The Uncertainties of the Effects in Hydrology under Climate Change

- 1 - http://www.ivypub.org/fes

Frontier of Environmental Science December 2012, Volume 1, Issue 1, PP.1-6

The Uncertainties of the Effects in Hydrology under Climate Change Leihua Dong

State Key Laboratory of Water Resources and Hydropower Engineering Science, Wuhan University, Wuhan 430072, China

Email: [email protected]

Abstract

Climate change has great effects on hydrological processes, which has been a hot topic during the researches with respect to

hydrology and water resources. However, it is unavoidable that many uncertainty factors are generated during the process of

assessing the effect. Based on the process for the effect assessment of climate change to hydrology, the sources of uncertainties can

be divided to two categories that are the uncertainties in the process of climate prediction and the uncertainties in the process of

hydrological evaluation. Afterwards, the specific uncertainties belong to two main uncertainties are illustrated in detail. At last,

according to the researchs related to the uncertainty problem of climate change and hydrological modeling, the methods used in

these researches are summarized in this paper.

Keywords: Climate Change; Hydrological Influences; Uncertainty Analysis

气候变化下水文影响的不确定性问题* 董磊华

武汉大学水资源与水电工程科学国家重点实验室，湖北武汉 430072

摘要：气候变化对水文过程的影响是目前水科学研究中的热点问题，但是影响评价过程中不可避免地产生了很多不确定

性因素。根据气候变化对水文影响的评价过程，本文将不确定性来源分为两大类：气候预测中的不确定性和水文评价中的

不确定性。然后，对这两大类不确定性中的具体不确定性因素进行了分别阐述。最后，结合目前国内外的研究进展，对气

候变化下水文影响的不确定性研究方法进行了归纳总结。

关键词：气候变化；水文影响；不确定性分析

引言

根据政府间气候变化专业委员会 Intergovernmental Panel on Climate Change (IPCC)先后于 1990年、1996年、

2001 年和 2007 年完成的 4 次权威评估报告，气候变化带来的影响不仅仅是全球变暖，对水文水资源也带来了

前所未有的挑战。例如降雨的变化，影响着陆地水文循环系统，进而影响了水资源的时空分布。目前常用的模

拟全球气候变化对水文影响的方法，是采用全球气候模式(GCMs)来模拟不同温室气体排放情景下的气候因子变

化，然后利用降尺度方法将全球尺度的气候变化转化为流域尺度的气候变化作为水文模型的输入，最后用水文

模型来模拟气候变化给水文带来的影响[1,2]。但是，由于目前对气候变化的预测精度有限，只能给出一种可能的

变化趋势，加之水文过程中的种种复杂性，使气候变化对水文的影响评价过程中存在很大的不确定性。

因此，气候变化情景下的水文不确定性包括两大类：一、气候预测中的不确定性；二、水文评价中的不确

定性。其中，气候预测中的不确定性，在全球尺度上与不同气候模式和排放情景的假设紧密相关，在研究尺度

* The study is financially supported by the Fundamental Research Funds for the Central Universities. 基金项目：中央高校基本科研业务费专项资金资助。


