基于統(tǒng)計降尺度和SPI的黃河流域干旱預測

楊肖麗, 鄭巍斐, 林長清, 任立良, 王雨茜, 張夢如, 袁 飛,江善虎

(1.河海大學水文水資源與水利工程科學國家重點實驗室,江蘇 南京 210098;2. 河海大學水文水資源學院,江蘇 南京 210098)

基于統(tǒng)計降尺度和SPI的黃河流域干旱預測

楊肖麗1,2, 鄭巍斐1,2, 林長清1,2, 任立良1,2, 王雨茜1,2, 張夢如1,2, 袁 飛1,2,江善虎1,2

(1.河海大學水文水資源與水利工程科學國家重點實驗室,江蘇 南京 210098;2. 河海大學水文水資源學院,江蘇 南京 210098)

基于黃河流域101個氣象站點的實測氣象數據和國際耦合模式比較計劃第5階段(coupled model intercomparison project phase 5,CMIP5)3種排放情景下的6個模型1961—2099年的降水和氣溫數據,采用等距離累積分布函數法(equidistant cumulative distribution function matching method, EDCDFm)進行統(tǒng)計降尺度;通過歷史階段(1961—2005年)實測站點數據對降尺度后的降水和氣溫進行精度評估;在此基礎上,通過標準化降水指數(standardprecipitation index, SPI)對黃河流域氣象干旱進行預估。結果表明,EDCDFm的降尺度方法能夠明顯提高氣候模式所模擬的氣溫和降水精度,尤其對極值的模擬精度;黃河流域氣象干旱的預估顯示,3種氣候情景下21世紀初的干旱情況相對于基準期均變得比較嚴重,但是世紀末的干旱程度均明顯減輕,近期黃河流域的防旱工作形勢仍然嚴峻。

等距離累積分布函數法;CMIP5;降水;氣溫;黃河流域;SPI

全球氣溫的持續(xù)上升加速了全球水循環(huán),導致全球不同尺度水資源的重新分配[1],加劇了極端水文事件(水旱災害)發(fā)生的概率和頻率,干旱成為對人類社會影響最嚴重的氣候災害之一,也是目前國內外氣候學和水文學領域研究的熱點。處于干旱半干旱區(qū)的黃河流域,近年來干旱呈現出加劇與連續(xù)之勢,對該地區(qū)的生產、生活、生態(tài)造成了嚴重的影響。國內相關研究[2]認為干旱災害的發(fā)生具有特定的氣候背景,是有規(guī)律可循的,故開展黃河流域氣候變化的時空特征,預估其干旱發(fā)展趨勢的分析與研究,將有利于深入地研究和預測該類地區(qū)水資源的變化規(guī)律與趨勢[3]。

全球氣候系統(tǒng)模式(global circulation models,GCMs) 是目前國內外學者進行氣候模擬和預估未來氣候變化研究的重要工具。但其較粗的空間分辨率難于給出區(qū)域氣候的細節(jié),使得區(qū)域尺度研究結果存在很大的不確定性,從而限制了其在區(qū)域氣候變化及其影響研究中的應用[4],降尺度方法成為連接氣候模式與區(qū)域陸地模式的橋梁。統(tǒng)計降尺度方法不用考慮GCMs所提供的邊界條件對預測結果的影響,具有計算量小、模型易于構建、方法眾多和簡單靈活等特點,是國際上氣象和水文領域研究中應用比較廣泛并且發(fā)展相對較成熟的一種方法[5-7]。在統(tǒng)計降尺度過程中,氣候模式數據的內在誤差以及所應用的插值方法的局限性等因素會造成誤差,必須對模擬結果進行誤差修正。Li等[8]提出一種基于分位數函數法的等距離累積分布函數法(equidistant cumulative distribution function matching method, EDCDFm),利用GCMs模擬的氣候要素與區(qū)域觀測的氣候要素的累積分布特征之間的差異,對未來時期氣候模式模擬的氣候要素進行偏差校正,能有效捕捉氣候要素的極值,進而提高氣候要素的模擬精度,近年來受到越來越多的關注。

