-
近70 a来在气候变化和人类活动共同影响下, 全球和区域水循环发生深刻改变, 突出表现是水旱灾害的频率、强度、影响范围及周期等特征发生变化[1-3]。厘清径流情势和水旱灾害改变的自然及人为因素, 将为水资源安全保障和水灾害防治工作奠定基础。澜沧江-湄公河(简称澜湄)是亚洲最重要的跨境河流, 全长约4 350 km, 是东南亚最长的河流, 流域集水面积约79.5万km2。澜湄起源于中国(中国境内称澜沧江), 流出国境后依次流经缅甸、老挝、泰国、柬埔寨和越南(出境后称湄公河), 为沿岸国家的生产生活用水及水力发电提供了重要的淡水资源[4]。变化环境给澜湄流域水资源管理带来了巨大的压力。一方面, 由于气候变暖引起的降水相态及冰雪融化过程改变, 导致发源于青藏高原的澜沧江源区径流对气候变化十分敏感[5-8]; 另一方面, 人口增长导致水资源和能源需求急剧增加, 澜湄干支流正在开展大规模的水电开发[9]。
近年来, 澜湄流域干旱频发(如2004—2005年、2009—2010年、2015—2016年和2019—2020年干旱)[10]。据统计, 过去30 a间, 干旱影响了东南亚超过6 600万人口;过去5 a间, 东南亚70%的土地和60%的人口受严重旱灾影响, 造成了巨大的经济损失。正确认识干旱发展趋势, 及时、全面地做好风险防范和应对工作, 是减轻干旱影响和降低干旱损失的必然要求。国内外研究工作主要聚焦于澜湄未来径流和洪水预估, 较少涉及干旱[11-12], 澜湄流域未来干旱趋势以及澜沧江梯级水库发挥的作用仍待探索[13-14]。另外, 国际上有研究称澜沧江水库蓄水发电会加剧湄公河下游国家的旱情[15-18], 亟需相关科学研究的持续跟踪和支持, 以更好地回应下游国家的关切。
本研究旨在解析变化环境下澜湄流域未来径流演变和气象水文干旱的发展趋势, 量化澜沧江梯级水库对径流的调节作用, 为跨境河流水资源管理和干旱防治提供理论依据和技术方法, 以期促进中国与其他澜湄相关国家在水资源和灾害防治方面的合作共赢。
HTML
-
澜湄是亚洲最重要的跨境水系, 发源于“地球第三极”青藏高原, 流经中国、缅甸、老挝、泰国、柬埔寨、越南6国, 最终汇入南海(图 1)。澜湄流域呈带状, 地势从西北向东南逐渐降低, 流域内高程差超过5 km。澜沧江发源于青藏高原唐古拉山脉, 流经整个横断山区, 自云南省流出国境。其约2 200 km长河流伴随着4.5 km的落差, 河流河谷陡峭, 蕴含丰富水能, 但巨大的高程差也加大了站点布设的难度, 使其成为典型的缺资料流域。澜沧江流域降水量由西北向东南递增, 流域年平均降水量约735 mm[3]。湄公河长约2 150 km, 落差约500 m, 干流河谷较宽, 多弯道。湄公河流域年平均降水量空间分布不均, 泰国东北部降水量最少, 约1 000~1 600 mm, 老挝南部和柬埔寨降水量最大, 约3 000 mm[19]。受西风和印度季风影响, 澜湄湿季一般为6—11月, 干季一般为12月至次年5月, 流域中下游属热带季风气候, 干湿分明。澜湄径流主要来自降水, 75%~85%的年径流量在湿季产生, 径流量峰值通常出现在8月或9月[20]。本研究选择澜湄干流允景洪、琅勃拉邦、穆达汉、上丁4个站点(表 1)。
水文站 国家 纬度 经度 集水面积/万km2 多年平均径流量/亿m3 允景洪 中国 22°00′ N 100°48′ E 14.2 536 琅勃拉邦 老挝 18°00′ N 102°24′ E 26.8 1 211 穆达汉 泰国 16°48′ N 104°48′ E 39.1 2 848 上丁 柬埔寨 13°36′ N 105°54′ E 63.5 4 074 Table 1. Information on major gauging stations on the mainstem of the Lancang-Mekong River
-
