气候变暖背景下，极端雨雪事件带来的新全球性风险

《Journal of Hydrology》：Emerging global risks of extreme rain-on-snow events under climate warming

　　胡克克|古利米雷·哈纳蒂|平乔|苏利坦·达尼尔汉|刘文军|雷金|谢家辉
中国科学院新疆生态与地理研究所干旱地区生态安全与可持续发展国家重点实验室，乌鲁木齐830011，中国

**摘要**
全球变暖正在深刻改变降水模式和雪盖动态，从而重塑全球范围内雨雪交加（ROS）事件的频率和强度。然而，在气候变暖情景下，ROS事件的未来全球风险及其驱动机制仍知之不足。本文利用ERA5-Land数据和CMIP6多模型集合，建立了涵盖1950–2100年的全球ROS事件数据库，并对其时空变异性、驱动机制和高风险区域进行了分析。研究发现，与历史时期（1950–2023年）相比，未来的ROS事件在空间范围上会缩小，但发生频率会增加，尤其是在北半球中高纬度地区，强度将显著增强。条件概率分析进一步揭示了温度、降水量和雪深之间的协同机制：当温度接近0°C阈值且存在持续积雪时，ROS事件的可能性显著增加。预计中高纬度山区ROS事件的增加将使青藏高原、格陵兰边缘、北美东西部以及东亚和东欧成为极端ROS事件的高风险区域。这些事件在4月达到峰值，并在较温暖的气候情景下表现出更强的强度和更高的复发率。本研究为全球ROS事件在持续气候变暖背景下的演变提供了新的见解。

**1. 引言**
过去几十年，全球变暖显著改变了冰冻圈和水文过程，尤其是在以雪为主导的地区（Douville等人，2021年；Barnett等人，2005年）。温度升高使冷季降水从雪转为雨，并加速了积雪融化，从而改变了河流流量的时间和规模（Cui等人，2023年；Tamang等人，2020年；Jennings等人，2018年）。这些变化对积雪积累、持久性和融化过程产生了深远影响（Gottlieb和Mankin，2024年；López-Moreno等人，2020年）。一个越来越被认识到的后果是雨雪交加（ROS）事件的频率增加，即降雨发生在现有的积雪上，通常导致快速融雪和径流增强（Pall等人，2019年；Trubilowicz等人，2017年）。随着气候变暖的持续，理解ROS事件的变化及其影响对于水资源、洪水风险和生态系统稳定性变得至关重要（Hansen等人，2015年；Surfleet等人，2012年；Rennert等人，2009年）。ROS事件加剧了干旱、洪水、雪崩和泥石流等自然灾害的风险，对全球水文过程、生态系统和社会经济活动产生广泛影响（Ousset等人，2023年；Sun等人，2022年；Qin等人，2020年；Moghadas等人，2018年；Eiriksson等人，2013年；Ye等人，2008年；Putkonen等人，2003年；Singh等人，1997年）。因此，近年来ROS事件吸引了越来越多的科学关注（Koya等人，2024年；Li等人，2021年；Sui等人，2001年；Harr等人，1986年）。大量研究探讨了ROS现象的各个方面，包括其频率和强度的变化、在加速融雪和触发相关灾害中的作用，以及ROS引发的洪水特征和未来预测（Ocampo等人，2020年；Poschlod等人，2020年；Wurzer等人，2017年）。Dou等人报告称，全球高纬度和高海拔地区普遍存在ROS事件，主要发生在晚秋和早春，偶尔也会在冬季出现（Dou等人，2021年）。Li等人发现，亚洲山区和高纬度地区的ROS事件频率有所增加（Li等人，2025年）。Freudiger等人指出，1950–2011年间中欧中部山区的冬季ROS事件有所增加，而1990年代后春季ROS事件减少（Freudiger等人，2014年）。Beniston等人进一步表明，过去五十年里，在以雪为主的流域中，ROS事件变得更加频繁（Beniston和Stoffel，2016年）。尽管ROS事件表现出明显的时空异质性，但其本质上的复杂性和地域性使得准确描述控制这些变化的因素变得具有挑战性（Xu等人，2024年；Suzuki等人，2022年）。
除了记录ROS事件的空间和时间分布外，越来越多的研究开始关注其背后的驱动因素和相关风险（Kumar等人，2025年；Rücker等人，2019年）。一些学者认为，海拔和温度是控制ROS事件发生和分布的主要因素。例如，Ye等人指出，北欧亚大陆较温暖的冬季条件大大增加了ROS事件的发生概率（Ye等人，2008年）。Hotovy等人最初报告称，海拔是影响ROS事件发生的主要因素，并指出中欧不同海拔山区的ROS事件趋势存在差异（Hotovy等人，2023年）。然而，他们的后续工作强调，气候变化导致不同地区、海拔和冷季条件下的ROS事件存在显著变异性（Hotovy等人，2025年）。基于这些发现，最近的研究越来越多地探讨了ROS事件的未来变化。例如，Mooney等人预测，未来几十年挪威的ROS事件将加剧，高海拔地区的频率增加，低洼地区的频率减少（Mooney等人，2021年）。然而，Yog等人预测，在未来气候条件下，五大湖地区的夏季ROS事件强度将减弱（Yog等人，2025年）。尽管如此，降雨和降雪之间的复杂相互作用，加上高分辨率降雪数据的有限可用性，仍然限制了我们在不同气候情景下准确评估全球ROS事件风险的能力（Maina和Kumar，2025年）。
尽管大多数学者都认同ROS事件在当前和未来气候条件下的水文重要性（Rhoades等人，2025年；Musselman等人，2018年），但一个关键的科学挑战仍然存在：阐明未来ROS事件的长期全球趋势，确定其关键环境驱动因素，并识别最容易发生高风险和极端ROS事件的地区和季节。尽管取得了这些进展，仍存在几个重要差距。最近的研究提高了我们对全球范围内ROS事件的空间模式和水文影响的理解（Maina和Kumar，2025年），以及它们的区域风险特征（例如，Mohammed等人，2025年）。然而，这些研究主要集中在径流响应或基于发生的指标上，缺乏从过程角度量化全球ROS事件强度和极端性的统一框架。这样的分析对于制定可靠的预测和有效的适应策略至关重要。

