APP下载

2001—2019年横断山区积雪时空变化及其影响因素分析

2021-02-14邹逸凡马梓策吕胤锋卞耀劲刘瑞琳

冰川冻土 2021年6期
关键词:年际日数覆盖率

邹逸凡, 孙 鹏, 张 强, 马梓策,吕胤锋, 卞耀劲, 刘瑞琳

(1.安徽师范大学地理与旅游学院,安徽芜湖 241002; 2.北京师范大学环境演变与自然灾害教育部重点实验室,北京 100875;3.北京师范大学地表过程与资源生态国家重点实验室,北京 100875; 4.北京师范大学减灾与应急管理研究院,北京 100875)

0 引言

积雪因其特有的反射能力强、导热性弱以及融化过程中的热量吸收等特性,对气候变化、能量平衡、水循环有着巨大影响[1-2],是冰冻圈内最敏感的环境变化响应因子,被认为是全球气候变化的重要指示器[3]。此外,融雪洪水和雪崩是重要的自然灾害[4],积雪面积也是水文和气候循环的重要参数之一。横断山区地处我国的阶梯过渡带上,易发生滑坡、泥石流等自然灾害。同时,这里的生物种类丰富,有许多珍贵的野生动植物。近些年来横断山区生态环境的变化以及人类活动的影响使得该地区的积雪产生了变化,进而对区域中各要素产生影响。为了合理利用积雪资源、预防自然灾害以及保护生物多样性,对横断山区积雪时空变化进行研究是十分必要且具有重要意义的。

许多学者都对青藏高原做了大量的积雪研究分析。Huang 等[5]利用无云条件下MODIS 逐日积雪产品和AMSR-E、SSM/I 逐日SWE 产品,系统分析了2001—2014 年青藏高原积雪变化及其对气候变化的响应,发现青藏高原积雪日数和雪水当量均有减小的趋势,且高海拔积雪的减小更为显著。Chen 等[6]利用AVHRR 地表反射率的气候记录数据(CDR)和几种现有积雪产品,新开发了TPSCE 积雪产品,该产品在青藏高原积雪研究中具有长时间序列、高时空分辨率和完整的空间覆盖等优势。Hao等[7]利用青藏高原积雪对四种逐日无云的积雪产品IMS(交互式多传感器积雪产品)、MOD-SSM/I(MODIS 与SSM/I 结合的积雪产品)、MOD-B(基于混合方法的MODIS 积雪产品)、TAI(Terra-Aqua-IMS 积雪产品)进行精度评估,研究表明4 种产品的积雪面积变化具有一致性,其中TAI 产品的精度最高。胡豪然等[8]基于1967—2012 年青藏高原东部60 个气象站点,分析降雪的时空演变特征及与积雪的关系,发现降雪空间分布差异显著,表现出“少—多—少”的年代际变化特征,且青藏高原东部秋、冬、春季降雪与积雪关系十分密切。除多等[9]基于青藏高原2000—2014 年MODIS 积雪产品,利用积雪覆盖率分析青藏高原积雪的时空分布特征,发现积雪分布与高程呈正相关,与坡度呈正相关(12月至次年5月),南坡积雪覆盖高、北坡低。唐志光等[10]基于青藏高原2001—2011 年去云后MODIS 积雪产品,分析积雪日数时空分布特征,发现青藏高原积雪日数四周高中间低,且年际波动较大。上述很多研究分析了青藏高原积雪特征,但缺少细致分析横断山区积雪的变化情况,考虑到横断山区积雪的重要性,本文针对横断山区积雪的变化情况进行分析,为横断山区积雪资源的合理利用提供科学指导。

横断山区地形复杂,积雪多分布在高海拔地区,但高海拔地区的站点数量少,实测数据获取难度大。而且气象站点的数据只能代表其所在地点的数据,并不能代表周围区域的积雪平均情况,难以在大范围进行积雪的相关研究。遥感数据相较于地面的气象站点数据有获取方便、监测范围广、观测时间连续等特点[11]。因此,本文选择遥感数据来分析横断山区的积雪变化情况。

1 研究区与数据

MOD10A2产品是8天合成的积雪产品数据[12],该产品的优点是经过多次处理,最大程度地降低了云层,尤其是薄云的影响,从而更加准确地反映了积雪覆盖情况[13]。因此,本文利用2001—2019 年的MOD10A2积雪产品,并结合研究区129个气象站点的气象数据,采用趋势分析、相关分析等方法,结合随机森林回归模型分析横断山区积雪空间分布特征以及气象因子对积雪时空分布的影响。

