基于遙感降水的西江流域降水時空特征分析

秦湛博,方榮杰*,黃光靈,粟 忠,許景璇

(1.桂林理工大學廣西環(huán)境污染控制理論與技術重點實驗室,廣西 桂林 541004;2.桂林理工大學巖溶地區(qū)水污染控制與用水安全保障協(xié)同創(chuàng)新中心,廣西 桂林 541004;3.桂林水文中心,廣西 桂林 541001)

降水作為重要的氣候指標,對農業(yè)生產乃至國家經濟發(fā)展具有深遠影響[1]。IPCC第六次氣候變化評估報告指出,未來極端降水事件發(fā)生概率會隨全球平均表面氣溫上升而增加[2],給各地帶來更多消極影響。獲取準確的降水數據是加強降水研究,應對未來極端降水事件的基礎。在現有主要降水觀測方法中,氣象站實測數據最精準,但站點難以均勻布設,部分地區(qū)數據時空連續(xù)性差[3];而氣象雷達發(fā)射的信號易受阻隔,降水偵測范圍有限[4]。衛(wèi)星遙感反演降水技術能有效彌補以上2種方法的缺陷,為獲取范圍廣、時空分辨率高的全球降水信息提供了途徑[5]。在眾多遙感衛(wèi)星降水產品中,GPM(Global Precipitation Measurement)是當下研究的主流數據之一。GPM于2014年發(fā)布,較其前代產品TRMM(Tropical Rainfall Measuring Mission)具有更高的時間分辨率(30 min)、空間分辨率(0.1°×0.1°)及更廣的覆蓋范圍(60°S～60°N),同時GPM搭載了更先進的傳感器,使其擁有了更強的量化降水能力[6-7]。因此,GPM在為氣象、水文等多領域研究提供準確可靠的遙感降水數據上具有更大潛力。

目前,已有諸多學者對GPM的適用性進行了研究,Fang等[8]對GPM數據探測中國全域極端降水的能力進行了評估,認為其能準確量化中國的極端降水。杜懿等[9]在珠江流域對GPM的適用性進行了驗證,發(fā)現GPM數據的觀測精度高,能較準確地監(jiān)測極端降水。盛夏等[10]基于GPM數據在青藏高原開展降尺度研究,結果表明降尺度后的GPM數據能更準確地反映降水特征。還有學者利用GPM數據構建了SWAT模型,認為GPM數據有效提高了站點稀疏地區(qū)的徑流模擬精度[11]。當下的眾多研究證實了GPM數據的精度可為氣象水文分析預報研究提供全面準確的遙感降水數據,但將其用于降水時空趨勢分析的研究仍較缺乏。

西江流域是中國南方喀斯特的重要組成部分[12],喀斯特地區(qū)強烈的巖溶作用使西江流域生態(tài)環(huán)境脆弱,旱澇災害頻發(fā)[13-14],流域喀斯特生態(tài)系統(tǒng)對未來降水時空變異響應更加敏感。因此,研究以西江流域為研究對象,利用流域內34個氣象站的實測降水數據驗證GPM數據的精度,并將GPM數據用于分析流域2001—2019年的降水時空分布特征,預估未來降水變化趨勢,以期為氣候變化環(huán)境下流域氣象災害預警及水資源高效配置提供參考。

1 數據與方法

1.1 研究區(qū)概況

西江是珠江的主干流[12],發(fā)源于云南曲靖市馬雄山,在廣東省佛山市思賢滘與北江匯流進入珠三角地區(qū),全長約2 075 km,水面比降0.58%。西江流域位于102°14′E～114°50′E,21°30′N～26°50′N,流域面積約35.3萬km2,平均年徑流量2 300億 m3。西江流域地勢自東向西逐漸升高,東部為平原三角洲,中部為山地丘陵,西北部為高原地帶。流域內喀斯特地貌面積約占流域面積的50%[12]。

1.2 研究數據

盡管單站點實測降水數據無法全面反映流域內降水分布,但其仍能精準地代表流域局部地區(qū)實際降水情況。因此,將流域內34個氣象站2001—2019年實測降水數據用于檢驗同時期GPM數據的精度及適用性,并利用GPM數據分析流域降水時空變化特征,預測未來降水的演化態(tài)勢。