筆者應用等距離累積分布函數法對黃河流域GCMs國際耦合模式比較計劃第5階段發(fā)布(coupled model intercomparison project phase 5,CMIP5)的3種排放情景下 (RCP2.6、RCP4.5、RCP8.5) 的6個氣候模式的月降水和氣溫進行統(tǒng)計降尺度處理, 建立歷史時期 (1961—2005年)和未來時期 (2006—2099年) 的氣候降尺度數據,并結合實測站點數據評價降尺度歷史時期的模擬精度,分析未來時期該區(qū)域氣溫和降水的變化趨勢;利用標準化降水指數(standard precipitation index, SPI)分析預估黃河流域的干旱變化趨勢。

1 研究區(qū)概況

黃河流域橫跨南溫帶、中溫帶和高原氣候區(qū)3個氣候帶,流經9個省,流域面積79.5萬km2,地理位置介于94°E～119°E,32°N～42°N之間,是我國重要的農業(yè)生產基地。該流域具有下墊面復雜多樣、地表植被空間異質性大、對氣候變化和人為擾動的響應敏感等特點,是受全球氣候變化影響最顯著的地區(qū)之一,也是干旱化表現比較劇烈的流域,成為目前區(qū)域氣候變化研究的重點[9-11]。該流域氣溫季節(jié)變化差異性大,年均溫度呈現東南部高,西北部相對較低的特征。冬季寒冷干燥,夏季雨水較多,東南多雨、西北干旱,平原降水多于高原,山地多于盆地。地形復雜, 高程從西北部源頭的6 127 m到出海口逐漸降低。從20世紀60年代中期開始,該流域出現氣溫升高、降水和徑流減少的變化趨勢[12],嚴重影響了沿黃流域工農業(yè)生產和人民生活,亟待以有效方法分析、評價和預測氣候變化。

2 數據與研究方法

2.1數據來源與處理

表1 CMIP5氣候模式基本信息

收集了CMIP5的6個氣候模式(BCC-CSM1-1、CanESM2、CCSM4、CSIRO-Mk3.6.0、MRI-CGCM3和NorESM1-M)歷史時期(1961—2005年)和未來時期(2006—2099年)3種氣候情景(RCP2.6、RCP4.5、RCP8.5)的逐月降水量、氣溫格點氣候數據(http://cmip-pcmdi.llnl.gov/cmip5/),各模式及觀測資料分辨率不同(表1),故使用雙線性插值統(tǒng)一插值到0.5°×0.5°的網格數據,計算模式集合時,采用加權平均法,權重系數與單個模式的模擬偏差成反比。收集了中國氣象數據網站(http://data.cma.cn/)的黃河流域101個氣象站的觀測數據,這些站點分布均勻, 能大體反映該區(qū)域的氣候變化特征(圖1)。實測站點氣象數據(降水和氣溫)采用克里格方法插值成0.5°×0.5°的網格數據。

圖1 黃河流域高程、氣象站空間分布Fig.1 The spatial distribution of the elevation and meteorological stations over the Yellow River Basin

2.2研究方法

2.2.1 統(tǒng)計降尺度方法

EDCDFm是基于分位數函數法的等距離累積分布函數法,該方法利用GCMs模擬的氣候要素與區(qū)域觀測的氣候要素的累積分布特征之間的差異,對未來時期氣候模式模擬的氣候要素進行偏差校正,能有效捕捉氣候要素的極值,改進氣候模式數據的內在誤差以及所應用的插值方法的局限性,進而提高氣候要素的模擬精度,其公式為

(1)

2.2.2 模擬精度評價方法

分別采用平均絕對誤差(mean absolute error,MAE)和相對偏差評價降尺度模型的模擬結果。其中MAE是所有單個觀測值與算術平均值的偏差的絕對值的平均,既能表示模式模擬結果與實測數據之間時間序列的接近程度,也能模擬出格點尺度上二者的偏差水平[13]。

