基于CMIP6氣候情景的西江流域未來徑流預測及其不確定性分析

Abstract：Duetotecombinedfectsofglobalclimatechangeandstronghumaactivitiesextremefloodshavebecomefrequntand widespread，withsigantcangesiunofsquences.edictigfutueunongsinfloodproneareasderteiflucef climatechangeandhumanactivitiesisofgreatsignificanceforregionalwaterdisasterpreventionandrationalwaterresource utilization.Therefore，bytakingtheXijiangRiverBasin，regionwithfrequentflods，astheresearchbject，thispaperadoptsthe Mann-Kendallmutationtestandunivariatelinearregressonmethods torevealtheon-uniformcharacteristicsofthebasin'sunoff sequences.Basedonthis，theXin'anjiang hdrologicalmodel（XAJ）isbuilt，ndtheparticleswarmoptimization （PSO）algorithmis employedtocalibrateandvalidatethemodelparameters.Furthermore，byutilizingdatafrom15climatemodelsunderCMI6，thebias correctionandspatialdisaggegation（BCSD）downscalingmethodisappliedtodownscalethedatatotheXijiangRiverBasin. AditioalleesulllXJelisbtandidatoschsotofodelaie runoffchangesareadopted torevealthecharacteristicsoffuturewaterresourcevariabilityinthebasin.Theresultsshowthatthe annual runoff of the basin decreases year by year at a rate of 17.26m³/s ，with the abrupt change occurring in 2OO2. The built XAJ modelcanbemoreefectivelyappliedtotheXijiangRiverBasinanditsabilitytocapturepeakflowissuperior.Inteearediu， andlongter，eoffuringteonodsasonwillireasesigniiantlyilethatifodeasosilleceas.eul canprovideanimpantsentificbasisfratermanagementagenciestopln，llcate，andutilizeaterrsourcesreasoablyithe basin，thereby reducing the influence of GCMs and SSPs uncertainty on runof prediction uncertainty.

Keywords： climate change; runof prediction;uncertainty;Xijiang River Basin

21世紀以來，受全球氣候變暖和強人類活動共同影響，中國水資源的時空演變規(guī)律發(fā)生顯著變化，水資源管理與規(guī)劃面臨嚴峻挑戰(zhàn)[1-2]。因此，準確可靠的徑流預測結(jié)果可為水管部門科學開展水資源規(guī)劃、調(diào)配和利用提供一定技術(shù)支撐[3-4]

隨著計算機技術(shù)的進步，通常采用基于產(chǎn)匯流機制的物理模型方法和基于氣象、徑流數(shù)據(jù)驅(qū)動的深度學習、機器學習方法5-進行徑流序列預測。前者輸出結(jié)果由模型參數(shù)、結(jié)構(gòu)和物理假設(shè)條件共同決定，但因其充分考慮物理機制被得以廣泛應用[7-8]。后者利用氣候因子與徑流之間的動態(tài)關(guān)系預測徑流序列，但其精度嚴重依賴于所收集資料長度及氣候因子選擇的不確定性。近年來，國內(nèi)外學者利用這2種方法進行徑流序列預測[9-1]。例如，Chen 等[12]通過構(gòu)建IFAS與長短時記憶模型（LongShort-TermMemory，LSTM）耦合模型預測了強降雨驅(qū)動下流域洪水過程。張?zhí)m影等[13以石羊河8個子流域為例，利用SVM模型成功預測了月徑流量。何玉芬等[14]通過耦合分布式GBEHM（GeomorphologyBasedEco-HydrologicalModel）水文模型和自回歸（Autoregressive，AR）誤差校正方法，開展了多尺度（候、旬、月）徑流預報研究，結(jié)果表明該模型能較好地重現(xiàn)逐日徑流過程。董寧澎等5以雅襲江甘孜水文站以上流域為例，構(gòu)建了考慮融雪產(chǎn)流和土壤凍融的新安江模型，并指出其可以顯著提升流域冰雪消融期的水文模擬精度。縱觀過往研究發(fā)現(xiàn)，基于數(shù)據(jù)驅(qū)動的深度學習、機器學習模型在高緯度、高海拔山區(qū)因?qū)崪y數(shù)據(jù)長度不足且質(zhì)量不高導致模型應用受限，相對而言，新安江水文模型計算簡便、運算速度快，在開展徑流預報方面具有獨特優(yōu)勢。因此，從未來視角，利用概念性水文模型厘清其在洪澇高發(fā)流域的適用性有助于提高氣候變化背景下流域未來洪峰情勢預估的準確度。然而，氣候變化和人類活動影響下未來洪澇高發(fā)區(qū)極端洪峰、洪量及洪水過程可能發(fā)生顯著改變，當利用陸氣耦合模式（CMIP6和XAJ模型）預測未來洪水特征時氣候模式（GeneralCirculationModels，GCMs）和氣候變化情景（SharedSocioeconomicPathways，SSPs）不確定性對洪水預測不確定性的影響卻鮮有涉及。