CREST(Coupled Routing and Excess STorage)水文模型是由美国俄克拉荷马大学和美国国家航空航天局(NASA)联合开发的分布式水文模型[21]。该模型基于蓄水容量曲线计算流域产流, 采用多层线性水库模型计算流域汇流[22]。CREST-Snow在CREST基础上耦合了地下水和积雪冰川模块, 使模型适用于具有冰冻圈水文过程的高山区, 是CREST的升级版[23-24]。卫星遥感数据逐渐被用作地面监测数据的重要补充[25-27], CREST-RS在CREST-Snow的基础上耦合了遥感径流模块, 可以采用遥感观测的水位/河宽率定模型, 从而使模型适用于无测站流域的径流模拟[28]。CREST-RS模型结构示意图见文献[29]。本研究搭建高分辨率(1 km× 1 km, 1 d)的CREST-Snow分布式水文模型模拟澜沧江天然径流。
CREST-Snow模拟的天然径流包括降雨径流(QRR)、融雪径流(QSM)和融冰径流(QGM)。模型中每个网格的总径流(Q)计算如下:
$$ Q = {Q_{{\rm{RR}}}} + {Q_{{\rm{SM}}}} + {Q_{{\rm{GM}}}} $$ (1) 其中, 融雪径流采用基于度日因子(FDD)的温度指数模型计算。相比于能量平衡模型, 温度指数模型所需驱动数据少, 更适用于数据稀缺流域。融雪过程受度日因子和温度控制, 且融雪量应小于网格中雪水当量, 具体计算过程如式(2) —式(4) 所示:
$$ {Q_{{\rm{SM}}, t}} = \min \left( {{S_{{\rm{mlt}}, t}}, {S_{{\rm{WE}}, t}}} \right) $$ (2) $$ {S_{{\rm{mlt}},t}} = {F_{{\rm{DD}},{\rm{snow}}}}\left( {\frac{{{T_{{\rm{ls}}}} + {T_{\rm{a}}}}}{2} - {T_{{\rm{s}},{\rm{mlt}}}}} \right)\Delta t $$ (3) $$ {S_{{\rm{WE}}, t + 1}} = {S_{{\rm{WE}}, t}} - {Q_{{\rm{SM}}, t}} + {P_{s, t}}F $$ (4) 式中:QSM, t为t时刻的融雪径流;Smlt, t为t时刻的潜在融雪量;SWE, t为t时刻网格所含雪水当量;FDD, snow为积雪融化度日因子;Tls为MODIS地表温度;Ta为近地面气温;Ts, mlt为积雪融化温度阈值;Δt为模型模拟时间步长;Ps, t为t时刻的降雪量;F为积雪升华参数。
冰川融化亦采用温度指数模型计算(式(5)), 假设冰川上积雪融尽后冰川才开始融化, 计算过程如下:
$$ {Q_{{\rm{GM}}, t}} = \left\{ {\begin{array}{*{20}{l}} {{F_{{\rm{DD}}, {\rm{ice}}}}\left( {\frac{{{S_{{\rm{mlt}}, t}} - {Q_{{\rm{SM}}, t}}}}{2} + {T_{{\rm{s}}, {\rm{mlt}}}} - {T_{{\rm{i}}, {\rm{mlt}}}}} \right)\Delta t}&{{S_{{\rm{WE}}, t}} > 0}\\ {{F_{{\rm{DD}}, {\rm{ ice }}}}\left( {\frac{{{T_{{\rm{ls}}}} + {T_{\rm{a}}}}}{2} - {T_{{\rm{i}}, {\rm{mlt}}}}} \right)\Delta t}&{{S_{{\rm{WE}}, t}} = 0} \end{array}} \right. $$ (5) 式中:FDD, ice为冰川融化度日因子;Ti, mlt为冰川开始融化的温度阈值。模型物理机制内容详见文献[23-24]。CREST-Snow共有24个参数, 其中产汇流模块含16个参数, 冰川模块含2个参数, 积雪模块含6个参数, 表 2为CREST-Snow模型主要参数及率定范围。
