利用GRACE/GRACE-FO重力衛(wèi)星探測黃河流域水儲量能力及極端氣候發(fā)生的可能性

謝小偉 幸茂仁 汪璐璐 許光煜 溫涵羽

1 東華理工大學測繪工程學院，南昌市廣蘭大道418號，330000

近年，黃河流域干旱和洪水等極端氣候日益頻繁，極大影響了居民的生活環(huán)境。為保證黃河流域生態(tài)的可持續(xù)發(fā)展，深入研究黃河流域陸地水儲量變化對揭示極端氣候事件時空演變規(guī)律具有重要意義。

GRACE重力衛(wèi)星通過測量地球時變重力場信號，獲得全球每月陸地水儲量變化[1]，具有數(shù)據(jù)獲取效率高、觀測重復及尺度統(tǒng)一、分布均勻等優(yōu)點，在大范圍陸地水儲量反演與極端氣候監(jiān)測方面有很多應用[2-11]，但關于黃河流域極端性氣候的研究較少。本文以黃河流域為研究區(qū)域，基于GRACE/GRACE-FO數(shù)據(jù)分析2004～2021年陸地水儲量變化，同時構建干旱指數(shù)模型和洪水因子模型，以監(jiān)測研究區(qū)極端氣候事件，為黃河流域水資源管理和極端氣候風險評估提供可靠依據(jù)。

1 數(shù)據(jù)來源與研究方法

1.1 數(shù)據(jù)來源

1)GRACE/GRACE-FO數(shù)據(jù)。本文采用CSR提供的GRACE mascon數(shù)據(jù)對黃河流域陸地水儲量進行反演分析，時間跨度為2004-01～2021-07共計211個月，時間分辨率為1個月，空間分辨率為0.25°。GRACE mascon數(shù)據(jù)在反演時可直接將地表質量遷移作為參數(shù)引入觀測方程進行求解，不需要進行額外的濾波及信號恢復[12]。數(shù)據(jù)處理過程中采用衛(wèi)星激光測距(SLR)數(shù)據(jù)解算的C20項和C30項，分別替換GRACE/GRACE-FO數(shù)據(jù)的C20項及GRACE-FO數(shù)據(jù)的C30項[13]。

2)GLDAS數(shù)據(jù)。本文采用的水文模型是基于GLDAS-noah模型對黃河流域地表水儲量進行反演的研究成果，模型模擬2004-01～2021-07的4層土壤水及積雪水之和作為地表水儲量結果，時間分辨率為1個月，空間分辨率為0.25°[14]。

3)GPM數(shù)據(jù)。GPM是NASA和JAXA利用多傳感器多衛(wèi)星多算法，結合衛(wèi)星網(wǎng)絡和雨量計反演得到的具有更高精度的降水數(shù)據(jù)，空間分辨率為0.1°，時間分辨率為1個月。為與GRACE數(shù)據(jù)進行比較，將GPM數(shù)據(jù)空間分辨率重采樣為0.25°[15]。

1.2 洪水因子模型

本文洪水因子模型是基于黃河流域容納洪水的潛力量來進行洪水事件監(jiān)測的。洪水潛力量為：

F(t)=PMON(t)-SDEF(t)

(1)

對其進行歸一化處理得到洪水因子：

(2)

當洪水因子值越接近1時，表明區(qū)域內容納洪水的能力越弱，發(fā)生洪水的可能性越大。

SDEF(t)=Smax-S(t)

(3)

S(t)=a×S(t-τ)+b×S(t-12)

(4)

PMON(t)=c×PMON(t-τ)+d×PMON(t-12)

(5)

式中，F(xiàn)(t)為洪水潛力量；PMON(t)為月降水量；FPIi為洪水因子；SDEF(t)為水儲量能力；S(t)為t時刻的水儲量變化；τ為前置時間；S(t-12)為前1 a相同月份的水儲量變化；Smax為最大水儲量能力；a、b、c、d為未知參數(shù)，通過前期水儲量變化確定數(shù)值后，即可利用前期數(shù)據(jù)對當前月份進行計算。

為確定前置時間τ，本文通過選取τ=1～11進行多項式最小二乘擬合，獲取未知參數(shù)值。當標準差(STD)最小時，即為最佳前置時間。標準差用以衡量數(shù)據(jù)值偏離算術平均值的程度，其值越小，數(shù)值偏離平均值就越少，即標準差最小更能反映所選前置時間為最佳前置時間。

