朱連華 祝穎锜 姚壹壹 石晨 徐凡然 趙暐昊 江志紅

摘要 ?利用24個CMIP6全球氣候模式的逐日降水模擬資料，基于廣義極值分布（GEV）模型，研究了全球增暖1.5／2 ℃下我國20、50和100 a重現(xiàn)期極端降水的未來風(fēng)險變化?？梢园l(fā)現(xiàn)，相對于歷史時期（1995—2014年），全球升溫1.5和2 ℃下極端降水發(fā)生概率風(fēng)險空間分布相近，總體上呈現(xiàn)增加趨勢，但額外增暖0.5 ℃將導(dǎo)致更高的風(fēng)險。如50 a重現(xiàn)期極端降水，在增暖1.5／2 ℃下其重現(xiàn)期將分別變?yōu)?7／14 a，極端降水將變得更加頻繁。不同區(qū)域?qū)夂蜃兣捻憫?yīng)存在區(qū)域差異，其中中國西部長江黃河中上游和青藏高原地區(qū)、中國東部長江黃河中下游及其以南地區(qū)，極端降水發(fā)生概率比達(dá)到3以上，局部更是達(dá)到5以上，為我國極端降水氣候變化響應(yīng)高敏感區(qū)域。進一步，基于概率分布函數(shù)從理論角度探討了位置和尺度參數(shù)對發(fā)生概率風(fēng)險的影響與貢獻(xiàn)度量，并用于探討極端降水氣候平均態(tài)和變率變化對極端降水發(fā)生風(fēng)險的影響，結(jié)果顯示：位置和尺度參數(shù)的增量變化、風(fēng)險變化率存在著顯著的東西部差異，從而導(dǎo)致極端降水發(fā)生風(fēng)險的影響因素存在差異。如中國西部盡管極端降水氣候平均態(tài)和變率變化幅度不大，但因風(fēng)險變化率較高，從而導(dǎo)致該區(qū)域的發(fā)生風(fēng)險大幅增加;與之相反，中國東部風(fēng)險變化率較小，但氣候平均態(tài)和年際變率增幅較大，同樣導(dǎo)致該區(qū)域風(fēng)險增加依然較高;此外，相對于位置參數(shù)，全國大部分區(qū)域主要是尺度參數(shù)的變化導(dǎo)致極端降水未來風(fēng)險增大。

關(guān)鍵詞 ?CMIP6; 極端降水; 全球變暖; 廣義極值分布; 概率比

2020年3月10日，世界氣象組織（WMO）發(fā)布的《2019年全球氣候狀況聲明》指出，全球變暖仍在加速，2019年的地表平均氣溫相較于工業(yè)前水平上升（1.1±0.1） ℃，同時預(yù)計這種變暖趨勢仍將繼續(xù)下去。隨著溫度的不斷上升，極端降水事件頻發(fā)，給人們?nèi)粘Ｉ詈徒?jīng)濟系統(tǒng)造成了嚴(yán)重影響（Tian et al.，2015;周莉和江志紅，2017;王艷君等，2019;丁凱熙等，2020;姜彤等，2022）。為了減輕氣候變化風(fēng)險，《巴黎協(xié)定》指出將全球平均氣溫控制在較工業(yè)化前水平2 ℃之內(nèi)，并為控制在1.5 ℃內(nèi)努力。但隨著全球平均氣溫越來越接近1.5 ℃的目標(biāo)，開展不同升溫閾值下極端降水事件的風(fēng)險變化及其影響貢獻(xiàn)來源分析的研究日益緊迫。

圍繞極端降水的觀測特征及其未來預(yù)估變化的分析，近年來國內(nèi)外學(xué)者已經(jīng)開展了較多研究（Yin et al.，2005;Li et al.，2018a;Ge et al.，2019;邵月紅等，2020;Zhao et al.，2020;Li et al.，2021;袁宇鋒和翟盤茂，2022）。觀測研究表明，極端降水頻率和強度在過去的幾十年顯著的增加，總體上呈現(xiàn)東南高-西北低的空間分布特征（Yuan et al.，2017）。同時，其變化趨勢主要以增加為主，但區(qū)域差異顯著。陳海山等（2009）、Fu et al.（2013）認(rèn)為中國地區(qū)長江流域、東南沿海、華南、西北和青藏高原等地區(qū)的極端降水呈正趨勢，而中部地區(qū)則呈負(fù)趨勢;陳曉晨等（2015）、吳潤琦（2019）指出未來升溫背景下降水將趨于極端化，且極端降水變化幅度將隨著升溫閾值的升高而增大。向竣文等（2021）則基于CMIP6模式對中國地區(qū)極端降水進行預(yù)估，指出2021—2100年中國區(qū)域極端降水將呈現(xiàn)顯著增加趨勢。在全球增暖1.5和2 ℃背景下，中國區(qū)域極端降水強度相對于歷史時期分別增加6％和11％，其發(fā)生概率分別增加1.6倍和2.4倍（Li et al.，2018b）。

值得注意的是，在以往的研究中，一些學(xué)者已經(jīng)注意到序列的均值與方差對氣候極值的影響。例如，Mears et al.（1984）指出，氣候要素的均值是導(dǎo)致極值頻率和強度發(fā)生變化的重要原因，進一步程炳巖等（2013）研究認(rèn)為平均氣候與極端氣候發(fā)生的概率呈非線性關(guān)系;Katz and Brown（1992）、Huang et al.（2015）則從理論上指出氣象要素方差的變化比均值對極端事件發(fā)生頻率的影響大得多。同時，極值理論（Extreme Value Theory，EVT）近年來也被廣泛引入用于極端氣候研究，其中應(yīng)用最為廣泛的是廣義極值分布（the Generalized Extreme Value distribution，GEV）。如黃婕（2016）運用GEV擬合極端降水序列，結(jié)果顯示序列方差會顯著影響極端降水量，增加極端降水事件的發(fā)生風(fēng)險。同樣，Parey et al.（2013）基于CMIP5模式，通過應(yīng)用GEV來研究均值和方差的演變在極端溫度變化中的作用。Zhang et al.（2017）利用觀測和全球氣候模式數(shù)據(jù)，基于GEV發(fā)現(xiàn)最熱天氣溫的變化更依賴于分布中形狀參數(shù)，而最冷夜氣溫的變化與位置參數(shù)轉(zhuǎn)移密切相關(guān)。Kharin et al.（2018）通過GEV評估兩個變暖水平間極端溫度和降水的風(fēng)險差異。Shi et al.（2020）研究全球變暖下極端高溫發(fā)生概率變化和溫度分布的統(tǒng)計特征，結(jié)果發(fā)現(xiàn)青藏高原和西北地區(qū)的極端冷事件發(fā)生概率隨位置參數(shù)的變化增加3倍和4倍。