**2. 数据和方法**
**2.1. ROS事件的定义**
ROS事件的定义长期以来一直多种多样，科学界目前尚无普遍接受的标准。不同研究人员根据研究目的和重点采用不同的定义。Serreze等人将ROS事件定义为日降水量较大（即>1厘米）同时雪水当量减少的天气现象（Serreze等人，1999年）。Putkonen等人假设当日降水量达到至少10毫米时发生ROS事件（Putkonen等人，2009年）。Cohen等人在其定义中使用了1厘米/天的降水量阈值（Cohen和Ye，2015年）。Sobota等人认为，当冬季日温度超过0.5摄氏度且存在降水时发生ROS事件（Sobota等人，2020年）。Lu等人将ROS日定义为至少出现一种降雨天气条件且地表被雪覆盖或记录的雪深大于0厘米的任何一天（Lu等人，2021年）。Li等人将每日ROS事件定义为降雨量大于0毫米且雪深大于0毫米的天气（Li等人，2025年）。
综合这些定义，我们发现当前的ROS事件定义通常包括两个基本变量：降水量和雪深。不同研究之间的差异在于降水量和雪深阈值的选择，这取决于研究目的和研究区域的特点。然而，考虑到温度对降水阶段的影响，温度也是定义ROS事件时不可忽视的重要变量。因此，基于以往的研究结果以及我们在野外监测站观察到的ROS事件的实际环境条件（图S1，表S1），并考虑到数据可用性和计算可行性，本研究将ROS事件定义为雪深≥10毫米、日平均温度>0摄氏度和日降水量≥10毫米/天的天气。需要注意的是，用于定义ROS事件的阈值可能因不同气候区域而异。但本研究采用了统一的阈值，以确保全球范围内的一致性和可比性，这是大规模气候分析中的常见做法（Freudiger等人，2014年；López-Moreno等人，2021年；Maina和Kumar，2025年）。虽然ROS事件的绝对频率可能受阈值选择的影响，但相对的空间模式和预测变化通常较为稳定。因此，这不会影响本研究的结果和结论。

**2.2. 识别极端ROS事件的框架**
基于ROS事件的定义，并参考有关ROS洪水风险的相关研究（Hao等人，2025年；Musselman等人，2018年），以及我们实验室的ROS融化实验（图S2；Liu等人，2025年），我们建立了一个识别具有潜在洪水风险的极端ROS事件的新框架。在本研究中，极端ROS事件被定义为具有极高产生径流和洪水响应潜能的ROS事件，而不仅仅是那些仅由极端气象条件特征的事件。这种区分至关重要，因为ROS事件的水文影响源于降雨输入、融雪生成和先前积雪储存的综合效应，而不仅仅是单一变量。
具体来说，我们建立了一个综合框架来识别极端ROS事件，该框架结合了基于百分位的阈值方法和超过阈值（POT）方法（Sch?r等人，2016年；Lang等人，1999年）。为了表示这一过程，我们构建了一个复合强度指数（CII），用于ROS事件，该指数整合了三类过程变量——降雨输入、积雪条件和温度强迫，以全面反映ROS事件的动态，并汇总每次事件期间发生的变量变化。对于每次ROS事件，我们计算累积降水量Pe、累积正温度Te=∑max(Ti,0)并提取初始雪深S0。复合强度指数定义如下：
(1) CII = αPei × P90 + βTei × T90 + γS0 / S50
其中Pei和Tei分别表示第i次ROS事件期间的累积降水量和累积融化相关温度。S0是初始雪深。P90和T90代表年度内所有ROS事件中降水量和温度的90百分位数。S50是年平均雪深，反映了之前的积雪条件，而使用降水量和温度的90百分位数是为了强调它们作为ROS事件输入因素的作用。这一区分与最近的发现一致（Aryal，2025年），这些发现表明降水 and 温度主导了径流变化，而积雪主要起促进作用。系数α、β、γ是归一化因子（α + β + γ = 1），用于平衡这三个指标的贡献。鉴于这项研究的全球范围以及在不同水文气候条件下缺乏普遍适用的权重方案，采用等权重方法作为一种简洁且稳健的选择（Ayan等人，2023年；Wehbe和Baroud，2024年）。随后，所有极端降雨事件（ROS）根据其CII值按升序排列，并取CII的第95百分位数作为极端阈值。当CII≥CII95时，该事件被归类为极端ROS事件。选择第95百分位数与极端气候和水文学研究中的广泛使用的做法一致，即认为顶部5%的事件代表了罕见和高影响的情况（Sch?r等人，2016年；Saki等人，2023年；Brunner和Voigt，2024年）。尽管CII并没有明确模拟径流，但其公式直接关联到径流生成的关键物理控制因素。因此，CII95可以解释为表明高径流响应（洪水）的可能性更大，为在大空间尺度上识别极端ROS事件提供了物理意义上的依据。通过结合ROS事件的复合强度指数和极值统计建模，CII95能够系统且定量地识别极端ROS事件。这为揭示它们的时空演变和划定高风险区域提供了可复制的统计基础。

