然而，在这个概念验证分析中，我们对多模态集合中值和多模态集合第二最大值进行了分析。预测流温度和滞后输入变量之间的函数关系可以写成Tstream projected（t+l）=f（Tstream projected（t-z1）、rldscs（t-z2）、rsdscs（t-z3））（3）26！式中，l是预测提前期；z1、z2、z3分别是预测值取0、1和2个月的时间滞后；t表示历史流温度的当前时间步长。我们使用10年（1998-2007）的数据来训练模型，并使用5年（2008-2012）的数据来验证模型。使用纳什-萨特克利夫效率（NSE）指数和皮尔逊线性相关（r）评估不同预测集的性能。表2.2显示了在Lee’s ferry科罗拉多河，使用气候模型的多峰中值作为预测因子，在培训和验证阶段，基于SVR的河流温度模型的性能。模型4表现最好，因此，对于后续分析，我们使用当前和滞后空气温度作为预测值。

表2.2不同SVR模型的性能。模型预测训练测试NSERNSERModel-1tair（t）、tair（t-1）、tair（t-2）、rldscs（t）、rldscs（t-1）、rsdscs（t）、rsdscs（t-1）0.5050.7120.2520.601Model–2tair（t）、rldscs（t）、rsdscs（t）0.4340.6590.4040.680 Model–3tair（t）、tair（t-1）、rldscs（t）0.4300.6560.2880.Model–4tair（t）、tair（t-1）、rsdscs（t-1）、IOPR（t）0.39640.5110.641（（））（））==-- -∑∑,（]，1NSE∈-∞, 其中O=观察值，P=预测值，NSE<0，表示剩余方差（分子）大于数据方差（分母）；选择气候模型的集合中值（只有一个初始条件运行）作为预测因子；带有bes t性能的MO del w以粗体标记。图2.11显示了科罗拉多河流域Lee’s ferry美国地质勘探局站验证阶段观测到的溪流温度、海流温度和滞后空气温度。除2011年外，标准化的气流温度时间序列密切跟踪不同时间滞后的环境空气温度。2012年溪流温度的突然上升可能是由外生因素造成的，而气温并没有完全捕捉到外生因素。图2.12显示了验证阶段美国地质勘探局（USGS）不同测流仪位置的观测和预测流温度的时间序列。目视检查证实回归模型的性能令人满意。27!!                                                                                ! 图2.11科罗拉多河Lee’s渡轮站验证阶段观测到的溪流温度、当前温度和滞后空气温度图2.12不同仪表的溪流温度模拟验证结果。

气候模型的集合中值用作基于SVR的回归模型的预测值。我们通过绘制纳什-萨特克利夫直方图，评估了多模态集合（MME）中值和MME最大值（集合第二最大值由所有气候模型组合和给定排放情景初始条件的第80百分位值定义）的性能效率指数如图2.13所示。上课频率为28次！接近1的直方图（皮尔逊相关性）的MME中值约为15，而MME最大值约为11。在预测能力方面，多峰中值表现更好；因此，在后续分析中，我们使用MME中值作为开发回归模型的预测因子。图2.13验证阶段（2008-2012年）184个流量计中基于SVR的模型的性能直方图，通过不同的性能指标进行分析。图2.14显示了基于SVR的模型在预测验证阶段的最高流温和相关偏差方面的性能的空间分布。我们假设未来时期缩减的GCM产出中的偏差与历史时期（2008-2012）类似。在太平洋西北部和大平原及美国东南部，观测到河流温度的负偏差，表明模型低估了最大河流温度。然而，在大多数地方都发现了积极的偏见。

在蒙大拿州迪尔洛奇县的美国地质勘探局测流仪位置，观测到了河流温度的最大负偏差（-1.9°C），而在华盛顿州斯卡曼尼亚县的测流仪中，观测到了最大正偏差（9.5°C）。29!!                                                                                ! 图2.14验证阶段观察到的与预测的最高流温和相关偏差（预测-观察到）。在预测气流温度时，考虑了偏差。30!!                                                                                !第3章：未来水资源可用性和温度3.1水资源可用性的降低3.1.1 CMIP5模型在模拟当前淡水资源可用性方面的性能首先，我们评估了分析中考虑的三个CMIP5 GCM的性能，以评估它们在多大程度上能够模拟淡水的空间格局（P-E），而不是可用淡水的观测估计。在美国，存在网格化的降水观测数据，但没有可靠的蒸发蒸腾观测数据集。当观测数据不可用时，为了根据过去的气候学评估模型的性能，我们使用再分析4数据，这些数据通常被用作实际观测的代理。

