Plateau Meteorology

Plateau Meteorology >

2025 , Vol. 44 >Issue 4: 943 - 960

DOI: https://doi.org/10.7522/j.issn.1000-0534.2024.00108

Future Projection of Rainstorm and Flood Disaster Risk in Sichuan-Chongqing Region under CMIP6 Different Climate Change Scenarios

  • Ying YAO , 1, 2 ,
  • Xiehui LI , 1 ,
  • Lei WANG 1 ,
  • Hongying LI 3
Expand
  • 1. Plateau Atmosphere and Environment Key Laboratory of Sichuan Province，School of Atmospheric Sciences，Chengdu University of Information Technology，Chengdu 610225，Sichuan，China
  • 2. College of Environmental Science，China University of Geosciences （Wuhan），Wuhan 430078，Hubei，China
  • 3. Shihezi Meteorological Bureau of Xinjiang，Wulanwusu Ecology and Agrometeorology Observation and Research Station of Xinjiang，Shihezi 832100，Xinjiang，China

Received date: 2024-06-30

  Revised date: 2024-11-13

  Online published: 2024-11-29

Copyright

© Editorial Department of Plateau Meteorology （CC BY-NC-ND）
Fold

Abstract

In recent years， rapid urbanization and global warming have led to frequent and severe rainstorm and flood disasters in the Sichuan-Chongqing region.This change will not only have a serious impact on the ecological environment and socio-economic development of the area， but also significantly increase the pressure on urban infrastructure and threaten the safety of people's lives and property.Therefore， it is particularly important to scientifically and accurately analyze the disaster risk of rainstorm and flood in Sichuan-Chongqing region in the past and future.This paper utilized daily precipitation data from 50 selected meteorological stations in the Sichuan-Chongqing region， precipitation data from 5 CMIP6 models， gridded population and economic data under Shared Socioeconomic Pathways （SSPs）， as well as DEM and land use remote sensing data.Firstly， using Taylor diagrams， quantitative indices （S）， and standardized anomaly sequences， the study evaluated the simulation performance of 5 individual CMIP6 models， an equal-weighted aggregation of 5 models （EWA-5）， and unequally-weighted aggregations of 5 models （UEWA-5） for five selected extreme precipitation indices.Then， by building a comprehensive risk assessment model of rainstorm and flood disaster based on disaster risk and vulnerability of disaster bearing body， the study conducted risk assessments， future projections， and comparative analyses of rainstorm and flood disasters during baseline （1995-2014） and future near-term （2025-2044） and long-term （2045-2064） periods under three different climate change scenarios （SSP1-2.6， SSP2-4.5， SSP5-8.5）.Results indicated： （1） The EC-Earth3 model performed best in simulating the five extreme precipitation indices， with correlation coefficients between simulated and observed values of 0.78 for R95p， 0.90 for RX1day， and 0.77 for RX5day.Overall， the simulation performance of UEWA-5 exceeded that of EWA-5.（2） During the baseline period， central Sichuan exhibited high values for the five extreme precipitation indices， followed by eastern Sichuan and Chongqing， while western Sichuan showed lower values.The year 1998 recorded peak values for all five indices， with a maximum single-day precipitation of 86 mm for RX1day and an intensity （SDII） value of 11.3 mm·d-1.（3） In future periods， the five extreme precipitation indices display a spatial distribution characterized by higher values in central regions and lower values around the periphery.Higher levels of social vulnerability and radiative forcing correlate with larger values of extreme precipitation indices.Comparing the two future periods， values of the indices are larger in the long term， notably with R95p averaging 846.8 mm， an increase of 169.2 mm compared to the near term.（4） During historical periods， areas with higher comprehensive risk of rainstorm and flood disasters were concentrated in central Sichuan and downtown Chongqing.In the two future periods， the high and moderately high-risk areas in central Sichuan are expected to expand， while the moderate-risk areas will shrink.The range of low-risk areas in the western Sichuan Plateau will also decrease， and the risk levels in southern Sichuan and eastern Sichuan-Chongqing border areas will respectively decrease to moderate-low and low-risk zones.Comparing the two future periods， the range of moderately high and moderate-risk areas in central Sichuan is expected to expand， while southwestern Chongqing will transition to a moderate-risk area in the long term.Other regions will generally maintain their original risk levels.Changes in disaster risk levels in the Sichuan-Chongqing region are less pronounced with increasing social vulnerability and radiative forcing， especially in the western Sichuan Plateau and northeastern Sichuan， where changes in disaster risk levels are minimal.The study results can provide important references for reducing disaster risks， enhancing emergency response capabilities， and making scientifically informed decisions for disaster prevention in the Sichuan-Chongqing region.

Key words： rainstorm and flood; disaster risk; CMIP6 models; different climate change scenarios; extreme precipitation index; Sichuan-Chongqing region

Cite this article

Ying YAO , Xiehui LI , Lei WANG , Hongying LI . Future Projection of Rainstorm and Flood Disaster Risk in Sichuan-Chongqing Region under CMIP6 Different Climate Change Scenarios[J]. Plateau Meteorology, 2025 , 44(4) : 943 -960 . DOI: 10.7522/j.issn.1000-0534.2024.00108

1 引言

IPCC第六次评估报告AR6指出， 中国地域辽阔， 气候类型复杂多样， 部分地区脆弱性高， 是极端降水和高温干旱等灾害性天气的频发区。同时该报告“关注理由”（Reasons For Concern， RFC）中将风险等级划分为未检测到、 中等风险、 高风险和非常高风险四级， 并提出当极端天气事件在温升1 ℃时将开始转变为高风险， 温升2 ℃时将会进一步转变为非常高的风险级别（IPCC， 2021； 王蕾等， 2022）。近年来， 受城市化进程加快及全球气候变化的影响， 由全球水循环过程改变导致的极端天气气候事件总体呈现增多增强的趋势， 而由极端暴雨引发的城市洪涝问题日趋严重（张金良等， 2024）。在此背景下， 对区域暴雨洪涝灾害风险的预测和未来预估研究越来越引起了国内外学者的广泛关注。国外学者中， Rajesh and Rajendran（2019）基于灰色季节性灾害预测模型预测了印度的洪水灾害； Poulomi et al（2020）利用区域气候模型（Regional Climate Model， RCM）驱动风暴潮模型和水文模型， 并采用多元Copula方法评估了高排放情景（RCP8.5）下欧洲西北部沿海未来的复合洪水灾害； Peter et al（2023）以一次暴雨事件为例， 提出了建筑物的洪水风险分级， 并强调评估建筑物脆弱性的重要性； Oyelakin et al（2024）利用CMIP5和CMIP6的模式气候预估结果对世界一些城市的暴雨洪水进行了风险分析。国内学者中， 卞洁等（2011）利用信息扩散理论评估了长江中下游地区的暴雨洪涝灾害， 发现各省暴雨洪涝灾害风险差异明显； 李柔珂等（2018）采用CMIP5的模式数据， 综合物理暴露度和脆弱性得出21世纪末中国暴雨洪涝灾害风险随时间呈增长趋势的结论； Wan et al（2022）将CMIP6的模式模拟数据和SSPs的社会经济预测数据相结合， 分析发现黄河流域上游地区的降水极端性和暴雨过程强度指数呈上升趋势； 唐明秀等（2023）基于CMIP6模式、 社会经济和ERA5再分析降水数据的研究表明， 不同重现期下的亚洲暴雨灾害风险最大。针对西南地区， 陈子凡等（2022）指出， 由于受南亚季风、 东亚季风和高原季风的共同影响， 其气候呈现出独特性， 是极端天气气候事件发生最为频繁的地区之一； 严志涛等（2021）利用1978 -2018年83个气象站点和灾情数据对西南四省市气候变暖前后的相对灾情指数变化、 概率分布以及暴雨洪涝灾害的致灾因子危险性风险进行了评估， 得出川渝地区在变暖前后暴雨洪涝灾害危险性均高于云贵地区的结论； 黄晓远和李谢辉（2022）基于CMIP6对西南暴雨洪涝灾害风险的未来预估表明， 较高综合风险区主要位于四川成都市、 重庆中心和四川盆地西部、 云南昆明市、 广西中南部和桂林市等经济较为发达地区。目前， 较多学者已对世界范围内的不同地区暴雨洪涝灾害风险进行了评估， 但相对历史时期的评估研究较多， 对未来的预估中考虑的评估因子相对较少， 气候变化情景也较单一， 未来预估时段也较短。同时由于CMIP6各模式之间的模拟结果差异性， 以及各区域地形、 气候、 社会经济等的不同， 预估模型的区域适应性差异导致的结果偏差较大， 因此对不同地区暴雨洪涝灾害风险的准确预估还存在较多问题和面临着巨大挑战。
川渝地区位于我国西南部， 气候类型多样， 地形地貌复杂， 内有国务院在西部地区重点发展和培育的成渝经济区， 但近年来的快速城市化发展对该区的极端气候事件造成了较多影响， 使得暴雨洪涝灾害频发强发（郭蕾等， 2023）。卿清涛等（2013）的研究指出， 四川盆地中部是极端降水的频发区， 暴雨常出现在每年的3 -11月， 其中6 -9月为主要时段， 7月的灾情损失最大， 且四川省暴雨洪涝造成的经济损失在近年来递增明显（丁文荣， 2014； 邓国卫等， 2017）。1966 -2016年， 西南地区的最大年暴雨日数最小值出现在四川西部的稻城地区， 最大值出现在广西南部和东北部的一些区域（黄嘉丽和秦年秀， 2020）。2001年以来， 重庆暴雨明显增多， 暴雨易在东北部偏东地区以及西部、 西南和中心城区的交界处聚集（张芬等， 2023）。历史上， 2004年川渝地区就遭遇了百年一遇的特大暴雨洪涝灾害， 其中四川东北地区的降雨量超过100 mm， 重灾导致达州市死亡21人， 失踪24人， 重庆开县最大降雨量达327.3 mm， 重灾造成全县55个乡镇全部受灾， 被围困群众8.7万多人。2021年四川省凉山州遭遇了17轮强降雨天气过程， 造成12县101个乡（镇）受灾。2023年7月， 四川多地的强降雨导致成都、 德阳、 广元等地区46.1万人受灾， 重庆的大暴雨也导致多条河流出现超警和超保洪水， 形势异常严峻。当前针对包括川渝地区的西南暴雨洪涝灾害风险评估研究主要针对历史时期进行， 对未来预估的研究较少， 特别是专门针对川渝地区的更少， 因此本文基于优选的5个CMIP6模式和5个极端降水指数， 对基准期、 未来两个时期三种不同气候情景下的川渝地区暴雨洪涝灾害进行综合风险预估研究， 以期能为科学决策防范、 减少灾害损失， 提高应急响应能力， 促进区域可持续发展等提供科学依据。