2.3. ERA5-Land数据
我们选择了ERA5-Land-Hourly再分析数据集作为本研究的主要历史数据源，应用了三个关键变量——2米空气温度、降水量和积雪深度——根据定义的ROS事件标准（https://www.ecmwf.int/en/era5-land）。该数据集的空间分辨率为0.1° × 0.1°，时间分辨率为每小时一次，提供自1950年以来的全球覆盖（Mu?oz等人，2021年）。在本研究中，我们使用了1950–2023年这三变量的历史记录，以简要分析历史时期的全球ROS事件变化。先前的研究表明，ERA5-Land在降水及温度等与气候相关的分析中表现良好（Ombadi等人，2023年；Wang等人，2022年），近年来它越来越多地被应用于大规模ROS事件研究（Maina和Kumar，2025年；Li等人，2025年）。在本研究中，我们通过使用ERA5-Land-Hourly数据集中的2米空气温度、降水量和积雪深度，在Google Earth Engine（GEE）中量化了1950–2023年的全球历史ROS事件。GEE主要用于数据预处理、大规模栅格计算和时间序列聚合（Gorelick等人，2017年）。需要注意的是，ERA5-Land-Hourly没有提供单独的降雨变量。因此，与以往的研究一致，我们将温度超过0°C时的降水量视为降雨（Xiong等人，2022年；Jennings等人，2018年）。此外，我们还从美国地质调查局（USGS）的地球资源观测与科学（EROS）中心下载了2010年全球多分辨率地形高程数据（GMTED2010）（https://doi.org/10.3133/ofr20111073），并使用它来分析不同海拔范围内ROS事件的分布特征。

2.4. CMIP6数据
本研究采用CMIP6的气候模拟数据，系统地评估未来全球ROS事件变化的特点（https://wcrp-cmip.org/cmip-phases/cmip6/）。CMIP6建立了一个标准化的实验框架，整合了多个耦合的全球气候模型，能够深入探讨内部气候系统过程以及大气、海洋和陆地之间的相互作用（Eyring等人，2016年）。它为定量评估未来气候变化情景提供了必要的基础。CMIP6模型的原始空间分辨率各不相同（大约50–250公里），时间分辨率包括月度、每日甚至某些情况下的每小时数据（Thrasher等人，2025年；Kim等人，2020年）。由于模型分辨率存在这些不一致性，我们在分析之前对所有模型输出应用了统一的空间降尺度和时间匹配程序，以确保不同模型和情景之间的可比性。在本研究中，ROS事件的定义基于三个关键变量：降水量、空气温度和积雪深度（或雪水当量），这些变量共同决定了ROS事件的发生条件。因此，首先确定了提供所有这些所需变量的CMIP6模型。从这个子集中选出了六个广泛使用且在模拟水文气候变量方面表现出良好性能的模型（表S2）。这一选择既确保了所需变量的可用性，也保证了模型性能的可靠性，这与之前的多模型研究结果一致（Eyring等人，2016年；Musselman等人，2018年；Maina和Kumar，2025年）。对于每个模型，使用了四种共享社会经济路径（SSPs）——SSP1-2.6、SSP2-4.5、SSP3-7.0和SSP5-8.5——下的模拟。这些情景代表了从低排放可持续性路径（SSP1–2.6）到高排放化石燃料驱动路径（SSP5–8.5）的一系列未来社会经济发展和排放轨迹，其中SSP2–4.5和SSP3-7.0分别代表中等和高排放路径（O’Neill等人，2016年）。通过结合这四种情景的六个气候模型的集合平均值，可以全面评估不同气候未来下全球ROS事件的空间分布和未来演变。基于此，使用Python在全球范围内计算了2024–2100年的ROS事件。Python-based分析是在标准科学计算环境中使用Python 3.13进行的。主要使用的库包括：NumPy（v2.2.6）用于数值计算，Pandas（v2.3.0）用于数据处理和表格操作，Xarray（v2025.10.1）用于处理多维网格数据集，Rasterio（v1.4.3）用于地理空间栅格数据处理，SciPy（v1.16.0）用于统计分析，Matplotlib（v3.10.3）和Seaborn（v0.13.2）用于可视化。

2.5. Copula模型
Copula模型以其高灵活性和在水文气候研究中的全面评估能力而闻名，已广泛应用于洪水频率和干旱风险分析，以及径流和气候建模（Razmkhah等人，2022年；Grimaldi和Serinaldi，2006年）。基于使用Copula函数的联合分布理论，可以通过组合联合分布函数和随机变量的边际分布来表示多个相关环境变量。本研究采用基于Copula理论的高斯三元概率框架来描述全球温度、降水量、积雪深度和ROS事件之间的复杂依赖结构。该框架用于分析这三个变量之间的联合概率分布，从而提高我们对未来气候条件下ROS事件可能性的理解，并加强对ROS事件变化及其影响因素的分析。三元高斯Copula函数的累积分布函数表达式为：
CGu1,u2,u3;ρ=ΦρΦ-1u1,Φ-1u2,Φ-1u3(2)=∫-∞Φ-1u1∫-∞Φ-1u2∫-∞Φ-1u312π3ρexp-12xTρ-1xdx
其中Φ-1?是标准正态分布的逆函数；ui表示单个变量的累积分布；Fx1,x=x1,x2,x3T是变量向量；ρ=1ρ12ρ13ρ211ρ23ρ31ρ321是线性相关系数矩阵。