图3.1 2010年气候模型和时代过渡期淡水的空间格局这里我们考虑了第三代（最新一代）再分析产品，即观测受限的欧洲中期天气预报中心！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！4再分析数据集是通过在整个分析期间使用相同的气候模型同化（“输入”）气候观测来创建的，以减少建模变化对气候统计的影响（Sour ce:http://www.esrl.noaa.gov/psd/data/gridded/reanalysis/)31!!                                                                                !（ECMWF），ERA Missional（Dee等人，2011），作为比较模型过去性能的参考数据集。根据ERA中期再分析数据和三个气候模型的一个初始条件（r1i1p1），计算每个网格点的五年气候平均值（2008-2012年）和当前淡水可用性，然后使用ArcGIS进行空间插值，以获得县级估计值。图3.1显示了2010年代（2008-2012年）气候模型和中期ERA得出的淡水可用性的空间格局。再分析数据描述了中西部的干燥模式和太平洋西北部小区域的湿润模式。在许多地区，淡水的空间格局在年代和气候模型上有所不同。图3.1中可以观察到一些地区淡水估计值的模型间差异，如MIROC5模型模拟的美国东北部相对潮湿的模式。3.1.2水有效性绝对变化指数（WAACI）我们使用水有效性绝对变化指数（WAACI）量化水压力。

在每个网格点计算WAACI，然后使用ArcGIS进行空间插值；该指数既考虑了气候模型的供水，也只考虑了城市供水的需求。WACCI是针对气候模型和初始条件的多种组合进行计算的，但这里我们展示了两种情况：MME最小值（气候模型和初始条件的所有可能组合中的第二个最小值）和MME中值。图3.2显示了2010年代（2008-2012年）气候模型MME最小值和MME中值的WAACI空间分布。我们考虑了RCP8下气候模型的降水和蒸发数据。5温室气体排放情景。MME minimum预测了大部分地区的干燥趋势，而MME Medium显示了南部地区（德克萨斯州和俄克拉荷马州的大部分地区）、佛罗里达州部分地区和西南地区的干燥模式。然而，在这两种情况下，显著的干燥条件（WAACI≤-在加利福尼亚州沿海地区，300万Mgal/年）是显而易见的。加州人口的增加进一步加剧了水资源紧张，2010年洛杉矶县的人口最多（超过900万）。32！图3.2 2010年代两种情况下的水资源可利用度绝对变化指数（WA AC I）（I）多模型最小值和（ii）多模型中位数集合3.1.3气候模型中水资源可利用度估计的不确定性和图3.1中P-E估计的初始条件运行，我们观察到，在2010年代，仅在三个模型和一个初始条件下，淡水的空间格局存在模型间差异。

这促使我们进一步研究在未来几个时期内，从多个气候模型和多个初始条件估算淡水的不确定性。有很多方法可以量化不确定性；在这里，我们仅限于通过目视检查不同模型的空间地图和相应的初始条件运行进行定性比较。图3.3显示了RCP8的三个气候模型（CCSM4、GISS-E2H和MIROC5）和两个初始条件运行（r1i1p1和r2i1p1）在预测的五年段（2020年：2018年至2022年、2030年：2028年至2032年、2040年：2038年至2042年）中淡水可用性的年平均变化的空间变异性。5温室气体情景。在图3.3中，我们显示了淡水（P-E）相对于过去估计（2010年：2008-2012年）的变化；i、 例如，对于2020年代，我们通过计算2020年代和2010年代的5年平均P-e差值，计算每个网格点的P-e变化。我们可以通过多种方式来看待结果。对于给定的初始条件（如r2i1p1）和一个时间段（2040s），我们可以看到许多地区P-E空间变异性的模型间差异。事实上，差异跨越了33！模型和初始条件如此反差，以至于在同一地区，我们既有干燥模式，也有湿润模式。这推动了进一步的研究，质疑应该使用哪种模型和初始条件组合来评估处于风险中的发电量。图3.3不同模型和初始条件下的淡水可用性变化这些组合中的每一个都代表了合理的未来情景，所有这些都应在分析中加以考虑。

