EN中文

热带地理 >

2025 1 - 16

DOI: https://doi.org/10.13284/j.cnki.rddl.20240595

基于CMIP6的广西西江流域未来干旱变化特征与人口暴露度预估

  • 秦年秀 , 1, 2 ,
  • 文凤 1 ,
  • 汪军能 , 1, 2 ,
  • 何继业 1 ,
  • 姜彤 3
展开
  • 1. 南宁师范大学 地理科学与规划学院，南宁 530001
  • 2. 北部湾环境演变与资源利用教育部重点实验室，南宁 530001
  • 3. 南京信息工程大学 地理科学学院/灾害风险管理研究院，南京 210044
汪军能（1974—），男，安徽安庆人，副教授，研究方向为气候变化与区域可持续发展，（E-mail）。

秦年秀（1976—），女，广西桂林人，教授，研究方向为气候变化与风险管理，（E-mail）；

收稿日期: 2024-09-08

  修回日期: 2024-12-30

  网络出版日期: 2025-04-17

基金资助

广西自然科学基金项目(2022GXNSFAA035611)

广西重点研发计划项目(桂科AB22080060)

收起

Future Drought Change Characteristics and Population Exposure Estimation in the Xijiang River Basin of Guangxi Based on CMIP6

  • Nianxiu Qin , 1, 2 ,
  • Feng Wen 1 ,
  • Junneng Wang , 1, 2 ,
  • Jiye He 1 ,
  • Tong Jiang 3
Expand
  • 1. School of Geography Science and Planning, Nanning Normal University, Nanning 530001, China
  • 2. Key Laboratory of Environmental Evolution and Resource Utilization in Beibu Gulf, , Nanning 530001, China
  • 3. School of Geographical Science, Institute of Disaster Risk Management, Nanjing University of lnformation Science & Technology, Nanjing 210044, China

Received date: 2024-09-08

  Revised date: 2024-12-30

  Online published: 2025-04-17

Fold

摘要

文章利用CMIP6气候模式和人口预测数据，预估了3种共享社会经济路径（SSPs）情景下广西西江流域2021—2100年干旱变化以及人口暴露度。研究发现：1）CMIP6多模式耦合平均法在预测气候变量和干旱事件具有较高有效性。未来，西江流域气温和降水在不同情景下均呈上升趋势，气候变化影响愈发显著。2）通过SPEI指数分析，发现西江流域历史与未来干旱化趋势明显增加，不同情景下未来干旱的变化速率、发生时间、频率、强度等特征存在显著差异、变化复杂。低排放情景下干旱有望缓解，而高排放情景下干旱将全面加剧。3）西江流域未来不同程度干旱空间变化差异明显。低排放情景远期干旱基本消失，中等排放情景影响范围和强度均可能加剧，高排放情景则全面恶化，干旱态势严峻。4）人口暴露度与不同排放情景高度相关，低排放情景下人口暴露度显著降低，中、高排放情景下则大幅增加，尤其是远期重旱人口暴露度激增。5）气候变化是影响人口暴露度的主要因素，但人口增长与结构变化亦不容忽视，需制定差异化适应措施，通过积极减排和可持续发展路径降低干旱风险。

关键词： 干旱变化特征; 人口暴露度; CMIP6; SSPs情景; 气候变化; 广西西江流域

本文引用格式

秦年秀 , 文凤 , 汪军能 , 何继业 , 姜彤 . 基于CMIP6的广西西江流域未来干旱变化特征与人口暴露度预估[J]. 热带地理, 2025 : 1 -16 . DOI: 10.13284/j.cnki.rddl.20240595

Abstract

Under the influence of climate change, drought poses a novel and urgent challenge to sustainable development in the humid regions of southern China. Therefore, it is essential to estimate future drought changes and population exposure comprehensively. Using CMIP6 climate models and population forecast data, we estimated drought variations and population exposure in the Xijiang River Basin of Guangxi from 2021 to 2100 under three scenarios of Shared Socioeconomic Pathways (SSP1-2.6, SSP2-4.5, and SSP5-8.5). The findings are as follows: (1) By employing Taylor diagrams to evaluate the multi-model ensemble mean method (MME) of 18 CMIP6 climate models, we found that the method effectively simulated temperature and precipitation in the Xijiang River Basin, reducing the uncertainty associated with single-model simulations. Under all future scenarios, temperature and precipitation in the Xijiang River Basin are projected to increase, with effects of climate change becoming more pronounced in this region. (2) Using the Standardized Precipitation Evapotranspiration Index (SPEI), we observed a significant increasing trend in aridification in both historical and future periods. Significant differences and complex changes in the rate, occurrence time, frequency, intensity, and other drought characteristics were observed under various scenarios. Droughts are expected to be alleviated under low-emission scenarios but intensify comprehensively under high-emission scenarios. (3) The spatial variability of drought in the Xijiang River Basin will differ significantly under different scenarios. In low-emission scenarios, the intensity and extent of droughts nearly disappear in the long-term. Under medium-emission scenarios, the intensity and extent of droughts may increase. Drought events in this region are severe and worsen comprehensively, under high-emission scenarios, and the long-term impact will be extensive and serious. Drought events in this region are influenced by global climate change and are closely linked to the specific socioeconomic development path of the area. (4) Future, population exposure to drought will be highly correlated with different emission scenarios in the Xijiang River Basin. Under low-emission scenarios, the total population affected by droughts decreased. However, under medium-emission scenarios, the population exposed to each drought level will substantially increase in the medium- to long-term, and the spatial distribution will be more complex. In high-emission scenarios, although the exposure of populations may decrease in the short-term owing to extreme weather events, it will sharply increase in the medium- to long-term, especially with a sharp rise in exposure to severe droughts in the long-term. Climate change is the main factor affecting population exposure to drought; however, emission strategies are fundamental drivers, and population growth and structural changes cannot be ignored. Therefore, emission reduction measures play a key role in mitigating the risk of drought under the impact of global climate change. It is urgent to promote the transformation of low-carbon development models, strengthen regional coordination, and formulate adaptive strategies. This study provides scientific evidence for water resource management and drought response strategies in the Xijiang River Basin, and is of great significance for regional sustainable development.

Key words： drought change characteristics; population exposure; CMIP6; SSP scenarios; climate change; Xijiang River Basin of Guangxi

