珠江流域旱涝急转事件识别指数优选研究

梁曼琳，刘丙军，3，李 旦

（1.中山大学土木工程学院，广东珠海 519082；2.华南地区水循环与水安全广东省普通高校重点实验室，广东珠海 519082；3.南方海洋科学与工程广东省实验室（珠海），广东珠海 519000）

引言

全球气候持续变暖加速了水文循环过程［1］，流域极端降水事件增加，降水时空分布不均的情况进一步加剧［2］，进而更易导致流域旱涝极端灾害事件频发。相比较于单一灾害类型，短期时间内接连遭遇干旱、洪涝气象灾害，受灾区域面临的损失和影响会更加严重［3］。作为受气候影响最敏感的领域之一，农业生产在频率高、强度大的气象灾害中遭受重大损失［4］。因此，开展旱涝急转事件识别及影响机制的研究，对保障区域水安全与粮食安全，具有十分重要的理论与实践意义［5］。

当前，旱涝急转事件的识别方法主要分为2方面：一方面，根据降水量和降水日数筛选旱涝急转事件，通常采用连续无雨日数划分干旱等级，结合首次降雨雨强阈值［6］或多种降雨情景划分洪涝等级［7-8］，筛选旱涝急转事件。尽管该识别方法以实际降水情况，可直接提取旱涝急转事件，但是存在以经验值划分旱涝标准、只适用于研究旱转涝事件的局限性；另一方面，分别从宏观尺度与微观尺度出发构建旱涝急转指数，即直接通过急转指数数值判断是否发生急转，或结合游程理论的多阈值门槛提取急转事件。宏观尺度上，研究多以长周期旱涝急转指数LDFAI［9］和短周期旱涝急转指数SDFAI［10］为代表，分别采用多月或单月标准降水计算得相应指数。这类研究存在不能完整描述急转事件、急转时间节点固定的短板，无法提取出多维度的旱涝急转特性。微观上，研究多基于标准化前期降水指数SAPI［11］、日尺度旱涝急转指数DWAAI［12］、SPI［13］、SWAP［14］等旱涝识别指数，结合游程理论对具体的旱涝急转事件进行识别。该识别手段能够准确地识别出当地的旱涝情况，筛选的急转事件具有明确物理意义并可提取事件特性。然而，上述研究存在研究时期固定为汛期、单一研究旱转涝类型急转事件的不足，并缺少对指数合理性的探讨。

综上，本文选取珠江流域为研究区域，构建了不同前期降水影响日数下的旱涝指数SPI、SPEI和SWAP，运用游程理论，结合急转发生期的降水集中性、土壤墒情变化以及实际农业生产情况，根据急转识别结果的有效性与准确性，探讨了上述指数的适用性，对适合珠江流域旱涝急转事件识别的急转指数进行优选，以期为珠江流域水资源安全调控提供理论与实践依据。

1 研究方法

1.1 旱涝识别指数

根据结合游程理论识别方法，选取合适的旱涝识别指数进行急转事件识别。本文选用3种常见旱涝识别指数SPI、SPEI和SWAP，3种指数皆采用降水数据进行构建，同时具有多种时间尺度。其区别在于构建的侧重点不一，其中SPI仅关注降水，SPEI加入了蒸散发的影响，SWAP中包含了降水影响衰减的因素。

（1）标准化降水指数SPI。SPI［15］是McKee等在评估美国科罗拉多州干旱状况时提出的，具有适用于多时间尺度、计算简单稳定、对旱涝反应灵敏的优点。假定降水量变化服从Gamma分布，计算出某时段内降水量Γ分布概率，对累积概率分布H（x）进行标准正态化处理，得到相应的SPI序列，计算过程详见文献［15］。

（2）标准化降水蒸散发指数SPEI。SPEI［16］是基于SPI改进的量化气候旱度的指标，以简单水循环为支撑，充分考虑了大气蒸散发对水分通量的影响。SPEI计算方法为假定同一时段的降水与潜在蒸散发差值序列服从log-logistic分布，计算出某时段内降水与潜在蒸散发差值的log-logistic分布概率，最后对累积概率分布H（x）进行标准正态化处理，计算过程详见文献［17］，其中潜在蒸散发PE的计算采用联合国粮农组织推荐的FAO Penman-Monteith公式。

（3）标准化加权平均降雨指数SWAP。SWAP指数是以当日旱涝状态受前期旱涝状态和当日降水的影响为前提的指数，不仅可用来衡量当前的气象旱涝状态，而且可体现旱涝的累积效应。SWAP计算方法是假定同一日加权平均降雨WAP［18］序列服从Gamma分布，通过Γ分布对某时段WAP进行拟合，最后对累积概率分布进行标准正态化处理，公式如下：