綜上所述，不難看出理解氣候平均態(tài)和變率變化對極端事件發(fā)生概率風(fēng)險的影響與貢獻(xiàn)，將有助于對極端事件及其風(fēng)險變化有更進一步的認(rèn)識。針對此，本文將基于廣義極值分布，首先從理論上論證氣候平均態(tài)、變率與極端事件發(fā)生概率風(fēng)險的量化關(guān)系，并通過代表站點驗證其實用性;結(jié)合全球氣候模式模擬逐日降水資料，探討了增暖1.5和2 ℃背景下中國區(qū)域極端降水的未來風(fēng)險變化，并評估氣候變暖背景下極端降水響應(yīng)高敏感區(qū)域;進一步，基于概率分布探討了極端降水氣候平均態(tài)和年際變率對極端降水發(fā)生概率風(fēng)險的影響，這將為我國增強風(fēng)險管理、提高氣候變化應(yīng)對提供科學(xué)決策依據(jù)。

1 資料和方法

1.1 資料選取

本文所用的極端降水為利用CMIP6的24個全球氣候模式（見表1）模擬的1995—2100年逐日降水序列，基于區(qū)組最大法計算得到的年最大日降水量序列。其中1995—2014年為歷史時期，2015—2100年為未來預(yù)估時期。此外，由于增暖1.5和2 ℃下的模式輸出與排放情景相對獨立，本文僅展示SSP245情景下的結(jié)果。與Shi et al.（2018）類似，通過對24個模式的全球平均氣溫異常（相對于1861—1900年工業(yè)化水平前）時間序列進行21 a滑動平均，以抑制年際變化，并以每個模式達(dá)到1.5和2 ℃的第一年作為中心，前后各推10 a，作為全球增暖1.5和2 ℃的時間段。

1.2 方法介紹

1.2.1 概率比

為探討中國區(qū)域極端降水風(fēng)險變化的情況，本文引入概率比 P 來定量表征發(fā)生概率變化的程度。其定義為：

P=P 1／P 0。 ???（1）

其中：P 0=1／ τ ?0、 P 1=1／ τ ?1分別表示所關(guān)注極端降水事件在歷史和未來時期的發(fā)生概率; ?τ 0和τ 1為當(dāng)前 P 0和未來 P 1相對應(yīng)的重現(xiàn)期，則P= τ 0／τ 1，表示當(dāng)前時期平均 τ 0年發(fā)生一次的極端降水在未來時期將變?yōu)槠骄?τ ?1發(fā)生一次（Li et al.，2018b）。本文將主要關(guān)注20、50和100 a重現(xiàn)期，即 τ ?0=20，50，100，代表著不同程度的極端降水。顯然，概率比 P>1（或P <1），則意味著極端降水發(fā)生概率風(fēng)險呈現(xiàn)增加（或減少）變化。

1.2.2 廣義極值分布

本文引入廣義極值分布（GEV）用于刻畫極端降水的分布特征， 并用于從概率分布角度探討極端降水未來發(fā)生概率風(fēng)險的變化，以及位置和尺度參數(shù)對其影響與貢獻(xiàn)度量。其概率分布函數(shù)為（Coles，2001）：

F（x; μ，σ，ξ）= ?exp ?- 1+ ξ ??x- μ σ ????- 1 ξ ??，σ>0， ???1+ξ（ x- μ）／σ >0。 ??（2）

其中： μ、 σ、 ξ分別為位置、尺度和形狀參數(shù)。形狀參數(shù)ξ是確定極值分布類型的關(guān)鍵，當(dāng)ξ=0時，為Ⅰ型極值分布;當(dāng)ξ<0時，為Ⅱ型極值分布;當(dāng)ξ>0時，則為Ⅲ 型極值分布。上述3個參數(shù)的估計均采用極大似然估計法得到，與傳統(tǒng)的矩估計相比，該方法具有更強的魯棒性。

顯然，GEV三個參數(shù)會以不同的方式影響著極端降水概率分布的形態(tài)：如位置參數(shù) μ的增大或減小將造成極端事件概率分布的向左或右平移;尺度參數(shù)σ的改變則會影響概率分布的變異性，即造成分布函數(shù)變寬或者變窄;而形狀參數(shù)ξ則通過影 響分布的尾部特征來改變分布形態(tài)（Huang et al.，2015）。依據(jù)位置和尺度參數(shù)與極值序列均值和方差的關(guān)系公式（史道濟，2006），結(jié)合中國區(qū)域觀測極端降水實際差異的空間分布（圖略），可知均值和方差能分別被位置和尺度參數(shù)較大程度的反映。位置和尺度參數(shù)是體現(xiàn)極端事件概率分布變化趨勢和變異性的重要指標(biāo)，本文引用其來表征極端降水的氣候平均態(tài)和年際變率。此外，由于形狀參數(shù)一般變化較小，為了更好地探討平均態(tài)和年際變率對概率風(fēng)險變化的影響，本文假設(shè)增溫前后極端降水分布中形狀參數(shù) ξ 保持不變。

年最大降水量重現(xiàn)期是用來表示極端降水強度的重要指標(biāo)，同時重現(xiàn)水平也常被用來關(guān)注氣候極值或者水文極值的極端態(tài)（李洋和楊赤，2015）。本文中，重現(xiàn)水平也就是估計分 位數(shù)x p，通過反解 GEV 式（2）可得：

x p= μ- σ ξ ?［1-｛ log （1-p）｝ ?- ξ ］，ξ≠0。 ????（3）

其中：p為超閾值的概率，如p依次 取0.05、0.02和0.01時，即可得20、50和100 a重現(xiàn)期極端降水 x p 。

1.2.3 分布參數(shù)對極端降水風(fēng)險變化的影響

若將 X 0～F（ μ 0，σ 0，ξ 0）視作極端降水歷史時期的概率分布， X 1～F（ μ，σ，ξ 0）表示所關(guān)注未來時期的概率分布，其中μ=μ ?0 + Δ μ，σ=σ ?0 + Δ σ。依據(jù)式（1）（3），不難得到τ 0=1／ p 0重現(xiàn)期極端降水x ?p 0 的未來時期發(fā)生概率p 1，以及極端降水發(fā)生概率比，即：