由表1(單位cm)可知，當τ=9時STD(S(t))最小，STD(PMON(t))與最小標準差接近，本文后續(xù)研究均選取τ=9。

表1 τ=1～11的S(t)和PMON(t)標準差值

1.3 干旱指數(shù)模型

本文采用冉艷紅等[8]構建的干旱指數(shù)模型對干旱事件強度進行量化，具體公式為：

(6)

表2 GRACE-DSI干旱等級分級標準

2 陸地水儲量變化

2.1 時間序列變化及分析

將黃河流域2004-01～2021-07陸地水儲量變化、地表水儲量變化及降水時間序列進行對比，結果如圖1所示，圖中藍色折線為陸地水儲量變化，綠色折線為地表水儲量變化，紅色柱狀為月降水數(shù)據(jù)。結果顯示，陸地水儲量、地表水儲量及降水年變化趨勢分別為-0.56 cm/a、0.14 cm/a及0.54 mm/a，降水與地表水都呈上升趨勢，表明降水是影響黃河流域地表水儲量變化的主要因素之一；陸地水儲量變化在整個時段表現(xiàn)為減少趨勢，這可能是因為此時段內黃河流域工業(yè)用水、農(nóng)業(yè)灌溉用水等地下水開采行為增加，地下水被嚴重消耗，導致陸地水儲量呈下降趨勢。此外，陸地水儲量變化的極小值出現(xiàn)在2016-06(-11.48 cm/a)，與降水數(shù)據(jù)進行對比發(fā)現(xiàn)，2016-03～06降水量從193.3 mm減至131.1 mm，降水急劇減少，導致該時段出現(xiàn)嚴重干旱，地下水消耗嚴重。2016-06之后陸地水、地表水及降水年變化趨勢分別為0.16 cm/a、1.32 cm/a及1.29 mm/a，可以看出，陸地水未持續(xù)下降，反而呈略微上升趨勢，可能是因為黃河流域實行了嚴格的水資源管理制度，為水資源保護工作提供了有力支撐[16]；而地表水與陸地水出現(xiàn)較大差異可能是因為降水導致地表水增多，但降水量變化較小，不足以補充前期虧空的地下水，導致地下水儲量呈持續(xù)低位狀態(tài)。

圖1 GRACE和GLDAS反演結果與降水量對比Fig.1 Comparison between GRACE and GLDAS inversion results and precipitation

圖2為陸地水儲量每年同月份均值變化，可以看出，黃河流域陸地水儲量的季節(jié)周期性變化顯著，夏秋季出現(xiàn)峰值，此時水儲量處于盈余狀態(tài)，極大值為2.27 cm/a；春冬季出現(xiàn)谷值，此時水儲量處于虧損狀態(tài)，極小值為-1.28 cm/a。

圖2 黃河流域陸地水儲量年內變化Fig.2 Annual variation of water reserves in the Yellow river basin

2.2 變化趨勢空間分布分析

經(jīng)最小二乘擬合得到黃河流域陸地水儲量年變化趨勢空間分布(圖3)，可以看出，陸地水儲量年變化趨勢具有明顯的地域性，在西部區(qū)域呈上升趨勢，東部區(qū)域呈下降趨勢，極大值為0.6 cm/a，極小值為-1.5 cm/a；地表水儲量年變化趨勢也表現(xiàn)出明顯的地域性，在西南部區(qū)域及東北部區(qū)域呈上升趨勢，東南部區(qū)域呈下降趨勢，極大值為1.5 cm/a，極小值為-1.5 cm/a。圖4為降水年變化趨勢空間分布，由圖可知，黃河流域降水空間分布與地表水年變化空間分布極為相似，兩者相關性較強，皆表現(xiàn)為西南部區(qū)域和東北部區(qū)域呈上升趨勢，東南部區(qū)域呈下降趨勢特征。

對比圖3(a)和4可知，在東部區(qū)域降水增加的情況下，黃河流域陸地水儲量反而減少。這是因為黃河流域由西向東人口密度逐漸增加，工農(nóng)業(yè)逐漸發(fā)達，導致東部區(qū)域地下水開采嚴重，另外反演結果可能受東部山西地區(qū)煤礦開采干擾，陸地水儲量減少。由此表明，降雨是影響黃河流域陸地水儲量變化的重要因素，但非唯一因素。

