基于全球氣候模式集合的鄱陽(yáng)湖流域未來(lái)潛在蒸散量及其干旱效應(yīng)研究

劉子豪, 陸建忠,黃建武, 陳曉玲, 曾 群

1 華中師范大學(xué)地理過(guò)程分析與模擬湖北省重點(diǎn)實(shí)驗(yàn)室, 武漢 430079 2 武漢大學(xué)測(cè)繪遙感信息工程國(guó)家重點(diǎn)實(shí)驗(yàn)室, 武漢 430079

全球氣候變化是影響人類生存與發(fā)展,是全球面臨的重大挑戰(zhàn)[1- 3]。氣候變化改變了大氣環(huán)流特征,使得以潛在蒸散量ET0和降水為代表的氣象要素的重新分布。作為氣候系統(tǒng)的核心過(guò)程,潛在蒸散量的變化會(huì)引起區(qū)域水循環(huán)與水資源的變化,潛在蒸散量的研究有利于科學(xué)的認(rèn)識(shí)區(qū)域水分循環(huán)特征以及旱澇規(guī)律[4- 5]。

鄱陽(yáng)湖流域是長(zhǎng)江下游重要的經(jīng)濟(jì)區(qū)和生態(tài)區(qū),近年旱澇災(zāi)害頻發(fā),流域的ET0和干旱特征變化受到廣泛關(guān)注[6- 10],如趙曉松等[6]應(yīng)用地面溫度-植被指數(shù)三角關(guān)系法反演鄱陽(yáng)湖湖區(qū)蒸散的時(shí)空分布及主要?dú)夂蛞蜃拥挠绊?；劉沖等[7]基于WaSSI-C生態(tài)水文模型估算了鄱陽(yáng)湖流域植被恢復(fù)和氣候變化影響下蒸散的時(shí)空變化；齊述華等[10]利用Landsat衛(wèi)星系列遙感影像分析2000年以來(lái)鄱陽(yáng)湖水文干旱的發(fā)生機(jī)制。然而相關(guān)研究多集中于歷史時(shí)期,對(duì)流域未來(lái)ET0和干旱特征分析仍較少涉及。目前未來(lái)氣候研究主要是利用CMIP5氣候耦合模式,通過(guò)降尺度的方法可以較好地解決空間分辨率粗糙帶來(lái)的誤差問(wèn)題,這種方法在國(guó)內(nèi)外已取得顯著成果[11- 13]。由于氣候系統(tǒng)的內(nèi)部差異性,不同的氣候模式的模擬能力在時(shí)間上和空間分布上具有不均勻性,多模式集合作為一種后處理統(tǒng)計(jì)方法,可以有效降低預(yù)測(cè)的不確定性[14]。以往利用模式數(shù)據(jù)對(duì)未來(lái)氣候特征的預(yù)估多集中于氣溫和降水兩個(gè)方面[15- 17],ET0作為連接氣象要素和水循環(huán)的關(guān)鍵物理量,是評(píng)價(jià)區(qū)域水資源配置、計(jì)算作物生產(chǎn)潛力的重要指標(biāo),但是現(xiàn)有關(guān)于鄱陽(yáng)湖流域未來(lái)潛在蒸散或者干旱特征的研究相對(duì)少見(jiàn),且所用數(shù)據(jù)多是基于單一氣候模式或者等權(quán)模式集合[18- 19]。因此,本研究基于降尺度模型利用遺傳算法構(gòu)建模式集合,從不同情景下預(yù)估流域未來(lái)潛在蒸散量及干旱特征的時(shí)空演變特征及周期性規(guī)律,以期深入了解流域水分循環(huán)與水量平衡規(guī)律,科學(xué)的認(rèn)識(shí)流域潛在蒸散量以及未來(lái)干旱形勢(shì)的變化。

1 研究區(qū)域與數(shù)據(jù)

1.1 研究區(qū)域概況

鄱陽(yáng)湖流域(24°28′—30°05′N,113°33′—118°29′E)總面積16.22×104km2,位于中國(guó)東南部,地處長(zhǎng)江中下游南岸(圖1)。流域年均氣溫為17.1℃,年均降水量為1632 mm,日照百分率達(dá)43%—47%,屬于典型的亞熱帶濕潤(rùn)季風(fēng)氣候區(qū)。流域地表覆被類型以森林、農(nóng)田、草地和水體為主。流域地勢(shì)起伏大,鄱陽(yáng)湖流域是由修水、饒河、信江、撫河、贛江五大水系構(gòu)成一個(gè)完整的系統(tǒng)[20- 21]。近年來(lái),受五大支流和長(zhǎng)江水系影響,鄱陽(yáng)湖流域旱澇災(zāi)害頻發(fā),原有的水量平衡被打破。因此,鄱陽(yáng)湖流域ET0及干旱特征的研究具有重要戰(zhàn)略意義。

