基于NEX-GDDP数据集的青藏高原牧区雪灾风险预估*

陈虹举，杨建平，丁永建,2,4，贺青山,3，冀 钦，王彦霞,3，唐 凡,3，葛秋伶,3

(1.中国科学院西北生态环境资源研究院 冰冻圈科学国家重点实验室，甘肃 兰州 730000；
2.中国科学院西北生态环境资源研究院 内陆河流域生态水文重点实验室，甘肃 兰州 730000；
3.中国科学院大学，北京100049；
4.中国科学院大学 资源与环境学院，北京 100049)

青藏高原是我国高寒畜牧区。高亢的地势、严寒的气候、冰川、冻土、积雪等共存的生态环境形成了较为独特的牧业经济的本底资源，作为区域经济体的重要组成部分，也使其直接暴露于冰冻圈环境之中。青藏高原高寒草地生长季节短，草地生产力与承载力较低[1]，加之牧民世代放牧为生，受教育水平低[2]，致使畜牧业经济这一承险体脆弱且适应能力较低，极易受到积雪灾害影响。该青藏高原高寒牧区雪灾过程表现为：积雪过厚，牧草被大雪掩埋，靠牧草为生的家畜因吃不到草，冻饿而死[3]。因而雪灾风险评估成为青藏高原灾害防治中必不可少的一项基础性工作，特别是准确的预估未来青藏高原雪灾风险对当地政府和社会科学准确地指定防灾措施、及时开展雪灾紧急援救以及灾害恢复有着重要指导作用。

国内外学者针对牧区雪灾研究可以分为以下几个方面：①雪灾危险性研究，KlUVER[4]利用历史气象资料分析美国本土降雪频率与趋势；
李海红等[5]2006在中国牧区雪灾等级指标研究中，依据积雪掩埋牧草程度、积雪持续日数和积雪面积三个方面，将雪灾灾情分为轻灾、中灾、重灾和特大灾害四级；
巴桑等[6]基于多种源数据对西藏地区积雪变化趋势进行分析；
②承灾体对雪灾脆弱性研究，解伟等[7]通过积雪深度与牲畜死亡率之间关系，厘定了雪灾保险率；
③雪灾的适应性与灾后救援研究，赵富昌等[8]通过对青藏高原历史雪灾分析，提出如何合理载青藏高原雪灾高风险区建立草料储备库；
赵霞[9]则利用GIS方法对锡林郭勒盟雪灾救助区进行区划；
④雪灾预警模型研究，王玮[10]结合RS和GIS对青藏高原积雪动态变化进行研究，并构建了雪灾危害等级预警模型；
⑤建立雪灾风险指标模型并对雪灾区划分析，何永清等[11]通过选取牲畜数量、雪灾次数、牧草面积、人均GDP以及牧草产量基础上对青海省雪灾风险评价并对风险区进行区划。TACHIIRI等[12]在考虑前1年NDVI和社会普查牲畜死亡量基础上，通过树形结构模型对蒙古雪灾风险进行研究。总体来说，牧区雪灾作为多因子气象灾害，危险性程受多种因素影响，如积雪深度、积雪持续时间、积雪覆盖范围、积雪时候的气温以及风速等，因此其识别难度大。雪灾脆弱性研究中只考虑雪灾危险性的一种因素与牲畜损失建立关系，其结果并不能够反映牲畜脆弱性。且目前对雪灾的研究是集中于历史时段以及未来短期预警研究，对未来牧区长期的雪灾风险定量预估涉及较少。