圖3 GRACE陸地水儲量和GLDAS地表水儲量年變化趨勢空間分布Fig.3 Spatial distribution of GRACE land water reserves and GLDAS surface water reserves

圖4 降雨年變化趨勢空間分布Fig.4 Annual variation trend of rainfall

3 極端氣候

3.1 干旱風險性分析

黃河流域地處干旱-半干旱地區(qū)，水資源條件先天不足，流域內極端氣候頻發(fā)，嚴重影響工農(nóng)業(yè)生產(chǎn)和城市化發(fā)展[17]。因此本文基于GRACE陸地水儲量變化對黃河流域發(fā)生的極端氣候進行風險性分析，為黃河流域的水資源管理提供可靠依據(jù)。圖5為2004-01～2021-07黃河流域干旱指數(shù)時間序列，可以看出，干旱指數(shù)分布極不規(guī)律，極小值為-1.93，極大值為2.15。黃河流域在2015年以前干旱指數(shù)較大，表明干旱事件較少發(fā)生，且強度不高；2015年后干旱指數(shù)明顯降低，表明2015年發(fā)生了大尺度干旱事件，導致陸地水儲量大量減少，而后續(xù)水儲量補給不足，此后干旱指數(shù)一直呈較低狀態(tài)。本文根據(jù)干旱指數(shù)模型對黃河流域各地區(qū)干旱事件次數(shù)及等級進行統(tǒng)計，結果見表3。由表可知，黃河流域在不同時段內發(fā)生多次極度干旱事件，干旱范圍覆蓋青海、陜西、甘肅等地，其中以青海地區(qū)干旱事件次數(shù)最多，陜西地區(qū)干旱事件強度最高。

圖5 GRACE-DSI干旱指數(shù)時間序列Fig.5 GRACE-DSI drought index time series

為驗證干旱指數(shù)模型探測干旱事件的準確性，選取表3中強度最高的干旱事件進行分析，即2015-08陜西地區(qū)極度干旱事件(干旱指數(shù)為-2.75)。據(jù)統(tǒng)計，黃河流域2013年降雨量為1 760.63 mm，2014年降雨量為1 818.87 mm，2015年降雨量為1 684.52 mm，2016年降雨量為1 797.51 mm，其中2015年的降雨量明顯低于其他年份，而降雨量的降低很大程度上會導致干旱事件的發(fā)生。將干旱指數(shù)空間分布(圖6(a))和降雨空間分布(圖6(b))進行對比，并利用國家氣候中心發(fā)布的全國干旱綜合監(jiān)測圖(圖7)進行驗證。結果顯示，2015-08黃河流域東南部和北部地區(qū)呈現(xiàn)大面積干旱，干旱等級最高為極度干旱，干旱指數(shù)達-2.75；降雨分布呈現(xiàn)東南部和北部減少，西南部及中部增多的趨勢；降雨嚴重減少的地區(qū)，相應的干旱程度明顯增加，說明干旱事件的發(fā)生與降雨量有很大關系。干旱指數(shù)觀測結果與實際觀測結果較為吻合，表明干旱指數(shù)模型能較好地監(jiān)測干旱事件。

表3 黃河流域各省干旱事件次數(shù)統(tǒng)計

圖6 2015-08干旱指數(shù)和降雨空間分布Fig.6 Spatial distribution of drought index and rainfall in August 2015

圖7 2015-08月全國干旱綜合監(jiān)測圖Fig.7 National comprehensive drought monitoring map in August 2015

圖8 洪水因子時間序列Fig.8 Flood factor time series

3.2 洪水風險性分析

圖8為2004-01～2021-07黃河流域洪水因子時間序列，圖中虛線方框為洪水因子異常情況，洪水因子值越接近1表明發(fā)生洪水的概率越大?？梢钥闯?，洪水因子在夏季和秋季雨水豐沛時最大，春季和冬季降雨減少時最小。為更好地統(tǒng)計研究時段黃河流域發(fā)生洪水事件的次數(shù)，設置洪水因子閾值為0.6，超過該閾值則表示發(fā)生洪水[10，18]。表4為2004-01～2021-07黃河流域各地區(qū)洪水事件次數(shù)統(tǒng)計結果，由表可知，洪水在黃河流域中部及東南地區(qū)發(fā)生次數(shù)較多，山西地區(qū)洪水事件發(fā)生次數(shù)最多。