1.1 研究区概况

横断山区位于青藏高原东部、四川盆地西部和云贵高原西北部,是中国地形第一、第二阶梯的过渡地带。地区海拔差异大,由一系列纵贯南北的山脉与河谷组成。冬季山区降水多以积雪形式存储,随着春季气温升高中低海拔积雪开始融化,雪线以上区域终年积雪覆盖,冰川和冻土分布广泛,丰富的积雪是河川径流的重要补给来源(图1)。

图1 横断山区气象站点位置(a)及2001—2019年平均积雪覆盖率(b)空间分布Fig.1 Location of meteorological stations in the Hengduan Mountains(a)and spatial distribution of average annual snow cover fraction(SCF)from 2001 to 2019(b)

1.2 数据

1.2.1 MODIS积雪数据

本文选取的MOD10A2-V006 是美国国家冰雪数据中心(National Snow and Ice Data Center,NSIDC)提供的新一代地球观测系统Terra 卫星监测的8 天合成的积雪产品数据。空间分辨率为500 m,投影形式为正弦曲线投影。MOD10A2 数据具有分辨率高、监测范围广的特点,常用于局部区域的积雪监测[14-15]。MOD10A2 所表示的是8 天中积雪覆盖的最大值,具体表现为,该产品在8天内只要有一天显示有积雪,就表示该像元被积雪覆盖,如果8天里没有一天观测出有积雪的话,那么在这个像元就被标记为无雪[16]。

选取横断山区2001—2019 年1~46 期MOD10A 2 数据,共计5 220 幅影像(缺失24 幅)。使用MRT(MODIS Reprojection Tools)对覆盖研究区h25v05、h26v05、h27v05、h25v06、h26v06和h27v06的影像数据进行拼接、投影转换、坐标更改、重采样和数据格式变换预处理,预处理后数据输出格式为TIFF。在ArcGIS 进行处理得到的图像,不同像元值代表不同的地物覆盖类型,根据MOD10A2产品编码的分类,其中值为200 的像元代表积雪,其余像元代表不同的非积雪地物(如50代表云,37代表湖泊等)。对上述积雪和非积雪像元进行重分类,在ArcGIS中进行二值化处理,编码分别为1 和0,将其输出。经过数据处理,得到研究区870幅遥感影像,进而对研究区积雪覆盖率和积雪日数的变化状况进行分析。

1.2.2 气象数据

气象数据是由中国国家气候中心(National Climate Center,NCC)和科考市州气象局提供的129 个气象站点的降水、湿度、日照时数、平均气温和风速等逐日数据,并将时间都统一为2001 年1 月1 日—2019年12月31日。在ArcGIS中使用径向基函数插值方法对气象数据进行插值处理,转换成分辨率为500 m的栅格数据。

1.2.3 高程数据

高程数据(digital elevation model,DEM)是由国家冰川冻土沙漠科学数据中心(http://www.ncdc.ac.cn)提供的基于中国1∶25 万高程点和等高线生成的分辨率为1 km 的数字高程模型数据,在文中用于高程带和坡向的划分与提取。

1.3 方法

1.3.1 积雪覆盖率

积雪覆盖率(snow cover fraction,SCF)[17]表示指定区域内的积雪覆盖范围比例,即当日的积雪覆盖范围占研究区总面积的百分比。定义为

式中:SCF 为积雪覆盖率;Ssnow为积雪覆盖面积,本文所用的积雪覆盖数据均不包含湖泊区域;Sall为整个研究区的面积。

1.3.2 积雪日数

积雪日数(snow cover days,SCD)[18-19]描述的是在一年内每个像素被积雪覆盖的次数,积雪日数越大,表明该地区积雪覆盖越久,积雪储存量也更为丰富。计算公式为

式中:SCD 为积雪日数,取值范围为0~366 d;N=46;Si为逐日积雪覆盖数据集的二元像素值。其中,由于本文选用的MOD10A2 为8 天积雪数据,因此将积雪用8代替,陆地用0代替。

1.3.3 随机森林模型

随机森林模型是Breiman[20]提出的一种基于决策树的机器学习算法。通过bootstrap 重采样技术从原始训练样本集中抽取并生成训练样本子集,然后根据训练样本集生成多个决策树并组成随机森林,其分类或回归模型结果按决策树投票分数而定[21]。本文基于匹配样本数据,将各气象因子(降水、风速、气温、湿度、日照时数)以及地形要素(高程、坡向)作为解释变量,积雪日数作为因变量,构建随机森林回归模型按2∶8的比例划分训练集和测试集,利用测试集的模型精度(R2)来衡量气象因子及地形要素对积雪日数空间分布的作用大小(图2)。