2 研究区概况与数据来源

2.1　研究区概况

川渝地区包括四川省和重庆市， 介于26°03′N - 34°19′N， 97°21′E -110°11′E， 具体地理位置和海拔高程分布如图1所示［本图及文中涉及的地图是基于中华人民共和国自然资源部地图技术审查中心标准地图服务系统下载的审图号为GS（2024）0650号的中国地图制作， 底图无修改］。由于位于我国气候的南北分界线附近， 长期处于冷空气与暖空气交汇之处， 形成了春秋季多云多雾， 夏季潮湿闷热， 冬季阴冷多雨的气候。同时受孟加拉湾水汽的影响， 大部分地区的年均降水量都在1000 mm以上， 总体降水量较大， 易造成暴雨洪涝灾害， 给人们的生命财产带来严重危害（李芸和穆文彬， 2014）。据统计， 2001 -2020年洪涝灾害造成川渝地区年均受灾人口和年均农作物受灾面积分别超过1000万人和3×105 hm2， 且四川年均直接经济损失达202.7亿元（李莹和赵珊珊， 2022）。
图1 研究区地理位置和海拔（单位： m）

Fig.1 The geographical location and elevation （unit： m） map of the study area

2.2　数据资料

用于对基准期模式数据评估的1995 -2014年50个气象站点降水数据来源于资料完备性较好、 数据可靠性和科学性较强的中国地面气候资料日值数据集V3.0。已有研究中， 向竣文等（2021）、 杨小玲（2023）基于CMIP6数据在对中国极端降水的模拟能力评估得出， 模拟性能最好的模式是EC-Earth3； 黄晓远和李谢辉（2022）基于5个CMIP6模式对西南地区极端降水指数的模拟能力评估表明， EC-Earth3和EC-Earth3-Veg两个单模式的模拟效果较好； 王予等（2021）评估比较了CMIP5和CMIP6模式对中国极端降水的模拟能力发现， GFDL-ESM4模式对RX1day、 RX5day、 SDII指数的模拟评分较高， 均高于0.8， 综合以上前人的研究结果， 本文主要选取了5个模拟效果相对较好的CMIP6模式， 具体见表1所示。所选数据主要包括历史基准期（1995 -2014年）和未来两个时期（2025 -2044年， 2045 -2064年）三种变化情景（SSP1-2.6， SSP2-4.5， SSP5-8.5）下的逐日降水资料， 具体下载来源于https： //esgf-node.ipsl.upmc.fr/search/cmip6-ipsl/。由于各模式的空间分辨率不同， 主要采用双线性插值法统一为0.5°×0.5°的空间分辨率。
表1 CMIP6的5个模式简介

Table 1 An introduction to the five models of CMIP6

序号 模式 机构 国家 格点数
1 BCC-CSM2-MR BCC 中国 320×160
2 CMCC-ESM2 CMCC 意大利 288×192
3 EC-Earth3 EC-Earth 欧洲 512×256
4 GFDL-ESM4 GFDL 美国 288×180
5 INM-CM4-8 INM 俄罗斯 180×120
对于社会经济的未来预估， 主要选择了与CMIP6模式三种情景对应的来源于共享社会经济路径（SSPs）的GDP和人口格点数据集， 时间尺度为2010 -2100 年， 格点分辨率为0.5°×0.5°（姜彤等， 2022）。以2010年、 2035年和2055年数据分别代表基准期、 未来近期和远期的GDP和人口情况。海拔高程DEM和土地利用遥感数据来源于中国资源环境科学与数据中心（https： //www.resdc.cn/）， 空间分辨率分别为90 m和1 km。耕地面积百分比主要由2010年和2020年土地利用类型中的二级类型重分类合并为相应的6个一级类型后进行计算， 并分别代表基准期和未来时期。

2.3　研究方法

首先基于5个CMIP6模型对川渝地区的模拟性能进行评估， 然后对基准期5个极端降水指数的时空变化特征进行分析， 最后利用不同权重的集合模式对未来两个时期三种气候变化情景下5个极端降水指数的时空特征、 暴雨洪涝灾害的致灾危险性、 承灾体易损度和综合风险进行预估。

2.3.1　泰勒图和定量化指标 S

泰勒图（Taylor diagram）可以比较模式预测与实际观测数据之间的统计关系， 并将相关系数CC（Correlation Coefficient）、 中心均方根误差RMSD（Root Mean Square Deviation）和标准差SD（Standard Deviation）三个评价指标显示在一张图上， 从而能直观比较各模式的模拟效果（刘伯奇和祝从文， 2020）。而一个好的模型应该具有高的CC、 接近于0的中心RMSD和接近于实际观测数据的SD。同时还采用定量化指标S来反映模式场与观测场之间的相关系数以及标准差占比， 具体公式为（黄晓远和李谢辉， 2022）：
S = 4 ( 1 + R ) 4 ( σ f + 1 / σ f ) 2 ( 1 + R 0 ) 4
式中： R为模式场与观测场间的中心模态相关系数； R 0是所有模式中相关系数的最大值； σ f是模式场标准差与观测场标准差的比值。当S的值越接近于1则表明模式场与观测场的数据越接近， 模拟效果越佳。

2.3.2　标准化距平变量

由于标准化距平变量的时间序列可以比较不同模式和不同极端降水指数的异常幅度大小， 因此将模式的数据与标准化距平值进行比较可以评估模型是否能够准确模拟实际数据的变化， 具体公式为（黄晓远和李谢辉， 2022）：
C z i = C i - b s t （i=1， 2， …， n）
式中： Czi 表示标准化距平变量； b是第i个样本的平均值； Ci -b是第i个样本的距平值； st是相应样本的标准差； i代表样本序号； n表示样本数量。

2.3.3　极端降水指数

选取了5个极端降水指数， 具体见表2所示。其中R50mm可以反映强降水出现的天数， RX5day和RX1day可以反映极端降水事件的持续性， R95p和SDII可以反映极端降水的强度特征， 其值主要利用RClimDex软件计算获得。
表2 所选5个极端降水指数及定义

Table 2 The selected five extreme precipitation indices and their definitions

序号 指数名称/单位 缩写 定义
1 暴雨日数/d R50mm 日降水量≥50 mm的日数
2 强降水量/mm R95p 日降水量>第95个百分位数的降水总量
3 最大单日降水量/mm RX1day 一年中单日最大降水量
4 五日最大降水量/mm RX5day 一年中连续5日最大降水量
5 降水强度指数/（mm·d-1） SDII 日降水量≥1 mm的总量与总日数的比值

