近45年安徽省極端連續(xù)降水事件的時(shí)空演變

閔俊杰 孫莉娟 黃進(jìn)

摘要：依托安徽省77個(gè)氣象站點(diǎn)1973—2017年逐日降水資料及全省糧油作物產(chǎn)量數(shù)據(jù)，運(yùn)用降水指標(biāo)群評估極端連續(xù)降水事件的時(shí)空演變格局。結(jié)果顯示：（1） 基于各站點(diǎn)8種降水指數(shù)的多年均值，主成分分析表明安徽省連續(xù)降水的頻次和極值均呈現(xiàn)出顯著的南北梯度，高值區(qū)域主要集中在最南端;（2） 各站點(diǎn)不同類型降水指數(shù)與全省水災(zāi)受災(zāi)總面積的相關(guān)分析表明，持續(xù)5～6 d降雨事件的最大降水量（P5～6 d）是表征雨澇災(zāi)害最有效的指標(biāo);（3） 基于主成分分析，安徽省大致可以劃分為4個(gè)呈現(xiàn)不同P5～6 d變化特征的子區(qū)域，分別為中部、北部、南部、西北部，其中南部地區(qū)2003年后P5～6 d增加趨勢較為強(qiáng)烈;（4） 糧油作物單產(chǎn)與P5～6 d存在著顯著的負(fù)相關(guān)性，尤其是安徽西北部P5～6 d對稻谷、花生和芝麻的單產(chǎn)波動(dòng)有著更為顯著的指示作用。

關(guān)鍵詞：安徽省;極端連續(xù)降水;主成分分析;糧油作物;時(shí)空演變

中圖分類號(hào)： P426;S161.6? 文獻(xiàn)標(biāo)志碼： A? 文章編號(hào)：1002-1302（2020）20-0301-07

我國幅員遼闊且地理跨度較大，降水分配呈現(xiàn)出明顯的季節(jié)和區(qū)域特性，因而探求不同區(qū)域降水的時(shí)空演變對掌握旱澇變化規(guī)律具有重要的指導(dǎo)意義[1]。安徽省地跨長江、淮河，作為全國重要的糧食產(chǎn)區(qū)，南北氣候條件差異大，水澇災(zāi)害頻發(fā)，農(nóng)業(yè)經(jīng)濟(jì)損失嚴(yán)重[2]。聯(lián)合國政府間氣候變化專門委員會(huì)（IPCC）第4次評估報(bào)告指出，江淮流域極端降水事件在21世紀(jì)將加劇，其誘發(fā)的洪水和內(nèi)澇將會(huì)給群眾的生命財(cái)產(chǎn)和公共基礎(chǔ)設(shè)施帶來重大影響[3]。因此，相關(guān)領(lǐng)域科研人員從降雨事件的頻次、雨量、極值等不同角度探求安徽省降水變化及其對農(nóng)業(yè)影響的區(qū)域差異性[4-6]。相關(guān)研究表明，某時(shí)期內(nèi)持續(xù)時(shí)間較長的降水事件是當(dāng)?shù)氐暮闈碁?zāi)害形成的重要誘因，此外長歷時(shí)持續(xù)降水還會(huì)帶來低溫寡照和濕漬害等農(nóng)業(yè)氣象災(zāi)害[7-8]。診斷極端連續(xù)降水事件的變化趨勢已在我國廣西壯族自治區(qū)、甘肅省、湖南省、新疆維吾爾自治區(qū)、江蘇省等地區(qū)得到研究[9-13]。然而安徽省現(xiàn)有的研究對極端連續(xù)降水事件時(shí)空變化規(guī)律的探求還很薄弱。因此，筆者重點(diǎn)分析研究區(qū)不同持續(xù)時(shí)間連續(xù)降水事件的時(shí)空演變，并探討其對主要糧油作物產(chǎn)量波動(dòng)的可能影響。

1 材料與方法

1.1 基本數(shù)據(jù)

降水資料來源于安徽省氣象局提供的77個(gè)氣象觀測站1973—2017年間的逐日降水?dāng)?shù)據(jù)，這77個(gè)站點(diǎn)的空間分布見圖1。此外，國家統(tǒng)計(jì)數(shù)據(jù)庫（http：//data.stats.gov.cn/）記錄了全省尺度1973—2017年間的水災(zāi)受災(zāi)面積，同時(shí)還提供了全省尺度水稻、小麥、玉米、花生、油菜、芝麻6種主要糧油作物1973—2017年間的單位面積產(chǎn)量（簡稱單產(chǎn)）數(shù)據(jù)。