图2 随机森林模型流程图Fig.2 Diagram of the random forest model

2 结果与分析

2.1 积雪覆盖率变化特征

2.1.1 年际变化

积雪覆盖率表示的是被积雪所覆盖的区域面积占整个研究区域的百分比。对横断山区2001—2019 年积雪覆盖的面积进行统计,绘制了2001—2019 年的逐年平均积雪覆盖率的变化趋势图(图3)。 横断山区的年平均积雪覆盖率在30.3%~38.2% 之间波动,最大值出现在2006 年,最低值出现在2015 年。近19 年来,横断山区的年平均积雪覆盖率年际差异较小,整体上呈现不显著的下降趋势,变化率为-1.24%·(10a)-1。对于不同时期而言,积雪的年际变化呈现阶段性的增加或减小的变化趋势。其中,2003—2008 年,年平均积雪覆盖率呈波动中上升趋势,变化率为4.75%·(10a)-1。2006年的年平均积雪覆盖率是最大的,为38.2%。2008年后年最大积雪覆盖率整体呈现显著的下降趋势,变化率为-2.96%·(10a)-1,并在2015 年达到了近19年最低值,为30.3%。

图3 2001—2019年横断山区平均积雪覆盖率年际变化Fig.3 Interannual variation of SCF in the Hengduan Mountains from 2001 to 2019

对不同季节平均积雪覆盖率年际变化情况进行分析(图4),可以看出横断山区冬季积雪覆盖率最高,春季次之,平均积雪覆盖率季节性变化除春季外均呈减少趋势。这与横断山区气温的升高有很大关系,气温年际变化率为0.34 ℃·(10a)-1。夏季和秋季积雪覆盖率减少相对明显,夏季为-1.21%·(10a)-1,秋季为-3.56%·(10a)-1,是横断山区积雪减少的主要原因之一。

图4 2001—2019年横断山区不同季节积雪覆盖率年际变化Fig.4 Interannual variations of SCF in spring(a),summer(b),autumn(c)and winter(d)in the Hengduan Mountains from 2001 to 2019

综上所述,2001—2019 年横断山区的积雪覆盖率年际变化差异较小,但整体上呈现微弱的下降趋势,积雪覆盖面积的减小与全球气候变暖相呼应,并且随着全球气候变暖横断山区的冰川和永久性积雪已经受到了严重的影响。另外,积雪覆盖面积的变化与人类活动的干扰密不可分[22-23]。近十几年来,横断山区内的城市建设、工业发展、旅游业的快速扩张等人类活动,对积雪的持续时间具有一定的影响[24]。

2.1.2 年内变化

利用逐8 日MOD10A2 遥感影像数据计算月平均积雪覆盖率(图5和图6)。由图可以看出,年内的积雪覆盖率分布呈“单峰”型曲线。整体来看,横断山区的积雪覆盖分布具有明显的季节性差异[25],积雪覆盖率最高的月份是3 月,而最低的月份是7 月。3 月达到积雪覆盖率最大值,为55.04%;4 月开始随着气温升高积雪逐渐融化,积雪覆盖率急剧减少,在7 月达到最小值,为14.38%;9 月气温下降,积雪开始积累,到次年3 月又达到最大值。从季节上来看,冬季横断山区的大部分地区被积雪覆盖,而夏季存在部分稳定积雪,春、秋季处于过渡期,在此期间积雪覆盖面积变化大,积雪覆盖面积月份间存在较大差异。

图5 2001—2019年月平均积雪覆盖率Fig.5 Average monthly SCF in the Hengduan Mountains from 2001 to 2019

图6 2001—2019年月积雪覆盖率变化空间分布Fig.6 Spatial distribution of average monthly SCF in the Hengduan Mountains from 2001 to 2019

