1979—2018年雅砻江中上游积雪时空变化及影响因素分析

2022-09-29管晓祥黄应厚张企诺李运平

水资源保护 2022年5期

吴南，张珂,2,3,4，管晓祥，冯进,2，黄应厚,2，张企诺,2，李运平,2

(1.河海大学水文水资源学院，江苏南京 210098；2.河海大学水文水资源与水利工程科学国家重点实验室，江苏南京 210098；3.河海大学长江保护与绿色发展研究院，江苏南京 210098；4.中国气象局-河海大学水文气象研究联合实验室，江苏南京 210098)

积雪是气候系统五大圈层中冰冻圈的重要组成要素，作为地球表面最活跃的生态要素之一[1-2]，其深度、雪盖面积、空间分布以及开始和结束时间等积雪特征对气候变化、水文过程以及生态影响等极为敏感，尤其对气候变化最为显著[3-5]。站点和卫星遥感资料均表明，中国积雪主要分布在青藏高原、新疆北部、内蒙古和东北地区[6]。青藏高原积雪分布以高海拔地区为主[7]，在全球气候变暖的背景下，受到的直接影响最为显著，积雪面积和深度易受到降水和温度的叠加影响[8]。青藏高原积雪深度的变化会影响其下垫面的属性特征，进而影响高原与大气间热力的相互作用[9-10]，最终对流域下游的气候变化产生重要的影响[11]。因此，研究积雪的时空变化具有重要的意义。

20世纪90年代之前，青藏高原积雪普遍呈增长的趋势[12]，且在80年代增长趋势最为明显[8]，90年代末，积雪开始显著减少[13-14]，其中东部地区积雪变化趋势最为显著[15]。除多等[16]研究发现，1981—2010年青藏高原年积雪天数以平均每10 a减少4.81 d的变化率显著减少；白淑英等[17]分析了1979—2010年高原积雪深度的年际变化，发现积雪深度平均每10 a增长0.26 cm；相关研究还发现高原积雪天数和积雪深度的变化趋势并不同步[18]。青藏高原的年内积雪变化主要体现在积雪期长，积雪时间主要集中在10月至次年5月[12]；积雪出现快，消退慢[19]。柯长青等[19]研究表明，青藏高原积雪及其变化的空间分布很不均匀，四周与腹地的积雪存在明显差异；青藏高原的积雪敏感区在不同季节也存在空间差异性。郝振纯等[20-22]对高原积雪的分布情况及年际变化特征进行研究，发现采用不同的研究方法、资料长度、季节划分等，得到的结论各有差异。郑淑文等[23-24]研究表明，积雪的时空变化由多种因素共同作用引起，气候因子和地形因子是最重要的影响因素。姜琪等[25]利用1961—2014年高原110个气象站站点资料分析积雪特征及其影响因素，发现积雪深度随海拔呈增加趋势，且在不同季节，降水、气温与积雪深度表现出不同的相关性。沈鎏澄等[26]发现在青藏高原中东部地区，不同季节积雪深度的影响因素不同，冬季降水起主导作用，其他季节气温起主导作用。此外，蒋元春等[27]研究表明，积雪变化受到不同土地类型的影响。目前的研究大多分别基于气候因子或地形因子进行分析，极少有研究将二者进行对比分析，高原积雪深度长时间序列的时空动态变化，积雪与主要气候因子(降水、气温)和地形因子(高程、坡度、坡向)的相互关系仍需要进一步研究。

雅砻江中上游研究区位于青藏高原东部(图1)，全年积雪覆盖变化显著，河道径流主要由降水、地下水和融雪补给，流域内多年平均流量大，积雪的时空分布对其径流量变化有直接的影响。由于雅砻江中上游地区水文和气象站点布设较少，针对该流域积雪分布的研究较少，本文依据研究区1979—2018年遥感反演的长系列逐日积雪深度数据及同期降水、气温栅格数据，分析积雪特征及气候、地形因子的时空分布和年际变化，并进行相关性分析，评价积雪深度对各影响因子的敏感性。旨在全面揭示研究区积雪深度的时空变化特征，初步探究雅砻江中上游积雪深度与气候因子、地形因子之间的关系。

