EN中文

Journal of Geo-information Science >

2023 , Vol. 25 >Issue 1: 177 - 189

DOI: https://doi.org/10.12082/dqxxkx.2023.220594

Assessment of the Rainfall-Induced Landslide Hazard and Population Exposure in China under 1.5 ℃ and 2.0 ℃ Global Warming Scenarios

  • LIN Qigen , 1 ,
  • WANG Leibin 2 ,
  • ZHANG Jiahui , 3, *
Expand
  • 1. Institute for Disaster Risk Management / School of Geographical Sciences, Nanjing University of Information Science & Technology, Nanjing 210044, China
  • 2. School of Geographical Sciences, Hebei Normal University, Shijiazhuang 050024, China
  • 3. Faculty of Geographical Science, Beijing Normal University, Beijing 100875, China
*ZHANG Jiahui, E-mail:

Received date: 2022-08-16

  Revised date: 2022-09-15

  Online published: 2023-03-25

Supported by

Natural Science Foundation of Jiangsu Province(BK20220456)

Guangxi Key Research and Development Program(GuikeAB22080060)

Fold

Abstract

The frequency and intensity of extreme precipitation events are projected to increase under climate change scenarios, which may result in increasing risk of rainfall-induced landslide in some parts of the world. Based on the established national scale rainfall-induced landslide susceptibility model and cumulative rainfall -rainfall duration threshold curves for different geomorphic regions, this study employs the latest CMIP6 global climate model ensemble to assess the changes in landslide hazard in China under global warming in terms of both the spatial landslide susceptibility and frequency resulted from rainfall events exceeding the threshold of landslide occurrence. The results show that the multi-year mean annual precipitation projected by the CMIP6 multi-model ensemble is likely to increase by 5.4% to 9.5% under the 1.5°C and 2.0°C warming scenarios compared to the baseline period, resulting in a projected increase of 0.33% to 0.74% in moderate to very high landslide susceptibility areas, and a projected increase of 7.0% to 11.2% in landslide frequency due to the projected increase in extreme precipitation events. By further combing the projections of future population distribution, the potential exposed population is expected to increase by 620 million (18.90%) and 426 million (12.97%) under the 1.5°C and 2.0°C warming scenarios, respectively. The projected landslide hazards under the future scenarios increase in each geomorphic region, and there exists significant spatial heterogeneity. The range of moderate to very high susceptibility under a 2.0°C temperature rise scenario increases by 0.71%~1.28% compared with the baseline period, and the landslide occurrence frequency is projected to increase by 1.2%~15.6%. The CMIP6 multi-model ensemble projections reveal hotspot areas where landslide susceptibility level and frequency are expected to increase under warming scenarios, including the southeastern Tibetan Plateau, the Tianshan Mountains in the northwest, and the Kunlun Mountains at the border of the Tibetan Plateau. And Qilian Mountains in the southwest mountainous region, the Loess Plateau and the Taihang Mountains in the south of the north-central plain region, and the Changbai area in the eastern plain region, are also key areas where appropriate landslide risk mitigation measures for climate change adaptation are needed. Considering the future population changes, our results show that the potential landslide exposed population in the Qinghai-Tibet Plateau area is expected to decrease by 4.68 million to 9.28 million, respectively, due to the obvious decrease in predicted future population, while the potential landslide exposed population in the southeastern hilly area increases by 396 million and 300 million, respectively, when temperature rises by 1.5°C and 2.0°C.

Key words： rainfall-induced landslides; hazard; climate change; CMIP6; population exposure; global warming scenarios; multi-model ensemble; projection

Cite this article

LIN Qigen , WANG Leibin , ZHANG Jiahui . Assessment of the Rainfall-Induced Landslide Hazard and Population Exposure in China under 1.5 ℃ and 2.0 ℃ Global Warming Scenarios[J]. Journal of Geo-information Science, 2023 , 25(1) : 177 -189 . DOI: 10.12082/dqxxkx.2023.220594