2.1.3 高程的影响

将横断山区的高程以<1 000 m、1 000~2 000 m、2 000~3 000 m、>3 000 m 分为四个高程带,分别计算各高程带的平均积雪覆盖率年际变化(图7)。海拔高度与积雪覆盖率成正相关,海拔3 000 m 以上的积雪覆盖率最高且年际变化趋势最大,2005 年的积雪覆盖率最大,为53.7%。海拔1 000 m 以下的积雪覆盖率最低且年际变化趋势最小,2013 年的积雪覆盖率最大,为4.27%。 海拔1 000~2 000 m、2 000~3 000 m 积雪覆盖率的年际变化具有相似的变化趋势,2006 年、2011 年和2013 年均为积雪覆盖率的高值。横断山区的人类活动主要集中在该地区,受人类活动的影响大,因此积雪覆盖率变化较为明显。3 000 m 以上的地区海拔高、人迹罕至,受人类影响小,多为稳定性积雪。1 000 m以下的地区海拔低,气候条件不利于积雪的累积,因此积雪覆盖率稳定。各高程带积雪覆盖率的年际变化均呈减少趋势,与全球气候变暖相一致。其中海拔>3 000 m减少趋势最明显,为-1.39%·(10a)-1。图8 是不同高程带的月积雪覆盖情况,3 000 m以上积雪覆盖率在12月至次年3月的变化较小,在36.32%~40.06%之间。1 000 m 以下积雪主要集中在冬季的东部边缘地区,夏季积雪覆盖率很低,在0.41%~1.08% 之间,1 000~3 000 m 积雪覆盖率在3.85%~22.99% 之间,随季节变化明显。

图7 2001—2019年横断山区各高程积雪覆盖率年际变化Fig.7 Interannual variations of SCF at different altitudes in the Hengduan Mountains from 2001 to 2019

图8 横断山区各高程的月积雪空间分布Fig.8 Spatial distribution of snow cover in each month at different altitudes in the Hengduan Mountains

2.1.4 坡向的影响

将横断山区划分为2 个坡向:阳坡(90°~270°)和阴坡(0°~90°、270°~360°),并分别计算阳坡、阴坡在各月的平均积雪覆盖率(图9)。其中,阳坡和阴坡的最大积雪覆盖率均出现在3 月,阳坡最大积雪覆盖率为47.12%,阴坡最大积雪覆盖率为49.77%。阴坡的积雪覆盖率比阳坡高,主要原因是阳坡受到更多的太阳辐射,气温较阴坡高[26]。以及受季风气候的影响,寒冷的冬季风以及阴坡的位置更利于积雪的累积。阳坡虽然水汽较多,但气温高不利于积雪的积累。将横断山区与青藏高原交集的阳坡和阴坡积雪覆盖率进一步分析,阳坡积雪覆盖率为15.69%~65.56%,阴坡积雪覆盖率为16.78%~67.19%,各坡向的积雪覆盖率较整个横断山区均有提升,除夏季外积雪覆盖率均大于27%。这说明高程是影响横断山区坡向积雪覆盖率的重要因素之一。

图9 横断山区阳坡和阴坡的月积雪空间分布Fig.9 Spatial distribution of snow cover in each month in sunny and shady slopes in the Hengduan Mountains

2.2 积雪日数变化特征

本文以MOD10A2的每个像元的积雪覆盖记为8 天的积雪覆盖,通过计算合成2001—2019 年横断山区每年的积雪日数、平均积雪日数以及稳定性积雪分布图。由图10 和图11 可知,横断山区的积雪日数呈西北部和北部高、南部低的空间分布特征,并且与地形特征关系密切,空间异质性较大,部分地区呈斑块状分布[27]。积雪日数大于60 d 的地区被认为是季节积雪中的稳定积雪区,也是雪水资源的主要来源地[10]。横断山区的积雪日数一般小于60 d,即横断山区以不稳定积雪为主,面积占比为63.80%,主要分布在云贵高原等广大南部地区。该地区海拔和纬度较其他地区低,因此积雪日数较短,总体变化呈不显著的上升趋势,为0.264 d·(10a)-1。横断山区积雪日数大于180 d 的地区主要分布在西北部、北部的高海拔山区,集中分布在念青唐古拉山东侧、伯舒拉岭、他念他翁山、沙鲁里山、大雪山以及邛崃山等地区,积雪日数在60~180 d 的地区也主要分布在这些山脉附近。横断山区季节性稳定积雪面积占比为36.20%,总体呈不明显的下降趋势,为-0.263 d·(10a)-1。其中积雪日数在61~90 d、91~120 d、121~150 d、151~180 d以及≥181 d的面积百分比分别为9.88%、6.78%、5.30%、4.42%、9.82%。由此可见,横断山区的稳定积雪在减少,而不稳定积雪在增加。从时间序列来看,2004 年、2005 年、2006 年、2019 年为积雪日数较高的年份,年平均积雪日数大于75 d;而2003 年、2014 年、2015 年、2016年为积雪日数较低的年份,年平均积雪日数小于62 d。整体上来看,积雪日数在空间上的分布与纬度相关性较好。因而,形成了北部山地积雪多,而南部高原积雪少的空间分布格局。