上与降尺度方法或者区域气候模式的不确定性有关。主要包括以下三个方面的不确定性：气候模式的不完善，

排放情景的不确定性和降尺度方法的不确定性。在水文评价方面，不确定性主要来源于水文模型的结构和参数，

以及由气候预测得到的输入数据。

本文将从这两个方面中的各种不确定性因素，总结其研究分析方法的国内外进展，并对降低这些不确定性

提出一些建议。

1 气候预测中的不确定性

全球气候模式是目前生成未来气候变化情景的最有效方法，广泛被用于评价气候变化对流域水文水资源

的影响之中。在评价气候变化对水文的影响时，一般首先选定全球气候模式中的气候因子，然后选定特定的

气候情景，对这些气候情景下的全球尺度气候数据进行降尺度到研究区域，最后将区域气候数据作为水文模

型的输入数据，来预测未来气候变化对水文因子的影响。在这个过程中，与气候预测有关的不确定性因素通

常来源于以下 3 个方面：气候模式的不完善、排放情景的不确定和降尺度方法的不确定性。

1.1 气候模式的不确定性

气候系统由大气圈、水圈、冰雪圈、陆地和生物圈五个主要部分组成，是一个复杂多样的系统。气候的

变化不仅受内部大气-海洋-陆地-冰雪系统的相互作用的影响，还受外部影响气候变化的自然因素如太阳活动

变化，以及人为活动如土地利用变化的影响。气候模式是用来描述气候系统、系统内部各个组成部分以及各

个部分之间、各个部分内部子系统间复杂的相互作用，它已经成为认识气候系统行为和预估未来气候变化的

定量化研究工具。

随着计算机技术和人们认识水平的提高，全球气候模式已具有一定的模拟全球、半球和纬向平均气候条

件的能力，在 IPCC 的报告中不同气候模式可以给出较一致的气候变化趋势。气候模式大体可分为简单气候

模式、耦合气候模式和中等复杂的地球系统模式。简单气候模式概化了海洋-大气系统，并与简化的地球生物

化学圈模式耦合，能大致估测气候对各种情景的响应。耦合模式囊括了大气、海洋、陆面模式，甚至包括碳

循环等模块，能够用于研究大气-海洋-陆面的相互作用和气候系统变化规律。其中，全球海气耦合模式

(AOGCM)是目前最全面的气候模式，可以用来研究海洋状况和土壤湿度等因素的变化规律。中等复杂地球系

统模式(EMIC)基于简单气候模式，但加入了大气和海洋的动力过程，能对未来的气候概率进行预估。IPCC

报告主要采用的是耦合气候模式来评估气候变化。目前，世界各国已经研制了 40 多个全球气候模式，其中

耦合气候模式例如英国 Hadley 气候预测与研究中心的 HADCM3、美国国家大气研究中心的 NCAR2PCM 和

德国马普实验室的 ECHAM5/MPI2OM 最具影响力。

由于气候变化的复杂性、多样性和计算分析的困难性，尽管气候模式在不断改进，但目前世界各国研制

的全球气候模式(GCMs)的模拟能力仍然有限，模拟的气候状况与真实情况存在着较大差距[3,4]。

气候模式的不确定性主要是因为对云-辐射-气溶胶相互作用和反馈过程、大气中各种微量气体与辐射之

间的关系、水循环过程、陆面过程、海洋模式的逼近程度、海-气-冰之间的相互作用和反馈的认识和了解有

限。对地球辐射能量平衡的模拟，对云的模拟，对降水的模拟都存在很多不确定性因素。尤其是对降水的模

拟，尽管许多模式可以模拟一些区域大尺度的降水趋势，但在小尺度上模拟能力很差。Lebel 等比较了非洲

西部在 1960-1990 年间 GCM 模式的模拟结果和实测数据，得出结论：模式对降水的季节变化和年际变化模

拟效果不佳[5]。同样，对于印度夏季降水的预测，也不能预测到降水变化的信号、时间以及年际变化[6]。在

国内，赵宗慈等将 1961-1990 年 5 个海气耦合模式预测的表面大气温度和降水与实测数据对比，结果表面这

5 个模式对东亚和中国区域的气候都有一定的模拟能力，但模拟场仍存在较明显的系统误差[7]。

1.2 排放情景的不确定性

排放情景是指一种关于对辐射有潜在影响的物质（如：温室气体、气溶胶）未来排放趋势的合理表述。


它基于连贯的和内部一致的一系列有关驱动力(如：人口增长、社会经济发展、技术变化)及其主要相关关系

的假设[8]。

IPCC 共发布了两套排放情景，第一套是第二次评估报告中的 IS92 情景[9]。第二套就是 SRES 情景[10,11]，

它包含 A1、A2、B1 和 B2 四种不同情景。A1 描述的是经济高速发展，全球人口在 21 世纪中达到峰值，高

排放情景的世界；A2 描述的是人口持续增长，人均经济增长和技术变化有明显地方性，全球化不明显的世界；

B1 描述的是从全球角度解决经济，社会和环境可持续性问题的低排放情景的世界；B2 描述的是从局地解决

经济、社会和环境可持续性问题的世界[12]。