P= ?p 1 p 0 = 1-P（X 1≤x ?P 0 ） 1-P（X 0≤x ?P 0 ） ∝1-F ?1 （x ?P 0 ; μ，σ，ξ 0）=

1- exp ?- 1+ ?ξ ?0（x ?P 0 - μ） σ ???- 1 ξ 0? ? 1-Ψ ??x ?P 0 - μ σ ??。 ??（4）

1）位置參數(shù)對極端降水風(fēng)險變化的影響

在不同的初始?xì)夂蚱骄鶓B(tài)和年際變率下，施加同樣的位置與尺度參數(shù)變化導(dǎo)致的極端降水未來發(fā)生概率比并不相同。這里引入風(fēng)險變化率的概念，其為極端降水發(fā)生概率比對參數(shù)的導(dǎo)數(shù)值，它的大小反映了極端降水發(fā)生概率風(fēng)險對參數(shù)響應(yīng)的不同與穩(wěn)定性。顯然，一個地區(qū)風(fēng)險變化率越大（?。?，則意味著同等參數(shù)變化下引起的發(fā)生概率風(fēng)險增加愈快（慢）?，F(xiàn)假設(shè)極端降水概率分布僅位置參數(shù)發(fā)生變化，依據(jù)式（4）不難得到此時的概率比為：

P ?μ∝1- Ψ ??x ?P 0 - μ σ 0 ?=1- Ψ ??x ?P 0 -（ μ 0+ Δ μ） σ 0 ?= ???1- Ψ ??x ?P 0 - μ 0 σ 0 - ?Δ μ σ 0 ?。 ??（5）

利用式（5）可知當(dāng)位置參數(shù)增量 Δ μ=μ-μ ?0 越大，概率分布函數(shù)值就會相應(yīng)的變小，從而極端降水發(fā)生概率比增大，即 P 隨著μ的增大而增大。為滿足可微分的條件，同時也便于空間上的比較，這里在式（5）的基礎(chǔ)上對μ、σ進行標(biāo)準(zhǔn)化。設(shè)區(qū)域上所有格點歷史和未來預(yù)估 時期GEV分布位置參數(shù)和尺度參數(shù)最大值為 μ ??max 、 σ ???max ?，令 μ =k ?μμ ???max ?， σ= k ?σσ ???max ?，其中 k ?μ、 k ?σ稱為標(biāo)準(zhǔn)化參數(shù)，則 P進一步可表示為：

P ?k ?μ ∝1- Ψ ??x ?P 0 -k ?μμ ???max ???σ 0 ?。 ???（6）

通過對式（6）求導(dǎo)可得位置參數(shù)變化引起極端降水發(fā)生概率風(fēng)險變化的影響度量，也即風(fēng)險變化率為：

P′ ?k ?μ =? ? P? ? k ?μ =（1- F 1（x ?P 0 ;k ?μμ ???max ?， σ 0，ξ 0））′ ??k ?μ · 1 ?P 0 = -F 1（x ?P 0 ;k ?μμ ???max ?， σ 0，ξ 0）′ ??k ?μ · 1 ?P 0 =

- exp ?- 1+ ?ξ 0（ x ?P 0 -k ?μμ ???max ?） ?σ 0 ???- 1 ξ 0 ??′ ??k ?μ · 1 ?P 0 =

exp ?- 1+ ?ξ 0（ x ?P 0 -k ?μμ ???max ?） ?σ 0 ???- 1 ξ 0 ??· ??1+ ξ 0（ x ?P 0 -k ?μμ ???max ?） ?σ 0 ???- 1 ξ 0 -1 ?· μ ???max ???σ 0· P ?0 。 ?（7）

不難看出，上述風(fēng)險變化率符號始終為正，意味著概率比將隨著 k ?μ的 增大而增大。

2）尺度參數(shù)對極端降水風(fēng)險變化的影響

同樣，若僅考慮尺度參數(shù)所發(fā)生的變化，也可推導(dǎo)出 σ引起的極端降水發(fā)生概率比 P的變化程度。令變化前后尺度參數(shù)分別為 σ 0和σ=σ ?0 + Δ σ，參考式（5）（6），可得僅σ變化下的 P值：

P ?σ∝1- Ψ ??x ?P 0 - μ 0 σ ?=1- Ψ ??x ?P 0 - μ 0 σ 0+ Δ σ ?= ?????1- Ψ ??x ?P 0 - μ 0 σ 0 · σ 0 σ 0+ Δ σ ??; ?（8）

P ?k ?σ ∝1- Ψ ??x ?P 0 - μ 0 ?k ?σσ ???max ???。 ??（9）

由式（8）可得隨著尺度參數(shù) σ增量的增大，概率分布函數(shù)值將變小，極值風(fēng)險呈現(xiàn)增大變化，即 P隨著 σ增大而增大。這也意味著μ和σ的增加都將導(dǎo)致風(fēng)險 P的持續(xù)增大。

基于式（9）求導(dǎo)類似可得尺度參數(shù)變化引發(fā)的極端降水發(fā)生概率比P的風(fēng)險變化率：

P′ ?k ?σ =? ? P? ? k ?σ =（1- G′（x ?P 0 ; μ 0， k ?σσ ???max ?， ξ 0））′ σ · 1 P 0 = -G′（x ?P 0 ; μ 0， k ?σσ ???max ?， ξ 0）′ ??k ?σ · 1 ?P 0 =

- exp ?- 1+ ?ξ 0（ x ?P 0 - μ 0） ?k ?σσ ???max ?????- 1 ?ξ 0 ??′ ??k ?σ · 1 ?P 0 =

exp ?- 1+ ?ξ 0（ x ?P 0 - μ 0） ?k ?σσ ???max ?????- 1 ?ξ 0 ??· ??1+ ?ξ 0（ x ?P 0 - μ 0） ?k ?σσ ???max ?????- 1 ?ξ 0 -1 ?· ??x ?P 0 - μ 0 ?k 2 ?σ σ ???max ??P 0 ?。 ???（10）

3）極端降水風(fēng)險變化影響因子分析

依據(jù)式（7）（10），P′ ?k ?μ ?、 P′ ?k ?σ ??分別刻畫了位置和尺度參數(shù)變化下極端降水發(fā)生概率風(fēng)險的變化率特征。兩者值越大，則意味著極端降水發(fā)生風(fēng)險呈現(xiàn)出更大、更快的變化。為了進一步綜合考察位置和尺度參數(shù)也即極端降水氣候平均態(tài)和年際變率變化在極端降水未來風(fēng)險中的貢獻(xiàn)，評估增暖1.5和2 ℃下極端降水的響應(yīng)敏感區(qū)和主要影響因素貢獻(xiàn)源，基于全微分可得極端降水風(fēng)險變化分解公式：

d P=? ? P? ? k ?μ ?d k ?μ+? ?P? ? k ?σ ?d k ?σ= P′ ?k ?μ ?d k ?μ+ P′ ?k ?σ ?d k ?σ。 ????（11）