图10 2001—2019年横断山区积雪日数空间分布Fig.10 Spatial distribution of snow cover days(SCD)in the Hengduan Mountains from 2001 to 2019

图11 2001—2019年横断山区平均积雪日数(a)及稳定性积雪(b)的空间分布Fig.11 Spatial distribution of average annual SCD(a)and stable snow cover(b)in the Hengduan Mountains from 2001 to 2019

使用Sen趋势分析和M-K趋势检验对横断山区2001—2019 年积雪日数年际变化率以及变化趋势进行分析(图12)。从图中可以看出,整个横断山区积雪日数的年际变化空间差异性较大。其中,有21.66% 的区域积雪日数呈增加的趋势,呈显著增加(P<0.05)的区域有0.68%,主要集中在横断山区的北部杂多县—若尔盖县一线的高海拔山地;而有28.46% 的区域积雪日数呈减少的趋势,其中呈显著减少(P<0.05)的区域有2.65%,主要分布在横断山区中部的康定市、九龙县及其周边地区。由此可见,2001—2019 年横断山区整体上积雪日数呈减少趋势,平均积雪日数变化率为-1.37 d·(10a)-1,表明随着横断山区的暖干趋势[28],积雪日数也在随着缩短,部分永久性积雪开始逐渐消失,这与唐小萍等[29]的研究结果基本一致。

图12 2001—2019年横断山区积雪日数变化率(a)及其显著性(b)的空间分布Fig.12 Spatial distribution of variation ration(a)and its significance of SCD(b)in the Hengduan Mountains from 2001 to 2019

2.3 积雪日数与气象因子的相关性

气象因子是影响积雪日数变化的主要因素之一,包括降水、风速、气温、相对湿度以及日照时数等[30-32]。本文对横断山区的积雪日数与气象因子之间的相关关系进行探讨,对于横断山区的积雪研究、气候变化等具有重要意义(图13)。

图13 横断山区气象因子与积雪日数的相关性Fig.13 Correlation between meteorological factors and SCD in the Hengduan Mountains

积雪日数与降水具有较为明显的正相关关系,其中55.27% 的地区(5.84% 为显著)和降水呈正相关,37.25% 的地区(3.13% 为显著)和降水呈负相关。呈显著正相关的地区主要分布在西北部杂多县、称多县,西部八宿县以及东部昭觉县及其周边地区;呈显著负相关的地区主要分布在南部绿春县和东部汉源县及其周边地区。可以认为降水是影响积雪日数变化的重要因素。在高海拔的北部地区,降水几乎都是以降雪的形式出现,降雪增加了积雪面积,积雪日数与降水呈正相关。在低海拔地区,暖季有暖降水,暖降水融化积雪,积雪日数与降水呈负相关。

积雪日数与风速具有较为明显的负相关关系,其中54.19% 的地区(5.93% 为显著)和风速呈负相关,38.65% 的地区(2.78% 为显著)和风速呈正相关。呈显著负相关的地区主要分布在西北部称多县,东北部汶川县,中部康定市及其周边地区;呈显著正相关的地区主要分布在北部道孚县、红原县和南部腾冲市。可以认为风速是影响SCD 变化的重要因素。在迎风坡风速增加时,锋面将水分传递到高空,导致降雪、积雪增加。积雪日数与风速呈正相关。在背风坡,锋面失去了它的湿度,在下降过程中通常产生焚风。这一现象导致冰雪融化,积雪减少。积雪日数与风速呈负相关。

积雪日数与气温具有明显的负相关关系,其中61.56% 的地区(10.82% 为显著)和气温呈负相关,31.29% 的地区(2.37% 为显著)和气温呈正相关。呈显著负相关的地区主要分布在西北部杂多县—玉树市一线、东北部白玉县—北川县一线以及中部的九龙县及其周围地区。可以认为气温是影响SCD变化的重要因素。

积雪日数与相对湿度具有明显的正相关关系,其中29.99% 的地区(3.51% 为显著)和相对湿度呈负相关,62.86% 的地区(14.52% 为显著)和相对湿度呈正相关。呈显著正相关的地区主要分布在北部杂多县—石渠县一线、贡觉县—黑水县一线和中部稻城县、九龙县及其周边地区;呈显著负相关的地区主要分布在南部江城哈尼族彝族自治县和东部汉源县、洪雅县及其周边地区。可以认为相对湿度是影响积雪日数变化的重要因素。相对湿度越大,空气越湿润,越不利于积雪融化,于是积雪日数越长。积雪日数与相对湿度呈正相关。