2.6. 统计分析
为了分析ROS事件的时间趋势，我们采用了改进的Mann–Kendall（MMK）非参数秩检验（Yue等人，2002年；Basisitha等人，2009年）。这种方法用于评估温度、降水量、积雪深度、ROS事件和极端ROS事件的趋势。MMK检验通过引入校正因子n2来考虑原始Mann–Kendall方法得到的测试统计量Z的序列自相关影响，从而得出改进的统计量Zm。其公式表示为：
(3)Zm=Zns,ns=1+2n∑gh=1n-1n-1rghgh>11+2r1n+1-nr12+n-1r1nr1-12gh=1
其中：rgh是给定滞后gh的序列自相关系数，n是序列长度。在没有趋势的假设下，Z和Zm都遵循标准正态分布。如果在0.05的置信水平下Zm大于1.96，则拒绝零假设。如果Zm为正（负），则测试序列呈现上升（下降）趋势。为了量化空气温度、降水量和积雪深度对ROS事件的具体影响，我们通过标准化回归系数的绝对值来计算每个因素的贡献。其公式表示为：
(4)Rj=βj∑k=1pβk
其中：Rj是j变量对因变量变化的相对贡献率，βj是j独立变量的标准化回归系数，p是独立变量的总数。

3. 结果
3.1. 全球ROS事件的时空变化
预计未来全球ROS事件将主要集中在北半球的中高纬度地区（>30°N），大多数地区的频率预计会减少；然而，年均频率仍预计会相对于历史时期有所增加（图1）。从整体空间模式来看，未来ROS事件在多个地区呈现下降趋势，尤其是在北美洲西部和欧亚大陆的中西部地区。具体而言，在低排放情景（SSP1-2.6）下，ROS事件的年变化率相对较小，但下降趋势最为明显，主要集中在北美洲西部、北欧和西伯利亚东部（图1a）。在中等排放情景（SSP2-4.5）下，ROS事件的增加主要集中在阿拉斯加、斯堪的纳维亚半岛和中亚，平均增长率超过0.3天/年（图1b）。在高排放和最悲观的排放情景（SSP3-7.0和SSP5-8.5）下，ROS事件的增加在60°N以北地区最为显著，某些地区的增长率超过0.9天/年，表明在极端气候条件下ROS事件的空间范围和频率可能会显著增加（图1c, d）。

图1. 1950年至2100年全球ROS事件的变化。(a–d)显示了四种排放情景（SSP1-2.6、SSP2-4.5、SSP3-7.0和SSP5-8.5）下未来时期（2024–2100年）的全球ROS事件预测空间分布。(e)展示了1950–2100年按面积加权的全球ROS事件频率时间序列，其中阴影区域代表年际变化（±1标准差），条形图表示历史时期（1950–2023年）和每种情景（SSP1-2.6、SSP2-4.5、SSP3-7.0和SSP5-8.5）的平均值。ROS事件的变化主要集中在30°N至80°N之间，大多数情景显示出明显减少的趋势。在高排放情景下，增加幅度更为显著，SSP5-8.5情景的变化最为显著，达到高达0.5天/年（图S3a–d）。除了80°N以北的地区外，其他纬度带的年均ROS事件变化趋势呈下降趋势（图S3e）。然而，在所有情景下，大多数年的ROS事件发生次数在50°N至80°N之间，特别是在60°N至70°N之间，这些地区的ROS事件天数可达30天（图S3f）。这表明，以广泛积雪覆盖和敏感温度条件为特征的高纬度地区在未来变暖情况下更容易发生ROS事件。尽管预计全球大多数地区的ROS事件会减少，但相对于历史时期仍预计会增加（图S4a, b）。与1950年和2000年相比，2050年和2100年的ROS事件空间范围有所减小，但其频率显著增加，甚至在像格陵兰岛这样的极端北部地区也会发生ROS事件（图S5a–d）。在历史时期（1950–2023年），年均ROS事件数约为43天。在未来，所有四种气候情景都呈现出波动趋势，其中SSP1-2.6情景下的未来平均值最高（图1e）。总体而言，ROS事件从1950年开始呈上升趋势，到2050年达到峰值，随后呈现大约10年的波动下降周期，在高排放的SSP5-8.5情景下峰值更高且变化更大。不同时期之间的变化差异显著（图S5e–h）。未来ROS事件的这种时空变异性在不同海拔范围内表现出不同的模式，低至中等海拔地区（<3000米）仍然是ROS事件的主要发生区域（图2）。具体来说，ROS事件在低海拔地区（0–1000米）分布最广，特别是在北美洲、欧洲和东亚的中高纬度地区。在这些地区，ROS事件的发生既广泛又显著减少。此外，随着排放情景从SSP1-2.6加剧到SSP5-8.5，增加幅度逐渐增大，变化率超过0.5天/年。中等海拔地区（1000–3000米）的变化模式与低海拔地区大体一致，尽管空间范围相对较小，主要集中在北美洲西部、喜马拉雅山脉南部和格陵兰岛。相比之下，高海拔地区（>3000米）的ROS事件显著增加，特别是在青藏高原和格陵兰岛，增加幅度通常超过0.2天/年（图2a–l）。2024年至2100年不同海拔地区未来全球ROS事件的分布。(a–c)显示在SSP1-2.6情景下0-1000米、1000-3000米和>3000米海拔区域的ROS事件变化。(d–f)、(g–i)和(j–l)分别展示了SSP2-4.5、SSP3-7.0和SSP5-8.5情景下的相应变化。(m–o)描述了全球0-1000米、1000-3000米和>3000米海拔区域年度ROS事件频率的箱形图。随着排放情景的增加，低海拔地区的ROS事件频率呈现明显下降趋势，通常保持在约40天左右，而中高海拔地区则呈现从增加趋于稳定的模式，频率大致集中在55天左右（图2m–o）。这些发现表明，未来的气候变暖将使ROS事件的空间中心向更高海拔地区转移，不同海拔带的气候敏感性存在显著差异。在气候变暖的情况下，全球ROS事件预计将在低至中海拔地区减少，在高海拔地区增加，尽管总体分布仍然集中在低至中海拔区域。需要注意的是，尽管未来ROS事件在不同纬度、时期和海拔带的频率呈现下降趋势，但其发生频率仍预计会相对于历史时期有所增加。这些明显的时空差异反映了ROS事件分布的复杂性和变异性，突显了进一步研究这些变化背后驱动因素的必要性。