1.2 極端連續(xù)降水指數(shù)的定義

參考現(xiàn)有研究，根據(jù)連續(xù)降水事件持續(xù)的時(shí)間，定義了8種極端連續(xù)降水指數(shù)（表1）。其中，連續(xù)降水事件的最短持續(xù)時(shí)間為1 d，且日降水量超過1 mm。

1.3 降水指數(shù)的時(shí)空分析方法

主成分分析常用于多指標(biāo)綜合評價(jià)的數(shù)據(jù)降維，其作用于多樣本（站點(diǎn)）多指標(biāo)構(gòu)成的矩陣時(shí)，可以把有一定相關(guān)性的多個(gè)原始指標(biāo)通過線性變換為另1組新的不相關(guān)的少量指標(biāo)。新的指標(biāo)按照方差依次遞減的順序排列，排第1位的指標(biāo)稱為主成分1（PC1），依次類推[14]。主成分分析在識(shí)別氣候變量相似及分異性的區(qū)劃中也有廣泛應(yīng)用，其作用于多樣本（站點(diǎn)）單一指標(biāo)時(shí)間序列構(gòu)成的矩陣時(shí)，新生成的若干主成分得分序列表征了研究區(qū)不同類型的年際變化，不同主成分在各站點(diǎn)原始序列的載荷可有效地用于空間尺度的氣候分區(qū)[15]。與此同時(shí)，“Mann-Kendall趨勢檢驗(yàn)（M-K檢驗(yàn)）”以及5年滑動(dòng)平均處理用來診斷相關(guān)降水指數(shù)的變化特征，其中M-K檢驗(yàn)提供度量值（Z）來判別時(shí)間序列變化趨勢是否顯著，若Z的絕對值大于1.96則認(rèn)為趨勢顯著[16]。此外，借助集合經(jīng)驗(yàn)?zāi)B(tài)分析（ensemble empirical mode decomposition，簡稱EEMD）推求降水指數(shù)的主導(dǎo)周期，其可以有效地從離散無序的信號(hào)序列中提取各尺度趨勢分量，剝離出的有限本征模函數(shù)（intrinsic mode function，簡稱IMF）分量體現(xiàn)了基于不同時(shí)間尺度的原信號(hào)序列的局部特征[17-18]。

2 結(jié)果與分析

2.1 極端連續(xù)降水指數(shù)的空間分布

首先計(jì)算了安徽省各站點(diǎn)8種降水指數(shù)的多年均值，將其構(gòu)建的8列（8個(gè)降水指標(biāo)）×77行（77個(gè)站點(diǎn)）的矩陣導(dǎo)入統(tǒng)計(jì)軟件SPSS 19.0中的主成分分析模塊。從圖2-a可知，主成分1（PC1）的方差貢獻(xiàn)率超過了80%，且特征根均大于2，因此原指標(biāo)群降維成的PC1這個(gè)新的綜合指標(biāo)。SPSS基于原始指標(biāo)和主成分的線性關(guān)系輸出的各站點(diǎn)主成分得分（PCS）通過ArcGIS 10的反距離權(quán)插值提煉出安徽省極端連續(xù)降水的空間分布格局。圖2-b中PCS呈現(xiàn)出顯著的由南向北遞減的梯度變化，表明南部不同歷時(shí)極端連續(xù)降水事件的頻次和極值均明顯高于其他區(qū)域，這主要是由安徽省典型的氣候南北過渡性和緯度地帶性所導(dǎo)致的[2，5]。

基于圖2-a中PCS的數(shù)值高低，全省劃分為4個(gè)不同氣候平均態(tài)的區(qū)域。從圖3中降水頻次來看，全省持續(xù)5～6 d降水事件年均發(fā)生頻次不足3次，而持續(xù)6 d以上降水事件的年均發(fā)生頻次不足1次。相比較安徽北部（區(qū)域A、B），南部地區(qū)（區(qū)域C、D）的長歷時(shí)連續(xù)降水事件的頻次明顯較高，特別是持續(xù)5～6 d降水事件的頻次超過了2次。從圖3中雨量貢獻(xiàn)率來看，安徽北部（區(qū)域A、B）降水主要集中在持續(xù)1～2 d降水事件，其貢獻(xiàn)了60%左右的降水量。而南部地區(qū)（區(qū)域C、D）持續(xù)3～4、5～6 d降水事件的貢獻(xiàn)率分別超過了30%、10%，最南部（區(qū)域D）持續(xù)6 d以上降水事件的水量貢獻(xiàn)率接近了10%。