式中：Pn表示第n天的降水；wn表示Pn的权重，a为权重随时间的衰减参数；N为前期降水影响天数。a与N的选取一般根据研究区当地土壤-水系统而定，根据经验通常定义a=0.9，N=45。a取值较大时可相对降低SWAP对当前降水敏感性，为避免SWAP由于较小降水过程而出现频繁波动，选取a=0.9。由于SPI、SPEI和SWAP遵循了一致的标准化方法，它们的值应具有相同的统计意义。因此，采用统一的标准化累积频率分布来划分旱涝等级（见表1）。

表1 SPI、SPEI和SWAP的旱涝强度分类等级Table 1 Categorization of dryness-wetness grade by the SPI,SPEI and SWAP

1.2 旱涝急转事件识别方法

游程理论，或称为“阈值理论”，是一种分析时间序列的方法，可简易提取干旱和洪涝多种特征属性（图1）。对某一旱涝指数时间序列，设定指数临界值X0、X1和时间长度临界值D0、D1和D2，当指数持续低于X0（高于X1）的时间不小于D0（D1）时，认为出现干旱（洪涝）。当干旱与洪涝之间相隔的时间不大于D2时，认为构成了旱涝急转事件。根据旱涝指数划分标准，选用中旱等级上界-1和中涝等级下界1作为X0和X1。参考各类研究的急转识别方法，确定基于日值指数的识别时长阈值D0、D1为10日，干旱状态与洪涝状态之间的急转期时长阈值D2为8日。

图1 基于游程理论的急转事件识别过程Fig.1 Detection of the drought-flood abrupt alternation based on the run theory

为避免轻微的降水扰动导致长期旱涝事件被分割为若干短期事件，从而无法有效识别急转事件，采用IC方法［19］对符合条件的同一指数序列识别的连续干旱或洪涝事件进行合并处理。以2个连续干旱事件的合并为例，前后发生的干旱事件具有特征属性分别代表起始时间、结束时间、历时和烈度。当满足以下2个条件时，可认为该相邻的两场干旱相互关联，可进行合并得到新的干旱事件：一是中间间隔时间ti不超过临界值tc，二是相邻干旱的间隔时间ti内的烈度超越量Si与前一干旱事件烈度S1的比值不超过临界值ρc。参考Tu［20］等在珠江流域的敏感性分析成果，设定tc=2 d和ρc=0.2。

1.3 识别结果比对方法

能否准确判断旱涝急转发生时段是检验急转识别方法有效性指标之一。本文选用综合指标权重分配法，筛选旱涝急转事件识别的适宜指数：在参与比对的n种识别指数中，对于同一研究区同一急转类型（涝转旱或旱转涝）急转事件，以发生时间为基准，统计所有识别方法在每个月识别的急转事件数，并根据发生频次对当月赋予权重m（0≤m≤n）（如图2）。根据每种指数方法的识别结果时间分布，将其对应月份权重进行加总，计算方法如下式中：Ei为某研究区中同类型急转事件的权重和；T为时间序列的总月份数；(coli)t为该方法在第t月是否发生急转事件的逻辑值。最终以所有研究区域不同类型的权重和总和作为识别方法权重和E，权重和越大说明该识别方法对其他识别方法结果的归纳能力越高。为了排除识别方法因识别事件数多且权重和最大被认作最优方法、实际与其他识别方法结果重合度低的情况，计算不同权重阈值k（1≤k≤n）下的权重和Ek，其值仅包括m≥k的月份权重。以Ek占总权重E1（k=1时的权重和）的比例表示权重比例，权重比例越高说明急转结果中多种识别方法可共同识别的事件所占比重大，归纳准确度越高。当某识别方法权重和Ek（k＞1）较其他方法有明显优势、且权重比例也较高时，认为该识别方法归纳能力与识别准确度高，可作为最优识别方法。

图2 对月份进行加权法赋值示意图Fig.2 Schematic diagram of the weighting assignment at the monthly scale

2 案例分析

2.1 研究区概况

珠江位于102°14'～115°53'E、21°31'～26°49'N之间，由西江、北江与东江三大支流构成，流经我国南部的云南、贵州、广西、广东、湖南、江西等6省（自治区）。珠江流域地域广阔，气候复杂，属于湿热多雨的热带、亚热带气候区。考虑到流域内降水空间分布整体性，将广西东南部、广东东部和西南部及海南岛纳入研究区。珠江流域降水受气旋/副热带高气压等大气系统交替影响，极易发生旱涝急转事件，严重威胁流域以及粤港澳大湾区的水资源安全，以珠江流域作为研究案例具有较高研究意义。本文气象资料来源于国家气象科学数据中心产品“中国地面气候资料日值数据集（V3.0）”（http：//data.cma.cn），选用1961-2020年珠江流域内的日降水、气温等资料，该数据集质量良好，具有完整性和可靠性，被广泛应用于珠江流域等区域性研究中［14，21］。土壤墒情资料来源于欧洲中期天气预报中心（ECMWF）的第五代全球大气再分析数据（ERA5）产品（https：//cds.climate.copernicus.eu），选用第一层（0～7 cm）土壤含水率数据代表土壤墒情，该数据集同样在地区气象研究中被广泛应用，且其土壤含水率数据在珠江流域具有较高适用性［22］。为排除季节变化对土壤含水率的影响，对土壤含水率进行标准化处理。

