韓世亮, 陳泰霖

(1.安丘市下株梧水庫(kù)運(yùn)營(yíng)維護(hù)中心，山東 安丘 262125； 2.山東大學(xué)土建與水利學(xué)院，山東 濟(jì)南 250100)

氣候變化和高強(qiáng)度人類活動(dòng)影響降水、氣溫、蒸發(fā)等氣象要素[1-4]，改變了流域水資源的時(shí)空分布，進(jìn)而影響水庫(kù)群的發(fā)電量過程[5-7]。水庫(kù)調(diào)度是實(shí)現(xiàn)水庫(kù)正常運(yùn)行和達(dá)到水資源時(shí)空重分配的重要舉措[8]。因此，預(yù)測(cè)未來(lái)氣候變化條件下河川徑流量和水力發(fā)電過程的時(shí)程變化規(guī)律，可為黃河干流水資源實(shí)現(xiàn)可持續(xù)開發(fā)利用提供科學(xué)依據(jù)。

現(xiàn)有預(yù)測(cè)未來(lái)徑流的方法主要包括基于統(tǒng)計(jì)的數(shù)據(jù)驅(qū)動(dòng)方法和具有物理機(jī)制的水文模型方法，前者主要包括經(jīng)典回歸分析、BP神經(jīng)網(wǎng)絡(luò)、非線性時(shí)間序列分析和模糊數(shù)學(xué)方法等，通過建立氣象要素與徑流數(shù)據(jù)的統(tǒng)計(jì)關(guān)系來(lái)預(yù)測(cè)未來(lái)徑流過程[9-12]；后者利用水文模型來(lái)模擬流域降雨與徑流的關(guān)系，并通過未來(lái)的降雨推斷徑流的時(shí)程變化趨勢(shì)，該類方法綜合考慮流域下墊面特征及流域產(chǎn)流、匯流特征，具有一定的物理機(jī)制，已得到了廣泛應(yīng)用[12]。針對(duì)氣候變化影響下的水力發(fā)電預(yù)測(cè)，國(guó)內(nèi)外研究者開展了大量研究，并取得了豐碩的研究成果。例如：夏軍等[13]分析了氣候變化對(duì)黃河流域水資源的影響，并指出21世紀(jì)30年代黃河流域水資源脆弱性將進(jìn)一步加劇；袁林山等[14]以黃龍灘水電站為例，揭示了氣候變化影響下水庫(kù)入庫(kù)流量的不均性增加，降低了水電站的保證出力；劉志明[15]通過耦合全球氣候模式(global climate model，GCM)和梯級(jí)水庫(kù)群聯(lián)合供水優(yōu)化調(diào)度，探明了未來(lái)氣候變化對(duì)梯級(jí)水庫(kù)群聯(lián)合供水優(yōu)化調(diào)度的影響。然而，已有研究以歷史徑流序列作為黃河流域梯級(jí)水庫(kù)群聯(lián)合調(diào)度模型輸入的研究居多。例如：賈一飛等[16]以黃河上游龍羊峽和劉家峽水庫(kù)為例，構(gòu)建了黃河上游水庫(kù)群優(yōu)化調(diào)度模型，并利用改進(jìn)的逐步優(yōu)化算法對(duì)模型進(jìn)行求解分析；李克飛等[17]構(gòu)建了以龍羊峽-劉家峽-小浪底梯級(jí)水庫(kù)群為核心的聯(lián)合調(diào)度模型，模擬了汛期和用水高峰期黃河上下游不同水庫(kù)的調(diào)度規(guī)律特征。黃河作為我國(guó)西北和華北的重要水源，也是農(nóng)業(yè)灌溉高耗水區(qū)，氣候變化嚴(yán)重制約了黃河流域水資源可持續(xù)利用，給糧食生產(chǎn)帶來(lái)一定的影響[13]。

本文以黃河上游龍羊峽-劉家峽梯級(jí)水庫(kù)群為例，構(gòu)建了龍羊峽和劉家峽梯級(jí)水庫(kù)發(fā)電量最大優(yōu)化調(diào)度模型，以分析氣候變化對(duì)未來(lái)不同時(shí)期水庫(kù)調(diào)度過程的影響。

1 研究區(qū)概況及研究數(shù)據(jù)