2.2.3 標準化降水指數

SPI是通過降水量出現的概率來反映干旱情況的一種指數[14],該指數不僅可以反映干旱的強度以及持續(xù)的時間長短,而且可以反映不同時間尺度的干旱情況。SPI計算簡便、時間尺度靈活、空間可比性強,在越來越多的國家和地區(qū)得到檢驗和使用[15-16]。計算SPI首先需針對不同時間尺度構建月降水量滑動累積序列,并根據降水量滑動累積數據的結束月份劃分為12季 (season),即構建12組時間序列,然后采用12個偏態(tài)分布 (通常采用伽瑪或皮爾遜III型分布) 分別擬合這12組時間序列,以考慮降水的季節(jié)性差異;將偏態(tài)分布的降水數據進行標準正態(tài)化轉換,從而計算出特定降水數據所對應的SPI。其中標準正態(tài)化過程需對特定時間尺度的12個季節(jié)實際序列分別進行,然后將所計算的SPI按自然時間順序排列,從而獲得逐月的SPI時間序列。

3 分析與討論

3.1降尺度模型時間尺度模擬能力

黃河流域歷史時期6個降尺度模式的年平均氣溫和降水趨勢對比可以發(fā)現(圖2,圖中陰影部分表示6個模式涵蓋的氣溫變化范圍,OBS為實測數據),降尺度模式模擬結果與實測數據的擬合度較好,數值變化范圍和波動趨勢較為一致,而原始數據的模擬結果與實測數據相差較大,其氣溫模擬明顯低于觀測數據,而降水則明顯高于實測數據。降尺度后的氣溫僅在1988年和2002年偏差略大,其余年份與觀測數據的偏差都在1℃以內,陰影區(qū)的相對變化值分別為-11%和8%。降尺度后的降水模擬精度雖然低于氣溫的降尺度效果,但是其模擬結果與實測數據相差約100 mm/a,精度高于原始數據的模擬效果(400 mm/a)。部分年份如1963年、1964年、1985年和2002年模式數據沒有很好地擬合出實測數據,偏差分別為+30%、-19%、-18%和+6.7%,雖然模擬精度不及氣溫,但相對偏差除了1963年基本都在±20%之內。這表明雙線性內插結合等距離分位數偏差校正的降尺度結果與實測數據具有較好的擬合性。

圖2 黃河流域歷史時期降尺度氣候模式年平均降水和氣溫Fig.2 Annual average precipitation and temperature from model simulation and observation during the historical period(1961—2005)over Yellow River Basin

模式平均絕對誤差氣溫/℃降水/mm多模式集合0.3251BCC-CSM1-10.3868CanESM20.3367CCSM40.4565CSIRO-Mk3.6.00.3961MRI-CGCM30.3771NorESM1-M0.3962

通過對比歷史時期6個降尺度模式以及多模式集合模擬的年氣溫和年降水相對實測數據的平均絕對誤差 (表2)可以看出,降尺度后各模式氣溫與實測數據的平均絕對誤差相較原始數據(0.5～1.5℃)的要小。6個模式模擬的氣溫與實測數據之間的MAE大部分在0.33～0.45℃之間,并都控制在0.5℃之內。6個模式模擬的降水與實測數據的MAE在61～71 mm之間,模式MRI-CGCM3與實測數據的MAE為71 mm,模擬的降水量偏高。相比原始數據,降尺度模式集合的MAE都明顯小于單個模式的MAE值。

由表3可知,多模式集合的原始模型所模擬的月降水量均高于實測數據,其中5—9月的差值更大,而氣溫的模擬則是冬季差值較大,夏季較小。降尺度后月降水值的差值在±3.5 mm之內,模擬精度明顯提高,其中夏季的模擬都明顯高于其他幾個季節(jié);氣溫的擬合效果好于降水,氣溫的差值(±0.03℃)明顯小于原始多模式集合的氣溫差值 (-3～-1.3℃),尤其是對于冬夏的低溫和高溫的模擬精度更好。這表明,在時間尺度上,等距離分位數法降尺度后的多模式集合與實測數據吻合較好,能夠如實反映研究區(qū)氣候要素的變化趨勢。