2.3.4　暴雨洪涝灾害风险评估模型

采用“暴雨洪涝灾害综合风险=致灾危险性×承灾体易损度”的模型来评估川渝地区暴雨洪涝灾害风险（徐影等， 2014）。致灾危险性和承灾体易损度主要通过计算致灾危险性指数和承灾体易损度指数获得。
（1） 致灾危险性指数。主要基于5个极端降水指数和1个海拔高程数据来构建川渝地区暴雨洪涝灾害在历史和未来两个时期不同情景下的致灾危险性指数。即首先对5个极端降水指数进行归一化处理， 然后利用标准化公式将海拔高程数据进行转换计算， 赋予其与极端降水指数相兼容的尺度， 之后再利用层次分析法（AHP）来确定这6个指标的权重， 最后将每个指标与其对应的权重相乘， 并将结果相加从而获得一个综合的致灾危险性指数（马国斌等， 2012； 刘力丹等， 2022）， 计算公式如下：
H i = ∑ j = 1 6 A j × B j    ( j = 1,2 , … , 6 )
式中： Hi 为暴雨洪涝致灾危险性指数； Aj 为对应指标的数据； Bj 为各指标的权重。其中， R50mm、 R95p、 RX1day、 RX5day、 SDII和DEM对应的权重分别为A 1 、 A 2 、 A 3 、 A 4 、 A 5 、 A 6， 由AHP法确定的6个指标权重对应为0.1128， 0.1409， 0.2563， 0.1495， 0.0829， 0.2576。
（2） 承灾体易损度指数。主要基于归一化后的GDP密度、 人口密度和耕地面积百分比数据来构建川渝地区暴雨洪涝灾害在历史和未来两个时期不同情景下的承灾体易损度指数， 这三个指标分别代表了在经济、 社会和农业方面的脆弱性。首先通过专家打分和文献调查法来确定它们的权重， 从而量化这些指标在预估中的相对重要性， 然后将每个指标数据与其对应的权重相乘， 再把结果求和从而获得综合的易损度指数， 计算公式如下：
M v = 0.3832 × P G D P + 0.3445 × D P O P + 0.2723 × P C
式中： Mv 代表暴雨洪涝承灾体易损度指数； PGDP 、 DPOP 和Pc 分别为归一化后的GDP密度， 人口密度和耕地面积百分比数据； 0.3832、 0.3445、 0.2723分别为三个指标的权重值。
本文基于以上模型对基准期和未来两个时期三种情景下的川渝地区暴雨洪涝灾害风险都进行了评估和预估， 并对历史和未来时期的灾害风险进行了对比分析。

3 结果与讨论

3.1　 CMIP6模式性能评估

利用泰勒图和定量化指标S首先对5个CMIP6单模型在基准期对R50mm、 R95p、 RX1day、 RX5day、 SDII的模拟性能进行了评估。表3是具体的泰勒图评估结果。从表3中可以看出， 各模式对川渝地区各极端降水指数的模拟效果普遍不好， 这与不同地区所处的地理位置， 地形地貌和天气气候的复杂性有关。而且由于极端降水事件发生的突发性和复杂性， 对其的模拟预测往往面临很大困难， 也不如对极端温度事件的模拟准确性高（江志红等， 2009； Li et al， 2022， 2023）。除了EC-Earth3模式外， 其余4个模式对5个极端降水指数的模拟效果差异不大。综合来看， 模拟能力最差的是INM-CM4-8模式， 模拟效果最优的是EC-Earth3模式， 其对R95p、 RX1day、 RX5day三个指数的模拟与观测CC分别为0.78， 0.90， 0.77。表4是根据式（1）计算出的这5个CMIP6模式的S值排名情况。
表3 5个CMIP6单模式与5个极端降水指数的泰勒图评估结果

Table 3 Taylor diagram evaluation results of 5 CMIP6 single models and 5 extreme precipitation indices

模式 评价指标 极端降水指数
R50mm R95p RX1day RX5day SDII
BCC-CSM2-MR SD 0.54 82.82 11.80 20.10 0.88
CC 0.16 0.02 0.56 0.39 0.25
RMSD 1.75 140.10 31.12 45.61 2.26
CMCC-ESM2 SD 3.67 233.26 23.38 55.58 2.19
CC 0.14 0.18 0.45 0.21 0.17
RMSD 3.87 240.12 33.15 65.96 2.91
EC-Earth3 SD 0.61 109.17 13.92 27.34 0.83
CC 0.31 0.78 0.90 0.77 0.31
RMSD 1.67 72.82 24.26 33.26 2.21
GFDL-ESM4 SD 0.55 92.18 11.33 20.56 0.83
CC 0.40 0.49 0.80 0.45 0.35
RMSD 1.62 105.80 27.94 44.27 2.17
INM-CM4-8 SD 0.47 72.06 6.12 26.00 0.91
CC -0.29 -0.52 -0.49 -0.55 0.01
RMSD 1.95 163.72 39.50 67.38 2.48
表4 5个CMIP6单模式的定量化指标 S 值排名

Table 4 Ranking of the quantitative indicator S values for five CMIP6 single models

模式 R50mm R95p RX1day RX5day SDII 综合排名
BCC-CSM2-MR 3 4 3 3 3 3
CMCC-ESM2 4 3 4 4 4 4
EC-Earth3 2 1 1 1 2 1
GFDL-ESM4 1 2 2 2 1 2
INM-CM4-8 5 5 5 5 5 5
其综合排名与泰勒图诊断分析的结果高度一致， 显示出EC-Earth3模式在模拟5个极端降水指数方面的卓越性能， 其综合表现位列榜首， 而INM-CM4-8模式在模拟效果上明显不足， 其综合排名最低。众多研究已表明， 多个模式集合平均的模拟效果优于单个模式（陈晓晨等， 2014； Lin and Chen， 2020； Li et al， 2022； 张春雨等， 2023）， 并且模式的不同权重集合优于等权重集合（Huang and Ying， 2015； Li et al， 2023）， 因此本文综合考虑单模式泰勒图和表4的排名结果， 通过对BCC-CSM2-MR、 CMCC-ESM2、 EC-Earth3、 GFDL-ESM4和INM-CM4-8这5个单模式分配1∶1∶4∶3∶1的不同权重， 利用加权平均进一步获得了不同权重集合UEWA-5模式， 并与等权重集合EWA-5模式进行泰勒图对比， 从而进一步具体诊断和验证这两种不同集合模式对川渝地区5个极端降水指数的模型效果， 具体见图2所示。
图2 川渝地区基准期等权重集合模式（a）和不等权重集合模式（b）对5个极端降水指数的泰勒图对比

Fig.2 Taylor diagram comparison of five extreme precipitation indices between the EWA-5 model （a） and the UEWA-5 model （b） for the Sichuan-Chongqing region during the baseline period

由图2可以发现， 进行不同模式的权重集合后其对5个极端降水指数的模拟性能有了明显提升， 且UEWA-5的模拟效果确实普遍优于EWA-5， 这与Huang and Ying（2015）， 向竣文等（2021）， 杨明鑫等（2022）和杨小玲（2023）的研究结果一致。两种权重集合模式对RX1day指数的模拟性能表现最佳， 其相关系数分别为0.71和0.84， 中心均方根误差较接近0， 但对R50mm指数模拟的相关系数都较低。
图3是根据式（2）计算得到的基准期5个极端降水指数标准化距平变量的年变化时间序列图。其中标准化距平变量是通过将每个年份的极端降水指数值减去其基准期的平均值， 并除以该基准期的标准差来计算， 这可以消除不同指数之间的单位和量纲差异， 从而能直观反映出这5个极端降水指数在基准期内的年际变化情况和异常幅度。可以看出， 整体上5个极端降水指数的异常幅度均呈波动变化， 集合模式对R50mm的异常模拟情况最佳， 对SDII的相对较差， EWA-5和UEWA-5的标准化变量时间序列变化趋势较一致， 但变化幅度值有所差异。观测序列中， 5个极端降水指数在1999年均出现了较大正距平， 但EWA-5和UEWA-5则在2000年出现较大正距平， 表明模拟值略有滞后性。总体来说， 集合模式模拟值与实际观测值计算的指数异常变化趋势较一致， 相比UEWA-5的变化幅度值更接近于观测值。
图3 川渝地区基准期暴雨日数（a， 单位： d）、 强降水量（b， 单位： mm）、 最大单日降水量（c， 单位： mm）、 5日最大降水量（d， 单位： mm）和降水强度指数（e， 单位： mm·d-1）的标准化距平序列

Fig.3 The standardized anomaly series of the number of rainy days （a， unit： d）， heavy precipitation （b， unit： mm）， maximum daily precipitation （c， unit： mm）， five-day maximum precipitation （d， unit： mm）， and precipitation intensity index （e， unit： mm·d⁻¹） in the Sichuan-Chongqing region during the baseline period

综合各不同模式与观测值之间的相关性发现， UEWA-5在模拟5个极端降水指数时表现较优异， 与观测数据的一致性较高。鉴于此， 本文后续的预估研究将聚焦于UEWA-5的模拟数据， 以便能较准确地分析未来川渝地区极端降水指数的时空变化趋势和预估暴雨洪涝灾害风险。