模型模块 模型参数 单位 最小值 最大值 产汇流模块 平均蓄水容量(Wm) mm 80 300 蓄水容量曲线指数 - 0.05 1.5 冰川模块 融冰温度阈值(Ti, mlt) ℃ -5 5 冰川融化度日因子(FDD, ice) mm/(℃·d) 0 10 积雪模块 融雪温度阈值(Ts, mlt) ℃ -8 8 降雪温度阈值(Ts) ℃ -5 5 降雨温度阈值(Tr) ℃ -5 5 积雪融化最大度日因子(FDD, snow, max) mm/(℃·d) 0 10 积雪融化最小度日因子(FDD, snow, min) mm/(℃·d) 0 5 Table 2. Major parameters of the CREST-Snow model including values of their lower and upper bounds
-
针对澜沧江流域出水口允景洪水文站, 驱动数据包括CGDPA(China Gauge-based Daily Precipitation Analysis, 0.25°×0.25°)降水、ERA-Interim(0.75°×0.75°)气象数据计算的潜在蒸散发、ERA-Interim气温数据。CGDPA和ERA-Interim的时间跨度分别是1955—2014年和1980—2019年, 覆盖了实测径流数据时段, 满足参数率定和验证需求。首先, 采用Dai等[30]方法计算雪水当量, 对CREST-Snow融雪模块进行率定和验证, 率定时段为2003年7月至2005年12月, 验证时段为2006年1月至2010年12月[6]。允景洪水文站1980—2007年期间的实测径流数据(仅供研究使用的非公开数据)用于率定CREST-Snow模型融雪模块之外的其余参数, 率定时段为1980—1986年, 验证时段为1987—2007年(由于2008年后, 允景洪水文站径流受水库修建和调度影响较大, 故2008年后径流数据未纳入验证时段)。
针对湄公河干流琅勃拉邦、穆达汉和上丁水文站, 由于湄公河降雨产流占总径流的绝大部分, 故对这3个水文站的径流模拟未开启积雪模块, 不需要地表温度驱动数据, 模型驱动数据为全球卫星降水制图产品(Global Satellite Mapping of Precipitation, GSMaP, 0.1°×0.1°)和联合国饥荒预警系统(Famine Early Warning System, FEWS, 1°×1°)潜在蒸散发产品。GSMaP和FEWS的时间跨度分别为2000至今和2001至今, 与实测流量时段对应。3个水文站实测流量数据(来自湄公河委员会)覆盖时段为2004—2014年, 分别用于对CREST-Snow模型进行率定和验证, 率定时段为2004—2008年, 验证时段为2009—2014年。本研究使用了CMIP6计划下ScenarioMIP中的5个使用频率较高的全球气候模式(Global Climate Model, GCM)进行径流的未来预估, 包括欧洲EC-Earth3模式、俄罗斯INM-CM5-0模式、日本MIROC6模式、德国MPI-ESM1-2-HR模式、挪威NorESM2-MM模式。这5个模式均提供1800—2100年3种共享社会经济路径(SSP)-典型浓度路径(RCP)组合情景(SSP126、SSP245、SSP585)的输出数据, 包括日尺度降水、最高气温、最低气温、平均气温等变量, 用于驱动CREST-Snow模拟径流并计算干旱指数。
在模拟未来径流时, 水文模型驱动数据为降水、气温和潜在蒸散发。其中, 未来时期的潜在蒸散发采用Hargreaves方法[31], 利用逐日最高、最低、平均气温计算得到。输入模型前, 需要对各GCM驱动数据进行偏差校正。针对降水和潜在蒸散发2个变量, 本研究采用分位数映射法(Quantile Mapping)对其按月进行逐日校正[32]。降水参考数据为2003—2014年GSMaP降水数据, 待校正数据为各GCM的降水数据。潜在蒸散发参考数据为2003—2014年FEWS潜在蒸散发数据, 待校正数据为基于各GCM气温数据计算得到的潜在蒸散发数据。针对气温变量的校正, 本研究采用差值法, 即将历史时期参考数据与待校正数据时间序列差值的平均值, 加到待校正数据序列上[33]。气温参考数据为2003—2014年的ERA-Interim数据, 待校正数据为各GCM的气温数据。