顯然， P′ ?k ?μ ?d k ?μ和 P′ ?k ?σ ?d k ?σ 分別表示位置和尺度參數(shù)對極端降水風(fēng)險變化的貢獻(xiàn)率，用于度量兩者的貢獻(xiàn)大小。

1.2.4 模式擬合過程

針對每個模式各格點的歷史時期（1995—2014年）模擬數(shù)據(jù)，基于極大似然估計可以得到GEV式（2）中位置、尺度和形狀參數(shù)，并由此得到相應(yīng)的概率分布函數(shù);類似，通過固定形狀參數(shù)，可以得到每個格點SSP245排放情景極端降水增暖1.5和2 ℃下的GEV分布及其參數(shù)。結(jié)合式（1）和（3），可以計算得到歷史時期20、50和100 a重現(xiàn)期極端降水未來發(fā)生的概率比 P 。進一步，依據(jù)式（7）（10）（11）可以得到極端降水位置和尺度參數(shù)的增量變化、風(fēng)險變化率和貢獻(xiàn)率。此外，為便于模式比較和多模式結(jié)果應(yīng)用，本文使用雙線性插值將單個模式的上述各類指標(biāo)等統(tǒng)一插值到1°×1°網(wǎng)格中，并選取其中位數(shù)作為多模式集成結(jié)果。

2 主要結(jié)果

2.1 極端降水概率分布變化

中國區(qū)域極端降水概率風(fēng)險發(fā)生變化，本質(zhì)是其氣候平均態(tài)和年際變率發(fā)生了改變，進而引起概率分布形態(tài)發(fā)生改變。為了更好地展示GEV參數(shù)變化以及對應(yīng)的概率分布變化對極端降水發(fā)生風(fēng)險的影響，這里選取烏魯木齊作為代表站點（數(shù)據(jù)通過周邊格點平均得到）。依據(jù)式（6）（7）和（9）（10），可以得到該站點不同重現(xiàn)期下極端降水發(fā)生概率比和風(fēng)險變化率隨位置、尺度參數(shù)變化的模擬曲線圖（圖1）。不難看出，與理論結(jié)果相一致，不同重現(xiàn)期下極端降水事件的發(fā)生概率風(fēng)險比隨著 k ?μ、 k ?σ 的增加而增大，且重現(xiàn)期越大其單位變化下的風(fēng)險也越大（圖1a、b）;位置和尺度參數(shù)的變化引起的極端降水風(fēng)險變化率也隨著參數(shù)的增大而呈現(xiàn)出先增加后減少的拋物線特征（圖1c、d）。

上述結(jié)果從模擬角度驗證了分布參數(shù)的變化將引起極端降水發(fā)生風(fēng)險的變化，類似上述過程，這里從中國各區(qū)域選取四個代表站：烏魯木齊（西北），拉薩（西南），沈陽（東北）以及廣州（東南），并從概率分布角度進一步探討不同增暖背景下極端降水未來發(fā)生風(fēng)險的變化，以及位置和尺度參數(shù)變化對其的影響?；?4個CMIP6模式模擬的歷史和未來增暖1.5和2 ℃時期年極大降水?dāng)?shù)據(jù)，圖2給出了四個代表站的多模式集成后的GEV擬合概率密度曲線和對應(yīng)的參數(shù)結(jié)果?？梢钥闯觯煌雠尘跋滤膫€代表站的位置和尺度參數(shù)均發(fā)生了不同程度的變化。其中，位置參數(shù)都呈現(xiàn)出增大趨勢，導(dǎo)致對應(yīng)的概率密度曲線向右遷移;尺度參數(shù)也顯現(xiàn)出增大變化，其中拉薩站點增大變化較為明顯，這導(dǎo)致概率密度曲線變得更寬。此外，形狀參數(shù)有正有負(fù)，這說明四個站點的極端降水分布型并不一致，存在一定的差異。

顯然，位置和尺度參數(shù)的變化將會引起概率分布的變化，從而引起極端降水發(fā)生風(fēng)險的變化。表2進一步給出了增暖1.5和2 ℃背景下四個代表站位置和尺度參數(shù)變化，以及不同重現(xiàn)期下極端降水發(fā)生概率比的量化結(jié)果及其95％置信區(qū)間。相對于歷史時期，四個站點位置和尺度參數(shù)總體上呈現(xiàn)變大趨勢，且額外增暖0.5 ℃將導(dǎo)致更大的位置和尺度參數(shù)變化。兩者的增大意味著增暖1.5和2 ℃背景下極端降水將呈現(xiàn)雨量增強、變率增大變化，從而極端降水發(fā)生概率風(fēng)險也將呈現(xiàn)增加趨勢，額外增暖0.5 ℃導(dǎo)致更高的風(fēng)險。例如，相對于歷史時期，沈陽站在增暖1.5 ℃下位置參數(shù)變大2.44（95％置信區(qū)間為［1.33，3.55］），尺度參數(shù)變大1.19（［0.18，2.20］）;而增暖2 ℃下位置、尺度參數(shù)則大幅提升為4.42（［3.23，5.60］）和1.65（［0.66，2.63］），其100 a重現(xiàn)期極端降水的發(fā)生概率比也由3.08（［2.38，3.78］）提升到3.74（［2.61，4.88］）。此外，隨著重現(xiàn)期的增大，四個代表站發(fā)生風(fēng)險的可能性也呈現(xiàn)增大趨勢。

2.2 極端降水未來風(fēng)險變化

相對于歷史時期（1995—2014年），圖3給出了24個模式在增暖1.5和2 ℃背景下20、50和100 a重現(xiàn)期極端降水中國區(qū)域平均發(fā)生概率比箱線圖，可以看出，與前述代表站結(jié)果相似，極端降水發(fā)生風(fēng)險總體上呈現(xiàn)顯著增大變化，增暖1.5和2 ℃背景下20、50和100 a重現(xiàn)期極端降水概率比基本都大于2。相對于1.5 ℃，0.5 ℃的額外增溫造成全國極端降水發(fā)生風(fēng)險明顯增加。如50 a重現(xiàn)期極端降水在全球增暖1.5和2 ℃下概率比均值分別為3.0、3.7，重現(xiàn)期變?yōu)?7、14 a，極端降水發(fā)生變得更加頻繁。不同重現(xiàn)期間的概率比增加幅度不同，隨著重現(xiàn)期越大極端降水事件未來發(fā)生風(fēng)險越大。如在增溫1.5 ℃下，20 a重現(xiàn)期極端降水發(fā)生概率比平均為2.1，而50、100 a重現(xiàn)期極端降水則變?yōu)?.0和4.2。此外，在較高的重現(xiàn)期下，概率比在模式間的不確定范圍也越大。這與Li et al.（2018b）和Zhang et al.（2020）等研究結(jié)果總體上一致，但相對于CMIP5的結(jié)果，CMIP6的概率比增幅更大，且模式間不確定也更大。

