1 简介
人们普遍认识到气候变化将影响水文循环。气候变暖增加了极端降水的频率和强度（Donat等，2017）。引文2016，李等人。引文2019，迈尔等人。引文2019），增强洪水灾害。洪水是全世界自然灾害死亡的主要原因，1980 年至 2009 年期间，降雨引发的洪水造成了超过 50 万人死亡（Doocy等人， 2009 年） 。引文2013）。因此，应评估未来气候条件对洪水风险的影响，以制定考虑极端事件风险的规划适应策略（IPCC引文2012年,引文2014）。此外，洪水代表了水坝的水文负荷。因此，气候条件的变化可能会影响水文大坝的安全（Bowles等人，2015）。引文2013）。

可以使用过去几十年记录的水流数据的趋势分析或以气候预测作为输入数据的降雨径流模型来研究气候变化对洪水的影响（Quintero 等，2015 ）。引文2018）。降雨量和温度气候预测是由全球气候模型 (GCM) 生成的，基于一组称为代表性浓度路径 (RCP) 的未来温室气体排放情景（Meinshausen 等人， 2017 ）。引文2011）。RCP 4.5 和 8.5 通常被认为是评估气候变化对洪水的影响（Kim等，2017）。引文2013年，巴布尔等人。引文2016年，尼拉瓦尔和怀卡引文2019，马拉哈塔等人。引文2021 年，Oubennacer等人。引文2021）。RCP 4.5 假设排放峰值出现在 2040 年左右，并随着本世纪末稳定而下降（Thomson等，2017）。引文2011）；RCP 8.5 认为辐射强迫将在整个世纪中增加（Riahi等，2017）。引文2011）。然而，对于流域尺度的水文和影响评估研究，GCM 输出的空间分辨率通常比较粗糙。因此，GCM 输出可以通过区域气候模型 (RCM) 等降尺度技术在较小的范围内进行细化。

关于气候变化对洪水影响的全球研究表明，洪水持续时间的年中位数呈显着增加的趋势（Najibi 和 Devineni）引文2018）。RCP 8.5 中检测到 2080 年时间窗口内世界上最大河流的洪水灾害普遍增加（Winsemius等，2017）。引文2015）。Alfieri等人也认识到了类似的模式。（引文2015）；他们发现，对于 RCP 8.5，欧洲 100 年一遇的洪水普遍增加。相反，其他研究指出洪水频率下降，特别是在南欧和东欧（Hirabayashi等，2017）。引文2013 年，布洛施尔等人。引文2019，布伦纳等人。引文2019）。

然而，南欧未来水利风险预期变化的明确模式尚无法确定。由于研究通常考虑不同的气候模型、降尺度技术或偏差校正方法，因此可能会发现不一致的结果（Kundzewicz等，2016）。引文2017）。例如，虽然 Dankers 和 Feyen (引文2008）和罗哈斯等人。（引文Roudier等人（2012）发现西班牙未来100年一遇的洪水将会减少。（引文2016）发现了增加的趋势。

尽管没有明显的变化信号，但平稳性将不再适合长期的大坝安全管理（美国陆军工程兵团引文2016）。此外，许多大型水坝在建造时是为了下游防洪目的而设计的（Chen 和 Hossain引文2019）。然而，下游城市地区可能已经扩大，或者安全法规可能从那时起发生了变化。因此，一些研究提出了考虑气候变化预测的未来大坝安全评估的方法。弗卢萨-圣马丁等人。（引文2019b）发现 RCP 8.5 的气候预测输入给出的风险存在显着的不确定性，而 RCP 4.5 情景的社会和经济风险均有所增加。李和你（引文2013）将气候变化的影响与泥沙淤积导致水库防洪量减少相结合，得出未来主要风险来源是极端事件的强度。有几个方面与大坝安全有关。事实上，气候和非气候驱动因素都可能导致大坝溃坝，例如漫溢、管道或滑动，并且已经开发了几种方法来描述这些现象（Wahl）引文2004年,弗罗利希引文2008 年，艾哈迈迪沙拉夫等人。引文2016年，彼得等人。引文2018）。