3.2　基准期5个极端降水指数的时空特征

图4是根据气象站观测数据绘制的基准期1995 -2014年川渝地区5个极端降水指数的时间序列图。其中， 黑色虚线为趋势线， R²为决定系数， 其值越接近1表明趋势线对观测数据的拟合程度越高。
图4 1995-2014年川渝地区暴雨日数（a）、 强降水量（b）、 最大单日降水量（c）、 5日最大降水量（d）和降水强度指数（e）的时间序列

Fig.4 The time series plots of the number of rainy days （a）， heavy precipitation （b）， maximum daily precipitation （c）， five-day maximum precipitation （d）， and precipitation intensity index （e） in the Sichuan-Chongqing region from 1995 to 2014

由图4可以发现， 各极端降水指数均呈增加趋势， 但却都未通过0.05的显著性水平检验， 表明其增加趋势均不显著。5个极端降水指数中RX5day的增幅整体最大， 并都在1998年呈现最大值， 其中一年中单日最大降水量RX1day达86 mm， 降水强度SDII指数值为11.3 mm·d-1， 显示该年川渝地区发生暴雨的天数最多、 降雨强度最大， 这与1998年长江流域发生特大洪水的实际灾情统计结果相一致。RX1day在2006年出现了近20年内的最低值， 为61 mm， 且相应的R95p和SDII也均为最小值， 分别是169 mm和8.1 mm·d-1， 表明2006年的降水量较小， 持续时间短， 强度弱， 这与该年实际出现的干旱记录相一致。
从基准期1995-2014年川渝地区50个气象站点计算的5个极端降水指数空间分布（图5）可以看出， 5个极端降水指数的散点图均一致表明四川省中部为高值区， 四川东部和重庆次之， 而川西高原地区为低值区， 即暴雨洪涝发生的主要区域主要位于四川盆地和重庆市中心地区， 这与丁文荣（2014）、 宋怡轩等（2023）、 潘昱杉和李谢辉（2019）、 李强等（2019）的研究结果相吻合。
图5 1995 -2014年川渝地区暴雨日数（a， 单位： d）、 强降水量（b， 单位： mm）、 最大单日降水量（c， 单位： mm）、 5日最大降水量（d， 单位： mm）和降水强度指数（e， 单位： mm·d-1）的空间分布

Fig.5 Spatial distribution maps of the number of rainy days （a， unit： d）， heavy precipitation （b， unit： mm）， maximum daily precipitation （c， unit： mm）， five-day maximum precipitation （d， unit： mm）， and precipitation intensity index （e， unit： mm·d⁻¹） in the Sichuan-Chongqing region from 1995 to 2014

3.3　未来两个时期5个极端降水指数的空间分布特征

为了对比和预估未来时期川渝地区极端降水指数的变化情况， 本文绘制了未来两个时期三种不同气候变化情景下这5个极端降水指数的空间分布图（图6、 7）。
图6 未来近期川渝地区暴雨日数（a~c， 单位： d）、 强降水量（d~f， 单位： mm）、 最大单日降水量（g~i， 单位： mm）、 五日最大降水量（j~l， 单位： mm）和降水强度指数（m~o， 单位： mm·d-1）在三种不同气候变化情景下（SSP1-2.6， SSP2-4.5和SSP5-8.5）的空间分布

Fig.6 The spatial distribution maps of the future near-term number of rainy days （a~c， unit： d）， heavy precipitation （d~f， unit： mm）， maximum daily precipitation （g~i， unit： mm）， five-day maximum precipitation （j~l， unit： mm）， and precipitation intensity index （m~o， unit： mm·d⁻¹） under three different climate change scenarios （SSP1-2.6， SSP2-4.5， and SSP5-8.5） in the Sichuan-Chongqing region

图7 未来远期川渝地区暴雨日数（a~c， 单位： d）、 强降水量（d~f， 单位： mm）、 最大单日降水量（g~i， 单位： mm）、 五日最大降水量（j~l， 单位： mm）和降水强度指数（m~o， 单位： mm·d-1）在三种不同气候变化情景下（SSP1-2.6， SSP2-4.5和SSP5-8.5）的空间分布

Fig.7 The spatial distribution maps of the future long-term number of rainy days （a~c， unit： d）， heavy precipitation （d~f， unit： mm）， maximum daily precipitation （g~i， unit： mm）， five-day maximum precipitation （j~l， unit： mm）， and precipitation intensity index （m~o， unit： mm·d⁻¹） under three different climate change scenarios （SSP1-2.6， SSP2-4.5， and SSP5-8.5） in the Sichuan-Chongqing region

从图6中可以看出： （1）对于R50mm， 近期SSP1-2.6情景下， 川渝地区最大值是0.05 d， 主要位于四川盆地西部（雅安、 都江堰、 温江）， 其余大部地区R50mm<0.05 d， 存在空间变化的区域主要发生在四川中部， 其余两种情景下， 指数值均为0 d。（2）对于R95p， 高值区主要位于四川中部的较大区域， 其中最大值处于四川盆地的西部边缘； 从低辐射强迫情景到高辐射强迫情景， R95p均值分别为677.6 mm， 668.4 mm和673.3 mm， 变化不大。在SSP2-4.5情景下， R95p≥800 mm的大值区面积最小， 其余两种情景大值区面积基本相同。（3）对于RX1day， SSP1-2.6情景下， 大值区位于四川省中部偏北， 大部分区域的RX1day值在10~20 mm之间， 平均值为13.3 mm； SSP2-4.5情景下RX1day>19 mm的区域面积最小， SSP5-8.5情景下， RX1day>19 mm的区域面积最大， 主要是因为重庆市东部的奉节地区指数值增大较明显导致， 最大值接近20 mm。（4）对于RX5day， 四川盆地西缘存在高值带， 重庆中部和四川西北部为低值区。SSP1-2.6情景下， 最大值为46.9 mm， 均值为34.3 mm； 低和中等排放情景下， RX5day≥45 mm的面积大小基本一致； SSP5-8.5情景下， 由于四川西部边缘高值区范围扩大从而导致RX5day≥45 mm的面积略增大， 总体均值增大， 为36.5 mm。（5）对于SDII， 四川盆地西部为大范围高值区， 在近期数值大于2 mm·d-1。三种情景下， SDII的值及分布范围变化不大。综合来看， 未来近期川渝地区5个极端降水指数值整体均不高， 高值中心位于四川盆地西缘， 各极端降水指数都呈现出中间高， 四周低的分布特征， 社会脆弱性和辐射强迫越高， 极端降水指数值越大， 这与黄晓远和李谢辉（2022）对西南地区的结果较一致， 但本文的分析更具体和细致。
从图7可以看出： （1）对于R50mm， SSP1-2.6情景下， 川渝地区指数值为0 d； SSP2-4.5情景下， 暴雨出现的区域位于四川东北部和重庆东南部； SSP5-8.5情景下， 四川中部偏南（峨眉山）出现了一个暴雨发生的小区域， R50mm≥0.04 d。（2）对于R95p， 四川省中部是大范围高值区， 四川盆地东部为低值区。SSP1-2.6情景下， 相比于近期R95p均值增大， 为846.8 mm， 增加了169.2 mm， 最大值仍然在四川盆地西部边缘； SSP2-4.5情景下， R95p≥1000 mm的大值区面积有所减少， 而在SSP5-8.5情景下面积略微增加。（3）对于RX1day， 四川盆地西部为高值区， 川西地区为低值区， 即川渝地区东北部年内单日最大降水量较多。SSP1-2.6情景下， RX1day>20 mm的区域最大， 位于四川中东部； SSP2-4.5情景下的均值在三种情景中最小； SSP5-8.5情景下， RX1day高值区范围整体比SSP2-4.5略有增加， 四川中部地区的指数值增加， 但重庆东北部的指数值有所减小。（4）对于RX5day， 60 mm以上的降水区域呈团状位于四川盆地西缘， 重庆市大部分地区和川西地区为低值区， 其RX5day值小于40 mm。SSP1-2.6情景下， RX5day≥60 mm的区域主要位于四川盆地西部； SSP2-4.5情景下， 高值区不仅出现在四川盆地西缘， 还出现在四川省西南部； SSP5-8.5情景下， 高值区分布范围与中等辐射强迫情景类似， 但四川省西南部小部分地区指数值略有下降。（5）对于SDII， SDII≥3.5 mm·d-1的区域位于四川盆地西部。三种情景下四川东部及重庆大部分地区的SDII<2 mm·d-1。 总之， 相比于未来近期， 5个极端降水指数的空间分布特点较一致， 但整体的指数值有所增加。