圖1 鄱陽(yáng)湖流域及氣象站點(diǎn)分布Fig.1 Poyang Lake Basin and Meteorological Station Distribution

1.2 數(shù)據(jù)來(lái)源

1.2.1地面觀測(cè)資料

本文共選取鄱陽(yáng)湖流域14個(gè)國(guó)家級(jí)氣象站點(diǎn)逐日監(jiān)測(cè)數(shù)據(jù),氣象指標(biāo)分別為最高氣溫、最低氣溫、平均氣溫、平均風(fēng)速、日照時(shí)數(shù)、平均相對(duì)濕度以及小型蒸發(fā)皿蒸發(fā)量等,數(shù)據(jù)來(lái)源于中國(guó)氣象數(shù)據(jù)共享服務(wù)中心(http://data.cma.cn/data/detail/dataCode/A.0029.0001.html)。

1.2.2再分析資料

NCEP再分析資料數(shù)據(jù)是將多種實(shí)測(cè)數(shù)據(jù)利用同化技術(shù)處理得到的,在東亞地區(qū)具有較好的應(yīng)用性[21- 22]。NCEP/NCAR再分析數(shù)據(jù)是由美國(guó)國(guó)家環(huán)境預(yù)測(cè)中心(NCEP)和大氣研究中心(NCAR)聯(lián)合發(fā)布的全球26個(gè)預(yù)報(bào)因子1961—2014年的日序列再分析資料,網(wǎng)格分辨率是2.5°×2.5°,共144×73個(gè)網(wǎng)格(https://psl.noaa.gov/data/gridded/reanalysis/)。

1.2.3全球氣候模式數(shù)據(jù)

全球氣候模式包括15個(gè)中等復(fù)雜程度的地球系統(tǒng)模式共46個(gè)地球系統(tǒng)模式,是氣候變化研究的重要數(shù)據(jù)源。CMIP5共包含4種“典型濃度路徑”(Representative Concentration Pathways, RCPs),本文在此選取應(yīng)用最為廣泛的RCP4.5和RCP8.5濃度路徑作為研究情景,RCP4.5作為中間穩(wěn)定排放情景,在RCP4.5氣候情景下,氣溫相較工業(yè)革命升高約4.8℃,預(yù)計(jì)在2100年以后輻射強(qiáng)迫水平達(dá)4.5 W/m2,更為接近全球?qū)嶋H發(fā)展水平,具有很大的參考價(jià)值。RCP8.5作為按照當(dāng)前水平不采取減排措施的高濃度排放路徑,RCP8.5氣候情景下,氣溫相較工業(yè)革命升高約6.9℃,預(yù)計(jì)在2100年以后輻射強(qiáng)迫水平達(dá)8.5 W/m2,則具有更強(qiáng)的警示意義。綜合考慮全球氣候模式在我國(guó)各地區(qū)的適用性、模式輸出數(shù)據(jù)的連續(xù)性、完整性以及模型的分辨率高低,本研究從全球CMIP5中選取11個(gè)作為研究工具,表1給出了11個(gè)氣候模式的基本信息。

表1 所選全球氣候模式的基本信息

2 研究方法

2.1 Penman-Monteith公式

本研究采用聯(lián)合國(guó)糧農(nóng)組織(FAO)推薦的Penman-Monteith(P-M)公式計(jì)算流域ET0,該公式以能量動(dòng)態(tài)平衡、水汽擴(kuò)散原理以及空氣的熱導(dǎo)定律為理論依據(jù),精度較高且計(jì)算誤差小[23]。其公式為:

(1)

式中,ET0表示潛在蒸散量(mm/d)；Rn為太陽(yáng)凈輻射(MJ m-2d-1)；T為平均氣溫(℃)；G為土壤熱通量(MJ m-2d-1)；u2為2m高度處平均風(fēng)速；γ為干濕表常數(shù)((kPa/℃)；Δ為飽和水汽壓曲線斜率(kPa/℃)；es為飽和水汽壓(kPa)；ea為實(shí)際水汽壓(kPa)；es-ea表示為飽和氣壓差。

