评估气候变化对中国水资源可用性的脆弱性

《Earth's Future》：Assessing the Susceptibility of Water Availability Due To Climate Change in China

　　

气候变化已加剧全球水资源赤字，对像中国这样的水资源紧张国家构成特别挑战。量化水资源可用性对气候变化的依赖关系对于有效缓解和适应至关重要，然而此类评估很少在行政单元层面进行。本研究旨在：(a) 采用简约的Budyko框架，评估低排放（SSP126）和高排放（SSP585）情景下中国341个地级市水资源可用性的变化；(b) 评估降水变化（ΔP）和潜在蒸散发变化（ΔPET）在驱动脆弱性状态转变中的各自作用。结果表明，基于静态参数ω的脆弱性地级市数量预计将从2020年到2100年逐渐减少，从历史上的45.2%（46.9%）降至未来低排放（高排放）情景下的26.1%（18.2%），而基于时变ω的脆弱性地级市数量则从46.3%（49.6%）降至27.9%（31.7%）。这一脆弱性下降趋势主要由ΔP驱动，尽管在未来变暖情景下ΔPET的影响正在增强。研究人员还识别出许多地级市在两种气候情景下水资源持续减少，这些地级市在中国分布不均。这凸显了未来水资源管理需要针对特定区域制定策略，以应对气候变化带来的局部挑战。本研究为制定气候变化下水资源管理的长期缓解策略提供了宝贵信息。

**论文解读：气候变化对中国水资源可用性脆弱性的评估**

**研究背景与问题**
过去一个世纪，气候变化与人类社会需求显著影响了水资源可用性，导致水资源短缺加剧，成为社会与生态系统可持续发展的主要障碍。为应对这一问题并加速实现与水相关的可持续发展目标，联合国在2023年3月第二次全球水会议上呼吁将水置于气候变化应对的核心。然而，要有效设计缓解、管理和适应策略，首先需评估气候变化对水资源可用性的影响程度与趋势。这一任务尤其具有挑战性，因为影响源于区域内多种水文过程的复杂相互作用。现有研究多采用过程模型（如SWAT、VIC）评估流域尺度变化，但存在参数化依赖大量高质量观测数据、参数固定且动态性不足等问题。此外，中国水资源管理政策通常以行政单元（如地级市）而非流域为单位制定，因此亟需在行政单元尺度上精确量化地表水资源（SWR）的变化。Budyko框架因其简洁性和在数据稀缺区仍能提供有效信息的优势，被广泛用于评估水资源可用性及其对气候变化的敏感性，但以往研究未明确未来哪些区域对水资源可用性变化更为脆弱，也未知脆弱性变化主要由降水还是潜在蒸散发驱动。为此，本研究旨在评估中国341个地级市未来气候变化下SWR的脆弱性，识别热点区域，并厘清驱动因素。

**研究内容与结论**
研究人员采用Budyko框架，结合机器学习方法重建了中国341个地级市2000-2020年SWR历史数据集，并利用20个全球气候模式（GCMs）在低排放（SSP126）和高排放（SSP585）情景下的数据，预测2020-2100年四个时段（2020-2040、2040-2060、2060-2080、2080-2100）的SWR变化。通过计算脆弱性指数（SI），评估SWR相对于历史基准期（2000-2020）的下降程度，并进一步量化降水变化（ΔP）和潜在蒸散发变化（ΔPET）对SI的贡献。主要结论包括：未来脆弱性地级市数量整体呈下降趋势，但区域差异显著；降水增加是脆弱性下降的主要驱动因素，但潜在蒸散发的影响随升温加剧而增强；部分地级市（如西北、东北及沿海地区）在两种情景下均持续面临水资源减少，需针对性应对。该研究发表在《Earth's Future》。

**关键技术方法**
（1）数据重建与预测：采用随机森林回归模型（Random Forest Regression Model）填补中国省级水资源公报中缺失的SWR数据，获得完整2000-2020年序列；基于该数据及CRU（Climate Research Unit）提供的降水（P）和潜在蒸散发（PET）数据，通过Budyko框架的Fu方程（单参数ω）模拟SWR。未来预测则基于WorldClim V2.1提供的20个GCMs在SSP126和SSP585情景下的气候数据，PET同样使用随机森林模型预测。（2）脆弱性评估：定义脆弱性指数SI = (未来SWR - 历史SWR) / 历史SWR × 100%，根据SI正负及百分位数划分非脆弱、轻度、中度和重度脆弱等级。（3）贡献量化：基于Budyko框架推导公式，分别计算ΔP、ΔPET及其他因素（如非气候因子）对SI的贡献率。样本队列来源：中国341个地级市（截至2017年底）。