表3 黃河流域歷史時期多模式集合月降水和氣溫絕對偏差

3.2降尺度模型空間模擬能力

由黃河流域歷史時期降尺度后各月平均降水量多模式集合與實測數據相對偏差的空間分布 (圖3)可以看出,降水的負偏差較大,主要分布在年降水量較少的流域西北部,從西北部往東南部偏差減小。降尺度模擬的降水量在降水相對較少的1—3月、11月和12月與實測降水量相對偏差較大(最大值-2%),而在降水比較豐沛的夏季(6—8月)相對偏差最小(-0.2%～-0.5%)。表明降尺度模型能夠較好地模擬月降水的高值,而對于低值的模擬會出現負偏差略大的情況(圖3)。相對而言,月平均氣溫的模擬效果較好,整個流域的氣溫偏差在0.02%以內,除了源頭區(qū)域的個別柵格的負偏差略大(-0.06%左右)(圖4)。表明本研究所采用的降尺度方法能夠較好地體現黃河流域降水和氣溫的時空分布特征,該方法所獲得該流域歷史和未來時期的降水和氣溫數據可以用于進一步分析該流域的氣候變化特征分析與預估。

圖3 黃河流域歷史時期降尺度模型集合多年月平均降水與實測數據相對偏差空間分布Fig.3 Spatial distribution of monthly average precipitation deviation between downscaled and observed data during the historical period

圖4 黃河流域歷史時期降尺度模型集合多年月平均氣溫與實測數據相對偏差空間分布Fig.4 Spatial distribution of monthly average temperature deviation between downscaled and observed data during the historical period

圖5 黃河流域1961—2099年多模式集合年平均降水、氣溫Fig.5 Annual average precipitation and emperature of downscaled multi-model ensemble from 1961 to 2099 over the Yellow River Basin

3.3黃河流域氣溫和降水變化趨勢

圖5是黃河流域未來時期(2006—2099年)3種情景下6個降尺度模型多模式集合的平均氣溫、降水序列。從圖5(a)可以看出,黃河流域未來時期的降水相對于歷史時期變化并不明顯,在歷史值的范圍上下波動,3種氣候情景之間的差距并不大,尤其是在2006—2066年之間,年降水量較為接近,RCP8.5的降水在2067年后相比其他兩種情景的預估值明顯增高。其中RCP2.6的線性增加率(0.09 mm/a)比歷史時期的增長率(0.14 mm/a)略微減少,RCP4.5情景線性增加率較歷史時期有所增加(0.34 mm/a),RCP8.5的增幅較為明顯(0.92 mm/a)。相對于歷史時期,黃河流域3種情景下未來時期的氣溫增高的趨勢非常顯著(圖5(b)),其中,RCP8.5的溫度范圍在7.8～12℃之間;RCP4.5的溫度范圍在7.8～9℃之間;RCP2.6的溫度范圍在7.8～8.5℃之間,但在2066年之后,其氣溫基本呈現出持平趨勢。

3.4黃河流域SPI變化趨勢

圖6 黃河流域上中下游3種情景下SPI12干旱指數時間序列Fig.6 SPI12 of RCP2.6, RCP4.5, and RCP8.5 for upstream, midstream， and downstram of the Yellow River Basin

圖6對比分析了3種排放情景下年尺度SPI(SPI12)在黃河上中下游區(qū)域年尺度的干旱特征?？梢钥闯?黃河流域上中下游的干旱變化存在著明顯的時空差異。上游區(qū)域在2006—2099年期間SPI值有略微增加的趨勢,表明干旱在未來時期有所減弱。其中,RCP2.6和RCP8.5排放情景下除了21世紀初期有明顯的干旱外,未來時期干旱發(fā)生的頻率較低,持續(xù)時間較短;RCP4.5排放情景下上游區(qū)域在2026年以前有明顯的干旱,之后干旱呈現明顯減少的趨勢。中游區(qū)域在2026年以前在RCP8.5排放情景下有明顯的干旱發(fā)生,而另外2種排放情景的模擬結果顯示2010年以后干旱呈現明顯減少的趨勢。下游區(qū)域RCP2.6排放情景下的干旱程度和發(fā)生年份明顯低于其他2種排放情景。整個黃河流域未來時期世紀初(2011—2040年)和世紀末(2061—2090年)相較基準期(1961—1990年)的平均干旱年統(tǒng)計表明:相對于基準期的干旱年數,世紀初的干旱年份發(fā)生的概率有所減少,而世紀末有極旱年發(fā)生(表4)。