2.2 基于遺傳算法的模式集合

多模式集合可以有效地集成單一氣候模式的優(yōu)勢(shì),減小模式的隨機(jī)誤差,從而提高模式預(yù)報(bào)的準(zhǔn)確率。模式集合通過(guò)計(jì)算每個(gè)網(wǎng)格訓(xùn)練期的數(shù)據(jù),得到每個(gè)網(wǎng)格點(diǎn)上不同氣候模式的權(quán)重系數(shù)[5]。基礎(chǔ)模型如下所示:

(2)

2.3 模式集合的構(gòu)建

在利用遺傳算法構(gòu)建模式集合之前,需要對(duì)所選氣候模式進(jìn)行降尺度分析,降尺度模型可以關(guān)聯(lián)全球氣候模式和區(qū)域氣候變量,將大尺度,低空間分辨率的全球氣候模式數(shù)據(jù)轉(zhuǎn)換為小尺度高空間分辨率的區(qū)域地面信息,在未來(lái)氣候的數(shù)值模擬和情景預(yù)估中已取得較為理想的效果[24-26],主要包括兩個(gè)方面:(1)基于區(qū)域預(yù)報(bào)量與全球大氣環(huán)流NCEP預(yù)報(bào)因子之間的統(tǒng)計(jì)關(guān)系,構(gòu)建并驗(yàn)證SDSM模型；(2)將全球氣候模式數(shù)據(jù)輸入至構(gòu)建好的SDSM模型,生成對(duì)區(qū)域未來(lái)氣候的預(yù)估。具體過(guò)程參考筆者前期研究[21],基于構(gòu)建好的統(tǒng)計(jì)降尺度模型,分別輸出不同氣候模式在RCP4.5和RCP8.5情景下鄱陽(yáng)湖流域潛在蒸散量及降雨量結(jié)果。利用統(tǒng)計(jì)降尺度模型所輸出的降尺度后的11個(gè)模式數(shù)據(jù),結(jié)合鄱陽(yáng)湖流域的格網(wǎng)數(shù)據(jù),基于遺傳算法構(gòu)建模式集合,具體流程如圖2所示:

圖2 模式集合流程圖Fig.2 Mode ensemble flowchartCMIP5 (Coupled Model Intercomparison Project Phase 5,第五次國(guó)際耦合模式比較計(jì)劃)；NCEP (National Centers for Environmental Prediction,美國(guó)國(guó)家環(huán)境預(yù)測(cè)中心)

3 結(jié)果與分析

3.1 基于遺傳算法的模式集合精度評(píng)估

本文基于遺傳算法確定各模式的最優(yōu)權(quán)重,得到鄱陽(yáng)湖流域模式集合結(jié)果,借助泰森多邊形法,將計(jì)算出的流域歷史時(shí)期(1961—2010年)多年平均潛在蒸散量和降水作為觀測(cè)值,并以Taylor圖來(lái)驗(yàn)證的模式集合的模擬精度[27]。如圖3可以看出,綠色實(shí)點(diǎn)更接近觀測(cè)點(diǎn),表明基于遺傳算法的模式集合(GA-MME)結(jié)果要更接近于觀測(cè)值,具有更高的相關(guān)系數(shù),其模擬結(jié)果優(yōu)于等權(quán)模式集合(MME)和任意單一模式模擬結(jié)果[5]。如圖4所示為流域ET0及降雨量的逐月模擬值精度評(píng)價(jià),結(jié)果顯示,基于遺傳算法的模式集合對(duì)ET0和降雨量的模擬精度均最高,RMSD分別為2.32和0.97,在秋冬季節(jié)模擬性能最佳?？偟膩?lái)說(shuō),將CMIP5模式模擬的性能由小到大排序?yàn)閱我荒Ｊ?MME

