青藏高原东北部的降水量比较预测：利用树轮重建以及机器学习和CMIP6模型进行未来预测

《Palaeogeography, Palaeoclimatology, Palaeoecology》：Comparative precipitation forecasting in the Northeastern Tibetan Plateau: Tree-ring reconstruction and future projections using machine learning and CMIP6 models

　　

马龙云|徐浩远|李金健|郑泽宇|崔琳琳|刘彩红|孙善雷

四川省复杂地形地区气候变化与资源利用重点实验室，四川省成都平原城市气象与环境观测研究站，四川省气象灾害预测与预警工程技术中心，成都信息科技大学大气科学学院，中国成都610225

摘要

持续的全球变暖引发了人们对区域水文气候变化的日益关注，尤其是在青藏高原东北部（NTP）观察到的近期变暖和湿润化趋势。然而，该地区过去的水文气候演变及其未来的变化仍不够清楚。在这项研究中，我们基于从NTP采集的祁连刺柏（Juniperus przewalskii Kom.）建立了年轮宽度年表。相关性分析表明，树木的径向生长主要受降水影响，其中与前一年7月至当年6月的年降水量之间的相关性最高（r = 0.697，n = 67，p < 0.001）。随后，我们重建了1104年至2020年NTP的年降水量。在过去的917年中，湿润期出现在1179–1253年、1266–1287年、1306–1358年和1889–2010年，而干旱期则出现在1288–1305年、1359–1421年、1431–1536年和1556–1841年。基于这917年的重建数据，我们使用了三种机器学习方法来预测未来100年的降水量趋势，并将其与CMIP6的结果进行了比较。两种方法都预测水文循环将加剧，并且相对于917年的历史基线，该地区将向前所未有的湿润状态转变。关键的是，这种湿润趋势伴随着极端降水事件频率和强度的增加，对未来变暖情景下的区域基础设施和生态稳定性构成了重大水文气候风险。

引言

全球气候变化正在深刻改变世界各地的区域水文气候系统，特别是在高海拔地区等对气候敏感的区域。许多研究试图识别过去和现在的气候变化模式，以便更好地预测未来的气候变化并防止可能的气象灾害（Abbass等人，2022年）。作为全球气候变化的敏感区域，青藏高原（TP）的气候变化不仅直接影响该地区，还对下游地区乃至全球生态系统产生深远影响（Mikhaylov等人，2020年）。TP目前正经历明显的变暖和湿润化趋势，湖泊面积显著扩大。同时，冰川退缩加速，导致灾害风险增加（Xu等人，2024年）。此外，降水量增加和温度上升的结合加速了永久冻土的退化，引发了复杂的复合灾害（Jin等人，2021年）。更高的温度加速了冰川融化，而降水量增加导致洪水更加频繁，影响农业、生态系统和生物多样性，并加剧了土地退化和沙漠化（Upadhyay，2020年）。这些气候变化趋势不仅对TP地区有社会经济影响，也挑战了全球气候系统和生态平衡（Hua等人，2021年），包括局部沙漠化的加剧（Zhi等人，2024年）。因此，研究TP的长期气候变化对于理解全球气候的空间和时间演变以及亚洲季风系统的动态至关重要（Li等人，2022年）。然而，由于缺乏气象数据，使用高分辨率的气候代用指标对于研究气候变化、理解过去的气候变异性以及为未来变化提供背景尤为重要（Pepin等人，2022年）。

年轮因其精确的年代测定、年度分辨率和时间连续性而在古气候研究中得到广泛应用。许多研究利用TP的年轮宽度数据来重建降水量、温度和其他气候参数（Chen等人，2021年；Li和Li，2023年）。例如，在柴达木盆地东北部建立的3500年年轮年表为中国西北部干旱地区的年代测定提供了关键参考（Shao等人，2007年）。同样，从祁连山脉建立的1232年年表用于研究湿度变化（Zhang等人，2009年）。此外，在德令哈地区建立的6700年年轮氧同位素年表用于追踪亚洲夏季季风降水量（Yang等人，2021年）。然而，单独使用年轮重建存在固有的局限性。虽然它们提供了高分辨率的历史视角，但缺乏进行未来风险评估所需的预测能力（Hua等人，2021年）。