在这项概念验证工作中，我们刚刚考虑了三种气候模型34！两个初始条件；然而，综合分析应包括CMIP5档案中提供的所有气候模型、所有初始条件和所有温室气体排放情景。WAACI估计中模型和初始条件之间的不确定性接下来，我们来看一下2030年代和2040年代MME最小值和MME中值的WAACI指数估计，如图3.4所示。我们可以观察到许多地区的缺水加剧。由于温室气体情景（RCP2.6与RCP8.5）导致的径流估计的不确定性。图3.5显示了2010年代（2008-2012年）MME最小值的两种温室气体排放情景（RCP2.6和RCP8.5）的淡水可用性估计。我们观察了中西部、墨西哥湾沿岸和西南地区的干燥模式，以及图3.4 WAACI中的湿模式，在使用集合MME最小值和MME中值东北和沿海西北地区计算的预测时间窗口内。根据RCP8。5种情况下，与RCP2相比，干燥模式下的面积较大。6.图3.6显示了预测的2030年代和2040年代MME最小值淡水的空间分布。图3.7显示了P–E35的变化！从20世纪30年代到20世纪40年代，再到2010年代。在五大湖和中部地区观察到RCP2的干燥模式。6与RCP8的湿模式相比的排放情景。5.图3.5 RCP2 2010年径流的空间分布。6和RCP8。5.注：对于RCP2。6，气候模型GISS-E2H只有一个初始条件运行。

图3.6 RCP2中2030年代和2040年代径流的空间分布。6和RCP8。536!!                                                                                !  图3.7 RCP2中2030年代和2040年代径流的空间分布变化。6和RC P 8.5预计时间段内WAACI的不确定性也对未来两个时间段（2030和2040）的WAACI进行了类似的视觉比较，如图3.8所示。在墨西哥湾海岸、西南部和德克萨斯州的几个县观察到RCP8的干燥模式。5.例如，根据RCP8，到2040年，缺水风险相对增加。5是1.31%。两种温室气体排放情景的WAACI变化分析如图3.9所示。如图3.9.37所示，在两种情况下，我们观察到一些县的干燥（湿润）模式存在显著差异！图3.8 RCP2中多峰最小集合净水可用性（可用淡水-需求）预测的空间分布。6和RCP8。5图3.9 RCP2预测的2030年和2040年期间净可用水的变化。6和RCP8。5排放情景WAACI（百万加仑/年）ΔWAACI（百万加仑/年）38！3.2溪流温度的增加3.2.1历史溪流温度的趋势水温也会影响发电；高温下的水会降低发电厂的效率。我们想研究未来在气候变化下，溪流温度将如何上升。如上所述，我们开发了基于历史河流温度和气候模型数据的非线性回归模型，以预测水温。

在我们研究预计溪流温度的趋势之前，我们对历史溪流温度进行了非参数趋势分析（温度升高与降低），以获得对水质空间模式的一些事先了解。我们使用Mann-Kendall检验对关系和自相关进行校正，以进行趋势分析。图3.10显示了美国地质勘探局（USGS）测流仪位置的历史溪流温度和发电厂容量的趋势性质（向上与向下）。图3.10蒸汽温度和更高容量湿冷发电厂的趋势。对于单个站点，分析趋势的时间段可能不会相互重叠。圆形和三角形表示pow e e r plan ts和strea m gau g es的空间位置。圆圈和三角形的大小（和阴影）与电厂容量和趋势的大小成正比。39!!                                                                                !图3.10中绘制了矩形框的增加和减少趋势区域。在几个地方，观察到统计上显著的增加趋势（10%显著性水平）。表A5总结了具有增加和减少趋势的州和县的列表。3.2.2预计溪流温度的趋势接下来，我们来看一下20世纪30年代（2028-2032）和20世纪40年代（2038-2042）预计溪流温度的趋势。如第2章所述，使用支持向量回归法计算未来时间段的河流温度。图3.11显示了20世纪30年代和20世纪40年代经偏差校正的最高河流温度的空间分布。

在南部地区（得克萨斯州、路易斯安那州、堪萨斯州和俄克拉荷马州）、墨西哥湾沿岸（佛罗里达州、乔治亚州、南卡罗来纳州、北卡罗来纳州）和西北部（俄勒冈州）观测到超过30°C的溪流温度。图3.11预计时间窗口内的最高气流温度此外，我们还调查了2040年代与2010年代相比最高气流温度的变化，如图3.12（a）所示。未观察到气流温度的统一趋势。在图3.12（b）中，我们还显示了2040年代最高气流温度随背景气温的变化，以查看空气和气流温度之间是否存在正相关关系。40!!                                                                                ! 图3.12 m最大气流温度变化的差异（2040年与2010年）（a）；与（a）中的相同，但在第41节中的区域空中交通管制处！第4章：风险发电4.1风险发电2030年代和2040年代，我们通过汇总WAACI指数为负值且溪流温度高于EPA规定阈值（表A4）的县内所有发电厂的年产能，评估了风险发电总量。在20世纪30年代，我们评估了两种情况下的发电风险——最小MME和中值MME，在20世纪40年代，仅评估最小MME。我们使用MME中值建立了平均空气温度和气流温度之间的回归关系。最高溪流温度是从预计的月平均溪流温度序列中获得的。图4.1和图4.2显示了20世纪30年代（2028-2032）和20世纪40年代（2038-2042）面临风险的总发电量。如图4.1所示，美国西南部的发电厂。