圖4進一步給出了全球增暖1.5 ℃、2 ℃和（ 2-1.5 ） ℃背景下中國區(qū)域50 a重現(xiàn)期極端降水概率比的空間分布。不難發(fā)現(xiàn)，增暖1.5和2 ℃背景下概率比空間分布相似，中國絕大部分地區(qū)極端降水風(fēng)險呈現(xiàn)增加趨勢（ P >1），24個模式間也具有較好的一致性，大部分格點通過了一致性檢驗，即24個模式中超過85％支持 P >1。增暖1.5 ℃背景下，概率比大值區(qū)（ P >3）主要位于中國西部長江黃河上游和青藏高原部分地區(qū)，以及長江下游以南部分地區(qū);相對于增暖1.5 ℃，額外增暖0.5 ℃帶來極端降水更大風(fēng)險變化，增暖2 ℃下概率比大值區(qū)呈現(xiàn)進一步擴大和增強趨勢， P >3的區(qū)域在中國西部擴大到長江黃河中上游和青藏高原地區(qū)、中國東部長江黃河中下游以南等地區(qū)。此外，1.5和2 ℃差異圖也顯示中國西部長江黃河中上游地區(qū)通過了95％置信度檢驗。顯然，這些區(qū)域為我國氣候變化極端降水高敏感響應(yīng)區(qū)域，這與吳佳等（2015）、吳潤琦（2019）和周天軍等（2021）表明與水有關(guān)的災(zāi)害多發(fā)生在青藏高原、長江流域等地區(qū)結(jié)果類似。

2.3 極端降水風(fēng)險變化影響分析

中國區(qū)域極端降水未來風(fēng)險的變化，體現(xiàn)在其概率分布形態(tài)發(fā)生了改變，本質(zhì)是極端降水氣候平均態(tài)和年際變 率發(fā)生了改變。為了解極端降水GEV分布參數(shù)對中國區(qū)域極端降水未來風(fēng)險變化的影響，這里基于式（11），可以進一步計算得到全球變暖1.5和2 ℃下中國區(qū)域50 a重現(xiàn)期極端降水位置和尺度參數(shù)的增量、風(fēng)險變化率和貢獻(xiàn)率空間分布（圖5、6）。

對于位置參數(shù)，從圖5可以看出中國區(qū)域極端降水參數(shù)增量、風(fēng)險變化率以及貢獻(xiàn)率在1.5和2 ℃升溫閾值下的空間分布特征相似，但增暖2 ℃背景下變化幅度更大。與降水氣候態(tài)相近，極端降水位置參數(shù)增量空間上總體上呈現(xiàn)出由東南向西北遞減特征，其中增量較大區(qū)域主要集中于中國東部區(qū)域。相對于歷史時期，1.5和2 ℃增暖背景下全國大部分地區(qū)極端降水位置參數(shù)變化通過95％的置信度檢驗，變化顯著。如增暖1.5 ℃背景下，中國西部西北和青藏高原地區(qū)位置參數(shù)平均分別增加1.0、1.3，中國東部東北和東南地區(qū)則為2.1、3.4;而在2 ℃增暖下，西北和青藏高原地區(qū)則分別平均增加1.5和1.9，東北和東南地區(qū)則達(dá)到3.2和4.4（圖5a、b）;從圖5c、d可以看出，位置參數(shù)變化引起的風(fēng)險變化率均為正值，意味著極端降水氣候平均態(tài)的上升將引起概率風(fēng)險呈現(xiàn)增加趨勢。與參數(shù)增量空間分布相反，中國西部青藏高原和西北地區(qū)風(fēng)險變化率偏高，而中國東部總體風(fēng)險變化率偏低。這也將導(dǎo)致位置參數(shù)施加同等增量變化下，中國西部和東部由極端降水氣候平均態(tài)變化引起的概率風(fēng)險變化中國西部增加更快、東部則相對較為緩慢。如青藏高原地區(qū)由于其風(fēng)險變化率較高，盡管其位置參數(shù)增量不高，但其最終貢獻(xiàn)率依然較大，遠(yuǎn)遠(yuǎn)大于其他區(qū)域。而東北地區(qū)由于風(fēng)險變化率較低，盡管位置參數(shù)增量較高，但最終貢獻(xiàn)率依然相對偏低（圖5e、f）。

尺度參數(shù)增量和風(fēng)險變化率空間分布與位置參數(shù)總體相似，增暖1.5和2 ℃背景下我國西部青藏高原、西北地區(qū)的尺度參數(shù)增量依然相對較小，我國東部區(qū)域增量相對較大。增暖2 ℃比增暖1.5 ℃變化幅度更大，且相對于歷史時期，全國大部分區(qū)域尺度參數(shù)變化通過95％置信度檢驗（圖6a、b）。尺度參數(shù)引起的風(fēng)險變化率較大的區(qū)域依然主要位于中國西部青藏高原和西北地區(qū)，東部地區(qū)的風(fēng)險變化率則相對偏?。▓D6c、d）。尺度參數(shù)變化引起的貢獻(xiàn)率總體為正，其中東部地區(qū)與西部地區(qū)呈現(xiàn)出不一樣的增加特性：西部地區(qū)尺度參數(shù)總體增加幅度較小，但風(fēng)險變化率較高，從而導(dǎo)致西部地區(qū)貢獻(xiàn)率不低;而東部區(qū)域盡管風(fēng)險變化率較低，但因為尺度參數(shù)變化幅度總體較大，從而導(dǎo)致該區(qū)域呈現(xiàn)較高的貢獻(xiàn)率（圖6e、f）。

綜上所述，位置和尺度參數(shù)的增量變化、風(fēng)險變化率存在著顯著的區(qū)域性，從而導(dǎo)致氣候平均態(tài)和年際變率的變化對極端降水發(fā)生風(fēng)險的影響與貢獻(xiàn)存在差異。盡管西部地區(qū)位置和尺度參數(shù)變化幅度不大，但因為有著較高的風(fēng)險變化率，為氣候變化響應(yīng)不穩(wěn)定區(qū)域，導(dǎo)致該區(qū)域呈現(xiàn)出較高的風(fēng)險變化，其中長江黃河中上游和青藏高原部分地區(qū)增暖2 ℃下50 a重現(xiàn)期極端降水發(fā)生概率比更是達(dá)到5以上。東部地區(qū)則與之相反，由于位置和尺度參數(shù)增幅較大，盡管其風(fēng)險變化率較小，在兩者的共同影響下風(fēng)險增加依然較高;相對于位置參數(shù)，全國大部分區(qū)域主要是尺度參數(shù)即年際變率變化的貢獻(xiàn)導(dǎo)致了極端降水未來風(fēng)險增大。