因此，以洪澇頻發(fā)的西江流域為研究對象，采用Mann-Kendall突變檢驗和一元線性回歸方法揭示流域徑流序列的非一致性特征；基于此構(gòu)建XAJ水文模型，并采用粒子群優(yōu)化算法對模型參數(shù)進行校準和驗證；其次，基于CMIP6下15種氣候模式數(shù)據(jù)，采用偏差校正空間分解降尺度方法將其降尺度至西江流域，并將其驅(qū)動成功構(gòu)建的XAJ模型，并采用變差系數(shù)和徑流相對變化等指標揭示流域未來水資源的豐枯變化特征及其不確定性影響。

1流域概況及數(shù)據(jù)來源

西江流域發(fā)源于云南省曲靖馬雄山東麓，干流全長為 2214km² ，是珠江流域最長河流，流域集水面積高達35.31萬 km² ，占珠江流域總面積的 80% ，其多年平均水資源量為2302億 m³ ，占珠江流域總水資源量的 68% 左右。流域地處熱帶和亞熱帶氣候區(qū)，降水量豐富，但其時空分配不均，降水主要發(fā)生在每年的4一10月，占年降水總量的 72%～86% ，且1960—2023年多年平均降水量為 1 200～1 900 水文站點空間分布見圖1。mm ，平均氣溫為 。流域地理位置及氣象、

圖1西江流域地理位置及氣象、水文站點空間分布

Fig.1Geologicallocationandspatialdistributionof meteorologicalandhydrologicalstationsinXijiangRiver Basin

本研究所收集數(shù)據(jù)為流域內(nèi)部及周邊33個國家一級氣象站1960—2023年逐日降水量、平均氣溫、最高氣溫、最低氣溫 ?2m 高處平均風速、日照時數(shù)和相對濕度長序列氣象數(shù)據(jù)，其來源于國家氣象數(shù)據(jù)服務(wù)共享網(wǎng)（http：//data.cma.cn/）。同時利用Penman-Monteith算法（P-M）計算各站點對應的潛在蒸發(fā)量，其詳細計算公式參考文獻[16]。同時，收集了第6次國際耦合模式比較計劃（CoupledModeltercomparisonProjectPhase6，CMIP6）15種在中國區(qū)表現(xiàn)較好的氣候模式數(shù)據(jù)集，其涵蓋了3種氣候情景：SSP126（低排放情景）SSP245（中等排放情景）、SSP585（高排放情景），見表1。

2 研究方法

2.1Mann-Kendall非參數(shù)突變檢驗方法（M-K）

M-K方法廣泛應用于流域氣象、水文序列的突變性檢驗[17]，其計算過程如下。

假定年徑流量序列為 {x_i}（i=1，2，3，…，n） ，接著

構(gòu)造新秩序列 m_i ，定義 d_k 為：

d_k 的均值、方差計算方法為：

假定檢測序列具有隨機性且相互獨立，定義統(tǒng)計量UF為：

式中：UF服從正態(tài)分布，當給定顯著性水平 α ，本文中其值為 95% ；當 |UF|gt;U_α 時，表明年徑流量序列存在一定趨勢性，當UF gt;0 ，則表明年徑流序列呈上升趨勢，否則呈下降趨勢；在置信區(qū)間內(nèi)，當UF和UB曲線相交時，該交點即為流域年徑流序列的突變點，即突變年份。