1 引言

中国是地质灾害造成人员伤亡影响最严重的国家之一[1]，2000年以来平均每年因地质灾害造成约600人死亡，约占所有自然灾害造成死亡人口的四分之一[2]。同时，政府间气候变化专门委员会（IPCC）指出气候变化会导致极端降水事件的频次和强度呈增加趋势，进而可能会加剧全球部分地区的极端降雨诱发地质灾害风险[3⇓-5]。近年来越来越多的研究表明气候变暖背景下地质灾害预估更加频发[6⇓-8]。但是，预估未来气候变暖背景下降雨诱发地质灾害的变化仍有巨大挑战[9-10]。
基于气候模式数据的预估是目前评估气候变化对地质灾害影响的主要研究方法。该方法通过气候模式数据来驱动依据历史地质灾害事件建立的经验阈值或物理过程模型，进而预估未来的地质灾害发生情况[9-10]。如Ciabatta等[11]基于5个全球气候模式3个时期（基准时期1990—2013年，未来时期2040—2069年，2070—2099年）的降雨和气温数据作为滑坡预警系统的输入，评估气候变化情景下意大利Umbria地区滑坡频次的变化，结果表明在湿冷季节由于降水增加和土壤湿度的减小，滑坡发生频次预估增加，而在暖干季节，由于土壤湿度的显著减小和降水强度的增加，滑坡频次预估无明显变化。Gariano等[4]基于意大利南部Calabria地区的历史降雨诱发滑坡记录，建立其与同期日观测降水的经验关系，并利用气候模式数据预估未来滑坡发生频次的变化，结果表明RCP 4.5和RCP 8.5情景下2035—2065年，研究区的平均滑坡发生频次要比历史基准时期分别多45.7%和21.2%。Peres等[12]将随机天气发生器和水文边坡稳定性模型结合，评估RCP4.5和RCP8.5情景下意大利Peloritani山区滑坡稳定性变化，结果表明由于未来预估降雨事件间隔时间的增加、降雨历时和累积降雨量的减少，预估研究区滑坡高易发区的范围呈减少趋势。
总的来说，已有研究显示气候变化情景下地质灾害的变化预估具有时空差异性。受气候变化影响未来部分区域的滑坡频次预估呈增加或高易发区范围扩大[13-14]，而另一些区域的滑坡预估则呈减少或滑坡活动变缓[12,15]，同时还有一些区域未来滑坡没有明确变化方向[16-17]。此外，近期的气候变化对地质灾害影响研究的综述表明，当前相关研究集中于欧洲阿尔卑斯山区国家，其中意大利、法国和英国的研究约占50%[10]，相比而言，在遭受地质灾害影响大且人口暴露度高的亚洲特别是中国山区相关研究仍较少，仅有少数研究指出RCP4.5和RCP8.5情景下未来中国部分地区地质灾害发生频次预估呈增加趋势，增加最显著的地区主要集中于中国西南部、西部和东南部[5,18⇓⇓-21]。但是，这些研究在全国尺度上仅采用单一的降雨诱发地质灾害阈值，缺乏考虑不同区域降雨空间异质性的影响。除此之外，相关研究主要基于第五次国际耦合模式比较计划试验（CMIP5）的输出结果开展评估，集中关注地质灾害发生频次等变化，而未考虑地质灾害多维度危险性变化及其可能造成的社会经济影响（暴露度、脆弱性和风险）。近年来，第六次国际耦合模式比较计划CMIP6试验结果陆续发布，与此前的CMIP5相比，参与CMIP6的全球气候模式数量更多且在模式分辨率和物理参数化方案方面均有所提高[22]。已有学者开展了CMIP6气候模式对中国降水的模拟能力评估研究，结果表明CMIP6相较于CMIP5对中国降水气候平均态和极端特征的模拟能力都有提升[23⇓-25]，特别是对于复杂地形区极端降水的模拟能力提升更显著[26]。
《巴黎协定》提出“为了加强全球应对气候变化的威胁，将全球平均温度升幅控制在工业化前水平以上远低于2 °C，并努力将升温限制在比工业化前水平高1.5 ºC之内”。《IPCC全球升温1.5 °C特别报告》也指出将升温控制在1.5 °C而不是2 °C或以上会有明显的益处。为此，本文基于24个CMIP6全球气候模式和已建立的全国地质灾害易发性评估模型，考虑中国不同地貌分区的地质灾害降雨阈值差异，从地质灾害空间易发性和发生频次2个方面，尝试探讨全球温升1.5 ℃和2.0 ℃情景下由于多年平均降水和极端降雨事件的变化导致地质灾害危险性的可能变化及由此对地质灾害暴露人口的影响。

2 研究区概况与数据来源

我国是地质灾害发生频繁且造成人员伤亡最严重的国家，如图1（b），其中滑坡、泥石流和崩塌是发生频次最高且造成人员伤亡影响最严重的3类地质灾害，本文中的地质灾害主要指以上3类。同时，由于数据困难，此次研究不包括香港、台湾和澳门。考虑到全国尺度的复杂地貌和降水空间异质性，参考Wang等[27]提出的地貌区划，将全国划分为6个主要地貌区，如图1(a)。该地貌区划综合了地貌特征和气候条件差异，能更好地探讨不同地貌和降雨条件诱发地质灾害的空间异质性。
图1 中国地貌分区和灾难性地质灾害的时空分布

注:该图基于自然资源部标准地图网站下载的审图号为GS(2020)4630号的标准地图制作,底图无修改。由于数据获取困难，此次研究不包括香港、台湾和澳门。

Fig. 1 Geomorphological regions and spatio-temporal distribution of recorded fatal landslides in China

本文研究所需的数据主要包括观测降水数据、气候模式数据以及人口空间分布数据，主要数据的来源和说明见表1。其中，观测降水数据来自CN05.1格点化观测数据集，该数据集包含全国1961—2018年的逐日降水，空间分辨率为0.25º×0.25º[28]。CN05.1数据集因其高空间分辨率已被应用于诸多极端降水研究，结果表明与其他降水产品相比能更准确描述中国降水的空间分布特征[29-30]。
表1 主要数据来源