3.2 ROS事件变化的驱动因素
在不同的气候情景（SSP1-2.6、SSP2-4.5、SSP3-7.0和SSP5-8.5）下，未来全球温度、降水量和积雪深度表现出显著的时空异质性（图S6）。降水量总体上呈现增加趋势，特别是在中高纬度地区，而在一些低纬度地区则有轻微减少（图S6a–d）。这种模式与历史变化一致（图S6c，d）。全球温度持续上升，且在更高排放情景下升温幅度加剧，在高纬度和高海拔地区最为明显（图S6e–h）。这种升温模式也与历史时期一致（图S4e，f）。相比之下，尽管在历史时期某些地区的积雪深度有所增加（图S4g，h），但未来全球积雪深度预计将普遍减少，特别是在北美洲、欧洲和亚洲的中高纬度地区减少尤为明显（图S6i–l）。未来，全球温度和降水量总体上呈现增加趋势，而积雪深度则呈现减少趋势（图S6m–o）。相应地，ROS事件也表现出明显的波动模式，在更强情景下其频率略有增加（图S6p）。在未来的气候变暖、降水量增加和积雪深度减少的情况下，ROS事件的时空差异将变得更加复杂。

图3进一步揭示了ROS事件与关键驱动因素之间的关系。总体而言，ROS事件与温度和降水量之间存在显著的负相关（P < 0.05），表明随着温度升高或降水量增加，ROS事件的频率通常会降低（图3a–h）。相反，ROS事件与积雪深度之间存在显著的正相关（P < 0.01），表明积雪覆盖更深的地区更容易发生ROS事件（图3i–l）。需要注意的是，R2值相对较低（< 0.3），因此没有报告。这表明ROS事件与这三个驱动因素之间的关系并非严格线性，任何单一因素都只能解释ROS事件的时空变异性的小部分。这在物理上是合理的，因为ROS事件可能是由多种相互作用的因素驱动的，而不是由单一主导因素控制的。我们还发现，温度和降水量在不同ROS事件频率范围内呈现出强烈的线性关系（R2 = 0.76–0.97），并且这种相关性随着排放情景强度的增加而逐渐增强（图3m–p）。这进一步表明，ROS事件的时空变异性并非由单一因素驱动；而是由多个变量之间的协调变化共同控制的。

下载：下载高分辨率图片（957KB）
下载：下载全尺寸图片
图3. 2024–2100年间全球温度、降水量、积雪深度与ROS事件之间的相关性。(a–d)显示了四种排放情景下温度与ROS事件之间的关系。(e–h)展示了四种情景下降水量与ROS事件之间的关系。(i–l)显示了四种情景下积雪深度与ROS事件之间的关系。在这些子图中，阴影区域表示95%的置信区间。(m–p)说明了四种排放情景下温度和降水量与ROS事件频率之间的相互作用。气泡大小代表不同频率的ROS事件数量，红线表示线性回归趋势。（关于该图例中颜色的解释，请参阅本文的网页版本。）
图S7定量说明了温度、降水量和积雪深度对ROS事件的贡献。总体而言，积雪深度决定了ROS事件的发生和空间分布，降水量控制了其频率变化，温度影响了积雪深度和降水模式的变化，从而间接影响ROS事件的动态。具体来说，在ROS事件能够发生的条件下，降水量是驱动ROS事件频率变化的主要因素，在所有情景中的贡献率最高（约0.36–0.55）。其次是温度（约0.18–0.40），而积雪深度的贡献相对较低（约0.13–0.31）。然而，空间模式显示积雪深度从根本上决定了ROS事件的发生，其在所有情景中的贡献率超过0.8。降水量对ROS事件空间分布的贡献主要集中在北半球的中高纬度地区，并且其影响随纬度和海拔的升高而增强，其中积雪覆盖条件更为有利。温度在确定ROS事件的空间发生上并不起决定性作用，其在所有情景中的贡献率均低于0.4。总的来说，这些结果表明积雪深度控制了ROS事件的发生和空间分布，而ROS事件频率的变化主要由降水量和温度的共同作用驱动。

积雪深度贡献分析表明，积雪覆盖是ROS事件发生的基本前提。鉴于ROS事件只能发生在积雪覆盖的区域，因此我们没有单独分析积雪深度。温度和降雨量的变化决定了ROS事件的频率。基于这一理解，我们进一步使用Copula模型构建了ROS事件、温度和降水量之间的三维关系，从而揭示了未来ROS事件的条件发生概率（图4）。分位数是用于描述数据分布的统计量；它们表示当数据集从小到大排序时对应于特定百分比的数据值（Koenker和Bassett，1978）。在这项研究中，使用了0.1、0.2、0.3和0.4分位数对应的四个条件概率来评估四种气候情景下的ROS事件条件概率。例如，0.1分位数代表在低温和低降水量条件下的ROS事件发生概率。