IPCC第六次评估报告指出，极端气候事件并发的概率正在上升，其中干旱作为影响广泛且深远的自然灾害之一，正日益成为全球关注的焦点（IPCC, 2021）。干旱不仅威胁着农业生产、水资源管理和生态系统平衡，还深刻影响社会经济活动和居民日常生活，对区域可持续发展构成严峻挑战（Tong et al., 2018）。据统计，1900—2021年全球每年干旱造成的经济损失高达60亿~80亿美元，远超其他自然灾害造成的损失（金佳鑫 等，2021）。中国也是干旱灾害频发且影响严重的国家之一，特别是近年来，受灾面积、成灾面积及经济损失均呈上升趋势，且干旱频发区呈从北方干旱半干旱地区向南方湿润区蔓延的趋势，对防灾减灾构成新挑战（Wang et al., 2016; Liu et al., 2020；王岱 等，2024）。随着未来干旱频率、强度和持续时间预期加剧，更多人口将面临干旱风险（Watts et al., 2015）。因此，深入探讨南方湿润区未来干旱变化及其对人口的影响过程与机理，已成为灾害科学和公共管理领域亟待解决的重点问题。
在干旱变化研究领域，国内外学者从干旱的定义（屈艳萍 等，2018）与分类（Wilhite & Glantz, 1985; Dikshit et al., 2021），逐步深入到干旱的时空演变规律（刘冉 等，2023；姚宁 等，2024）及其形成机理探索（姜大膀 等，2021）。标准化降水蒸散指数（SPEI）、帕尔默干旱指数（PDSI）等干旱指标在研究中发挥了重要作用（Wu et al., 2020）。在干旱预测方面，最新阶段的CMIP6集成了来自全球多个气候模型的高分辨率数据，为揭示未来气候变化趋势，尤其是干旱等极端天气事件的演变规律提供了有力工具（Mondal et al., 2021; Xu et al., 2021; Das et al., 2023; Xue et al., 2024）。其丰富的情景数据和模拟结果为政府等管理部门、科研机构及社会各界制定适应性策略提供科学依据，也为干旱影响评估量化、干旱与气候变化的关系研究以及应对干旱风险与管理策略制定提供有力支持。
在灾害风险管理中，人口暴露度是衡量社会脆弱性的关键指标，其精准度量在评估潜在灾害对特定人群构成的即时与长远威胁至关重要（徐影 等， 2017）。根据IPCC（2012）相关定义，人口暴露度指区域人口受到可能不利影响的程度，通常采用区域暴露人口密度（Jones et al., 2015）或人口数量（莫建飞 等，2018）等指标表示，或引用致灾因子（Liao et al., 2019）和受灾率（韩钦梅 等，2018）与总人口数量的乘积进行暴露度研究，且随着时空尺度的变化而改变。当前研究主要聚焦于大尺度范围各类气象灾害对人口暴露度的影响，包括复合干热事件（王芳 等，2023）、复合热浪（Wang et al., 2022；刘清滢 等， 2023；Wei et al., 2024）、极端气温（Iyakaremye et al., 2021；杨雯倩 等，2022；郑殿元 等，2022）、极端降水（林文青 等，2023）以及干旱（Li et al., 2022; Xue et al., 2024）等。研究一致认为，随着人口增长和气候变暖，遭受风险的人口可能会增加。由于CMIP6模式比CMIP5具有更强的针对性和合理性（安洁 等，2020），成为未来干旱人口暴露度预估的重要手段。如Mondal等（2021）基于CMIP6预测南亚地区在2041—2060年SSP3-7.0情景下，人口暴露量将激增2.3倍；Zhao等（2022）采用13个CMIP6气候模式，揭示了中国未来干旱特征变化对人口暴露度影响将呈现多样变化。但对于中小尺度或特定区域的探索尚显不足，尤其是CMIP6气候模式对中小尺度干旱等灾害的人口暴露度精细化预估的适用性有待进一步验证。
广西西江流域属于南方湿润地区，其复杂的地质地貌条件导致气象和水文要素空间异质性明显，干旱成为其主要的气象灾害之一（吴志勇 等，2016）。在全球气候变暖背景下，该流域极端干旱事件频发，其强度和持续时间均有所增强，对流域内的社会经济系统和自然生态系统造成严重影响，威胁着乡村振兴、居民生计及社会经济可持续发展（Qin et al., 2021；袁飞 等，2021）。目前，在西江流域干旱方面的研究主要聚焦于历史干旱事件的时空变化特征、驱动力及风险评估等层面（Xu et al., 2019；李大鹏 等，2020），对于未来干旱变化趋势的预测及人口暴露度的综合评估亟待补充。
因此，本研究将基于18个CMIP6气候模式，采用多模式耦合平均法预估广西西江流域未来干旱特征变化，在典型浓度路径（RCPs）气候变化情景和共享社会经济路径（SSPs）人口变化情景下，分析比较不同未来情景下流域受干旱影响人口的时空变化，进而辨识影响干旱人口暴露度变化的驱动因子。以期有助于明晰未来气候变化背景下干旱变化与人口暴露度之间的内在联系，为制定针对性的人类社会适应和缓解策略提供科学依据。

1 研究区概况、数据与方法

1.1　研究区概况

西江流域地势总体西北高、东南低，广西段流域面积约为20×104 km2，干流河段主要有红水河、黔江、浔江、西江等，支流主要有柳江、郁江、桂江、贺江等，属于南亚热带季风气候，年均降水量为1 200~1 800 mm，年均温为16~23 ℃（闫妍 等，2019），如图1所示。该流域是广西重要的粮食主产区，城镇分布密集、人口密度高，长期依赖充沛水资源形成的生产和生活方式对干旱缺水较为敏感。
图1 研究区概况（a. 广西西江流域地形；b. 流域气候状况）

Fig.1 Overview of the study area (a. the terrain of the Xijiang River Basin in Guangxi; b. the climate characteristics of the Xijiang River Basin)

1.2　数据来源

1.2.1　气候观测与模式资料

气象观测数据采用CN05.1网格化数据集（1961—2022年）。该数据集是基于中国境内2 400多个观测站点数据通过插值方法生成的网格化数据集，空间分辨率为0.25°×0.25°，与NEX-GDDP-CMIP6数据的空间分辨率相同，可减少空间尺度不一致带来的误差，使模式性能评估结果更可靠（吴佳 等，2013）。同时，CN05.1数据集在中国区域的应用已得到广泛验证，能较好地反映中国区域的气候特征，是进行CMIP6模式评估的理想参考数据集（Xin et al., 2020）。
气候模式资料采用美国国家航空航天局气候模拟中心发布的NEX-GDDP-CMIP6高分辨率降尺度模式数据（Thrasher et al., 2022; Zhang et al., 2023）。该数据经过偏差校正空间分解（BCSD）和降尺度处理，为即用型偏差校正数据集（Ready-to-Use Bias Corrected Dataset）。考虑数据的完整性与一致性，选取18个模式的降水量、长短波辐射、相对湿度、风速和气温等7个关键气象变量（表1），采用SSP1-2.6、SSP2-4.5和SSP5-8.5等3种典型未来共享社会经济路径情景数据。为方便对比，将观测与历史模拟资料的年份统一为1961—2014年，基准期设定选为1995—2014年，未来时段分别选取2021—2040、2041—2060和2081—2100年，代表21世纪近期、中期和远期。
表1 18个降尺度CMIP6气候模式基本信息

Table 1 Basic information of 18 downscaled CMIP6 climate models

模式名 国家（地区）
ACCESS-CM2 澳大利亚
ACCESS-ESM1-5 澳大利亚
CanESM5 加拿大
CMCC-CM2-SR5 意大利
CMCC-ESM2 意大利
EC-Earth3-Veg-LR 欧洲
EC-Earth3 欧洲
GFDL-ESM4 美国
INM-CM4-8 俄罗斯
INM-CM5-0 俄罗斯
IPSL-CM6A-LR 法国
MIROC6 日本
MPI-ESM1-2-HR 德国
MPI-ESM1-2-LR 德国
MRI-ESM2-0 日本
NorESM2-LM 挪威
NorESM2-MM 挪威
TaiESM1 中国

1.2.2　未来人口资料

人口资料采用2024年4月更新的基于SSP1、SSP2、SSP5 3种共享社会经济路径下中国各省市2020—2100年人口预测数据（姜彤 等，2017），数据空间分辨率为0.5°×0.5°。西江流域2020年人口约为3 763.9万人，预测表明，未来人口变化初期均呈增长趋势，21世纪中叶达到峰值后逐渐下降（图2-a）。SSP2路径下，人口前期快速增长，后期减幅较小，而SSP1与SSP5路径下前期变动很小，后期显著减少，且两者趋势相近。具体而言，SSP1、SSP2、SSP5 3种情景下，2040年预测人口分别为3 799.3万、3 956.3万和3 783.6万人。至2060年调整为3 582.1万、3 960.8万和3 548.6万人。至2100年，人口显著下降至2 529.4万、3 602.4万和2 525.8万人。2020年，人口分布集中于流域东南部，西北部人口稀少，区位差异明显，与童新华等（2018）的研究结论一致（图2-b）。
图2 2020—2100年3种情景的预测人口（a）和2020年西江流域人口空间分布（b）

Fig.2 Projected population under the three scenarios from 2020 to 2100(a) and spatial distribution of population in the Xijiang River Basin in 2020 (b)