Tab. 1 List of the main data source of this study

数据类别 数据名称 数据来源 数据内容
观测降水数据 CN05.1格点化观测数据集 吴佳和高学杰[28] 1961—2018年逐日降水
气候模式历史模拟和未来预估数据 CMIP6全球气候模式数据 https://esgf-node.llnl.gov/projects/cmip6/ 历史时期(1850—2014年)和未来情景(2015—2100年)的逐日降水
地质灾害空间易发性评估影响因素 中国地质灾害空间易发性评估影响因素数据集 Lin等[31] 岩性、坡度、降水、土壤湿度、土地利用、地质环境分区等因素
历史人口空间分布数据 Gridded Population of the World (GPW), v4 https://sedac.ciesin.columbia.edu/data/collection/gpw-v4 2015年全球1 km人口空间分布数据
未来人口空间分布数据 Global 1-km Downscaled Population Projection Grids Based on the SSPs, v1.01 https://sedac.ciesin.columbia.edu/data/set/popdynamics-1-km-downscaled-pop-base-year-projection-ssp-2000-2100-rev01 共享社会经济路径(SSP1—SSP5) 2010—2100年1 km预估人口空间分布数据
气候模式历史模拟和和未来预估数据来自CMIP6的多个全球气候模式，CMIP6是目前包含模式数量最多、科学试验设计最为完善的一次CMIP计划[22]。更多的气候模式集合可以减小不确定性的影响[35-36]，为此，选择低、中和高3种SSPs-RCPs情景（SSP1-2.6, SSP2-4.5, SSP5-8.5），截止至本文撰写3种情景共包含24个可获得的CMIP6全球气候模式降水日值数据（表2），其中SSP1-2.6是可持续发展路径与低辐射排放情景；SSP2-4.5代表中等社会脆弱性和中等辐射强迫情景；SSP5-8.5代表传统化石燃料为主路径和高辐射强迫情景。各气候模式都包含历史时期（1850—2014年）和未来情景（2015—2100年）的逐日数据。历史和未来人口数据来自国际地球科学信息网络中心所发布的2015年全球人口空间分布公里网格数据和各共享社会经济路径（SSP1—SSP5） 2010—2100年预估人口空间分布数据。
表2 本文采用的24个CMIP6全球气候模式

Tab. 2 List of the 24 CMIP6 global climate models used in this study

编号 名称
1 ACCESS-CM2
2 ACCESS-ESM1-5
3 BCC-CSM2-MR
4 CanESM5
5 CESM2-WACCM
6 CMCC-CM2-SR5
7 CMCC-ESM2
8 EC-Earth3
9 EC-Earth3-Veg
10 EC-Earth3-Veg-LR
11 FGOALS-g3
12 GFDL-ESM4
13 IITM-ESM
14 INM-CM4-8
15 INM-CM5-0
16 IPSL-CM6A-LR
17 KACE-1-0-G
18 MIROC6
19 MPI-ESM1-2-HR
20 MPI-ESM1-2-LR
21 MRI-ESM2-0
22 NorESM2-LM
23 NorESM2-MM
24 TaiESM1

3 研究方法

本文技术路线如图2所示。首先，基于观测数据评估CMIP6气候模式的模拟性能。通过分别计算观测数据和CMIP6多模式集合的年平均降水、超过各地貌分区经验降雨阈值频次，评估CMIP6多模式集合用于中国地质灾害危险性模拟的适用性。其次，全球温升1.5 ℃和2.0 ℃情景下中国地质灾害危险性变化预估以1995—2014年的气候模式历史模拟数据作为历史基准时期，以IPCC第六次评估报告定义的达到温升1.5 ℃和2.0 ℃目标的对应时期为未来时期，3种情景温升达到1.5 ℃和2.0 ℃的对应时期如表3。对于每个气候模式，计算各模式历史基准时期和未来情景的年平均降水，将计算结果应用于已建立的全国地质灾害空间易发性评估模型[31]，以评估温升情景下中国地质灾害空间易发性相比基准时期的变化。同时，利用CTRL-T （Calculation of Thresholds for Rainfall-Induced Landslides-Tool）算法提取和重建各模式历史和未来时期的降雨事件，将重建的降雨事件与不同地貌分区诱发地质灾害经验降雨阈值[27]进行对比，统计历史和未来时期气候模式降雨事件超过经验降雨阈值的频次，以超过阈值频次作为地质灾害发生频次的代用指标，评估气候变化背景下地质灾害发生频次的可能变化。最后，通过空间叠加方法分析温升情景下地质灾害暴露人口的变化。各方法的详细介绍如下。
图2 技术路线

Fig. 2 The methodological framework

表3 不同情景下全球温升1.5 ℃和2.0 ℃对应的时期

Tab. 3 Periods corresponding to global temperature rise of 1.5 °C and 2.0 °C under different scenarios

情景 1.5 ℃ 2.0 ℃
SSP1-2.6 2023—2042年 —
SSP2-4.5 2021—2040年 2043—2062年
SSP5-8.5 2018—2037年 2032—2051年

3.1 气候模式偏差订正方法

气候模式模拟未来气温和降水等气象要素可能存在一定误差，且模式原始分辨率各不相同，本研究采用分位数映射方法对各气候模式数据进行偏差订正处理，以降低模式模拟误差[34]。已有研究表明该方法对于日尺度降水数据的订正效果相比其他方法表现更优[35]。降水空间分布会受地形变化的影响，为减小地形空间异质性对降水模拟的影响，采用ANUSPLIN气候数据插值软件，将高程作为协变量，对偏差订正后的气候模式数据进行空间插值[36⇓-38]。