黃河橫跨青藏高原、黃土高原和華北平原，最后匯入渤海，干流全長(zhǎng)5 464 km，流域面積約為79.5萬(wàn)km2[18]。黃河流域幅員遼闊，總庫(kù)容超過1億m3的水庫(kù)有24座，而龍羊峽和劉家峽水庫(kù)分別具有多年和年調(diào)節(jié)能力，對(duì)流域發(fā)電、供水、防凌效益有重要影響。隨著氣候變化加劇，流域梯級(jí)水庫(kù)群的運(yùn)行方式發(fā)生了一定的改變[19]。本文選擇黃河上游劉家峽水庫(kù)以上為研究區(qū)域，流域地處96° E～104.5° E和32° N～37° N之間，選擇唐乃亥和小川水文站徑流過程分別作為龍羊峽和劉家峽水庫(kù)的入庫(kù)過程。

婁偉等[20]研究發(fā)現(xiàn)氣候模式CanESM2和GFDL_ESM2G在黃河流域的適應(yīng)性較好，同時(shí)為了降低單一氣候模式不確定性對(duì)入庫(kù)來(lái)水過程及梯級(jí)發(fā)電量的影響，本文選擇這兩種氣候模式來(lái)獲取未來(lái)降水、氣溫要素。研究所用數(shù)據(jù)為流域周邊及內(nèi)部26個(gè)基本氣象站1965—2010年氣象資料以及同期唐乃亥和小川水文站逐日徑流、美國(guó)國(guó)家環(huán)境預(yù)報(bào)中心(NCEP)的再分析數(shù)據(jù)以及國(guó)際耦合模式比較計(jì)劃第五階段(CMIP5)的CanESM2和GFDL_ESM2G兩種氣候模式數(shù)據(jù)。表1為CMIP5的兩種氣候模式研發(fā)機(jī)構(gòu)及研究區(qū)域柵格經(jīng)緯度范圍。NCEP數(shù)據(jù)和CMIP5的兩種氣候模式數(shù)據(jù)均選取8個(gè)預(yù)報(bào)因子，分別為hur、psl、rhs、sfcWind、tas、va、ua和wap。

表1 兩種氣候模式研發(fā)機(jī)構(gòu)和研究區(qū)域柵格經(jīng)緯度范圍

氣象和水文資料分別來(lái)自國(guó)家氣象共享服務(wù)網(wǎng)和黃河流域水文年鑒，NCEP數(shù)據(jù)來(lái)自美國(guó)環(huán)境預(yù)報(bào)中心，GCM數(shù)據(jù)從https://esgf-node.llnl.gov/projects/cmip5/下載。龍羊峽水庫(kù)以上(以下簡(jiǎn)稱“龍上流域”)來(lái)水用唐乃亥水文站實(shí)測(cè)徑流數(shù)據(jù)，龍羊峽到劉家峽區(qū)間(以下簡(jiǎn)稱“龍劉流域”)來(lái)水用龍羊峽水庫(kù)出庫(kù)加上區(qū)間入流獲得。

2 研究方法

首先采用非參數(shù)Mann-Kendall突變檢驗(yàn)方法對(duì)唐乃亥和小川水文站的年徑流序列進(jìn)行突變檢驗(yàn)，識(shí)別出突變年份，在此基礎(chǔ)上，選擇突變點(diǎn)之前的時(shí)段構(gòu)建HBV水文模型，目的是消除人類活動(dòng)對(duì)水文過程的影響；其次，基于收集的CanESM2和GFDL_ESM2G兩種氣候模式數(shù)據(jù)，采用統(tǒng)計(jì)降尺度模型(statistical downscaling model，SDSM)對(duì)降水、氣溫要素進(jìn)行降尺度處理，從而獲得高分辨率的黃河上游未來(lái)情景數(shù)據(jù)；最后，構(gòu)建梯級(jí)水庫(kù)群發(fā)電調(diào)度模型，并采用粒子群優(yōu)化算法(particle swarm optimization algorithm，PSO)對(duì)其進(jìn)行求解。

2.1 非參數(shù)Mann-Kendall突變檢驗(yàn)方法

Mann-Kendall突變檢驗(yàn)方法廣泛應(yīng)用于檢測(cè)氣象、水文序列的突變性特征[21]。將統(tǒng)計(jì)量UF和UB曲線繪制在同一坐標(biāo)系中，當(dāng)UF統(tǒng)計(jì)值大于0時(shí)，意味著該序列呈上升趨勢(shì)，反之下降，當(dāng)兩條曲線超過臨界值Uα/2時(shí)，則認(rèn)為其顯著上升或下降。兩條曲線在臨界值區(qū)間內(nèi)的交叉點(diǎn)即為突變年份，其計(jì)算公式詳見文獻(xiàn)[20]。