以往使用GCM进行未来径流预估的研究[11, 34-36]并不鲜见, 但较少有研究评估GCM在历史时期的表现以筛选合适的GCM。本研究使用历史时期(2003—2014年)校正后的GCM数据作为模型驱动数据, 模拟4个水文站日尺度天然径流并累积计算月尺度值, 计算模拟径流的纳什效率系数(Nash-Sutcliffe Efficiency Coefficient, ENS), 发现部分模式的驱动数据校正后模拟的径流指标仍不佳(见表 3)。故本研究设定, 若模拟的历史时期径流日尺度ENS < 0.5且月尺度ENS < 0.6, 则排除该模式(表 3下划线表示的模式), 其余可用模式的均值作为最终结果。表 3显示了历史时期(2003—2014年)校正后GCM数据驱动水文模型, 模拟4个水文站天然径流的日尺度和月尺度统计指标, 包括ENS, 相关系数(Correlation Coefficient, CC)和相对偏差(DR)。
水文站 模式名称 日尺度 月尺度 ENS CC DR ENS CC DR 允景洪 EC-Earth3 0.27 0.92 -0.33 0.23 0.93 -0.33 INM-CM5-0 0.54 0.85 -0.28 0.55 0.88 -0.28 MIROC6 0.54 0.96 -0.32 0.54 0.97 -0.32 MPI-ESM1-2-HR 0.85 0.96 -0.13 0.85 0.97 -0.13 NorESM2-MM 0.42 0.88 -0.32 0.41 0.90 -0.32 琅勃拉邦 EC-Earth3 0.56 0.75 -0.06 0.67 0.82 -0.06 INM-CM5-0 0.59 0.84 -0.16 0.76 0.91 -0.16 MIROC6 -0.55 0.82 0.53 -0.49 0.87 0.52 MPI-ESM1-2-HR 0.54 0.76 0.06 0.61 0.80 0.06 NorESM2-MM 0.45 0.73 0.13 0.60 0.81 0.13 穆达汉 EC-Earth3 0.73 0.87 -0.17 0.79 0.92 -0.17 INM-CM5-0 0.65 0.86 -0.21 0.76 0.91 -0.21 MIROC6 0.51 0.81 0.08 0.60 0.84 0.08 MPI-ESM1-2-HR 0.61 0.81 -0.04 0.69 0.85 -0.04 NorESM2-MM 0.61 0.80 -0.10 0.73 0.86 -0.10 上丁 EC-Earth3 0.61 0.81 -0.21 0.69 0.87 -0.21 INM-CM5-0 0.47 0.83 -0.43 0.53 0.90 -0.43 MIROC6 0.84 0.92 -0.11 0.88 0.95 -0.11 MPI-ESM1-2-HR 0.62 0.79 -0.07 0.68 0.83 -0.07 NorESM2-MM 0.68 0.86 -0.21 0.76 0.91 -0.21 Table 3. Performance metrics of natural runoff simulations at daily and monthly scales for four gauging stations
-
本研究基于气象和水文干旱指数, 分析澜湄流域干旱趋势及气象干旱与水文干旱的联系。为量化气象干旱, 世界气象组织(World Meteorological Organization, WMO)推荐使用标准化降水指数(Standardized Precipitation Index, ISP)。ISP假定降水量服从Gamma分布, 进行正态标准化处理, 该指数可以对比不同地区在不同时间尺度的缺水状况。在短时间尺度上, ISP可以反映土壤水变化, 对农业生产具有重要意义;在长时间尺度上, ISP可以反映地下水、地表径流的演变等。使用月降水数据可计算不同统计尺度(1~36个月)的ISP(式(6)和式(7))[37]。