3.2 未来地质灾害危险性和暴露人口评估

气候变化情景下未来中国地质灾害危险性评估包括空间易发性和发生频率2个方面。空间易发性通过将气候模式模拟的历史基准时期和预估的未来时期的年平均降水输入到已构建的中国降雨诱发地质灾害易发性评估模型[31]。该模型是考虑多年平均降水、岩性、坡度、土壤湿度等因素作为地质灾害空间易发性影响因素，基于广义相加混合效应方法（GAMM）和历史降雨诱发地质灾害数据库建立的，关于该模型更详细的方法介绍可参见以下研究[31]。在本研究中，假定模型中的其他影响因素保持不变，考虑未来气候变化情景下预估的多年平均降水的变化会导致地质灾害空间易发性分布及高易发区产生何种变化。具体来说，对于每个模式，计算其历史基准时期和全球温升1.5 ℃和2.0 ℃情景下的多年平均降水，将计算结果用于驱动模型，模拟历史和未来情景的中国地质灾害空间易发性分布。基于自然断点分类方法，以0.1、0.25、0.4、0.6作为分割点，将地质灾害易发性划分为极低、低、中、高和极高易发性。通过对比未来时期地质灾害易发性相比历史时期的变化，评估气候变化对地质灾害空间易发性的可能影响。对于未来地质灾害发生频率评估，基于CTRL-T算法重建气候模式各格点历史和未来时期的降雨事件，并与不同地貌分区地质灾害降雨经验阈值对比[27]，评估气候变化下极端降水变化导致的超过诱发地质灾害降雨阈值频次的可能变化。其中，CTRL-T是 Melillo等[39]提出的用于重建降雨事件的算法。该算法基于连续降水时间序列数据和一些参数设定，提取降雨事件并计算降雨事件对应的累积降雨量、降雨历时等参数，CTRL-T的计算通过R语言实现。中国不同地貌分区的诱发地质灾害降雨阈值是由Wang等[27]针对不同地貌分区特征，基于中国历史水文地貌灾害事件数据集（包含在山洪和泥石流定义范围之间的所有水文地貌过程）构建的各分区的累积事件降雨量与降雨历时的幂律关系[27]。最后，综合未来中等至极高地质灾害易发性范围和地质灾害年平均发生频次，基于2015年人口空间分布数据计算历史基准时期的地质灾害暴露人口，基于SSP1、SSP2和SSP5各路径温升达到1.5 ℃和2.0 ℃所对应时期中间年份的未来预估人口分布数据，评估全球温升1.5 ℃和2.0 ℃情景下地质灾害暴露人口的变化。

4 结果及分析

4.1 全球气候模式数据的模拟性能

图3为全球气候模式数据在历史基准时期对多年平均降水、地质灾害空间易发性和极端降水的模拟效果与观测数据的对比。由图3（a）—图3（b）可见，CMIP6多模式集合对于降水平均态的模拟极好，可以重现观测年平均降水的空间格局，在各地貌分区上的模拟也与观测的空间格局非常吻合，多模式集合结果与观测数据的空间相关系数在全国和6个地貌分区均大于0.98。图3（c）—图3（d）是将多年平均降水结果用于驱动中国地质灾害空间易发性评估模型得到的地质灾害易发性空间分布，结果显示CMIP6多模式集合结果整体可以很好地重现观测数据模拟的地质灾害易发性空间分布，高易发性集中分布于西南山区、青藏高原东南区、华南沿海山地丘陵以及西北天山、东北长白山和华北太行山区等，多模式集合和观测数据结果的空间相关系数为0.997。进一步将模拟的地质灾害易发性划分为不同等级，并计算CMIP6多模式集合和观测数据得到的易发性分区的KAPPA系数，结果为0.927，也显示了较好的模拟效果。CMIP6多模式集合也能较好模拟超过降雨阈值频次的空间格局，与观测数据结果的空间相关系数为0.91。由图3（e）—图3（f）可见，超过降雨阈值频次较高（每年大于15次）的地区集中于东南山区和西南山区的南部及中部、长江中下游平原地区、西北祁连山脉和天山山脉及以北地区、黄土高原南部和太行山区。青藏高原超过降雨阈值的频次较少，特别是北部地区。但是，需要注意到，多模式集合超过阈值频次模拟仍在西南和东南山地有一定程度的低估。总的来说，以上的评估结果显示CMIP6多模式集合对于中国降水平均态和极值的模拟效果较好，降水平均态的模拟效果优于极端降水。
图3 全球气候模式在基准时期和观测数据的模拟效果对比

注:该图基于自然资源部标准地图网站下载的审图号为GS(2020)4630号的标准地图制作，底图无修改。由于数据获取困难，此次研究不包括香港、台湾和澳门。

Fig. 3 Comparison of simulation of GCMs in the baseline period and observations

4.2 温升1.5 ℃和2.0 ℃时中国地质灾害危险性变化

图4为温升1.5 ℃和2.0 ℃情景下未来中国及各地貌分区多模式集合的多年平均降水、中等至极高地质灾害易发性面积和地质灾害发生频次与基准时期相比的变化。由图4（a）可见，全国和不同地貌分区的多模式集合结果都表明温升1.5 ℃和2.0 ℃情景下未来多年平均降水相比基准时期会显著增加，并且，温升2.0 ℃相比温升1.5 ℃的增幅及不确定性都更大。具体来看，CMIP6多模式集合预估结果显示温升1.5 ℃和2.0 ℃时全国年平均降水相比基准时期分别增加5.4%和9.5%。各地貌分区多年平均降水变化也存在一定的区域差异，温升2.0 ℃时西北盆地区、青藏高原区和东南丘陵区增加最明显，其年降水相比基准时期的增幅均大于10%。中北高原区、西南高山区和东部平原区温升2.0 ℃相比基准时期的增幅分别为8.6%、7.6%和5.7%。
图4 全球温升1.5 ℃和2.0 ℃情景下中国及各地貌分区多年平均降水、地质灾害危险性相比基准时期的变化

