嘉陵江流域極端連續性降水時空變化及其驅動因素研究

王躍峰, 胡 月, 尹思危, 楊 琴, 劉春紅

(1.重慶師范大學 地理與旅游學院, 重慶 401331; 2.三峽庫區地表過程與環境遙感重慶市重點實驗室,重慶 401331; 3.重慶市綦江區古南中學, 重慶 401420; 4.重慶市氣象局氣候中心, 重慶 401147)

1 研究背景

極端降水對流域洪水、干旱及水資源時空分布具有重要的指示作用,也是水文氣象學者普遍關注的熱點問題之一[1]。全球氣候變暖導致眾多流域極端降水強度和頻率發生變化,造成水資源分布不均,甚至引發洪旱災害,嚴重威脅自然生態環境和社會經濟發展[2]。過去幾十年,學者們圍繞極端降水變化開展了大量研究,其中基于氣候變化檢測及指數聯合專家組(Expert Team on Climate Change Detection and Indices,ETCCDI)的研究工作最具代表性,ETCCDI從降水總量、偶發極端降水(如最大1 d降水)和極端連續性降水等方面構建了11個指數[3]。對比來看,極端連續性降水具有持續時間長、后續效應大的特點,對流域水循環和生態環境的影響更為顯著[4]。極端連續性降水包括連續濕潤日數(continuous wet days,CWD)和連續干旱日數(continuous drought days,CDD)兩個指數,二者分別代表一年中有、無降水的最長日數,是衡量降水持續特征的關鍵變量。除表征氣象干濕特征外,CWD和CDD還與流域洪水和干旱事件的發生關系密切[5-6]。例如,輕度和中度降水量長期減少將會產生干旱問題,而降水量持續增加可能帶來洪水,甚至引發滑坡、泥石流等次生災害[7]。因此,揭示流域極端連續降水變化特征及其成因對流域氣候災害風險管理和氣候減緩意義顯著[8-9]。

目前,有關極端連續性降水的研究多從全球、大洲和國家等尺度的CDD和CWD特征分析出發[10-11]。就我國來看,1961—2016年的CDD和CWD均呈下降趨勢,但表現出明顯的空間差異,也有學者從省、市級行政區和流域尺度對極端連續性降水進行了分析研究[12-14]。與此同時,極端連續性降水的影響因素也是學者們持續關注與爭論的問題之一,一般從局地因子和全球氣候因子兩方面來探討CDD和CWD時空變化的驅動因素[15]。在局地影響因子方面,主要從年降水總量、年平均氣溫、地形因子和土壤蓄水能力等要素出發,通過分析這些因子與CWD、CDD的相關性,來揭示其對極端連續性降水的影響程度。例如,Mei等[16]分析發現,京津冀地區CDD和CWD均與年降水量呈負相關;Liu等[17]也指出,喀斯特地區的土壤蓄水能力對CDD有增加作用,該地區未來干旱將持續加劇。在全球氣候指數方面,多采用遙相關統計氣候環流指數與CDD、CWD的相關系數,識別影響極端性連續降水的主要驅動因素。例如,Shi等[18]指出MEI(multivariate ENSO index)和AMO(Atlantic multidecadal oscillation)能夠部分解釋我國北部地區CDD和CWD的變化特征。

在探討極端連續性降水特點方面,現有研究多采用線性趨勢、Mann-Kendall檢驗、Sen’s 斜率等方法;在驅動因素分析方面,主要基于單因子的線性相關分析,鮮有考慮多因素的驅動分析[15-16]。實際上,流域極端連續性降水受到局地條件與全球氣候變化等多重因素影響,表現出較強的隨機性和非一致性,單純的線性相關分析難以揭示其氣候驅動機制[19-20]。后續,應加強探討多因素共同作用的影響,進而有效識別極端連續性降水的主要控制因素,為其精準預測提供科學依據。

