首页
学习
活动
专区
圈层
工具
发布
社区首页 >专栏 >《Journal of Hydrology》| 绘制中国洪水“性格”地图:气候变化如何重塑流域洪水时空新格局?

《Journal of Hydrology》| 绘制中国洪水“性格”地图:气候变化如何重塑流域洪水时空新格局?

作者头像
气象学家
发布2026-03-25 21:41:00
发布2026-03-25 21:41:00
2070
举报
文章被收录于专栏:气象学家气象学家

FLOOD STUDY

We are Long's group

科学合理的流域洪水“分区”,是理解区域洪水气候特征及其变化规律、制定流域防洪减灾策略的关键环节。通常认为,同一分区内的流域拥有相似的洪水特征以及对气候变化的响应机制。然而,中国地处东亚季风区,气候地形复杂,洪涝灾害频发,此前相关的洪水分区工作相对较少。已有传统方法往往依赖主观选取的指标,忽略了分区过程的不确定性,且难以覆盖缺乏监测资料的地区。

研究概要

南京大学地理与海洋科学学院杨龙教授团队提出了一种基于“共识聚类”的流域洪水分区方法,并在此基础上识别了全国尺度下区域洪水变化新格局及其驱动因子。研究根据流域洪水特征(洪峰量级、峰现时间、空间覆盖等),将我国流域洪水分为四个大区和20个小区,绘制了我国洪水“性格”地图。研究发现,我国流域洪水主要呈现年最大洪峰量级减小,年最大洪峰出现时间延后的趋势。区域尺度上洪水量级和时间变化与降雨、土壤水等水文气象要素变化特征具有显著一致性,突出气候变化塑造洪水时空格局的主导作用。研究强调,从区域尺度上开展相关洪水变化与归因研究,有助于提高变化环境下流域洪水风险管理水平。

研究方法

研究团队基于全国1111个水文站的年最大洪峰流量及其出现时间数据,构建了一套覆盖全境的分区流程(见图1):

1.数据充足地区(找共识):选取代表洪水季节性、量级、空间依赖性及地理位置等8个维度的特征。为了避免单一指标的主观偏差,团队通过组合不同指标进行多次聚类实验,提取最稳定的“共识”结果;

2.数据不足地区(用模型): 利用深度学习模型,建立聚类结果与洪水特征之间的映射关系,从而为资料不足的站点进行科学分类;

3.无资料地区(看相似): 基于水文气象变量的相似性,推断无监测资料流域的洪水类别。

基于上述方法,研究将中国洪水划分为4个一致性大区和20个子区,精准刻画不同区域的洪水气候特征:

Ⅰ区(北方及部分山区),年最大洪峰峰现时间晚,洪水极端性强;

Ⅱ区(南方大部分地区)年最大洪峰峰现时间早,洪峰量级高;

Ⅲ区(西北内陆等):年最大洪峰量级最低;

Ⅳ区(部分过渡带):洪水极端性弱,年最大洪峰量级波动小。

在更精细的20个子区中,差异更为具体。例如:海南岛(Ⅱ6区)受台风影响,洪峰流量极大且年际变化小;太行山区(Ⅰ2和Ⅰ3区)受地形与极端降雨叠加影响,其洪水极端性最强,且爆发具有高度同步性。

图 1 流域洪水水文分区流程图

主要结论

“共识聚类”显著提升了分区的科学性,解释了洪水特征90%的空间变异性(传统单次实验仅为75%)。纬度与洪峰量级对聚类结果最为重要,分别解释了29.4 %、26.1 %的空间变异性。此外,洪水空间依赖特征解释了10 %的变异性,而这一指标在之前的水文分区工作中并未被充分考虑。

图 2 各分区年最大洪峰流量变化趋势

研究进一步分析了各分区洪水特征的演变趋势及其气候成因,并对比了站点尺度与区域尺度洪水变化信号的一致性(图2)。结果表明,中国洪水整体呈现年最大洪峰减小、峰现时间延后的变化趋势,降水、土壤水和融雪等水文气象变量的变化较好解释了各分区洪水变化。各区域内站点洪水变化与区域整体变化呈现高度一致性,其中洪峰流量的站点和区域变化一致性比峰现时间更高。尽管聚类实验中并未使用趋势类的洪水特征度量指标,各分区与内部站点洪水变化趋势较高的一致性也验证了流域洪水分区结果合理性。

论文信息

上述成果以“Spatially coherent changes in Chinese annual flood peaks revealed by a consensus-based machine learning framework for regionalization”为题在线发表在《Journal of Hydrology》。论文第一作者为南京大学地理与海洋科学学院博士生翁嘉泽,通讯作者为南京大学地理与海洋科学学院杨龙教授,论文合作者包括南京大学杨依欣、盐城工学院李大洋讲师与新南威尔士大学Ashish Sharma教授。该研究得到了国家自然科学基金面上项目以及新疆自治区自然科学基金重点项目资助。

论文信息

参考文献:

Weng, J., Yang, Y., Li, D., Sharma, A., Yang, L. (2025),

Spatially coherent changes in Chinese annual flood peaks revealed by a consensus-based machine learning framework for regionalization. Journal of Hydrology, https://doi.org/10.1016/j.jhydrol.2025.134665

END

声明:欢迎转载、转发。气象学家公众号转载信息旨在传播交流,其内容由作者负责,不代表本号观点。文中部分图片来源于网络,如涉及内容、版权和其他问题,请联系小编处理。

本文参与 腾讯云自媒体同步曝光计划,分享自微信公众号。
原始发表:2025-12-16,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 气象学家 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档