2.2 連續(xù)降水指數(shù)的變化趨勢

對全省尺度連續(xù)降水指數(shù)的年際變化序列進(jìn)行M-K趨勢檢驗(yàn)分析。從圖4-a中頻次變化趨勢可以發(fā)現(xiàn)，除N1～2 d外，N3～4 d、N5～6 d、N>6 d 的檢驗(yàn)Z值均小于0，但都沒有達(dá)到顯著性水平的閾值-1.96。相比較下，極值的變化趨勢較為顯著，其P1～2 d的增加趨勢通過了顯著性水平。圖4-b中站點(diǎn)尺度降水指數(shù)M-K檢驗(yàn)結(jié)果與圖4-a基本吻合。在超過60%的站點(diǎn)上，除 N1～2 d 和P1～2 d外的其他6個(gè)降水指數(shù)均呈現(xiàn)出減少趨勢，但其中呈現(xiàn)顯著減少趨勢的站點(diǎn)不超過3個(gè)?？傮w而言，安徽省中長期連續(xù)降水事件的發(fā)生頻次與極值呈現(xiàn)出一定的的減弱趨勢。

2.3 關(guān)鍵降水指數(shù)的篩選

圖2中主成分分析結(jié)果反映了降水指數(shù)之間極強(qiáng)的共線性，指標(biāo)群過于冗繁，因此簡化并篩選出關(guān)鍵指標(biāo)有利于精準(zhǔn)評估研究區(qū)雨災(zāi)的時(shí)空變化。匯總了各站點(diǎn)某種類型降水指數(shù)與全省水災(zāi)受災(zāi)面積年際變化同步性的分析結(jié)果（表2），相關(guān)性越高，同步性越強(qiáng)，則該指標(biāo)越能表征研究區(qū)的雨災(zāi)變化。由此可以發(fā)現(xiàn)，無論是比較相關(guān)系數(shù)的均值還是呈顯著正相關(guān)性站點(diǎn)的數(shù)量，持續(xù)5～6 d降雨事件的最大降水量（P5～6 d）明顯優(yōu)于其他降水指數(shù)，其對指示研究區(qū)水災(zāi)具有較強(qiáng)的普適性，應(yīng)作為關(guān)鍵指標(biāo)進(jìn)一步分析。

2.3 P5～6 d的時(shí)空演變

為了辨識(shí)關(guān)鍵水災(zāi)指標(biāo)P5～6 d年際變化的區(qū)域差異，將各站點(diǎn)P5～6 d逐年序列構(gòu)建的77列（77個(gè)站點(diǎn)）×45行（45年）的矩陣導(dǎo)入統(tǒng)計(jì)軟件SPSS 19.0中進(jìn)行主成分分析。圖5中前4個(gè)主成分特征根及累計(jì)方差貢獻(xiàn)率尤為突出，因而77個(gè)站點(diǎn)P5～6 d近45年的年際變化可識(shí)別出4種特征各異的典型變化模態(tài)。圖6中的載荷表征了不同模態(tài)與各站點(diǎn)P5-6d序列的相關(guān)性，可有效地將研究區(qū)劃分為與4個(gè)主成分相對應(yīng)的子區(qū)域，分別為區(qū)域Ⅰ（中部）、區(qū)域Ⅱ（北部）、區(qū)域Ⅲ（南部）、區(qū)域Ⅳ（西北部）。

主成分得分序列直觀地表征了各子區(qū)域近45年P(guān)5～6 d演變過程（圖7）。從M-K檢驗(yàn)結(jié)果來看，各序列1973—2017年間的變化趨勢均沒有通過顯著性檢驗(yàn)，其中區(qū)域Ⅳ的P5～6 d下降趨勢較強(qiáng)。此外，各序列的5年滑動(dòng)平均曲線進(jìn)一步刻畫出了P5～6 d的波動(dòng)與振蕩。從圖6可以看出，區(qū)域Ⅰ、Ⅱ、Ⅲ、Ⅳ的P5～6 d有著較明顯的年代際轉(zhuǎn)折，其中區(qū)域Ⅰ、Ⅱ、Ⅲ大致分別呈現(xiàn)出增加—減少—增加變化型，而區(qū)域Ⅳ呈現(xiàn)出增加—減少—增加—減少的變化型。值得關(guān)注的是2003年以后，安徽南部（區(qū)域Ⅲ）P5～6 d上升態(tài)勢較為顯著，而安徽西北部（區(qū)域Ⅳ）P5～6 d則呈現(xiàn)出顯著的下降態(tài)勢。20世紀(jì)90年代末以來全球海溫持續(xù)偏暖，西太平洋副熱帶高壓與南亞高壓偏強(qiáng)，其引發(fā)雨帶滯留于長江以北地區(qū)，進(jìn)而導(dǎo)致安徽省降水變化異常的南北差異[19]。