本研究的重点是水文大坝安全和漫溢危险。当水库水位超过坝顶高程时，就会发生漫溢，溢出下游坝面。上个世纪，全世界几乎 30% 的水坝溃坝都是由漫溢造成的（Jandora等，2017）。引文2008），洪水是其主要驱动因素（哥斯达黎加引文1985）。对漫溢危险的详细分析需要有关水文、水力学、大坝特征以及路线方法使用的全面信息（Michailidi 和 Bacchi）引文2017）。因此，尽管有更多工具可用于评估区域规模大坝漫溢的可能性，但仍需要进行流域规模的研究，以正确评估气候变化对未来大坝安全的影响（Fluixá-Sanmartín 等，2016）。引文2019a）。此外，Fluixà-Sanmartin等人。（引文2018）指出，大多数研究往往只关注评估未来水文负荷的预期变化（Bahls 和 Holman）引文2014，切内特等人。引文2014 年，十一月布雷等人。引文2015），例如流入过程线的变化，忽略了其他重要方面，例如初始水库水位的未来变化。事实上，由于降水时间变异性增加、降水量减少以及潜在蒸散量增加，预计气候变化将影响未来的可用水量（IPCC引文2014）。可以通过观测数据的趋势分析和水文建模来检测溢顶概率的变化（Ahmadisharaf 和 Kalyanapu）引文2015）。相比之下，这项研究提供了一种根据气候预测来估计大坝漫溢预期变化的方法。

大坝风险分析通常与高重现期洪水相关，尽管这种估计涉及很大的不确定性。因此，应考虑水文和气候模型造成的不确定性评估，为决策提供有用的信息（Prudhomme 和 Davies引文2009）。本研究提出了一种考虑气候变化对洪水和水库水位影响的方法，以评估水文大坝的安全性。此外，还开发了一种考虑程序中所有不确定性来源的随机方法。该方法应用于阿尔加河（西班牙）的Eugui 大坝，流域面积为69 km 2。

第 2 部分描述了数据和案例研究。第 3 节介绍了用于评估气候变化对水文大坝安全影响的方法以及对分析中使用的模型的描述。第4节给出了未来水库水位和峰值流量的结果，以及考虑不确定性后水库最高水位的变化和漫溢概率。最后，包括讨论（第 5 节）和结论（第 6 节）。

2 数据与案例研究
2.1 案例研究：阿尔加河和尤吉大坝
该方法应用于西班牙北部阿尔加河流域的尤吉大坝（图。1）。阿尔加河穿过潘普洛纳市，流域面积2759平方公里。潘普洛纳市的流域面积为 510 km 2，而 Eugui 水库的集水面积为 69 km 2（图1(b)和2(a)）。大坝的主要目的是为下游人口供水，但也用于水力发电。尤吉大坝有一个门控溢洪道（图2(b)) 坝顶高程为 625 m asl 涵养池库容为 2180 万 m 3，坝顶高程为 628 m asl防洪池顶部溢洪道泄洪能力为 270 m 3 /s。坝顶海拔630 m，坝长252 m。隆皮等人。（引文2021）通过关注潘普洛纳市的洪水灾害，量化了设计洪水的变化。由于实时交互式盆地模拟器 (RIBS) 模型（第 3.1 节）是完全分布式的，Eugui 大坝也可以获得这样的结果。

2.2 数据
观测数据包括降水量、温度、水库水位（或蓄水量）以及大坝出水口排放的流量（表格1）。关于水库水位的数据有两个来源。E9825 测量点的每日数据可提供 40 年（1978 年至 2018 年），而 E025 测量点可提供 23 年（1998 年至 2021 年）15 分钟时间分辨率的数据。

