0 引 言
为缓解一系列城市雨水问题，中国大力推行海绵城市建设。海绵城市是从城市雨洪管理角度来描述的一种可持续性城市建设模式，与国际上流行的城市雨洪管理理念与方法[1]相契合。其中，低影响开发雨水系统的构建是实现海绵城市建设的重要途径。
中国地域辽阔，气候条件时空差异大，相当一部分地区是气候变化的敏感和脆弱区域[2-3]。近30年，我国北方地区旱情加重，水生态环境恶化，南方地区极端洪涝灾害增多，未来气候变化将极有可能对我国“南涝北旱”的格局产生更为显著的影响，严重制约社会经济的可持续发展[4]。在这种条件下，原有降雨规律快速改变会影响低影响开发设施的实际控制效果。
目前，国际上常利用全球气候模式开展对未来气候情景的预估。CMIP5是耦合模式比较计划的最新版本。已有大量研究表明[5-8]，CMIP5模式对降雨的模拟能力较之前有了很大改进，为我国未来降雨变化趋势的预测提供了更为可靠的参考。本文基于CMIP5对降雨模拟预估及雨水设施应用的主要研究成果进行概括性总结，提出CMIP5模式预测数据作为建设气候适应性低影响开发设施的基础，将未来情景预估数据结合历史实测数据作为长序列降雨研究数据，并利用同一年径流总量控制率下的设计降雨量标准差及差值构建具体研究框架，针对不同敏感区域的设施建设提出了建议。
1 CMIP5模式应用于雨水设施建设
低影响开发措施可有效缓解气候变化对城市降雨强度及径流峰值的不利影响[9]。纽约市布朗克斯河流域利用CMIP5数据预测未来该城市极端降雨事件发生的频率及峰值会显著增加，年径流总量平均增长48%，通过EPA SWMM5对径流雨水及LID设施进行建模得出，LID设施可减少41%的年径流总量及平均8%～13%的峰值流速[10]。但同时气候不确定性对降雨变化的影响会威胁到雨水控制设施的实际效果，雨水排水系统的设计基于假定极端降雨的概率分布在统计分析上是固定不变的，气候变化使得这个假设受到质疑，从而导致排水设施的建设在未来情景下存在极大不确定性。排水系统以其高建设成本为提供数十年的有效使用周期，其设计者和开发者有责任为设施的长期有效性负责。基于静态数据(例如历史数据)设计及构建的LID设施，在其生命周期(通常超过20年)内能否很好地应对未来气候并保障其功能及运行的可靠性，需要进一步验证。
学者们已经意识到气候变化会对雨水控制设施造成影响，但关于雨水控制设施的气候适应性研究目前还存在相悖的结论，如Burge等利用历史及一系列情景数据对澳大利亚墨尔本WSUD设施应对气候变化进行研究，发现气候变化对大多数雨水设施效果的影响非常小[11]；Wang等利用未来情景模式对美国两个高度发展城市集水区雨水基础设施的有效性及其对未来潜在变化(气候变化及城市化)的适应性进行研究，在两个规模和土地利用方面都存在极大差异的城市雨水设施集水区上，其对于城市化因素比对气候变化因素更敏感[12]。但更多的研究表明，气候变化对雨水控制设施的实际效果会造成很大影响，Zhang等研究发现气候变化将导致澳大利亚大部分区域降雨量增加，而东南部和西南部部分区域会有更长的干旱期，干旱持续时间及程度增强的极端事件会导致雨水生物滞留设施的效果及径流污染去除能力急剧降低[13]。英国政府对未来4种情景下现城市雨水排放设施的有效性开展了研究，结果表明洪水风险在未来可能增加近30倍，而传统的排水设施不足以保障城市水安全[15]。Schuster等利用模式降尺度预测威斯康星州降雨变化，低频高强度降雨事件的数量预计会适度增长并将影响该州雨水基础设施[15]。利用动力降尺度修正后的ECHAM5及CCSM3模式预测华盛顿州三大主要都市未来降雨变化数据，并结合历史实测数据评估华盛顿州极端降雨概率分布变化趋势，预测结果显示区域极端降雨增加，虽然预测范围太大无法有效为工程设施建设提供依据，但是却足以证明利用20世纪中期降雨数据构建的排水设施无法满足未来要求[16]。
然而，目前的研究尚不能清楚地确认LID设施能否在未来情景下发挥最优效果，不同的研究结论促使学者不断改进研究方法，澳大利亚墨尔本利用改进创新的乘积阶次模型将降雨量数据降到分钟及公里分辨率尺度上，并通过乘积修正因子添加地形效果[17]；Zhang等利用该模型修正8个全球气候模式集成输出结果，研究澳大利亚墨尔本1个集水区的雨水控制利用设施，并评估其在减少径流污染、降低径流量和供水可靠性方面的能力，研究结果表明在不同GCM情景下雨水系统的可靠性有很大的不确定性，建设更大规模的WSUD设施及雨水收集池可提高设施在未来情形下的气候韧性[18]。为了探究气候变化对雨水收集设施效果的影响，中国学者们利用天气发生器降尺度模型生成的未来(2020—2050年)日降雨数据对中国4个城市的雨水收集系统性能指标进行研究，与历史(1985—2015年)降雨数据得到的结果进行对比分析，发现降雨量的增加会对设施的雨水收集能力产生负面影响，且设施效果受规模、集水区域及需求量等多重因素的共同作用，在设计设施规模时需将气候变化作为重点因素考虑，因地制宜地调整设施规模及位置，以使设施能在未来气候条件下可持续性的发挥其功能和作用[19]。