3.4　暴雨洪涝灾害风险未来预估

3.4.1　致灾危险性风险预估

根据公式（3）， 首先通过将未来两个时期三种不同气候变化情景下的值进行归一化处理， 并叠加DEM数据后计算得到归一化后的致灾危险性指数， 然后按照低风险（0≤Hi˂0.3）、 中低风险（0.3≤Hi˂0.4）、 中等风险（0.4≤Hi˂0.5）、 中高风险（0.5≤Hi˂0.6）、 高风险（0.6≤Hi≤1）五个等级划分致灾危险性风险区划， 最后绘制了川渝地区未来两个时期三种不同气候变化情景下的暴雨洪涝致灾危险性空间分布图（图8）。
图8 川渝地区未来两个时期三种不同气候变化情景下暴雨洪涝致灾危险性空间分布

（a） SSP1-2.6_2025-2054， （b） SSP2-4.5_2025-2054， （c） SSP5-8.5_2025-2054， （d） SSP1-2.6_2055-2064， （e）SSP2-4.5_2055-2064， （f）SSP5-8.5_2055-2064

Fig.8 The spatial distribution map of disaster risk caused by rainstorm and flood under three different climate change scenarios for the future two periods in the Sichuan-Chongqing region.（a） SSP1-2.6_2025-2054， （b） SSP2-4.5_2025-2054， （c） SSP5-8.5_2025-2054， （d） SSP1-2.6_2055-2064， （e） SSP2-4.5_2055-2064， （f） SSP5-8.5_2055-2064

图8表明， 整体上四川盆地西缘（雅安、 乐山、 峨眉山等）是高、 中高和中等风险区的聚集区， 其余除川西地区为低风险区外， 四川大部分地区都为中低风险区， 重庆大部分地区在近期为低风险区， 到远期则变为中低风险区。具体的， 从近期到远期， 在SSP1-2.6情景下， 四川盆地西部边缘偏北地区由中高风险区将变为高风险区， 且中等风险区的范围将向南延伸， 川西低风险区范围将减小， 重庆市中心将由低风险区变为中低风险区， 东部小部分地区也变为中等风险区； SSP2-4.5情景下， 四川盆地西部边缘的中等和中高风险区范围将增加较多， 特别是四川西南部将转为中等风险区， 重庆东南部极小部分区域中等风险区范围略有增加； SSP5-8.5情景下， 盆地边缘仍为中低风险区， 但范围更偏西， 且四川省中心的高风险区降为中高风险区， 与中等辐射强迫情景类似， 四川盆地西部的中高风险区范围将扩大， 但重庆东北部区域将转为中等风险区。总之， 从近期到远期， 川西地区低风险区范围将缩小， 重庆市整体危险等级升高， 大部分地区危险等级从低风险转为中低风险， 四川西部边缘的危险区范围将有较大扩展， 四川南部则由中低风险升为中等风险区。

3.4.2　承灾体易损度风险预估

利用公式（4）， 通过叠加归一化后的GDP密度、 人口密度和耕地面积百分比， 计算获得了承灾体易损度指数， 从而绘制了川渝地区未来两个时期三种不同气候变化情景下的承灾体易损度空间分布图（图9）。
图9 川渝地区未来两个时期三种不同气候变化情景下承灾体易损度空间分布

（a）SSP1-2.6_2025-2054， （b）SSP2-4.5_2025-2054， （c）SSP5-8.5_2025-2054， （d）SSP1-2.6_2055-2064， （e）SSP2-4.5_2055-2064， （f）SSP5-8.5_2055-2064

Fig.9 The spatial distribution map of vulnerability of disaster-bearing bodies under three different climate change scenarios for the future two periods in the Sichuan-Chongqing region.（a） SSP1-2.6_2025-2054， （b） SSP2-4.5_2025-2054， （c） SSP5-8.5_2025-2054， （d） SSP1-2.6_2055-2064， （e） SSP2-4.5_2055-2064， （f） SSP5-8.5_2055-2064

图9表明， 成都市是易损度最高的高风险区， 重庆市主城区次之， 为高和中高风险区， 成都市周围城市群的易损度相对较低， 为中等风险区， 四川盆地东部易损度低， 为中低风险区， 而川西高原是易损度最低的低风险区。整体来看， 四川盆地承灾体易损度最高， 从四川盆地中心向边缘承灾体易损度基本上逐渐降低， 越靠近川西高原承灾体易损度越低。重庆市大部分地区的承灾体易损度处于较低水平， 重庆西部存在高和中高风险区， 重庆东部承灾体易损度指数值较低， 为低风险区且分布较为均匀。从低辐射强迫到高辐射强迫情景， 川渝地区承灾体易损度的强度和范围变化不大， 成都市和重庆市中心均是承灾体易损度较高区域， 川西高原是易损度最低区域， 未来两个时期川渝地区的承灾体易损度风险区空间范围基本一致。

3.4.3　综合风险预估

将以上的致灾危险性指数和承灾体易损度指数进行综合从而获得了川渝地区未来两个时期三种不同气候变化情景下的暴雨洪涝灾害综合风险区划图。同时为了进行对比， 本文也计算绘制了基准期的暴雨洪涝灾害风险区划图（图10）。主要利用自然断点法划分了低、 中低、 中等、 中高和高五个风险等级区。
图10 川渝地区基准期（a）及未来两个时期三种不同气候变化情景下（b~g）暴雨洪涝灾害综合风险区划

（a）基准期， （b）SSP1-2.6_2025-2054， （c）SSP2-4.5_2025-2054， （d）SSP5-8.5_2025-2054， （e）SSP1-2.6_2055-2064， （f）SSP2-4.5_2055-2064， （g）SSP5-8.5_2055-2064

Fig.10 The comprehensive risk zoning map of rainstorm and flood disasters under the baseline period （a） and three different climate change scenarios for the future two periods （b~g） in the Sichuan-Chongqing region.（a） baseline period， （b） SSP1-2.6_2025-2054， （c） SSP2-4.5_2025-2054， （d） SSP5-8.5_2025-2054， （e） SSP1-2.6_2055-2064， （f） SSP2-4.5_2055-2064， （g） SSP5-8.5_2055-2064

在基准期［图10（a）］， 四川盆地西部为高风险区， 四川中西部和中东部为中高风险区， 重庆市中心、 四川南部和川西高原中部为中等风险区， 川西高原北部为中低风险区， 重庆市西部、 四川西北部及北部的小部分区域为低风险区。近期（2025 - 2054年）［图10（b）~（d）］， 四川中部和西部小部分地区为高风险区， 四川中部部分地区存在零散的中高风险区， 围绕中高风险区的周边地区为中等风险区， 四川西北部、 南部和重庆西南部为中低风险区， 川渝地区东部为大范围低风险区； SSP2-4.5相比SSP1-2.6情景， 四川西部有一小部分区域的风险等级升为高风险， 四川中部原为高风险区的小部分区域风险等级降为了中高风险区， 其余地区风险等级保持不变； SSP5-8.5下， 风险等级的区划与SSP2-4.5类似。远期（2055 -2064年）［图10（e）~（g）］， 四川中部和西部小部分地区仍为高风险区， 四川中部偏北和偏西地区为中高风险区， 围绕中高风险区以及重庆西南部的为中等风险区， 四川西北部、 南部和四川盆地中间为窄带式中低风险区， 川渝地区东部为大范围低风险区； SSP2-4.5相比SSP1-2.6情景， 四川西部小部分地区的高风险区范围扩大， 四川中部偏北的小部分区域降为中高风险区， 重庆西部的低风险区转为中等风险区； SSP5-8.5相比SSP2-4.5情景， 四川西部边缘地区的风险等级降为了中高风险区， 但中西部的小部分区域风险等级则升高为了高风险区， 四川北部的低风险区范围略有减小， 重庆西部的部分中等风险区又降低为了低风险区。
总之， 未来两个时期， 随着社会脆弱性和辐射强迫的升高， 川渝地区暴雨洪涝的灾害风险等级变化不明显， 特别是川西高原和四川东北部的风险等级变化很小。整体上， 川西高原由西向东的灾害风险等级在逐渐升高， 四川西部有大范围的高风险区， 四川东北部则为低风险区， 重庆市中心主要为中等风险区， 其余地区为中低和低风险区。对比未来两个时期， 四川中部的中高风险区范围扩大， 周围的中等风险区范围将增加， 重庆市西南部在远期将由中低风险区转为中等风险区。与基准期相比， 未来两个时期在四川中部的高风险区和中高风险区范围将扩大， 相应的中等风险区范围将缩小， 川西高原的中低风险区范围减少， 四川南部和川渝东部的风险等级将分别降为中低和低风险区。