对观测数据进行分析，以确定经验水库水位频率，即当前情况下与水库内给定水位相关的概率，并获得流入峰值流量。该信息用于评估当前情景下的水文大坝安全。此外，观测数据用于校准下一节中描述的水文模型（RIBS 和 Hydrologiska Byrans Vattenbalansavdeling (HBV)）。水库的流入流量是通过流出流量 (A152) 和存储体积 (E025) 的质量平衡获得的。获得 1978-2021 年期间每日流入流量的年度最大值系列 (AMS)。此外，还提取了 1998 年至 2021 年期间 15 分钟流入流量的 AMS。

气候变化数据包括 2006 年至 2100 年期间的降雨量和温度预测，由 EURO-CORDEX 的 12 个气候模型提供（Jacob等，2006）。引文2020），考虑两种排放情景（RCP 4.5 和 RCP 8.5）（表2）。降雨量预测的使用在方法部分进行了描述。

3 方法论
旨在评估气候变化对水文大坝安全影响的方法应估算洪水分位数的预期变化，并评估气候变化对水库水位频率的影响。最合适的水文模型的选择取决于要表示的现象的空间和时间尺度。因此，选择完全分布式的基于事件的水文模型RIBS（第3.1节）来描述与高降雨分位数相关的流域洪水过程，因为它具有精细的空间和时间尺度（亚日）。另一方面，连续模型 HBV（第 3.2 节）的时间尺度过于粗略，无法描述小流域的洪水过程，但适合通过长期模拟来评估水库水位的预期变化。该方法的概述总结于图3，其中显示了所有其他小节。

使用从西班牙气候预测（Garijo 和 Mediero）中提取的降水分位数的预期三角洲变化来量化气候变化对阿尔加河流域洪水的影响引文2019）。RIBS 分布式水文模型用于量化 Eugui 大坝洪水分位数的预期变化（Lompi等，2017）。引文2021）（第 3.1 节）。

使用 HBV 连续水文模型以每日时间步长模拟 Eugui 水库的入流流量，将降雨量和温度气候变化预测作为输入数据。HBV 可以在更短的计算时间内模拟水库每日流入量的长时间序列。使用气候预测作为输入数据，对 HBV 模型进行校准并用于模拟流域每日径流响应（第 3.2 节）。开发了考虑水库运行规则的水库模拟模型，以使用 HBV 模型提供的每日流入流量作为输入数据来获取每日水库水位（第 3.3 节）。获得未来水库水位的预期变化。

开发了一个随机程序来获得最大水库水位频率和大坝释放的最大流量（第 3.4 节）。体积评估方法 (VEM) 用于模拟洪水期间水库的流量演进过程，因为尤吉大坝有一个门控溢洪道（Girón）引文1988）。随机流入过程线和随机初始水位在 VEM 中结合（第 3.5 节）。获得每种情景的最大水库水位频率曲线，评估大坝漫溢概率的预期变化。此外，方法中的不确定性来源被量化（第 3.6 节）。结果以漫溢概率和最大水库水位的预期三角洲变化表示（第 3.7 节）。

3.1 RIBS模型：洪水分位数预期变化的描述、校准和量化
本节简要介绍 RIBS 模型以及 Lompi等人所做的工作。（引文2021 年），其中可以找到有关如何校准实时交互式流域模拟器 (RIBS) 并用于评估 Eugui 大坝流入水位线的预期变化的更多信息。该方法基于当前情景与未来时期洪水分位数的比较。

RIBS 是一种基于事件的分布式水文降雨径流模型，可从数字高程模型 (DEM) 中提取流域所需的信息。RIBS 使用 Brooks-Corey 方程来估计每个单元中的降雨量损失和径流（Cabral等，2017）。引文1992）。然后，考虑山坡和到达速度，径流在域中传播。过程线形状（体积）和峰值取决于土壤导水率和两个速度，它们通过必须校准的几个模型参数进行评估。有关 RIBS 模型及其校准的更多信息，请参阅 Mediero等人。（引文2011）和绞喉和胸罩（引文1995a ,引文1995b）。