3 結(jié)論

全球變暖背景下，極端事件頻發(fā)，開展極端降水的未來風(fēng)險與影響分析研究，將為我國增強風(fēng)險管理、提高氣候變化應(yīng)對提供科學(xué)參考依據(jù)。本文主要通過引入廣義極值分布，首先從理論上探討位置參數(shù)（氣候平均態(tài)）和尺度參數(shù)（年際變率變化）對極端降水發(fā)生概率風(fēng)險的影響與貢獻(xiàn)度量;進一步，結(jié)合24個CMIP6全球氣候模式逐日降水模擬數(shù)據(jù)，探討了增溫1.5和2 ℃背景下中國區(qū)域極端降水的未來風(fēng)險變化及其高敏感響應(yīng)區(qū)域，并量化評估了氣候平均態(tài)和年際變率變化對極端降水發(fā)生概率風(fēng)險的影響與貢獻(xiàn)。主要結(jié)論如下：

1）極端降水發(fā)生風(fēng)險的變化本質(zhì)是因為氣候平均態(tài)和年際變率發(fā)生了改變，從而導(dǎo)致其概率分布形態(tài)的變化。本文基于偏導(dǎo)數(shù)和全微分構(gòu)建了風(fēng)險變化率和貢獻(xiàn)率指標(biāo)，用于刻畫位置和尺度參數(shù)變化下發(fā)生風(fēng)險的變化率，以及在風(fēng)險總變化中各自的貢獻(xiàn)。理論分析和代表站實例均顯示，位置和尺度參數(shù)的風(fēng)險變化率均為正值，隨著兩者的增大呈現(xiàn)出先增大后減小的拋物線變化特征;且位置和尺度參數(shù)的變大，將導(dǎo)致極端降水分布的正向遷移和分布的變寬，從而導(dǎo)致發(fā)生風(fēng)險的增大。

2）增暖1.5和2 ℃背景下，中國區(qū)域極端降水發(fā)生風(fēng)險呈現(xiàn)增加趨勢，額外增暖0.5 ℃將導(dǎo)致高風(fēng)險區(qū)域呈現(xiàn)擴大和增強變化，這與Li et al.（2018b）和Zhang et al.（2020）等研究結(jié)果總體上一致。如歷史時期（1995—2014年）50 a重現(xiàn)期極端降水，在全球增暖1.5、2 ℃下其重現(xiàn)期將分別變?yōu)?7、14 a，極端降水變得更頻繁。不同區(qū)域?qū)夂蜃兣捻憫?yīng)也存在較大差異，極端降水發(fā)生概率風(fēng)險大值區(qū)主要位于中國西部長江黃河中上游和青藏高原地區(qū)、中國東部 長江黃河中下游及其以南地區(qū)。這些區(qū)域的概率比達(dá)到3甚至5以上，幾乎是其他區(qū)域的兩倍，為我國氣候變化極端降水高敏感響應(yīng)區(qū)域。

3）位置和尺度參數(shù)增量變化、風(fēng)險變化率的區(qū)域特征，導(dǎo)致其對極端降水發(fā)生風(fēng)險的影響與貢獻(xiàn)存在顯著的東西部差異。中國西部地區(qū)位置和尺度參數(shù)變化幅度不大，但因為有著較高的風(fēng)險變化率，從而導(dǎo)致該區(qū)域尤其長江黃河中上游、青藏高原區(qū)域呈現(xiàn)出較高的風(fēng)險變化，為我國氣候變化響應(yīng)不穩(wěn)定區(qū)域。Wei et al.（2019）也指出中國西部旱地區(qū)域為氣候變化響應(yīng)最為敏感區(qū)域，增溫1.5和2 ℃下降水量將會顯著增加。中國東部則相反，盡管其風(fēng)險變化率較小，但位置和尺度參數(shù)增幅較大，兩者的共同影響下風(fēng)險增加依然較高。此外，相對于位置參數(shù)，全國大部分區(qū)域主要是尺度參數(shù)即年際變率的變化導(dǎo)致極端降水未來風(fēng)險增大。

參考文獻(xiàn)（References）

程炳 巖，丁裕國，鄭春雨，等，2013.極端氣候?qū)ζ骄鶜夂蜃兓姆蔷€性響應(yīng)及其敏感性試驗［J］.氣候與環(huán)境研究，18（1）：135-144. Cheng B Y，Ding Y G，Zheng C Y，et al.，2013.Nonlinear response and sensitivity test for extreme climate relative to average climate［J］.Clim Environ Res，18（1）：135-144.（in Chinese）.

陳海山，范蘇丹，張新華，2009.中國近50 a極端降水事件變化特征的季節(jié)性差異［J］.大氣科學(xué)學(xué)報，32（6）：744-751. Chen H S，F(xiàn)an S D，Zhang X H，2009.Seasonal differences of variation characteristics of extreme precipitation events over China in the last 50 years［J］.Trans Atmos Sci，32（6）：744-751.doi：10.13878／j.cnki.dqkxxb.2009.06.005.（in Chinese）.

陳曉晨，徐影，姚遙，2015.不同升溫閾值下中國地區(qū)極端氣候事件變化預(yù)估［J］.大氣科學(xué)，39（6）：1123-1135. Chen X C，Xu Y，Yao Y，2015.Changes in climate extremes over China in a 2 ℃，3 ℃，and 4 ℃ warmer world［J］.Chin J Atmos Sci，39（6）：1123-1135.（in Chinese）.

Coles S，2001.An introduction to statistical modeling of extreme values［M］.London：Springe.

丁凱熙，張利平，佘敦先，等，2020.全球升溫1.5 ℃和2.0 ℃情景下瀾滄江流域極端降水的變化特征［J］.氣候變化研究進展，16（4）：466-479. Ding K X，Zhang L P，She D X，et al.，2020.Variation of extreme precipitation in Lancang River Basin under global warming of 1.5 ℃ and 2.0 ℃［J］.Clim Change Res，16（4）：466-479.doi：10.12006／j.issn.1673-1719.2019.126.（in Chinese）.