2 气候适应性低影响开发设施系统构建途径
雨水年径流总量控制率是海绵城市建设中最重要的指标之一，以恢复开发前自然水文状态为出发点，我国“指南”中采用的年径流总量控制率需要高精度24 h日降雨数据，统计降雨数据年限的不同对年径流总量控制率及设计降雨量值有一定影响。低影响开发设施规模的合理确定需要基于历史长序列降雨数据，但气候变化的影响会导致历史数据的代表性降低，极端降水事件的增加或降水量的减少都会在不同程度上影响设施的实际效果，故将未来情景预估数据应用在设施建设中，提出我国气候适应性低影响开发设施系统的整体研究方法架构，如图1所示。
图1 基于未来情景预测的气候适应性低影响开发设施系统构建方法
Fig.1 A method for building a climate-resilient LID system based on future scenario prediction
2.1 CMIP5模式对中国降雨的模拟
基于CMIP耦合模式模拟输出结果对中国区域降雨进行模拟，CMIP5各模式普遍对中国北部和西部地区、青藏高原南部和西南地区降雨的模拟存在系统性高估，究其原因，模拟的不确定性主要是因为全球气候模式的分辨率普遍偏低，对复杂地形的反映能力有限，在西藏东南地区存在着一个虚假的降雨大值中心[20]；而对华南地区、新疆北部以及东南沿海地区降雨的模拟存在系统性低估[21-22]，各模式不能够很好地模拟东亚季风的变化特征[23]，积雪增多则新疆北部的降雨量增多，CMIP5模式对高原积雪的模拟存在偏差[24]，对海陆差异的物理过程反映也有限。
不同模式对降雨的模拟能力差别较大，因此在对单个CMIP5模式进行降雨模拟能力评估的基础上择优挑选模式，再对所挑选的CMIP5模式进行集成平均，提高所得降雨结果的模拟能力[25]。挑选原则可根据CMIP5模式对中国区域降雨模拟的空间异质性以及对历史长序列降雨变化线性趋势的时间模拟能力选出。
2.2 CMIP5多模式降雨数据降尺度修正
利用CMIP5模式预测未来降雨并将其应用在低影响开发建设中，需进一步提高预测数据的准确性。虽然CMIP5模式能较好地模拟大尺度气候变化，但输出的空间分辨率较低，缺少区域气候信息，很难对区域气候情景做详细的预测。相较于全球气候模式(GCM)，高分辨率的区域气候模式(RCM)会有更好的模拟能力，为了弥补GCM在区域气候变化情景预测方面的不足，可以采用降尺度方法，把大尺度、低分辨率的全球气候模式输出信息转化为区域尺度的地面气候变化信息(如降雨)，从而弥补GCM对区域气候变化情景预测的局限[26]。动力降尺度法和统计降尺度法是目前主要的两种降尺度法[27]，这两种降尺度都需要GCM模式提供大尺度气候信息，其优缺点和适用情景详见表1。
表1 动力降尺度和统计降尺度优缺点及相同点
Table 1 The advantages, disadvantages and similarities of dynamic downscaling and statistical downscaling
项目相同点优点缺点动力降尺度GCM模式提供大尺度气候信息物理意义明确;能应用于任何地方而不受观测资料的影响;可应用于不同的分辨率受GCM提供的边界条件影响大;消耗的计算量较大;费机时统计降尺度不用考虑边界条件;计算量相当小;节省机时;能降到气候站点尺度上;可用于下垫面不均一的环境需要有足够的观测资料;不能应用于大尺度气候要素与区域气候要素相关不明显的地区
在确定所用降尺度方法时，选用不同的降尺度方法在不同区域、不同情形下，模拟效果会不同，应通过多次试验选择最适合研究区域及研究目的的降尺度方法。
2.3 CMIP5多模式降尺度预测
21世纪预估试验所用的外强迫为典型浓度路径(RCP)，这是依据对未来发展的诸多假设模拟出的未来排放情景，其中共包含4种：RCP2.6、RCP4.5、RCP6.0和RCP8.5，这4类情景所提供的未来变化数据是研究气候变化影响及其政策制定的基础[28]。
