基于高斯随机场的干旱预测降尺度方法：将CMIP6不同情景与亚热带河流流域的局部水文状况相联系

《Journal of Hydrology》：Gaussian random field-based downscaling for drought projections: linking CMIP6 SSPs to local hydrology in a subtropical river basin

　　何子忠|秦晓生|马珍珍|王一成
中国南京河海大学水文与水资源学院，邮编210098

摘要
准确呈现气象场中的空间相关性结构对于评估流域内的气候影响至关重要。本研究基于高斯随机场构建了一种降尺度框架，将分辨率较低的CMIP6输出数据转换为流域尺度的气象场。通过该框架得到的降尺度预测结果与分布式的新疆模型相结合，用于模拟水文过程，同时运用K均值聚类方法识别年度的雨季和旱季。随后，利用标准化干旱指数对气象干旱和水文干旱进行评估。以元河流域为案例研究，结果表明，在SSP2-4.5和SSP5-8.5两种情景下，该基于高斯随机场的框架能够有效保留六个CMIP6模型中的空间相关性特征。长期预测显示，21世纪中后期，旱季时长会缩短，整个流域的气象干旱和水文干旱强度在年度和季节尺度上都会减弱。不过，年内变化较为显著：10月预计会变得更干燥，而雨季月份的湿度则可能上升。在SSP5-8.5情景下的干旱程度明显高于SSP2-4.5情景。此外，与不使用该框架相比，高斯随机场重建方法能增强流域内干旱指数的空间差异性。这种基于高斯随机场的框架不仅能保持空间一致性，还能通过与水文建模和聚类分析相结合，提供高分辨率的流域尺度干旱预测结果。这些功能有助于建立早期预警系统、实现适应性水资源分配以及制定长期的气候适应规划。

引言
自工业革命以来，由于人类活动导致的温室气体排放不断增加，全球气候变化日益加剧，这无疑是一个重大的科学挑战（Zheng等人，2018；Chen等人，2021；Li等人，2026）。这种升温现象扰乱了水循环，导致全球极端干旱的发生频率、严重程度和持续时间不断增加（Li等人，2025），进而威胁到区域的水资源安全、生态稳定以及社会经济的可持续发展能力（Samaniego和Bárdossy，2007；Saki等人，2023）。目前，现有的全球气候模型，如第六阶段耦合模型比较计划中的模型，其分辨率较低，难以准确预测受复杂地形和不同类型地表影响的局部水文变化（Ashfaq等人，2022；Singh和Qin，2020；Qin和Dai，2022）。因此，开发能够填补CMIP6输出结果与高分辨率、符合物理规律的水文预测之间的差距的方法论框架，对于气候适应规划而言至关重要（Grose等人，2023）。

CMIP6的输出结果已被广泛用于长江流域的研究，主要是在整个流域或主要子流域尺度上。相关研究探讨了源头地区的冰川退缩及其对水文的影响（Gao等人，2021），预测了长江上游流域的年径流变化及水文极端事件的情况（Wang等人，2022），还分析了在不同社会经济情景下洪水特征的多种变化趋势（Zhang等人，2023）。其他研究则着眼于极端高温事件及其带来的健康风险（Ren等人，2025），评估了复合型洪灾与热浪带来的社会经济影响（Meng等人，2025），分析了生态系统水分产量的长期变化驱动因素（Wang等人，2025a），以及这类变化对雅砻江等支流水电发电量的影响（Zhao等人，2022）。CMIP6结果还表明，长江源区的气候将会变得更加湿润（Ning等人，2024）。

尽管已有诸多研究成果，但在将CMIP6模型应用于较小的支流和中等规模的流域方面仍存在不足，因为大多数研究都集中在主干流、主要支流或汇总后的子流域上。对于这些复杂的系统，要想获得精准的预测结果，就需要通过复杂的降尺度方法，将分辨率较低的CMIP6输出数据转换为适合水文或生态建模的高分辨率数据，这一需求在更大规模的流域研究中也被反复强调（Lafferty和Sriver，2023）。