研究中所采用的站點降水數據獲取自中國氣象數據網(http://data.cma.cn/),西江流域內站點分布見圖1。GPM IMERG V6降水數據集獲取自美國宇航局戈達德地球科學數據和信息服務中心網站(https://disc.gsfc.nasa.gov/)。獲取的數據時間分辨率為1個月,以HDF格式儲存,單位為mm/h。在研究前需對原始數據進行格式、單位轉換和累加處理。

圖1 西江流域氣象站分布

1.3 研究方法

本研究所涉及的方法主要包括GPM數據精度檢驗方法及降水趨勢分析方法兩類。擬采用相關系數(R)、均方根誤差(RMSE)、相對誤差(RB)檢驗GPM數據精度,一元線性回歸法、Sen-Median趨勢分析與Mann-Kendall檢驗、變差系數(Cv)及Hurst指數分析降水變化趨勢。

1.3.1精度檢驗方法

選擇3種評價指標對GPM數據的精度進行檢驗:相關系數(R),用于檢驗GPM數據與站點降水數據相關程度的高低;均方根誤差(RMSE),用于評價GPM數據與站點降水數據的偏差程度;相對誤差(RB),其正負反映GPM對站點降水數據是否存在高估或低估。GPM數據與實測降水數據計算所得的R越接近于1,RMSE越小,RB越接近于0,則認為GPM數據與實測降水數據相關性好,精確程度高。選取的評價指標計算見式(1)—(3):

(1)

(2)

(3)

1.3.2一元線性回歸法

采用一元線性回歸法來分析研究時段內西江流域降水變化趨勢,主要通過最小二乘法得出統(tǒng)計要素與時間序列之間的回歸方程[15]來表征降水發(fā)展態(tài)勢,計算見式(4):

yi=a+bxi

(4)

式中yi——降水量,mm;xi——時間;a——常數;b——線性趨勢的斜率;i——時間序列長度(i=1,2…n)。

1.3.3Sen-Median趨勢分析與Mann-Kendall檢驗

Sen-Median趨勢分析及Mann-Kendall檢驗是相關國際組織推薦用于氣象或水文長序列資料趨勢分析及非參數檢驗的方法[16]。本研究利用Sen-Median趨勢分析計算Sen趨勢度(β),并通過Mann-Kendall檢驗分析變化趨勢的顯著性。

Sen趨勢度(β)的計算見式(5):

(5)

式中xi、xj——時間序列;i、j——年份(1

若所得β>0,說明變量隨時間的變化呈上升趨勢,反之呈下降趨勢。

Mann-Kendall檢驗適用于非正態(tài)分布時間序列的長期趨勢分析,計算見式(6)—(8):

(6)

(7)

(8)

式中Zs——正態(tài)分布統(tǒng)計量;var(S)——方差;sgn(xj-xi)——符號函數。

對于給定的顯著性水平α,若|Zs|≥Z1-α/2則拒絕原假設,所研究的時間序列在顯著性水平α之上顯著變化。本研究在檢驗GPM數據變化趨勢顯著性時給定了2類顯著性水平:α=0.05、α=0.1,即計算得|Zs|大于1.96、1.65時,表示變化趨勢分別通過了置信度為95%、90%的顯著性檢驗。

1.3.4變差系數Cv

降水量在研究時段內變化的劇烈程度采用變差系數Cv衡量,計算見式(9):

(9)

計算所得Cv值越大則表明該時段內降水變化越劇烈。

先用較堅硬的石塊回填槽孔，石塊不宜太大；然后進行重新造孔。重新造孔進尺不宜太快，發(fā)現孔斜時應再次回填石塊重復造孔。

1.3.5Hurst指數

在描述時間序列變化的可持續(xù)性程度時通常采用Hurst指數進行分析。本研究采用R/S分析法[17]計算Hurst指數,對流域降水變化趨勢的可持續(xù)性程度進行分析。

(10)