**研究结果**

**3.1 Budyko曲线拟合有效性**
通过非线性最小二乘法基于历史SWR数据（2000-2020年均值）推导静态ω参数，并采用随机森林模型预测时变ω。训练集和测试集显示重新预测SWR的决定系数R2和纳什效率系数NSE均为0.98和0.96，百分比偏差PB分别为-3.77%和-3.45%，表明模型无过拟合且预测性能良好。ω参数空间分布显示，华北平原、黄土高原和内蒙古地区ω值较高（>2.5），反映高蒸散发率；西部高海拔地区ω值较低，因低温抑制蒸散发；个别地级市（如伊犁、怒江、雅安）ω小于1，因地形和融雪补给导致SWR超过降水。

**3.2 未来气候变化下水资源脆弱性**
基于静态和时变ω预测的未来SWR高度相似，但时变ω预测值略低。在2020-2040年，约45-50%的地级市面临脆弱性风险（SSP126下154个，SSP585下160个；时变ω下分别为158和169个），主要分布在华东、华北和西北地区。随未来时段推进，脆弱性地级市数量逐渐减少：2040-2060年降至116-126个（34-37%），2060-2080年降至93-94个（27-28%），2080-2100年降至89-62个（26-18%）。SSP585情景下脆弱性下降更显著，但时变ω框架下重度脆弱区面积更持久（2080-2100年仍占17.4-19.5%）。空间上，SWR增加最明显的区域在华北和青藏高原，而新疆、东北和东南部为减少最显著区域。分区域看，华东SWR在2020-2060年低于历史基线，华南和西南趋势与全国一致，东北在SSP585下时变ω预测SWR几乎始终低于历史期。

**3.3 气候变化对水资源脆弱性的相对贡献**
通过归因分析发现，脆弱性地级市数量下降主要归因于降水增加（ΔP），尤其在SSP126情景下2060-2080年。但潜在蒸散发增加（ΔPET）会加剧原本缺水地级市的脆弱性，例如华北和东北部分地级市降水量增加但SWR仍下降。定量贡献显示，在SSP126下，南方地区降水减少是SWR脆弱性的主要驱动（贡献>50%），而北方地区ΔPET占主导。SSP585下，ΔPET的相对贡献持续增大，至2080-2100年其贡献超过ΔP的70%，但降水减少仍为主因。非气候因子（如土地利用变化）的贡献主要集中在东部、东南部及西南部分地区，整体贡献值较低，但在SSP585下部分区域持续存在。

**讨论与结论**
讨论部分指出，本研究通过机器学习与Budyko曲线结合，重建了高分辨率地级市SWR数据集，发现2000-2020年SWR呈微弱上升趋势，但空间异质性显著，干旱和半干旱区改善缓慢甚至下降。静态与动态ω对比显示，两者全国趋势一致，但时变ω在干旱、半干旱区预测值更保守，更接近真实水文气候平衡。脆弱性分析表明，尽管整体脆弱性下降，但西北、东北及沿海部分地级市持续面临水资源减少，需优先制定政策。未来人口减少可能部分缓解水压力，但时变ω下人群暴露风险在中世纪时期仍较高。归因分析确认降水变化仍是主导因素，但PET贡献日益增强，尤其在东北地区，决策者需同时考虑供应侧（降水）和需求侧（蒸发）管理。研究局限性包括：未来降水预测存在不确定性；未考虑水库调节等额外因素；未来研究应纳入更多人为因子和更高分辨率气候数据。

结论部分翻译：总之，本研究绘制了低排放（SSP126）和高排放（SSP585）情景下气候变化对中国长期水资源可用性变化的影响。通过结合调查公报和机器学习方法，在地级市层面生成了综合重建的SWR数据集。基于此数据，采用Budyko框架评估未来水资源可用性变化。结果表明，尽管面临脆弱性的地级市数量预计在本世纪内从历史上的45.2%降至低排放情景下的26.1%，从46.9%降至高排放情景下的18.2%，这一趋势主要由ΔP驱动。然而，随着全球气温上升，ΔPET的影响预计将加剧，导致脆弱性模式转变。尽管整体脆弱性降低，但研究人员识别出若干地级市在两种情景下水资源预计持续下降，这强调了气候变化对水资源可用性影响的空间异质性。本研究在科学进步、实践意义和未来研究方向方面做出了贡献。从科学角度看，创新性地重建并预测了行政单元尺度的SWR，更符合政策需求；同时考虑静态和时变ω，揭示了区域适用性差异；定量分离了降水和潜在蒸散发的相对贡献，加深了对气候变化驱动因素的理解。在实践意义方面，研究结果为制定区域特异性水资源管理策略提供了依据：整体脆弱性下降表明部分地区未来水资源压力缓解，但脆弱性持续或加剧的区域（如东北和西北）应成为政策优先。未来研究可纳入更多人为因素（如土地利用变化、灌溉、水库调度）以提高SWR预测精度，整合时变ω与需求侧因素（如人口动态、用水模式），并应用更高分辨率气候数据与多模式集合方法以更好地评估不确定性。