因此，此次研究针对自然状况以及传统雪灾防御措施下的牲畜受灾状况，定量预估未来RCPs情景下牧区雪灾风险。首先选取雪灾期间积雪平均深度、雪灾持续时间、雪灾期间的日最高气温均值以及雪灾期间日最低气温均值四个因子对雪灾危险度进行识别。其次建立牲畜死亡率和雪灾危险指数的脆弱性曲线关系。以NEX-GDDP数据、中国逐日雪深模拟预估数据集、牲畜统计数据以及1980年以来青藏高原草地生产力数据为数据基础，运用“风险=危险性×暴露度×脆弱性”方法[13]，对青藏高原牧区未来雪灾风险进行预估。其中NEX-GDDP数据是由美国航空航天局2015年发布的首套基于CMIP5的多模式高分辨率数据集NASA Earth Exchange/Global Daily Downscaled Projections(NEX-GDDP)，它利用统计降尺度方法，将21个CMIP5模式模拟得到的历史时期(1950—2005年)和两种情景下(RCP4.5和RCP8.5)预估时段(2006—2100年)的逐日降水、最高气温和最低气温数据转换成0.25°×0.25°空间分辨率[14]。

1.1 数据及其来源

中国逐日雪深模拟预估数据集：该数据是以NEX-GDDP数据集为依托，利用人工神经网络模型模拟获取，包括基准时段(1986—2005年)、未来预估数据(2016—2065年)两个时段，RCP4.5和RCP8.5两种气候情景的逐日雪深数据，空间分辨率为0.25°×0.25°。数据来源于国家青藏高原科学数据中心(DOI:10.11888/Snow.tpdc.271636.CSTR:18406.11.Snow.tpdc.271636)。

NEX-GDDP数据集：该数据包括基准时段(1986—2005年)和未来预估数据(2006—2100年), RCP4.5和RCP8.5两种情景的逐日降水、最高气温和最低气温预估数据，空间分辨率为0.25°×0.25°，数据地址为https://nex.nasa.gov/nex/projects/1356/。

1980年以来青藏高原草地生产力数据(莫兴国)：该数据是将NPP换算为干物质，再根据根冠比估算了干草产量，空间分辨率1 km×1 km，数据来源于国家青藏高原科学数据中心DOI:10.11888/Ecolo.tpdc.270430。

统计年鉴数据：甘肃、青海、云南、新疆、四川以及西藏地区市级统计年鉴，时序1986—2005年，此次研究摘录了县级行政单元内牧区各种牲畜数量数据。

中国雪深长时间序列数据集：该数据集是以遥感数据为基础反演获取，其包含1978年10月24日到2012年12月31日逐日的中国范围的积雪厚度分布数据，其空间分辨率为0.25°×0.25°。数据来源于国家青藏高原科学数据中心[15](2019)(DOI: 10.3972/westdc.001.2014.db)。

气象灾害统计数据：气象灾害统计数据来自于各省的气象灾害大典[16-19]，主要记录了2000年以前发生的气象灾害资料，文中统计了雪灾导致青藏高原各地区牲畜死亡数量。

站点气象数据：文中使用了青藏高原范围内的地面气象台站数据，其包括日最高气温、日最低气温和积雪深度数据，来源于国家气象科学数据中心(http://www.cma.gov.cn/)，时间序列为1986—2005年。

1.2 研究方法

1.2.1 中国逐日雪深模拟预估数据集对青藏高原降雪模拟能力评估方法

中国逐日雪深模拟预估数据中不同模式雪深的模拟结果在同一区域精度差异较大，为了明晰此次模拟数据和遥感模拟逐日雪深数据差异，文中在青藏高原区域对模拟的不同模式下雪深数据与站点观测雪深数据进行比较分析，同时为了比较用模式模拟的雪深数据和应用广泛的遥感模拟雪深数据差异，因此文中加入了中国雪深长时间序列数据集进行对比。评估数据所选择时间段为1986—2005年。具体过程如下：

