=0.0746.R2>r2時(shí)說(shuō)明變化趨勢(shì)顯著.

1.4 數(shù)據(jù)處理

采用Excel 2010進(jìn)行氣溫和降水對(duì)地表徑流量影響的顯著性分析;采用prism9對(duì)年際、年內(nèi)地表徑流做出徑流變化趨勢(shì)圖,并分析其變化.

2 結(jié)果與分析

2.1 長(zhǎng)江源區(qū)1980—2021年地表徑流變化分析

2.1.1 1980—2021年地表徑流年際變化分析

1980—2021年長(zhǎng)江源區(qū)地表徑流年際變化如圖2所示.

圖2 長(zhǎng)江源區(qū)1980—2021年年際地表徑流Fig.2 Interannual surface runoff from 1980 to 2021 in the source area of the Yangtze River

圖3 長(zhǎng)江源區(qū)1980—2021年年內(nèi)地表徑流Fig.3 Annual surface runoff in the source area of the Yangtze River from 1980 to 2021

圖2顯示,1980—2021年間長(zhǎng)江源區(qū)徑流波動(dòng)較大,年際間徑流增加或者減少的幅度較大,徑流分布不均勻. 2009年地表徑流量達(dá)到最大,1994年地表徑流量達(dá)到最小,徑流總體上呈緩慢上升的趨勢(shì),上升趨勢(shì)不顯著(P<0.05).

2.1.2 1980—2021年地表徑流年內(nèi)變化分析

1980—2021年長(zhǎng)江源區(qū)地表徑流年內(nèi)變化曲線如圖3所示.

圖3顯示,地表徑流1—7月份地表徑流量逐漸上升,7—12月份逐漸下降,1980—2021年內(nèi)地表徑流量的大小不均勻,由圖中趨勢(shì)線得出,1980—2021年內(nèi)徑流呈現(xiàn)逐漸上升趨勢(shì),上升趨勢(shì)顯著(P<0.05).

2.1.3 氣候變化對(duì)1980—2021年地表徑流的影響

長(zhǎng)江源區(qū)1980—2021年地表徑流與年平均氣溫變化趨勢(shì)顯著性分析結(jié)果見表1.

表1 長(zhǎng)江源區(qū)地表徑流與年平均氣溫變化趨勢(shì)顯著性分析(1980—2021年)Table 1 Significance analysis of surface runoff and annual mean temperature trends in the source area of the Yangtze River(1980-2021)

表1顯示,長(zhǎng)江源區(qū)的地表徑流量與年平均氣溫間的變化趨勢(shì)具有顯著性差異(P<0.05),其中1989—1994年、1995—2000年和2013—2018年徑流與氣溫間是極顯著的(P<0.01).

長(zhǎng)江源區(qū)1980—2021年地表徑流與年平均降水量變化趨勢(shì)顯著性分析結(jié)果見表2.

表2 長(zhǎng)江源區(qū)地表徑流與年平均降水量變化趨勢(shì)顯著性分析(1980—2021年)Table 2 Analysis of the significance of change trends in surface runoff and annual average precipitation in the source area of the Yangtze River(1980-2021)

表2顯示,長(zhǎng)江源區(qū)的地表徑流量與年平均降水量間的變化趨勢(shì)具有差異性顯著(P<0.05),其中1981—1985年降水量不具有顯著性(P>0.05).

2.2 SWAT模型的驗(yàn)證和率定

在經(jīng)過(guò)處理的長(zhǎng)江源區(qū)DEM圖中提取河網(wǎng)圖,選取直門達(dá)水文站作為長(zhǎng)江源區(qū)的流域總出口,在模型中輸入直門達(dá)水文站的經(jīng)緯度坐標(biāo),然后劃分出長(zhǎng)江源區(qū)子流域. 計(jì)算出流域的總體參數(shù),通過(guò)土地利用/土壤類型劃分HRU圖. 本研究將長(zhǎng)江源區(qū)劃分為31個(gè)子流域,202個(gè)HUR.