為了進(jìn)一步探究P5～6 d的周期性特征，對各子區(qū)域的PCS序列進(jìn)行EEMD分解，其結(jié)果見表3。

總體而言，研究區(qū)P5～6 d的呈現(xiàn)出以2～3年為主周期的年際振蕩，體現(xiàn)在各分區(qū)PCS的IMF1分量的方差貢獻(xiàn)率均接近或超過了50%，所占比重最高。這與安徽省年、季節(jié)降水量Morlet小波分析的結(jié)果相接近，其存在著2～4年的振蕩周期[5]。此外，P5～6 d的次周期特征存在一定的區(qū)域差異，區(qū)域Ⅰ、Ⅱ、Ⅲ呈現(xiàn)出周期為5年的振蕩變化，其對應(yīng)IMF2分量的方差貢獻(xiàn)率均高于IMF3、IMF4、IMF5;而區(qū)域IV則呈現(xiàn)出周期為15年的振蕩，其對應(yīng)IMF3分量的方差貢獻(xiàn)率高于IMF2、IMF4、IMF5。

2.4 P5～6 d對糧油作物單產(chǎn)波動(dòng)的潛在影響

為了剔除生產(chǎn)技術(shù)進(jìn)步等非氣候要素對產(chǎn)量形成的影響[20]，采用一階差分法計(jì)算全省尺度6種主要糧油作物單產(chǎn)和各子區(qū)域PCS序列的相關(guān)系數(shù)（表4），以此來探求不同區(qū)域P5～6 d年際變化對糧油生產(chǎn)安全的可能作用。從表3可以看出，除玉米外，其他作物的單產(chǎn)均與PCS存在著顯著的負(fù)相關(guān)性。特別是稻谷、花生、芝麻單產(chǎn)與PCS4（表征區(qū)域Ⅳ的P5～6 d）的相關(guān)性分別達(dá)到了-0.500、-0.583、-0.489，此外小麥單產(chǎn)與PCS2（表征區(qū)域Ⅱ的P5～6 d）的相關(guān)性也達(dá)到了 -0.406，且這些相關(guān)性均通過了0.01顯著性水平檢驗(yàn)。相比較而言，油菜籽單產(chǎn)與PCS的相關(guān)性較弱，只通過了005顯著性水平檢驗(yàn)。鑒于此，安徽省稻谷、花生、芝麻、小麥這4種作物的種植對長歷時(shí)極端連續(xù)降水事件更為敏感，P5～6 d可以作為重要的農(nóng)業(yè)氣象災(zāi)害評估指標(biāo)加以廣泛應(yīng)用?？傮w而言，P5～6 d的年際變化對安徽省糧油作物單產(chǎn)波動(dòng)有著顯著的指示作用，加強(qiáng)西北部（區(qū)域Ⅳ）這一重點(diǎn)區(qū)域 P5～6 d 的監(jiān)測及預(yù)報(bào)，有利于降低雨澇災(zāi)害帶來的農(nóng)業(yè)損失。

3 結(jié)論

（1）本研究計(jì)算并提取了安徽省77個(gè)氣象站點(diǎn)的8種連續(xù)降水指數(shù)，主成分分析指出研究區(qū)不同歷時(shí)極端連續(xù)降水事件的頻次與極值均由南向北遞減。（2）各站點(diǎn)不同類型降水指數(shù)與全省水災(zāi)受災(zāi)總面積的相關(guān)分析指出持續(xù)5～6 d降雨事件的最大降水量（P5～6 d）可作為研究區(qū)表征雨澇災(zāi)害的最優(yōu)指標(biāo)。（3）基于主成分分析，安徽可以劃分成中部、北部、南部、西北部這4個(gè)呈現(xiàn)不同P5～6 d年際變化特征的子區(qū)域，其中南部地區(qū)P5～6 d自2003年以來呈現(xiàn)出較為明顯的增加趨勢。（4）除玉米外，水稻、小麥、花生、油菜籽和芝麻的單產(chǎn)均與表征P5～6 d的PC3存在著顯著的負(fù)相關(guān)性，尤其是安徽西北部P5～6 d對水稻、花生和芝麻的單產(chǎn)波動(dòng)有著更為顯著的指示作用。

參考文獻(xiàn)：

[1]曾 燕，譚云娟，邱新法，等. 我國十大流域不同等級降水的變化趨勢分析[J]. 江蘇農(nóng)業(yè)科學(xué)，2017，45（14）：189-195.