通过使用位于潘普洛纳的比重计进行 POT 分析，比较一组观察到的和模拟的水文过程线，对阿尔加流域的 RIBS 进行校准。每日降雨量数据用于估计当前情景中 GEV 分布的设计降雨量。未来每日降水量分位数的预期增量变化是从 GCM 和 RCM 的 12 种组合提供的降雨气候预测中提取的（表2） Garijo 和 Mediero 的 EURO-CORDEX 计划（引文2019）。由于三角洲变化网格的位置与雨量计位置不同，因此将当前情景中的设计雨量图栅格与三角洲变化栅格相结合，得到各个情景下的未来设计降雨场。栅格是通过泰森多边形技术获得的。估计了七个重现期（2、5、10、50、100、500 和 1000 年）、两个 RCP（RCP 4.5 和 RCP 8.5）和三个未来时间窗口（2011-2040、2041- 2070, 2071–2100）（Lompi等人。引文2021）。

3.2 HBV模型：气候变化情景的描述、校准和水文建模
Hydrologiska Byrans Vattenbalansavdeling (HBV) 是一个半分布式概念连续降雨径流模型 (Bergström引文1976年，引文1992）。在此模型中，流域被划分为子流域，子流域可以进一步划分为一组高程和植被区域。模型所需的数据是每日温度、降水量和潜在蒸散量 ( PET )，这些数据必须在模型外部进行计算。模型结构分为三个模块（雪冰川例程、土壤例程、响应函数例程）。在降雪程序中，当温度低于温度阈值 ( TT ) 时，降水量会通过降雪修正因子 ( SFCF ) 转换为积雪。CFMAX表示等效融雪作为实际温度与TT之间差异的函数。

渗入的水充满土壤盒，根据地下水的当前含量（SM）与其最大可能值（FC）之间的比率来补充地下水。土壤的特点是有两个水库。最大渗流率（PERC）定义了两个水库之间的地下流量。BETA确定降雨或融雪对径流的相对贡献。在土壤常规中，当土壤湿度高于给定阈值（LP * FC）时，蒸散量（AET）等于PET。否则，AET从其最大值（PET) 为零。地下水径流被模拟为线性水库的释放，参数为K0、K1和K2，具体取决于上部地下水箱是否高于阈值 UZL。响应路由使用以参数MAXBAS为特征的三角加权函数（Seibert 和 Vis引文2012）。在本研究中，使用了 HBV-light 软件。

3.4 随机过程
随机过程用于生成大量具有随机流入峰值 ( Q Peak ) 和初始水库水位 ( WL ini ) 的流入过程线。两个随机概率向量是独立生成的，因为在观察中的Q Peak和WL ini对中没有检测到明显的相关性。研究中考虑的 72 种情景中的每一种都会生成一万个Q峰值和WL ini值，由 12 个气候模型、三个未来时间窗口和两个 RCP 组合给出。Q峰值的随机向量表示峰值流入过程过程线的不超出概率 ( NEP )。WL ini的随机向量表征了水库水位的超标概率（EP ）。将这两个向量随机组合以获得Qpeak - WLini对的可行组合（图4）。

虽然WL ini的低EP与高初始水库水位相关（图中的红线）图4(c))，接近于 1 的值表示水库水位较低（图中深蓝色线图4(c））。Q峰值的高NEP对应于与高返回期 ( RP ) 相关的高流入峰值（图中的红线）图4(b））。

NEP（或RP）和 Q峰值之间的关系通过适合 Lompi等人获得的 RIBS 模型输出的 GEV 分布函数来表征。（引文2021）。RIBS 模型输出提供的过程线形状与Q Peak的每个值相关联。WL ini的每个EP值与给定的水库水位相关，使用通过 HBV 和水库运行模型耦合获得的经验水库水位频率曲线（第 3.2和3.3节）。

3.5 体积评价法
VEM 是一种洪水路由水库模型，可以模拟洪水事件期间闸坝溢洪道的流出流量（Girόn引文1988）。VEM 和水库调度模型（第 3.4 节）之间的主要区别在于洪水事件中的时间步长和溢洪道闸门的操作。水库调度模型使用日尺度，有助于模拟日水库水位，但其时间分辨率太粗，无法正确模拟亚日时间尺度的防洪过程。然而，VEM 使用亚小时时间步长，以更高的时间分辨率考虑溢洪道闸门操作、水库水位和流出流量变化。在本研究中，使用时间步长为 15 分钟的流入过程线。