Fig. 4 Variations of mean annual precipitation and landslide hazard in China and each geomorphic regions under 1.5 °C and 2.0 °C global warming scenarios with respect to the baseline period

将温升1.5 ℃和2.0 ℃情景下CMIP6各模式预估的年平均降水用于预估未来地质灾害易发性，以探讨气候变化情景下随着年平均降水的可能变化，中国地质灾害空间易发性会呈现何种时空变化。按与历史基准时期相同的阈值将模拟的地质灾害易发性从极低至极高划分为5个等级，统计不同情景下预估的中等至极高易发性面积相比历史基准时期的面积变化如图4（b）所示。从全国来看，温升情景下中等至极高易发性面积相比基准时期呈增加，温升2.0 ℃时相比基准时期增加0.74%，比温升1.5 ℃时的增幅（0.33%）更大。各地貌分区的结果显示，除东南丘陵区外，各地貌分区预估的中等至极高易发性面积相比基准时期都呈增加，其中青藏高原区相比基准时期增幅最大，温升2.0 ℃时多模式集合预估相比基准增加1.28%，其他地貌分区的增幅为0.71%~0.92%，而东南丘陵区呈现轻微减少（-0.29%）。
图4（c）为未来温升情景下地质灾害发生频次相比基准时期的变化。总的来看，全国和不同地貌分区的多模式集合表明未来不同情景下地质灾害发生频次相比基准时期会显著增加。全国多模式集合结果显示，温升1.5 ℃和2.0 ℃时地质灾害发生频次相比基准时期分别增加7.0%和11.2%。各地貌分区未来地质灾害发生频次存在差异，青藏高原区、西北盆地区和西南高山区的增幅最大，温升2.0 ℃时相比基准时期分别增加15.6%、12.9%和9.7%；中北高原区、东南丘陵区和东部平原区在温升2.0 ℃时分别增加4.6%、2.4%和1.2%。

4.3 温升1.5 ℃和2.0 ℃时中国地质灾害危险性变化空间分布及暴露人口变化

CMIP6多模式集合预估的未来温升情景下中国及各地貌分区的多年平均降水、地质灾害危险性（包括空间易发性和发生频次）相比基准时期的变化空间分布如图5所示。总体来看，多模式集合预估结果显示温升1.5 ℃和2.0 ℃时全国大部分地区的年平均降水与基准时期相比预估会增加，如图5（a）—图5（b），并且，温升2.0 ℃相比1.5 ℃时的增加范围更广且幅度更大。温升1.5 ℃情景下中国多数地区相比基准时期预估增加0%~10%，而温升2.0 ℃情景下，较大范围的地区预估增幅达10%~20%。
图5 全球温升1.5 ℃和2.0 ℃情景下中国地质灾害危险性相比基准时期变化的空间分布

注:该图基于自然资源部标准地图网站下载的审图号为GS(2020)4630号的标准地图制作，底图无修改。由于数据获取困难，此次研究不包括香港、台湾和澳门。

Fig. 5 Spatial distribution of landslide hazard changes in China under 1.5 °C and 2.0 °C global warming scenarios with respect to the baseline period

图5（c）—图5（d）为温升情景下多模式集合地质灾害空间易发性相比基准时期变化的空间分布。结果表明，未来气候变化情景下随着预估的多年平均降水变化，地质灾害易发性等级也预估会变化，温升2.0 ℃情景下易发性发生变化的格点相比温升1.5 ℃更多。未来易发性等级变高的格点主要分布于青藏高原南部和东南部、西南高山区的云南省北部和四川省西部地区、西北盆地区的天山山区及与青藏高原区交界处的昆仑山区和祁连山区、中北平原区南部的黄土高原和东部的太行山区、东部平原区的长白山一带。而未来时期相比基准时期易发性等级降低的格点非常有限，零散分布于西南高山区和东南丘陵区中部。
图5（e）—图5（f）为温升情景下未来多模式集合地质灾害发生频次相比基准时期变化的空间分布。总体来看，中国大部分地区未来温升情景下相比基准时期地质灾害发生频次都呈增加，温升1.5 ℃时多数地区相比基准时期预估增加0%~5%，温升2.0 ℃时增加幅度和范围都明显变大。在温升1.5 ℃情景下西南高山区和东南丘陵区的部分区域多模式集合结果显示相比历史时期呈轻微减少。中国和各地貌分区历史基准时期和未来情景下模拟的年平均地质灾害暴露人口变化结果如图6所示。总体来看，除了青藏高原区外，各地貌分区未来温升情景下的地质灾害人口暴露度相比历史基准时期基本都呈增加趋势。具体来看，温升1.5 ℃和2.0 ℃时全国地质灾害暴露人口相比历史基准时期分别增加6.20亿人次（18.90%）和4.26亿人次（12.97%）。各地貌分区中东南丘陵区未来地质灾害暴露人口相比基准时期增加最多，温升1.5 ℃和2.0 ℃时分别增加3.96亿人次和3.00亿人次，其他地貌分区的增幅在950万人次~8200万人次不等。青藏高原区未来温升1.5 ℃和2.0 ℃时相比历史时期的地质灾害暴露人口预估分别减少468万人次和928万人次，这主要是由于青藏高原区未来预估人口相比历史时期减少的比重较大。进一步的分析显示未来地质灾害暴露人口基本都呈先增后减的趋势，即温升2.0 ℃相比温升1.5 ℃地质灾害暴露人口有所减少，分析其原因主要是温升2.0 ℃时期预估人口相较于温升1.5 ℃呈减少趋势。
图6 全球不同温升情景下中国及各地貌分区地质灾害暴露人口变化