以青藏高原内所有气象站点所在位置为基准，分别统计三种积雪深度数据的站点年累积积雪深度。然后用气象站数据作为观测值，分析其余两种雪深数据的模拟能力，评估中采用观测值和两种雪深数据的中心化均方根误差和相关系数作为统计指标，依据这两个指标的统计结果，评估两种雪深数据对青藏高原积雪的刻画能力，并评选出中国逐日雪深模拟预估数据集中最优模式。为了确定最优模式可靠性，进一步统计最优模式、站点雪深数据以及遥感反演雪深数据的所有站点逐日雪深概率密度函数，并进行比较分析。

(1)

(2)

(3)

(4)

1.2.2 雪灾危险性指数的计算方法

雪灾危险性是指不同等级降雪事件发生可能性。牧区雪灾作为多因子气象自然灾害，其危险性受多种因素影响，如积雪深度、积雪持续时间以及积雪时段内气温。对雪灾危险性识别，不仅要了解不同气象因子强弱等级，而且要明晰不同因子权重。因此，首先通过文献查阅、牧区雪灾划分等级标准[3]以及专家咨询，分析不同因子对雪灾的重要性，并进行比较，在此基础上，结合层次分析法的判断矩阵构造，设定了不同气象因子的权重(表1)。得到雪灾危险性模型：

H=0.449 2×X1+0.301 1×X2-0.100 2×X3-0.149 5×X4。

(5)

式中：H为雪灾危险性指数，X1为积雪期间积雪平均深度，X2积雪的持续时间，X3为积雪期间的日最高气温均值，X4为积雪期间日最低气温均值。其中H值越高，雪灾危险性越大。在确定雪灾危险性指数的计算方法的基础上，再利用中国逐日雪深模拟预估数据集和NEX-GDDP数据集对青藏高原区域内的雪灾危险性指数进行识别。

1.2.3 牲畜空间暴露量网格化方法

牲畜暴露量是指在孕灾环境中可能受雪灾影响并产生损失的牲畜数量及其空间分布。在以往自然灾害损失评估中，承载体的空间展布大多是以行政单元进行，认为承载体在行政区内是均匀分布，而忽略了一些因素下的承载体分布的不匀承性，如本次研究牲畜数量单位网格数量多少与各个县的草地面积以及各个网格产草量有着密切的关系，因此本次研究利用GIS技术，以栅格数据形式将牲畜的空间分布进行展示。为了与危险度网格单元一致，同样选择0.25°×0.25°网格单元。具体过程如下。

实际的牲畜空间分布：

(6)

式中：ADs为县域内所包含的某一栅格单元内的牲畜数量；
GW栅格单元内产草量；
SGW为县域内所有栅格单元总产草量；
SAD为此县牲畜实际拥有总数量。

“以草定畜”牲畜空间分布：

(7)

TLADs=TSADs×scale。

(8)

式中：TSADs为某一栅格单元内羊的承载数量；
GW为栅格单元内产草量；
scale为此县牛和羊数量的比值；
TLADs大型牲畜数量。其中羊的食草量为1.38 kg/d，大型牲畜食草量为4.5 kg/d，1年总天数为365 d，草地利用率为0.46[20]。

1.2.4 草原雪灾牲畜损失率曲线建立

脆弱性是指一定致灾因子强度下，承载体可能遭受损失的程度。而在青藏高原区域内不同雪灾发生地牲畜总数量、人口、社会经济发展水平不一，如若用绝对牲畜受雪灾损失数量来评估雪灾，其结果必定不能够真实的情况，因此此次研究选择相对损失指标“损失率”来构建雪灾的损失曲线。其具体过程如下：

(9)

式中：DR为牲畜死亡率；
DsAn为草原雪灾牲畜损失数量；
Aan为当年牲畜总数。

在统计历史时期不同雪灾发生情况下牲畜死亡率同时，在根据危险性计算公式(1)，计算出发生雪灾时期的雪灾危险性指数，然后建立雪灾危险性程度和牲畜的死亡率的相关系曲线。

DR=f(H)。

(10)