1.3　研究方法

1.3.1　标准化降水蒸散指数（SPEI）

标准化降水蒸散指数（SPEI）能有效捕捉干旱的长期趋势及年际变化，是表征干旱动态变化的一个强大工具。特别是在12个月的时间尺度上，SPEI-12月不仅能精准反映地表径流的变化，还能深刻揭示土壤水分的亏缺状况。在计算SPEI时，首先采用世界粮农组织推荐的彭曼公式计算潜在蒸散发量，随后将实际降水量与潜在蒸散发的差值进行标准化处理得到（Vicente-Serrano et al., 2010）。根据气象干旱等级标准（GB/T20481-2017）（中华人民共和国国家质量监督检验检疫总局 等，2017），考虑到流域内特旱空间分布稀少、发生频率低且影响范围有限，为精简数据、避免复杂性，将重旱和特旱合并为“重旱”，结合广西西江流域独特的地理特征制定符合地区实际的SPEI干旱等级划分标准，即当-1.0<SPEI≤-0.5时，为轻旱；当-1.5<SPEI≤-1.0，为中旱；当SPEI≤-1.5时，为重旱。

1.3.2　干旱频率

干旱频率是定量刻画干旱变化情况的一种重要指标，用于量化区域一定时期干旱发生的频繁程度（商守卫 等，2022），以区域发生干旱的年份占总年份数的百分比计算：
F = t T × 100 %
式中：F代表干旱频率；t为发生干旱的年份数；T为研究时间段内的总年数。

1.3.3　干旱的人口暴露度计算

人口暴露度反映该地区人口因干旱灾害可能遭受的风险程度。人口暴露度是动态变量，随时空变化而变动。为保证结果的准确性和时效性，在计算和评估时要考虑不同时间尺度和空间分辨率下的数据。根据定义，受干旱影响的人口暴露度是衡量干旱易发地区的人口在特定条件下受干旱影响程度的指标，可通过将预期干旱频率（Fn ）乘以暴露于干旱灾害下的人数（Pn ）计算（IPCC, 2012）。对于第n个地理格点上的受干旱影响的人口暴露度（EP n ）计算公式为：
E P n = F n × P n
式中：Fn 为第n个格点上的干旱频率；Pn 为第n个格点上的人口数。

1.3.4　干旱的人口暴露度变化影响因素

Jones等（2015）认为，人口暴露度的变化主要受人口因素、气候因素和人口―气候相互作用因素的影响。为了清晰地理解和计算人口暴露度变化中各个因素的贡献，其变化可表示为：
∆ D = x j × y j - x j × y = x j × ∆ y + y i × ∆ x + ∆ x × ∆ y
式中：ΔD=总暴露变化量；x、y分别为人口数量和干旱频率；xi，xj 分别为第i，j时期的人口水平；yi，yj 分别为第i，j时期干旱频率；Δx为人口变化；Δy为干旱频率变化。总暴露变化量分解为人口变化效应（yi×Δx）、气候变化效应（xi×Δy）和人口-气候相互作用效应（Δx×Δy）3个因子。
为了量化每个因子对人口总暴露度整体变化程度影响时，需计算每个因素在整体变化中的贡献率，表达式为：
人口因子的贡献率：
CFRpop= y i × ∆ x x i × ∆ y + ∆ x × y i + ∆ x × ∆ y × 100 %
气候因子的贡献率：
CFRcli= x i × ∆ y x i × ∆ y + ∆ x × y i + ∆ x × ∆ y × 100 %
人口和气候因子共同的贡献率：
CFRpop_cli= ∆ x × ∆ y x i × ∆ y + ∆ x × y i + ∆ x × ∆ y × 100 %

2 结果与分析

2.1　多模式耦合平均法在气候变化模拟中的应用与对比分析

2.1.1　多模式耦合平均法模拟结果适用性分析

采用泰勒图综合评估18个单一CMIP6气候模式和多模式耦合平均法（MME）对西江流域气温和降水的模拟效果，结果表明，各气候模式在降水和气温模拟表现出较高的一致性（图3）。具体而言，降水模拟结果的标准差范围比较大，最大约为0.9，表明模拟结果间的离散程度较高。其相关系数集中于0.7，表明多数模式能捕捉到降水变化的大致趋势，但精度还有待提升。均方根偏差位于0.75，进一步说明各模式模拟降水的不确定性。相比而言，各模式对气温的模拟结果更为平稳，标准差最大值接近1，表明各模式对气温模拟值相对观测值的离散程度较小；相关系数高达0.95~0.97，跟观测数据匹配良好，证明气温模拟的精度较高。同时，均方根偏差集中在0.25~0.3，进一步表明气温模拟的准确性和可靠性。
图3 西江流域18个CMIP6气候模式和多模式耦合平均法模拟降水（a）和气温（b）的对比分析

Fig.3 Comparative analysis of precipitation(a) and temperature(b) simulated by 18 CMIP6 climate models and multi-model coupled average method in the Xijiang River Basin

与单个CMIP6气候模式的模拟相比，经多模式耦合平均法处理，无论是降水还是气温的模拟性能均得到显著提升。降水模拟的相关系数提升至0.8，气温模拟的相关系数更是达到0.98，有效地降低了单一模式的不确定性。此外，多模式耦合平均法的标准差和均方根偏差均更趋近于观测值，体现其在提升预测准确性、增强稳定性、降低不确定性和提高代表性等方面的有效性。
为进一步验证CMIP6多模式耦合平均法的模拟效果，对西江流域多年月平均气温和降水的模拟值与观测值进行对比分析。结果显示，月平均降水的模拟误差在0.6~20 mm，相对较小，且模拟数值与观测值趋势基本一致，这与Wu等（2023）的研究一致。气温模拟方面，多年月平均气温大部分月份的模拟曲线几乎与观测曲线完全重合，表明多模式耦合平均法在长时间尺度上的气温模拟准确性极高（图4）。
图4 1961—2014年西江流域多模式耦合平均法模拟的多年月平均气温、降水量对比分析

Fig.4 Comparative analysis of multi-year monthly mean temperature and precipitation simulated by multi-model coupled average method in the Xijiang River Basin from 1961 to 2014

综上，CMIP6多模式耦合平均法在气温和降水中的模拟与气象站点观测数据具有良好的相关性，能准确地反映西江流域的气候要素变化趋势，故采用此方法预估西江流域干旱的时空变化。

2.1.2　多模式耦合平均法模拟西江流域历史和未来气候变化

基于多模式耦合平均法模拟西江流域历史（1961—2014年）和未来的年均气温（图5-a）、年总降水量（图5-b）的变化趋势。结果表明，历史时期该流域的年均气温从1961年的21.05 ℃逐步上升至2014年的21.18 ℃，增幅为0.13 ℃，年均升温速率达到0.1 ℃/10 a（P<0.05），表明该时期气温呈温和上升变化。然而，同时期年总降水量由1961年的1 490.49减少至2014年的1 445.74 mm，减幅达44.75 mm，年均减少速率为20.2 mm/10 a（P<0.05），说明该时期该流域降水呈显著减少趋势。
图5 历史模拟与多模式耦合平均法模拟年平均气温（a）、降水量（b）变化趋势

图注：彩色阴影部分是模式耦合平均法极值分布，表征模式的不确定性。

Fig.5 Simulation of Trends in annual mean temperature (a) and precipitation (b) by the multi-model coupled average method for historical and future periods

未来，基于SSP1-2.6、SSP2-4.5、SSP5-8.5三种情景，西江流域的年平均气温将呈加速上升趋势，但增速各异。SSP1-2.6低碳发展情景下的增温速率较为缓慢，为0.14 ℃/10 a，说明减缓气候变化措施的有效性。在SSP2-4.5和SSP5-8.5两种更高排放情景下，增温速率显著加快，分别达到0.28和0.59 ℃/10 a；尤其是SSP5-8.5情景下的增速远超历史水平，凸显了未控制排放的严重后果。模拟结果显示，未来降水量在所有情景下均为增加趋势，尽管增幅各异，但这一转变相较于历史时期的显著减少而言，对缓解该流域干旱状况有积极意义。具体而言，3种情景下降水量分别以16.2、15.7和22.37 mm/10 a的速度增加，表明降水量的变化不仅受全球气候变化影响，还与温室气体排放强度密切相关。
该预测结果揭示西江流域未来将面临更加显著且复杂的气温和降水变化，尤其是在高排放情景下，这种变化更为突出，对区域水资源规划与管理、工农业生产及生态安全等方面构成严峻挑战。