下载：下载高分辨率图片（769KB）
下载：下载全尺寸图片
图4. 不同气候情景下未来全球ROS事件的条件概率分布。(a–d)显示了SSP1-2.6情景下0.1、0.2、0.3和0.4分位数对应的ROS事件条件概率分布。(e–h)显示了SSP2-4.5情景下0.1、0.2、0.3和0.4分位数对应的ROS事件条件概率分布。(i–l)显示了SSP3-7.0情景下0.1、0.2、0.3和0.4分位数对应的ROS事件条件概率分布。(m–p)显示了SSP5-8.5情景下0.1、0.2、0.3和0.4分位数对应的ROS事件条件概率分布。基于三维Copula的条件概率分布显示，未来ROS事件的概率在北半球的中高纬度地区最高，并且随着分位数的增加，这一概率降低并且空间分布更加分散（图4）。具体来说，在0.1分位数时，温度和降水量共同导致的ROS事件的概率主要集中在北极和亚北极地区，概率值通常超过0.8。这表明当温度接近0°C阈值且降水量增强且有持续积雪覆盖时，ROS事件的发生概率显著增加。当分位数增加到0.2时，高概率区域的范围变小，总体概率值降至约0.6–0.8，反映了潜在ROS事件发生区域的收缩和事件可能性的减弱。在0.3分位数时，条件概率模式与0.2分位数大致一致，表明分位数的进一步增加不会显著改变ROS事件发生的概率结构；而超过这一水平后，概率开始显著下降。在0.4分位数时，全球ROS事件的条件概率最低，大多数地区的概率值低于0.6。这表明在高分位数条件下，ROS事件发生的概率显著降低，其空间集中度进一步减弱。所有四种气候情景都表现出这种条件概率分布的特征模式（图4），表明气候变化对ROS事件发生机制的调节影响相对一致，并且概率结构在不同情景下保持稳定。

3.3 全球极端ROS事件风险
综合预测的变化、驱动因素和未来全球ROS事件的条件概率，我们发现未来ROS事件主要集中于北半球的中高纬度地区。然而，与引发洪水灾害的极端ROS事件相关的时空模式和潜在风险区域仍有待进一步研究。图5展示了不同情景下极端ROS事件的时空演变。

下载：下载高分辨率图片（765KB）
下载：下载全尺寸图片
图5. 2024年至2100年全球极端ROS事件的变化。(a–d)显示了四种排放情景（SSP1-2.6、SSP2-4.5、SSP3-7.0和SSP5-8.5）下全球极端ROS事件的预测空间分布。(e)展示了面积加权的极端ROS事件频率时间序列，其中阴影区域表示年际变化（±1标准差），条形图表示每种情景的平均值。

总体而言，预计全球极端ROS事件将增加，其空间分布主要集中于北半球的中纬度地区，特别是在北美洲、东欧、西伯利亚和青藏高原东部。在SSP5-8.5情景下，变化幅度最为明显，局部值超过±1.5天/10年，表明更强的变暖会导致极端ROS事件的更大变化。尽管SSP2-4.5情景下的极端ROS事件可以达到±1.2天/10年，但SSP1-2.6和SSP2-4.5情景下的变化相对温和，总体上呈现轻微的上升趋势。相比之下，SSP3-7.0和SSP5-8.5情景下的变化更为明显，尤其是在40°N至70°N之间的积雪覆盖区和高山地区（图5a-d）。

时间序列分析显示，2024年至2010年间全球极端ROS事件呈现波动模式。从2024年到2045年，频率相对稳定，四种情景之间的差异不大。2045年至2068年间，极端ROS事件显著增加，之后2068年之后频率逐渐稳定。四年间极端ROS事件的年平均频率相似，范围在1.86至1.95天之间，其中SSP3-7.0显示最高值，SSP5-8.5略低（图5e）。尽管年度极端ROS事件较低且周期性波动，但在中纬度地区仍呈现上升趋势。

根据多年平均年度极端ROS事件的空间分布（图6a–d），未来全球极端ROS事件主要集中于北半球的中高纬度六个高风险区域：Ⅰ（青藏高原）、Ⅱ（格陵兰外围）、Ⅲ（北美东部）、Ⅳ（北美西部）、Ⅴ（东亚）和Ⅵ（东欧）。这些地区的具体地理位置见表S3。这些区域通常位于具有广泛积雪覆盖和显著温度变异的过渡带内，极端ROS事件的频率明显高于其他地区。

下载：下载高分辨率图片（377KB）
下载：下载全尺寸图片
图6.2024年至2100年全球极端融雪（ROS）事件高风险区域的年度频率和统计特征。(a–d)分别展示了在SSP1-2.6、SSP2-4.5、SSP3-7.0和SSP5-8.5气候情景下极端ROS事件的多年平均年频率。(e-h)呈现了相同四种情景下极端ROS事件频率的统计特征。特别是青藏高原的一些地区，其频率超过16天/年。尽管这些高风险区域的空间分布模式在不同气候情景下基本一致，但极端ROS事件的频率存在差异。SSP3-7.0和SSP5-8.5情景下极端ROS事件的频率最高，特别是在第Ⅰ和Ⅱ区域，年平均值明显高于SSP1-2.6和SSP2-4.5情景。这表明随着气候变暖程度的加剧，极端ROS事件的高风险区域预计将进一步扩大。每个高风险区域的频率统计数据显示，第Ⅰ区域发生的极端ROS事件最为频繁，年平均频率约为1.3–1.7天/年，显示出对气候变化的强烈响应。第Ⅱ区域紧随其后，年频率约为1.1–1.4天/年。第Ⅲ和Ⅳ区域的频率约为0.6天/年，而第Ⅴ和Ⅵ区域的频率相对较低，低于0.4天/年（图6e–h）。为了进一步阐明未来极端ROS事件的时空特征，我们分析了它们的月度和季节性变化及空间分布模式（图7）。根据多年平均月度变化（图7a），不同排放情景下的极端ROS事件的整体时间趋势基本一致，表现出明显的季节性周期。