3.6 不确定性评估
模拟链中的不确定性评估旨在考虑方法中的所有误差来源。有多种工具和方法可用于解释不确定性（Refsgaard等人，2015）。引文2007 年，马托特等人。引文2009），以及确定最合适的不确定性评估工具的指南（Van Der Keur等， 2009） 。引文2010）。卡茨（引文2002）建议分解不确定性分析并在综合框架内单独评估每个要素。根据莫拉莱斯-托雷斯等人的说法。（引文2016），气候相关的不确定性对大坝管理的风险分析模型影响最大。事实上，大坝风险分析通常涉及高回报期，但观测数据的时间序列长度不足以对其进行表征。因此，一些研究建议未来将气候不确定性纳入大坝管理中（Fluixá-Sanmartín等人， 2017） 。引文2021）和当前情况（Tarouilly等人，2021） 。引文2021）。

本研究中不确定性的主要来源来自流入过程线和水库水位概率估计。未来流入水位线估计，即未来洪水分位数，有两个不确定性来源： (i) 与给定重现期相关的降水三角洲变化的不确定性（红色为图5），以及（ii）使用 RIBS 模型获得的设计峰值流量估计误差（蓝色图5）。此外，初始水库水位估计的不确定性主要来源于 HBV 模型模拟的误差（绿色部分）图5）。

首先，Garijo和Mediero获得的降水分位数的Delta变化的不确定性（引文2019年）进行评估，因为降水分位数估计是使用短降雨时间序列获得的。通过生成一组 10 000 个年度最大值时间序列（长度为N obs年）来量化不确定性，其中N obs是在当前和未来时期的每个时间窗口中考虑的年数，用于估计降雨量分位数。降雨分位数的增量变化是通过将给定时间窗口内的降水分位数与控制期进行比较来获得的。因此，每个重现期和情景（气候模型、RCP 和时间窗的组合）获得 10 000 个 Delta 变化值。通过分析三角洲变化的空间分布和用于确定当前情景下设计降雨量的雨量器的空间分布，计算了每个重现期和情景下Eugui大坝流域的万个降水平均值，复制了隆皮等人。（引文2021）。

使用 Lompi等人运行的模拟来训练支持向量机来重现 RIBS 模型的性能。（引文2021）以避免需要完全分布式水文模型来模拟 5 040 000 个事件的长时间计算。因此，考虑到上面生成的降水值，每个重现期和场景都会获得 10 000 个峰值流​​量值。

4 个结果
本节介绍了应用于 Eugui 大坝案例研究的方法的结果。观察数据的统计分析结果如第 4.1 节所示；未来获得的水库水位和洪峰流量见第4.2节；水库最高水位变化的结果见4.3节。最后，第 4.4 节给出了包括不确定性评估的结果。

4.1 观测数据统计分析
GEV 分布函数适用于 1979 年至 2020 年期间 42 年峰值流入流量的 AMS（图7（一））。此外，当前情景下水库水位的经验分布是通过1998-2021年期间15分钟的观测获得的（图7(b））。随机过程中使用这两条频率曲线来评估当前场景中洪水事件中的最大水库水位频率曲线。

水库观测到的最大流入峰值流量为131.3 m 3 /s。与100年、500年和1000年重现期相关的流入峰值分别为170.9、245.8和285.1 m 3 /s。

水库水位在 615 至 626 m asl 之间波动。然而，水库水位为 620 m asl 的超标概率约为 90%。此外，溢洪道坝顶高程（625 m asl）水位的EP为29%。记录的最大水库水位为 627.5 m asl，因此，在观测期间与闸门上肢相关的水位 (628 m asl) 的 EP 为零。