2.2　西江流域未来干旱时空变化特征分析

2.2.1　未来干旱的时间变化特征

西江流域在历史时期（1961—2014年）SPEI值波动较大且整体呈显著下降趋势（图6-a），年均下降速率达0.29 /10 a，表明该流域气候在过去半个世纪朝着干旱化方向发展。期间，该流域先后遭遇了16次干旱事件，包括轻度6次（1977、1992、2003、2005、2009和2013年）、中度7次（1990、1995、1998、2001、2002、2010、2012年）和重度3次（1972、1991和2008年）。深入分析3种不同的SSPs-RCPs情景模拟结果，发现西江流域不同情景下干旱事件变化的速率与发生的时间分布特征存在显著差异，不仅体现在干旱发展的快慢上，未来各个时间段的干旱事件集中程度也有差异。具体地，在SSP1-2.6情景下，年尺度SPEI呈现先降（-0.25/10 a）后升趋势（0.03/10 a），干旱事件主要集中在21世纪30年代，其余年份亦有零星分布。但在21世纪末出现湿润化趋势（图6-b），说明在低碳、可持续发展的路径下，流域的干旱状况有望得到缓解并逐步转向湿润。相比其余2种情景，年尺度SPEI在该流域均表现出持续的下降趋势（图6-c~d），但SSP5-8.5高排放情景的下降速率（0.2/10 a）明显快于SSP2-4.5（0.07 /10 a）中等排放情景，且主要集中暴发在21世纪80年代之后。这预示着高排放、高影响的社会经济路径下，该流域将面临日益严峻的干旱威胁，干旱程度和频率可能显著增加，需引起高度重视并采取相应的适应与缓解措施。在SSP2-4.5情景下，干旱事件比较分散（21世纪30、60及80年代都有出现），但下降趋势依然在，不过其速率明显缓和，表明在此排放情景下，流域的干旱状况得到明显缓解。
图6 西江流域2020—2100年不同SSPs-RCPs情景下SPEI年际变化趋势预测

Fig.6 Prediction of the interannual variation trend of SPEI under different SSPs-RCPs scenarios in the Xijiang River Basin from 2020 to 2100

2.2.2　未来干旱空间分布变化特征

相对于基准期，在3种SSPs-RCPs情景下，未来西江流域在近、中、远3个时期干旱事件发生频率时空分布变化显著（图7）。基准期内，整体上干旱集中于上游地区，具体而言，该流域以轻旱为主，主要集中在西部的百色、南部的崇左、桂林北部及玉林南部，频率多达6~9次/20 a；中旱较少且零散分布；重旱较为罕见，全流域约发生1~3次大规模干旱事件，发生在百色及贺州等地。这与一些研究（张立杰 等，2018；Xu et al., 2019；陈子燊，2020；Zhang et a1., 2023）的干旱趋势及部分区域特征基本相符，即上游地区干旱增加；但龚郑洁等（2024）研究发现广西东部地区，也即下游地区干旱频次更高。导致该差异的原因可能在于选取了不同的数据、时间序列、研究方法等。
图7 西江流域不同等级干旱在基准期和未来时期干旱频率变化的空间分布

Fig.7 Spatial distribution of frequency changes in drought at different levels in the Xijiang River Basin during the baseline and future periods

未来在SSP1-2.6低碳情景下，近期3类干旱频率相对较高，且分布各异，轻旱主要集中在整个流域的东部、中旱集中在南部，重旱以东北、中部为主。随时间推移，3类干旱频率均显著下降，轻旱、中旱和重旱频率分别从近期的3.9、3.3、2.6次/20 a下降至远期2.1、1.4、0.6次/20 a。值得注意的是，3类干旱在远期基本消失，表明持续实施低碳环保策略可显著降低干旱，有效缓解干旱化趋势，反映该策略对气候变化适应的积极成效。在SSP2-4.5中等排放情景，干旱频率变化相对比较平稳但空间差异大。近期，轻旱和中旱影响较为集中，轻旱频率增加主要集中在流域的东部和中部区域，增幅达2~3次/20 a；中旱频率在北部和东部显著增加。中期时中部、东北部成为轻旱频发的重灾区，中旱分布更广；远期轻旱仍集中在东北，中旱逐渐转移至西部偏北。重旱频率虽整体增幅不大，但其影响范围逐渐从东南部向整个流域蔓延，预示着干旱压力在未来将逐渐增加。与低排放情景不同，该情景下干旱频率的空间变化特征更为错综复杂，但整体趋势指向干旱的影响范围和强度在未来均可能加剧。在SSP5-8.5高排放情景，干旱频率全面大幅上升，轻旱、中旱和重旱从近期的2、0.3、0.2次/20 a大幅度增加至远期的5、3.7、3.6次/20a。近期仅轻旱在东部局部增加，中远期全面恶化，空间上呈现为东、中部地区明显增加；中旱广泛覆盖全流域，北部尤为突出，增幅甚至超过2次/20 a；重旱在远期也广泛分布，虽程度略低于前两者，但整体干旱态势极为严峻，呈现全面且显著的干旱加剧态势。
综上，近期内，低排放情景下，干旱频率多以增加为主；而高排放情景以明显减少占主导。然而这一趋势在中远期发生逆转，无论是何种程度的干旱，其频率增加均随排放情景增高而加剧。具体地，低排放情景干旱频率趋于减少，而高排放情景干旱显著增加，且这一趋势在远期表现得尤为突出。这些现象表明，不同排放情景下，西江流域干旱事件频率变化各异，既受制于全球气候变化的影响，也与该区域的社会经济发展路径息息相关。因此，因地制宜，实施区域差异化应对策略，制定适应性和减缓性措施，以应对未来可能的干旱风险显得尤为重要。

2.3　西江流域未来干旱下的人口暴露度变化特征

2.3.1　SSP1-2.6低排放情景下人口暴露度特征

基准期暴露于干旱的人口数为1 038万人，占流域总人口的29.89%；暴露于轻、中和重旱的人口数分别为490万、377万、170万人，以轻旱和中旱人口暴露度较高。空间上呈明显的区域差异性，集中分布在流域中南部和东南部地区，即南宁、来宾、贵港、玉林、梧州等地，最高达13万人以上，归因于这些地区频发的干旱事件和人口密集；西部和北部区域干旱人口暴露度较低。
不同排放情境下，西江流域未来干旱的人口暴露度及分布呈现截然不同的趋势和空间异质性。在SSP1-2.6低排放情景下，3类干旱影响人口数量均呈显著下降趋势。具体地，从近期至远期，轻旱、中旱、重旱分别影响的人口从718万、641万和429万人减至中期的365万、241万和296万人，远期进一步缩减至230万、165万和92万人，降幅显著，接近或超过50%（图8）。这表明低排放策略对减缓干旱风险具有长期有效性，尤其是在控制干旱频率和强度方面成效明显。
图8 西江流域基准期（a）与未来情景下（b）不同等级干旱的人口暴露度及变化

Fig.8 Population exposure and changes of different levels of drought in the Xijiang River Basin during the baseline period(a) and future scenarios(b)