表4 黃河流域各省洪水事件次數(shù)統(tǒng)計

為確定洪水因子模型監(jiān)測洪水事件的準確性，依據(jù)國家氣候中心公布的洪水事件，結合洪水因子異常情況，對黃河流域不同時間、不同地區(qū)的部分洪水事件進行洪水因子統(tǒng)計，結果見表5。由表可知，洪水因子模型準確探測到黃河流域發(fā)生的多次洪水事件，洪水因子均超過0.6，證明洪水因子模型能很好地監(jiān)測黃河流域洪水事件。

表5 黃河流域部分洪水事件及洪水因子

為研究近期黃河流域陸地水儲量變化和相應的水儲量能力及洪水事件發(fā)生時的降水特征、洪水因子變化情況等，選取2021-07河南地區(qū)洪水事件進行分析。圖9(a)為2021-07河南地區(qū)陸地水儲量變化趨勢，圖9(b)為2021-07河南地區(qū)降雨空間分布?？梢钥闯?，河南地區(qū)陸地水儲量及降雨分布呈區(qū)域性變化：河南北部區(qū)域陸地水儲量變化最大(-44.51 cm/a)，南部區(qū)域變化最小(3.36 cm/a)；降雨量在北部區(qū)域變化最大(224.48 mm/a)，南部區(qū)域降雨量變化最小(131.42 mm/a)。當水儲量和降水量在相同區(qū)域的變化差異過大時，就有很大概率發(fā)生洪水事件，但仍需結合洪水因子對黃河流域水儲量能力進行深入分析。

圖9 河南陸地水儲量和降水量空間分布Fig.9 Spatial distribution of land water reserves and precipitation in Henan province

圖10(a)為水儲量能力空間分布，為移除區(qū)域差異，對水儲量能力進行歸一化?？梢钥闯?，2021-07河南地區(qū)水儲量能力值都接近于零，表明水儲量能力很小，而降雨空間分布(圖9(b))則顯示此時河南區(qū)域降雨量很大。當水儲量能力很小而降雨量很大時，洪水事件發(fā)生的可能性大大增強。

圖10 水儲量能力和洪水因子空間分布Fig.10 Water storage capacity and spatial distribution of flood factors

為保證實驗結果的準確性，將洪水因子空間分布(圖10(b))與國家氣候中心發(fā)布的全國主要氣象災害分布圖(圖11)進行比對。結果顯示，河南地區(qū)洪水因子指數(shù)最高達0.94，洪水事件發(fā)生的可能性極大；全國主要氣象災害分布圖顯示，河南地區(qū)在2021-07遭受極端洪澇災害。綜上可知，洪水因子模型從時間和空間角度都真實地反映了河南地區(qū)發(fā)生的洪水事件，且與實際情況相符，表明洪水因子模型可以對流域內洪水事件進行較好的監(jiān)測。

圖11 全國主要氣象災害分布圖Fig.11 Distribution map of major meteorological disasters in China

4 結 語

本文基于2004～2021年GRACE/GRACE-FO重力衛(wèi)星數(shù)據(jù)，分析了黃河流域陸地水儲量時空變化情況，并在此基礎上構建了干旱指數(shù)模型及洪水因子模型，用于分析流域內的極端氣候事件。實驗結論如下：

1)2004～2021年黃河流域陸地水儲量以0.56 cm/a的速度減少，季節(jié)周期性變化特征明顯，在春季和冬季呈虧損狀態(tài)，夏季和秋季呈盈余狀態(tài)；

2)干旱指數(shù)模型準確監(jiān)測到研究時段黃河流域多場干旱事件的發(fā)生，其中極度干旱事件發(fā)生22次，重度干旱事件發(fā)生37次，干旱事件范圍覆蓋整個黃河流域；

3)洪水因子模型精準監(jiān)測到研究時段黃河流域共發(fā)生洪水事件118次，其中大多發(fā)生在夏秋季雨水較為豐沛時期，期間黃河流域陸地水儲量較弱，且降雨量增多。

本文利用GRACE/GRACE-FO重力衛(wèi)星數(shù)據(jù)構建的干旱指數(shù)模型和洪水因子模型監(jiān)測到的氣象結果與實際氣象觀測結果較為符合，從時間和空間角度真實反映了黃河流域發(fā)生的多次極端氣候事件，可為研究極端氣候提供有利工具。