珠江流域多年平均温度在14～22℃之间，多年平均降水量约1 200～2 200 mm。受季风气候影响，降水空间分布差异明显，总体呈东多西少变化趋势。基于珠江流域经度跨度大、降水时空分布不均匀的特点，参考Fang等［23］的划分方法，按照水资源二级分区，将珠江流域分为10个子流域，分别为西江段的南北盘江区（I区）、红柳江区（II区）、西江区（III区）和郁江区（VII区），北江段的北江区（IV区），东江段的东江区（V区），珠江三角洲河段的珠江三角洲区（IX区），以及韩江及粤东诸河区（VI区）、粤西桂南沿海诸河区（VIII区）和海南岛及南海各岛诸河区（X区）。以子流域内气象站数据或格点土壤数据的平均值代表子流域气象和土壤墒情。该分区方法使得同一子流域内气象条件和土壤条件相近，其中子流域降水均值与同区域站点降水相关性平均值高达0.71，同时土壤含水率均值与同子流域格点相关性平均值高达0.51，且协方差数值均大于0。子流域之间降水规律则有明显差距，主要表现为日降水相关性强弱不一和变化趋势不一（图3），如I区、X区与大部分的子流域相关性系数在0.2以下，V区和VI区降水相关性系数高达0.8，过半数的子流域相关性系数小于0.3。在变化趋势上，分别有7个子流域日降水序列的M-K趋势系数Z值大于1.96，日降水序列出现明显的上升趋势，VII区日降水序列的Z值小于-1.96，出现了相反的变化趋势（见表2）。整体上流域降水空间异质性较强，需采用分区后的子流域作为整体，分别进行急转事件的识别。

图3 各区日降水序列的相关性Fig.3 Correlation of precipitation series between different sub basins

表2 日降水量与日尺度指数在不同研究区域的M-K趋势检验值Table 2 M-K test of the daily precipitation and indices for different sub basins

2.2 前期降水影响日数优选

降水对后续干湿状态具有持续的影响，可通过前期降水日数反映。为避免出现短期干旱与强涝交替的情形，结合珠江流域产汇流特点，考虑从7 d、14 d和21 d中选取合适的前期降水影响日数，作为构建旱涝识别指数的前期降雨影响因子。以分区III为例，受前期降雨影响下标准化降水量Pst变幅明显较不受前期降雨影响（N=1）时平缓，强降水的影响作用得到延长。当相邻两场降水间隔时间较短时，N=7、N=14和N=21的Pst持续维持在较高水平，利于反映地区持续涝的特征和提取涝事件，因此较大的N值适用于作为构建旱涝识别指数的前期降水影响日数（见图4）。

图4 III区2000年不同累积降雨日数下的标准化降雨量Fig.4 Standardized precipitation under different accumulation precipitation days at 2000 in sub basin III

通过急转发生时期降水集中性与土壤墒情同步变化率，分析前期降水影响日数N值对的旱涝急转事件识别结果有效性的影响，结果见表3。一般情况下，降水集中性越强，土壤墒情同步变化率越高，识别结果有效性也越高。结果中3种N值下识别结果有效性皆较高，降水集中度指数CI［24］、降水绝对偏差Ca［25］和土壤墒情同步变化率Sc（土壤含水率的Theil-Sen鲁棒线性变化趋势与急转类型一致的比例）最小值达0.64、38.83和82%，说明指数识别结果有效性都较高。其中N=14与N=21的CI和Ca值均明显较N=7时高，降水集中性更优，N=14与N=21土壤墒情同步变化率Sc分别为89%和87%，N=14土壤墒情同步变化响应程度更高，可认为N=14时识别结果有效性最优。综上分析，当N=14时各指数识别结果归纳能力最优，表现为权重和E1、E2较其他N值下的对应权重和更大，说明识别事件结果中包含了最多与其他N值下识别一致的急转事件。

表3 基于不同前期影响日数的各指数急转识别结果平均指标Table 3 Average assessments for different indices based on varying accumulation precipitation days