2.2 SDSM模型

SDSM模型是耦合多元線性回歸分析和隨機(jī)天氣發(fā)生器的統(tǒng)計(jì)降尺度模型，能夠?qū)⒌头直媛实腉CM氣候模式輸出數(shù)據(jù)轉(zhuǎn)換為氣象站點(diǎn)氣候要素的日序列。其降尺度過程為：先構(gòu)建站點(diǎn)氣象要素與NCEP大氣環(huán)流因子之間的統(tǒng)計(jì)關(guān)系[20, 22]，然后利用GCM數(shù)據(jù)驅(qū)動(dòng)SDSM模型，將GCM輸出的未來(lái)氣候變化情景降尺度到流域各個(gè)氣象站點(diǎn)，生成各個(gè)站點(diǎn)的未來(lái)情景數(shù)據(jù)(降水、日最低和最高氣溫、風(fēng)速等數(shù)據(jù)序列)。該模型廣泛應(yīng)用于歐洲、美洲、亞洲的氣象、水文等領(lǐng)域，其基本原理為

(1)

(2)

(3)

式中：ωi為第i天降水的發(fā)生概率；Ri為降水量；Ti為氣溫；Pij為第i天對(duì)應(yīng)的第j個(gè)預(yù)報(bào)因子；α、β、?為模型參數(shù)；ei為誤差項(xiàng)；n為預(yù)報(bào)因子總數(shù)。

2.3 HBV水文模型

HBV水文模型是概念性、半分布式融雪徑流水文模型，由瑞典氣象和水文研究所開發(fā)[22]。HBV水文模型由5個(gè)概念庫(kù)(積雪、融水、土壤水分、快速?gòu)搅骱途徛龔搅?和降雨-徑流轉(zhuǎn)化的產(chǎn)匯流過程組成，其中采用度日因子方法區(qū)分降水和降雪(若參數(shù)TT 小于 0，則為降雪，否則為降水)。該模型共有14個(gè)參數(shù)，其中5個(gè)參數(shù)參與融雪過程(TT、CFMAX、SFCF、CWH和CFR)，3個(gè)參數(shù)(FC、LP和β)參與蓄水量的變化過程，參數(shù)K0和K1參與快速?gòu)搅鬟^程，參數(shù)PERC和K2參與下滲和緩慢徑流過程。由于黃河上游地區(qū)為高海拔山區(qū)，冬季氣溫較低，存在一定的降雪累積和融雪過程，故此采用HBV水文模型模擬高山氣候區(qū)的水文演變過程，預(yù)測(cè)流域歷史和未來(lái)水資源量。

2.4 模型適應(yīng)性評(píng)價(jià)指標(biāo)

采用納什效率系數(shù)、相關(guān)系數(shù)和水量平衡誤差3個(gè)評(píng)價(jià)指標(biāo)對(duì)構(gòu)建的龍上和龍劉流域HBV水文模型進(jìn)行適應(yīng)性評(píng)價(jià)，并采用粒子群優(yōu)化算法對(duì)其進(jìn)行參數(shù)校準(zhǔn)，具體計(jì)算過程可參見文獻(xiàn)[15]。

2.5 梯級(jí)水庫(kù)群發(fā)電調(diào)度模型

黃河上游梯級(jí)水庫(kù)群起調(diào)節(jié)作用的主要是龍羊峽和劉家峽水庫(kù)，兩水庫(kù)分別為多年調(diào)節(jié)和年調(diào)節(jié)水庫(kù)，有效庫(kù)容分別為193.5億m3和20.3億m3，死水位分別為2 530 m和1 696 m，正常高水位分別為2 600 m和1 735 m，汛限水位分別為2 594 m和1 726 m，多年平均發(fā)電量設(shè)計(jì)值分別為59.24億kW·h和57.6億kW·h。

構(gòu)建的梯級(jí)水庫(kù)群發(fā)電量最大優(yōu)化調(diào)度模型如下：

(4)