温室气体排放预测是气候模式的重要输入条件，其不确定性必然会导致气候模式输出结果的不确定性。

温室气体排放情景的不确定性主要来源于，未来社会经济、环境、土地利用和技术进步等社会、自然和技术

因素的变化难以准确地描述和预测。而且这些因素对气候的影响的不确定性也是很难预估的。

1.3 降尺度方法的不确定性

全球气候模式预测的气候因子一般都是基于全球这个大尺度的，如果要将这些大尺度的输出数据输入流

域水文模型中来评价气候变化对水文水资源的影响，必然会产生数据之间的空间分辨率不一致，尺度不匹配

的问题。因此，GCMs 数据很难直接用于小尺度的水文模型，必须采用一些例如降尺度和插值等后期处理方

法来解决尺度不匹配的问题。所以，动力降尺度法得到的区域气候模式(RCMs)和统计降尺度法得到的 RCMs

应运而生，它们是基于 GCMs 初始的和时变侧边界条件开发的，仅适用于限定的区域内。

降尺度技术大体分为 3 类：统计关系法、环流分型技术和天气发生器[13]。统计关系法的基本思想是，建

立区域气候变量和全球气候模式中预报因子之间的统计线性或非线性关系。但是，由于预报因子和预报量之

间缺乏稳定的关系，而且这种关系会随着时间的变化而发生变化，这种方法降解得到的区域气候数据有很大

的不确定性。环流分型技术是首先将与区域气候变化有关的大气环流因子进行分类，然后建立区域气候变量

与不同种类大气环流因子之间的关系。这个方法是基于大气环流和区域气候的紧密关系，但是其可靠性也取

决于这种关系的稳定性，仍然存在不确定性，例如降水与大尺度环流之间的关系往往没有那么明显。天气发

生器法的基本原理是根据气候模型预测的变化因素的扰动为基础的，它能够迅速产生一系列气候情景用于研

究罕见气候事件的影响和自然的变异性。

每一种降尺度方法都有优势和劣势，有些方法无法预测水文中的变异性，有些方法无法预测水文中的极

端气候事件。即使采用相同的全球气候模式，不同降尺度方法得到的气候预测结果不同，这些结果的差异无

疑导致了量化气候变化对水文影响的不确定性[14]。

2 水文评价中的不确定性

当全球气候模式通过降尺度得到区域的气候预测，一般将此气候数据作为流域水文模型的输入来计算分

析气候情景下流域的水文水资源状况。流域水文模型是研究未来气候情景下，水文水资源变化的重要工具。

因而，水文模型评价中的不确定性也是气候变化影响评价的主要不确定性来源之一。在水文评价中，除了气

候模式带来的气候输入数据的不确定性，水文模型中的不确定性还包括模型结构和模拟方法的不确定性，以

及模型参数优选的不确定性[15]。

2.1 模型结构的不确定性

由于水文现象的复杂性，加之不同流域的产、汇流机制以及下垫面条件的不同，水文模型很难准确地描

述每一个流域的水文循环过程[16]。用相对简单的数学公式来概化高度复杂的水文过程，这个过程中往往会出

现“失真”，从而造成水文模型的不确定性。例如，新安江模型被广泛应用于中国大大小小的流域，但是其产

流机理是建立于蓄满产流之上，因此它只能适用于湿润和半湿润地区。对于干旱地区，可能得采用以超渗产

流为主的产流机制的水文模型。


2.2 模型参数的不确定性

Beven 等人发现[17]，在参数的取值范围内，在一个特定的目标函数下，可能存在许多组参数值组合可以

得到十分相似的模拟结果，这种现象被称为异参同效性。这种现象反映了模型结构组成之间的相互作用，是

参数不确定性的原因之一。模型参数的不确定性的另外一个主要来源就是参数优化过程中的不确定性。在水

文模型中，多数模型参数都是由实测资料和参数优化方法在目标函数的限制下得到最优解[18]。因此，参数率

定资料、参数优化方法、目标函数的选取都影响到参数值，给模型参数的确定带来了诸多不确定性。

3 不确定性研究方法

气候变化对水文影响的预估为未来水资源管理以及气候变化适应政策的制定提供了理论基础，但是预估

的不确定性不可忽视，减小预估的不确定性是科学界始终在探索和研究的课题。总结近年来气候变化对水文

影响的不确定性研究，归纳其研究方法，得到以下三点方法：敏感性分析，气候模型和情景的集合模拟，概

率不确定性分析。

3.1 敏感性分析

敏感性分析是评价模型参数或者输入数据误差对结果影响的重要方法，它分为局部敏感性分析和全局敏

感性分析两种。其中，局部敏感性分析是每次变动一个参数或一个输入因子，来计算模拟结果的差别，从而

分析参数或者输入因子的敏感程度[19,20]。这种方法简单易行，但是不能反映非线性复杂模型的参数之间的相

关性。而全局敏感性分析方法可以同时分析多个参数或者多个输入因子对模拟结果的影响[21,22]。

敏感性分析可以减小模型参数的不确定性，但是没有考虑模型结构的不确定性，可能会误将模型结构的