4 结论

本文利用川渝地区50个气象站点的降水数据计算了近20年的5个极端降水指数， 并评估了5个CMIP6单一和集合模式的模拟性能， 分析了历史时期极端降水指数的时空变化特征。同时利用UEWA-5的模拟数据分析了未来两个时期三种不同气候变化情景下的极端降水指数特征， 并预估了未来川渝地区暴雨洪涝灾害的综合风险， 得出以下主要结论：
（1） 通过绘制泰勒图、 计算定量化指标S和标准化距平变量， 评估了单个模式和不同集合模式对极端降水指数的模拟性能， 得出单个模式EC-Earth3的模拟效果最优， 模拟R95p、 RX1day、 RX5day三个指数的相关系数分别达到了0.78， 0.90， 0.77。不同集合模式中， UEWA-5的模拟能力优于EWA-5， 集合模式对暴雨日数的异常模拟情况最佳， 但对降水强度的较差。
（2） 基准期5个极端降水指数在四川中部为高值区， 四川东部和重庆次之， 川西地区为低值区。从时间变化来看， 1998年的各指数值最大， 一年中单日最大降水量RX1day达86 mm， 降水强度SDII值为11.3 mm·d-1。未来两个时期， 5个极端降水指数呈现出中间高， 四周低的空间分布特征， 社会脆弱性和辐射强迫等级越高， 极端降水指数值越大。对比两个时期， 远期各极端降水指数值更大， 特别是R95p均值为846.8 mm， 比近期增加了169.2 mm。
（3） 未来暴雨洪涝致灾危险性区划图表明， 四川盆地西缘为高、 中高和中等风险的聚集区， 四川大部分地区为中低风险区， 川西地区为低风险区， 重庆市大部分地区在近期为低风险区， 在远期则变为了中低风险区。未来暴雨承灾体易损度空间区划图显示， 从低辐射强迫到高辐射强迫情景， 川渝地区承灾体易损度的强度和范围变化不大， 成都市是承灾体易损度的高风险区， 重庆市中心为高和中高风险区， 成都市周围城市群为中等风险区， 四川盆地东部为中低风险区， 川西高原为低风险区。
（4） 在基准期， 历史暴雨洪涝灾害的综合较高风险区位于四川中部和重庆市中心， 未来时期四川中部的风险等级将会增加； 对比未来近期和远期发现， 四川中部的中高和中等风险区范围将扩大， 重庆西南部在远期将转为中等风险区， 其余区域基本维持原风险等级。
川渝地区位于我国西南部， 处于东亚季风雨带的西端， 地理环境复杂， 地形多变， 且海拔差异大， 形成了水平和垂直方向的显著海拔梯度， 从而导致了影响该地区暴雨的环流系统具有较高的复杂性。青藏高原及其周边地区的热源效应对川渝地区夏季暴雨的发生频率有重要作用。而位于700 hPa或850 hPa等压面上的气旋环流或带有闭合等高线的中尺度涡旋， 即西南低涡， 是在青藏高原特殊地形和大气环流条件下形成， 是导致川渝地区夏季暴雨洪涝灾害的重要天气系统之一（邓承之等， 2021）。西太平洋副热带高压、 青藏高压、 中高纬度环流以及季风等环流系统， 也是川渝地区暴雨洪涝灾害的重要影响因素。如当副高偏西时， 川渝地区的降水量往往会增加， 而当南下的冷空气与西南涡或高原东侧的小槽相结合时， 也会为该区的降水提供有利的环流条件（熊德方等， 2023）。水汽是暴雨形成的必要条件之一， 副高强度增强或位置变化会直接影响夏季风对水汽的输送。影响川渝地区暴雨的主要水汽来源有两个路径： 一是从青藏高原通过孟加拉湾， 经过缅甸和云南进入西南地区东部； 二是水汽从孟加拉湾南部经东南沿海输送至中南半岛及南海， 之后与南海越赤道气流所携带的水汽汇合， 最终向西南地区东部输送（李永华等， 2010）。
近年来， 川渝地区的城市化进程加速， 且呈现出明显的区域差异。重庆的城市化率从2012年的60.66%提升至2022年的70.96%， 增幅为14.3个百分点； 四川的城市化率则从2012年的43.4%上升至2022年的58.4%， 增幅为15.0个百分点。城市化会带来区域增温、 城市热岛效应以及降水强度的增加， 城市化过程会导致不透水地表比例上升， 城市径流增加， 从而加剧城市暴雨洪涝风险（罗鑫玥和陈明星， 2019）。城市下垫面粗糙度的增加， 能有助于增强垂直对流运动和不稳定能量， 从而对暴雨的发生起到推波助澜的作用。Wang et al（2022）的研究指出， 1994 -2015年川渝地区的快速城市化促使了热岛效应和地表特征的变化， 进而增强了夏季极端降水的频率。郭蕾等（2023）的研究表明， 1971 -2020年， 城市化对川渝地区城乡站和城市站的中雨日数、 最大降水量、 强降水量以及年降水量等指标的贡献率均达到了100%。综上所述， 随着城市化进程的加速及全球变暖的进一步发展， 川渝地区的暴雨洪涝灾害未来将呈现更加频繁和严重的风险。
由于极端降水事件发生的突发性， 以及不同地区所处的地理位置、 地形地貌、 天气气候特征的复杂性， 对其的模拟预测往往面临很大困难， 不如对极端温度事件的模拟准确性高。本文的研究就表明各模式对川渝地区各极端降水指数的模拟效果不理想， 认为除以上原因， 还与模式本身的误差、 观测数据的偏差， 以及模式的粗分辨率等有关， 在后续的研究中可以通过改进以上问题从而提高对CMIP6模式数据的精度。另外， 还可以通过利用相关动态模型来预测未来的土地利用变化， 从而通过提高承灾体易损度指标的预测精度来进一步提高对暴雨洪涝灾害风险未来预估的准确性。同时， 对引起川渝地区暴雨洪涝灾害风险过去和未来变化的驱动机制在后续的工作中也可进一步具体开展和深入讨论。

References

Publishing order | Descend order by publishing year | Descend order by cited within
Huang P， Ying J， 2015.A Multimodel ensemble pattern regression method to correct the tropical pacific SST change patterns under global warming［J］.Journal of Climate， 28（12）： 4706-4723.DOI： 10.1175/jcli-d-14-00833.1 .

IPCC， 2021.Climate change 2021： The physical science basis［M/OL］.［2021-08-01］.

Lin W Q， Chen H P， 2020.Assessment of model performance of precipitation extremes over the mid-high latitude areas of Northern Hemisphere： from CMIP5 to CMIP6［J］.Atmospheric and Oceanic Science Letters， 13（6）： 598-603.DOI： 10.1080/16742834.2020.1820303 .

Li X H， Chen Z F， Wang L， 2023.Spatiotemporal variations and future projections of extreme precipitation events in Southwestern China［J］.Applied Ecology & Environmental Research， 21（6）： 5389-5414.DOI： 10.15666/aeer/2106_53895414 .

Li X H， Chen Z F， Wang L， Liu H， 2022.Future projections of extreme temperature events in Southwest China using nine models in CMIP6［J］.Frontiers in Earth Science， 16648714， 15.DOI： 10.3389/feart.2022.942781 .

Oyelakin R， Yang W， Krebs P， 2024.Analyzing urban flooding risk with CMIP5 and CMIP6 climate projections［J］.Water， 16（3）： 474.DOI： 10.3390/w16030474 .

Peter L， Brita S， Niklas T， 2023.Proposed flood risk classification of buildings-A case study with a heavy rain event［J］.Journal of Physics： Conference Series， 2654（1）： 012017.DOI： 10.1088/1742-6596/2654/1/012017 .

Poulomi G， Dominik P， Mehedi H， et al， 2020.Projected changes in compound flood hazard from riverine and coastal floods in northwestern Europe［J］.Earth's Future， 8（11）： e2020EF001752 DOI： 10.1029/2020EF001752 .

Rajesh R， Rajendran C， 2019.Grey-and rough-set-based seasonal disaster predictions： an analysis of flood data in India［J］.Natural Hazards， 97（1）： 395-435.DOI： 10.1007/s11069-019-03651-y .

Wan Z L， Rui S C， Shao S， et al， 2022.Characteristics of rainstorm intensity and its future risk estimation in the upstream of Yellow River Basin［J］.Atmosphere， 13（12）： 2082-2082.DOI： 10. 3390/atmos13122082 .

Wang H， Yan Y， Long K， et al， 2022.Relationships between rapid urbanization and extreme summer precipitation over the Sichuan-Chongqing Area of China［J］.Earth Science， 10.DOI： 10.3389/feart.2022.909547 .

卞洁， 李双林， 何金海， 2011.长江中下游地区洪涝灾害风险性评估［J］.应用气象学报， 22（5）： 604-611.DOI： 10.11898/1001-7313.20110511.Bian J ，

Li S L， He J H， 2011.Risk assessment of flood disaster in mid-lower reaches of the Yangtze［J］.Journal of Applied Meteorological Science， 22（5）： 604-611.DOI： 10.11898/1001-7313.20110511 .