表4 黃河流域未來時期3種情景下平均干旱年概率統(tǒng)計

4 結 論

a. 等距離分位數法的模擬結果與實測數據在時間和空間尺度上擬合性較好,6個模型及其多模式集合的平均絕對誤差與相對偏差都明顯低于原始數據,多模式集合平均的模擬結果比單個模式的降尺度數據更為接近觀測值,表明該降尺度方法在黃河流域具有較好的適應性。

b. 黃河流域未來時期RCP2.6的降水變化趨勢并不顯著,而RCP4.5和RCP8.5除了CSIRO-Mk3.6.0和BCC-CSM1-1其他氣候模式均呈現增加的趨勢。3種情景下氣溫均呈現增加的趨勢,其中RCP4.5以大約0.02℃/a的趨勢逐漸增加,RCP85的線性增加程度更顯著(約0.05℃/a),RCP2.6的氣溫增加最緩慢(約0.01℃/a)。

c. 未來時期黃河流域的氣象干旱指數SPI結果顯示:黃河流域上中下游區(qū)域在未來3種情景下,SPI值呈現逐漸增加的趨勢;該流域21世紀初期干旱發(fā)生的嚴重程度和概率較大,21世紀中后期干旱發(fā)生的嚴重程度和概率均呈現減少的趨勢。

[ 1 ] ALEXANDER L, SIMON BINDOFF N L.Working group I contribution to the IPCC fifth assessment report climate change 2013: the physical science basis summary for policymakers (No. Bajados de Internet/2013)[EB/OL].[2016-09-22].www.mendeley.com/research-papers/working-group-i-contribution-ipcc-fifth-assessment-report-climate-change-2013-physical-science-basis-33/

[ 2 ] 秦建國,張泉榮,洪國喜,等.太湖地區(qū)2011年春季嚴重干旱成因與預測[J].水資源保護,2012,28(6):29-32.(QIN Jianguo, ZHANG Quanrong, HONG Guoxi, et al. Causes of a severe drought in spring of 2011 in Taihu Lake area and drought prediction [J]. Water Resources Protection, 2012,28(6):29-32. (in Chinese))

[ 3 ] 邵曉梅,許月卿,嚴昌榮,等. 黃河流域降水序列變化的小波分析[J].北京大學學報(自然科學版),2006, 42(4):503-509.(SHAO Xiaomei, XU Yueqing, YAN Changrong, et al. Wavelet analysis of rainfall variation in the Yellow River Basin[J]. Acta Scientiarum Naturalium Universitatis Pekinensis, 2006, 42(4):503-509. (in Chinese))

[ 4 ] WANG L, CHEN W. Equiratio cumulative distribution function matching as an improvement to the equidistant approach in bias correction of precipitation[J]. Atmospheric Science Letters, 2014, 15(1):1-6.

[ 5 ] WOOD A W,MAURER E P,KUMAR A, et al. Longrange experimental hydrologic forecasting for the eastern United States[J]. Journal of Geophysical Research,2002,107(D20):4429.

[ 6 ] WOOD A W,LEUNG L R,SRIDHAR V,et al. Hydrologic implications of dynamical and statistical approaches to downscaling climate model outputs[J]. Climatic Change,2004,62(1):189-216.

[ 7 ] 范麗軍, 符淙斌, 陳德亮.統(tǒng)計降尺度法對未來區(qū)域氣候變化情景預估的研究進展[J]. 地球科學進展, 2005, 20(3): 320-329.(FAN Lijun, FU Congbin, CHEN Deliang. Review on creating future climate change scenarios by statistical downscaling techniques[J]. Advances in Earth Science,2005,20(3):320-329. (in Chinese))

[ 8 ] LI H, SHEFFIELD J, WOOD E F. Bias correction of monthly precipitation and temperature fields from Intergovernmental Panel on Climate Change AR4 models using equidistant quantile matching[J]. Journal of Geophysical Research, 2010, 115(D10):985-993.