佛罗里达州面临缺水问题（红色框中突出显示）。在美国南部，如南卡罗来纳州、路易斯安那州和得克萨斯州，几乎没有证据表明水资源短缺，暖流温度超过了EPA的限制。图4.1湿冷热电机组水资源利用率降低和蒸汽温度升高导致的总发电风险2 0 3 042！在2040年代，多个水位计位置很可能超过EPA规定的水温阈值，如图4.3所示。然而，一个直观的对比显示，20世纪40年代缺水和高温的综合影响与20世纪30年代相似。表A6总结了最有可能超过EPA水温规定的县列表。图4.2由于水的可用性降低和蒸汽温度升高导致的w e t冷却热电冷机组发电总风险2 0 4 0。利用WAACI指数来确定水压力，WAACI指数是使用气候模型的集合最小值来确定的。图4.3显示了在2030年代和2040年代，WAACI指数预计为负值的县，湿式冷却发电厂面临风险的总发电量的年趋势。在这里，我们计算水分胁迫，同时考虑气候模型集合的MME中值和MME最小值。

在过去几十年中，暴露于水压力下的发电厂的总容量呈现出总体增长趋势。43!!                                                                                !      图4.3 WAACI与美国内陆地区缺水县湿冷热电厂总容量的对比图。阴影区域显示了发电厂容量的±1标准偏差（σ）（最小值为p pa ne l，最小值为MM E）。D-o-tte D线描绘了水压力44！第5章：结论与讨论我们对湿冷热电厂因水分胁迫而面临的发电风险的一阶估计进行了初步调查。该分析主要针对未来30年内的多个5年时间窗口，以县为单位对美国大陆进行分析。在水资源利用率（WAACI）指数为负值且溪流温度高于EPA规定的阈值的地方，通过汇总发电厂的总容量，对处于风险中的总发电量进行量化。在本章中，我们简要总结了概念证明分析的局限性，总结和讨论了主要结果，并简要讨论了未来的工作。5.1仅从三个气候模型和两个温室气体排放情景（RCP2.6和RCP8.5）中考虑了未来气候数据用于估算淡水可用性（降水量和蒸散量）的概念证明的局限性；然而，大多数分析仅使用RCP8进行。5.o为了考虑气候内部可变性带来的不确定性，我们只考虑了两种初始条件下的气候数据。

o将来自每个气候模型原生网格的降水量和蒸散量数据双线性插值到一个公共网格，即2度空间分辨率，以估计区域尺度上的淡水可用性。根据每个网格点的降水量和蒸散量之间的差异来估计水的可用性，然后在ArcGIS中进行空间插值，以得到县级的估计值。在这里，我们使用了一种简单的双线性插值方法来估计区域水资源可用性；通过执行缩小规模的数据（下文讨论），可以获得更稳健的估计。o未来的水需求仅考虑市政和国内公共供应；其他部门的需求假定为不变。未来的水需求量是使用预计的人口数据和人均用水来估计的。根据2010年美国人口普查人口数据和年平均增长率预测未来人口。o对于气流温度预测，采用缩小尺度的气温数据作为预测因子，开发了一种非线性回归方法。外源基因的影响45！未考虑人为变化或污水排放等因素。o通过将水压力指数为负值且水温超过EPA规定阈值的所有县的发电装机容量相加，估算出有风险的发电量。结合水资源短缺和溪流温度趋势以及空间附近发电厂的容量，进行视觉风险分析。

o我们没有用水文模型验证我们的结果；是估算水压力（例如水平衡水文模型的应用）还是估算河流温度（基于热传导方程的数值模型的应用）。o我们提出了水压力的一阶估计，将地表水可用性/径流近似为降水量和蒸发量（来自下垫面和植被）之间的差异。然而，不考虑在热电冷却中提取替代水源，如地下水、脱盐海水。5.2概念验证的结果摘要本研究的主要发现总结如下：o首先，我们将2010年代三个气候模型的淡水估计值的空间模式与参考数据ERA Missional进行了视觉比较。我们观察到，在气候模型和再分析数据之间，以及在某些情况下，模型本身之间，几个地区的淡水估计值存在显著差异。一些地区的模型间差异在符号上完全相反；i、 例如，一个模型显示了某些区域的干燥模式，而另一个模型显示了同一区域的湿润模式（图3.1）。这些对比和相反的结果为使用多个气候模型（可能来自CMIP5存档中可用的所有气候模型）的数据进行分析提供了依据。o我们定义了一个基于水供应和水需求（仅考虑市政公共和家庭供应）的指标WAACI，以量化水压力。我们计算了县尺度的MME最小值和MME中值，以获得水压力的平均和最坏情况估计。