表1CMIP6下全球15種氣候模式數(shù)據(jù)集

Tab.1Globaldatasetof15climatemodelsunderCMIP6

2.2新安江水文模型

基于薩克拉門托模型原理引入了新安江模型，并提出了三水源新安江模型[18]。該模型核心過程為：分析流域某一時刻降水、土壤水以及產(chǎn)流量之間的非線性關(guān)系，從而獲得流域水文過程。該模型主要分為四大模塊：蒸散發(fā)模塊、產(chǎn)流模塊、分水源計算模塊和匯流模塊。其中，蒸散發(fā)計算模塊采用3層蒸散發(fā)模型；產(chǎn)流模塊采用蓄滿產(chǎn)流模型；分水源計算模塊采用自由水蓄水庫結(jié)構(gòu)將總徑流劃分為地表徑流、壤中流和地下徑流3種徑流成分；匯流模塊采用線性水庫和分段馬斯京根連續(xù)演算法計算坡面及河道匯流。模型原理詳見參考文獻[18]。模型各層次結(jié)構(gòu)功能、計算方法見圖2。

2.3偏差校正空間分解（BCSD）降尺度方法

BCSD（Bias Correction and Spatial Disaggrega-tion）降尺度法最早由Wood等[19]提出，近年來被國內(nèi)外研究學者廣泛使用。在本研究中為解決CMIP6下15種GCMs數(shù)據(jù)在西江流域尺度模擬誤差較大的問題，采用能夠較好重現(xiàn)氣象要素變化特征的BCSD法分別對降水、溫度等氣候模式數(shù)據(jù)進行偏差校正，降尺度到 0.25^°×0.25^° 空間分辨率。其過程為：假定氣象要素的觀測數(shù)據(jù)與GCMs數(shù)據(jù)的累積概率分布一致，通過分位數(shù)映射修正GCMs數(shù)據(jù)，將修正后的GCMs與升尺度后的觀測資料均值的差值作為修正因子，并對修正因子進行雙線性插值得到高分辨率的修正因子，最后基于高分辨率觀測資料均值還原到各個時間序列。

輸出 輸入蒸散發(fā)E 實測降雨P(guān)、流域蒸散發(fā)EWM，K，B，（I-P） IMP透水面積產(chǎn)流R不產(chǎn)流面積產(chǎn)流面積 不透水面積 產(chǎn)流RB 產(chǎn)流計算1-FR FR張力水蓄水量R SM 地面徑流RS 地面總?cè)肓鱍S 流域出流UMLM 上層蓄水量WU 自由水 KI 壤中流RI CI 壤中總?cè)肓鱍IC 下層蓄水量W蓄水量S KG 地下徑流RGCG 地下總?cè)肓鱍G三層蒸發(fā)計算 三水源劃分 匯流計算

2.4水文模型精度評價指標

本文選擇Kling-Gupta效率系數(shù)KGE、平均絕對誤差MAE和決定系數(shù) R² 對XAJ模型在西江流域的適應性進行評價。各指標計算見式（5）一（7）：

KGE=1-

式中：CC為模擬與實測值的決定系數(shù)； 為模擬流量; Q_obs 為實測流量； N 為率定期或者驗證期的時間序列長度。

3 結(jié)果與討論

3.1流域年徑流量序列趨勢性和突變性檢驗結(jié)果

為了進一步揭示流域豐枯變化和非一致性突變特征，本小節(jié)采用一元線性回歸和M-K突變檢驗結(jié)果對西江流域控制站梧州水文站1960—2023年年徑流量序列進行趨勢性和突變性檢驗，結(jié)果見圖3。

a）由圖3a可知，通過流域年徑流量趨勢線可以看出，年徑流量每年以 17.26m³/s 的速率逐年遞減，且2000年之后尤為明顯；同時，年徑流量最大值發(fā)生于1968年，其值為 9015.26m³/s ，最小值發(fā)生于1963年，其值為 3105.48m³/s ；此外1980—2005年之間， 95% 置信水平下年徑流量序列不確定性區(qū)間更窄，即年際尺度徑流變幅小，而近期（2005一2023年）徑流變幅較大，這意味著受氣候和下墊面影響流域“旱澇互轉(zhuǎn)\"更加頻繁[20]

b）由圖3b可知， 95% 置信水平下流域年徑流量序列計算獲得的UF和UB曲線分別于2002、2014和2016年，結(jié)合陳立華等2研究結(jié)果（突變年份為2002年），本研究最終確定西江流域徑流突變年份為2002年。

c）基于年徑流量序列突變和趨勢性檢驗結(jié)果可知，突變年前后，多年平均徑流量分別為6706.15、5872.29m³/s ，其減少了 833.86m³/s O

圖3梧州水文站1960一2023年年徑流量序列趨勢性和突變性檢驗結(jié)果

Fig.3 Trend and mutation test results of annual runoff sequences at Wuzhou Hydrological Station from 1960 to 2023

