1970-2019年河南省年内降水分配非均匀性的时空演变

2021-08-09陈家栋田宏伟张金池

水土保持通报 2021年3期

陈家栋, 田宏伟, 黄进, 张金池

(1.南京林业大学南方现代林业协同创新中心, 江苏省水土保持与生态修复重点实验室,江苏南京 210037; 2.中国气象局/河南省农业气象保障与应用技术重点实验室, 河南郑州 450003;3.河南省气象科学研究所, 河南郑州 450003; 4.南京信息工程大学应用气象学院, 江苏南京 210044)

伴随着全球气温升高，区域性极端气候事件频发，降水呈现出更为显著的多尺度时空非均匀性，其剧烈的时空变化不断地加剧着区域性气象水文灾害的风险[1]。区域降水的变化特征通常包含了“降雨量”和“降雨结构”的变化，不同时段内降水量的分配则是反映降水结构的重要内涵[2]。降水年内分配不均匀，雨量集中到少数月份中，是导致区域旱涝等气象灾害事件发生的重要原因，因此研究降水年内分配非均匀性的时空演变对水资源安全监测和管理有着重要现实意义[3]。基于月降水量数据，Zhang等[4]提出的降水集中度(PCD)是中国学者使用最多的一种评估年内降水分配均匀与否的降水指数。近20 a来，PCD指数已应用于陕西[2]、江苏[5]、辽宁[6]、浙江等[7]诸多省份以及淮河[3]、珠江[8]、汉江等[9]主要流域，其结果定量表征了不同区域降水量在时空场上的非均一性，并探讨了PCD变化趋势的空间分布，进而反映了中国降水季节变率时空演变特征的区域差异。国际上对降水集中性的描述大多采用De Luis等[10]改进的降水集中指数(PCI)、Walsh等[11]提出的降水季节性指数(PSI)[4]。与PCD和PCI等指数相比，PSI的优势是它的计算更为简便，物理意义更直观，且有着良好的分级参考标准[12]。

河南省为一个农业大省，是中国粮食生产的核心产区，其冬小麦、玉米、花生等重要粮油作物的产量均居全国前列[13]。由于地处南北气候过渡带，受季风影响，河南省降水年际变异及区域分布差异都极为显著，降水异常引发的旱涝灾害严重影响了区域粮食生产安全和人民正常生活[14]。目前，河南省降水变化规律的相关研究主要集中在强度、极值、频次等方面，对降水结构的探求还较少[15]。鉴于此，本文运用降水季节性指数(PSI)探求年内降水非均匀性的时空演变对评估河南省水资源对气候变化的响应有着重要意义。

1 资料与方法

1.1 基本数据

图1中113个气象观测站1970—2019年的逐月降水资料由河南省气象局提供。基于加拿大环境部气候研究中心RHtest均一性检验技术，各站点月降水序列均通过了惩罚最大F检验(PMFT)。国家统计数据库(http:∥data.stats.gov.cn/)提供了全省尺度1970—2019年冬小麦、夏玉米、大豆、花生、油菜籽、芝麻的总产量数据。此外，15种大尺度大气环流指数(large-scale atmospheric circulation indices, LACI)1988—2017年的逐月数据由美国国家大气海洋(NOAA)气候预测中心( https:∥www.esrl.noaa.gov)提供，其分别为太平洋—北美遥相关型(PNA)、东太平洋/北太平洋涛动(EP/NP)、西太平洋遥相关型(WP)、北大西洋涛动(NAO)、南方涛动(SOI)、热带北大西洋海温(TNA)、热带南大西洋海温(TSA)、西半球暖池指数(WHWP)、混合ENSO指数(MEI)、厄尔尼诺-3区的平均海面温度(NINO3) 、厄尔尼诺1+2区的平均海面温度(NINO1+2) 、厄尔尼诺-4区的平均海面温度(NINO4) 、厄尔尼诺-3.4区的平均海面温度(NINO3.4)、太平洋年代际振荡(PDO)、北太平洋遥相关型(NP)[16-18]。

图1 河南省113个气象站点的空间分布

1.2 降水季节性指数(PSI)

降水季节性指数PSI可用公式(1)计算，其中R为第i年的降水总量(mm)，Xn为该年第n月的降水量(mm)。PSI≤0.19，表明年内降水呈现非常均匀分配；PSI位于0.20～0.39区间，表明降水分配较均匀，且有明显的雨季；PSI位于0.40～0.59区间，表明降水分配有一定的季节性，且有短暂的旱季；PSI位于0.60～0.79区间，表明降水分配呈现季节性；PSI位于0.80～0.99区间，表明降水分配呈现极强的季节性，且有较长的旱季；PSI位于1.00～1.19区间，表明降水集中在某3个月份中；PSI≥1.20，表明降水分配极不均匀，降水多集中在1～2个月中。