然而，即便在低排放情景下，干旱对人口的持续影响不容忽视，尤其是轻旱。近期北部与东部地区的轻旱人口暴露度明显上升，部分地区甚至翻倍，凸显这些区域对气候变化的高度敏感性。中旱人口暴露度虽相对平稳，但呈向西、向南扩散态势；而重旱在西北部地区显著增加，进一步说明气候变化对特定区域的深刻影响。至中期，低排放情景下的积极效应逐渐显现，干旱人口暴露度的增长势头得到有效控制，尽管东北部个别地区仍面临增长压力，但整体上，西部和南部的暴露度呈稳定下降趋势。重旱影响区域显著收缩至桂中偏西北地区，显示区域间干旱风险变化的差异性。远期整个流域的干旱人口暴露度全面下降，这不仅验证了低排放策略的长期有效性，也强调了气候适应与减排措施在降低干旱风险中的关键作用（图9）。
图9 西江流域在基准期和未来人口暴露度变化的空间分布

Fig. 9 Spatial distribution of population exposure changes in the Xijiang River Basin during the baseline and future periods

2.3.2　SSP2-4.5中等排放情景下人口暴露度特征

中等排放情景下人口暴露度呈现更为严峻的未来趋势。尽管近期干旱暴露人口（轻、中、重旱下分别为：584万、653万和261万人）略低于低排放情景，但中期（轻、中、重旱下分别为：339万、251万和323万人），至远期（轻、中、重旱下分别为：598万、479万和266万人），各干旱等级下的暴露人口均显著增加，增幅分别为22.04%、27.06%和56.47%。这清晰凸显气候变化累积效应对干旱风险的加剧作用。空间上，近期干旱影响的人口主要集中并加剧于中东部地区，轻、中、重旱的暴露人口增长率分别高达90%~250%；尤其是中旱区域不仅面积最大，且其影响范围还扩展至北部地区，表明中等排放情景下干旱的区域性增强和空间差异性扩大，给这些地区带来更严峻的治理和防范挑战。中期，干旱人口暴露度的空间分布呈现复杂的区域差异。北部地区轻旱人口暴露度显著上升，而中部和南部出现下降，这可能与不同区域的生态脆弱性、人口密度及气候适应性措施的差异有关。北部区域因其脆弱的生态环境和人口密集分布，更易受干旱影响，暴露度持续上升。至远期，干旱人口暴露度的地理分布进一步分化。轻旱影响的人口主要集中在北部及东北部，而中旱和重旱影响的人口集中转移至中西部地区，表明干旱风险的区域差异不仅加剧，且其动态变化对区域治理策略提出更高要求。尽管在某些区域，如南部和西部，通过有效的局部调控和治理措施，干旱人口暴露度能有所稳定或下降，但整体上，长期干旱挑战依然严峻。预测结果显示，未来气候政策制定中亟需采取更严格、更精准的适应与缓解措施，以应对气候变化带来的长期干旱风险，尤其要加强中东部和北部等高风险区域的监测、预警及应急管理能力，同时推动区域间的协同治理，共同应对挑战。

2.3.3　SSP5-8.5高排放情景下人口暴露度特征

高排放情景的变化特征尤为引人关注。短期内，干旱人口暴露度出现大幅下降，特别是在轻、中、重旱下的人口暴露度分别减少了14%、85%和93%，这种显著下降可能是极端气候事件频发带来的暂时性人口迁移或避难效应。然而，这种短期下降趋势仅是阶段性表象，远期则隐匿着严峻的潜在危机。中远期，干旱人口暴露度呈现全面且急剧的上升趋势，特别是远期重旱人口暴露度激增124.12%，预示着全球气候变暖与持续高排放将对流域内的人口安全带来严峻挑战。这一现象强烈警示，若不采取有效的减排措施，未来干旱风险将大幅加剧，对人类社会构成重大且长远的威胁。具体地，该情景下的干旱暴露度变化呈现显著的区域差异。近期内，轻旱人口暴露度在流域东北部显著增加，而中旱和重旱人口暴露度则普遍大幅下降，大部分地区减少超过80%，这在一定程度上缓解了部分区域的即时压力。到中期，干旱影响迅速扩大，轻、中、重旱的人口暴露度增加区域几乎覆盖全流域，且干旱强度加强，影响范围越广，显示高排放情景下气候变化的深远和广泛影响。到远期，干旱的人口暴露度全面显著上升，轻旱和中旱分别主要影响中东部和西部及西北部地区，而重旱几乎遍布整个流域，尤以西部地区最为严重。这种变化轨迹清晰地表明，随着时间的推移和排放的累积，干旱的威胁日益加剧，对整个流域的生态系统和人类社会构成极端的气候风险。这不仅凸显了减排措施在缓解干旱风险中的关键作用，也强调了在全球气候变化背景下，加强区域协同、制定适应性策略以及推动低碳转型的紧迫性。对比高排放情景与低排放情景，更加凸显了减排行动对于保护人类社会和自然环境的重要性。

2.4　未来情境下干旱人口暴露度变化的驱动因子分析

干旱人口暴露度变化不仅受人口数量、人口结构及其空间分布的影响，也取决于气候因子（干旱频率）以及两者共同作用因子的变化。分析结果显示西江流域未来不同时段、不同情景下，干旱人口暴露度变化的主导因子均为气候变化（图10）。
图10 西江流域未来不同时期不同情景下驱动因子对人口暴露度变化的贡献

Fig.10 Contribution of driving factors to population exposure changes under the three scenarios in the Xijiang River Basin in the future

近期，各类强度干旱对人口暴露度的主要驱动力是气候因子，贡献率高达50%~100%；而人口因子和共同作用因子的影响较小，贡献率在20%以下，部分情况下甚至出现负影响。表明短期内气候波动是干旱人口暴露度变化的主要推手。中期气候因子依旧处于主导，人口因子和共同作用因子的贡献有限。但在SSP5-8.5情景下，人口因素对轻旱和重旱人口暴露度变化的贡献明显上升，分别达到20%和42%，显示特定情景下人口增长与结构变化在加剧干旱风险中的不可忽视作用。中期，尽管各类强度干旱的人口暴露度变化仍主要由气候驱动，但人口因素的逐步显现预示未来复杂性的增加。远期，尤其是在中高排放情景下，气候因子依然驱动干旱人口暴露度变化的关键因素，在SSP5-8.5情景下，气象因子的贡献尤为显著，对重旱的人口暴露度变化贡献率高达180%，凸显气候变化对干旱风险加剧的直接影响。同一时期，人口因素的贡献也显著增强，尤其在SSP1-2.6的轻旱和中旱人口暴露度变化中，人口因素作用超越气候因素，成为主导力量，贡献率分别增至70%和73%。这表明在积极应对气候变化的同时，人口增长模式、社会经济活动等因素对未来干旱风险的放大效应不容忽视，需综合考虑人口政策、经济发展模式与社会结构的调整。此外，在SSP1-2.6和SSP5-8.5情景下共同作用因子相对较小甚至都呈负影响，表明缓解干旱风险的措施与各类因素之间存在复杂的相互作用。这些现象也要求在制定应对策略时需更精细地平衡各种因素，避免干预措施间产生抵消效应。高排放情景长期将不仅通过气候变化直接加剧干旱程度，还通过复杂的人类行为和社会经济变化进一步增加干旱人口暴露度，这要求在应对干旱风险时采取更加全面、综合和前瞻性的策略。

3 结论与讨论

3.1　结论

本研究对广西西江流域未来干旱变化及人口暴露度进行深入分析，主要结论为：
1）CMIP6多模式耦合平均法显著提升了西江流域气温和降水模拟中的准确性和稳定性，有效降低了单一模式的不确定性。
2）历史数据表明，西江流域气温温和上升，降水量显著减少，干旱化趋势明显。未来，气温将持续上升，尤其是高排放情景下增温更为显著；而降水量总体增加但变化各异，预示流域将面临更复杂多变的气候挑战。
3）未来干旱时空变化显著，干旱频率和强度在不同情景下差异较大。低排放情景下干旱有所缓解，高排放情景下干旱全面加剧，特别是远期影响广泛且严重，需因地制宜制定差异化应对策略。
4）西江流域未来干旱人口暴露度受不同排放情景影响显著，低排放情景下暴露度显著降低，中高排放情景下显著增加，特别是高排放情景下远期重旱暴露度激增。气候变化是影响人口暴露度的主要因素。需综合平衡气候与人口因素，采取有效措施应对干旱风险。