中西部和西南部的大部分地区都面临水压力，而太平洋西北部和东北部的一些地区则有多余的水（图3.2）。o我们检查了根据倍数46估算淡水的不确定性！模型、初始条件和2020年代（2018-2022）、2030年代（2028-2032）和2040年代（2038-2042）温室气体排放情景的组合，如图3.3-3.9所示。不确定性分析主要限于通过空间地图的视觉比较进行定性评估。尽管在少量模型、初始条件和温室气体情景组合中观察到了广泛的不确定性，但我们需要进一步探索模型、初始条件和排放情景的所有合理组合中的不确定性。o我们开发了非线性回归模型来预测未来的河流温度。大多数地区的气温都呈上升趋势。预测期间和当前期间的最高溪流温度之间的差异表明，美国东北部许多地方的溪流温度降低，而美国西北部和墨西哥湾沿岸地区的溪流温度升高。o我们的分析表明，在短期内，毗邻美国的200多个县可能在未来30年面临缺水问题。此外，我们注意到，在20世纪30年代，超过五个县和20世纪40年代的十个县的水位计显示水温显著升高，超过了EPA规定的限值。

通过将发电厂的位置与水资源短缺和水温的空间地图进行叠加，我们发现南卡罗来纳州、路易斯安那州和德克萨斯州的发电厂最有可能受到气候驱动的压力的影响。5.3关于概念验证热电厂的讨论产生了约91%的美国总发电量，并占了约40%的取水量（Cooperman等人，2012年），这是所有行业中最高的。用于蒸汽冷凝的冷却水约占发电厂总用水量的98%（EIA，2013），并且根据燃料来源、发电技术、所用冷却系统以及其他气候和外部因素而有所不同（Macknick等人，2011年；Stillwell等人，2011年）。之前的研究（King and Webber，2008年；Roy et al.，2012年；Sovacool and Sovacool，2009年）表明，美国许多地区的热电厂发电存在风险，主要是因为气候变化和多部门需求导致淡水供应减少。这些研究大多是基于老一辈气候模型的数据，并与之相关47！温室气体排放情景，未考虑气候内部变化。此外，这些研究侧重于从大陆到全球的范围，以及从本世纪中期到末期的时间范围。此外，之前没有研究过低流量和蒸汽温度上升趋势对发电的综合影响。

夏季溪流流量的减少会导致溪流温度进一步升高，因为低流量会降低水的热质量，导致溪流比高流量下加热更快。气候变化和人口增长对水-能源关系问题的影响以前已经被研究过。这里的一个根本区别是以5年为增量考虑十年（30年）时间范围。这与大多数之前工作（Blanc等人2014年；Hejazi等人2014年；Roy等人2010年）中的世纪中后期规模预测形成对比。两个因素的结合，特别是（a）相对于变暖趋势，气候中的“深层不确定性”占主导地位，以及（b）利益相关者相对短期的需求，使我们的问题具有挑战性和紧迫性。我们进一步注意到，虽然30年通常被认为是适合评估平均气候学的时间尺度，但对于多个利益相关者来说，规划期限的典型长度也是30年。根据ARPA-E建议，我们计算了未来30年（2010-2040年）多个5年时间窗口内县级GCM的淡水可用性。在这些十年到几十年的时间范围内，内部变化（由于地球系统初始条件的微小差异而产生的不确定性）主导着模型不确定性（由于缺乏对物理学的理解而产生的不确定性）和情景不确定性（由于对未来温室气体排放量的了解不足而产生的不确定性）。这就要求我们不仅要从多个模型中考虑气候变量，还要从一系列初始条件中考虑气候变量。

我们不知道有任何关于水-能源关系问题的研究，其中考虑了来自多个初始条件的气候数据，以评估处于风险中的发电量。我们只知道一项研究考虑了水温对发电的影响（van Vliet等人，2012年）。在这项研究中，他们使用基于确定性模型的水文分析计算了本世纪末30年期间的水温变化。在这里，我们开发了一个基于缩小尺度的气候变量的非线性回归模型，以预测未来30年河流温度的变化。然而，在这项初步调查中，我们没有探索所有气候模型和初始条件组合的数据。48!!                                                                                ! 另一个重大挑战是获得发电厂规模的供水和水温的可靠估计。CMIP5气候模型的数据可以在110公里左右的空间分辨率下获得——比水库的大小大得多。进行统计降尺度，将气候数据从较粗的分辨率降到局部尺度，以进行影响评估。我们在这项工作中没有进行统计降尺度以估计淡水可用性，但我们将在未来的工作中探索这一选项；然而，缩小规模的代价是增加了额外的不确定性。除了温度和降水量，现有文献中对其他气象变量的统计降尺度知之甚少，因此，在估算水资源可用性时，我们必须谨慎地降尺度蒸发蒸腾量。