Fig. 6 Variations in landslide exposed population in China and each geomorphic region

5 讨论

本研究基于24个CMIP6全球气候模式、已建立的全国地质灾害空间易发性评估模型和分地貌区域的地质灾害降雨阈值曲线，探讨温升情景下未来中国地质灾害危险性和暴露人口的可能变化，结果显示未来中国和各地貌分区地质灾害危险性及地质灾害暴露人口相比基准时期呈增加趋势，这与已有基于CMIP5气候模式开展的中国地质灾害影响评估研究的结果是一致的[5,18⇓⇓-21,40]。同时，与已有研究相比，本研究基于最新的多个CMIP6气候模式集合可以减小未来预估的不确定性[5,18⇓⇓-21,40]。此外，基于全球温升目标情景的视角也更易于为巴黎协定等气候协议所确定的目标及采取的行动提供科学参考。更重要的是，本研究通过从易发性空间分布和时间发生频次2个维度量化地质灾害危险性的可能变化，进而综合未来动态人口变化的预估结果，考虑危险性变化可能造成的社会经济影响，即人口暴露度的可能变化，这可以为制定更有针对性的适应气候变化影响和减轻地质灾害风险措施提供科学依据[40]。
气候变化对地质灾害的影响评估是一个复杂的过程，会受许多因素的影响。本文主要考虑未来气候变化情景下由于降水的变化对地质灾害危险性和暴露人口的可能影响，未来的研究需要进一步综合考虑如气温、土壤湿度等因素的变化，以更准确评估气候变化对地质灾害的可能影响。此外，本文的研究还揭示除了致灾因子危险性的变化外，承灾体的动态演变如人口和社会经济要素的变化，也对未来气候变化情景下的地质灾害风险有重要影响，进一步的研究在考虑致灾因子危险性变化的基础上，需要更好的综合承灾体暴露度和脆弱性变化特征，以更准确评估地质灾害风险和指导减轻地质灾害风险措施的制定。需要注意的是，本研究的地质灾害发生频次是以模拟的超越各地貌分区诱发地质灾害降雨阈值频次为代用指标，并非实际的地质灾害发生频次，因此，最终得到的未来情景下的地质灾害暴露人口与历史时期相比的变化更有指示意义，而各时期暴露人口的绝对数值仍需更多的数据做进一步验证。

6 结论

本研究基于可公开获取的全球气候模式资料、已建立的地质灾害危险性空间评估模型和经验降雨阈值曲线，提出了一个可应用于评估气候变化对大尺度区域降雨诱发地质灾害危险性和人口暴露度影响的框架，并在全国尺度上评估了未来温升情景下降雨诱发地质灾害危险性和人口暴露度的变化。同时，本文所提出的气候变化对地质灾害影响评估框架不依赖详细的地质灾害编目或监测数据，因此，易于推广应用到全球其他研究区域。本文的主要研究结论如下：
（1）最新的CMIP6全球气候模式多模式集合结果可以较好地模拟中国降水平均态变化及与诱发地质灾害相关的极端降水频次变化。
（2）CMIP6多模式集合结果显示未来温升1.5 ℃和2.0 ℃情景下预估的多年平均降水相比历史基准时期会增加5.4%~9.5%，这会使得中等至极高地质灾害易发性范围预估增加0.33%~0.74%，预估的极端降水也呈增加趋势，导致地质灾害发生频次增加7.0%~11.2%，综合未来人口的变化，温升1.5 ℃和2.0 ℃情景下全国潜在的地质灾害暴露人口可能增加6.20亿人次（18.90%）和4.26亿人次（12.97%）。
（3）各地貌分区未来气候变化情景下地质灾害危险性预估增加且存在空间异质性。温升2.0 ℃情景下预估中等至极高地质灾害易发性范围相比基准时期增加0.71%~1.28%，地质灾害发生频次预估增加1.2%~15.6%，各地貌分区中青藏高原区的危险性增加最显著。综合考虑未来人口空间分布特征评估潜在的地质灾害暴露人口，结果显示，由于未来预估人口的明显减少，青藏高原区温升1.5 ℃和2.0 ℃时地质灾害暴露人口预估分别减少468万人次和928万人次，而东南丘陵区温升1.5 ℃和2.0 ℃时地质灾害暴露人口分别增加3.96亿人次和3.00亿人次，其他地貌分区的增幅在950万人次~8200万人次。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
Lin Q G, Wang Y. Spatial and temporal analysis of a fatal landslide inventory in China from 1950 to 2016[J]. Landslides, 2018, 15(12):2357-2372. DOI:10.1007/s10346-018-1037-6

DOI

[2]
国家统计局. 中国统计年鉴—2021(总第40期)[M]. 北京: 中国统计出版社, 2021.

