基于多指数安徽省强降水灾害近45年的时空演变

孙莉娟, 陈金华, 徐 阳, 黄 进

(1.安徽省人工影响天气办公室, 合肥 230031; 2.安徽省农村综合经济信息中心(安徽省农业气象中心),合肥 230031; 3.南京信息工程大学 应用气象学院， 南京 210044; 4.淮河流域气象中心, 安徽 合肥 230031)

强降水作为极端天气气候事件的一种，是引发洪涝、内涝、渍涝及泥石流和水土流失等气象、水文、及环境灾害的首要致灾因子[1]。IPCC(联合国政府间气候变化专门委员会)特别报告指出气候变化会导致强降水事件的频次、强度和持续性发生改变，特别是全球大多地区的特大降雨事件从20世纪中叶以来呈现出增加趋势[2]。强降水事件的频发及其增加的水灾害风险正成为人类社会面临的重大挑战，因此使用多种类型降水指数全面评估强降水变化及其影响的区域差异性，具有重要的科学和现实意义[3]。安徽省地跨长江、淮河，作为全国重要的粮食产区，南北气候条件差异大，水涝灾害频发，农业经济损失严重[4]。因此，了解并掌握安徽降水的气候特征，特别是强降水的时空演变格局对积极防灾减灾均有重要指导意义。安徽省现有的研究多侧重于某些单一降水指标的趋势诊断，缺乏多类型指标的综合比对分析，此外针对强降水年际变化对农业影响的量化研究的尝试还很有限[5-7]。鉴于此，本文从降水极值、暴雨日数、极端连续降水、降水集中性等多个角度全面评估研究区强降水的时空演变，并探讨其对粮食生产的潜在影响。

1 资料与方法

1.1 基本数据

降水资料来源于安徽省气象局提供的77个气象观测站1973—2017年的逐日降水数据，这77个站点的空间分布具体见图1。此外，国家统计数据库(http:∥data.stats.gov.cn/)提供了全省尺度1973—2017年夏、秋粮的总产量数据以及水灾受灾面积数据。

图1 安徽省77个气象站的空间分布

1.2 强降水指数的定义

本文所采用的强水指数(PI)共有11种(表1)，其中Pmax，D50，D100，CWD，P95源自气候变化探测和指标联合专家组织(Expert Team for Climate Change Detection Monitoring and Indices)设定的极端气候指数。与此同时，P1～2 d，P3～4 d，P5～6 d，P>6 d用来描述不同持续日数的连续降水事件的极值。此外，PCI与CI用来刻画月降水和日降水集中性，其中PCI由逐月降水量计算而来，主要用于度量年内降水的非均匀分配；而CI由逐日降水数据计算而来，旨在描述某时段内的累积降水量百分比与累积降水天数百分比间的洛伦兹曲线分布，并利用基尼系数评估日降雨分布特性[8-11]。PCI与CI的值越高，则降水集中性越高，某年发生雨涝灾害的风险也就越大，其计算过程可见徐慧[8]与邢万秋[9]的相关工作。本降水指数的计算过程中，日降水量≥1 mm被定义为一次降水事件，连续降水事件的最短持续天数为1 d。

表1 强降水指数的定义

1.3 降水指数的时空分析

主成分分析常见于生态环境等领域多指标综合评价的数据降维，其作用于多样本(站点)多指标构成的矩阵时，可以把有一定相关性的多个原始指标通过线性变换为另一组新的不相关的少量指标，新的指标按照方差依次递减的顺序排列，排第一的指标称为第一主成分，依次类推[12-13]。于此同时，主成分分析在识别气候变量相似及分异性的区划中也有广泛应用，其作用于多样本(站点)单一指标时间序列构成的矩阵时，新生成的若干主成分得分序列表征了研究区不同类型的年际变化，不同主成分在各站点原始序列的载荷可有效的用于空间尺度的气候分区[14-15]。此外，“Mann-Kendall趋势检验”(M-K检验)以及五年滑动平均处理用来诊断相关气候指标的变化特征。