Fu G B，Yu J J，Yu X B，et al.，2013.Temporal variation of extreme rainfall events in China，1961—2009［J］.J Hydrol，487：48-59.doi：10.1016／j.jhydrol.2013.02.021.

Ge F，Zhu S P，Peng T，et al.，2019.Risks of precipitation extremes over Southeast Asia：Does 1.5 ℃ or 2 ℃ global warming make a difference？［J］.Environ Res Lett，14（4）：044015.doi：10.1088／1748-9326／aaff7e.

黃婕，2016.非平穩(wěn)條件下東南沿海汛期極端降水演變特征及其歸因研究［D］.福州：福建師范大學(xué). Huang J，2016.Analysis of the variation characteristics of extreme precipitation and its attribution during rainy season in the southeast coast of China under the non-stationary condition［D］.Fuzhou：Fujian Normal University.（in Chinese）.

Huang W K，Stein M L，McInerney D J，et al.，2015.Estimating changes in temperature extremes from millennial scale climate simulations using generalized extreme value（GEV） distributions［EB／OL］.［2022-17-20］.https：／／arxiv.org／abs／1512.08775.

姜彤，翟建青，羅勇，等，2022.氣候變化影響適應(yīng)和脆弱性評估報告進展：IPCC AR5到AR6的新認(rèn)知［J］.大氣科學(xué)學(xué)報，45（4）：502-511. Jiang T，Zhai J Q，Luo Y，et al.，2022.Understandings of assessment reports on climate change impacts，adaptation and vulnerability：progress from IPCC AR5 to AR6［J］.Trans Atmos Sci，45（4）：502-511.doi：10.13878／j.cnki.dqkxxb.20220529013.（in Chinese）.

Katz R W，Brown B G，1992.Extreme events in a changing climate：variability is more important than averages［J］.Clim Change，21（3）：289-302.doi：10.1007／BF00139728.

Kharin V V，F(xiàn)lato G M，Zhang X，et al.，2018.Risks from climate extremes change differently from 1.5 ℃ to 2.0 ℃ depending on rarity［J］.Earths Future，6（5）：704-715.doi：10.1002／2018ef000813.

Li H X，Chen H P，Wang H J，et al.，2018a.Future precipitation changes over China under 1.5 ℃ and 2.0 ℃ global warming targets by using CORDEX regional climate models［J］.Sci Total Environ，640／641：543-554.doi：10.1016／j.scitotenv.2018.05.324.

Li T，Jiang Z H，Zhao L H et al.，2021.Multi-model ensemble projection of precipitation changes over China under global warming of 1.5 and 2 ℃ with consideration of model performance and independence［J］.J Meteor Res，35（1）：184-197.

Li W，Jiang Z H，Zhang X B，et al.，2018b.Additional risk in extreme precipitation in China from 1.5 ℃ to 2.0 ℃ global warming levels［J］.Sci Bull，63（4）：228-234.

李洋，楊赤，2015.中國區(qū)域氣候極值重現(xiàn)水平的非平穩(wěn)模型及趨勢分析［J］.氣候與環(huán)境研究，20（3）：347-355. Li Y，Yang C，2015.Non-stationary modeling and trend analysis of return levels of climate extremes in China［J］.Clim Environ Res，20（3）：347-355.（in Chinese）.

Mearns L O，Katz R W，Schneider S H，1984.Extreme high-temperature events：changes in their probabilities with changes in Mean temperature［J］.J Climate Appl Meteor，23（12）：1601-1613.doi：10.1175／1520-0450（1984）023<1601：ehteci>2.0.co;2.

Parey S，Hoang T T H，Dacunha-Castelle D，2013.The importance of mean and variance in predicting changes in temperature extremes［J］.J Geophys Res Atmos，118（15）：8285-8296.doi：10.1002／jgrd.50629.

邵月紅，劉玲，劉俊杰，等，2020.海河流域近60 a降水極值的頻率分析及時空分布特征［J］.大氣科學(xué)學(xué)報，43（2）：381-391. Shao Y H，Liu L，Liu J J，et al.，2020.Frequency analysis and its spatiotemporal characteristics of precipitation extremes in the Haihe River Basin during 1951—2010［J］.Trans Atmos Sci，43（2）：381-391.doi：10.13878／j.cnki.dqkxxb.20170625001.（in Chinese）.

Shi C，Jiang Z H，Chen W L，et al.，2018.Changes in temperature extremes over China under 1.5 ℃ and 2 ℃ global warming targets［J］.Adv Clim Change Res，9（2）：120-129.doi：10.1016／j.accre.2017.11.003.

Shi C，Jiang Z H，Zhu L H，et al.，2020.Risks of temperature extremes over China under 1.5 ℃ and 2 ℃ global warming［J］.Adv Clim Change Res，11（3）：172-184.doi：10.1016／j.accre.2020.09.006.

史道濟，2006.實用極值統(tǒng)計方法［M］.天津：天津科技出版社. Shi D J，2006.Practical extremum statistical method［M］.Tianjin：Tianjin Science and Technology Press.（in Chinese）.

Tian D，Guo Y，Dong W J，2015.Future changes and uncertainties in temperature and precipitation over China based on CMIP5 models［J］.Adv Atmos Sci，32（4）：487-496.

王艷君，劉俸霞，翟建青，等，2019.全球升溫1.5 ℃與2.0 ℃目標(biāo)下長江流域極端降水的變化特征［J］.氣象科學(xué)，39（4）：540-547. Wang Y J，Liu F X，Zhai J Q，et al.，2019.Variation characteristics of extreme precipitation in the Yangtze River Basin under the global warming 1.5 ℃ and 2.0 ℃［J］.J Meteor Sci，39（4）：540-547.（in Chinese）.

Wei Y，Yu H P，Huang J P，et al.，2019.Drylands climate response to transient and stabilized 2 ℃ and 1.5 ℃ global warming targets［J］.Climate Dyn，53（3／4）：2375-2389.doi：10.1007／s00382-019-04860-8.

吳佳，周波濤，徐影，2015.中國平均降水和極端降水對氣候變暖的響應(yīng)：CMIP5模式模擬評估和預(yù)估［J］.地球物理學(xué)報，58（9）：3048-3060. Wu J，Zhou B T，Xu Y，2015.Response of precipitation and its extremes over China to warming：CMIP5 simulation and projection［J］.Chin J Geophys，58（9）：3048-3060.doi：10.6038／cjg20150903.（in Chinese）.