陈晓晨， 徐影， 许崇海， 等， 2014.CMIP5全球气候模式对中国地区降水模拟能力的评估［J］.气候变化研究进展， 10（3）： 217-225.DOI： 10.3969/j.issn.1673-1719.2014.03.011.Chen X C ，

Xu Y， Xu C H， et al， 2014.Assessment of precipitation simulations in China by CMIP5 multi-models［J］.Progressus Inquisitiones of Mutatione Climatis， 10（3）： 217-225.DOI： 10.3969/j.issn.1673-1719.2014.03.011 .

陈子凡， 王磊， 李谢辉， 等， 2022.西南地区极端降水时空变化特征及其与强ENSO事件的关系［J］.高原气象， 41（3）： 604-616.DOI： 10.7522/j.issn.1000-0534.2022.00004.Chen Z F ，

Wang L， Li X H， et al， 2022.Spatiotemporal change characteristics of extreme precipitation in Southwestern China and its relationship with intense ENSO events［J］.Plateau Meteorology， 41（3）： 604-616.DOI： 10.7522/j.issn.1000-0534.2022.00004 .

邓承之， 赵宇， 孔凡铀， 等， 2021.“6·30”川渝特大暴雨过程中西南低涡发展机制模拟分析［J］.高原气象， 40（1）： 85-97.DOI： 10.7522/j.issn.1000-0534.2019.00106.Deng C Z ， ZhaoY， KongF Y， et al， 2021.A numerical simulation study of the southwest vortex mechanism during the "6·30" heavy rain event in Sichuan and Chongqing［J］.Plateau Meteorology， 40（1）： 85-97.DOI： 10.7522/j.issn.1000-0534.2019.00106 .

邓国卫， 孙俊， 阮贵宾， 等， 2017.四川省暴雨洪涝灾情特征及主汛期环流背景分析［J］.高原气象， 36（6）： 1521-1532.DOI： 10.7522/j.issn.1000-0534.2016.00099.Deng G W ，

Sun J， Ruan G B， et al， 2017.Rainstorm and flood disaster characteristics and analysis of circulation background in main flood season in Sichuan ［J］.Plateau Meteorology， 36（6）： 1521-1532.DOI： 10.7522/j.issn.1000-0534.2016.00099 .

丁文荣， 2014.西南地区极端降水的时空变化特征［J］.长江流域资源与环境， 23（7）： 1029-1037.DOI： 10.11870/cjlyzyyhj201407019.Ding W R ， 2014.Spatial and temporal variability of the extreme daily precipitation in Southwest China［J］.Resources and Environment in the Yangtze Basin， 23（7）： 1029-1037.DOI： 10.11870/cjlyzyyhj201407019 .

郭蕾， 李谢辉， 刘雨亭， 2023.城市化对川渝地区极端气候事件的影响［J］.应用气象学报， 34（5）： 574-585.DOI： 10.11898/1001-7313.20230506.Guo L ，

Li X H， Liu Y T， 2023.Impacts of urbanization of extreme climate events in Sichuan-Chongqing region ［J］.Journal of Applied Meteorological Science， 34（5）： 574-585.DOI： 10.11898/1001-7313.20230506 .

黄晓远， 李谢辉， 2022.基于CMIP6的西南暴雨洪涝灾害风险未来预估［J］.应用气象学报， 33（2）： 231-243.DOI： 10.11898/1001-7313.20220209.Huang X Y ，

Li X H， 2022.Future projection of rainstorm and flood disaster risk in Southwest China based on CMIP6 models［J］.Journal of Applied Meteorological Science， 33（2）： 231-243.DOI： 10.11898/1001-7313.20220209 .

黄嘉丽， 秦年秀， 2020. 近 50年来我国西南地区暴雨变化特征分析［J］.低碳世界， 10（12）： 229-230.DOI： 10.3969/j.issn.2095-2066.2020.12.111.Huang J L ，

Qin N X， 2020.Analysis of the characteristics of heavy rainfall variations in Southwestern China over the past 50 years［J］.Low Carbon World， 10（12）： 229-230.DOI： 10.3969/j.issn.2095-2066.2020.12.111 .

江志红， 陈威霖， 宋洁， 等， 2009.7个IPCC AR4模式对中国地区极端降水指数模拟能力的评估及其未来情景预估［J］.大气科学， 33（1）： 109-120.DOI： 10.3878/j.issn.1006-9895.2009.01.10.Jiang Z H ，

Chen W L， Song J， et al， 2009.Projection and evaluation of the precipitation extremes indices over China based on seven I PCC AR4 coupled climate models［J］.Chinese Journal of Atmospheric Sciences， 33（1）： 109-120.DOI： 10.3878/j.issn.1006-9895.2009.01.10 .

姜彤， 苏布达， 王艳君， 等， 2022.共享社会经济路径（SSPs）人口和经济格点化数据集［J］.气候变化研究进展， 18（3）： 381-383.DOI： 11.5368.P.20220507.1733.002.Jiang T ，

Su B D， Wang Y J， et al， 2022.Gridded datasets for population and economy under Shared Socioeconomic Pathways for 2020-2100 ［J］.Progressus Inquisitiones of Mutatione Climatis， 18（3）： 381-383.DOI： 11.5368.P.20220507.1733.002 .

李强， 吉莉， 徐前进， 等， 2019.重庆地区暴雨空间分布及雨量分时特征［J］.气象科技， 47（5）： 859-865.DOI： 10.19517/j.1671-6345.20180591.Li Q ，

Ji L， Xu Q J， et al， 2019.Spatial distribution and time-sharing characteristics of rainstorms in Chongqing［J］.Meteorological Science and Technology， 47（5）： 859-865.DOI： 10.19517/j.1671-6345.20180591 .

李柔珂， 李耀辉， 徐影， 2018.未来中国地区的暴雨洪涝灾害风险预估［J］.干旱气象， 36（3）： 341-352.DOI： 10.11755/j.issn.1006-7639（ 2018）-03-0341.Li R K ，

Li Y H， Xu Y， 2018.Projection of rainstorm and flooding disaster risk in China in the 21st century［J］.Journal of Arid Meteorology， 36（3）： 341-352.DOI： 10.11755/j.issn.1006-7639（ 2018）-03-0341 .

李莹， 赵珊珊， 2022.2001-2020年中国洪涝灾害损失与致灾危险性研究［J］.气候变化研究进展， 18（2）： 154-165.DOI： 10.12006/j.issn.1673-1719.2021.196.Li Y ，

Zhao S S， 2022.Floods losses and hazards in China from 2001 to 2020［J］.Progressus Inquisitiones of Mutatione Climatis， 18（2）： 154-165.DOI： 10.12006/j.issn.1673-1719.2021.196 .

李芸， 穆文彬， 2014.西南地区暴雨时空分布特征分析［J］.黑龙江大学工程学报， 5（2）： 37-42.DOI： 10.13524/j.2095-008x.2014.02.026.Li Y ，

Mu W B， 2014.Spatial and temporal distribution characteristic in the Southwest China［J］.Journal of Engineering of Heilongjiang University， 5（2）： 37-42.DOI： 10.13524/j.2095-008x.2014.02.026 .

李永华， 徐海明， 高阳华， 等， 2010.西南地区东部夏季旱涝的水汽输送特征［J］.气象学报， 68（6）： 932-943.DOI： 10.11676/qxxb2010.088.Li Y H ，

Xu H M， Gao Y H， et al， 2010.The characteristics of moisture transport associated with drought/flood in summer over the east of the southwestern China［J］.Acta Meteorologica Sinica， 68（6）： 932-943.DOI： 10.11676/qxxb2010.088 .

刘伯奇， 祝从文， 2020.中国夏季降水预测因子潜在技巧分布图及应用［J］.应用气象学报， 31（5）： 570-582.DOI： 10.11898/1001-7313.20200505.Liu B Q ，

Zhu C W， 2020.Potential skill map of predictors applied to the seasonal forecast of summer rainfall in China［J］.Journal of Applied Meteorological Science， 31（5）： 570-582.DOI： 10.11898/1001-7313.20200505 .

刘力丹， 朱权洁， 郑贵强， 等， 2022.基于层次分析法和模糊综合评价法的洪涝灾害危险性评价［J］.华北科技学院学报， 19（6）： 113-119.DOI： 10.19956/j.cnki.ncist.2022.06.016.Liu L D ，

Zhu Q J， Zheng G Q， et al， 2022.Risk assessment of flood hazard based on AHP and fuzzy comprehensive evaluation methods［J］.Journal of North China Institute of Science and Technology， 19（6）： 113-119.DOI： 10.19956/j.cnki.ncist.2022.06.016 .