4.2 未来水库水位及洪峰
HBV 模型在 Eugui Dam 流域经过 13 年（2008-2021）的观察进行校准。图8显示了 2019-2022 年期间的结果。使用蒙特卡罗模拟考虑 11 个 HBV 模型参数的一组 20000 个随机组合。

考虑了三个未来时期——2011-2040年、2041-2070年和2071-2100年——对应于Lompi等人使用的时期。（引文2021）。初始水库水位频率曲线由 HBV 和水库运行模型的输出获得（图11）。图11显示气候变化对洪水事件开始时预计的初始水库水位的影响。预计未来水库水位将比目前情况有所下降。对于两个 RCP 中的 12 个气候模型来说，这种下降很明显，但 RCP 8.5 中的下降幅度大于 RCP 4.5 中的下降幅度。此外，RCP 8.5 的洪水峰值将随着时间的推移而增加，预计变化最大的时间是 2071 年至 2100 年的时间窗口。因此，最大的洪水事件将遇到较低的水库初始水位。

图 11 ICH-CCL 气候模型在三个时间窗口的初始水库水位和流入峰值流量频率曲线。左列显示 RCP 4.5 的结果。右列提供 RCP 8.5 的结果。每个时间窗口都用不同的颜色表示。控制时期用虚线表示，未来时期用实线表示。

4.4 不确定性评估
GEV 分布函数适合 12 个气候模型（图6）三个时间窗口（2011-2040、2041-2070）、两种排放情景（RCP 4.5、RCP 8.5）和七个百分位数（5%、10%、32%、50%、68%、90% 和 95%） ）考虑流入峰值估计的不确定性。图13显示考虑不确定性链的结果，代表七个百分位数的最大水库水位频率曲线。此外，之前获得的结果没有考虑到中所示的不确定性图12也用红点呈现。

图13强调了考虑方法中不确定性的重要性。在某些情况下，不确定性评估为在没有不确定性的情况下获得的结果提供了置信区间，并且红点与第 50个百分位数的曲线重叠，例如 RCP 8.5 的 2041-2070 年时间窗口。在其他情况下，不考虑不确定性的结果（红点）低于考虑不确定性获得的中值，通常低估了最大水库水位。例如，对于 RCP 8.5 中的时间窗口 2071-2100，在未评估不确定性的情况下获得的结果并不表明水文大坝风险增加，尽管考虑不确定性时预计会增加近 1 m。

通过结合 12 个气候模型的结果可以获得完整的概述。对于给定的场景，最大水库水位的增量变化通过中值（第 50个百分位）与控制期之间的差异进行量化（第 3.7 节）。12 个气候模型的 Delta 变化连接在箱线图中，如图所示图14。将Delta变化应用到当前情景下的最大水库水位频率曲线上，即可得到未来预计的最大水库水位（图14），提供有关最大水库水位的预期变化的信息。有关越顶概率的信息显示在表5和图15，其中 12 个气候模型、情景和时间窗的概率是从不确定性合并后的第 50个百分位数中提取的。图14（一）表明，在当前情景下，预计RP低于 1000 年的事件不会出现过高风险。对于 5 到 500年之间的RP，在三个时间窗口和两种排放情景下，第 50 个百分位的 Delta 变化表明未来最大水库水位不会发生预期变化。这是因为对于此类事件的严重程度，溢洪道闸门的运行可以将最高水位维持在 628 m asl。然而，尽管大坝运行可以将最高水位维持在 628 m asl，但流出流量仍将增加，以维持这些保护区的这一水位。与RP相关的结果存在较高的变异性2年、500年和1000年。在第一种情况下，变化是由许多情况产生的，其中最大水库水位低于 628 m asl，这是溢洪道闸门开始运行时的水位。对于重现期为 500 年和 1000 年的极端事件，变化是由高于 628 m asl 的水位驱动的，因为大坝运营无法维持这样的水位，因为溢洪道没有足够的能力来释放所需的流出流量以避免水位上升。