3.2XAJ水文模型在西江流域的適應性評價

基于流域年徑流量序列“非一致性\"突變檢驗結(jié)果，為了更好反映流域現(xiàn)狀，本研究XAJ水文模型預熱期、率定期和驗證期分別為2003、2004—2010和2011—2015年。同時，采用粒子群優(yōu)化算法（ParticleSwarmOptimization，PSO）22l對XAJ水文模

型參數(shù)進行率定。

表2和圖4為西江流域構(gòu)建的XAJ水文模型率定期和驗證期模型適應性評價結(jié)果。由表2可知，率定期下，KGE、MAE和 R² 指標值分別為0.92、1308.90和0.95，而驗證期下其值分別為0.84、1757.06和0.88，且模擬值與實測值之間的誤差更小。

同理，由圖4可以看出，率定期和驗證期下，XAJ模型模擬水文過程與實測水文過程基本保持一致，且對峰值流量的捕捉能力優(yōu)于非汛期極端低流量值；同時發(fā)現(xiàn)驗證期極端高流量值小于率定期極端高流量值。總之，本研究構(gòu)建的XAJ水文模型可以較優(yōu)地應用于西江流域，即其可以用于未來徑流量預測研究。

表2率定期和驗證期XAJ水文模型在西江流域的適應性評價結(jié)果

Tab.2Evaluationresultsofthecalibrationandvalidation periodsoftheXAJmodelinXijiangRiverBasin

3.3 CMIP6下15種GCMs在西江流域的適應性 評價

本研究采用BCSD降尺度方法將CMIP6下15種GCMs氣象要素降尺度至西江流域，為了進一步揭示各氣候模式GCMs模擬的氣象要素在流域的適應性，本小節(jié)基于1960—2014年實測月降水量、月平均氣溫、最高氣溫和最低氣溫序列，繪制了各氣象要素實測值和GCMs模擬值之間的泰勒圖用以適應性精度評價，結(jié)果見圖5。

a）降水下，15種GCMs的模擬值與實測值之間相關(guān)性系數(shù)差異明顯，且 60%GCMs 對應的 R² 大于0.45，其中模擬精度最好的為FGG和ACE5，最差的為ECE。

b）平均氣溫下，15種GCMs模擬值與實測值之間的相關(guān)性系數(shù)均大于0.70（GFES除外），且精度評價最優(yōu)的為ACE5，這證明本文降尺度獲得的GCMs對降水和氣溫的捕捉能力較好。

c）同理，最高和最低氣溫下，前者的表現(xiàn)形式與平均氣溫的相似，且各氣候模式下精度評估性能差異較小，而后者下，僅 50%GCMs 獲得的模擬值與實測值之間的 R² 為 0.65～0.70 。

總的來說，由澳大利亞氣候與天氣研究系統(tǒng)研發(fā)的ACE5氣候模式在西江流域的適應性最好。

圖4率定期和驗證期XAJ模擬和實測水文過程擬合結(jié)果 Fig.4FittingresultsofXAJsimulatedandmeasured hydrologicalprocessesduringcalibrationand validationperiods

3.4不確定性條件下西江流域年際和年內(nèi)尺度徑流量預測

3.4.1流域年際尺度未來徑流量預測結(jié)果

基于前文分析可知，GCMs不確定性對氣象要素預測產(chǎn)生重要影響，因此，為了進一步揭示其影響，本小節(jié)以3種氣候情景：SSP126（低排放情景）、SSP245（中等排放情景）、SSP585（高排放情景）為評價對象繪制了未來徑流量預測不確定性區(qū)間，結(jié)果見圖6。

分析圖6發(fā)現(xiàn)：GCMs不確定性對汛期徑流預測不確定性的影響大，尤其是汛前和汛后時期；同時，不同SSPs下，未來時期（2020—2050年）徑流量時程變化規(guī)律相似，但各年份極端高值存在一定差異性，例如2020年，SSP126、SSP245和SSP585下年最大徑流量分別為 9876，11240.68，12685.75m³/s 此外，SSP585下徑流預測不確定性區(qū)間更大、SSP126次之，而SSP245最小。

此外，由圖6中不同SSPs下多種GCMs徑流集合平均預測結(jié)果和最佳GCM（ACE5模式）結(jié)果可知，較ACE5模式，多種GCMs徑流集合平均預測值在豐水期低估洪峰流量，而在枯水期高估極端低流量，這側(cè)面表明GCMs徑流集合平均預測結(jié)果可保守預測未來徑流過程，但其對極端流量的捕捉能力較差。