1.4 强降水对粮食产量的影响量化

为了剔除技术进步及管理等非气候因素对作物产量的影响，本文采用产量与气候要素的一阶差分法(即当年与前一年的差值)对相关指标的年际序列进行预处理[16]。计算降水指数与粮食总产量间的相关系数，并采用公式(1) 量化降水指数变化对产量的影响。

ΔYield =a×ΔPI +b

(1)

式中：ΔYield为粮食产量的一阶差分；ΔPI为降水指数的一阶差分。产量对降水指数的敏感性(SE)定义为其变化1 mm或1 d时产量的变化幅度，可由式(1)中的回归系数a除以研究期多年平均产量得到，单位为百分比；PI的年际变化对产量的影响则由研究期PI 的线性趋势与SE相乘得到，单位也为百分比。

2 结果与分析

2.1 强降水的空间分布

首先计算了安徽省各站点11种降水指数的多年均值，将其构建的11列(11个降水指标)×77行(77个站点)的矩阵导入统计软件SPSS 19.0中的主成分分析模块。由表2—3结果可知，第1主成分(PC1)的方差贡献率最大(65.8%)，加上第2主成分(PC2)的方差贡献率，累积方差贡献率超过了88%，且这2个主成分的特征根均大于2，因此原指标群降维成的PC1和PC2这两个新的综合指标。由表2中载荷的高低来看，PC1主要表征强降水的频次、持续性、极值，而PC2则表征了降水集中性。

表2 降水指标群的主成分分析

表3 2个主成分在各降水指数的载荷

SPSS基于原始指标和主成分的线性关系输出的各站点主成分得分(PCS1和PCS2)通过ArcGIS 10的反距离权插值更为直观的描述了研究区强降水的空间分布格局。图2A中研究PCS1呈现出显著的由南向北递减的梯度变化，表明安徽南部的强降水极值要明显高于中部和北部地区。造成这种南北显著差异的原因可能有两个方面：一是由于南部地区山地较多，地形抬升作用易触发强降水；二是南部地区暖湿气流活跃，当西太平洋副热带高压活动或冷空气扩散南下时易形成强降水[17]。不同于PCS1，图2B中PCS2的空间分布表明研究区的降水集中性呈现出由中部向南北两端减弱的态势，两个高值区域分别位于最北端和西南部。安徽北部位于暖温带半湿润季风气候区，雨季相对较短，因而降水集中性较高；安徽西南部位于大别山地形降水区，其暴雨日比重较高，因而降水集中性也较强[18]。

图2 主成分得分PCS1和PCS2的空间分布

2.2 关键雨灾指标的筛选

表2中的降维结果反映了研究区不同类型降水指数之间存在着一定程度的共线性，指标群过于冗繁，因此简化并筛选出关键指标更有利于精准评估研究区雨灾的时空变化。表4—5中通过相关分析汇总了各站点某个降水指数与全省水灾受灾面积年际变化的同步性，相关性越高，同步性越强，则该指数越能表征研究区的雨灾变化。可以发现无论是比较相关系数的均值还是呈显著正相关性站点的数量，极端雨天总降水量(P95)明显优于其他降水指数，其对指示研究区水灾具有极强的普适性，应作为表征雨涝灾害的关键指标加以深入分析和探讨。

表4 各站点相关系数的平均值

表5 各站点呈现显著正相关性站点的数量

2.3 关键指标P95的时空演变

为了辨识关键指标P95年际变化的空间差异，将各站点P95逐年序列构建的77列(77个站点)×45行(45 a)的矩阵导入统计软件SPSS 19.0中进行主成分分析。图3中前6个主成分累积方差贡献率超过了70%，且各主成分的特征根均大于2。因此，77个站点的P95年际变化可识别出6个典型模态，D特别是前3个主成分代表了研究区最突出的3种P95变化型。图4中的载荷表征了不同模态与各站点P95序列的相关性，可有效的将研究区划分为与6个主成分相对应的子区域，分别为区域I(中南部)，区域Ⅱ(中北部)，区域Ⅲ(南部)，区域Ⅳ(西北角)，区域V(东北角)，区域Ⅵ(最北端)。分区结果与安徽省主要自然地形区的分布较吻合，特别是区域I、区域Ⅱ、区域Ⅲ大致对应了沿江低地区、江淮隆丘区和皖南山区3个典型地形区，这进一步说明了复杂多样的地形地貌以及南北气候过渡性是造成研究区强降水变化区域差异的主要原因[6]。