3.2　讨论

本研究聚焦于人类社会活动与气候变化互馈关系，优选最新的CMIP6多模式集合平均数据，系统解析了西江流域未来干旱与人口暴露度的时空变化特征。一般认为，CMIP6全球气候模式需要通过降尺度偏差校正处理，在流域尺度上才能呈现较高的干旱信号捕捉能力与模拟精度。本研究对西江流域相关数据处理过程中，采用分位数映射法、等距累积分布函数匹配、随机森林等方法进行二次降尺度及偏差校正，实验结果并未取得理想效果，反而增大了误差。推测可能是因为NASA此前已优化处理了CMIP6数据集，在此基础上进行二次处理，有可能破坏了数据原有的结构，导致模型效果受到影响。同时，本研究发现CN05.1栅格数据集在评估GCMs输出方面具有显著优势，与王天等（2022）的数据验证结果基本一致。
气候变化背景下，相关研究采用CMIP6模式揭示了石羊河流域（戴君 等，2023）、叶尔羌河流域（向燕芸 等，2024）等传统北方干旱半干旱区流域正经历变暖变湿的转变，干旱风险有减缓趋势。然而，南方湿润区却面临更暖更湿的挑战，夏季降水极不均匀，干旱发生机理与过程变化更为复杂（王天 等，2022；罗蒙 等，2023）。加上广西西江流域地貌类型多样，区域气候复杂多变，大大增加了干旱预测的不确定性和难度。人口暴露度的高低与地理位置、社会经济活动等因素紧密相关，时空特征呈现多样化、差异化特征。审视不同情景下的干旱状况与人口暴露度变化时，发现在SSP1-2.6情景下，干旱状况虽有起伏，但总体呈现先增后减的趋势。然而，在SSP2-4.5和SSP5-8.5情景下，干旱状况则更为复杂严峻。特别是SSP5-8.5情景，干旱全面加剧，轻旱和中旱遍布全流域，重旱频发，暴露度大幅增加，上述发现均与既往研究（Zhao et al., 2022）类似。
本研究也存在一定局限性，如人口预测数据虽然在更新中纳入三孩生育政策，但城镇化等动态影响还欠考虑。另外，双碳目标达成过程中，不同情景的模型参数可能会发生变化，如何动态地结合社会经济发展、数智技术大规模应用等带来的变化以调适模型参数，采用更高时空分辨率的GCMs和精确人口数据，更精准地评估干旱风险和人口暴露度，成为亟待解决的问题。

秦年秀：论文选题，框架设计，论文撰写与修改；

文 凤：数据收集与分析，论文初稿撰写与修改；

汪军能：论文撰写过程指导、定稿审阅及修改；

何继业：数据分析，图件制作与修改，文字校对；

姜 彤：研究方案设计，论文撰写过程指导与修改指导。

衷心感谢两位匿名评审专家在审阅论文过程中投入的大量时间与精力，对本文的研究方法合理性、数据可靠性验证、模型应用适配性以及结果呈现等方面提出了宝贵的修改意见，使本文质量得到显著提升。参考文献（References）：

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
安洁，付博，李玮，彭思源，李本纲. 2020. 东亚地区典型极端气候指标未来预估及高温下人口暴露度研究. 北京大学学报（自然科学版），56（5）：884-892.

An Jie, Fu Bo, Li Wei, Peng Siyuan, and Li Bengang. 2020. Future Prediction of Typical Extreme Climatic Indices and Population Exposure to High Temperature in East Asia. Acta Scientiarum Naturalium Universitatis Pekinensis, 56(5): 884-892.

陈子燊. 2020. 珠江流域干旱时空变化的经验诊断分析. 中山大学学报（自然科学版），59（4）：33-42.

Chen Zishen. 2020. Empirical Diagnostic Analysis on Spatial and Temporal Variations of Droughts in the Pearl River Basin, China. Acta Scientiarum Naturalium Universitatis Sunyatseni, 59(4): 33-42.

戴君，胡海珠，毛晓敏，张霁. 2023. 基于CMIP6多模式预估数据的石羊河流域未来气候变化趋势分析. 干旱区研究，40（10）：1547-1562.

Dai Jun, Hu Haizhu, Mao Xiaomin, and Zhang Ji. 2023. Future Climate Change Trends in the Shiyang River Basin Based on the CMIP6 Multi-Model Estimation Data. Arid Zone Research, 40(10): 1547-1562.

Das J, Das S, and Umamahesh N V. 2023. Population Exposure to Drought Severities under Shared Socioeconomic Pathways Scenarios in India. Science of the Total Environment, 867: 161566.

Dikshit A, Pradhan B, and Huete A. 2021. An Improved SPEI Drought Forecasting Approach Using the Long Short-Term Memory Neural Network. Journal of Environmental Management, 283: 111979.

龚郑洁，雷勇，钟露露，武传号. 2024. 干旱胁迫下珠江流域植被响应的滞后效应及损失概率评估. 应用生态学报，35（4）：1083-1091.

Gong Zhengjie, Lei Yong, Zhong Lulu, and Wu Chuanhao. 2024. Assessment of the Lagging Effect of Vegetation Response and Loss Probability in the Pearl River Basin under Drought Stress. Chinese Journal of Applied Ecology, 35(4): 1083-1091.

韩钦梅，吕建军，史培军. 2018. 湖北省暴雨人口暴露时空特征与贡献率研究. 灾害学，33（4）：191-196.

Han Qinmei, Lyu Jianjun, and Shi Peijun. 2018. Spatial Temporal Characteristics and Contribution Rate of Rainstorm Population Exposure in Hubei. Journal of Catastrophology, 33(4): 191-196.

IPCC. 2012. Managing the Risks of Extreme Events and Disasters to Advance Climate Change Adaptation. Cambridge: Cambridge University Press.

IPCC. 2021. Climate Change 2021: The Physical Science Basis. Cambridge: Cambridge University Press.

Iyakaremye V, Zeng G, Yang X, Zhang G, Ullah I, Gahigi A, Vuguziga F, Asfaw T G, and Ayugi B. 2021. Increased High-Temperature Extremes and Associated Population Exposure in Africa by the Mid-21st Century. Science of the Total Environment, 790: 148162.

姜大膀，王晓欣. 2021. 对IPCC第六次评估报告中有关干旱变化的解读. 大气科学学报，44（5）：650-653.

Jiang Dabang and Wang Xiaoxin. 2021. A Brief Interpretation of Drought Change from IPCC Sixth Assessment Report. Transactions of Atmospheric Sciences, 44(5): 650-653.

姜彤，赵晶，景丞，曹丽格，王艳君，孙赫敏，王安乾，黄金龙，苏布达，王润. 2017. IPCC共享社会经济路径下中国和分省人口变化预估. 气候变化研究进展，13（2）：128-137.

Jiang Tong, Zhao Jing, Jing Cheng, Cao Lige, Wang Yanjun, Sun Hemin, Wang Anqian, Huang Jinlong, Su Buda, and Wang Run. 2017. National and Provincial Population Projected to 2100 under the Shared Socioeconomic Pathways in China. Climate Change Research, 13(2): 128-137.

金佳鑫，肖园园，金君良，朱求安，雍斌，季盈盈. 2021. 长江流域极端水文气象事件时空变化特征及其对植被的影响. 水科学进展，32（6）：867-876.

Jin Jiaxin, Xiao Yuanyuan, Jin Junliang, Zhu Qiu'an, Yong Bin, and Ji Yingying. 2021. Spatial-Temporal Variabilities of the Contrasting Hydrometeorological Extremes and the Impacts on Vegetation Growth over the Yangtze River Basin. Advances in Water Science, 32(6): 867-876.