(1)

1.3 PSI的时空分析方法

主成分分析(principal component analysis, PCA)是一种常用的数据降维手段，可以有效识别空间尺度下某种气候指标时序变化特征相似性及分异性[18]。本研究某给定时段i的k个变量Xi,1,Xi,2,…,Xi,k，同时有k个主成分(principal component, PC)Yi,1,Yi,2,…,Yi,k，它们可表达为各变量的线性关系：

Yi,1=a11Xi,1+a12Xi,2+…+a1kXi,k

Yi,2=a21Xi,1+a22Xi,2+…+a2kXi,k

⋮

Yi,k=ak1Xi,1+ak2Xi,2+…+akkXi,k

(2)

其中Xi,k指的是 PSI时间序列；k表示气象站点数(113个)；i表示每个站 PSI序列的长度，即50(1970—2019年)。由Xi,k计算得出Yi,1,Yi,2,…,Yi,k的无量纲逐年序列称之为主成分得分序列(principal component sores, PCS)，其表征了从原始113列PSI中提取了若干不同演变特征的时序模态。式中线性组合的系数a11,…akk表征了原始PSI序列与不同主成分对应PCS序列的相关性，其归一化后的结果称之为载荷。载荷值越高则表明某一站点PSI序列与某一PCS序列的相关性越高，通过对载荷的空间插值可以完成基于PSI变化特征的空间聚类。本研究中主成分分析过程由统计软件SPSS 21.0中的相关模块完成，而载荷的空间插值则由ArcGIS 10.0中的反距离权插值模块完成。

主成分分析提取的若干PCS序列刻画了不同区域PSI的时序变化情形，近似于无量纲化的PSI区域平均值逐年序列，为快速识别PSI年际变化的区域差异提供了便捷。采用Mann-Kendall趋势和突变检验、集合经验模态分析、交叉小波变换对PCS序列进行的诊断分析。集合经验模态分析(ensemble empirical mode decomposition, EEMD)广泛应用非线性、非平稳的时间序列的多重周期研究，其将时间序列分解为有限个不同时间尺度的振荡分量，得到若干个具有不同尺度特征的固有模态函数(intrinsic mode function, IMF)，进而准确捕捉原始信号的内在波动特征和趋势变化[19]。交叉小波变换 (cross wavelet transform, XWT)具有较强的信号耦合和分辨能力，可以分析两个时间序列中具有较高共振能量的共振周期及其相位关系[20]。交叉小波图中箭头表示相位差，→表示两时间序列变化相位一致，←表示两时间序列变化相位相反；背景颜色越接近红色表征相关性越强，越接近蓝色代表征关性越弱；粗黑线勾勒的区域则通过了0.05显著性水平检验[21]。

2 结果与分析

2.1 PSI的空间分布特征

基于IDW插值法，图2a描绘了各站点降水季节性指数PSI多年均值的空间分布，可以发现河南省PSI呈现出明显的由南向北递增的梯度变化。与之相反，图2b中河南省多年年降水量呈现出明显由南向北递减的梯度变化。这表明河南省降水越丰沛的地区，其年内降水分配的非均匀性越低。南部及西南部地区的PSI在0.64～0.8之间变化，这表明该区域降水的年内分配具有明显的季节性；而河南省中部及北部地区的PSI在0.8～0.97之间变化，这表明该区域的年内降水分配存在着较长历时的旱季。与此同时，降水贡献率(各月降水量占年总降水量的比例)进一步刻画降水分配非均性的区域差异。由图2c可以发现，不同区域的各月降水均呈现出显著的单峰型分布，且年降水主要集中在7月。河南省北部地区呈现出更高的降水集中性，其7月贡献了全年降水量的28.3%，其次8月和6月的贡献率分别为20.5%和11.8%。相较而言，河南省南部地区则呈现较低的降水集中性，其7月降水仅占全年降水的18.1%，且6，7，8这3个月的总降水贡献率不超过46%。其总体而言，河南省北部呈现出较高的年内降水分配非均匀性。此外，图2d表明不同区域的年总降水量均主要集中在中雨事件。相比较下，河南省南部地区暴雨及大暴雨对年年总降水量的贡献率较高。

