第170篇 |【文献推荐】复合干热事件的预估变化取决于干旱指标

题目：Projected changes in compound hot-dry events depend on the dry indicator considered

期刊：communications earth & environment

本研究使用22个CMIP6的GCM历史模拟与四个未来情景（SSP1-2.6、SSP2-4.5、SSP3-7.0、SSP5-8.5）的逐月降水量、径流、土壤湿度和气温数据（https://esgf-data.dkrz.de/search/cmip6-dkrz/）。该数据集涵盖了1971-2100年期间的不同情景，代表了不同程度辐射强度和社会经济发展途径的情况，研究区域涵盖了除格陵兰岛外的所有陆地网格单元。

本研究利用降水、径流、土壤湿度以及结合以上所有变量的多变量指数表征干旱事件，将以3个月为时间尺度的标准化降水指数（SPI，Standardized Precipitation Index）、标准化径流指数（SRI，Standardized Runoff Index）和标准化土壤湿度指数（SSI，Standardized Soil Moisture Index） 作为干旱指标。本研究采用Gringorten确定每个月各个变量的经验概率，并采用逆正态变换对概率进行标准化以获得SPI、SRI和SSI值。其中，各指数的负值表示干旱，正值表示湿润，零值表示正常的气候条件。

本研究利用copula函数估计了降水、径流和土壤湿度的联合分布，定义了多变量的标准化干旱指数（MSDI，Multivariate Standardized Drought Index） ，MSDI表示为：

其中，H为降水、径流和土壤湿度的三维分布函数，C为由u₁,u₂,u₃的边际分布函数F₁、F₂、F₃生成的copula函数。为减少使用copula构建三维函数的挑战性，本研究使用两个双变量copula构建三维函数，过程如下：

其中，p为两个函数的联合概率，参数采用最大似然法估计，最后根据p计算了每个网格的MSDI：

其中，φ为标准正态分布函数。与SPI、SRI和SSI类似，MSDI为负表示干旱、MSDI为正表示湿润，MSDI为0表示气候正常。

本研究利用标准化温度指数（STI ，Standardized Temperature Index）定义了高温事件，并利用双变量copula函数推导了四个干旱指数与STI之间的联合分布概率，并通过标准正态分布获得标准化复合干热事件指数（HDI ，Hot-dry Event Index）。其次，将使用降水、径流、土壤湿度和MSDI定义的HDI分别称为HDI-P、HDI-R、HDI-S与HDI-MSDI，并计算了历史时期（1971-2010年）与未来时期（2061-2100年）发生概率的变化。

采用信噪比（S/N）评估了复合干热事件预测变化的稳健性，公式如下：

其中，x和y为历史和未来时期各变量的平均值，σ_x²和σ_y²表示为历史和未来时期各变量的方差。本研究采用单边t检验检验了S/N的统计学意义，显著性准则为： 

其中，n为样本大小，t为临界t值。

本研究采用方差分解—相同样本量方法（VD-SSS）对复合事件变化中的不确定性级联进行划分，克服了传统方差分解方法会放大样本量较大时的不确定性的局限性。VD-SSS方法通过在所有不确定性样本中随机抽取1000次最小样本分量的中位数，并计算样本标准差的经验自举分布的中位数以确定不确定性 ，将各个分量不确定性与总体不确定性之间的比值作为不确定性贡献。

本世纪末所有指数定义的不同情景下全球发生复合干热事件的概率增加，美洲南部、非洲北部、欧洲中部等地区出现显著增加，但不同指数之间的复合事件概率增加幅度明显不同。HDI-P的概率增幅低于HDI-R与HDI-S，预计在影响最严重的地区，这种差异会更加明显（图1）。

使用HDI-MSDI计算的概率变化的空间模式与HDI-P、HDI-R与HDI-S十分相似，HDI-MSDI的概率变化幅度大于HDI-P，但小于HDI-R和HDI-S。在SSP1-2.6、SSP2-4.5、SSP3-7.0、SSP5-8.5情景下，HDI-R定义的复合事件概率增幅最大，其次HDI-S，HDSI-P定义的复合事件概率最小（图2）。

SSP1-2.6、SSP2-4.5、SSP3-7.0和SSP5-8.5的共计20个区域中，HDI-P分别在17、18、19和19个区域中显示出最高的S/N，HDI-R或HDI-S在75%-85%的区域显示出最低的S/N（图3）。在所有情景下，非洲南部的S/N最大，但非洲南部并非变化幅度前三大的热点区域，这表明预测具有很大不确定性。

本研究利用不同阈值（-0.8、-0.9和-1）验证了概率变化对复合干热事件阈值选择的敏感性。结果表明，不同阈值间的概率变化空间模式相似，所有区域的变化幅度均有所增加且增加模式在不同情景间保持一致（图4）。与此同时，变化最为显著的地区（地中海、亚马逊）表现出对阈值最低的敏感度。

通过对比来自不同干旱指标产生的不确定性与GCM和情景的不确定性，本研究评估了干旱指标对于预测未来复合干热事件的相对重要性。来源于GCM的不确定性是17个区域的不确定性主要来源 ，占所有地区的48%。所有区域的平均情景相关不确定性为33%，而与干旱指标有关的区域不确定性为19%（图5）。

GCM不确定性在复合干热事件预测的总体不确定性中占主导地位，是全球66%陆地面积的主要不确定性来源。然而，在可能性变化幅度较大的地区，情景不确定性占主导地位，占全球陆地面积的22%。与干旱指标相关的不确定性在中东、中亚和中非地区占比最大，为12%（图6）。全球27%的陆地面积上的复合干热事件的情景不确定性大于40%，在11%陆地面积上的复合干热事件的干旱指标不确定性大于40%（图7）。

（1）复合干热事件会因气候变化而加剧，且在干旱严重的区域更为明显。高温与干旱事件的负面影响会相互加强，导致风险增加，并产生更严重的环境、生态和社会经济后果。

（2）使用降水、径流和土壤湿度的多变量干旱指数定义的复合干热事件概率变化与仅基于降水定义的事件相比变化更大，但与依赖径流和土壤湿度的事件相比变化较小。 

（3）与基于径流、土壤湿度和多变量的干旱指数相比，使用降水定义的复合干热事件的干旱指数不确定性较低，但信噪比更大。基于HDI-R、HDI-S和HDI-MSDI定义的复合干热事件也具有同样的不确定性，但与基于HDI-P定义的复合干热事件相比信噪比较小。

（4）复合干热事件的预测对所选阈值表现出敏感性，选择较高阈值会导致样本量较小，而较低阈值会导致极端事件较少。GCM是不确定性的主要来源，但在某些地区与干旱事件定义有关的不确定性很大，甚至超过了情景带来的不确定性。

本研究基于CMIP6模型数据，利用降水、径流和土壤湿度与通过copula函数计算出的多变量指数表征了全球的干旱状况。研究结果显示不同干旱指标对于复合干热事件预测的可能性变化存在很大差异。虽然模型的不确定性仍为不确定性的主要来源，但与干旱指标有关的不确定性在特定区域下超过了来自情景的不确定性。本研究为干旱指标定义对于复合干热事件的重要性以及不同变量之间的相互作用以捕捉潜在物理过程和事件的复杂性提供了宝贵的见解。