通过相关分析,得到积雪日数与日照时数的相关关系。其中57.06% 的地区(7.47% 为显著)和日照时数呈负相关,35.85%的地区(3.32%为显著)和日照时数呈正相关。呈显著负相关的地区主要分布在东北部玛曲县和西北部治多县、杂多县及其周边地区;呈显著正相关的地区主要分布在东部汉源县、洪雅县及其周围地区。可以认为日照时数是影响SCD变化的重要因素。

对积雪日数进行分区并与各气象因子进行相关性分析,降水量、相对湿度与积雪日数的相关性总体呈正相关,随着积雪日数的增加,相关性呈现先增加后减少的趋势,在151~180 天相关性达到最大值,且相对湿度与积雪日数的相关性高于降水量,表明在年际变化上相对湿度对积雪日数的影响强于降水量。平均风速、气温与积雪日数的相关性总体呈负相关,随着积雪日数的增加,相关性呈现增加的趋势,在≥181 天相关性达到最大值,且气温与积雪日数的相关性高于平均风速,表明在年际变化上气温对积雪日数的影响强于平均风速。日照时数与积雪日数的相关性总体呈负相关,随着积雪日数的增加,相关性呈现先增加后减少的趋势,在91~120 天相关性达到最大值,表明积雪日数高的高海拔地区,由于云的影响日照时数相对较少,因此相关性减小。

2.4 随机森林模型下各气象因子对积雪日数的影响

利用ArcGIS 提取横断山区129 个气象站点的高程、坡向、气温、降水、湿度、日照时数和风速的数值,将各影响因子的数值作为X变量,积雪日数作为Y变量,输入到随机森林回归模型中进行运算。经过多次测试,当ntree=2 000 时,模型的误差开始趋于平稳且能保证足够大的样本容量。因此,本文选择ntree值为2 000作为构建的模型。根据模型的最优参数,对横断山区积雪日数建立随机森林回归模型,积雪日数的拟合度见表1。模型通过P<0.001的极显著检验,表明随机森林回归模型在积雪日数变化与影响因子关系的估计上具有最高的准确性。

表1 随机森林回归模型对积雪日数的拟合度Table 1 Fitness of random forest regression model on SCD

随机森林回归模型不能得到自变量的回归系数,而是通过%IncMSE(增加均方误差百分比)和IncNodePurity(增加节点纯度)两个变量重要性评分指标来评价自变量对因变量的作用程度[33]。%Inc-MSE 衡量把一个变量的取值变为随机数后随机森林预测准确性的降低程度,该值越大表示该因子对积雪日数的影响更具主导作用。IncNodePurity 衡量变量对各个决策树节点的影响程度,值越大说明该变量对积雪日数的影响越重要[34]。

由图14 可知,7 个影响横断山区积雪日数空间分布的因子中,%IncMSE 影响力从小到大依次为降水<湿度<坡向<日照时数<风速<高程<气温,Inc-NodePurity影响力从小到大依次为坡向<湿度<降水<风速<日照时数<高程<气温。由此可见,气温和高程对积雪日数影响较大,风速和日照时数对积雪日数影响起到次要作用,降水、湿度和坡向对积雪日数影响较小。

图14 随机森林回归模型中气象因子对积雪日数的作用Fig.14 Impacts of meteorological factors on SCD in random forest regression model

使用偏依赖关系图来增强随机森林模型的可解释性(图15),偏依赖图显示各影响因子和积雪日数之间的相关性。由图可知,气温和日照时数与积雪日数呈负相关,随着气温和日照时数的增加对积雪日数的影响总体呈减小趋势;高程和相对湿度与积雪日数呈正相关,随着高程和相对湿度的增加对积雪日数的影响总体呈增加趋势;降水量和平均风速对积雪日数的影响较为相似,随着降水量和平均风速的增加对积雪日数的影响大致经历了5 个阶段:稳定(波动)—减少—稳定(波动)—增加—稳定(波动)。对于不同坡向而言,北坡和西北坡对积雪日数的影响较大,阴坡影响较阳坡大。

图15 各气象因子对积雪日数的偏依赖关系Fig.15 Partial dependence relationships between meteorological factors and SCD