图3 各站点P95主成分分析的碎石图

图4 各主成分对应载荷的空间分布

图5中主成分得分序列直观地表征了各子区域近45 a的P95演变过程。从M-K检验结果来看，各序列1973—2017年的变化趋势均没有通过显著性检验，其中区域Ⅱ的P95上升趋势较强，而区域I的P95下降趋势较强。此外，各序列的五年滑动平均进一步刻画出了P95的波动与振荡。由图5所示，区域I，Ⅱ，Ⅲ，Ⅳ，Ⅵ的P95有着较明显的年代际转折，分别呈现出↑↓↑，↑↓↑，↑↓↑，↑↓↑↓，↑↓↑↓的变化型，而区域Ⅴ的P95则呈现出较强烈的年际波动。值关注的是2003年以后区域I，Ⅲ的P95上升态势显著，而区域Ⅱ的P95在2010年后也呈现出较强的上升态势。东亚夏季风的年代际振荡可能是造成安徽省大部分地区近十几年来强降水增加的主要原因[19]。1990年代末以来，随着东亚夏季风的增强，雨带开始向北移动至长江以北地区，雨带北界超过35°N，进而导致江淮流域夏季降水偏多[20]。

注：灰色实线为PCS；黑色虚线为PCS的5 a滑动平均；Z为MK检验结果。

图5 各子区域主成分得分序列的趋势检验

2.4 粮食产量波动对P95的响应

在一阶差分预处理的基础上，计算了全省粮食总产量序列和各子区域P95主成分得分序列的相关系数，以此来探求不同区域强降水变化对粮食生产安全的可能影响。由表6—7可以看出，PCS2与产量的相关性明显高于其他分区，特别是PCS2与夏粮产量呈现出极显著的负相关性，这表明安徽省中北部区域P95的年际变化对粮食产量波动有着显著的指示作用。P95每增加10 mm，夏粮及秋粮的总产量随之减少0.7%和0.2%。由表4还可以发现近45 a安徽中北部P95的增加趋势导致了夏粮及秋粮的总产量分别减产了0.72%和0.26%。总体而言，安徽省强降水的年际变化对粮食生产是不利的，应加强重点区域P95的监测及预报，以降低雨涝灾害导致的粮食损失。

表6 安徽省粮食总产量与各分区PCS的相关分析

注：**表明通过了0.01显著性水平。

表7 安徽省粮食总产量对中北部P95变化的响应

3 结 论

(1) 本研究计算并提取了安徽省77个气象站点的11种降水指数，在各指数多年均值的基础上，主成分分析指出研究区强降水的极值、频次、持续性均由南向北递减，而集中性则呈现出中部低、南北高的空间格局。

(2) 各站点不同类型降水指数与全省水灾受灾总面积的相关分析指出极端雨天总降水量(P95)与灾害年际波动的同步性最高，可作为表征雨涝灾害的关键指标。

(3) 基于主成分分析，安徽可以划分成中南部、中北部、南部、西北角、东北角、最北端这个6个呈现不同P95年际变化特征的气候子区域。自2003年以来，中南部、中北部、南部地区的P95呈现出较为显著的增加趋势。

(4) 全省粮食总产量对中北部P95的年际波动更为敏感，其每增加10 mm将导致夏粮及秋粮的总产量分别减少0.7%和0.2%，特别是近45 a来中北部P95的增加趋势给夏粮产量带来了0.72%的减产。