[ 9 ] 王曉燕, 楊濤, 郝振純. 基于統(tǒng)計降尺度的黃河源區(qū)氣象極值預測[J]. 水電能源科學,2011,29(4):1-4. (WANG Xiaoyan,YANG Tao,HAO Zhenchun. Climate extreme forecasting in headwater catchment of Yellow River based on statistical downscaling menthod[J]. Water Resoures and Power,2011,29(4):1-4. (in Chinese))

[10] 郝振純,時芳欣,王加虎. 統(tǒng)計降尺度法在黃河源區(qū)未來降水變化分析中的應用[J]. 水電能源科學,2011,29(3):1-4. (HAO Zhenchun,SHI Fangxin,WANG Jiahu. Research and analysis of change of precipitation in headstream region of Yellow River by using statistical downscaling model[J]. Water Resources and Power,2011,29(3):1-4. (in Chinese))

[11] 段小蘭, 郝振純, 陳奕.基于BCSD降尺度方法的黃河源區(qū)氣候變化預測[J]. 河海大學學報(自然科學版), 2014, 42(3):195-199.(DUAN Xiaolan, HAO Zhenchun, CHEN Yi. Climate change forecasting in source region of Yellow River Based on BCSD downscaling method[J]. Journal of Hohai University(Natural Sciences), 2014, 42(3):195-199. (in Chinese))

[12] 馬柱國.黃河徑流的歷史演變規(guī)律及成因[J].地球物理學報,2005,48(6):1270-1275.(MA Zhuguo. Historical regular patterns of the discharge in the Yellow River and the cause of their formation[J]. Chinese Journal of Geophysics. 2005,48(6):1270-1275. (in Chinese))

[13] WILLMOTT C J, MATSUURA K. Advantages of the mean absolute error (MAE) over the root mean square error (RMSE) in assessing average model performance [J]. Climate Research, 2005, 30(1): 79-82.

[14] MCKEE T B, DOESKEN N J,KLIEST J. The relationship of drought frequency and duration to time scales[C]//Anon.In Proceedings of the 8th Conference of Applied Climatology. Boston: American Meteorological Society, 1993:179-183.

[15] HAYES M J, SVOBODA M D, WILHITE D A, et al. Monitoring the 1996 drought using the standardized precipitation index[J]. Bulletin of the American Meteorological Society, 1999, 80(3):429-438.

[16] LIVADA I, ASSIMAKOPOULOS V D. Spatial and temporal analysis of drought in greece using the Standardized Precipitation Index (SPI) [J]. Theoretical and Applied Climatology, 2007, 89(3):143-153.

PredictionofdroughtintheYellowRiverbasedonstatisticaldownscalestudyandSPI

YANGXiaoli1,2,ZHENGWeifei1,2,LINChangqing1,2,RENLiliang1,2,WANGYuqian1,2,ZHANGMengru1,2,YUANFei1,2,JIANGShanhu1,2

(1.StateKeyLaboratoryofHydrology-WaterResourcesandHydraulicEngineering,HohaiUniversity,Nanjing210098,China; 2.CollegeofHydrologyandWaterResources,HohaiUniversity,Nanjing210098,China)

Based on the measured data in 101 meteorological stations over the Yellow River Basin, and the precipitation and temperature data dating from 1961 to 2099 of the six CMIP5 models under three scenarias, statistical downscale study is conducted by using equidistant cumulative distribution function matching method (EDCDFm). The accuracy of the downscaled data is evaluated by validating against the measured data dating from 1961 to 2005. After that, the meteorological drought around the Yellow River Basin is predicted by means of standard precipitation index (SPI). The results show that the accuracy of the raw models simulated temperature and precipitation has been significantly improved by using EDCDFm method, it is especially true with the modelling accuracy of their extreme values. The predicted results of the drought around the Yellow River Basin indicate that, the drought condition at the beginning of the 21stcentury has become more severe than that of the reference period under three scenarios, but is likely to be obviously mitigated at the end of this century. Notwithstanding, preventing drought around the Yellow River Basin is still a tough job in recent years.

equidistant cumulative distribution function matching method; CMIP5; precipitation; temperature; Yellow River Basin; SPI

10.3876/j.issn.1000-1980.2017.05.001

2016-09-22

“十三五”國家重點研發(fā)計劃(2016YFA0601504)；國家自然科學基金(51579066，41201031)；中央高校基本科研業(yè)務費專項(2015B14514);國家留學人員回國科研啟動基金(515025512)

楊肖麗(1976—),女,河北邯鄲人,副教授,博士，主要從事氣候變化與人類活動對水文循環(huán)影響的模擬與預測研究。E-mail:yangxl@hhu.edu.cn

P338+.6

A

1000-1980(2017)05-0377-07