3.4.2 流域月尺度未來徑流量預測結(jié)果

為了進一步揭示GCMs不確定性對未來不同時期月尺度徑流預測的差異性，本小節(jié)將未來時期劃分為3個時期，其分別為：近期（2020—2030年）、中期（2031—2040年）和遠期（2041—2050年）。同時，采用變差系數(shù)和徑流相對變化指標揭示流域未來不同時期水資源的豐枯變化特征，結(jié)果見圖7。

a）不同SSPs下，較基準期（2004—2016年），未來不同時期（近、中和遠期）各月份徑流量變化規(guī)律相似，整體呈現(xiàn)出汛前至汛末（5一9月）未來徑流量將減少，而非汛期徑流量將增大，這一規(guī)律與單敬敬[23]研究結(jié)果相似。

b）對比不同SSPs下梧州站月尺度徑流量的變差系數(shù) （C_v） 相對變化可知，月尺度下，其變差系數(shù)相對變化量值均小于0，即未來不同時期徑流變異過程更加平穩(wěn)，這可能歸因于未來減小GCMs不確定性對徑流預測不確定性的影響，將15種GCMs模擬值進行均值處理，存在一定的模擬值坦化現(xiàn)象，但各月份未來徑流平穩(wěn)程度存在一定差異性，例如，汛期更加平穩(wěn)，而非汛期變幅較大。

c）對比不同SSPs下非汛期徑流相對變化量結(jié)果可知，SSP126下，10月至次年4月徑流量呈增加趨勢，其增幅約為基準期的 50% 左右，而SSP585下，其增幅僅為 10% 左右，這意味著氣候情景不確定性對不同時期月徑流量預測不確定性均產(chǎn)生一定影響。

d）以非汛期2月為例，由近期（2020—2030年）至遠期（2041—2050年），未來徑流量增加幅度進一步增加，但由低排放情景至高排放情景，其徑流量增幅明顯增加。

e）總之，未來近、中和遠期下，非汛期徑流量增加明顯，而汛期徑流量呈減少趨勢，即流域未來汛期水資源供需矛盾愈加突出，而非汛期得以有一定緩解。

圖7基于XAJ水文模型的未來近、中和遠3個時期月尺度徑流量變化規(guī)律

Fig.7Runoff variation paternsona monthly scale in near，medium，and long terms based on XAJmodel

4結(jié)論

以受氣候和下墊面影響較大的西江流域為研究對象，采用多種統(tǒng)計分析方法揭示了流域水資源的“非一致性\"趨勢性和突變性變異特征；通過構(gòu)建XAJ和GCMs耦合模型預估了西江流域未來水資源量的豐枯變異規(guī)律。

a）流域年徑流量以 17.26m³/s 的速率逐年遞減，并于2002年發(fā)生了“非一致性\"突變，且通過了95% 置信水平顯著性檢驗。

b）構(gòu)建的XAJ水文模型可以較優(yōu)地應用于西江流域，其可有效重現(xiàn)流域水文過程，率定期下，KGE、MAE和 R² 指標值分別為 0.92、1308.90 和0.95，且精度優(yōu)于驗證期。

c）GCMs和SSPs不確定性均對未來不同時期（近、中和遠期）年際和年內(nèi)尺度徑流預測不確定性產(chǎn)生重要影響，整體表現(xiàn)為：未來近、中和遠期下，非汛期徑流量增加明顯，而汛期徑流量減少。

d）本文構(gòu)建的XAJ模型雖較好地重現(xiàn)流域水文過程，但模型參數(shù)、結(jié)構(gòu)不確定性均對徑流預報結(jié)果產(chǎn)生一定影響，如何進一步量化GCMs、SSPs以及水文模型參數(shù)、結(jié)構(gòu)不確定性對預測不確定性的貢獻，同時兩兩及以上之間的交互作用對預測不確定性貢獻仍需要深入地研究。同時，除氣候變化環(huán)境因素外，人類活動如砍伐森林、城市化發(fā)展等，都會對徑流產(chǎn)生較大的影響[23-24]，如何定量地區(qū)分其中氣象要素和人類活動的貢獻率也有待進一步分析。

參考文獻：

[1］梁文翔，駱震，陳伏龍，等．基于CMIP6多模式集合的內(nèi)陸河徑流模擬及預估[J].地學前緣，2024，31（6）：450-461.