将CMIP6的输出结果与水文模型相结合，有助于更深入地了解全球未来水文特征及其演变规律。人们利用不同社会经济情景下的多模型集合来驱动SWAT、PCR-GLOBWB、MODFLOW和WEAP等模型，通过标准化径流指数、标准化供水需求指数和标准化土壤水分指数等指标来量化水文干旱程度（Aguayo等人，2021；Wang等人，2021；Zhang等人，2022；Wang等人，2023a；Wang等人，2023b；Zhu，2023；Afsari等人，2024；Liu等人，2025）。这些研究预测，21世纪，尤其是在高排放情景下，亚马逊地区、地中海地区、非洲南部、澳大利亚、南亚、美国西南部以及中国的黄河、长江、珠江、塔里木河、东江、汉江、澜沧江-湄公河和阿姆河等主要河流流域，干旱的频率、持续时间和严重程度都将有所增加（Su等人，2021；Dai等人，2022a；Salehie等人，2022；Zeng等人，2022；Zhao和Dai，2022；Wu等人，2023）。在方法创新方面，有一些研究采用了结合分解算法和机器学习方法的混合模型，用于处理数据匮乏的流域（Zhu，2023）；还有些研究提出了考虑降雨模式的新型干旱指数（Samantaray等人，2022）；此外，还有一些框架用于确定从气象干旱到水文干旱和社会经济干旱的转化阈值（Wang等人，2021；Wang等人，2023a；Wang等人，2023b；Zhou等人，2023）。研究结果表明，气候变化会导致干旱传播加剧，其中气象干旱与水文干旱之间的关联更为紧密，响应速度也更快，而社会经济干旱的触发阈值则会随着辐射强迫的增加而上升（Wang等人，2021；Zeng等人，2022；Zhao和Dai，2022；Wang等人，2023a；Wang等人，2023b；Huang等人，2025）。研究还指出了蒸发蒸腾作用增强、降水变化较大（Zhao和Dai，2022；Xu等人，2024）、模型不确定性需要采用更为稳健的集合分析方法（Papalexiou等人，2021a；Dixit等人，2022）以及干旱特征的季节性变化等因素的作用。总体而言，这些研究结果为在气候变化背景下制定水资源管理及干旱缓解策略提供了重要依据。

一般环流模型的降尺度处理方法通常采用动态和统计两种途径，将宏观的气候预测结果转化为具有地域针对性的水文信息。动态降尺度方法会使用区域气候模型，比如CORDEX模型（Grose等人，2023）以及经过偏差校正的CMIP6数据集（Xu等人，2021），这类方法能够较好地体现地形和物理反馈机制，但计算成本较高（Lafferty和Sriver，2023）。统计方法则依赖于大规模预测因子与局部观测值之间的经验关系，包括贝叶斯克里金法（Lima等人，2021）、多站点随机模型（Mehrotra等人，2013）以及GWR-KED方法（Zhao等人，2022）。像NASA的NEX-GDDP-CMIP6这样的实用框架则通过偏差校正和空间分解来提升极端事件的模拟精度（Zhang等人，2024），而局部类似方法则有助于提高日尺度极端值的预测精度（Pierce等人，2023）。

尽管统计方法效率较高，但往往无法保持空间一致性，从而导致以下问题：首先，站点间的依赖关系表现不佳（Mehrotra等人，2013；Pervez和Henebry，2014）；其次，极端降水量预测的准确性较低（Pierce等人，2023；Zhang等人，2024）；第三，无法充分反映子流域内的差异性（Zheng等人，2024；Wang等人，2025b）。虽然有一些混合方法，比如两步降尺度法（Li等人，2024）和保持方差的偏差校正方法（Xu等人，2021），能够在一定程度上提高预测精度，但空间一致性问题依然存在。因此，需要一种综合性的框架，既能在保证计算可行性的同时，又能形成空间上连贯的气候场，从而为流域尺度的评估提供可靠依据。