吳潤琦，2019.全球增暖1.5 ℃／2.0 ℃下中國極端氣候事件響應(yīng)的精細(xì)結(jié)構(gòu)及高敏感區(qū)的甄別［D］.南京：南京大學(xué). Wu R Q，2019.Fine structure and sensitive areas in China under 1.5／2.0 ℃ warming as indicated by extreme climate events［D］.Nanjing：Nanjing University.（in Chinese）.

向竣文，張利平，鄧瑤，等，2021.基于CMIP6的中國主要地區(qū)極端氣溫／降水模擬能力評估及未來情景預(yù)估［J］.武漢大學(xué)學(xué)報（工學(xué)版），54（1）：46-57，81. Xiang J W，Zhang L P，Deng Y，et al.，2021.Projection and evaluation of extreme temperature and precipitation in major regions of China by CMIP6 models［J］.Eng J Wuhan Univ，54（1）：46-57，81.doi：10.14188／j.1671-8844.2021-01-007.（in Chinese）.

Yin Y H，Wu S H，Zheng D，et al.，2005.Regional difference of aridity／humidity conditions change over China during the last thirty years［J］.Chin Sci Bull，50：2226-2233.

袁宇鋒，翟盤茂，2022.全球變暖與城市效應(yīng)共同作用下的極端天氣氣候事件變化的最新認(rèn)知［J］.大氣科學(xué)學(xué)報，45（2）：161-166. Yuan Y F，Zhai P M，2022.Latest understanding of extreme weather and climate events under global warming and urbanization influences［J］.Trans Atmos Sci，45（2）：161-166.doi：10.13878／j.cnki.dqkxxb.20211011001.（in Chinese）.

Yuan Z，Yang Z Y，Yan D H，et al.，2017.Historical changes and future projection of extreme precipitation in China［J］.Theor Appl Climatol，127（1）：393-407.doi：10.1007／s00704-015-1643-3.

Zhang M，Yu H P，King A D，et al.，2020.Greater probability of extreme precipitation under 1.5 ℃ and 2 ℃ warming limits over East-Central Asia［J］.Clim Change，162（2）：603-619.doi：10.1007／s10584-020-02725-2.

Zhang Y J，Gao Z Q，Pan Z T，et al.，2017.Spatiotemporal variability of extreme temperature frequency and amplitude in China［J］.Atmos Res，185：131-141.doi：10.1016／j.atmosres.2016.10.018.

Zhao Y M，Li Z S，Cai S Y，et al.，2020.Characteristics of extreme precipitation and runoff in the Xijiang River Basin at global warming of 1.5 ℃ and 2 ℃［J］.Nat Hazards，101（3）：669-688.doi：10.1007／s11069-020-03889-x.

周莉，江志紅，2017.基于轉(zhuǎn)移累計概率分布統(tǒng)計降尺度方法的未來降水預(yù)估研究：以湖南省為例［J］.氣象學(xué)報，75（2）：223-235. Zhou L，Jiang Z H，2017.Future changes in precipitation over Hunan Province based on CMIP5 simulations using the statistical downscaling method of transform cumulative distribution function［J］.Acta Meteorol Sin，75（2）：223-235.（in Chinese）.

周天軍，任俐文，張文霞，2021.2020年梅雨期極端降水的歸因探討和未來風(fēng)險預(yù)估研究［J］.中國科學(xué)：地球科學(xué)，51（10）：1637-1649. Zhou T，Ren L，Zhang W.2021.Anthropogenic influence on extreme Meiyu rainfall in 2020 and its future risk［J］.Sci Sin Terrae，51（10）：1637-1649.（in Chinese）.

Risk and impact analysis of extreme precipitation over China under 1.5 and 2 ℃ global warming levels

ZHU Lianhua ?1，2，3 ，ZHU Yingqi 1，YAO Yiyi 1，SHI Chen 4，XU Fanran 1， ZHAO Weihao 1，JIANG Zhihong 5

1School of Mathematics and Statistics，Nanjing University of Information Science ＆ Technology，Nanjing 210044，China;

2Center for Applied Mathematics of Jiangsu Province，Nanjing University of Information Science ＆ Technology，Nanjing 210044，China;

3Jiangsu International Joint Laboratory on System Modeling and Data Analysis，Nanjing University of Information Science and Technology，Nanjing 210044，China;

4Laboratory of Research for Middle-High Latitude Circulation System and East Asian Monsoon，Institute of Meteorological Sciences of Jilin Province，Changchun 130062，China;

5Key Laboratory of Meteorological Disaster of Ministry of Education（KLME）／Joint International Research Laboratory of Climate and Environment Change（ILCEC）／Collaborative Innovation Center on Forecast and Evaluation of Meteorological Disaster（CIC-FEMD），Nanjing University of Information Science ＆ Technology，Nanjing 210044，China

Based on the daily precipitation of 24 global climate models from the sixth phase of the Coupled Model Intercomparison Project 6 （CMIP6） multimodel simulations，the generalized extreme value distribution （GEV） is introduced to study the risks of extreme precipitation that expected to occur every 20，50，and 100 years over China under 1.5 and 2 ℃ global warming levels.In comparison to the historical period （1995—2014），the changes in the probability of the risk of extreme precipitation under 1.5 and 2 ℃ global warming present an overall increasing trend.Although their spatial distributions show similar characteristics，the additional half degree of global warming will lead to a higher risk.For example，extreme precipitation that occurs once every 50 years will become once every 14 or 17 years under the 1.5 and 2 ℃ global warming，respectively，and extreme precipitation will become more frequent.There are regional differences in how each region reacts to global warming，among which the middle and upper reaches of the Yangtze and Yellow Rivers and the Qinghai-Tibet Plateau region in Western China，and the middle and lower reaches of the Yangtze and Yellow Rivers and their tributaries in Eastern China，are regions that are highly sensitive to climate change，with probability ratios of 3 or even 5 or more.Furthermore，the influence and contribution measures of location and scale parameters on the probability ratios are explored theoretically using probability distributions，which are also used to explore the influences of climate means and variability changes on the risks of extreme precipitation.The results show that there are significant differences between Eastern China and Western China in the incremental changes of location and scale parameters，and in the rates of probability changes，which lead to differences in the factors that influence the risk of extreme precipitation.In Western China，although the changes in climate means and variabilities of extreme precipitation are small，the probability ratios increase significantly due to the high rates of changes in probability.In contrast，the change rates are small，but the climate means and variabilities are increasing significantly，which also lead to an increase in Eastern China.Moreover，compared to the location parameters，the increased risks in most regions of China are mainly due to the anticipated changes in scale parameters of extreme precipitation.

CMIP6;extreme precipitation;global warming;GEV;probability ratio

doi：10.13878／j.cnki.dqkxxb.20210811002

（責(zé)任編輯：張福穎）