圖3 模式集合結(jié)果驗(yàn)證Fig.3 Mode ensemble result verification

圖4 模式集合精度月值驗(yàn)證Fig.4 Monthly verification of mode ensemble accuracy

3.2 鄱陽(yáng)湖流域未來(lái)情景下潛在蒸散量(ET0)時(shí)空演變特征

3.2.1流域ET0的時(shí)間變化趨勢(shì)及周期性特征

本研究以1961—2010年作為基準(zhǔn)期(歷史時(shí)期),將未來(lái)按30a時(shí)段劃分為未來(lái)初期(2011—2040)、未來(lái)中期(2041—2070)以及未來(lái)遠(yuǎn)期(2071—2100),鄱陽(yáng)湖流域不同情景下的未來(lái)ET0的年際變化如圖5所示。流域ET0在基準(zhǔn)期呈顯著的下降趨勢(shì),在RCP4.5和RCP8.5情景下,流域的ET0由下降趨勢(shì)轉(zhuǎn)為上升,且RCP8.5情景ET0值上升幅度更大。

圖5 鄱陽(yáng)湖流域1961—2100年潛在蒸散量年際變化特征Fig.5 Interannual variation of potential evapotranspiration in Poyang Lake Basin from 1961 to 2100RCP: 典型濃度路徑Representative concentration pathways

流域在RCP4.5和RCP8.5情景ET0季節(jié)變化特征如圖6所示。其中,每列代表一年的數(shù)據(jù),每個(gè)方格代表一個(gè)月的累積ET0量,紅色和藍(lán)色箭頭表示月ET0分別在2011—2100年內(nèi)呈現(xiàn)出增加或減少的趨勢(shì),星號(hào)表示具有顯著趨勢(shì)(P<0.1),由下到上分別為春季(3、4、5月),夏季(6、7、8月),秋季(9、10、11月),冬季(12月、次年1、2月)?？梢钥闯隽饔虻腅T0值具有明顯的季節(jié)特征,除RCP4.5情景下的冬季外,未來(lái)情景下不同季節(jié)流域ET0均呈顯著的上升趨勢(shì)(P<0.1),ET0高值區(qū)由RCP4.5情景下的夏秋季轉(zhuǎn)為RCP8.5春夏季。

圖6 鄱陽(yáng)湖流域2010—2100年不同情景下ET0季節(jié)變化特征Fig.6 Seasonal variation of ET0 in different scenarios in Poyang Lake Basin from 2010 to 2100ET0 : 潛在蒸散量Referenc evapotranspiration

為了更好的了解流域ET0的時(shí)間變化特征,本文利用Morlet小波分析法分析了鄱陽(yáng)湖流域ET0的周期性變化[28]。如圖7所示,為鄱陽(yáng)湖流域2010—2100年不同情景下平均ET0小波分析圖,流域ET0在演化過(guò)程中存在的多時(shí)間尺度特征。RCP4.5情景下ET0表現(xiàn)出三種尺度的變化規(guī)律,分別為3—7 a、8—17 a、18—32 a,其中18—32 a的模值最大,周期變化最明顯；ET0存在5個(gè)峰值,最大峰值對(duì)應(yīng)著20 a的時(shí)間尺度,意味著20 a是流域ET0年際變化的第一主周期。RCP8.5情景下存在兩類尺度的周期變化,分別為4—7 a和7—25 a,以7—25 a的模值最大；ET0存在3個(gè)較為明顯的峰值,震蕩最明顯處對(duì)應(yīng)著14 a的時(shí)間尺度,為流域ET0年際變化的第一主周期。

圖7 鄱陽(yáng)湖流域ET0不同情景下的小波分析Fig.7 Wavelet analysis of ET0 in Poyang Lake watershed in different scenarios

3.2.2流域ET0的空間演變特征

鄱陽(yáng)湖流域在RCP4.5情景下ET0的空間分布如圖8所示,鄱陽(yáng)湖流域ET0在未來(lái)的3個(gè)不同時(shí)期變化特征非常相似,從未來(lái)初期到未來(lái)遠(yuǎn)期,南部以贛縣、遂川為中心的高值區(qū)逐漸與東北部以波陽(yáng)、南昌、貴溪和南城為中心的次高值區(qū)逐漸連成一個(gè)整體,高值區(qū)范圍明顯擴(kuò)大,而以修水、宜春和樟樹中心的低值區(qū)范圍則相對(duì)逐漸縮小。隨著時(shí)間的推移,鄱陽(yáng)湖流域ET0在RCP4.5情景下呈不斷增加的態(tài)勢(shì),表現(xiàn)出東高西低的空間分布特征。圖8為鄱陽(yáng)湖流域在RCP8.5情景下ET0的空間分布,可以看出鄱陽(yáng)湖流域南部的高值區(qū)逐漸向北擴(kuò)張,使得以贛縣、遂川為中心南部高值區(qū)和以波陽(yáng)、南昌為中心的北部高值區(qū)在鄱陽(yáng)湖流域東部地區(qū)連成一個(gè)整體?？偟膩?lái)說(shuō),鄱陽(yáng)湖流域在RCP8.5情景下未來(lái)ET0的空間分布與RCP4.5情景下較為相似,整體上呈東高西低,局地略有突出分布的特征,且流域ET0在RCP8.5情景下增幅要明顯高于RCP4.5情景。