[2]王國慶，虞暢，金君良，等．氣候變化對南水北調(diào)西線工程的影響及建議[J].人民黃河，2024，46（9）：60-66.

[3]汪海，沈延青，祁善勝，等．基于STL-CEEMDAN-LSTM模型的月徑流量預測[J].人民珠江，2025，46（4）：39-46.

[4]王文川，顧淼.基于SGMD-SE-AVOA-LSTM耦合模型的月徑流預測[J].應用基礎(chǔ)與工程科學學報，2024，32（6）：1755-1771.

[5]張書齊，左其亭，臧超，等．基于CNN-LSTM-Attention模型的沁河流域徑流模擬及未來多情景預測[J].水資源與水工程學報，2024，35（5）：73-81.

[6］雷興碧.基于多源降水與改進GR4J模型的巖溶山區(qū)流域徑流預報研究[D].南寧：廣西大學，2024.

[7]孫明博，閆寶偉，常建波，等.基于物理機制和深度學習的混合模型及應用研究[J].中國農(nóng)村水利水電，2024（8）：67-72，80.

[8]陳嵐，羅純良，李慧贊，等．DYRESM和新安江模型在洱海出入流重建中的應用對比[J].地理科學進展，2023，42（3）：543-557.

[9]劉聲洪，SOOMROSEH，李穎，等.基于相關(guān)性檢驗的VMD-LSTM耦合模型月徑流模擬研究［J]．水資源與水工程學報，2024，35（2）：71-82.

[10]程家波，姬厚靈，陳中舉，等.基于GWO-PE-VMD-ResNet組合模型的日徑流預測[J].水電能源科學，2024，42（8）：43-47.

[11]吳小濤，袁曉輝，袁艷斌，等.基于EEMD-VMD-SSA-KELM模型的汛期日徑流預測[J].中國農(nóng)村水利水電，2023（7）：27-34.

[12]CHEN YC，GAO JJ，BIN ZH，et al. Application study of IFASand LSTM models on runoff simulationand flood prediction in theTokachiRiverbasin[J].JournalofHydroInformatics，2O21，23（5）：1098-1111.

[13]張?zhí)m影，龐博，徐宗學，等．基于支持向量機的石羊河流域徑流模擬適用性評價[J].干旱區(qū)資源與環(huán)境，2013，27（7）：113-118.

[14］何玉芬，楊漢波，董寧澎，等．分布式水文模型與自回歸誤差校正相結(jié)合的低枯流量預報研究[J].水利學報，2024，55（12）：1539-1547.

[15］董寧澎，王浩，楊明祥，等．考慮融雪及土壤凍融的新安江模型及其應用：以雅襲江上游徑流模擬為例[J].水科學進展，2024，35（4）：530-542.

[16］張一然，周德剛，郭曉峰．變暖背景下黃河源區(qū)氣候響應特征及對徑流的影響[J].中國科學：地球科學，2024，54（3）：862-873.

[17］張獻志，楊明暉，劉吉峰．黃河內(nèi)蒙古河段凌情要素序列突變點診斷[J].人民黃河，2020，42（S2）：21-22，33.

[18］徐宗學，班春廣，張瑞．我國主要河川徑流演變規(guī)律與歸因及其區(qū)域特征[J].水利水電科技進展，2024，44（1）：1-8.

[19]WOOD A W，LEUNGL R，SRIDHARV，etal．Hydrologicimplicationsofdynamical andstatisticalapproachestodownscalingclimatemodel outputsJ].ClimaticChange，2004，62（1）：180-216.

[20］王寶恩.強化跨省河流水資源統(tǒng)一調(diào)度扎實推動新階段珠江水利高質(zhì)量發(fā)展[J].水利發(fā)展研究，2024，24（1）：46-50.

[21]陳立華，劉為福，冷剛，等．西江干流徑流年際及年內(nèi)變化趨勢分析[J].南水北調(diào)與水利科技，2018，16（4）：74-81.

[22]曾杭，易祖新，黃草，等．基于PSO的新安江模型對資水流域柘桃區(qū)間洪水預報研究[J].人民珠江，2024，45（S1）：175-185，200.

[23］單敬敬.西江流域河川徑流對氣候和土地利用變化的響應研究[D].南京：南京信息工程大學，2024.

[24］林嫻，陳曉宏，何艷虎，等．氣候變化和人類活動對武江流域年徑流及最大日流量影響的定量分析[J].自然資源學報，2018，33（5）：828-839.

（責任編輯：李燕珊）