仍然可以从气候模型中对区域范围内的供水进行可靠估计，以便在总体水平上了解发电风险；然而，需要在局部范围内预测溪流温度（最好靠近水库取水位置）。目前，我们已经开发了基于非线性回归的模型，以平均气温作为预测因子来预测气流温度；我们可以改进预测器的选择，并扩展预测器列表。另一个挑战是估计多个部门未来的水需求。目前，我们只考虑了市政生活用水和生活用水的未来需求。在未来的工作中，我们还将预测其他部门的需求。尽管存在这些技术挑战，我们已经证明了如何进行风险评估以量化未来30年处于风险中的电力生产的概念证明。我们建议在现有分析的基础上，对存在风险的电力生产进行稳健评估。然而，正如上面所讨论的，我们在几个强有力的假设下给出了我们的结果。这一概念证明展示了如何以全面的方式应对这些挑战。该研究应进一步扩展到全面、一致的情景分析，包括极端情况的变化及其对电厂需水量的潜在影响，以及相关的成本效益权衡。5.4未来工作现有分析可以通过多种方式扩展，以评估因水压力而面临风险的现有发电厂的发电量。我们建议采取短期和长期的解决策略。

我们可以使用49进行即时分析！本概念验证中使用的方法和工具有效，但考虑了来自多个模型（CMIP5档案中超过30个GCM）、所有温室气体排放情景（4个RCP）和初始条件（所有GCM和4个RCP超过300个）的一组扩展的未来气候数据。在扩展分析中，我们还将估计其他部门的未来用水需求。我们正在开发一种基于统计的方法，以描述不同的不确定性来源，以便分别研究模型不确定性、情景不确定性和内部变异性对电力生产的影响。我们已经在下一章中详细讨论了解决策略，内容涉及挑战和前进方向。50!!                                                                                !第6章：挑战和未来之路6.1挑战我们的分析表明，由于淡水供应减少和溪流温度升高，美国某些地区的热电厂发电面临风险。考虑到未来电力需求将增长，气候变化和人口增长等因素极有可能会加剧已经受水压力影响的地区的问题。在美国，2007-2008年温暖干燥的夏季，由于冷却水不足和热水排放的环境法规（NREL，2011；NETL，2009），几家发电厂不得不降低装机发电能力，并关闭几天。有人担心，这些事件在未来可能会变得更加频繁、激烈和广泛。

最新一代气候模型和观测数据集显示，平均气温明显上升（IPCC，2013），这对可用水资源有直接影响。在这里，我们强调了在后续工作中应解决的主要挑战，以便对未来由于气候变化和可变性而导致的能源部门的脆弱性进行强有力的评估。o空间分辨率：当前一代气候模型的数据不可靠，无法在与电厂运行相关的空间尺度上进行影响评估。为了克服这个问题，从GCMs中对大气变量进行降尺度，以获得区域或局部尺度的天气和气候。文献中广泛讨论了两种缩小规模的方法——统计5和动态6；在区域尺度上缩小气候模型的输出会带来额外的不确定性。由于其物理一致性和可解释性，动态降尺度通常优于统计降尺度。然而前者的计算成本很高（即使在美国的一个小地区进行分析，通常也需要很多天，有时需要几个月），而且往往无法捕捉气候遥相关（Boulard et al.，2013；Hudson and Jones，！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！5在统计道琼斯标度中，在历史条件下，大尺度变量和区域/局部变量之间的统计关系是从m个观测值发展而来的；随后，来自气候模型的数据被用作输入，以获得相应的区域/当地气候。