2.2 基于PSI变化差异的气候分区

依托SPSS 21.0的主成分分析模块，对113列(113个站点)×50行(50 a)的PSI矩阵进行降维，以此识别降水分配非均匀性的区域演变差异。图3中前4个主成分累积方差贡献率超过了75%，且各主成分的特征根均大于5，满足提取要求。基于PC1，PC2，PC3，PC4在PSI序列上的载荷(图4)及其对应的PCS1，PCS2，PCS3，PCS4序列(图5)，可以从113个站点PSI的时序变化中识别出4个典型的时空演变模态。依据载荷值的高低，第Ⅰ模态(PC1)主要表征了河南省西部地区(区域Ⅰ)PSI的年际变化；第Ⅱ模态(PC2)主要表征了河南省西部地区(区域Ⅱ)PSI的年际变化；第Ⅲ模态(PC3)主要表征了河南省北部地区(区域Ⅲ)PSI的年际变化；第Ⅳ模态(PC4)主要主要表征了河南省南部地区(区域Ⅳ)PSI的年际变化。可以发现这一分区结果呈现出典型的南北、东西差异。

图3 113个气象站降水季节性指数PSI逐年序列主成分分析结果

2.3 各分区降水季节性指数PSI的演变特征

图5中PCS序列直观地表征了各分区近50 a PSI的演变过程。从Mann-Kendall趋势检验来看，各PCS序列近50 a的变化趋势均没有通过显著性检验，其中西部(区域Ⅰ)和南部(区域Ⅳ)的PCS呈现出较弱的上升趋势，而中东部(区域Ⅱ)和北部(区域Ⅲ)的PCS呈现出较弱的下降趋势。此外，各PCS突变检验生成的UF/UB序列进一步刻画了PSI的转折性变化。由图5a所示，河南省西部地区(区域Ⅰ)的PCS分别在1987，1994，2014年发生了突变，但未通过显著性检验，其大致呈现出先增加—减少—增加的演变过程。图5b中河南省西部地区(区域Ⅱ)的PCS则大致呈现出减少—增加—减少的演变过程，其分别在1993，2014年发生突变，但未通过显著性水平。图5d中河南省南部地区(区域Ⅳ)的PCS在1982，1997年的突变仍未通过显著性检验，其整体呈现出增加—减少—增加的演变过程，特别是在2004年后其上升趋势较为强烈。相比较区域Ⅰ，Ⅱ，Ⅳ较明显的年代际变化，图4d中河南省北部地区(区域Ⅲ)的PCS存在更多的不显著突变点，其呈现更为明显的短期年际波动。

注：PC1，PC2，PC3，PC4为PSI的时序变化中识别出4个典型的时空演变模态。依据载荷值的高低，第Ⅰ模态(PC1)主要表征了河南省西部地区(区域Ⅰ)PSI的年际变化；第Ⅱ模态(PC2)主要表征了河南省西部地区(区域Ⅱ)PSI的年际变化；第Ⅲ模态(PC3)主要表征了河南省北部地区(区域Ⅲ)PSI的年际变化；第Ⅳ模态(PC4)主要主要表征了河南省南部地区(区域Ⅳ)PSI的年际变化。下同。

图5 各分区主成分得分PCS序列的Mann-Kendall趋势和突变检验

表1给出了各分区PCS序列的EEMD分析结果，以此探求PSI的周期性振荡特征。PCS1，PCS2，PCS3，PCS4的IMF1分量方差贡献率分别为55.9%，70.32%，86.22%，72.08%，明显高于其他IMF分量，这表明了PCS1，PCS2，PCS3，PCS4分别呈现出主周期为2.94，2.63，3.33，2.63 a的短期振荡。与上其他3个分区相比，河南省北部PCS序列的短期振荡更为强烈，其体现在IMF1的方差贡献率超过了86%。

表1 各分区主成分得分PCS序列集合经验模态分析EEMD分解结果

2.4 各分区PSI对大气环流指数的敏感性分析

依托PCS序列以及15种LACI的逐年序列，表2通过相关分析和逐步回归分析探求河南省不同区域PSI变化的主要驱动力。由表2可以发现河南省PSI波动对与环流信号的响应存在着显著的区域差异。4个气候分区中，北部地区(区域Ⅲ)PCS3与LACI的相关性最为显著，其中NAO，MEI，NINO3，NINO1+2，NINO4，NINO3.4均对PCS3有着显著影响，特别是PCS3与NINO3，NINO1+2的负相关性通过了0.01显著性水平检验。NAO，MEI，NINO3，NINO1+2，NINO3.4也对PCS1和PCS2有这显著影响，但负相关性均未通过0.01显著性水平检验。反观区域Ⅳ，PCS4与LACI的相关性最弱，且均未通过且通过0.05显著性水平检验。此外，逐步回归分析指出NAO，NINO3.4，NINO3分别是影响PCS1，PCS2，PCS3的关键环流因子。