3 讨论

本文对横断山区2001—2019 年MOD10A2 积雪数据分析,发现近19年来积雪覆盖率和积雪日数均呈减少趋势,积雪覆盖率为-1.24%·(10a)-1,积雪日数为-0.152 d·(10a)-1,与很多学者的研究结果相似。叶红等[25]研究表明横断山区部分地区积雪覆盖率呈减少趋势;杨志刚等[35]研究表明西藏东南部的念青唐古拉山和伯舒拉岭是青藏高原积雪覆盖率最高的地区之一但减少趋势明显,为-2.0%·a-1~-0.6%·a-1;唐小萍等[29]研究表明近40 年青藏高原东南部积雪呈显著减少趋势为-2.7 d·(10a)-1。横断山区积雪主要分布在西北部、北部的高海拔山区,车涛等[27]、唐志光等[10]研究表明青藏高原积雪日数大于120 d 的区域包括念青唐古拉山及横断山区的西侧等区域,汪箫悦等[36]研究表明青藏高原南部念青唐古拉山地区平均积雪日数在200 d 以上,主要原因是受印度洋暖湿气流的影响。横断山区近19 年气温呈略微上升的变化趋势0.34 ℃·(10a)-1,降水呈略微减少的变化趋势-3 mm·(10a)-1(图16),与李宗省等[37]、徐飞等[28]研究的近50 年横断山区呈暖干化趋势相一致,与青藏高原的暖湿化趋势不同[38],这种暖干化趋势与横断山区积雪减少具有相关关系。沈鎏澄等[39]研究表明近几十年青藏高原地区夏、秋积雪的减少与升温有关。You等[40]利用71 个地面站点的数据证实了青藏高原东部的变暖趋势。可以推测出,在暖干化趋势下,未来积雪覆盖率和积雪日数会进一步减少,进而对区域的生态环境产生一系列影响[5],尤其是冰川的萎缩,会导致冰雪融水增多,进而对下游地区带来洪涝、泥石流等灾害[41]。Ye等[42]研究表明1976—2013年间青藏高原冰川面积减少了约3 229 km2,且东南部的湄公河流域减少幅度最大,为-4.3%·(10a)-1。Yao等[43]研究也表明了青藏高原东南部的冰川面积减少幅度最大,为-9%·(10a)-1。Kraaijenbrink 等[44]研究表明未来青藏高原冰川面积在不同RCP 情景下,会减少到目前面积的32%~64%。陈德亮等[45]研究表明未来青藏高原冰川以后退为主。Li 等[46]研究表明喀喇昆仑山脉夏季积雪的减少对冰川萎缩具有一致性。横断山区夏秋两季的积雪减少与冰川萎缩的关系后续还需进一步的研究。

图16 2001—2019年横断山区年平均气温和年降水量及其变化率的空间分布Fig.16 Spatial distribution of average annual air temperature and average annual precipitation in the Hengduan Mountains and their variation ratios from 2001 to 2019

使用CMIP 数据对未来积雪变化进行分析也是积雪研究的热点之一,如Wei 等[47]利用4 种CMIP5模型对21世纪青藏高原积雪深度变化进行预测,研究表明青藏高原积雪深度呈减少趋势,减少幅度在-1.1~-0.8 cm·(10a)-1之间。Brutel-Vuilmet等[48]利用CMIP5 对21 世纪北半球无冰土地的季节积雪覆盖率进行预测,研究表明积雪覆盖率呈减少趋势,减少幅度在7.2%~24.7% 之间。高程对积雪分布同样具有重要的影响[9],且相较于其他地形因子对积雪分布的影响更大[49],这与本文中随机森林模型的结果相一致。

与传统的气象数据相比,MODIS遥感数据的局限在于时间尺度较短,本文选择了2001—2019年作为研究时间序列,对积雪的时空变化难以得到明显的变化趋势。未来会将气象数据与遥感数据相结合,从而获取更长时间的积雪变化情况。横断山区MOD10A2 数据的精度问题,Pu 等[50]在青藏高原测得MOD10A2 的准确率在84%~91% 之间,且精度与积雪日数呈正相关,可以满足本研究的要求。然而横断山区地形复杂,各相邻区域之间的差异较大,山中的云量较青藏高原多,进而对数据的精度产生一定的影响。