$$ {I_{{\rm{SP}}}} = s\left\{ {k - \frac{{\left( {{c_2}k + {c_1}} \right)k + {c_0}}}{{\left[ {\left( {{d_3}k + {d_2}} \right)k + {d_1}} \right]k + 1}}} \right\} $$ (6) $$ \begin{array}{*{20}{r}} {k = \sqrt {\ln \frac{1}{{H{{(x)}^2}}}} }&{}\\ {G(x) = \frac{1}{{\beta \gamma \Gamma (\gamma )}}\int_0^x {{x^{\gamma - 1}}} {{\exp }^{\left( { - \frac{x}{\beta }} \right)}}{\rm{d}}x}&{x > 0} \end{array} $$ (7) 式中:s为正负系数;x为降水值;G(x)为降水的概率分布函数, 若G(x)>0.5, 则H(x)=1-G(x)且s=1, 否则H(x)=G(x)且s=-1;β为尺度参数;γ为形状参数;其余参数为常数项, c0=2.515 517;c1=0.802 853;c2=0.010 328;d1=1.432 788;d2=0.189 269;d3=0.001 308。由于降水是计算ISP所需的唯一输入变量, 且没有考虑需水情景, 使用标准化降水指数评估干旱的方法相对简单。但现有研究表明, 雨养低地水稻容易受气象干旱影响, 因此, 以降水为基础评估澜湄流域尤其是下游流域的气象干旱较为适宜[34-35, 38]。与旱季灌溉水稻生产力密切相关的水文干旱可通过水文干旱指数进行评估。
本研究采用的水文干旱指数为标准化径流指数(Standardized Streamflow Index, ISS)[39], 该指数使用径流数据作为输入, 计算方法同ISP。计算ISP和ISS的统计尺度均为12个月, 可反映气象干旱和水文干旱的年际波动。根据《气象干旱等级: GB/T20481—2017》国家标准规定, 干旱可以基于干旱指数划分为5个等级, 如表 4所示[37]。本研究基于干旱指数划分干旱事件, 分析干旱频率、强度等干旱特征变量[40]。干旱现象被定义为干旱指数(Xt)小于干旱阈值(X0)的连续月份序列。干旱开始时间为干旱事件开始的月份;干旱结束时间为缺水量足够小以致干旱不再持续的月份。干旱事件强度(S)是指干旱开始至结束时间段内, Xt与X0之差的累积求和。本研究中采用12个月尺度的干旱指数(ISP-12和ISS-12)讨论中旱及以上等级的干旱, 故X0取-1。
干旱类型 无旱 轻旱 中旱 重旱 特旱 ISP、ISS >-0.5 (-1.0, -0.5] (-1.5, -1.0] (-2.0, -1.5] ≤-2.0 Table 4. Drought intensity categories based on ISP and ISS
2.1. CREST水文模型
2.1.1. CREST水文模型介绍
2.1.2. CREST水文模型应用
2.2. 干旱分析方法
-
为评估流域降水及径流变化趋势, 使用5个GCM 2003—2050年数据, 分别计算历史时期(2003—2019年)和未来时期(2020—2050年)流域年均降水和4个站点年均径流。图 2显示上丁站上游流域5个GCM模式算术平均后的多模式集合的未来年均降水变化趋势。相比历史时期, 未来时期流域年均降水呈略微增加的趋势。空间上, 流域年均降水量变化差异明显(-10%~30%)。其中, 澜沧江源区降水增加最为明显;中游无明显变化或略有减小;下游降水呈增加趋势。时间上, 不论在何种情景下, 流域降水随时间推移逐渐增加;随温室气体排放浓度增加, 流域年均降水变化更为明显, 源区降水增加更多, 中游降水减少更多。