式中：DR为雪灾期间牲畜损失率；
H为发生雪灾期间雪灾危险性指数；
f为相关函数。

1.2.5 青藏高原牧区雪灾定量预估方法

研究方法采用了2004年联合国开发计划署(UNDP)提出的风险研究方法，对未来两个时期(2016—2035年和2046—2065年)，两种气候情景(RCP4.5和RCP8.5)下牲畜受雪灾风险进行预估。具体表达如下：

风险=危险性×暴露度×脆弱性。

(11)

1.3 技术路线

牧区雪灾从形成机理角度来看，主要分为雪灾危险性(即积雪深度、积雪持续时间以及降雪时段内温度等多因子综合形成的致灾因子危险性)、牧区牲畜暴露度(即承灾体在时间和空间可能与致灾因子的接触、重合量)和脆弱性(即牧区牲畜雪灾的脆弱性曲线，不同致灾因子强度对承灾体作用造成损失的相关曲线)三个部分。其中牧区雪灾危险性指危险性事件发生规模、程度及其可能性，然而雪灾危险性是多因子综合而成，相比于单因子灾害识别难度较大，例如：地震是单因子灾害，可直接利用地震释放能量大小量化地震危险性大小(地震等级)，雪灾作为多因子气象灾害，牧区雪灾危险不能仅根据积雪深度或者积雪时长来定义雪灾危险性强度，危险性识别应该考虑多种气象因子影响；
牧区牲畜雪灾暴露度则是指在承载体在可能发生雪灾危险性区域内的暴露量以及空间分布(青藏高原范围内都有发生雪灾危险可能，因而本文以整个青藏高原内牲畜暴露量作为研究对象)；
牧区牲畜雪灾脆弱性是指一定雪灾危险强度下，青藏高原内某一区域牲畜可能遭受损失的多少。在总结前人研究基础上，结合青藏高原牧区雪灾实际情况，确定了本文研究的研究方案(图1)。

表1 不同气象因子对牧区雪灾危险性的重要程度对比矩阵

2.1 中国逐日雪深模拟预估数据对青藏高原降雪模拟能力评估结果

在青藏高原范围内，遥感模拟雪深与站点实测的均方根误差远大于模式模拟的雪深与站点实测的均方根误差，就相关系数而言，CESM1-BGC模式模拟的积雪深度数据与站点实测值的相关性系数大小接近于遥感模拟雪深的数据与站点实测值的相关系数，整体来说CESM1-BGC模式模拟的积雪深度数据最接近于站点积雪深度观测值(表2和图2)。

为了验证用ESM1-BGC模式模拟的雪深数据与站点实测数据、微波模拟的雪深数据空间差异，为此基于站点点位对三种雪深数据的年累积积雪时间和年累计积雪深度进行统计并进行空间比较，结果显示(图3):无论是累积积雪天数，还是累积积雪深度，在青藏高原中部、南部、北部以及东部边缘区域此次模拟结果比遥感模拟的结果更加接近于站点实测值，而在青藏高原西部以及西南区域，此次模拟的逐日雪深数据与站点观测结果差异比较大，整体看ESM1-BGC模式模拟的雪深数据更接近于站点实测数据。为了进一步明晰ESM1-BGC模式模拟的日雪深数据分布合理性，统计了概率密度函数，统计结果显示：CESM1-BGC模式模拟的逐日雪深概率密度函和遥感模拟的逐日雪深概率密度函相比较，CESM1-BGC模式模拟的逐日雪深概率密度函分布更接近于站点实测值(图4)。

图1 研究思路与技术路线图

图2 几种雪深数据年累积积雪深度比较

表2 青藏高原地区21个模式下模拟积雪深度数据和站点积雪深度的比较

图3 青藏高原区域基于站点点位三种逐日雪深数据空间差异比较(审图号：GS(2016)1552号，底图无修改，下同)