采用的LH-OAT法(拉丁超立方方法)進(jìn)行參數(shù)敏感性分析[40-41]. 在SWAT模型中輸入選擇出8個(gè)敏感性高的參數(shù)(ALPHA-BF(基流衰減系數(shù))、GWQMN(淺層含水層蓄水量閾值)、ESCO(土壤蒸發(fā)補(bǔ)償因子)、SOL-K(土層飽和水傳導(dǎo)度)、REVAPMN(淺層地下水再蒸發(fā)系數(shù))、CH-K2(主河道河床有效水力傳導(dǎo)度)、SOL-AWC(土壤層有效水容量)、CN2(SCS徑流曲線數(shù))),將模擬值與實(shí)測(cè)值進(jìn)行對(duì)比. 然后將選出的參數(shù)用SWAT模型進(jìn)行率定,首先將參數(shù)輸入模型,確定率定值范圍,并不斷縮小范圍直到確定最終值,最終率定值在率定范圍內(nèi),證明參數(shù)在該模型中適用.

本模型中,1980—2016年為率定期,2017—2021年為驗(yàn)證期. 通過(guò)模型模擬所得數(shù)據(jù)與實(shí)際測(cè)量數(shù)據(jù)之間存在一定的偏差. 在春汛期,即每年3—5月中,氣溫上升導(dǎo)致冰川融雪,使徑流量驟增;在夏季,即每年6—9月中,長(zhǎng)江源區(qū)降水量增加,模型模擬所得數(shù)據(jù)和實(shí)際徑流量值接近,但也存在短期內(nèi)降雨量過(guò)大導(dǎo)致洪水,導(dǎo)致模擬所得數(shù)值比實(shí)測(cè)數(shù)據(jù)偏低;在冬季,即每年10月至次年2月徑流量伴隨著氣溫的降低而逐漸減小,模擬所得數(shù)據(jù)接近實(shí)測(cè)數(shù)據(jù).

表3 長(zhǎng)江源區(qū)模擬評(píng)價(jià)結(jié)果Table 3 Simulation and evaluation results of the Yangtze River source region

如表3所示,率定期相對(duì)誤差為6.44%,決定系數(shù)為0.81,表明在率定期內(nèi)的實(shí)測(cè)值與模擬值擬合較好,SWAT模型對(duì)長(zhǎng)江源區(qū)徑流量的模擬符合實(shí)際;驗(yàn)證期相對(duì)誤差為4.60%,決定系數(shù)為0.86,表明SWAT模型適用于長(zhǎng)江源區(qū).

圖4 三種氣候情景下長(zhǎng)江源區(qū)地表徑流年際變化Fig.4 Interannual variability of surface runoff in the source area of the Yangtze River under three climate scenarios

2.3 未來(lái)氣候情景下長(zhǎng)江源區(qū)地表徑流的變化分析

2.3.1 未來(lái)氣候情景下地表徑流的年際變化分析

三種氣候情景下,長(zhǎng)江源區(qū)地表徑流年際變化的模擬結(jié)果,見圖4. 由圖4可知,三種氣候情景下徑流的變化均為下降趨勢(shì),下降幅度最大的是RCP8.5,最小的是RCP2.6. 在RCP2.6情景下,地表徑流在2048年達(dá)到最大;RCP4.5情景下,地表徑流在2035年達(dá)到最大;RCP8.5情景下,地表徑流在2036年最大. 三種氣候情景下,地表徑流年際間變化較大,總體呈緩慢下降趨勢(shì).

2.3.2 未來(lái)氣候情景下地表徑流的年內(nèi)變化分析

三種氣候情景下,長(zhǎng)江源區(qū)地表徑流的年內(nèi)變化情況如圖5-7所示.