Figure 2. Relative changes of multi-model ensemble future mean annual precipitation with reference to the historical period (2003—2019) in the upper basin of the Stung Treng gauging station
图 3显示了澜湄干流允景洪、琅勃拉邦、穆达汉和上丁水文站上游流域2020—2050年多模式集合年均流量时间序列。CREST-Snow模拟的多模式集合未来天然年均流量在3种SSP-RCP组合情景(SSP126、SSP245、SSP585)下均呈不显著上升趋势, 在SSP126和SSP585情景下, 年均流量变化速率大于SSP245情景下的变化速率。相比历史时期, 未来时期4个水文站上游流域多年平均流量将分别增加6%、4%、1%和2%。由于历史时期和未来时期年径流数据同样使用GCM集合平均模拟结果, 故水文模型模拟偏差不会对多年平均流量变化产生显著影响, 以上平均流量的增加主要由气候变化导致。空间上, 气候变化导致的流域多年平均径流量变化与多年平均降水量的变化较为一致, 允景洪和琅勃拉邦站径流增加较多, 可能受源区径流补给增加所致;中游降水变化不大甚至略有减小, 导致穆达汉和上丁站径流增幅较小。
-
澜湄干流4个水文站上游流域的ISP-12和ISS-12时间序列如图 4所示。各水文站ISP-12和ISS-12无显著变化趋势, 干湿事件交替变化, ISS-12较ISP-12滞后1个月。如表 5所示, 允景洪、琅勃拉邦、穆达汉和上丁水文站上游流域在2020—2029年SSP126、SSP245和SSP585情景下发生中等及以上水文干旱(ISS-12≤-1)的平均频率分别为29%、26%、29%和30%, 发生中旱等及以上气象干旱(ISP-12≤-1)的平均频率分别为28%、28%、27%和27%。4个水文站上游流域在2030—2050年3种SSP-RCP组合情景下, 发生水文干旱的平均频率分别为10%、8%、9%和13%, 发生气象干旱的平均频率分别为9%、10%、11%和12%。以上干旱频率指干旱月数与时段总月数之比。
Figure 4. ISS-12 and ISP-12 series in the upper basins of four gauging stations on the mainstem of the Lancang-Mekong River
水文站 社会经济情景 干旱频率(2020—2029年) 干旱频率(2030—2050年) ISS ISP ISS ISP 允景洪 SSP126 33 29 5 5 SSP245 35 36 12 11 SSP585 18 19 13 11 琅勃拉邦 SSP126 42 43 4 4 SSP245 27 27 11 14 SSP585 10 15 10 11 穆达汉 SSP126 47 46 5 5 SSP245 31 23 14 15 SSP585 9 13 9 13 上丁 SSP126 44 40 6 6 SSP245 29 23 15 15 SSP585 18 17 18 16 Table 5. Drought frequencies in the Lancang-Mekong River basin under future climate scenarios based on ISS and ISP
单位: % 总体而言, 气象干旱和水文干旱发生的频率接近。2020—2050年澜湄流域总体呈湿润趋势, 其中2020—2029年干旱频发, 2030—2050年洪水风险增加[41]。随温室气体排放浓度增加, 2020—2050年干湿震荡加剧, 2020—2029年干旱频率下降, 2030—2050年干旱频率上升。
-