表2 主成分得分PCS与LACI的相关分析及多元逐步回归分析

图6中交叉小波能量谱进一步刻画了PCS与关键环流因子的时频对应关系。图6a中PCS1与NAO存在着两个共振周期，两者在1985—1990年期间存在着周期为2～4 a的负相关性，在1985—1990年期间存在着周期为2～4 a的负相关性。图6b中PCS1与NINO3.4存在着两个共振周期，两者在1989—1999年期间存在着周期为1～4 a的负相关性，在1993—2004年期间存在着周期为4～6 a的负相关性。图6c中PCS3与NINO3存在着3个共振周期，两者在1974—1997年期间存在着周期为2～6 a的负相关性，在1989—2004年期间存在着周期为5～6 a的负相关性，在2011—2015年期间存在着周期为2～3 a的负相关性。

通过图6中色相及显著性范围的差异可以发现，NINO3对PCS3有着更为强烈更为持续的影响，这与表2中各分区回归方程的R2高低相吻合。

图6 主成分得分PCS序列与关键环流因子的交叉小波变换

2.5 各分区PSI对主要粮油作物产量的影响

统计资料记录的作物产量与时间呈现出极显著的正相关性，逐年的农业投入、技术进步、政策改良等人为因素极大的提高了产量，因此需要去除人为因素导致的产量增加趋势才能客观的识别气候要素波动的贡献。一阶差分法常应用于产量去趋势处理，即本年产量值减去前一年的产量值，并将要分析的气候要素也做一阶差分，然后将两者对应起来分析[22]。对全省主要粮油作物总产量序列及PCS序列进行一阶差分预处理，并对它们进行了相关分析，以此探求全省粮油作物生产安全对PSI的响应。除花生外，其他5种作物的产量均与各分区PCS呈现出负相关性，这表明较高的年内降水集中性不利于粮油作物的种植(表3)。其中冬小麦的产量波动对PSI极为敏感，其与PCS1，PCS2，PCS4的负相关系数分别为-0.56，-0.392，-0.371，且均通过了0.01显著性水平检验，这说明了河南省大部分地区降水集中性年际异常对冬小麦生产安全有着显著的指示作用。

表3 河南省主要粮油作物总产量与各分区PCS的相关分析

3 讨论

研究区年内降水分配非均匀性的年际变化呈现出显著的区域差异，其可划分为西部、中东部、北部、南部4个呈现不同降水季节性指数(PSI)演变特征的子区域。相类似的空间区划格局还发现在河南省年降水和气温等要素的年际变化[16-18]。该省自南向北由亚热带向暖温带过渡、自东向西由平原向丘陵山地过渡的双重气候过渡性是造成相关指标时空演变呈现出显著区域差异的重要原因[17]。特别是河南省北部地区不仅呈现出较高的降水非均性，且PSI呈现出强烈的短期年际波动。这与该省干旱时空分布规律相一致，由于地处暖温带大陆性季风气候区，降水异常导致北部地区干旱的发生频率、持续强度均高于其他区域[23]。河南省大部分地区降水非均匀性主要受基于海表温度的厄尔尼诺/南方涛动(ENSO)指标的影响，特别是与NAO，NINO3.4，NINO3等指标有着显著的负相关性。相类似的，黄淮海平原诸多极端降水指数与ENSO指数也存在着显著的负相关性[24]。现有的研究表明ENSO的位相转换对华北季节性降水有着重要影响，在暖相位的厄尔尼诺年，春季降水偏多，夏季和全年偏少；反之在冷相拉的尼娜年，春季降水偏少，夏季和全年偏多[25-27]。因此，相关ENSO指标的数值越高，则意味着研究区夏季对年降水总量的贡献率偏低，进而使得年内降水分配更均匀。此外，冬小麦产量对PSI的年际异常较为敏感，特别是西部地区的PSI与小麦产量的相关性达到了-0.560，而研究区冬小麦的气候产量与降水、气温等农气指标的相关系数在-0.39～0.32间浮动[17]。因此，PSI可以作为重要气候指标用来评估由于降水异常导致的灾损。