罗鑫玥， 陈明星， 2019.城镇化对气候变化影响的研究进展［J］.地球科学进展， 34（9）： 984-997 DOI： 10.11867/j.issn.1001-8166.2019.09.0984.Luo X Y ，

Chen M X， 2019.Research progress on the impact of urbanization on climate change［J］.Advances in Earth Science， 34（9）： 984-997.DOI： 10.11867/j.issn.1001-8166.2019.09.0984 .

马国斌， 蒋卫国， 李京， 等， 2012.中国短时洪涝灾害危险性评估与验证［J］.地理研究， 31（1）： 34-44.DOI： 10.11821/yj2012010004.Ma G B ，

Jiang W G， Li J， et al， 2012.Assessment and validation of short-term flood hazards in China［J］.Geographical Research， 31（1）： 34-44.DOI： 10.11821/yj2012010004 .

潘昱杉， 李谢辉， 2022.四川省暴雨洪涝灾害风险评估［J］.成都信息工程大学学报， 37（2）： 186-193.DOI： 10.16836/j.cnki.jcuit.2022.02.012.Pan Y S ，

Li X H， 2022.Risk assessment of rainstorm and flood disasters in Sichuan Province［J］.Journal of Chengdu University of Information Technology， 37（2）： 186-193.DOI： 10.16836/j.cnki.jcuit.2022.02.012 .

卿清涛， 陈文秀， 詹兆渝， 2013.四川省暴雨洪涝灾害损失时空演变特征分析［J］.高原山地气象研究， 33（1）： 47-51.DOI： 10.3969/j.issn.1674-2184.2013.01.008.Qing Q T ，

Chen X W， Zhan Z Y， 2013.Characteristics of spatial and temporal distribution of losses caused by flood damage［J］.Plateau and Mountain Meteorology Research， 33（1）： 47-51.DOI： 10.3969/j.issn.1674-2184.2013.01.008 .

宋怡轩， 何永青， 陈晋， 等， 2023.基于GIS的四川省暴雨洪涝灾害风险评估［J］.绿色科技， 24（18）： 33-37.DOI： 10.3969/j.issn.1674-9944.2022.18.009.Song Y X ，

He R Q， Chen J， et al， 2023.Risk assessment of refined rainstorm and flood disaster in Sichuan Province based on GIS［J］.Journal of Green Science and Technology， 24（18）： 33-37.DOI： 10.3969/j.issn.1674-9944.2022.18.009 .

唐明秀， 朱秀芳， 刘婷婷， 等， 2023.基于CMIP6不同重现期的全球未来暴雨社会经济风险变化评估［J］.地理科学进展， 42（3）： 531-542.DOI： 10.18306/dlkxjz.2023.03.010.Tang M X ，

Zhu X F， Liu T T， et al， 2023.Future global socioeconomic risk changes to rainstorms based on the different return periods of CMIP6［J］.Progress in Geography， 42（3）： 531-542.DOI： 10.18306/dlkxjz.2023.03.010 .

王蕾， 张百超， 石英， 等， 2022.IPCC AR6报告关于气候变化影响和风险主要结论的解读［J］.气候变化研究进展， 18（4）： 389-394.DOI： 10.12006/j.issn.1673-1719.2022.082.Wang L ，

Zhang B C， Shi Y， et al， 2022.Interpretation of the IPCC AR6 on the impacts and risks of climate change［J］.Progressus Inquisitiones of Mutatione Climatis， 18（4）： 389-394.DOI： 10.12006/j.issn.1673-1719.2022.082 .

王予， 李惠心， 王会军， 等， 2021.CMIP6全球气候模式对中国极端降水模拟能力的评估及其与CMIP5的比较［J］.气象学报， 79（3）： 369-386.DOI： 10.11676/qxxb2021.031.Wang Y ，

Li H X， Wang H J， et al， 2021.Evaluation of CMIP6 model simulations of extreme precipitation in China and comparison with CMIP5 ［J］.Acta Meteorologica Sinica， 79（3）： 369-386.DOI： 10.11676/qxxb2021.031 .

向竣文， 张利平， 邓瑶， 等， 2021.基于CMIP6的中国主要地区极端气温/降水模拟能力评估及未来情景预估［J］.武汉大学学报（工学版）， 54（1）： 46-57+81.DOI： 10.14188/j.1671-8844.2021-01-007.Xiang J W ，

Zhang L P， Deng Y， et al， 2021.Projection and evaluation of extreme temperature and precipitation in major regions of China by CMIP6 models［J］.Engineering Journal of Wuhan University， 54（1）： 46-57+81.DOI： 10.14188/j.1671-8844.2021-01-007 .

徐影， 张冰， 周波涛， 等， 2014.基于CMIP5模式的中国地区未来洪涝灾害风险变化预估［J］.气候变化研究进展， 10（4）： 268-275.DOI： 10.3969/j.issn.1673-1719.2014.04.007.Xu Y ，

Zhang B， Zhou B T， et al， 2014.Projected risk of flooding disaster in China based on CMIP5 models［J］.Progressus Inquisitiones of Mutatione Climatis， 10（4）： 268-275.DOI： 10.3969/j.issn.1673-1719.2014.04.007 .

熊德方， 孙淑清， 彭京备， 等， 2023.2020年夏季川渝地区洪涝灾害及暴雨过程研究［J］.大气科学， 47（4）： 1007-1023.DOI： 10.3878/j.issn.1006-9895.2110.21133.Xiong D F ，

Sun S Q， Peng J B， et al， 2023.Analysis of flood disasters and heavy precipitation events in the sichuan-Chongqing Region in the summer of 2020［J］.Chinese Journal of Atmospheric Sciences， 47（4）： 1007-1023.DOI： 10.3878/j.issn.1006-9895.2110.21133 .

严志涛， 李谢辉， 刘子堂， 等， 2021.气候变暖背景下西南四省市暴雨洪涝灾害风险变化［J］.灾害学， 36（2）： 200-207.DOI： 10.3969/j.issn.1000-811X.2021.02.035.Yan Z T ，

Li X H， Liu Z T， et al， 2021.Change of rainstorm and flood disaster in four provinces and cities of Southwestern China under the background of climate warming［J］.Journal of Catastrophology， 36（2）： 200-207.DOI： 10.3969/j.issn.1000-811X.2021.02.035 .

杨明鑫， 肖天贵， 李勇， 等， 2022.CMIP6模式对我国西南地区夏季气候变化的模拟和预估［J］.高原气象， 41（6）： 1557-1571.DOI： 10.7522/j.issn.1000-0534.2021.00119.Yang M X ，

Xiao T G， Li Y， et al， 2022.Evaluation and projection of climate change in Southwest China using CMIP6 models［J］.Plateau Meteorology， 41（6）： 1557-1571.DOI： 10.7522/j.issn.1000-0534.2021.00119 .

杨小玲， 2023.CMIP6优选模式集合对中国温度和降水的模拟评估与预估［D］.南京： 南京信息工程大学.DOI： 10.27248/d.cnki.gnjqc.2022.000766.Yang X L， 2023.Assessment and projection of temperature and precipitation over China using the selected ensemble of CMIP6 models［D］.Nanjing： Nanjing University of Information Science & Technology.DOI： 10.27248/d.cnki.gnjqc.2022.000766 .

张金良， 罗秋实， 王冰洁， 等， 2024.城市极端暴雨洪涝灾害成因及对策研究进展［J］.水资源保护， 40（1）： 6-15.DOI： 10.3880/j.issn.10046933.2024.01.002.Zhang J L ，

Luo Q S， Wang B J， et al， 2024.Research progress on causes and countermeasures for extreme rainstorm-induced urban flood disasters［J］.Water Resource Protection， 40（1）： 6-15.DOI： 10.3880/j.issn.10046933.2024.01.002 .

张芬， 李双双， 陈超君， 等， 2023.重庆暴雨、 热浪、 干旱时空格局及聚类特征［J］.自然灾害学报， 32（6）： 83-95.DOI： 10.13577/j.jnd.2023.0608.Zhang F ，

Li S S， Chen C J， et al， 2023.Spatio-temporal pattern and clustering characteristics of heavy rain， heat waves and drought in Chongqing［J］.Journal of Natural Disasters， 32（6）： 83-95.DOI： 10.13577/j.jnd.2023.0608 .

张春雨， 刘爱利， 吕嫣冉， 等， 2023.基于CMIP6青藏高原腹地气候模拟评估及时空分析［J］.高原气象， 42（5）： 1144-1159.DOI： 10.7522/j.issn.1000-0534.2022.00104.Zang C Y ，

Li A L， Lu Y R， et al， 2023.Spatial-temporal analysis and assessment of CMIP6 based climate simulation over the Qinghai-Xizang （Tibet） Plateau's Hinterland［J］.Plateau Meteorology， 42（5）： 1144-1159.DOI： 10.7522/j.issn.1000-0534.2022.00104 .

Options
Outlines

/

〈 〉

The system is designed and developed by Beijing magtec Technology Development Co., Ltd. with technical support: support@magtech.com.cn