如表 6所示, 计算允景洪、琅勃拉邦、穆达汉和上丁水文站在2020—2029年3种SSP-RCP组合情景下的干旱等级强度, 并统计发生中旱等级以上水文干旱事件的平均数分别为4、6、4和5, 发生中旱等级以上气象干旱的平均数分别为5、9、6和8。4个水文站在2030—2050年3种SSP-RCP组合情景下, 发生中旱等级以上水文干旱事件的平均数分别为6、4、6和4, 发生中旱等级以上气象干旱的平均数分别为7、7、8和6。总体而言, 气象干旱往往较水文干旱更严重, 随温室气体排放浓度增加, 2030—2050年干旱强度有所升高;空间上, 2020—2050年老挝、泰国的干旱在强度和频率上比澜湄流域其他国家更为严重, 这和降水空间变化一致。
国际环境管理中心(International Centre for Environmental Management)在关于气候变化对澜湄下游流域影响的研究报告中指出[42], 若月降水量不足蒸散量的50%则认为该月发生农业干旱, 基于第三次国际耦合模式比较计划(Coupled Model Intercomparison Project Phase 3, CMIP3)GCMs数据分析得出结论:截至2050年, 澜湄下游流域发生的农业干旱主要集中在老挝和泰国东北部地区, 这与本研究结论相似。另外, 以穆达汉站为例(图 4和表 6), 随温室气体排放浓度增加, 2030—2050年发生中旱和特旱事件数增加, 干旱严重程度增加但干旱持续时间可能缩短。
水文站 未来情景 干旱事件数(2020—2029年) 干旱事件数(2030—2050年) 中旱 重旱 特旱 中旱 重旱 特旱 ISS ISP ISS ISP ISS ISP ISS ISP ISS ISP ISS ISP 允景洪 SSP126 1 3 0 1 3 2 5 4 0 1 0 0 SSP245 1 1 1 0 1 2 8 7 1 2 0 0 SSP585 2 2 1 2 1 1 2 6 2 1 1 1 琅勃拉邦 SSP126 4 5 0 0 3 3 0 2 0 0 1 1 SSP245 4 7 0 1 2 2 4 5 2 2 0 4 SSP585 4 8 0 1 0 0 1 3 1 2 2 1 穆达汉 SSP126 1 6 2 1 1 2 3 2 1 0 0 1 SSP245 3 3 0 1 1 1 4 9 0 0 2 2 SSP585 3 4 0 1 0 0 4 6 1 1 2 2 上丁 SSP126 4 5 1 3 1 1 1 1 1 0 0 1 SSP245 3 6 0 1 1 1 3 3 1 3 1 1 SSP585 4 3 1 2 1 1 1 5 2 0 2 3 Table 6. Numbers of drought events based on ISS and ISP for different drought intensity levels in the Lancang-Mekong River basin under future climate scenarios
-
利用历史水库调度规律曲线作为水库调节径流演算的调度方案[43], 使用GCM驱动数据结合2.1中率定的CREST-Snow模拟天然径流时间序列, 可进一步模拟经澜沧江梯级水库调节后4个水文站所在河道断面的日尺度水库调节径流, 评估未来澜沧江梯级水库对径流的调节作用。图 5显示了澜湄干流4个水文站2020—2050年的多年平均天然月均流量和水库调节后的月均流量, 从中可以看出水库对径流具有明显的削峰补枯作用, 水库的调节作用从上游到下游逐渐减弱。
Figure 5. Multi-year mean monthly natural and reservoir-regulated discharge during 2020—2050 at four gauging stations on the mainstem of the Lancang-Mekong Riverv