嘉陵江不僅是長江流域中面積最大、含沙量最高的支流,也是三峽庫區洪水和泥沙的重要來源地。受全球氣候變化影響,近些年流域極端降水事件增多,洪旱災害也時有發生[21]。目前,前人主要從趨勢、突變和周期等方面分析流域降水變化特征,鮮有研究從極端連續性降水方面開展分析[22-23]?；诖?本研究將通過統計分析1960—2019年嘉陵江流域CDD和CWD的時空變化,揭示極端連續性降水特征,利用Pearson相關分析和隨機森林方法,從單因子和多因子方面探討極端連續性降水的氣候驅動因素,以期為流域極端氣候管理和氣象防災減災提供科學依據。

2 數據來源與研究方法

2.1 研究區概況

嘉陵江源于秦嶺南麓,干流長約1 120 km,流域面積為15.98×104km2,介于102°E～109°E、29°N～35°N之間。流域地處一、二級階梯過渡帶,地形起伏大,年內降水分布不均,夏季約占全年總降水的65%[24]。圖1為嘉陵江流域氣象站點、年均降水和水系分布圖。由圖1可知,嘉陵江流域橫跨濕潤區和半濕潤區,多年平均降水量為433.6～1 320.2 mm,陜西省鎮巴站和四川省北川、萬源站高值區為1 219.2～1 320.2 mm,甘肅省文縣、武都和禮縣站等低值區為433.6～470.4 mm,整體呈現東南高西北低的空間分布格局。

圖1 嘉陵江流域氣象站點、年均降水和水系分布

2.2 數據來源

采用嘉陵江流域1960—2019年63個氣象站(圖1)的逐日降水資料,分析極端連續性降水時空變化,數據源自國家氣象科學數據中心(http://data.cma.gov.cn)。同時,從海表面氣壓、海表面溫度和季風指數三方面選取5個大氣環流指數,分析極端連續降水的氣候影響,表1為所選大氣環流指數及來源。

表1 所選大氣環流指數及來源

2.3 研究方法

2.3.1 極端連續性降水指數 CDD和CWD作為極端連續性降水的兩個指標,分別表征1年中最干旱和最濕潤的歷時,表2為該兩指標的具體含義,可通過R語言RClimDex軟件計算。

表2 極端連續性降水指標及定義

(1)

式中:β為降水序列的Sen’s斜率,d/a;xj和xi為極端連續性降水序列任意兩樣本,d。

Mann-Kendall(M-K)趨勢檢驗不需要序列服從正態分布,不受缺失值與異常值影響,還可用于趨勢顯著性檢驗[26-27]。對于任意極端連續性降水序列Xt= (x1,x2,…,xn),M-K檢驗標準化統計量Z值的計算公式如下:

(2)

(3)

Var(S)=(n(n-1)(2n+5))/18

(4)

(5)

式中:S為統計量; sgn為符號函數;xj和xi為任意兩樣本; Var(S)為方差;n為序列樣本數量。當Z絕對值大于1.96時,表示通過了置信度為0.05顯著性。Yue等[28]指出氣候資料的自相關性會造成趨勢檢驗失真,需在趨勢檢驗前進行預置白處理。

2.3.3 隨機森林方法 隨機森林方法擅長處理復雜現象的響應變量識別問題,也是應用最廣泛的回歸算法之一[29]。大量研究表明,該模型在數據挖掘和精度預測方面優勢明顯,能夠較好地處理樣本異常值,不易過度擬合。目前,該模型已被應用到水文氣象領域,例如Mei等[30]利用該方法建立了洪災損失與影響因素間的響應關系,評估了不同變量影響洪災損失的重要程度。

隨機森林是由一系列分類樹組成,基于該模型,首先建立極端連續性降水指標(CWD和CDD)與相關影響因子的響應關系,然后對主要影響因子進行識別,具體步驟如下:(1)利用Bootstrap方法從CDD(CWD)和氣候驅動因子中分別選取k個子訓練集,預生成k個分支;(2)在分支的每個節點上選擇最優指標進行分割,并生成分類樹;(3)重復步驟(2),直到生成隨機森林;(4)基于基尼系數法(Gini coefficient)計算各因子的重要性,詳見文獻[29];(5)通過歸一化處理,將所有因子重要性的總和轉換為100%,獲得各因素的相對重要性,即影響程度,計算公式如下:

(6)

式中:VIMk(Gini)為因子重要性;k為第k類主控因子;m為主控因子總數。

(2)嚴密監測生命體征：治療量的嗎啡對呼吸有抑制作用，使呼吸頻率減慢，潮氣量降低，部分患者可出現胸壁肌肉的僵硬而表現為胸悶、憋氣。同時還應注意麻醉鎮痛藥可抑制交感神經興奮引起的去甲腎上腺素的釋放，使機體痛閾提高，同時可使脈搏減慢，血壓降低。因此在鎮痛期間護士應監測血壓、脈搏、呼吸，以便及時正確了解病情發展[9]。

3 結果與分析

3.1 極端連續性降水時空變化分析

3.1.1 CDD和CWD多年平均特征 1960—2019年嘉陵江流域多年平均CDD和CWD的空間分布如圖2所示。

圖2 1960—2019年嘉陵江流域多年平均CDD和CWD的空間分布

由圖2可知,1960—2019年嘉陵江流域多年平均CDD和CWD的空間差異顯著,流域多年平均CDD為22.3～88.6 d,總體呈“北多南少”分布,高值區位于甘肅省文縣、武都站和四川省九寨溝站附近,其連續干旱天數均超過80 d,低值區位于流域下游的重慶市城區(北碚、渝北和沙坪壩站),最小連續干旱日數為22 d。流域多年平均CWD為 4.5～8.1 d,總體差異不大,最大值出現在流域西北部的北川、若爾蓋地區,其最大連續濕潤日數超過8 d,低值區主要位于甘肅省文縣、武都和天水站,其連續濕潤日數均在5 d以內。

3.1.2 CDD和CWD多年變化趨勢特征 通過Sen’s斜率估計和M-K檢驗分析1960—2019年嘉陵江流域CDD和CWD的變化趨勢空間分布,結果見圖3。

圖3 1960—2019年嘉陵江流域CDD和CWD變化趨勢空間分布

從圖3來看,流域CDD的變化趨勢為-3.8～4.8 d/10a,呈中間增加兩端降低的空間分布,其中27(42.8%)和36(57.2%)個站點分別表現為下降和上升趨勢。CDD上升趨勢的最大值出現在甘肅省文縣站,下降趨勢的最大值出現在陜西省鳳縣站。流域CWD的變化趨勢為-0.42～0 d/10a,全流域均呈下降趨勢。M-K檢驗結果表明,流域CDD和CWD的變化趨勢達到0.05顯著性的站點分別為2和10個,CWD下降趨勢顯著的站點主要位于流域中上游。

3.2 極端連續性降水變化的驅動因素分析

3.2.1 降水因素分析 1960—2019年嘉陵江流域CDD和CWD與年降水量的相關系數空間分布如圖4所示。

圖4 1960—2019年嘉陵江流域CDD和CWD與年降水量相關系數的空間分布

由圖4可知,CDD與年降水量總體表現為弱相關,相關系數為-0.28～0.29,除西南少部分區域外,約2/3的流域面積呈負相關關系,全流域僅中部和南部的8個站點(13%)表現為顯著相關(p<0.05)。對于CWD而言,其與年降水量相關關系呈現較強的空間一致性,相關系數為-0.16～0.50,共59個站點(94%)的相關系數為正,35個站點(56%)為顯著正相關(p<0.05),流域中部相關性最強。綜合來看,作為局地氣候指標,嘉陵江流域各氣象站年降水多寡能較好地反映流域極端濕潤狀況,而對流域極端干旱狀況較難反映。