表5显示了每种情景中超越概率大于 10 -4的气候模型的数量。零值对应于小于 10 -4的概率，因为每个场景都以 10 000 个合成事件为特征。当前情景的溢顶概率为零，因为最极端的合成事件导致水库最大水位为 628.45 m asl，低于溢顶阈值 (628.71 m asl)。在 2071-2100 年时间窗口内，RCP 8.5 更有可能发生大坝漫溢，其中 9 个气候模型显示概率大于零。通过分析箱线图的中值可以明显看出这一点，这些箱线图将大坝漫溢概率组合在一起图15。只有 RCP 8.5 具有非零中值，特别是在 2071-2100 年的时间窗口内，此时大坝漫溢概率为 0.0016（RP  = 625 年）。

5 讨论
洪水事件开始时初始水位的下降模式图11与许多其他研究的结果一致。事实上，正如科纳帕拉等人检测到的那样，气候变暖将导致水库蓄水量减少，因为流域径流量将减少，而尤吉大坝的蒸散率将增加。（引文2020）全球。这些结果也与 Fluixá-Sanmartín等人的观点一致。（引文2019b），他在西班牙西部的另一座水坝中发现了类似的结果。在这项研究中，水库水位的下降与两个不同的驱动因素有关。首先，尤吉大坝流域的平均温度升高将增加水库的蒸散速率，减少蓄水量，并降低流域的土壤湿度。其次，流域年平均降水量减少将减少径流量，从而降低水库蓄水量和水位。此外，Eugui 大坝未来水库蓄水量的减少趋势与一些地中海湖泊可用水量的减少相一致（Bukac等，2017）。引文2017）和集水区（Iglesias等， 2017 ）引文2007）。此外，到 2100 年，全球年平均水库蒸发率预计将增加 16%（Woolway等， 2017） 。引文2020）。此外，欧洲南部的年平均水流量预计将减少（Blöschl等，2017）。引文2019）。

隆皮等人。（引文2021）发现RCP 4.5中2011-2040年时间窗口内洪水分位数的最大预期变化，此时排放峰值出现。在这项研究中，12个气候模型中的10个也显示了这种情况下最大水位的最大三角洲变化，指出了未来水坝安全与温室气体排放峰值之间的关系。然而，这个信号变得可以忽略不计（中值Unknown node type: fontUnknown node type: fontUnknown node type: font
= 5 cm）当不确定性被纳入方法中并考虑所有气候模型的集合时（图14）。事实上，在这种情况下，没有发现越顶概率增加（图15）。图12显示最大水位变化预计在 2041-2070 年时间窗口内。然而，这个结果可能只是一个异常值，代表了最大水位三角洲变化整体中的异常值（图14）和超越概率（右侧部分图15）。此外，水库最高水位的最大预期变化（右半部分）图14）预计在排放峰值时出现，即 RCP 8.5 中的 21 世纪末，此时考虑了所有气候模型和不确定性的整体。事实上，即使在两种排放情景中与最极端事件相关的三角洲变化的变异性都很明显，箱线图的中值显示仅在 RCP 8.5 中最大水库水位有所增加，特别是在 2071- 2100时间窗口，1000年一遇洪水增加了0.67 m。此外，当这种增加与当前情况下的最大水库水位相加时，可能会导致大坝漫溢。Mallakpour等人在其他案例研究中也获得了类似的结果。（引文2019 ），他发现在 RCP 8.5 中，到 2100 年，加利福尼亚州大多数水坝的水文失效概率可能会增加，但结果与 Fluixa-Sanmartin等人的观点不一致。（引文2019b），他们没有发现这种情况的明确信号，因为在这种情况下，RCP 4.5 中发现社会和经济风险的概率更高。

不确定性评估在水文大坝安全评价中具有关键作用。在不考虑不确定性的情况下进行的评估往往会低估最大水位的三角洲变化以及所有气候模型和情景中的溢出概率。这可能是由于降雨量分位数的低估以及 RIBS 水文模型的不确定性造成的，该模型往往会低估 Eugui 大坝的洪峰。因此，将不确定性包含在系数中Unknown node type: fontUnknown node type: fontUnknown node type: fontUnknown node type: fontUnknown node type: font
倾向于增加获得的结果而不考虑不确定性。