基于CMIP5模式预估输出结果国内外学者对降雨进行了大量研究，在RCP2.6和RCP8.5情景下，到21世纪末全球平均降雨将不断上升，全球极端降雨频率和强度增加，同时极端降雨的增加趋势要超过平均降雨[29-31]。Mubasher等利用CMIP5模式对砂拉越州拉让江流域年降雨量及季节降雨量变化进行预测，基于模式模拟历史降雨的能力，综合选定3个最合适的GCMs(ACCESS1.0、ACCESS1.3和GFDL-ESM2M)，并应用模式集合平均来预测RRB上的未来降雨，结果显示在RCP4.5和RCP8.5下21世纪末期年均降雨量分别增加了7%和10%[32]。Mehrotra利用MMM-KDE降尺度模型修正全球气候模式集成结果并对印度Malaprabha集水区进行未来日尺度(包括日平均降雨、日最大降雨量等)降雨趋势变化预测研究[33]。中国学者利用CMIP5模式未来排放情景数据对降雨变化进行了大量研究，研究表明到21世纪，中国地区降水量普遍增多，但是存在区域差异，中国北方地区降水量增多的程度要明显大于江淮流域及其以南地区[34]，而在中国西南地区和长江中下游地区的降雨在21世纪出现下降的趋势，特别是在RCP8.5情景下[35]。到 21 世纪末期，在RCP4.5和RCP8.5情景下中国地区降雨强度将明显增强，小雨发生频次减少，中雨、大雨和暴雨等强降水事件发生的频次显著增加，大部分地区极端降水呈现上升的趋势，并且其上升幅度要明显大于平均降水，特别是在北方地区这种趋势更为显著[36-37]。
2.4 气候适应性低影响开发设施构建方法
以CMIP5模式降雨模拟、降尺度修正、多模式预测为基础，提出气候适应性低影响开发设施构建具体方法，详见图2。首先提取选定的CMIP5模式(分辨率较高、能逐日输出降雨结果、含相同运行试验结果、模拟与预估时间都保持统一)在中国区域所需气象站点日降雨模拟及预估数据值，探求CMIP5模式应用可行性，根据CMIP5模式对中国区域降雨模拟的空间异质性以及对历史长序列降雨变化线性趋势的时间模拟能力挑选较优模式，而后再对择优挑选的CMIP5模式进行集成平均或加权集成，同时为了弥补各模式在区域气候变化情景预测方面的不足，辅以降尺度方法来提高降雨预报的准确性。基于上述，进一步提出将CMIP5多模式集成预报数据应用于低影响开发设施建设作为提高设施气候韧性的研究方法，将多模式集成降尺度处理后的预报数据和历史实测日降雨量值数据合并成一降雨长序列进行截选和分组(以每N年(一般不少于30年)为1个分组，相邻分组之间以M年(可参考高频降水周期)为差距递推)，进行各城市降雨结构变化分析，并结合该变化对年径流总量控制率及设计降水量的影响，设计降雨量的空间变化研究及识别低影响开发设施气候变化敏感区域。
图2 气候适应性低影响开发设施构建方法
Fig.2 Methods for building climate-resilient low impact development facilities
利用各城市某一年径流总量控制率下设计降雨量标准差及差值作为源头设施气候敏感性评估的依据，一个区域在某一年径流总量控制率下的设计降雨量标准差越小，表示设计降雨量较稳定，即雨水控制设施在该区域的气候敏感性越弱，设计降雨量在该区域受气候变化的影响较小，可长期有效发挥功能，故对处于气候不敏感区域各城市LID设施在确定设施规模时根据时长较短的降雨序列就可准确确定。标准差越大，表示设计降雨量越不稳定，即雨水控制设施在该区域的气候敏感性越强，该设计降雨量在该区域气候变化的影响下越容易失效，容易出现设计规模不足或者设计规模过大的现象，故在确定这些区域的设计降雨量时，应做好未来情景下降雨变化规律的预测，考虑气候因素采用更长时间序列的降雨资料数据。需注意的是，对于高敏感区域各城市的低影响开发设施增加或减少规模量时，需要根据更细致的降雨空间变化特征来因地制宜地确定设计降雨量的标准，并需同时考虑现实中影响实际工程落地效果的各项因素。
3 结论与展望
CMIP的发展对于提高城市雨水系统的气候韧性具有重大意义。对于传统雨水设施以及低影响开发方面，国际上已出现了利用该技术及方法对未来展开规划的研究，而我国目前在这方面稍显不足。
极端降水事件的增加或降水量的减少都会在不同程度上影响设施的实际效果，为提高处于气候敏感区域的低影响开发设施的气候韧性，则需考虑在设定该城市低影响开发设施设计标准时，在基础年限降雨数据中添加未来情景数据，使其在未来气候变化的大背景下能长期有效地发挥作用。预测未来降雨数据并将其应用于低影响开发设施规划建设是实现城市可持续性、气候适应性的必然途径。为使低影响开发设施更好地服务于未来城市建设，提高预测的准确性，发展高分辨率模式数据、优化研究方法、注重气候预测本土化研究是长期发展目标。
[1] 车伍，闫攀，赵杨，等. 国际现代雨洪管理体系的发展及剖析[J]. 中国给水排水，2014，30(18)：45-51.
[2] 姜大膀，富元海. 2℃全球变暖背景下中国未来气候变化预估[J]. 大气科学，2012，36(2)：234-246.
[3] IPCC. Climate Change 2007: The Physical Science Basis. Contribution of Working Group I to the Fourth Assessment Report of the Intergovernmental Panel on Climate Change [M]. Cambridge: Cambridge University Press, 2007.