[National Bureau of Statistics of China. China statistical yearbook 2021[M]. Beijing: China Statistics Press, 2021. ]

[3]
Intergovernmental Panel on Climate Change (IPCC). Climate Change 2021 - The Physical Science Basis: Working Group I Contribution to the Sixth Assessment Report of the Intergovernmental Panel on Climate Change[M]. Cambridge, United Kingdom and New York, NY, USA: Cambridge University Press, 2021. DOI:10.1017/9781009157896

DOI

[4]
Gariano S L, Rianna G, Petrucci O, et al. Assessing future changes in the occurrence of rainfall-induced landslides at a regional scale[J]. Science of the Total Environment, 2017, 596/597:417-426. DOI:10.1016/j.scitotenv.2017.03.103

DOI

[5]
Lin Q G, Wang Y, Glade T, et al. Assessing the spatiotemporal impact of climate change on event rainfall characteristics influencing landslide occurrences based on multiple GCM projections in China[J]. Climatic Change, 2020, 162(2):761-779. DOI:10.1007/s10584-020-02750-1

DOI

[6]
Cui P, Zhou G G D, Zhu X H, et al. Scale amplification of natural debris flows caused by cascading landslide dam failures[J]. Geomorphology, 2013, 182:173-189. DOI:10.1016/j.geomorph.2012.11.009

DOI

[7]
Peng J B, Fan Z J, Wu D, et al. Heavy rainfall triggered loess-mudstone landslide and subsequent debris flow in Tianshui, China[J]. Engineering Geology, 2015, 186:79-90. DOI:10.1016/j.enggeo.2014.08.015

DOI

[8]
Kirschbaum D, Kapnick S B, Stanley T, et al. Changes in extreme precipitation and landslides over high mountain Asia[J]. Geophysical Research Letters, 2020, 47(4): e2019GL085347. DOI:10.1029/2019GL085347

DOI

[9]
Gariano S L, Guzzetti F. Landslides in a changing climate[J]. Earth-Science Reviews, 2016, 162:227-252. DOI:10.1016/j.earscirev.2016.08.011

DOI

[10]
Gariano S L, Guzzetti F. Mass-movements and climate change[M]. Reference Module in Earth Systems and Environmental Sciences, Elsevier, 2021.

[11]
Ciabatta L, Camici S, Brocca L, et al. Assessing the impact of climate-change scenarios on landslide occurrence in Umbria Region, Italy[J]. Journal of Hydrology, 2016, 541:285-295. DOI:10.1016/j.jhydrol.2016.02.007

DOI

[12]
Peres D J, Cancelliere A. Modeling impacts of climate change on return period of landslide triggering[J]. Journal of Hydrology, 2018, 567:420-434. DOI:10.1016/j.jhydrol.2018.10.036

DOI

[13]
Turkington T, Remaître A, Ettema J, et al. Assessing debris flow activity in a changing climate[J]. Climatic Change, 2016, 137(1):293-305. DOI:10.1007/s10584-016-1657-6

DOI

[14]
Sangelantoni L, Gioia E, Marincioni F. Impact of climate change on landslides frequency: The Esino River Basin case study (Central Italy)[J]. Natural Hazards, 2018, 93(2):849-884. DOI:10.1007/s11069-018-3328-6

DOI

[15]
Rianna G, Zollo A, Tommasi P, et al. Evaluation of the effects of climate changes on landslide activity of Orvieto clayey slope[J]. Procedia Earth and Planetary Science, 2014, 9:54-63. DOI:10.1016/j.proeps.2014.06.017

DOI

[16]
Comegna L, Picarelli L, Bucchignani E, et al. Potential effects of incoming climate changes on the behaviour of slow active landslides in clay[J]. Landslides, 2013, 10(4):373-391. DOI:10.1007/s10346-012-0339-3

DOI

[17]
Alvioli M, Melillo M, Guzzetti F, et al. Implications of climate change on landslide hazard in Central Italy[J]. Science of the Total Environment, 2018, 630:1528-1543. DOI:10.1016/j.scitotenv.2018.02.315

DOI

[18]
Li M, Tian C S, Wang Y K, et al. Impacts of future climate change (2030-2059) on debris flow hazard: A case study in the Upper Minjiang River Basin, China[J]. Journal of Mountain Science, 2018, 15(8):1836-1850. DOI:10.1007/s11629-017-4787-z

DOI

[19]
He S S, Wang J, Wang H J. Projection of landslides in China during the 21st century under the RCP8.5 scenario[J]. Journal of Meteorological Research, 2019, 33(1):138-148. DOI:10.1007/s13351-018-8083-9

DOI

[20]
麦鉴锋, 冼宇阳, 刘桂林. 气候变化情景下广东省降雨诱发型滑坡灾害潜在分布及预测[J]. 地球信息科学学报, 2021, 23(11):2042-2054.

DOI

[Mai J F, Xian Y Y, Liu G L. Predicting potential rainfall-triggered landslides sites in Guangdong Province (China) using MaxEnt model under climate changes scenarios[J]. Journal of Geo-Information Science, 2021, 23(11):2042-2054. ]

[21]
王霞, 王瑛, 林齐根, 等. 气候变化背景下中国滑坡灾害人口风险评估[J]. 气候变化研究进展, 2022, 18(2):166-176.