6.在动态降尺度中，以更高的空间分辨率运行区域气候模型（RCM），进而可以更真实地模拟局部条件。RCM受感兴趣区域边界处的全球环流模式（GCM）约束。动态道琼斯指数标度比统计道琼斯指数标度更昂贵。51！2002). 此外，最近的研究甚至质疑区域气候模型（RCM用于执行动态降尺度）相对于全球环流模型（GCM）的附加值（Kerr，2013；Racherla等人，2012）。另一方面，统计降尺度技术在计算上相对便宜，并且基于密切相关的大气变量之间的统计关系。然而，统计尺度的缩小不一定能保证变量之间的物理一致性，在非平稳气候中，这些关系可能会发生变化（Milly et al.，2008）。在未来的工作中，我们将使用统计降尺度技术和最新的方法学进展来估计区域水资源可用性和溪流温度。o多部门用水需求：在目前的工作中，我们只考虑了一个部门（市政公共用水和生活用水）的未来用水需求，我们假设其他部门（农业、工业、采矿、畜牧和水产养殖灌溉）的用水需求不会改变。在未来的工作中，我们将考虑多个部门的用水需求。o内部可变性：预测气候变量的不确定性主要来自三个来源：模型不确定性、情景不确定性和气候内部可变性。

模型的不确定性源于我们对物理学的理解不足和对大气过程不完善的数值模拟。对未来温室气体排放量的了解不足导致情景不确定性。对地球系统变量初始条件的敏感依赖，加上地球系统不同组成部分之间的非线性耦合相互作用，导致了气候内部的变异性。不同的不确定性来源在不同的时间尺度上占主导地位；然而，特别是在十年到几十年尺度（0-30年），内部变异性和模型不确定性主导了情景不确定性（Stocker等人，2013）。在区域到局部的空间尺度上，内部变异的主导地位更加明显。在这里，我们通过第一工作组（Kirtman等人，2013年）的IPCC第五次评估报告（AR5）中的一些例子来说明它们的重要性和作用。图6.1说明了预测全球平均温度的不同不确定性来源的相对重要性；可以观察到，在20世纪40年代之前，内部变化主导着模型和情景的不确定性。图6.2显示了total52的分数！在多个空间尺度（全球、欧洲和东亚）上解释季节（12月、1月、2月和6月、7月、8月）和十年平均温度和降水量的方差。

其中一些关键点是：（1）短期预测中的不确定性主要由内部变率和模型不确定性决定，（2）内部变率在更小的空间和时间尺度上变得越来越重要，（3）对于降水预测，情景不确定性不那么重要，内部变化通常比气温更重要。在后续工作中，我们将包括来自CMIP5档案的所有初始条件的数据，因为它们都代表了未来可能的气候状态。图6.1根据对CMIP5结果的分析，气候预测的不确定性来源与交付周期的函数关系。全球十年平均地表气温到2100年的预测，以及内部变率（橙色）、模式传播（蓝色）和RCP情景传播（绿色）的定量比率。（来源：IPCC AR5第一工作组报告，图11.8，第97页）o模型不确定性：我们在上一节讨论了模型不确定性，并通过图6.1和6.2说明了它们的重要性。这里我们展示了53个例子！通过我们之前关于淡水可用性的工作，对模型不确定性进行了分析，包括内部可变性。图6.3显示了6个气候模型的P-E空间模式的差异，包括MME平均值（上图）和一个模型CCSM4（下图）的三个初始条件下的降水量和温度。

图6.2（a）全球十年平均温度和年平均温度，（b）欧洲（30°N至75°N，10°W至40°E）十年平均冬季（12月至2月）温度的各不确定度来源解释的方差分数，（c）东亚（5°N至45°N，67.5°E至130°E）十年平均（6月至12月）降水量和（d）欧洲十年平均冬季降水量。（来源：IPCC AR5第一工作组报告，图11.8，第979页）。在图6.3的顶部面板中，我们观察到CCSM4、FGOALS-S2、MIROC-ESM和MME平均值在太平洋西北部的P-E中显示干燥模式，而GISS-E2显示干燥模式。类似地，FGOALS-S2显示了东北地区的干燥模式，而包括MME在内的其他模型显示了湿润模式。在图6.3底部面板的顶行（对于same54！！！模型中的三个初始条件），我们看到了几个地区降水的相反空间模式。这些例子强调了包含多种气候模型数据的重要性。（Tebaldi和Knutti，2007年）。在拟议的工作中，我们将考虑来自所有气候模型和所有初始条件的数据。o成本效益权衡：可能更大的不确定性来源可能来自于需要纳入成本因素，这些成本因素可能是分时间段的（例如资金的时间价值，以及环境退化和对居住区的危害的社会成本），也可能是地理上不同的。