在重建气象场中的空间一致性方面，人们采用了多种方法，其中潜在高斯随机场因其能够构建真实的空间依赖结构而具有显著优势。Allcroft和Glasbey（2003b）率先采用了这种基于阈值的高斯随机场方法，将其视为高斯马尔可夫随机场，用于在保持空间一致性的同时对降雨数据进行分解。同样，Baxevani和Lennartsson（2015）则利用经过截断处理的潜在高斯随机场来模拟降水的发生概率和强度，并证明了该方法能够有效描述时空上的复杂依赖关系。虽然也存在其他方法，比如基于Copula函数的方法（Vandenberghe等人，2010）、数据驱动的方法，如小波-SOM聚类方法（Hsu和Li，2010）或小波-NDVI融合方法（Quiroz等人，2011），以及那些具备高预测精度的现代机器学习模型（Lam等人，2023），但由高斯随机场所构建的显式空间协方差结构依然具有基础性意义，尤其是在空间极端值分析领域（Davison等人，2012）。高斯随机场具有诸多优势，包括在协方差设定方面的理论灵活性、对多变量依赖关系的自然处理能力、具备概率模拟功能，以及在不同尺度上都能保持一致性，因此它成为重建气象场空间相关性的有力工具。

高斯随机场为模拟水文变量的时空分布提供了灵活的框架，它可以通过将粗分辨率数据转换为带阈值的高斯过程来实现降雨量的空间分解，同时借助高斯马尔可夫随机场和高效的吉布斯采样方法来保持变量之间的依赖关系（Allcroft和Glasbey，2003b）。此外，它还能够通过整合雨量站数据与雷达获取的空间分布信息，来实现降水场的条件模拟（Yan等人，2021），并且有助于生成高分辨率的降雨-径流模拟集合，从而显著提升径流预测的准确性（Vischel等人，2009）。在河流流量模拟方面，高斯随机场是生成用于驱动水文过程的时空相关输入数据的重要工具。早期的相关研究包括HYDRO_GEN算法（Bellin和Rubin，1996），该算法能够高效地模拟具有预定协方差结构的稳态空间场，同时可以处理各向同性和各向异性情况。高斯Copula函数（Renard和Lang，2007）被广泛用于模拟多变量空间依赖关系，尤其适用于极端流量和洪水风险的分析。更为先进的高斯随机场框架，如CoSMoS模型（Papalexiou等人，2021b），则进一步拓展了这些功能，它们通过引入速度场和各向异性变换，能够模拟更为复杂的时空动态，包括与径流生成相关的风暴输送和类似飓风的降雨模式。元高斯方法则能够在保持空间相关性的同时，保留非高斯分布的边缘特性（Serinaldi和Kilsby，2014），而基于统一Copula函数的方法则能够处理间歇性现象和复杂的边缘分布特征（Papalexiou和Serinaldi，2020）。

尽管高斯随机场在捕捉水文变量的时空依赖关系以及模拟非高斯特性方面表现出较强能力，但其在从CMIP6数据到干旱建模的整个流程中的应用仍然较为有限。高斯随机场在降尺度处理和条件模拟降水方面确实效果显著（Gyasi-Agyei和Pegram，2014；Yan等人，2021），但却很少被用来将分辨率较低的CMIP6输出数据转换为适合水文干旱建模的流域尺度输入数据。这种未充分利用高斯随机场的现象是一个亟待解决的问题，因为它会阻碍高分辨率、空间上连贯的气象数据集的生成，而这类数据集对于准确评估未来不同社会经济情景下的干旱严重程度、发生频率及传播趋势至关重要。因此，开发专门用于连接CMIP6输出数据与流域尺度水文模型的、基于高斯随机场的降尺度技术，对于降低未来干旱预测的不确定性具有重要意义。