图4 青藏高原区域内全部气象站点点位逐日雪深数据概率密度函数

图5 青藏高原区域内雪灾危险性指数时空分布

表3 青藏高原区雪灾危险性指数统计结果

图6 牲畜空间暴露量分布图

2.2 雪灾危险性分析

利用公式(1),运用CESM1-BGC模式下逐日雪深数据对雪灾危险性进行识别，结果显示从空间分布来看，雪灾危险性指数较高的区域主要分布在藏北高原、冈底斯山脉沿线、昆仑山脉西段沿线、祁连山脉沿线、三江源区域和横断山脉区域(图5)。危险指数强度均值来看，相比较于历史时期，RCP4.5情景下，未来远期雪灾危险性呈现出增加趋势，其余情况下则减弱；
发生雪灾危险性区域面积占比变化来看，相比于历史时期，RCP4.5情景下未来近期、未来远期和RCP8.5情景下未来近期、未来远期发生雪灾危险性的范围减少6%、11%、6%和14%，缩减区域处于青藏高原中部和祁连山地区。在未来RCP8.5情景下，发生雪灾危险性区域面积占比减少都比较明显，但是发生区的雪灾危险度强度减弱并不明显，有的时段甚至可能增强(图5和表3)。

2.3 牲畜空间暴露量分布

根据青藏高原草地生产力空间分布不均匀，对牲畜数量进行空间网格化展布，结果(图6和表4)显示：
1986—2005年实际牲畜量远高于2000年草原可载畜量。说明2000年前后，青藏高原牧区处于严重的超载状态，从空间分布来看，超载区域主要分布于以拉萨市为中心的周边区域、以西宁为中心周边区域以及横断山脉区域。2017年草原可载畜量相比于2000年增加11%，其原因是青藏高原2017年牧草产量增加的原因。

表4 三种情况青藏高原下牲畜空间年总暴露量(万只)

2.4 牲畜损失率和雪灾危险性指数之间关系

青藏高原牧区牲畜雪灾损失定量研究关键是明晰雪灾危险性强弱和牧区牲畜死亡量多少之间的定量关系，通过灾害大典记录的雪灾造成牲畜死亡量、雪灾发生时间、雪灾发生地牲畜暴露量、雪灾发生时气温、雪灾发生时积雪持续时长和最大积雪深度数据，首先利用公式(1)计算出雪灾发生时的危险性指数，然后计算出此雪灾造成牲畜死亡率，最后以雪灾危险性指数作为自变量，雪灾造成牲畜死亡率作为因变量，构建青藏高原牧区牲畜在不同雪灾危险性强度下的损失率曲线。拟合结果如(图7)所示。

图7 青藏高原牲畜损失率曲线

曲线方程如公式(12)所示，该方程相关性为0.568 9，表明可以用该损失率曲线对不同雪灾危险指数下的损失率估算。

y=0.000 04x1.891 9。

(12)

2.5 青藏高原牲畜受雪灾影响年均死亡量预估结果

雪灾风险预估所用数据来自于此次研究所得的雪灾危险时空分布数据、牲畜空间分布数据和牲畜草原雪灾损失率三类。其中牲畜空间分布数据则选用了“以草定畜”牲畜空间分布数据，这是由于本次研究更多侧重于自然状况下牲畜受雪灾损失，但实际牲畜空间分布数量远远高于“以草定畜”牲畜数量，而牲畜超载量较大区域主要分布于农牧交错区域，经过文献查阅[16]以及现场调研，发现在农牧交错区域超载牲畜主要由于圈养牲畜量较大，往往雪灾对圈养牲畜影响并不大。因此2000年草原载畜量计算牲畜总量用来表示历史时期青藏高原牲畜暴露量，2017年草原载畜量计算牲畜总量用作为未来青藏高原牲畜暴露量。