基于模拟的逐日径流量, 可计算其干季和湿季径流量(表 7)。结果表明:2020—2050年允景洪站经水库调节后干季径流量增加了近1倍;琅勃拉邦站、穆达汉站和上丁站干季径流量增幅分别为83%、83%和68%。允景洪站2020—2050年多年平均干季天然径流量占下游3个水文站多年平均干季天然径流量的比例分别为66%、44%和30%, 经水库调节后该比例分别为72%、47%和34%。干季是湄公河流域农业用水的高峰期[10], 澜沧江干季径流对下游农业十分重要, 澜沧江干流梯级水库发挥调丰补枯作用, 可大幅增加下游湄公河干季径流量, 有助于缓解下游干季旱情, 保障下游国家水资源安全。
水文站 干季 湿季 天然径流量/亿m3 水库调节径流量/亿m3 变化率/% 天然径流量/亿m3 水库调节径流量/亿m3 变化率/% 允景洪 143 285 99 397 225 -43 琅勃拉邦 216 396 83 817 646 -21 穆达汉 328 603 83 1 943 1 772 -8 上丁 496 834 68 2 830 2 658 -6 Table 7. Multi-year averaged dry and wet season natural and reservoir-regulated streamflow during 2020—2050 at four gauging stations on the mainstem of the Lancang-Mekong River
允景洪站2020—2050年天然状态多年平均湿季径流量经水库调节后减小了43%;琅勃拉邦站、穆达汉站和上丁站湿季径流量减小幅度分别为21%、8%和6%。澜沧江梯级水库调度在减小湿季径流方面, 对允景洪和琅勃拉邦站作用较为明显, 对穆达汉和上丁站作用较小。
图 6显示了澜湄干流4个水文站上游流域分别基于天然径流和水库调节径流计算所得ISS-12时间序列。尽管澜沧江干流梯级水库可大幅提升允景洪站下游湄公河干季径流, 但ISS-12时间序列差别不大, 表明澜沧江干流梯级水库虽有2座大型水库(小湾和糯扎渡), 但一直发挥季节性调节作用, 难以有效缓解多年持续干旱(尤其在2020—2029年间), 未来可进一步优化水库调度方式, 更好地应对澜湄流域干旱。
3.1. 降水及径流变化趋势分析
3.2. 气候变化对干旱频次的影响
3.3. 气候变化对干旱强度的影响
3.4. 水库调度对干旱变化趋势的影响
-
本文在澜湄流域使用经偏差校正的CMIP6计划5个GCM模式, 在3种SSP-RCP组合情景(SSP126、SSP245、SSP585)下的气象数据, 驱动CREST-Snow分布式水文模型, 预估了2020—2050年气候变化情景下的径流演变趋势。基于ISP和ISS时间序列, 分析了澜湄流域气象和水文干旱的未来发展趋势, 量化了澜沧江干流梯级水库调度对下游径流的调节作用。主要结论如下:
(1) 澜湄干流上丁站上游流域平均降水相比于历史时期(2003—2019年)呈略微增加趋势。空间上, 流域年均降水量变化差异明显(-10%~30%), 其中澜沧江源区和下游流域降水呈增加趋势;中游流域降水无明显变化或略有减小。CREST-Snow模拟所得澜湄干流从上游至下游4个水文站的多模式集合未来天然年径流在3种SSP-RCP组合情景下均呈不显著上升趋势。
(2) 基于ISS和ISP分析澜湄流域未来干旱趋势, 结果表明, 水文干旱较气象干旱滞后1个月, 且气象干旱在多数情况下重于水文干旱。2020—2050年澜湄流域整体呈湿润趋势;在3种SSP-RCP组合情景下, 澜湄流域极端干湿事件发生频率均增加, 其中2020—2029年干旱频发, 2030—2050年更偏湿润;随温室气体排放浓度增加, 干湿震荡加剧, 干旱严重程度增加。空间上, 老挝和泰国在2020—2050年干旱的频率和强度比流域内其他国家更高。
(3) 澜沧江干流梯级水库可有效提升澜湄干流干季径流量, 增幅从上游(99%)至下游(68%)递减, 梯级水库调度可有效缓解湄公河干季旱情, 保障流域水资源和生态安全。梯级水库调度亦有助于下游防洪, 对中国和老挝北部防洪效果更为明显, 对泰国东北部、柬埔寨和越南防洪作用有限。目前, 澜沧江干流梯级水库仅发挥季节性调节作用, 难以有效缓解流域可能发生的多年持续干旱, 未来有待进一步加强澜湄合作, 优化水库调度方式, 促进流域内各国水资源安全和水旱灾害防治。