未来水压力的预测图6.3年“P–E”的十年平均值（顶部：MME平均值，7个CMIP5模型各运行一次）显示了模型响应的不确定性，而20年平均JJA降水量和温度（底部两行：3个ICR，每个ICR，每个SM4）显示了自然变异性。plo T是RCP4的。5显示2030年的负现状。Ganguly等人，2013年（未出版）55！再加上对其不确定性的评估与科学观点相关，社会生态系统恢复力降低的成本可能更难量化，有时不得不依赖一组相对主观的指标。概率风险评估的传统方法通常从“无趋势”及其可能性的零假设测试开始，很少或根本没有注意到如果趋势确实存在，我们可能会忽略它的可能性。此类统计测试的推断可能会导致I型和II型错误。传统的适应决策过程只考虑成本效益分析中的第一类错误。犯这种错误的社会后果是过度投资，在建设和维护不需要的基础设施时不必要地使用资源。相比之下，在决策过程中忽视第二类错误会导致社会对灾难性损失准备不足。基于风险的决策管理涉及在安装层面的过度投资和准备不足之间进行权衡，以制定短期和长期适应策略：告知未来的基础设施标准、设计要求和电厂可靠运行指南。

6.2未来之路我们提出了几个步骤，以现有工作为基础，通过考虑其他可能的未来场景，并通过使用改进的方法来计算与供水和溪流温度相关的指标，提取可靠的可操作见解。我们已将提议的建议分解为以下几项任务。6.2.1通过使用统计缩减数据，可以改进区域水资源可用性和溪流温度的统计缩减估计。统计降尺度的性能取决于协变量关系，在协变量关系中，更可靠的预测变量被用作预测因子，以增强对潜在气候变量的预测。这组预测因子可能包括本地和区域大气变量以及全球气候指标和振荡器。分类和回归方法的组合可以通过混合专家来增强，以分配回归关系中单个预测变量的概率（Das等人，2014）。此外，我们之前的经验表明，我们对56年的新方法数据进行了检查！基于物理指导的数据挖掘技术（Chatterjee et al.，2012；Das et al.，2014；Ganguly et al.，2014；Steinhaeuser et al.，2012，2011）的增强统计降尺度可能在这方面很有用。6.2.2不确定性表征我们将利用来自多个模型、温室气体排放情景和CMIP5档案中初始条件的气候数据，来表征淡水供应和溪流温度预测中的全部不确定性，以及随后对发电风险的不确定性。A.

模型响应：探索由于我们对物理或模型参数化缺乏了解而产生的行为范围，如通过多模态集成（MME）捕获的：1。通过贝叶斯（例如，Smith等人，2009年）、经验（Santer等人，2009年）和过程导向（Overland等人，2011年）方法将历史模型技能与MME共识相结合。2.结合物理约束（如Fasullo和Trenberth，2012；Sugiyama等人，2010）和多元相关结构（如Liu等人，2012；Tebaldi和Sansó，2009），以及新的数据挖掘方法（Chatterjee等人，2012；Steinhaeuser等人，2012，2011）。b、 自然可变性：描述地球系统的（非线性）动力学行为，如通过模型运行的多次初始条件运行（ICRs）确定的（Deser等人，2014年和2012年）：1。基于应用于综合地球系统模型（IESM）输出的混沌和信息论方法，多变量、时空聚合和不同季节或地区的可预测性界限（例如，Franzke，2012；Shukla，1998）（Branstainer等人，2012；Branstainer和Teng，2010）。2.通过非线性动力学的发展，如基于互信息的关联（如Reshef et al.，2011）和复杂网络（如Donges et al.，2009），描述非线性依赖结构的方法，包括长记忆和长程过程。总结该任务细节的流程图如图6.4.57所示！图6.4 IES M s拟议不确定度表征的组成部分、方法和任务描述流程图。

重点将放在极端天气和区域气候变化上，特别是在多模型和初始条件下运行。利益相关者将来自bo th climate（IESM）建模师或单一模型UQ专家以及自然灾害管理者。6.2.3低流量和高水流温度的综合影响发电风险可能是由于供水不足或水温过高或两者兼而有之。到目前为止，在这项概念验证分析工作中，我们主要分别研究了水应激源的影响。在拟议的工作中，我们将通过考虑供水和溪流温度的综合影响，对热点（将暴露于低流量和高温的区域）进行概率风险评估。此外，我们还将了解季节性和月度河流流量和温度。淡水的年度估算可能会隐藏夏季低流量的信息，尤其是在冬季降水量充足但夏季降水量较少的地区。58!!                                                                                !6.2.4了解发电厂属性在缺乏关于具体发电厂运行的详细信息的情况下，目前的分析主要是定性的，并给出了关于哪些现有发电厂以及有多少电力生产因水压力而面临风险的一级指示。为了进行严格的评估，我们将包括额外的数据，例如取水。NGS取水项目7（2005）讨论了取水在发电运营风险评估中的重要性，该项目指出，在低流量期间取水是一个严重问题。