Jones B, O'Neill B C, Mcdaniel L, Mcginnis S, Mearns L O, and Tebaldi C. 2015. Future Population Exposure to US Heat Extremes. Nature Climate Change, 5(7): 652-655.

Li X, Fang G H, Wen X, Xu M, and Zhang Y. 2022. Characteristics Analysis of Drought at Multiple Spatiotemporal Scale and Assessment of CMIP6 Performance over the Huaihe River Basin. Journal of Hydrology: Regional Studies, 41: 101103.

李大鹏，慕鹏飞，白涛，黄强，黄生志，张迎. 2020. 基于标准化降水指数SPI的西江流域多尺度干旱特征及其驱动力分析. 西安理工大学学报，36（1）：41-50.

Li Dapeng, Mu Pengfei, Bai Tao, Huang Qiang, Huang Shengzhi, and Zhang Ying. 2020. Meteorological Drought Characteristics and Driving Force Analysis of Xijiang River Basin Based on Variable Scale SPI. Journal of Xi'an University of Technology, 36(1): 41-50.

Liao X L, Xu W, Zhang J L, Li Y, and Tian Y G. 2019. Global Exposure to Rainstorms and the Contribution Rates of Climate Change and Population Change. Science of the Total Environment, 663: 644-653.

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. 2023. 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，46（4）：499-516.

Lin Wenqing, Chen Huopo, Xu Huiwen, Ai Yawen, He Wenyue, Zhang Dawei, Wang Fan, Bi Wuxia, and Wang Weiqi. 2023. Significant Increase of Precipitation Extremes will Enlarge Its Population Exposure over Southwest China in the Future. Transactions of Atmospheric Sciences, 46(4): 499-516.

Liu Y, Zhu Y, Zhang L Q, Ren L L, Yuan F, Yang X L, and Jiang S H. 2020. Flash Droughts Characterization over China: From a Perspective of the Rapid Intensification Rate. Science of the Total Environment, 704: 135373.

刘清滢，王艳君，赵庆庆，王媛，高妙妮，姜彤. 2023. 长江中下游地区温湿复合热浪及人口暴露度研究. 气候与环境研究，28（6）：573-582.

Liu Qingying, Wang Yanjun, Zhao Qingqing, Wang Yuan, Gao Miaoni, and Jiang Tong. 2023. Population Exposure to the Compound Temperature-Humidity Heatwaves in the Middle and Lower Reaches of the Yangtze River. Climatic and Environmental Research, 28(6): 573-582.

刘冉，孙劭，鞠蕾，王前锋，邹扬锋，张宇阳，缪丽娟. 2023. 黄淮海平原气象干旱的演化特征与时空规律. 农业工程学报，39（19）：85-92.

Liu Ran, Sun Shao, Ju Lei, Wang Qianfeng, Zou Yangfeng, Zhang Yuyang, and Miao Lijuan. 2023. Evolutionary Characteristics and Spatiotemporal Trend of Meteorological Drought in the Huang-Huai-Hai Plain. Transactions of the Chinese Society of Agricultural Engineering, 39(19): 85-92.

罗蒙，徐非，李蒙，马思源，杨鹏武，黄玮. 2023. CMIP6模式对云南区域性干旱过程的模拟评估及预估. 热带气象学报，39（4）：484-496.

Luo Meng, Xu Fei, Li Meng, Ma Siyuan, Yang Pengwu, and Huang Wei. 2023. Evaluation and Future Projection of Regional Drought Events in Yunnan Province Using CMIP6 Model Products. Journal of Tropical Meteorology, 39(4): 484-496.

Mondal S K, Huang J L, Wang Y J, Su B D, Zhai J Q, Tao H, Wang G J, Fischer T, Wen S S, and Jiang T. 2021. Doubling of the Population Exposed to Drought over South Asia: CMIP6 Multi-Model-Based Analysis. Science of the Total Environment, 771: 145186.

莫建飞，钟仕全，陈燕丽，孙明. 2018. 极端降水事件下广西流域洪涝社会经济暴露度分析. 灾害学，33（2）：83-88.

Mo Jianfei, Zhong Shiquan, Chen Yanli, and Sun Ming. 2018. Study on Social-Economic Exposure Degree Model of Basin Flood Hazard of Extreme Precipitation Events in Guangxi. Journal of Catastrophology, 33(2): 83-88.

Qin N X, Wang J N, Gao L, Hong Y, Huang J L, and Lu Q Q. 2021. Observed Trends of Different Rainfall Intensities and the Associated Spatiotemporal Variations during 1958-2016 in Guangxi, China. International Journal of Climatology, 41: E2880-E2895.

屈艳萍，吕娟，张伟兵，苏志诚，李哲. 2018. 中国历史极端干旱研究进展. 水科学进展，29（2）：283-292.

Qu Yanping, Lyu Juan, Zhang Weibing, Su Zhicheng, and Li Zhe. 2018. Progress in Research on Historical Extreme Drought in China. Advances in Water Science, 29(2): 283-292.

商守卫，王银堂，崔婷婷，李伶杰，刘勇，陈建东. 2022. 基于标准化降水指数的成都市气象干旱演变特征. 水电能源科学，40（12）：26-29，63.

Shang Shouwei, Wang Yintang, Cui Tingting, Li Lingjie, Liu Yong, and Chen Jiandong. 2022. Evolution Characteristics of Meteorological Drought in Chengdu City Based on Standardized Precipitation Index. Water Resources and Power, 40(12): 26-29, 63.

Thrasher B, Wang W L, Michaelis A, Melton F, Lee T, and Nemani R. 2022. NASA Global Daily Downscaled Projections, CMIP6. Scientific Data, 9(1): 262.

Tong S Q, Lai Q, Zhang J Q, Bao Y H, Lusi A, Ma Q Y, Li X Q, and Zhang F. 2018. Spatiotemporal Drought Variability on the Mongolian Plateau From 1980–2014 Based on the SPEI-PM, Intensity Analysis and Hurst Exponent. Science of the Total Environment, 615: 1557-1565.

童新华，梁俏，韦燕飞，韩振锋. 2018. 基于县域尺度的广西人口分布空间格局及时空分异研究. 大众科技，20（7）：23-27.

Tong Xinhua, Liang Qiao, Wei Yanfei, and Han Zhenfeng. 2018. Study on the Spatial Distribution and Space-Time Differentiation of Population in the Counties of Guangxi. Popular Science, 20(7): 23-27.

Vicente-Serrano S M, Beguería S, and López-Moreno J I. 2010. A Multiscalar Drought Index Sensitive to Global Warming: The Standardized Precipitation Evapotranspiration Index. Journal of Climate, 23(7): 1696-1718.

Wang L B, Rohli R V, Lin Q G, Jin S F, and Yan X D. 2022. Impact of Extreme Heatwaves on Population Exposure in China Due to Additional Warming. Sustainability, 14(18): 11458.

Wang LY, Yuan X, Xie Z H, Wu P L, and Li Y H. 2016. Increasing Flash Droughts over China during the Recent Global Warming Hiatus. Scientific Reports, 6(1): 30571.

王岱，崔洋，王素艳，张雯. 2024. 1961—2020年宁夏干旱事件年代际变化及风险评估. 干旱区地理，47（5）：785-797.

Wang Dai, Cui Yang, Wang Suyan, and Zhang Wen. 2024. Interdecadal Changes and Risk Assessment of Drought Events in Ningxia from 1961 to 2020. Arid Land Geography, 47(5): 785-797.

王芳，张晋韬. 2023. 21世纪中国温湿复合型热事件及其人口暴露度预估. 地理科学，43（7）：1259-1269.

Wang Fang and Zhang Jintao. 2023. Projection of Population Exposure to Compound Extreme Heat-Humidity Events in China in the 21st Century. Scientia Geographica Sinica, 43(7): 1259-1269.

王天，涂新军，周宗林，赖荣标，谢星. 2022. 基于CMIP6的珠江流域未来干旱时空变化. 农业工程学报，38（11）：81-90.