本文选取了横断山区129 个气象站点,相较于以往的研究,气象站点数量较多且站点分布从海拔326.4 m(元阳)至海拔4 416.2 m(清水河),能够得到更加精确的数据。但气象站点在空间上具有一定差异,北部高海拔地区气象站点较南部少。选择站点数据代表全区域的气象因子还是存在尺度影响,还包括插值的精度,后续研究还应该更加深入和细化,降低不确定性。积雪变化受气温和降水共同影响,很多学者也基于此对气温、降水与积雪的相关性做了很多研究[25,37],本文在MOD10A2 积雪产品的基础上结合气象数据进行了研究,综合分析了19 年来横断山区积雪日数时空分布特征及其与五种气象因子的相关性。较之前的研究更加全面。气温升高会加快积雪的消融,降水则能对积雪进行补充与积累,但随着全球气候变暖以及印度季风强度的减弱[43],造成了横断山区的积雪减少。同时较长的日照时数、较低的湿度意味着积雪受到的太阳辐射较多且气候较为干燥,不利于积雪的积累,积雪的消融也就越快。风速对积雪的影响分迎风坡和背风坡,较快的风速在迎风坡发生降雪积雪增加,而在背风坡因水汽减少,发生焚风导致积雪减少。然而不同的气象因子在不同月份、季节影响积雪变化的程度是不同的,比如积雪的减少可能与冬季气温和降雪有关[51],后续应该从不同时间尺度分析气象因子对积雪的影响。

4 结论

(1)横断山区2001—2019 年积雪覆盖率总体呈缓慢减少的趋势。2006年积雪覆盖率最大,2015年积雪覆盖率最小,自2008年后减少趋势增大。横断山区积雪覆盖率四季除春季外均呈减少趋势,其中夏季和秋季减少最明显。横断山区月积雪覆盖率年内分布呈“单峰”型曲线,3 月积雪覆盖率最大,7月积雪覆盖率最小,春秋季积雪覆盖率变化大。积雪覆盖率与高程呈正相关,横断山区积雪主要分布在海拔3 000 m 以上的地区,积雪覆盖率年际变化小且较为稳定。阴坡积雪覆盖率高于阳坡。

(2)横断山区积雪日数在空间分布受地形影响较大。积雪日数较高的地区主要分布在西北部和北部的高海拔山地,而广阔的中部、南部腹地积雪日数较低。其中,念青唐古拉山东侧、伯舒拉岭、他念他翁山、沙鲁里山、大雪山以及邛崃山等山区积雪日数高。近19 年,横断山区28.46% 的地区积雪日数呈下降的趋势,其中2.65% 的地区呈显著下降趋势,显著下降的地区主要集中分布在中部的康定市、雅江县、九龙县及周边地区;21.66% 的地区积雪日数呈增加的变化趋势,其中0.68% 的地区呈显著增加,显著增加的地区主要集中分布在北部的达日县、治多县、玛曲县等高海拔山区。年均稳定性积雪呈缓慢减少的变化趋势,面积占比为36.44%。

(3)积雪日数与气温、风速和日照时数呈负相关,其中气温和风速随着积雪日数的增加,相关性呈现增加的趋势,日照时数与积雪日数的相关性呈现先增加后减少的趋势,积雪日数与相对湿度和降水量呈正相关,随着积雪日数的增加,相关性呈现先增加后减少的趋势。其中与降水量呈显著正相关的地区主要集中在西北部杂多县、称多县,西部八宿县以及东部昭觉县及其周边地区;与风速呈显著负相关的地区主要集中在西北部称多县,东北部汶川县,中部康定市及其周边地区;与气温呈显著负相关的地区主要集中在西北部杂多县—玉树市一线、东北部白玉县—北川县一线以及中部的九龙县及其周围地区;与相对湿度呈显著正相关的地区主要集中在北部杂多县—石渠县一线、贡觉县—黑水县一线和中部稻城县、九龙县及其周边地区;与日照时数呈显著负相关的地区主要集中在东北部玛曲县和西北部治多县、杂多县及其周边地区。气温和高程对横断山区积雪日数的影响起到主导作用,日照时数和风速对积雪日数起到次要作用,相对湿度、降水和坡度对积雪日数的影响小。

猜你喜欢

年际日数覆盖率
基于MCI的1961—2016年中国北方不同等级干旱趋势研究*
民政部等16部门:到2025年村级综合服务设施覆盖率超80%
汉江上游汉中区域不同等级降水日数的气候变化特征分析
北太平洋海温Victoria模态与ENSO年际关系的非对称特征
我国全面实施种业振兴行动 农作物良种覆盖率超过96%
南方多地9月热到破纪录
气候变化和人类活动对中国陆地水储量变化的影响研究
1971—2010年虎林市云量与气温、降水的年际变化特征分析
电信800M与移动联通4G网络测试对比分析
1961—2014年济南市霾日数变化特征分析