圖5 三種氣候情景下長(zhǎng)江源區(qū)地表徑流年內(nèi)變化Fig.5 Intra-annual variation of surface runoff in the source area of the Yangtze River under three climate scenarios

圖6 三種氣候情景下長(zhǎng)江源區(qū)2040s地表徑流年內(nèi)變化Fig.6 Intra-annual variation of surface runoff in the source area of the Yangtze River for 2040s under three climate scenarios

圖7 三種氣候情景下長(zhǎng)江源區(qū)2080s地表徑流年內(nèi)變化Fig.7 Intra-annual variation of surface runoff in the source area of the Yangtze River in the 2080s under three climate scenarios

由圖5、圖6、圖7可知,三種模式下地表徑流的年內(nèi)分配存在一定的波動(dòng)性. 不同模式下每月的地表徑流量存在一定差別,RCP4.5模式下各月地表徑流量增減幅度最大,RCP8.5模式下各月地表徑流量增減幅度最小. 三種模式的地表徑流年內(nèi)分配都不均勻,1—3月徑流量逐漸增大,呈積累狀態(tài),最大地表徑流量出現(xiàn)在6月和8月,9—12月地表徑流量減少,最小地表徑流量出現(xiàn)在1月、2月、11月和12月,總體上地表徑流為下降趨勢(shì). 21世紀(jì)末期與21世紀(jì)中期相比減少幅度變大,21世紀(jì)中期6—12月份地表徑流約占全年徑流量65%,而21世紀(jì)末期6—12月地表徑流量占全年地表徑流量的比例降低到60%.

三種氣候情景下,年內(nèi)地表徑流變化較大. RCP4.5中徑流變化幅度最大,RCP8.5中徑流變化幅度最小. 2040s下,年內(nèi)徑流變化較大,不穩(wěn)定因素較多. 1—6月徑流逐漸上升,在6月地表徑流量最大,7月下降,8—9月逐漸上升,之后逐漸下降,在12月下降至最小. 2080s下,1—7月徑流逐漸上升,8月地表徑流量達(dá)到最大,之后逐漸下降,至12月下降至最小.

3 討論

本研究中,1980—2021年地表徑流年際主要受氣溫和降水量變化,變化差異顯著,年際間不穩(wěn)定,在 7月達(dá)到最大值,在1、2和12月達(dá)到最小值,與孫永壽、羅玉、朱延龍、王菊英等人的研究結(jié)果一致[42-45]. 長(zhǎng)江源區(qū)年際徑流增加,主要是受到降水、氣溫、冰川融水、西太平洋副熱帶高壓以及水面的蒸發(fā)量等作用造成[43],源區(qū)徑流主要是以降水量與融雪為主,地表徑流量受到氣溫與降水量影響較大[44].

本研究利用1961年以來(lái)的數(shù)據(jù)建立了長(zhǎng)江源區(qū)SWAT數(shù)據(jù)模型,率定期的決定系數(shù)為0.81,模擬地表徑流量與實(shí)測(cè)地表徑流量誤差為6.44%,驗(yàn)證期的決定系數(shù)為0.86,誤差為4.60%,得到的模擬結(jié)果與實(shí)際測(cè)量結(jié)果誤差較低,相對(duì)更為精準(zhǔn),也說(shuō)明使用長(zhǎng)時(shí)間尺度范圍的數(shù)據(jù)可以提高模型的精確度. 在率定期和驗(yàn)證期內(nèi),模擬數(shù)值符合度較高,該模型在長(zhǎng)江源區(qū)較為適用. 氣候模型與SWAT水文模型的耦合研究還有待于進(jìn)一步深入.

本研究中,未來(lái)三種氣候情景下,地表徑流年際變化呈下降趨勢(shì),徑流變化隨氣溫和降水量變化而變化,且在2034年和2048年達(dá)到最大值,不確定性較大,與程志剛等[46]的研究結(jié)果一致,但與俞烜研究結(jié)果不同,俞烜等[47]分析長(zhǎng)江源區(qū)2030—2060年未來(lái)地表徑流量變化趨勢(shì)時(shí)顯示,2031—2060年,源區(qū)徑流出現(xiàn)增加趨勢(shì). 分析俞烜得出的2031—2060年長(zhǎng)江源區(qū)徑流出現(xiàn)增加的原因,主要是因?yàn)樽髡哳A(yù)測(cè)在2031—2060年源區(qū)降雨量將會(huì)增加,氣溫也會(huì)升高,導(dǎo)致冰川融水對(duì)地表徑流的補(bǔ)給,從而導(dǎo)致地表徑流量增加. 目前的相關(guān)研究,均采用多模式集合對(duì)長(zhǎng)江地區(qū)未來(lái)氣溫或降水模擬評(píng)估,但模式集合普遍為 4～14 個(gè),且均在單個(gè)或兩個(gè)未來(lái)排放情景下進(jìn)行分析比較[48-49].