大坝上游土地覆盖的未来变化可能会影响漫溢风险，但在两种水文模型中也没有考虑这一点，因为它非常不确定。气候变化不仅影响水文峰值流量，还影响洪水量，预期变化不一定与峰值成正比（Brunner等人，2017）。引文2018年）。因此，所提出的方法的改进可以是生成水库流入过程线的随机过程线形状，以在多元框架中考虑未来的洪水量。此外，本研究提出的随机程序考虑了每年气候变化对水文大坝安全的影响，没有考虑进水峰值的季节性和水库水位频率。然而，洪水事件开始时的峰值流量和初始水库水位可能取决于季节。事实上，在旱季结束时，春末的水库水位通常高于初秋，因为部分库容用于夏季供水。所以，

所提出的方法对于使用不同水文模型的决策者也很有用。事实上，如果使用其他校准的水文模型，即使残余不确定性较高，水文大坝安全评估研究的结果预计也会相似，因为不确定性评估提供的结果接近观测结果。

最后，当使用不同的气候预测时，气候变化对水文大坝安全的影响结果可能会有所不同。在这项研究中，大多数考虑的 GCM/RCM 都表明 RCP 8.5 中 Eugui 大坝的风险不断增加，特别是在本世纪末。因此，无论考虑何种气候模型，信号（未来风险增加）似乎都是一致的，尽管变化的幅度可能取决于气候模型和所考虑的预测。在这项研究中，考虑了耦合模型比对项目第五阶段（CMIP5）的气候预测，因为它们已经被 EURO-CORDEX 计划缩小到适合于影响评估研究的小空间尺度（0.11°网格间距）。一个小河流域。现在，CMIP5 气候预测的空间分辨率高于 CMIP6 预测。我们建议未来开发和使用具有更精细空间尺度的 CMIP6 气候预测，以评估结果是否对用作输入数据的气候预测敏感。

6。结论
提出了一种评估气候变化对水文大坝安全影响的方法。使用两个水文模型以及由 12 个气候模型组成的集合提供的气候预测作为输入数据。HBV连续水文模型用于评估气候变化对水库水位频率的影响，提供未来预计初始水位的信息。采用分布式、基于事件的RIBS水文模型，将未来预期降水分位数的Delta变化转化为峰值流量分位数的Delta变化。此外，对方法中的所有不确定性来源进行了评估和整合，以获得更可靠的结果，从而提高结论的可靠性。

结果表明，气候变化将如何影响未来洪水事件开始时预期的初始水位以及预期的流入峰值流量，从而降低水文大坝的安全性。事实上，在排放量较高的情况下，预计到本世纪末，水库最高水位将出现最大的预期变化（RCP 8.5）。同时，结果表明，2040 年左右减少排放（RCP 4.5）可以如何提高未来水文大坝的安全性。气候变暖将导致水库初始水位下降，从而增加大坝的洪水导流能力，以减少流出峰值，尽管可能会影响水资源管理或能源生产。尽管如此，由于在 RCP 8.5 中，无论如何，到本世纪末，洪水泛滥的可能性都会增加，大坝管理人员将不得不调整策略来优化这种情况下的水资源管理，降低水库水位，以应对更大的风险，从而进一步影响水资源。洪水事件中水库最大水位的预期变化将导致最大出流量的变化。因此，区域和地方民防机构需要调整其当前的大坝下游应急计划，以适应新的气候变化情景。

本研究中提出的随机程序包含了不确定性的主要来源，并表明它在水文大坝安全分析中至关重要。事实上，当分析中不包括不确定性时，就会低估最大水位和漫溢概率。本研究的结果主要针对尤吉大坝，因此结论不能推广到其他大坝。然而，所提出的方法可以满足最近的大坝法规的要求，这些法规要求将气候预测纳入水文大坝风险评估分析，例如西班牙关于大坝安全的最新法规。