3.2.2 氣候因素分析 大尺度氣候環流是影響全球各地極端降水的重要因素。1960—2019年嘉陵江流域CDD與5個氣候因子的相關系數空間分布如圖5所示。

圖5 1960—2019年嘉陵江流域CDD與單一氣候因子相關系數空間分布

由圖5可知,CDD與SOI、PDO的相關系數表現為“南負北正”的空間分布,與SASMI和EASMI的相關系數大體表現為“南正北負”的空間分布,與Nino3.4的相關系數表現為“南北兩端正中間負”的分布。就相關性的強弱來看,流域CDD與SASMI、 SOI、Nino3.4、EASMI 4個指標的關聯性較強,分別有22、19、9、8個站點為顯著相關(p<0.05)。從圖5(c)和5(d)來看,兩個季風因素均與嘉陵江流域中部的CDD存在顯著正相關,但SASMI的影響作用更強;從圖5(a)和5(e)來看,兩個ENSO相關的氣候因素同時影響流域南部的CDD,但表現出截然相反的作用效果。由此可見,在上述5種氣候因素中,ENSO因素(SOI、Nino3.4)和季風因素(SASMI、EASMI)均對流域CDD存在明顯影響。

1960—2019年嘉陵江流域CWD與5個氣候因子的相關系數空間分布如圖6所示。由圖6可知,流域CWD與SOI基本表現為全區一致的正相關,共43個站點的相關系數為正;CWD與PDO的相關系數表現為明顯的“南正北負”的空間分布,且與2個季風指數(EASMI、SASMI)的相關系數呈現空間互補,但影響作用均較弱。CWD與PDO、Nino3.4、EASMI、SASMI、SOI分別有12、11、9、6和4個站點為顯著相關。ENSO因素(SOI、Nino3.4)共同影響著流域中部的CWD,而南部以Nino3.4影響為主(圖6(a)、6(e));相較于南部而言,PDO對流域中部和北部的CWD均存在較強的負向影響(圖6(b))。

圖6 1960—2019年嘉陵江流域CWD與單一氣候因子相關系數空間分布

從單因子相關分析來看,5種氣候因子均在不同程度上影響著嘉陵江流域的CDD和CWD,但難以確定其主控因子。為綜合考慮各因子間的影響,利用隨機森林方法進行多因素作用下的極端連續性降水驅動分析。

圖7為1960—2019年嘉陵江流域各氣象站點CDD和CWD的主控氣候因子及其比例。從圖7(a)來看,嘉陵江流域CDD的主控氣候因子為Nino3.4,占比為38.1%,兩個次要氣候因子為SASMI和SOI,三者合計比例為79.4%,這表明ENSO因素(Nino3.4和SOI)以及南亞季風(SASMI)共同控制著流域的CDD變化。從圖7(b)來看,嘉陵江流域CWD的主控氣候因子為SOI,占比為36.5%,兩個次要氣候因子為PDO和Nino3.4,三者合計比例為79.3%,這表明ENSO因素(Nino3.4和SOI)和PDO是流域極端連續濕潤狀況的主要驅動力。對比來看,雖然單因素和多因素分析結果存在一定出入,但總體結論是相一致的,即ENSO因素(Nino3.4、SOI)主要控制流域CDD和CWD的變化,SASMI和PDO作為次要氣候因素也對流域的CDD和CWD具有影響作用。

圖7 1960—2019年嘉陵江流域各氣象站點CDD和CWD主控氣候因子及其比例

4 討 論

4.1 極端連續性降水的時空格局

基于63個氣象站點數據,分析了嘉陵江流域1960—2019年極端連續性降水(CDD、CWD)的空間分布。流域多年平均CDD呈“南少北多”的空間格局,中部和南部呈現一定緯度分異規律,而北部受緯度和高大地形的共同影響,地帶性規律不顯著;年降水量小于800 mm的隴南、川北等半濕潤地區,其降水量少且集中于夏季,CDD高達62～88 d/a。相比來看,流域CWD未表現出緯向或經向的分異特征,高值區位于涪江和渠江上游以及下游的重慶城區,前者主要因海拔升高易形成地形雨[31],后者可能與城市“雨島效應”有關[32]。由此來看,在氣候變化與城市化雙重作用下,流域極端連續性降水的空間異質性日益凸顯,未來應強化流域極端氣候分區管理。