2024年至2100年全球极端ROS事件的年度分布特征。(a)展示了在SSP1-2.6、SSP2-4.5、SSP3-7.0和SSP5-8.5气候情景下极端ROS事件的多年平均月度变化。(b)展示了四种情景下MAM（3月至5月）、JJA（6月至8月）、SON（9月至11月）和DJF（12月至2月）期间极端ROS事件的多年平均季节性统计。(c–f)分别展示了四种情景平均值下MAM、JJA、SON和DJF期间极端ROS事件的多年平均空间分布。极端ROS事件的频率在4月达到峰值，随后在6月逐渐下降，并在10月再次上升。多年平均月度空间分布也呈现出类似的模式。虽然大多数月份的极端ROS事件频率低于0.1天/年，但青藏高原的某些地区在4月的频率超过2天/年，而6月至9月期间的空间范围相对有限（图S8）。这些结果表明，极端ROS事件主要发生在积雪覆盖较多的过渡月份，尤其是在融雪期间，这与温度升高和降水量增加密切相关。

在四种情景中，极端ROS事件的频率通常在SSP5-8.5情景下略高，进一步表明未来的气候变暖可能会增加极端ROS事件的发生概率。考虑到半球间的差异，我们根据气象季节分析了全球极端ROS事件的季节性变化特征（Tibaldi等人，1994年）。在所有四种情景下，极端ROS事件主要集中发生在MAM（3月至5月）和DJF（12月至2月），其中MAM期间的频率最高，随后是DJF。相比之下，JJA（6月至8月）和SON（9月至11月）的频率较低（图7b）。这种极端ROS事件的季节性分布表明，在未来的气候变暖条件下，春季融雪期间的洪水风险可能会增加。空间分布进一步支持了这一发现（图7c-f），极端ROS事件在MAM期间的覆盖范围最广，频率最高，其次是DJF，而SON和JJA的空间范围相对较小，频率较低。总体而言，未来的极端ROS事件预计主要发生在北半球中高纬度的积雪覆盖区域，特别是在MAM和DJF期间，4月是事件发生的高峰月。

4. 讨论
4.1. 与先前研究的比较
首先，这项研究扩展了以往主要关注普通融雪事件或特定局部区域的研究（Cohen等人，2015年；Pall等人，2019年；Hotovy等人，2025年），提供了对未来ROS事件的大规模、多维度时空比较分析（图1，图2）。这种全球视角有助于识别在更局部化研究中可能被忽略的总体模式和区域差异。其次，我们定量分析了温度、降雨量和积雪深度等因素对ROS事件变化的影响（图3），从而更细致地理解了未来气候变化如何驱动ROS事件的时空差异，而不仅仅是承认气候变化会影响ROS事件的发生。此外，与以往主要关注ROS事件发生和径流贡献的全球尺度研究（Maina和Kumar，2025年）相比，本研究通过引入基于过程的强度指标，强调了ROS事件的极端性和潜在影响。此外，尽管区域评估（例如Mohammed等人，2025年）提供了关于局部ROS风险模式的宝贵见解，但我们的结果将这种理解扩展到了全球尺度，使得能够更全面地识别出新兴的极端ROS风险热点（图4）。最后，我们确定了未来极端ROS事件的高风险区域主要位于青藏高原的积雪覆盖区域、格陵兰周边地区、北美洲东部、北美洲西部、亚洲东部和欧洲东部，4月是事件的高峰期（图6）。这些发现为理解和应对未来气候变暖下的ROS事件相关洪水风险提供了宝贵的见解。

4.2. ROS事件差异的原因
ROS事件的频率和强度在不同地区、海拔高度和时间尺度上存在显著差异，反映了其时空差异的基本物理机制。首先，积雪深度决定了ROS事件的发生。积雪覆盖更深、持续时间更长的地区更容易发生ROS事件，因为降雨可以轻易渗透并促进融雪（López-Moreno等人，2021年）。其次，温度升高是ROS事件变化的关键驱动因素。随着温度的升高和降水类型从雪变为雨，ROS事件的频率通常会增加（Beniston等人，2021年）。该研究进一步证实，在MAM期间，海拔较高或积雪覆盖丰富的地区，ROS事件的频率和变化幅度更大，这与温度驱动的降水相变和积雪结构变化一致（Tamang等人，2020年）。此外，降水的强度和形式对ROS事件有直接的调节作用。在积雪覆盖丰富的地区，ROS事件频率的变化主要受降雨天数的影响；而在季节性积雪区域，事件强度则更受积雪深度的影响（Dou等人，2021年）。本研究中的条件概率分析也表明，降水是多种情景下ROS事件高发生率区域的关键因素之一。海拔高度通过调节积雪深度、温度和降水间接影响ROS事件。尽管高海拔地区ROS事件频率显著增加，但中低海拔地区仍然占据最广泛的地理分布（Hotovy等人，2025年）。在高排放情景下，随着气候变暖的加剧，温度上升更快，降雨比例增加，积雪覆盖时间缩短（Blau等人，2024年；Grose等人，2015年）。因此，在积雪覆盖较多的中高纬度地区，极端ROS事件更为普遍且频率显著增加，而在积雪边缘地区或低海拔地区由于积雪退缩，这些事件减弱。这种极化放大效应使得ROS事件分布向较高纬度集中，并将事件高峰期提前至早春（Mohammed等人，2025年；Xu等人，2024年）。因此，六个高风险区域中极端ROS事件的频率升高主要反映了持续积雪覆盖、充足降水量和温度变化的综合影响，这些因素共同创造了频繁且强烈的ROS事件发生的条件。本研究的未来预测证实了这一趋势，表明气候变暖不仅改变了ROS事件的空间分布，还可能影响其年内的发生时间。