[4] 夏军,刘春蓁,任国玉. 气候变化对我国水资源影响研究面临的机遇与挑战[J]. 地球科学进展，2011，26(1)：1-12.
[5] 陈晓晨，徐影，许崇海，等. CMIP5全球气候模式对中国地区降水模拟能力的评估[J]. 气候变化研究进展，2014，10 (3)：217-225.
[6] Su F G, Duan X L, Chen D L, et al. Evaluation of the global climate models in the CMIP5 over the Tibetan Plateau [J]. J. Climate, 2013, 26: 3187-3208.
[7] 张武龙，张井勇，范广洲. CMIP5模式对我国西南地区干湿季降水的模拟和预估[J]. 大气科学，2015，39(3)：559-570.
[8] Xu Y, Xu C H. Preliminary assessment of simulations of climate changes over China by CMIP5 multi-models [J]. Atmos Oceanic Sci Lett, 2012,5: 489-494.
[9] Mo Wang, Dong Q Zhang, Jin Su, et al. Future scenarios modeling of urban stormwater management response to impacts of climate change and urbanization[J]. Clean-Soil Air Water,217,45(10);121-128.
[10] Zahra Zahmatkesh, Steven J Burian, Mohammad Karamouz. Low-impact development practices to mitigate climate change effects on urban stormwater runoff: case study of New York City[J]. Journal of Irrigation and Drainage Engineering, 2015, 141(1):04014043.
[11] Burge K, Browne D, Breen P, et al. Water sensitive urban design in a changing climate: estimating the performance of WSUD treatment measures under various climate change scenarios[J]. Engineers Australia,2012,119(3):269-282.
[12] Wang M, Zhang D Q, Su J, et al. Future scenarios modeling of urban stormwater management response to impacts of climate change and urbanization[J].Clean-Soil Air Water, 2017,45(10):53-62.
[13] Zhang K, Randelovic A, Page D, et al. The validation of stormwater biofilters for micropollutant removal using in situ challenge tests[J]. Ecol Eng, 2014,67: 1-10.
[14] Ashley R M, Balmforth D J, Saul A J, et al. Flooding in the future-predicting climate change, risks and responses in urban areas[J].Water Sci Technol, 2005,52 (5):265-273.
[15] Schuster Z T， Potter K W. Determining and mitigating the impacts of climate change on stormwater management and hydrology in wisconsin[J].Watershed Management,2010,394(5):41-43.