预估结果显示：空间分布来看，牲畜死亡量的空间分布与雪灾危险性指数的空间分布有着相似性，死亡量较大区域也分布在藏北高原、冈底斯山脉沿线、昆仑山脉西段沿线、祁连山脉沿线、三江源区域和横断山脉区域(图8)。就牲畜死亡量来看，在未来RCPs情景下，牲畜受雪灾影响年死亡量呈现出减少趋势，减少量较多地区是青藏高原中部区域以及三江源区域。相比较与历史时期，RCP4.5情景下未来近期、未来远期和RCP8.5情景下未来近期、未来远期牲畜受雪灾影响，牲畜年均损失量分别减少了10.2%、10.3%、28.3%和45.5%。综合来看，未来RCP4.5和RCP8.5情景下，发生雪灾危险性区域面积占比变化与青藏高原牲畜受雪灾影响死亡量变化呈现出较强的一致性，因此可以得出未来青藏高原牲畜受雪灾死亡减少主要受到了发生雪灾危险性区域面积占比减少影响(表3、图8和表5)。

2.6风险预估结果不确定性分析

(1)雪灾危险性不确定性分析。在此次研究中，运用模式数据识别了青藏高原区域内雪灾危险性，而模式数据本身就存在有一定的不确定性[21],因此,对用于识别雪灾危险度的逐日雪深数据进行验证，既ESM1-BGC模式数据是否符合实际情况？

此次研究对雪灾危险性识别是基于NEX-GDDP数据集和中国逐日雪深模拟预估数据集，其中中国逐日雪深模拟预估数据集是以NEX-GDDP数据集为依托，利用人工神经网络模型模拟获取，模型模拟过程中输入变量为逐日降水数据、逐日最高气温和逐日最低气温，因此模拟雪深数据准确性很大程度上依赖于NEX-GDDP数据的准确性，为了研究青藏高原降雪量模拟的不确定性，统计了青藏高原区域内CESM1-BGC模式模拟的降雪时期内降水量年均值，然后与实际降水量进行比较(青藏高原降雪时段主要为冬春两季)(图9和图10)，结果显示：青藏高原西部和西南部模式模拟降水量值要远远高于站点实测降水值。因此在此区域模拟雪深误差较大原因是由于NEX-GDDP数据中CESM1-BGC模式下对降雪时段内降水误差较大。此次NEX-GDDP数据对该区域降水的模拟准确度不够，导致该区域内逐日雪深模拟精度较低。因此这种模式数据本身存在不确定性很大程度上影响本次风险预估结果的不确定性。随着CMIP6数据的发布，LUN等[22]通过对比CMIP6模式和CMIP5模式对青藏高原模拟能力发现CMIP6模式具有较好的降水模拟能力。其次CMIP6包含最新的共享社会经济路径与典型浓度路径组合情景(Shared Socioeconomic Pathways and the Representative Concentration Pathways, SSP)融入了社会经济发展的影响,将提供更可靠的气候变化可能结果。然而，目前CMIP6数据的模式分辨率较小且不同模式分辨率差异较大，增加数据利用难度。因此，随着CMIP6数据分辨率提高、统一，以后青藏高原牧区雪灾风险研究中利用CMIP6数据将提高预估精度。

(2)气候变化可能对青藏高原牧区雪灾影响。青藏牧区雪灾形成过程是积雪过厚，牧草被大雪掩埋，靠牧草为生的家畜因吃不到草，冻饿而死。积雪的累积持续时间、最大降雪厚度以及积雪时期的气温将直接影响雪灾的严重程度，LEATHERS对积雪持续的时间进行了特征分析结果表明积雪持续的时间与降雪和温度有着高度的相关性[24]。降雪量变化不大情况下温度越高积雪累积持续时间越少。在全球变暖大背景下，IPCC第四次评估报告显示1956—2005全球地表气温上升趋势为0.13℃/10 a，而中国发布《第二次国家气候被评估报告》显示1951—2009年中国气温上升趋势为0.23℃/10 a。相比于全球尺度和整个中国区域尺度，青藏高原作为气候变化敏感区域，1960—2010年气温上升趋势为0.37℃/10 a[25]，明显高于全球尺度和中国区域尺度气温上升，同时也有研究表明北半球积雪区内，青藏高原积雪范围减少最为显著[26]，综合以上几点，青藏高原积雪持续时间和积雪范围减少明显，积雪期气温升高，因此区域内雪灾发生的危险性降低。在未来，特别是RCP8.5情景下，发生雪灾危险性程度降低可能更加明显。