[Wang X, Wang Y, Lin Q G, et al. Projection of China landslide disasters population risk under climate change[J]. Climate Change Research, 2022, 18(2):166-176. ]

[22]
O'Neill B C, Tebaldi C, Van Vuuren D P, et al. The scenario model intercomparison project (ScenarioMIP) for CMIP6[J]. Geoscientific Model Development, 2016, 9(9):3461-3482.

DOI

[23]
Zhu H, Jiang Z, Li J, et al. Does CMIP 6 inspire more confidence in simulating climate extremes over China?[J]. Advances in Atmospheric Sciences, 2020, 37(10):1119-1132.

DOI

[24]
Xu H W, Chen H P, Wang H J. Future changes in precipitation extremes across China based on CMIP6 models[J]. International Journal of Climatology, 2022, 42(1):635-651. DOI:10.1002/joc.7264

DOI

[25]
Yang X L, Zhou B T, Xu Y, et al. CMIP6 evaluation and projection of temperature and precipitation over China[J]. Advances in Atmospheric Sciences, 2021, 38(5):817-830. DOI:10.1007/s00376-021-0351-4

DOI

[26]
Zhu Y Y, Yang S N. Evaluation of CMIP6 for historical temperature and precipitation over the Tibetan Plateau and its comparison with CMIP5[J]. Advances in Climate Change Research, 2020, 11(3):239-251. DOI: 10.1016/j.accre.2020.08.001

DOI

[27]
Wang N, Lombardo L, Gariano S L, et al. Using satellite rainfall products to assess the triggering conditions for hydro-morphological processes in different geomorphological settings in China[J]. International Journal of Applied Earth Observation and Geoinformation, 2021, 102:102350. DOI:10.1016/j.jag.2021.102350

DOI

[28]
吴佳, 高学杰. 一套格点化的中国区域逐日观测资料及与其它资料的对比[J]. 地球物理学报, 2013, 56(4):1102-1111.

[Wu J, Gao X J. A gridded daily observation dataset over China region and comparison with the other datasets[J]. Chinese Journal of Geophysics, 2013, 56(4):1102-1111. ]

[29]
Zou L W, Zhou T J. Mean and extreme precipitation changes over China under SSP scenarios: Results from high-resolution dynamical downscaling for CORDEX East Asia[J]. Climate Dynamics, 2022, 58(3):1015-1031. DOI:10.1007/s00382-021-05947-x

DOI

[30]
Li H X, Chen H P, Wang H J. Effects of anthropogenic activity emerging as intensified extreme precipitation over China[J]. Journal of Geophysical Research: Atmospheres, 2017, 122(13):6899-6914. DOI:10.1002/2016JD026251

DOI

[31]
Lin Q G, Lima P, Steger S, et al. National-scale data-driven rainfall induced landslide susceptibility mapping for China by accounting for incomplete landslide data[J]. Geoscience Frontiers, 2021, 12(6):268-282.

[32]
Hirabayashi Y, Mahendran R, Koirala S, et al. Global flood risk under climate change[J]. Nature Climate Change, 2013, 3(9):816-821. DOI:10.1038/nclimate1911

DOI

[33]
Boulange J, Hanasaki N, Yamazaki D, et al. Role of dams in reducing global flood exposure under climate change[J]. Nature Communications, 2021, 12:417. DOI:10.1038/s41467-020-20704-0

DOI PMID

[34]
Tong Y, Gao X J, Han Z Y, et al. Bias correction of temperature and precipitation over China for RCM simulations using the QM and QDM methods[J]. Climate Dynamics, 2021, 57(5):1425-1443. DOI:10.1007/s00382-020-05447-4

DOI

[35]
Cannon A J, Sobie S R, Murdock T Q. Bias correction of GCM precipitation by quantile mapping: How well do methods preserve changes in quantiles and extremes?[J]. Journal of Climate, 2015, 28(17):6938-6959.

DOI

[36]
Eum H I, Gupta A. Hybrid climate datasets from a climate data evaluation system and their impacts on hydrologic simulations for the Athabasca River Basin in Canada[J]. Hydrology and Earth System Sciences, 2019, 23(12):5151-5173. DOI:10.5194/hess-23-5151-2019

DOI

[37]
Guo B B, Zhang J, Meng X Y, et al. Long-term spatio-temporal precipitation variations in China with precipitation surface interpolated by ANUSPLIN[J]. Scientific Reports, 2020, 10:81. DOI:10.1038/s41598-019-57078-3

DOI PMID

[38]
Kuo C C, Gan T Y, Wang J W. Climate change impact to Mackenzie River Basin projected by a regional climate model[J]. Climate Dynamics, 2020, 54(7):3561-3581. DOI:10.1007/s00382-020-05177-7

DOI

[39]
Melillo M, Brunetti M T, Peruccacci S, et al. A tool for the automatic calculation of rainfall thresholds for landslide occurrence[J]. Environmental Modelling & Software, 2018, 105:230-243. DOI:10.1016/j.envsoft.2018.03.024

DOI

[40]
Lin Q G, Steger S, Pittore M, et al. Evaluation of potential changes in landslide susceptibility and landslide occurrence frequency in China under climate change[J]. Science of the Total Environment, 2022, 850:158049. DOI:10.1016/j.scitotenv.2022.158049

DOI

Options
Outlines

/

〈 〉