4.3. 局限性和未来展望
尽管本研究提供了新的见解，但仍存在一些不确定性和局限性需要进一步考虑。首先，这里使用的CMIP6数据集本身包含由于模型参数化、空间分辨率和数据同化方法而产生的系统误差和结构偏差（Evin等人，2024年；Wu等人，2024年）。数据已降尺度至10公里分辨率，但在山脉和高纬度地区仍难以完全捕捉到细尺度的地形和微气候变化，这可能影响ROS事件的精确识别。其次，本研究采用多模型集合平均方法来提取总体趋势特征；然而，虽然这种方法减少了模型间的差异，但也可能掩盖了单个模型的固有不确定性（Lei等人，2023年；Brunner等人，2020年）。第三，ROS事件和极端ROS事件的识别基于温度、降水和积雪深度的阈值标准。尽管这些阈值是根据以往研究确定的，并得到了实地观测和实验室实验的支持（图S7和S8），但仍存在一定的主观性。区域气候特征和积雪条件的差异也可能影响ROS事件和极端ROS事件检测的一致性。此外，尽管本研究强调了关键气候和地形因素（包括温度、降水、积雪深度和海拔高度）在控制ROS事件中的重要作用，但其潜在机制可能受到更复杂的气候系统过程的影响。这些因素包括大尺度环流模式的变化、区域 moisture 输送和地表能量平衡反馈。这些过程的耦合效应可能进一步影响ROS事件的触发和演变（Mohammed等人，2025年；McCabe等人，2007年）。未来的工作应采用更高分辨率的区域气候模拟和校正偏差的数据集，以提高ROS事件和极端ROS事件识别的准确性，特别是在地形复杂或观测数据稀少的地区。同时，加强地面观测和气象站网络的建设至关重要，特别是在六个极端ROS事件高风险区域（图6），以增强模型验证和参数优化的可靠性。区域研究还应探讨大尺度气候驱动因素（例如ENSO）和局部环境因素（例如植被覆盖）对ROS事件的综合影响，从而为全球水资源管理和灾害预防提供更强的科学支持。

5. 结论
本研究系统地揭示了未来全球ROS事件的时空趋势、驱动因素以及高风险区域和极端ROS事件的高峰期。结果表明，未来的全球ROS事件将主要发生在北半球的中高纬度地区（30°–80°N）。尽管大多数地区的频率呈下降趋势，但总体频率仍高于历史时期（1950–2023年）。从空间上看，变化最明显的是北美洲西部、北欧、青藏高原和西伯利亚。从时间上看，未来的ROS事件表现出长期周期性模式，大约在2050年达到峰值后逐渐下降。关于海拔高度，我们的结果不仅证实了低海拔和高海拔地区之间的对比趋势，还揭示了ROS事件发生的海拔依赖性变化，即随着变暖情景的加剧，ROS事件系统性地向海拔3000米以上的地区迁移，变化幅度随排放强度的增加而增大。基于 Copula 的条件概率模型进一步表明，未来的ROS事件最有可能发生在北半球的中高纬度地区，气候变暖对其潜在机制具有持续且显著的影响。最重要的是，预计未来的极端ROS事件将大幅增加，特别是在北美洲、西伯利亚、青藏高原和欧洲东部等地区。这些地区的频率随着排放情景的强度增加而上升，4月是事件发生的高峰月。这些发现强调了为可能由ROS事件引发的混合雨雪洪水灾害制定适应策略的必要性。特别是，在北半球中高纬度山区加强晚冬和早春期间积雪水文的监测和建模对于应对持续气候变暖引起的早期融雪和冰冻圈水文过程紊乱等问题至关重要。这项工作为制定区域气候适应措施和洪水风险预防策略提供了新的见解。未引用的参考文献包括：Brunner和Voigt（2024年）、Harr（1986年）、Koenker和Bassett（1978年）、Li等人（2019年）、Li等人（2025a年）、Li等人（2025b年）、Mooney和Li（2021年）、O’Neill等人（2016年）、Putkonen和Roe（2003年）、Rhoades等人（2024年）、Sui和Koehler（2001年）、Surfleet和Tullos（2012年）、Thrasher等人（2022年）、Trubilowicz和Moore（2017年）、Yue和Wang（2002年）。

CRediT作者贡献声明：
Keke Hu：撰写 – 审稿与编辑、撰写 – 初稿撰写、数据验证、形式分析、概念化。
Gulimire Hanati：可视化、监督、资源获取、资金筹措。
Ping Jiao：撰写 – 审稿与编辑、数据验证、形式分析、概念化。
Sulitan Danierhan：监督、方法论、概念化。
Wenjun Liu：撰写 – 审稿与编辑、方法论、形式分析。
Lei Jin：撰写 – 审稿与编辑、软件开发。
Jiahui Xie：撰写 – 审稿与编辑、可视化。