圖8 鄱陽(yáng)湖流域RCP4.5、RCP8.5情景下未來(lái)ET0的空間分布Fig.8 Spatial distribution of ET0 in the future in the Poyang Lake Basin under the RCP4.5 and RCP8.5 scenarios

3.3 鄱陽(yáng)湖流域干旱指數(shù)的時(shí)空演變特征

結(jié)合歷史時(shí)期及模式集合所輸出的未來(lái)ET0及降水?dāng)?shù)據(jù),基于Budyko的水熱平衡耦合理論,估算出鄱陽(yáng)湖流域不同時(shí)期干旱指數(shù)(Drought Index,DI)的變化特征[21,29- 30],計(jì)算公式為:

(3)

式中,E為實(shí)際蒸散量,E0為潛在蒸散量,P為降水量,f(φ)為輻射干燥度(干旱指數(shù)),φ=E0/P,DI對(duì)流域干濕狀況的劃分界限[31]為:(干旱:5≤DI<12；半干旱:2≤DI<5；半濕潤(rùn)0.75≤DI<2；濕潤(rùn):0.35≤DI<0.75)。

3.3.1歷史時(shí)期流域DI的時(shí)空演變特征

1961—2010年(歷史時(shí)期)鄱陽(yáng)湖流域干旱的空間分布格局如圖9所示,干旱指數(shù)在空間上總體表現(xiàn)為南高北低,局地略有突出,除贛縣和南城外,鄱陽(yáng)湖流域大部分屬典型的濕潤(rùn)氣候區(qū)(DI<0.75)。鄱陽(yáng)湖流域歷史時(shí)期干旱指數(shù)表現(xiàn)出明顯的季節(jié)特征(圖9),秋季最高(DI=1.24)其次是夏季(DI=0.74)。除春季外,DI值在其余三個(gè)季節(jié)均呈上升趨勢(shì),以秋季最為顯著(P<0.1)。鄱陽(yáng)湖流域歷史時(shí)期多年平均DI值為0.72,整體上呈波動(dòng)上升趨勢(shì)(圖9),表現(xiàn)出一定的“干化”特征,這與數(shù)據(jù)顯示的鄱陽(yáng)湖流域近年來(lái)氣溫的增高和降水量的減少關(guān)系密切。綜上,歷史時(shí)期鄱陽(yáng)湖流域干旱指數(shù)時(shí)間序列上整體表現(xiàn)為波動(dòng)上升趨勢(shì),以秋季最為顯著,空間上呈南高北低的分布格局。

圖9 鄱陽(yáng)湖流域歷史時(shí)期干旱指數(shù)時(shí)空分布特征Fig.9 Spatial-temporal distribution of drought index in the historical period of Poyang Lake Basin

3.3.2RCP8.5情景下流域DI時(shí)間變化趨勢(shì)及周期性特征

圖10 鄱陽(yáng)湖流域未來(lái)時(shí)期干旱指數(shù)年際變化特征 Fig.10 Interannual variation of drought index in the future period of Poyang Lake Basin

未來(lái)時(shí)期鄱陽(yáng)湖流域干旱指數(shù)變化如圖10所示,流域DI將呈顯著的波動(dòng)上升趨勢(shì)(P<0.01),多年平均DI值為0.82。2011—2064年,流域多年平均DI值<0.75,以濕潤(rùn)氣候?yàn)橹饕卣?2064年以后,DI值逐漸上升高于0.75,表明在21世紀(jì)中后期,鄱陽(yáng)湖流域氣候特征將從濕潤(rùn)過(guò)渡到半濕潤(rùn)類型,流域所面臨的干旱風(fēng)險(xiǎn)進(jìn)一步提升。