为解决这一问题，本研究构建了一种基于高斯随机场的空间相关性重建框架，用于降尺度处理CMIP6数据，为中国元河流域生成高分辨率的气象场。之后，将这些降尺度处理后的数据与分布式的新疆水文模型相结合，用于模拟气候变化情景下的流域尺度水文过程。再结合干旱分析方法，该框架可用于分析不同未来气候预测情景下的干旱特征。第2部分介绍了研究方法，第3部分给出了案例研究的结果。第4部分对模型结果进行了分析，第5部分为讨论内容，第6部分则阐述了本研究的方法学进展及主要贡献。该研究得出了可靠的预测结果，包括干旱季节的缩短、年度内的变化趋势如更干燥的10月和更湿润的雨季，以及不同子流域的脆弱性。这些结果为干旱早期预警、适应性水资源分配以及长期气候适应能力提升提供了可行的指导。

方法论进展与主要贡献
本研究开发了一种基于高斯随机场的降尺度框架，用于解决通过空间插值对CMIP6数据进行区域降尺度处理后，不同空间点上气象序列之间相关性出现的偏差问题。通过将基于高斯随机场的降尺度数据输入到分布式新疆模型中，并结合聚类分析与时序干旱指数，该框架能够实现高分辨率的干湿季节划分，以及气象干旱和水文干旱的预测。

主要贡献：
（1）基于高斯随机场的CMIP6降尺度中的空间相关性重建
核心贡献在于开发了一种基于高斯随机场的框架，用于在CMIP6降尺度过程中重建空间相关性。传统的插值方法往往会扭曲网格点之间气象序列的依赖关系。所提出的方法则通过参数化相关函数和随机场生成技术明确建模空间一致性，从而在提升分辨率的同时保持降水场的物理协方差结构。

（2）将CMIP6降尺度后的气象数据与分布式新疆模型相结合
基于高斯随机场的CMIP6降尺度输出结果与分布式新疆模型相耦合，解决了CMIP6输出结果的粗分辨率与水文模拟所需的更高分辨率之间的矛盾。通过使用空间上具有一致性的高分辨率气象场来驱动基于物理原理的流域模拟，该方法能够更准确地评估气候变化对该河流域水文过程的影响。

（3）准确的干湿季节划分及高分辨率的流域尺度干旱预测
通过K均值聚类（利用滑动窗口提取的特征和年周期谐波），该方法能够可靠地区分六种CMIP6模型下基于高斯随机场降尺度处理的气象数据以及新疆模型模拟的径流数据（1982–2100年）中的干湿季节。将这些数据与水文模型相结合后，可通过标准化指标进行流域尺度的干旱评估，捕捉空间上的气象干旱信号，量化水文干旱的传播情况，并识别出各子流域的脆弱性。

结论
本研究开发了一种基于高斯随机场的框架，用于降尺度处理CMIP6气象数据，再结合分布式新疆模型、K均值聚类以及标准化干旱指数，用于元河盆地的干旱评估。主要研究结论如下：1）基于高斯随机场的降尺度框架能够有效保留六种CMIP6模型以及两种SSP情景下气象变量的空间相关性特征，其性能优于传统方法。

CRediT作者贡献说明
何思忠：撰写——初稿、方法论、研究实施、资金获取、概念设计。秦晓生：撰写——审阅与编辑、监督、方法论。马珍珍：监督、资金获取。王一成：监督。

利益冲突声明
作者声明不存在任何可能影响本文研究成果的已知财务利益或个人关系。

致谢
作者感谢中国国家重点研发计划（编号2023YFC3206002）、中国水利水电科学研究院支持的开放研究基金（编号IWHR-SKL-202215）、中国江西省的水资源科学技术项目（编号202325ZDKT14），以及中国国家留学基金委提供的国家奖学金（编号202306710138和202306710112）。