式中 c——常數;H——Hurst指數。

一般認為,計算所得Hurst指數H為0≤H<0.5時,反向持續(xù)性強,未來趨勢與當前趨勢相反;H=0.5時,趨勢持續(xù)性不強,未來趨勢不定;0.5

2 結果與討論

2.1 GPM數據精度評價

利用西江流域34個氣象站點2001—2019年的實測月降水數據評價GPM數據的整體精度。由圖2(散點密度使用核密度函數計算)可知,月尺度GPM數據與站點數據表現出了較好的一致性,呈現出極顯著的正相關關系,R=0.93(p<0.01);GPM數據對實際降水情況存在一定程度的高估,RB=4.94%;數據誤差處在合理的范圍之中,RMSE=41.49 mm。

圖2 氣象站與GPM月降水量散點密度

為避免整體評價時因數據疊加導致誤差抵消,需計算流域內各站點的評價指標。圖3a中,流域內各站點R值較高,約76%的站點R值在0.92以上;圖3b中,流域80%的站點RB大于0,高估程度偏大的站點在流域中部及東部分布較多;圖3c中,流域76%的站點RMSE小于50 mm,站點RMSE具有自西向東逐漸遞增的趨勢。綜合站點評價指標看,GPM數據存在自西向東精度下降的趨勢,這可能是東部多雨地區(qū)云層較厚導致衛(wèi)星傳感器靈敏度下降的結果[4]。整體而言,GPM數據與站點數據相關性較高,具有良好的一致性,其精度能夠支撐后續(xù)在西江流域內開展降水研究的需求,這與杜懿等[9]的結論一致。

a)相關系數

2.2 年和月降水時間變化特征

圖4a中,西江流域19 a平均降水量為1 420.12 mm,年降水量在1 080.44～1 724.39 mm變化,各年間降水波動程度較大,年降水量的最大和最小值分別出現于2015、2011年。流域19 a內降水的趨勢系數為9.701 6,呈現增加趨勢,但趨勢不顯著 (p>0.1)。圖4b中,19 a內的降水量大致呈現出欠-豐的階段性變化趨勢,降水由欠轉豐的突變年份可能為2014年,與謝賢勝等[18]的結論相同。2003—2013年大部分年份的降水距平為負值,累積距平值基本呈逐年下降趨勢,表明該時段降水偏少; 2014—2019年降水距平均為正值,累積距平值逐年上升,表明這一時段內降水量呈增加趨勢,該特征與蘇恒等[19]在這一地區(qū)利用站點實測數據得出的結果一致。

a)年降水量

圖5 2001—2019年西江流域各月平均降水情況

2.3 年和月降水空間分布特征

圖6a為GPM數據2001—2019年平均降水量分布圖,綜合流域地形及地理位置分析,自西向東流域高程不斷降低,與水汽源地不斷接近,圖中的降水量分布也呈現出逐步增加的趨勢。流域內多年平均降水量在888.47～1 990.26 mm之間變化,變幅較大。降水量低值區(qū)主要分布于流域西部玉溪、曲靖和威寧等地;降水量高值區(qū)主要集中于流域東北部的桂柳地區(qū),在流域東部、南部地區(qū)也有小塊高值區(qū)分布。地形對于流域東北部桂柳地區(qū)的降水量有重要影響[23],桂柳地區(qū)位于越城嶺山脈與海洋山之間的湘桂走廊處,湘桂走廊會促使冷空氣由此南下侵入廣西,若冷空氣與西南季風攜帶的暖濕氣流在湘桂走廊交匯易產生鋒面雨。另外,受越城嶺山脈和海洋山阻隔,西南暖濕氣流大量積聚于山坡南側,在地形的抬升作用下,迎風坡一側易產生地形雨。在地形雨、鋒面雨雙重影響下,桂柳地區(qū)常為暴雨中心因而降水量偏多。

a)GPM降水數據

由GPM數據得出的流域降水空間分布與圖6b中本研究通過站點數據插值所得的降水空間分布基本一致,但受流域氣象站點密度較低和插值過程中誤差的影響,通過實測數據插值得到的降水量分布圖中降水量“點狀”聚集特征明顯。因GPM數據的空間連續(xù)性高,繪制的降水空間分布圖降水量變化較連貫,在整體精度得到保證的情況下更能反映降水量的空間分布特征。這與周李磊等[24]利用TRMM數據得出的結論相似。