[2]丁建隆，汪海歐，董召榮，等. 1960—2013年安徽極端降水特征研究[J]. 干旱氣象，2016，34（2）：252-260.

[3]王 靜，余錦華，何俊琦. 江淮地區(qū)極端降水特征及其變化趨勢的研究[J]. 氣候與環(huán)境研究，2015，20（1）：80-88.

[4]謝五三，田 紅. 近50年安徽省暴雨氣候特征[J]. 氣象科技，2011，39（2）：160-164.

[5]聶 兵，沈 非，徐光來，等. 安徽省近50年降水時(shí)空變化分析[J]. 安徽師范大學(xué)學(xué)報(bào)（自然科學(xué)版），2017，40（6）：574-579.

[6]付 偉，司紅君，程 智，等. 安徽省極端降水事件的時(shí)空分布特征及其對農(nóng)業(yè)生產(chǎn)的動(dòng)態(tài)影響分析[J]. 中國農(nóng)學(xué)通報(bào)，2017，33（15）：117-123.

[7]黃榮輝，陳 棟，劉 永. 中國長江流域洪澇災(zāi)害和持續(xù)性暴雨的發(fā)生特征及成因[J]. 成都信息工程學(xué)院學(xué)報(bào)，2012，27（1）：1-19.

[8]吳洪顏，曹 璐，李 娟，等. 長江中下游冬小麥春季濕漬害災(zāi)損風(fēng)險(xiǎn)評估[J]. 長江流域資源與環(huán)境，2016，25（8）：1279-1285.

[9]孫桂凱，佘 璇，高 沫，等. 廣西極端連續(xù)降水變化趨勢及周期性研究[J]. 水電能源科學(xué)，2018，36（2）：6-9，19.

[10]李小亞，張 勃. 河西地區(qū)最大連續(xù)降水事件的時(shí)空變化特征[J]. 水土保持通報(bào)，2013，33（2）：43-48.

[11]張劍明，廖玉芳，段麗潔，等. 湖南近50年極端連續(xù)降水的氣候變化趨勢[J]. 地理研究，2012，31（6）：1004-1015.

[12]李劍鋒，張 強(qiáng)，白云崗，等. 新疆地區(qū)最大連續(xù)降水事件時(shí)空變化特征[J]. 地理學(xué)報(bào)，2012，67（3）：312-320.

[13]徐 陽，孫莉娟，黃 進(jìn)，等. 江蘇省單季稻生育期內(nèi)連續(xù)降水事件的時(shí)空變化[J]. 江西農(nóng)業(yè)學(xué)報(bào)，2018，30（5）：89-93.

[14]張 泰，張 莉，彭佳紅. 基于主成分與支持向量機(jī)的邵陽縣煙草產(chǎn)量預(yù)測[J]. 中國農(nóng)學(xué)通報(bào)，2019，35（13）：152-156.

[15]李 斌，李麗娟，李海濱，等. 瀾滄江流域干旱變化的時(shí)空特征[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2011，27（5）：87-92，393.

[16]任婧宇，趙俊俠，馬紅斌，等. 2015—2100年黃土高原四季氣候變化的時(shí)空分布趨勢預(yù)測[J]. 水土保持通報(bào)，2019，39（5）：262-271.

[17]趙雪花，桑宇婷，祝雪萍.基于CEEMD-GRNN組合模型的月徑流預(yù)測方法[J]. 人民長江，2019，50（4）：117-123，141.

[18]劉曉瓊，吳澤洲，劉彥隨，等. 1960—2015年青海三江源地區(qū)降水時(shí)空特征[J]. 地理學(xué)報(bào)，2019，74（9）：1803-1820.

[19]李淑萍，侯 威，封泰晨. 近52年長江中下游地區(qū)夏季年代際尺度干濕變化及其環(huán)流演變分析[J]. 大氣科學(xué)，2015，39（5）：885-900.

[20]王 柳，熊 偉，溫小樂，等. 溫度降水等氣候因子變化對中國玉米產(chǎn)量的影響[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2014，30（21）：138-146.郭玉婷，李文韜，吳名杰，等. 海南島高溫日數(shù)時(shí)空分布特征及其對雙季稻的影響[J]. 江蘇農(nóng)業(yè)科學(xué)，2020，48（20）：308-312，332.