2.3 SPI、SPEI与SWAP指数优选

对比基于SPI、SPEI和SWAP的急转识别结果有效性，结果见图5。其中，基于SWAP识别结果在各子流域降水集中性和土壤墒情同步变化性较SPI和SPEI更好，CI、Ca和Sc的变化范围分别为0.68～0.78、21.3～76和74%～100%，V区和IX区的CI、Ca和Sc值均为3种指数中最高，总体上大于或略小于同区域对应均值。全流域总体平均值分别为0.73、52.48和92%（见表4），降水集中性指数比基于SPEI识别结果高，同时土壤墒情同步变化性比基于SPI高，说明3种指数中基于SWAP的急转识别结果有效性最强，与降水集中性和土壤墒情同步变化性对应关系最优。

图5 不同指数方法识别结果的急转事件特性空间分布Fig.5 Spatial distribution of different indices-derived detected drought-flood abrupt alternation events

表4 基于N=14的各指数急转识别结果平均指标Table 4 The detection of abrupt alternation events based on different indices under N=14

通过统计k=1、k=2和k=3这3种阈值下的权重和及计算相应的权重比例，认为基于SWAP指数的识别准确度在3种指数中最优。当k=2时，SWAP指数的权重比例为0.9，是基于SPI和SPEI权重比例的1.9和1.3倍，说明基于SWAP的识别结果中包含最大比重的多种识别方法可共同识别的事件，识别归纳的准确度最优。同时，各k值下基于SWAP的权重和Ek较大，与E1值最大的基于SPI方法在k=2权重和相差5.8%，2种指数方法对全部识别结果归纳能力相近，见图6。

图6 权重和与权重比例随验证层次的变化Fig.6 Changes in weight and weight rate along the level variation

SWAP指数在识别典型急转事件上亦较SPI和SPEI更加准确。根据中国气象灾害年鉴［26］等资料的记载，2007年夏季在珠江流域发生过典型急转事件，华南大部分地区7月至8月上旬持续高温少雨，伏旱严重，湖南、广东、广西、江西等地逾370万人出现饮水困难，151.9万hm2农作物受灾。8月中下旬，超强台风“圣帕”在台湾省东部和福建省沿海地区登陆，致使华南等地发生强降水，使部分地区前期干旱得到缓解，也使部分地区发生洪涝灾害。通过该3种旱涝识别指数均可在该时段内识别出旱转涝急转事件，急转发生区域为V区、VI区和IX区。以V区中识别得的急转事件为例，3种指数识别得的急转时间旱段起止时间及涝段起始时间相近，其中SWAP指数识别的急转事件涝段起始时间最早，在子区域降雨量达第一个峰值时判定急转事件涝段开始，SPI和SPEI识别的急转事件涝段则出现了1～2日的延后，见图7。SWAP指数识别的涝段结束时间发生于第二次降水峰值后的持续5日的小雨时段内，后续5日总雨量为80 mm，未发生强降水，无法使急转事件的涝段延续，因此急转结束时间分别较SPI和SPEI提早6日和18日。可以看出，构建SWAP指数中的降水影响衰减因素使得SWAP能够有效对涝时期进行合理判断，在干燥少雨气象条件下指数发生相应及时的变化，对旱涝急转过程的识别较SPI和SPEI更准确，结合其急转结果识别的有效性和准确性高的特点，选取SWAP-14d作为识别珠江流域旱涝急转事件的最优指数。

注：图中标点为3种指数识别得的急转事件旱段及涝段的起止时间点。

3 结论

基于珠江流域1961-2020年的日气象资料，结合游程理论，分别探讨了不同前期降水影响日数下的SPI、SPEI和SWAP在珠江流域旱涝急转事件识别适用性，得出以下主要结论：

（1）根据水资源二级区将珠江流域划分为10个子流域，使得同一子流域内气象与土壤条件相近，不同子流域间日降水序列相关性普遍较弱，过半数的子流域相关性系数小于0.3。同时，不同子流域降水变化趋势具有明显差异，其中7个和1个子流域日降水序列分别呈显著上升和下降趋势，降水时空分布异质性较强；

（2）前期降水影响日数为14 d时，急转发生时期降水集中度普遍较7 d时高，平均土壤墒情同步变化率较21 d时高，识别结果有效性最优，同时各指数识别结果归纳能力最优，权重和大于7 d和21 d对应的权重和更大，可作为构建旱涝识别指数的前期降水影响日数；

（3）3种旱涝识别指数中，基于SWAP识别的急转事件同期降水集中度CI、Ca和土壤墒情同步变化率分别为0.73、52.48和92%，总体上数值均高于基于SPI和SPEI识别结果，急转识别结果有效性最高。同时，SWAP的权重比例明显高于基于SPI和SPEI对应的权重比例，对典型旱涝急转灾情的识别准确度最高。