[16] Rosenberg E A, Keys P W, Booth D B, et al. Precipitation extremes and the impacts of climate change on stormwater infrastructure in Washington State[J]. Clim Change, 2010, 102(1): 319-349.
[17] Bhupendra A Raut, Alan W Seed. A multiplicative cascade model for high resolution space time downscaling of rainfall[J]. Journal of Geophysical Research Atmospheres,2018,123(4):1919-2367.
[18] Zhang Kefeng, Desmond Manuelpillai, Bhupendra Raut, et al. Evaluating the reliability of stormwater treatment systems under various future climate conditions[J]. Journal of Hydrology,2019,568:57-66.
[19] Zhang Shouhong, Zhang Jianjun, Yue Tongjia, et al. Impacts of climate change on urban rainwater harvesting systems[J]. Science of The Total Environment,2019,665: 262-274.
[20] 胡芩，姜大膀，范广洲. 青藏高原未来气候变化预估:CMIP5模式结果[J]. 大气科学，2015，39(2)：260-270.
[21] 陈晓晨，徐影，许崇海，等. CMIP5 全球气候模式对中国地区降水模拟能力的评估[J]. 气候变化研究进展，2014，10 (3): 217-225.
[22] Xu Y, Xu C H. Preliminary assessment of simulations of climate changes over China by CMIP5 multi-models[J]. Atmos[J]. Oceanic Sci Lett, 2012, 5(6): 489-494.
[23] 张莉，丁一汇，孙颖. 全球海气耦合模式对东亚季风降水模拟的检验[J].大气科学，2008，32(2)：261-276.
[24] 朱玉祥，丁一汇，刘海文. 青藏高原冬季积雪影响我国夏季降水的模拟研究[J]. 大气科学, 2009, 33(5)：903-915.
[25] 智协飞，季晓东．基于HGGE资料的地面气温和降水的多模式集成预报[J]．大气科学学报，2013，36(3)：258-259.
[26] Von Storch H. The global and regional climate system [C]∥Anthropogenic Climate Change. Von Storch H, FlÖser G,eds. Springer Verlag, 1999, 31(4):3-36.
[27] 刘永和, 郭维栋, 冯锦明. 气象资料的统计降尺度方法综述[J]. 地球科学进展, 2011, 26(8)：837-847.
[28] Moss R H, Edmonds J A, Hibbard K A, et al. The next generation of scenarios for climate change research and assessment [J]. Nature, 2010, 463(7282): 747-756.
[29] IPCC. The Physical Science Basis. Working Group Contribution to the Fifth Assessment Report of the Intergovernmental Panel on Climate Change [R]. Cambridge, United Kingdom and New York, USA, 2013.
[30] Fischer E, Beyerle U, Knutti R. Robust spatially aggregated projections of climate extremes [J]. Nature Climate Change, 2013, 3(12): 1033-1038.
[31] Kharin V V, Zwiers F, Zhang X, et al. Changes in temperature and precipitation extremes in the CMIP5 ensemble [J]. Climatic Change, 2013, 119(2): 345-357.
[32] Mubasher Hussain, Khamaruzaman Wan Yusof, Muhammad Raza Ul Mustafa, et al. Evaluation of CMIP5 models for projection of future precipitation change in Bornean tropical rainforests[J]. Theoretical and Applied Climatology, 2018,134(2):423-440.
[33] Mehrotra R, Ashish Sharma, Nagesh Kumar D, et al. Assessing future rainfall projections using multiple GCMs and a multi-site stochastic downscaling model[J]. Journal of Hydrology, 2013,488:84-100.
[34] Xu C, Xu Y. The projection of temperature and precipitation over China under RCP scenarios using a CMIP5 multi-model ensemble [J]. Atmospheric and Oceanic Science Letters, 2012, 5(6): 527-533.
[35] Wang L, Chen W. A CMIP5 multimodel projection of future temperature, precipitation, and climatological drought in China [J]. International Journal of Climatology, 2014, 34(6): 2059-2065.
[36] Yang S, Feng J, Dong W, et al. Analyses of extreme climate events over china based on CMIP5 historical and future simulations [J]. Advances in Atmospheric Sciences, 2014, 31(5): 1209-1220-2078.
[27] Chen H, Sun J. Changes in climate extreme events in China associated with warming [J]. International Journal of Climatology, 2015, 35(10): 2735-2751.