從圖7流域2001—2019年各月平均降水量空間分布來看,與年平均降水分布類似,各月降水量分布自東向西逐漸減少;流域年內降水呈現干濕交替特征,11月至次年2月干旱少雨,3—10月濕潤多雨。在汛期里,4—6月流域受冷暖氣流交匯及地形因素影響,流域降水量高值區(qū)主要集中在桂北地區(qū);7—9月冷空氣活動稍弱,但南海海域熱帶氣旋活動頻繁,臺風在華南沿海登陸為流域南部帶來大量降水,流域降水量高值區(qū)轉移至流域南部及東南部。

圖7 2001—2019年西江流域各月平均水量分布

2.4 年降水空間變化態(tài)勢分析

對GPM數據進行Sen-Median趨勢分析及Mann-Kendall檢驗,并將所得結果耦合,從像元角度對西江流域19 a降水空間變化趨勢進行分析。Sen-Median趨勢分析與Mann-Kendall檢驗耦合得出的趨勢類別及各類別占比見表1。

表1 降水變化趨勢統(tǒng)計

表1中,過去19 a降水量在90%置信度下顯著增加的區(qū)域占20.51%;增加,但未達到90%置信度的區(qū)域在流域內占主導(72.39%),降水減少區(qū)域占比7.10%,但趨勢都未達到90%置信度。

圖8a描述的是各變化類型在空間上的分布情況。西江流域內除西南部及北部、中部部分地區(qū)以外其余大片地區(qū)的降水變化類型為增加,但未達到90%置信度;95%置信度下顯著增加的區(qū)域主要集中在流域北部黔桂兩省交界地區(qū);90%～95%置信度下顯著增加區(qū)域散布于95%置信度下顯著增加區(qū)域的外圍;呈現減少,但未達到90%置信度的區(qū)域分布在流域西南部及流域南部部分地區(qū)。

a)降水變化趨勢

利用變差系數Cv結合GPM數據從像元尺度分析流域內降水量增減變化的劇烈程度,Cv用自然斷點法劃分為3級見表2。

表2 變差系數分級

流域內19 a降水量Cv均值為0.14,表2中降水量呈中變異程度地區(qū)的面積占比最大(66.24%),其次分別為低變異程度地區(qū)(30.98%)和高變異程度地區(qū)(2.78%)。圖8b中,屬中變異程度的地區(qū)在流域內廣泛分布,僅流域南部、北部及東北部部分地區(qū)非中變異程度地區(qū);低變異程度的地區(qū)大致在西南部至中南部一帶及北部部分地區(qū)分布;屬高變異程度的地區(qū)主要集中在流域東北部湘桂兩省交界處。降水出現變異的原因可能與研究時段內某些年份氣壓帶、大氣環(huán)流的活動異常,以及近些年越發(fā)頻繁的人類活動加速改變了地表下墊面條件和地面輻射[1],導致水汽源急劇變化有關。

2.5 年降水未來趨勢分析

計算Hurst指數H檢驗過去降水趨勢的可持續(xù)性,結果見表3。西江流域大部分區(qū)域降水變化趨勢呈反向持續(xù)性,高反向持續(xù)性區(qū)域和低反向持續(xù)性區(qū)域占流域面積比例分別為53.73%、24.77%;而高正向持續(xù)性區(qū)域和低正向持續(xù)性區(qū)域占比分別為1.06%、20.44%。H的分布表明見圖9,呈反向持續(xù)性的區(qū)域主要分布在流域中部地區(qū);呈正向持續(xù)性的區(qū)域主要分布在流域的西部、北部及南部的小塊地區(qū)。

表3 降水趨勢持續(xù)性

圖9 西江流域Hurst指數分布

將Sen-Median趨勢分析、Mann-Kendall檢驗的結果與Hurst指數耦合所得的9種未來降水趨勢類型見表4。未來降水可能反轉為增加的區(qū)域(2.68%)少于可能反轉為減少的區(qū)域(75.52%);未來將持續(xù)減少的區(qū)域(3.93%)少于未來將持續(xù)增加的區(qū)域(12.59%)。