表3為前人研究中采用Sen’s斜率統計的1961—2017年我國內地主要流域CDD和CWD趨勢值[33]。由表3可以看出,除黃河流域外,其余流域CDD的變化趨勢均呈不顯著性,長江流域CDD為-0.94 d/10a,稍小于嘉陵江流域的-1.40 d/10a。然而,根據上文分析,嘉陵江流域內部CDD趨勢差異較大,位于流域北部的文縣和岷縣等站的CDD上升趨勢十分顯著,達到4.8 d/10a,這主要由于這些地區降水偏少(400～600 mm),靠近半干旱地區,干旱風險不斷增大,這也在一定程度上印證了全球氣候變化研究得出的“干旱地區變得更干”的結論。

表3 中國內地主要流域CDD和CWD的Sen’s斜率統計 d/10a

4.2 極端連續性降水的氣候驅動機制

從局地氣候和全球氣候因子兩方面分析了嘉陵江流域極端連續性降水的驅動機制。流域年降水量與CDD呈負相關關系,說明降水總量對連續干旱有一定阻滯效應;而流域54%的站點CWD與年降水存在顯著正相關,表明降水增多在促進極端連續濕潤條件中發揮著重要作用。Yuan等[34]和Wang等[15]對我國東部地區的研究中也發現,年降水是重要的局地性氣候因子,對區域氣象干濕敏感性較強,具有緩解干旱和增加濕度的作用,尤其對極端降水的持續時間作用顯著。

大尺度氣候環流也是影響氣候的重要因子,其可通過影響大氣溫濕狀況對極端連續性降水發揮作用[35]。根據前人研究,SOI、Nino3.4、PDO、EASMI、SASMI等氣候環流均在一定程度上影響著我國極端降水頻率和強度[36]。與以往研究不同,本文從單、多因子兩方面分析了嘉陵江流域CDD和CWD變化的氣候驅動機制。就單因子分析來看,CDD與SOI相關性最顯著,而CWD與PDO、Nino3.4相關性最強,這表明ENSO因素(SOI、Nino3.4)是影響流域極端連續性降水的主控因素之一;就多因子分析來看,流域CDD、CWD均與ENSO因素(SOI、Nino3.4)存在較強關系,這也進一步證實了ENSO對我國流域尺度極端連續性降水的影響。ENSO作為全球氣候異常的重要指示因子,不少學者也指出其與我國極端降水關系密切,Su等[37]研究發現,我國南方最大CDD和CWD分別出現于ENSO暖期和冷期。

本文首次采用隨機森林方法對極端連續性降水的多氣候因子影響機制進行分析,是對以往單因子分析的有益補充?？梢钥闯?除ENSO這一關鍵氣候因素外,SASMI和PDO也分別在嘉陵江流域CDD和CWD變化中發揮著不可或缺的作用,這表明大尺度氣候環流之間存在著復雜關聯,它們會通過協同作用對降水條件產生影響,這也證實了Zhong等[38]的研究結論,即ENSO在影響東亞地區降水時常受到PDO調節,進而引起我國不同地區降水極值產生差異。

5 結 論

采用Sen’s斜率、Mann-Kendall趨勢檢驗和隨機森林等方法,分析了1960—2019年嘉陵江流域極端連續性降水時空變化特征,從單、多因子兩方面揭示了其氣候驅動因素。主要結論如下:

(1)嘉陵江流域多年平均CDD為22.3～88.6 d,呈“北多南少”空間分布,多年趨勢為-3.8～4.8 d/10a,僅2個站點達到0.05顯著性。多年平均CWD為 4.5～8.1 d,總體差異不大,全流域多年變化趨勢均為減少趨勢,流域上游的10個站點為顯著減少。

(2)局地氣候驅動因子分析表明,年降水與流域59個站點(94%)的CWD為正相關,但與CDD相關性較低。大尺度氣候環流驅動因子分析表明,ENSO(Nino3.4、SOI)因子為流域CDD和CWD的主要控制因子,且SASMI和PDO分別是影響CDD和CWD的次要因子。