为了应对未来的气候情景，第六阶段耦合模型比较项目（CMIP6）全球气候模型已成为提供未来一个世纪数据支持的标准工具（Cos等人，2022年）。最近的评估强调了CMIP6模型相对于早期版本的改进（Chen等人，2022年；Hu等人，2022年；Li和Hu，2024年；Zhang和Chen，2022年）。然而，CMIP6模型在NTP的复杂地形中经常表现出明显的区域偏差，并且缺乏针对多世纪自然变异性的长期验证，导致区域预测存在不确定性。

同时，随着计算技术的迅速发展和气象数据规模的显著增加，机器学习（ML）在气象预测中的应用越来越受到关注。各种模型在降水预测方面表现出不同的优势和局限性，它们的预测结果既有一致性也有显著差异（Liu等人，2020年；Wu和Lin，2017年）。诸如长短期记忆网络（LSTM）、支持向量机（SVM）和卷积神经网络（CNN）等ML模型在处理时间序列数据方面表现出优越的适应性（Liu等人，2020年）。然而，ML模型本质上是数据驱动的，通常缺乏物理过程约束。它们容易过拟合，并且在超出历史训练数据范围进行趋势外推时可能不可靠，尤其是在仪器记录较短的情况下。

章节片段

研究区域

NTP具有典型的高原大陆性气候，其特征是昼夜温差大和降水量低。降水主要集中在雨季，而旱季极其干燥。这种气候受到该地区独特地形的影响，冷西风和高原高压系统通常占主导地位，导致冬季寒冷干燥，夏季短暂温和（Demina等人，2022年）。在雨季，降水量

水文气候和树木生长响应分析

为了研究RC对气候变量的响应，我们分析了RC与气候变量之间的相关性（图3）。RC与前一年5月、7月和9月以及当前5月、6月和7月的降水量高度正相关（p < 0.01）。我们还发现与前一年6月和9月的最低温度以及当前6月、7月和8月的最低温度也有显著的正相关性（p < 0.01）（图3a）。与平均温度的相关性

树木径向生长对气候因素的响应

相关性分析显示年轮宽度与水年降水量之间存在强烈关联，证实了水分可用性是影响树木生长的主要气候因素。在NTP（Fang等人，2013年；Liu等人，2024年；Shao等人，2010年）和其他地区，特别是在中国西北部的半干旱地区（Zeng等人，2020年；Zhang等人，2021年；Zhang等人，2016年）也有类似的发现。

Fritts指出，在干旱和半干旱地区，降水在

结论

基于乌兰和德令哈的年轮样本，本研究重建了1104年至2020年NTP的年降水量历史。在过去的917年中，重建结果确定了多个显著的湿润期和干旱期，其中最长的湿润期发生在1889年至2010年（122年），最长的干旱期发生在1556年至1841年（286年）。通过与邻近地区的降水量序列比较，进一步证实了重建的可靠性

CRediT作者贡献声明

马龙云：撰写——原始草稿，可视化，验证，软件，方法论，调查，正式分析，数据管理。徐浩远：可视化，软件，方法论，正式分析。李金健：撰写——原始草稿，监督，资源，方法论，资金获取，数据管理，概念化。郑泽宇：资源，正式分析，数据管理。崔琳琳：验证，调查，正式分析，数据管理。刘彩红：资源，资金

利益冲突声明

作者声明没有利益冲突。

致谢

本工作得到了四川省科技计划（2024NSFSC1986）、青海省科技计划（2025-ZJ-736）、第二次青藏高原科学考察与研究（STEP）计划（2019QZKK0103）、中国气象局青年创新团队“青藏高原的气候变化及其影响”（CMA2023QN16）以及本科生创新与创业培训计划（编号202410621012）的支持。