2019年推出的CMIP6主要用于歷史試驗(yàn)的評(píng)估,能夠模擬出極端降水的時(shí)空變化特征[50]. CMIP6能較好地重現(xiàn)出極端降水在不同區(qū)域的顯著性差異[51],CMIP6的多模式集合相較于CMIP5的多模式集合對(duì)氣候和年際變率等方面的模擬能力都有了較大的改進(jìn)[52]. 王予等[53]分別用CMIP6和CMIP5對(duì)極端降水的模擬能力進(jìn)行比較發(fā)現(xiàn),CMIP6能夠明顯反映出空間分布中的濕潤(rùn)、半濕潤(rùn)區(qū),但是對(duì)干旱、半干旱區(qū)改進(jìn)不明顯,因此其相關(guān)模式的物理過(guò)程、動(dòng)力學(xué)框架等還需進(jìn)一步深入研究. 本研究的區(qū)域?yàn)殚L(zhǎng)江源區(qū),長(zhǎng)江源區(qū)具有海拔高、寒冷、干旱等特點(diǎn),且CMIP5在中國(guó)應(yīng)用成熟,所以本文選用了CMIP5. 本研究運(yùn)用CMIP5模型中21種模式的模擬結(jié)果,結(jié)合RCPS的三種氣候情景并耦合SWAT模型,預(yù)測(cè)未來(lái)長(zhǎng)江源區(qū)地表徑流的變化,取得了較好效果. CMIP5模型中的21種模式,是將21個(gè)CMIP5全球氣候模式的模擬結(jié)果,經(jīng)過(guò)插值計(jì)算將其統(tǒng)一降尺度到同一分辨率下,利用簡(jiǎn)單平均方法進(jìn)行多模式集合,制作成一套包括1901—2005年Historical和2006—2100年RCP2.6、RCP4.5、RCP8.5排放情景下的月平均資料供使用,相比CMIP5中其他模式,這21個(gè)模式數(shù)據(jù)資料更完整,克服了單一模式和模式較少的缺陷,預(yù)測(cè)的結(jié)果更加準(zhǔn)確可靠,為氣候變化下長(zhǎng)江源區(qū)地表徑流的保護(hù)提供了科學(xué)依據(jù).

4 結(jié)論

本文基于1980—2021年降水量、平均氣溫、徑流量等內(nèi)容,運(yùn)用CMIP5模型中21種模式的模擬結(jié)果,并耦合SWAT模型,對(duì)1980—2021年長(zhǎng)江源區(qū)地表徑流進(jìn)行驗(yàn)證和率定,并預(yù)測(cè)2022—2100年長(zhǎng)江源區(qū)地表徑流變化趨勢(shì),得出了以下結(jié)論:(1)1980—2021年地表徑流年際變化較大,總體呈上升趨勢(shì),但上升幅度不大;(2)1980—2021年間,氣溫與地表徑流變化趨勢(shì)呈顯著相關(guān)(P<0.01);降水量與地表徑流變化趨勢(shì)呈顯著相關(guān)(P<0.05);(3)用建立的SWAT模型在長(zhǎng)江源區(qū)進(jìn)行模擬,率定期的決定系數(shù)為0.81,驗(yàn)證期的決定系數(shù)為0.86,模擬數(shù)值符合度較高,SWAT模型在長(zhǎng)江源區(qū)較為適用;(4)未來(lái)氣候情景下,2022—2100年地表徑流量年際間變化較大,年際地表徑流量均為下降的趨勢(shì),下降幅度最大的是RCP8.5,最小的是RCP2.6;(5)未來(lái)情景下,2022—2100年地表徑流年內(nèi)變化不均勻;(6)未來(lái)情景下,2022—2100年地表徑流呈緩慢下降趨勢(shì),加強(qiáng)水資源管理與保護(hù)迫在眉睫.