不确定性引入参数的不确定性分析中[23]。

3.2 气候模型和排放情景的集合模拟

到目前为止，IPCC 已经报道了全世界研发的 40 多种全球气候模式和 4 种排放情景。由于这些气候模式

的模拟结果各不相同、各有优势，加之对未来排放形势的估计的不确定性，集合模拟迅速发展起来。集合模

拟是通过多个气候模式和排放情景的组合，或者对单个模式的参数进行扰动来得到集合预报结果的。因为集

合模拟也可以提供概率形式的结果，所以不确定性可以通过集合模拟的方法得到[24-26]。

3.3 概率不确定性分析

概率不确定性分析是通过模拟结果的概率分布来构造置信区间，从而定量描述不确定性。它的核心思想

是充分利用一切可能的资料来得到模拟变量的概率分布。目前，概率不确定性分析的主要方法包括：蒙特卡

洛随机模拟[27]、卡尔曼滤波法[28]和贝叶斯方法[29-31]。

4 结论

本文对气候变化下水文影响的不确定性来源进行了详细的分类，大体分为气候预测和水文评价两大类。

其中，气候预测中，不确定性主要来源于气候模式、温室气体排放情景和降尺度方法。水文评价中，不确定

性除了来自于气候模式模拟结果的不确定性，还有模型结构的不确定性和模型参数优化的不确定性。参考国

内外对气候变化下水文影响不确定性的研究，本文总结了不确定性评价的主流方法，主要包括敏感性分析、

集合模拟和概率不确定性分析。

REFERENCES

[1] Xu C. From GCMs to river flow: a review of downscaling techniques and hydrologic modeling approaches[J]. Progress in

Physical Geography, 1999, 23 (2): 229-249

[2] Xu C, Wide E, Halldin S. Modelling hydrological consequences of climate change - progress and challenges[J]. Advances in


Atmospheric Sciences, 2005, 22 (6): 789-797

[3] Houghton J T, Ding Y, Griggs D J et al. Climate Change 2001: The scientific basis[M]. Cambridge University Press, 2001

[4] Baede A P M, Ahlonsou E, Ding Y, Schimel D. The Climate System, An Overview. In: Climate Change 2001: The Scientific

Basis. Contribution of Working Group I to the Third Assessment Report of the Intergovernmental Panel on Climate Change[M].

Cambridge University Press, Cambridge, United Kingdom and New York, NY, USA, 2001, 881pp

[5] Walsh K, Pittock A B. Potential changes in tropical storms, hurricanes, and extreme rain fall events as a result of climate change[J].

Climatic Change, 1998, 39: 199-213

[6] Lebel T, Delclaux F, Le Barb L, et al. From GCM scales to hydrological scales: rainfall variability in West Africa[J]. Stochastic

Environmental Research and Risk Assessment, 2000, 14: 275-295

[7] 赵宗慈, 丁一汇. 海气耦合模式在东亚地区的可靠性评估[J]. 应用气象学报. 1995(6): 9-18

[8] 董磊华, 熊立华, 于坤霞, 李帅. 气候变化与人类活动对水文影响的研究进展[J]. 水科学进展, 2012, 23(2): 286-293

[9] IPCC. Climate Change 1995 Impacts Adaptation and Mitigation[M]. Cambridge: Cambridge University Press, 1996