Wang Tian, Tu Xinjun, Zhou Zonglin, Lai Rongbiao, and Xie Xing. 2022. Spatiotemporal Variation of Future Droughts in the Pearl River Basin Using CMIP6. Transactions of the Chinese Society of Agricultural Engineering, 38(11): 81-90.

Watts N, Adger W N, Agnolucci P, Blackstock J, Byass P, Cai W, Chaytor S, Colbourn T, Collins M, and Cooper A. 2015. Health and Climate Change: Policy Responses to Protect Public Health. The Lancet, 386(10006): 1861-1914.

Wei Y H, She D X, Xia J, Wang G S, Zhang Q, Huang S Z, Zhang Y, and Wang T Y. 2024. Climate Change Dominates the Increasing Exposure of Global Population to Compound Heatwave and Humidity Extremes in the Future. Climate Dynamics, 62(7): 6203-6217.

Wilhite D A and Glantz M H. 1985. Understanding: The Drought Phenomenon: The Role of Definitions. Water International, 10(3): 111-120.

Wu B F, Ma Z H, and Yan N N. 2020. Agricultural Drought Mitigating Indices Derived from the Changes in Drought Characteristics. Remote Sensing of Environment, 244: 111813.

Wu F, Jiao D L, Yang X L, Cui Z Y, Zhang H S, and Wang Y H. 2023. Evaluation of NEX-GDDP-CMIP6 in Simulation Performance and Drought Capture Utility over China–Based on DISO. Hydrology Research, 54(5): 703-721.

吴佳，高学杰. 2013. 一套格点化的中国区域逐日观测资料及与其它资料的对比. 地球物理学报，56（4）：1102-1111.

Wu Jia and Gao Xuejie. 2013. A Gridded Daily Observation Dataset over China Region and Comparison with the other Datasets. Chinese Journal of Geophysics, 56(4): 1102-1111.

吴志勇，林青霞. 2016. 西江流域水文干旱时空特征分析. 水资源保护，32（1）：51-56.

Wu Zhiyong and Lin Qingxia. 2016. Analysis on Spatial and Temporal Characteristics of Hydrological Drought in Xijiang River Basin. Water Resources Protection, 32(1): 51-56.

向燕芸，王弋，陈亚宁，张齐飞，张玉杰. 2024. 基于CMIP6模式的叶尔羌河流域未来水文干旱风险预估. 干旱区地理，47（5）：798-809.

Xiang Yanyun, Wang Yi, Chen Yaning, Zhang Qifei, and Zhang Yujie. 2024. Prediction of Future Hydrological Drought Risk in the Yarkant River Basin Based on CMIP6 Models. Arid Land Geography, 47(5): 798-809.

闫妍，王钰，胡宝清，黄凯燕. 2019. 像元尺度上广西西江流域水资源可获取性综合评价. 水力发电，45（3）：13-17.

Yan Yan, Wang Yu, Hu Baoqing, and Huang Kaiyan. 2019. Comprehensive Assessment of Water Accessibility in the Xijiang River Basin in Guangxi on Pixel Scale. Water Power, 45(3): 13-17.

Xin X G, Wu T W, Zhang J, Yao J C, and Fang Y J. 2020. Comparison of CMIP6 and CMIP5 Simulations of Precipitation in China and the East Asian Summer Monsoon. International Journal of Climatology, 40(15): 6423-6440.

Xu K, Qin G X, Niu J, Wu C H, Hu B X, Huang G R, and Wang P. 2019. Comparative Analysis of Meteorological and Hydrological Drought Over the Pearl River Basin in Southern China. Hydrology Research, 50(1): 301-318.

Xu Y, Zhang X, Hao Z C, Hao F H, and Li C. 2021. Projections of Future Meteorological Droughts in China under CMIP6 from a Three‐Dimensional Perspective. Agricultural Water Management, 252: 106849.

徐影，周波涛，吴婕，韩振宇，张永香，吴佳. 2017. 1.5～4℃升温阈值下亚洲地区气候变化预估. 气候变化研究进展，13（4）：306-315.

Xu Ying, Zhou Botao, Wu Jie, Han Zhenyu, Zhang Yongxiang, and Wu Jia. 2017. Asian Climate Change in Response to Four Global Warming Targets. Climate Change Research, 13(4): 306-315.

Xue R F, Sun B, Li W L, Li H X, and Zhou B T. 2024. Future Changes in Compound Drought Events and Associated Population and GDP Exposure in China Based on CMIP6. Atmospheric and Oceanic Science Letters, 17(3): 100461.

杨雯倩，史培军，张钢锋，杨胜利. 2022. 西安高温热害人口暴露量及其受灾指数预估研究. 自然灾害学报，31（1）：29-39.

Yang Wenqian, Shi Peijun, Zhang Gangfeng, and Yang Shengli. 2022. Study of Population Exposure to Extreme Heat and the Prediction of Disaster Index in Xi'an. Journal of Natural Disasters, 31(1): 29-39.

姚宁，蒋昆昊，谢文馨，张东彦，杨晓娟，于强. 2024. 气候变化背景下山西省气象干旱时空演变特征. 农业机械学报，55（1）：270-281.

Yao Ning, Jiang Kunhao, Xie Wenxin, Zhang Dongyan, Yang Xiaojuan, and Yu Qiang. 2024. Temporal and Spatial Evolution of Drought Disasters in Shanxi Province under Background of Climate Change. Transactions of the Chinese Society for Agricultural Machinery, 55(1): 270-281.

袁飞，章益棋，刘懿，马明卫，张利敏，石佳勇. 2021. 基于标准化帕尔默干旱指数的西江流域干旱评估. 水资源保护，37（1）：46-52.

Yuan Fei, Zhang Yiqi, Liu Yi, Ma Mingwei, Zhang Limin, and Shi Jiayong. 2021. Drought Assessment of Xijiang River Basin Based on Standardized Palmer Drought Index. Water Resources Conservation, 37(1): 46-52.

张立杰，李健. 2018. 基于SPEI和SPI指数的西江流域干旱多时间尺度变化特征. 高原气象，37（2）：560-567.

Zhang Lijie and Li Jian. 2018. Spatiotemporal Change of Drought at Various Time Scales Indicated by SPEI and SPI in Xijiang River Basin. Plateau Meteorology, 37(2): 560-567.

Zhang Y Q, You Q L, Ullah S, Chen C C, Shen L, and Liu Z. 2023. Substantial Increase in Abrupt Shifts between Drought and Flood Events in China Based on Observations and Model Simulations. Science of the Total Environment, 876: 162822.

Zhao F B, Wu Y P, Yin X W, Sun K, Ma S, Zhang S N, Liu S G, Wang W K, and Chen J. 2022. Projected Changes in Population Exposure to Drought in China under CMIP6 Forcing Scenarios. Atmospheric Environment, 282: 119162.

郑殿元，黄晓军. 2022. 中国县域高温人口暴露风险及其影响因素研究. 地域研究与开发，41（4）：143-149.

Zheng Dianyuan and Huang Xiaojun. 2022. Population Exposure Risk of Heat Wave and Its Influencing Factors at County Level in China. Areal Research and Development, 41(4): 143-149.

中华人民共和国国家质量监督检验检疫总局，中国国家标准化管理委员会. 2017. 气象干旱等级：GB/T20481—2017. （2017-09-07）[2024-09-31]. https://www. cma. gov. cn/zfxxgk/gknr/flfgbz/bz/202209/t20220921_5098974. html.

General Administration of Quality Supervision, Inspection and Quarantine of the People's Republic of China and Standardization Administration of China. 2017. Grades of Meteorological Drought: GB/T20481-2017. (2017-09-07) [2024-09-31]. https://www. cma. gov. cn/zfxxgk/gknr/flfgbz/bz/202209/t20220921_5098974. html.

Options
文章导航

/

〈 〉