RCP8.5情景下流域干旱指數(shù)同樣表現(xiàn)出明顯的季節(jié)變化(圖11),與歷史時(shí)期不同的是流域干旱指數(shù)在春、夏季均呈顯著上升趨勢(shì)。特別需要注意的是在流域的春季,干旱指數(shù)由歷史時(shí)期的下降趨勢(shì)在RCP8.5情景轉(zhuǎn)為顯著的上升趨勢(shì),這可能RCP8.5情景下蒸散量的增加、降水的減少以及氣溫的升高和具有一定聯(lián)系。四季多年平均DI值排列依次為秋季(1.43)>夏季(1.02)>春季(0.69)>冬季(0.60),較歷史時(shí)期分別增長(zhǎng)了15.37%,37.8%,68.5%和25%,增幅最大的季節(jié)是春季,可見(jiàn),鄱陽(yáng)湖流域未來(lái)時(shí)期春旱風(fēng)險(xiǎn)將顯著提高[5]。在RCP8.5情景下,鄱陽(yáng)湖流域的濕潤(rùn)月份(0.35 2)數(shù)量顯著增加(圖11)。綜上,RCP8.5情景下,鄱陽(yáng)湖流域伏旱和春旱的發(fā)生頻率將顯著提高,流域未來(lái)“干化”特征更為明顯。

圖11 鄱陽(yáng)湖流域2011—2100年RCP8.5情景下DI季節(jié)變化特征Fig.11 Seasonal changes of DI in the Poyang Lake Basin under the RCP8.5 scenario from 2011 to 2100

鄱陽(yáng)湖流域年均DI在2011—2100年表現(xiàn)出顯著的周期性變化特征(圖12),RCP8.5情景下年代際尺度上存在兩個(gè)高值中心,分別在2023—2025年和2046—2048年,流域干旱指數(shù)在4—12 a尺度上波動(dòng)最為顯著,且模值最大,出現(xiàn)了旱-濕交替的準(zhǔn)12次震蕩。流域DI的小波方差圖中存在三個(gè)明顯的峰值,分別為8 a、4 a、17 a的時(shí)間尺度,其中又以8 a的周期震蕩最為顯著,為RCP8.5情景下流域年DI變化的第一主周期,4 a為第二主周期,14 a為DI變化的第三主周期。即8 a、4 a、17 a 三個(gè)周期波動(dòng)控制著RCP8.5情景下流域DI在整個(gè)時(shí)間域內(nèi)(2011—2100年)的變化特征[5]。

圖12 RCP8.5情景下鄱陽(yáng)湖流域DI的小波分析Fig.12 Wavelet analysis of DI in Poyang Lake watershed under RCP8.5 scenario

3.3.3RCP8.5情景下流域DI的空間演變特征

RCP8.5情景下鄱陽(yáng)湖流域未來(lái)不同時(shí)期干旱指數(shù)的空間演變具有顯著的差異性(圖13),在未來(lái)初期(2011—2040年),流域DI的空間分布特征與歷史時(shí)期較為一致,呈南高北低的分布特征。DI值為0.75的等值線大致位于贛江流域以南的地區(qū),即該區(qū)域正在由濕潤(rùn)區(qū)向半濕潤(rùn)區(qū)轉(zhuǎn)變；在未來(lái)中期(2041—2070年),干旱高風(fēng)險(xiǎn)區(qū)主要位于流域的東南方向,鄱陽(yáng)湖流域DI的高值中心由初期的兩個(gè)減少為一個(gè)以南城為中心的東南高值區(qū),次高值區(qū)(DI>0.75)向流域的中部、北部擴(kuò)大,半濕潤(rùn)區(qū)面積進(jìn)一步增加；在未來(lái)遠(yuǎn)期(2071—2100年),鄱陽(yáng)湖流域DI以南城為中心的東南高值區(qū)向流域西北方向擴(kuò)大,DI的高值區(qū)增加至兩個(gè),在流域中部的樟樹地區(qū)形成第二個(gè)DI高值區(qū)。南昌、樟樹、吉安以東為代表的次高值區(qū)范圍進(jìn)一步擴(kuò)大,此高值區(qū)的DI值較中期明顯增大。DI為0.75的等值線北移至流域的宜春、玉山一線,贛江流域的大部、撫河流域的全部以及信江流域的大部份地區(qū),均由濕潤(rùn)地區(qū)轉(zhuǎn)為半濕潤(rùn)區(qū)。