表4 未來降水趨勢類型

圖10中,流域內除了西部、南部及北部部分地區(qū)外,大部分過去降水增加,但未達到90%置信度的區(qū)域未來降水趨勢有可能逆轉為減少;過去降水增加但未達到90%置信度,未來可能持續(xù)增加的區(qū)域分布于流域中西部云貴兩省交界處與南部小塊地區(qū)。過去降水增加在90%置信度下顯著增加,未來將持續(xù)增加的區(qū)域主要分布在流域北部黔桂交界地區(qū);過去降水在90%置信度下顯著增加,未來可能逆轉為減少的區(qū)域在流域中部偏北部地區(qū)集中分布。過去減少,未達到90%置信度,未來降水將持續(xù)減少的區(qū)域主要分布在西部高原地區(qū);過去降水減少,但未達到90%置信度,未來可能逆轉為增加的區(qū)域分布在流域西南及中南部的小塊地區(qū)。

圖10 西江流域未來降水空間演化趨勢

3 結論與展望

基于西江流域34個氣象站2001—2019年逐月降水數據,對同時期GPM數據在西江流域的適用性進行檢驗,在此基礎上利用GPM數據分析西江流域2001—2019年的降水時空特征進行分析,得到如下結論。

a)GPM月降水數據與實測降水數據相關性高R=0.93(p<0.01),但存在高估現象,RB=4.94%、RMSE=41.49 mm;數據精度自西向東降低,降水量越多高估現象越明顯。GPM數據雖輕微高估了實際降水情況,但其精度可以滿足流域降水研究。

b)西江流域2001—2019年平均降水量1 420.12 mm,年降水序列波動程度較高,整體呈上升趨勢 (p>0.1);19 a間降水呈現欠-豐階段性變化趨勢,極端氣候事件是造成降水量在2014年突變的主要原因;汛期降水量占全年降水量的78.39%,其間降水量的動態(tài)對當年降水量具有重要影響。

c)流域年、月降水空間分布大致隨海陸位置變化自西向東漸增,準靜止鋒和地形抬升作用使桂北地區(qū)成為流域降水高值區(qū);冷空氣和熱帶氣旋的依次影響使汛期降水高值區(qū)自流域東北向流域南部移動;19 a中降水增加,但未達到90%置信度的區(qū)域分布于流域內除東北部,西部以外的大部分地區(qū),占比72.39%;降水中變異地區(qū)在流域內除南部以外的地區(qū)廣泛分布,占比66.24 %。

d)降水呈反向持續(xù)的區(qū)域在流域中部至南部大片分布,占比78.50%;過去降水增加,但未達到90%置信度,未來可能逆轉為減少的區(qū)域在流域內占61.16%,集中分布于流域除西部、東北部以外的地區(qū)。

GPM數據在西江流域適用性較好,可以根據分析結果提出一些針對西江流域未來降水演化的合理展望。未來降水趨勢分析的結果表明流域大部分地區(qū)降水將減少,發(fā)生氣象干旱的可能性較大。面對可能出現的干旱災害,應當著重以工程和非工程兩類措施協(xié)同應對。通過完善喀斯特地區(qū)民生水利工程及區(qū)域水利網絡,在加強降水監(jiān)測和干旱預警預報的基礎上合理規(guī)劃調度流域內水利樞紐等不同類型措施,保障流域內各類用水需求。對于未來降水可能持續(xù)增加的流域東北部地區(qū),不僅要加強降水監(jiān)測,還要提高對洪水災害的預警能力。雖然流域內大部分地區(qū)未來的水土流失情況可能會因降水量減少而減輕,但是仍不能懈怠水土涵養(yǎng)措施的推行,喀斯特地區(qū)久旱后土壤龜裂收縮,抵御侵蝕性降雨的能力變弱,突發(fā)強降雨可能導致旱澇急轉,山洪泥石流出現概率更大。流域東北部未來水土流失情況可能因降水量增加而加劇,水土流失的防治壓力更大。