式中：Nkt為第k電站在t時(shí)段的平均出力，MW；ΔT為調(diào)度時(shí)段時(shí)長(zhǎng)，月；E為梯級(jí)發(fā)電量，億kW·h。

模型約束條件包括水量平衡約束、水庫(kù)水位約束、水庫(kù)泄流約束和電站出力約束：

Vk(t+1)=Vkt+(Qin,kt+Qb,kt-Qkt)ΔT

(5)

Hkt，min≤Hkt≤Hkt,max

(6)

Qkt,min≤Qkt≤Qkt，max

(7)

Nkt,min≤Nkt≤Nkt，max

(8)

式中：Vkt、Vk(t+1)分別為第k電站水庫(kù)時(shí)段始末庫(kù)容，億m3；Qin,kt、Qb,kt、Qkt分別為第k電站水庫(kù)第t時(shí)段內(nèi)入庫(kù)流量、區(qū)間流量和出庫(kù)流量，m3/s；Hkt,min、Hkt,max分別為第k電站第t時(shí)段的水位下限和上限，m；Hkt為第k電站第t時(shí)段的水位，m；Qkt,min、Qkt,max分別為第k電站第t時(shí)段的出庫(kù)流量下限和上限，m3/s；Nkt,min、Nkt,max分別為第k電站第t時(shí)段的最小和最大出力，MW；Nkt為第k電站第t時(shí)段的出力，MW。

為簡(jiǎn)便起見，將1990年7月至2010年6月時(shí)段定義為基準(zhǔn)期，2021年7月至2031年6月、2031年7月至2041年6月、2041年7月至2051年6月和2051年7月至2061年6月分別用A、B、C、D時(shí)期表示。利用相應(yīng)時(shí)段HBV水文模型獲得的未來(lái)來(lái)水過程驅(qū)動(dòng)黃河上游龍羊峽-劉家峽梯級(jí)水庫(kù)群聯(lián)合優(yōu)化調(diào)度，進(jìn)而進(jìn)行統(tǒng)計(jì)分析。龍羊峽-劉家峽梯級(jí)水庫(kù)群聯(lián)合調(diào)度方案如表2所示。

表2 龍羊峽-劉家峽梯級(jí)水庫(kù)群聯(lián)合調(diào)度方案

3 研究結(jié)果與分析

3.1 黃河上游主要水文站徑流突變檢驗(yàn)結(jié)果

圖1為采用Mann-Kendall突變檢驗(yàn)方法得到的唐乃亥和小川水文站1965—2010年年徑流量突變檢驗(yàn)結(jié)果。分析圖1發(fā)現(xiàn)，唐乃亥和小川水文站的年徑流量均于1985年發(fā)生突變，上下游之間徑流量變異在時(shí)間上具有同步性。鑒于兩站點(diǎn)的突變年份相同，因此選擇龍上流域和龍劉流域的HBV水文模型預(yù)熱期均為1977年，率定期和驗(yàn)證期分別為1978—1981年和1982—1984年。

圖1 黃河上游主要水文站1965—2010年徑流序列突變檢驗(yàn)結(jié)果

UF曲線的變化趨勢(shì)表明，兩個(gè)水文站的UF曲線在突變前均介于統(tǒng)計(jì)量Z=0附近，但突變后均呈下降趨勢(shì)，尤其是2000年之后，下降趨勢(shì)超過了95%置信水平線，即兩個(gè)水文站的年徑流量自1985年之后逐年減少，21世紀(jì)初期減少趨勢(shì)顯著，這可能是因?yàn)橥蛔兡曛螅覈?guó)處于經(jīng)濟(jì)社會(huì)的高速發(fā)展期，用水量顯著增加，這與李雯晴等[10]得到的人類活動(dòng)是徑流減少的主要影響因素的結(jié)論一致。