图8 青藏高原牲畜受雪灾影响死亡量空间分布

表5青藏高原牲畜受雪灾影响总的年均死亡量

图9 青藏高原区域内利用站点实测的春冬两季多年年均降水量[23]

图10 青藏高原区域内CESM1-BGC模式模拟的降雪时期内降水量多年年均值

此次研究选取了历史基准时段(1986—2005年)、未来近期(2016—2035年)和未来远期(2046—2065年)三个时段，RCP4.5和RCP8.5两种气候情景，分别对青藏高原牧区雪灾危险、牲畜空间暴露量、牲畜的脆弱性以及青藏高原牲畜损失量进行研究，研究结果表明：

(1)青藏高原区域内，所有模拟雪深数据模式中，CESM1-BGC模式下模拟的青藏高原雪深精度最高，文章中选择CESM1-BGC模式模拟的逐日雪深数据用来识别雪深危险性。总体来说，相比较于历史时期，在未来RCP4.5和RCP8.5情景下，青藏高原发生雪灾危险性的区域缩小，RCP4.5情景下未来近期、未来远期和RCP8.5情景下未来近期、未来远期发生雪灾危险性的范围较少6%、11%、6%和14%；
但是发生区的雪灾危险强度有的时段可能增强;空间分布来看，危险性指数较高的区域主要分布在藏北高原、冈底斯山脉沿线、昆仑山脉西段沿线、祁连山脉沿线、三江源区域和横断山脉山脉区域。

(2)利用“以草定畜”，计算结果显示2017年青藏牧区草地载畜量相比较2000年载畜量增加11%，在未来有可能青藏高原载畜量将近一步增加。实际的牲畜与用“以草定畜”的牲畜比较来看，青藏高原区域内实际牲畜保有量远远超出了青藏高原载畜量，从空间分布来看，超载区域主要分布于以拉萨和西宁为中心周边区域以及横断山脉区域。

(3)从空间分布来看牲畜死亡量较大区域与雪灾危险性指数较高的区域有着相似性，主要也分布在藏北高原、冈底斯山脉沿线、昆仑山脉西段沿线、祁连山脉沿线、三江源区域和横断山脉区域。相比较历史时期，RCP4.5情景下未来近期、未来远期和RCP8.5情景下未来近期、未来远期牲畜受雪灾损失量分别减少了10.2%、10.3%、28.3%和45.5%，未来发生雪灾危险性面积减少是造成牲畜损失量减小主要原因，其中在RCP8.5情景下，损失最低。

此次研究针对自然状况以及传统雪灾防御措施下的牲畜受灾状况，并未考虑雪灾防御和灾后救援能力提升，经过多年发展，牧区雪灾风险预估已经取得了丰硕成果[3-12,27,28]，如：雪灾预警系统根据气象数据对即将发生雪灾进行预报，雪灾救助区划分更加合理，便于开展牧区雪灾救助。各种措施的实施，整体提升了对牧区雪灾的适应能力。其次，青藏高原作为我国重要畜牧业基地，随着牧草制度的发展，出现了牧草租借和流转，这将进一步实现畜牧业规模化生产，同时会有效推动牧区雪灾保险的普及。另外，随着教育水平提升，牧业人口综合素质将得到全面提升，对雪灾的认识程度更加深刻。总体来说，未来牧区规划更加合理、雪灾预告更加精确、雪灾救助手段更加科学、救助设备更加先进以及牧业从业人员更加专业，青藏高原牧区雪灾造成损失将进一步减少。