DOI:
https://doi.org/10.5194/hess-28-1873-2024
主要内容：
准确评估可能最大降水量 (PMP) 对于评估高风险水基础设施、水资源管理和水文灾害缓解的恢复能力至关重要。传统上，PMP是基于静态气候假设进行估算，并受到地面观测空间分辨率不足的限制，从而忽略了气候系统的空间异质性和时间变异性。这些假设至关重要，特别是对于中国来说，中国约有
10 万个现有水库，极易受到全球变暖的影响。在这里，
我们使用机器学习算法集合中最精细的时空分辨率（1 d 和 1 km）降水数据集来呈现基于改进的 Hershfield 方法的 1 d PMP 的空间分布。
当前的水库设计值、准全球卫星 PMP 数据库和现场降水被用来与我们的结果进行比较。对1961-1995年至1980-2014年35年的运行趋势进行量化和分区，然后使用耦合模型相互比较项目第六阶段模拟在两种情景下对未来进行预测。
主要结论：
全国PMP总体上从东南向西北递减，并且典型地受华北地区极端降水的高变率和华南地区高强度的影响。尽管与之前的项目设计值一致，但由于空间尺度和计算方法的差异，我们的 PMP 计算在与卫星和现场结果进行比较时存在低估。
年际变率而非极端降水的加剧主导了全国范围内的 PMP 运行趋势。
气候变化主要归因于陆地-大气耦合效应，导致 SSP126情景下全国PMP普遍增加（ > 20%），预计随着
CO
2
排放的加剧，该比例还会更高。
我们基于观察和建模的结果可以为气候变化下的水资源管理者提供有价值的启示。
主要图表：
图 3 (a) 80 个二级流域实地 PMP 空间分布（Wang，2002）。(b)记录的历史最大日降水量的空间分布（Wang，2002，表S4）。(c)基于 1961-2014 年实地逐日降水量的 PMP 空间分布。(d) GPMM 数据库中 PMP 结果的空间分布。
图 4 (a, d) HRLT 和 GPMM、(b, e) HRLT 和原位降水量、(c, f) GPMM 和(a-c)网格上的原位降水量数据集的PMP 估计值之间的散点图站尺度和(d-f)流域尺度。灰色虚线和黑色实线分别表示1:1线和拟合线性回归线。子图(a–c)是热图，其中高（低）点密度被转换为黄色（蓝色）。CC 表示皮尔逊相关系数。子图（d-f）中的黑点和红色三角形分别代表不同的流域和整个国家。
图 6 (a) PMP、(b)的趋势斜率 ，(c) K为 1961-1995、1962-1996、 ……、1980-2014 年中国移动 35 年期间的日尺度。(d)的贡献 (e) 变化1 d PMP 的K因子。趋势值未达到 0.05 显着性水平的网格单元将被屏蔽。(f)不同变量对不同流域 PMP 变化的按比例贡献。地区缩写详见图1
图71d (a,d)的估计 ，（b，e） K因子，（c，f） PMP来自1980-2014年中国CMIP实验的（a-c） HRLT和（d-f）集合平均值。
图 8在 SSP126 情景下，中国（a，b）SMIP 和（a，c）2030-2064年和（b，d） 2065-2099 年期间到 1980-2014 年的 1 d PMP 多模型平均百分比变化c, d) LFMIP-pdLC 系综。(e) PMP 变化百分比的区域摘要。有关地区缩写的更多详细信息，请参见图 1。
图 9与图 8 相同，但适用于 SSP585 场景。