3.2 SDSM模型和HBV水文模型適應(yīng)性評(píng)估

3.2.1SDSM模型

圖2和圖3為1965—2005年龍上流域和龍劉流域?qū)?yīng)的面月實(shí)測(cè)降水量、月平均氣溫與SDSM模型模擬的月降水量、月平均氣溫的適應(yīng)性評(píng)價(jià)結(jié)果。分析圖2可以發(fā)現(xiàn)：①兩種氣候模式下，SDSM模型模擬的月降水量、月平均氣溫與實(shí)測(cè)值的相關(guān)性較好，但降水的相關(guān)性低于氣溫；②龍上流域CanESM2氣候模式下獲得的模擬月降水量、月平均氣溫與實(shí)測(cè)值的擬合結(jié)果優(yōu)于GFDL_ESM2G氣候模式，月降水量CanESM2和GFDL_ESM2G氣候模式下對(duì)應(yīng)的相關(guān)系數(shù)分別為0.92和0.90，月平均氣溫的相關(guān)系數(shù)分別為0.98和0.97；③龍劉流域CanESM2和GFDL_ESM2G氣候模式下模擬月降水量和實(shí)測(cè)月降水量的相關(guān)系數(shù)分別為0.92和0.91，模擬月平均氣溫與實(shí)測(cè)月平均氣溫的相關(guān)系數(shù)均為0.98；④小雨至中雨事件下，模擬值與實(shí)測(cè)值相關(guān)性較好，而大雨事件下其相關(guān)性較差，即氣候變化影響下，SDSM模型對(duì)極端大雨事件的捕捉能力較差，且存在氣候模式不確定性。

圖2 1965—2005年龍上和龍劉流域月降水量的適應(yīng)性評(píng)估結(jié)果

圖3 1965—2005年龍上和龍劉流域月平均氣溫的適應(yīng)性評(píng)估結(jié)果

根據(jù)SDSM模型模擬得到的氣象要素(降水、氣溫、風(fēng)速、太陽(yáng)輻射等)，采用Penman-Monteith公式計(jì)算出各氣象站點(diǎn)逐日潛在蒸發(fā)量，并利用ArcGis軟件中的泰森多邊形方法計(jì)算出面潛在蒸發(fā)量，最后將降水、氣溫、蒸發(fā)等數(shù)據(jù)驅(qū)動(dòng)HBV水文模型，模擬流域未來(lái)水文過程。

圖4為兩個(gè)流域的月尺度未來(lái)徑流量(2020—2050年)與歷史時(shí)期(基準(zhǔn)期1965—2005年)徑流量的相對(duì)變化結(jié)果(圖中柱狀圖為不同氣候變化情景下兩種氣候模式的集合平均值)。由圖4可以看出：①較基準(zhǔn)期，龍上和龍劉流域未來(lái)徑流年內(nèi)相對(duì)變化趨勢(shì)相同，整體呈現(xiàn)為1—5月徑流量減少，6月至次年2月徑流量增加，尤其是汛期6—9月顯著增加的趨勢(shì)，這意味著未來(lái)汛期(豐水期)水資源供需矛盾將有所緩解，而非汛期(枯水期)供需矛盾加??；②以龍上流域?yàn)槔?，未?lái)3—4月徑流相對(duì)減少量大于50%，而6、8和9月徑流相對(duì)增加量大于50%，且不同氣候變化情景下差異較大，如6月RCP2.6情景下，徑流相對(duì)變化量為58.63%，而RCP8.5情景下僅為32.46%；③對(duì)比兩種氣候模式3種氣候變化情景下的徑流相對(duì)變化量可以看出，GFDL_ESM2G模式下汛期的徑流相對(duì)變化量明顯高于CanESM2模式，即氣候模式不確定性對(duì)未來(lái)徑流量預(yù)測(cè)的影響較大。

圖4 兩種氣候模式下流域未來(lái)徑流變化情況

3.2.2HBV水文模型

HBV水文模型采用粒子群優(yōu)化算法進(jìn)行參數(shù)校準(zhǔn)(目標(biāo)函數(shù)為納什效率系數(shù))，輔助使用水量平衡誤差和相關(guān)系數(shù)對(duì)其進(jìn)行精度評(píng)價(jià)。

表3和圖5為兩個(gè)流域率定期和驗(yàn)證期的模型精度評(píng)價(jià)和水文過程模擬結(jié)果。由表3可知，龍上和龍劉流域率定期和驗(yàn)證期模擬精度較好，且前者優(yōu)于后者(納什效率系數(shù)更大且水量平衡誤差更小)；龍上和龍劉流域的率定期納什效率系數(shù)分別為0.83和0.74，驗(yàn)證期分別為0.72和0.71，這意味著率定期模型模擬精度優(yōu)于驗(yàn)證期。由圖5可以看出，龍上和龍劉流域的水文模擬過程與實(shí)測(cè)水文過程的變化趨勢(shì)基本一致，但不同時(shí)段二者之間的誤差差異顯著，汛期模型擬合程度較好，非汛期較差，這可能是因?yàn)辄S河上游屬于半濕潤(rùn)、半干旱氣候區(qū)，而HBV水文模型采用的蓄滿產(chǎn)流方式對(duì)枯水期水文過程的捕捉能力較差。