圖13 鄱陽(yáng)湖流域2011—2100年RCP8.5情景下DI空間變分布特征Fig.13 The spatial distribution of DI in the Poyang Lake Basin under the RCP8.5 scenario from 2011 to 2100

總的來(lái)說(shuō),RCP8.5情景下鄱陽(yáng)湖流域2011—2100年不同時(shí)期干旱指數(shù)的演變具有明顯的空間差異性,干旱指數(shù)的高值區(qū)由未來(lái)初期的南部轉(zhuǎn)為中期的東部,范圍向流域中部地區(qū)不斷擴(kuò)張,最終在未來(lái)遠(yuǎn)期形成以南城和樟樹為中心的中東部高值區(qū)域,流域的中東部地區(qū)為未來(lái)干旱風(fēng)險(xiǎn)防范的重點(diǎn)區(qū)域。21世紀(jì)以后,鄱陽(yáng)湖流域RCP8.5情景下干旱指數(shù)隨時(shí)間的推移增大,半濕潤(rùn)地區(qū)逐漸增多且向北拓展,鄱陽(yáng)湖地區(qū)的干濕狀況發(fā)生明顯變化。

4 結(jié)論

本文基于CMIP5多個(gè)氣候模式,經(jīng)統(tǒng)計(jì)降尺度處理后,利用遺傳算法構(gòu)建了鄱陽(yáng)湖流域氣象要素的多模式集合,得到鄱陽(yáng)湖流域ET0及干旱指數(shù)在不時(shí)期的時(shí)空演變特征。主要結(jié)論如下:

(1)本研究中基于遺傳算法構(gòu)建的模式集合模擬精度相較于任意單個(gè)氣候模式和等權(quán)模式集合,模擬性能更佳。

(2)RCP4.5和RCP8.5情景下鄱陽(yáng)湖流域的ET0呈波動(dòng)上升趨勢(shì),在空間分布上總體表現(xiàn)出東高西低,局地略有突出的特征。在RCP4.5情景下20 a為流域年ET0變化的第一主周期。在RCP8.5情景下,4年為流域年ET0變化的第一主周期。

(3)鄱陽(yáng)湖流域DI年際變化在歷史時(shí)期(1961—2010年)呈波動(dòng)上升趨勢(shì),表現(xiàn)出一定的“干化”特征；DI夏秋季高,春冬季低,以春季增幅最大；流域DI在空間呈南高北低。

(4)RCP8.5情景下,鄱陽(yáng)湖流域干旱指數(shù)在年際變化上呈顯著的上升趨勢(shì)(P<0.01),四季多年平均DI值秋季>夏季>春季>冬季,伏旱和春旱的發(fā)生頻率將顯著提高,流域未來(lái)“干化”特征更為明顯,8年時(shí)間尺度是鄱陽(yáng)湖流域年DI變化的第一主周期；RCP8.5情景下干旱指數(shù)的高值區(qū)由未來(lái)初期的南部轉(zhuǎn)為中期的東部,范圍向流域中部地區(qū)不斷擴(kuò)張,最終在未來(lái)遠(yuǎn)期形成以南城和樟樹為中心的中東部高值區(qū)域,流域的中東部地區(qū)為未來(lái)干旱風(fēng)險(xiǎn)防范的重點(diǎn)區(qū)域。

5 討論

基于遺傳算法構(gòu)建的模式集合較于單個(gè)氣候模式或等權(quán)模式集合模擬精度更高,但其對(duì)鄱陽(yáng)湖流域氣候的模擬仍存在一定的不確定性,尤其在降水上,具有較大的誤差。此外,本文所使用的統(tǒng)計(jì)降尺度模型存在缺乏完整的物理機(jī)制、統(tǒng)計(jì)關(guān)系用于未來(lái)氣候變化以及需要大量基礎(chǔ)數(shù)據(jù)等局限,使得研究結(jié)果存在一定的誤差。在今后的研究工作中,利用CMIP6模式數(shù)據(jù),結(jié)合多源數(shù)據(jù),利用算法將統(tǒng)計(jì)降尺度與動(dòng)力降尺度方法相結(jié)合,在全球氣候模式(GCM)中嵌入?yún)^(qū)域氣候模型(RCM),以提高模型模擬精度,并從海氣耦合機(jī)理上分析區(qū)域氣象、水文要素變化的原因。