[10] IPCC. Climate Change 2001 Impacts Adaptation and Vulnerability[M]. Cambridge: Cambridge University Press, 2001

[11] IPCC. Climate Change 2007: The Physical Science Basis Summary for Policymakers [M]. Cambridge: Cambridge University

Press. 2007

[12] 吴赛男, 廖文根, 隋欣. 气候变化对流域水资源影响评价中的不确定性问题[J]. 中国水能及电气化, 2011, 71(11): 14-18

[13] Subimal G, Chaitali M. Assessing Hydrological Impacts of Climate Change: Modeling Techniques and Challenges[J]. The Open

Hydrology Journal, 2010, 4: 115-121

[14] 郭亚男. 量化气候变化对水文影响的降尺度方法的不确定性[J]. 水利水电快报, 2012, 33(8): 15-19

[15] 武震, 张世强, 丁永建. 水文系统模拟不确定性研究进展[J]. 中国沙漠, 2007, 27(5): 890-896

[16] 胡和平, 田富强. 物理性流域水文模型研究新进展[J]. 水利学报, 2007, 38(5): 511-517

[17] Beven KJ, Binley AM. The future of distributed models: model calibration and uncertainty prediction. Hydrological Processes

1992, 6: 279-298

[18] 熊立华, 郭生练. 分布式流域水文模型[M]. 北京: 中国水利水电出版社, 2004

[19] Challinor A J, Wheeler T R. Crop yield reduction in the tropics under climate change: Processes and uncertainties[J]. Agric. For

Meteorol, 2008, 148: 343-356

[20] New M, Hulme M. Representing uncertainty in climate change scenarios: A Monte-carlo approach[J]. Integr. Assess., 2000, 1:

203-213

[21] Makowski D, Naud C, Jeuffroy M H, et al. Global sensitivity analysis for calculating the contribution of genetic parameters to the

variance of crop model prediction[J]. Reliab. Eng. Syst. Safe, 2006, 91: 1142-1147

[22] Wu Jin, Yu Fushui, Chen Zhongxin, et al. Global sensitivity analysis of growth simulation parameters of winter wheat based on

EPIC model[J]. Transactions of the CSAE, 2009, 25(7): 136-142

[23] Refsgaard J C, van der Sluijs J P, Brown J, et al. A framework for dealing with uncertainty due to model structure error[J]. Adv.

Water Res., 2006, 29: 1586-1597

[24] Murphy J M, Sexton D M H, Barnett D N, et al. Quantification of modelling uncertainties in a large ensemble of climate change

simulations[J]. Nature, 2004, 430: 768-772

[25] Lobell D B, Burke M B, Tebaldi C, et al. Prioritizing climate change adaptation needs for food security in 2030[J]. Science, 2008,

319: 607-610

[26] Tao F L, Zhang Z, Liu J Y, et al. Modeling the impacts of weather and climate variability on crop productivity over a large area: A

new super-ensemble-based probabilistic projection[J]. Agric. For Meteorol., 2009, 149: 1266-1278

[27] Kuczera G, Parent E. Monte Carlo assessment of parameter uncertainty in conceptual catchment models: the Metropolis

algorithm[J]. Journal of Hydrology, 1998, 211(1–4): 69-85

[28] Van Griensven A, Meixner T. Methods to quantify and identify the sources of uncertainty for river basin water quality models[J].


Water Science and Technology, 2006, 53(1): 51-59

[29] Krzysztofowicz R. Bayesian model of forecasted time series[J]. Water Resource Research, 1985, 21(5): 805-814

[30] Krzysztofowicz R, Watada L M. Stochastic model of seasonal runoff forecasts[J]. Water Resource research, 1986, 22(3): 296-302

[31] Krzysztofowicz R, Reese S. Bayesian analysis of seasonal runoff forecasts[J]. Stochastic Hydrology and Hydraulics, 1991, 5:

295-322

【作者简介】

董磊华（1985-），女，汉族，博士，研究方向：流域水文模型和水文不确定性分析。

Email: [email protected]

The Uncertainties of the Effects in Hydrology under Climate Change

Documents

Transcript of The Uncertainties of the Effects in Hydrology under Climate Change