表3 HBV水文模型率定期和驗(yàn)證期精度評(píng)價(jià)結(jié)果

圖5 HBV水文模型率定期和驗(yàn)證期水文模擬過程

3.3 梯級(jí)水庫(kù)群聯(lián)合調(diào)度模擬結(jié)果

圖6為基于歷史實(shí)測(cè)入庫(kù)來(lái)水過程和HBV水文模型模擬的未來(lái)入庫(kù)來(lái)水過程，采用粒子群優(yōu)化算法對(duì)梯級(jí)水庫(kù)群發(fā)電調(diào)度模型進(jìn)行求解，得到的基準(zhǔn)期和未來(lái)不同代際龍羊峽水庫(kù)、劉家峽水庫(kù)多年平均發(fā)電量及龍羊峽-劉家峽梯級(jí)水庫(kù)群多年平均發(fā)電量結(jié)果。

圖6 不同氣候模式下龍羊峽-劉家峽梯級(jí)水庫(kù)群聯(lián)合調(diào)度模擬結(jié)果

a.較基準(zhǔn)期調(diào)度結(jié)果，兩種氣候模式不同氣候變化情景下，龍羊峽水庫(kù)、劉家峽水庫(kù)的多年平均發(fā)電量均有所增加，龍羊峽水庫(kù)多年平均發(fā)電量增幅為3.35%～35.8%，劉家峽水庫(kù)多年平均發(fā)電量增幅為6.79%～18.16%，龍羊峽-劉家峽梯級(jí)水庫(kù)群多年平均發(fā)電量增幅為6.62%～23.3%。其中，龍羊峽水庫(kù)發(fā)電量變化較大，劉家峽水庫(kù)發(fā)電量變化相對(duì)平穩(wěn)。

b.從同一氣候變化情景下不同代際徑流的調(diào)度模擬結(jié)果來(lái)看，除少數(shù)代際調(diào)度結(jié)果較上一代際調(diào)度結(jié)果增加外，龍羊峽水庫(kù)和龍羊峽-劉家峽梯級(jí)水庫(kù)群多年平均發(fā)電量均呈下降趨勢(shì)。

c.對(duì)于同一氣候模式，RCP2.6氣候變化情景下龍羊峽-劉家峽梯級(jí)水庫(kù)群多年平均發(fā)電量變化較為平穩(wěn)，RCP4.5氣候變化情景下梯級(jí)水庫(kù)群多年平均發(fā)電量呈現(xiàn)先增后減現(xiàn)象，RCP8.5氣候變化情景下兩種氣候模式得到的梯級(jí)水庫(kù)群多年平均發(fā)電量變化規(guī)律不同，GFDL_ESM2G模式下，梯級(jí)水庫(kù)群多年平均發(fā)電量整體呈“增大—減小—增大”的變化規(guī)律，而CanESM2模式下，梯級(jí)水庫(kù)群多年平均發(fā)電量逐年減小。

4 結(jié) 論

a.黃河上游徑流序列突變年份集中于20世紀(jì)80年代，且2000年之后顯著下降，這可能與工業(yè)、農(nóng)業(yè)取用水過程相關(guān)。

b.不同氣候模式下，流域未來(lái)(2021—2050年)汛期6—9月徑流量增加，但非汛期徑流量顯著減少，尤其是3—4月，且GFDL_ESM2G模式下預(yù)測(cè)的徑流量大于CanESM2模式。

c.較歷史時(shí)期，流域未來(lái)梯級(jí)發(fā)電量增加，且隨著時(shí)間的推移，不同氣候變化情景下，龍羊峽-劉家峽梯級(jí)水庫(kù)群多年平均發(fā)電量的變化趨勢(shì)不同，且RCP8.5氣候變化情景下氣候模式不確定性對(duì)流域徑流預(yù)估的影響較大。

d.由于氣候模式和降尺度方法等不確定性均會(huì)對(duì)水庫(kù)來(lái)水預(yù)測(cè)產(chǎn)生重要影響，因此，對(duì)多種氣候模式的模擬值取集合平均，可一定程度上降低氣候模式輸出不確定性的影響。