图1 研究区地理位置

1 研究区概况与数据来源

1.1 研究区概况

雅砻江是长江上游金沙江流域最大的一级支流，全长约1 571 km，水能资源极为丰富。雅砻江以新龙县乐安乡以上为上游，乐安乡至无量河口为中游，无量河口以下为下游。雅江水文站位于东经101°01′，北纬30°02′，站点以上干流长634 km，控制面积约6.7万km2，占整个雅砻江流域面积的52%。雅砻江中上游研究区海拔在2 650～5 851 m 之间，地势西北高、东南低，地貌以山地为主，北部有大面积雪山分布。受地理环境等因素约束，研究区内气象站及水文站站点分布较为稀疏。

1.2 数据来源与处理

采用由地理空间数据云(http://www.gscloud.cn/)提供的DEM数字高程数据，空间分辨率为 1 km，通过ArcGIS软件得到流域坡度、坡向的空间分布。降水、气温以及积雪数据资料均来自国家青藏高原科学数据中心(http://data.tpdc.ac.cn/zh-hans/)，其中，降水、气温数据来源于中国区域地面气象要素驱动数据集(1979—2018年)，时间分辨率为3 h，空间分辨率为0.1°，该数据集原始资料来自中国气象局的观测数据、再分析资料以及卫星遥感数据，剔除非物理意义值后，再利用ANU-Spline插值所得；积雪数据来源于中国积雪深度长时间序列数据集(1978—2020年)，时间分辨率为1 d，空间分辨率为25 km，该数据集由原始数据(经美国国家雪冰数据中心SMMR(1979—1987年)、SSM/I(1987—2007年)和SSMI/S(2008—2018年)处理得到的逐日被动微波亮温数据(EASE-Grid))反演所得。研究中采用双线性插值法将降水、气温和积雪资料处理成空间分辨率为1 km的数据集。

根据积雪季节变化的特点，将当年9月1日至次年8月31日定义为一个积雪年[28]，依据GB/T 35229—2017《地面气象观测规范》对积雪日的划分标准，当日积雪深度h<0.5 cm时，记为0 cm；当 0.5 cm≤h<1 cm时，记为1 cm；当积雪深度符合观测要求，且h≥1 cm时，记为一个积雪日。一个积雪年内第一次出现h≥1 cm的日期为积雪初日；最后一次出现h≥1 cm的日期为积雪终日；积雪天数定义为积雪期(积雪初日至积雪终日)内有积雪深度记录值的所有累计天数；年均雪深为积雪年内所有积雪深度之和与该年内积雪天数的比值。儒略日表示以1年为1个周期，当年的第一天(即1月1日)计时为1，在周期内从第1个儒略日开始以连续天数计算时间，当年的最后一天(即12月31日)计时为365或366。

2 研究方法

2.1 趋势分析法

采用线性回归方法分析研究区积雪特征(积雪初日、积雪终日、积雪天数、积雪深度)以及气候因子(降水、气温)的变化趋势，以气候倾向率S表征各要素随时间的变化幅度。

此外，采用Mann-Kendall趋势检验法计算变化趋势的显著性，该方法由世界气象组织推荐，具有检测范围广、受人为因素影响小的优点[25]，目前被广泛应用于水文、气象系列的趋势检验。该方法不需要样本服从某种分布，也不受异常值的干扰，能够有效区分某一过程是处于自然波动状态还是特定波动状态。其统计量Z为正值表示序列呈增加趋势，负值表示呈减少趋势，Z值的绝对值大于1.96时，说明在0.05置信区间变化趋势显著。

2.2 相关分析法

采用相关分析法研究积雪深度和影响因子的相关程度，根据相关现象所表现的不同特征，对具有依存关系的变量研究其相关程度，用数学方法对其数值抽象化。

多元线性回归常用于通过多个自变量的最优组合来解释并预测因变量，每个自变量对应的回归系数表示该自变量对因变量变化的贡献程度。本文以气候因子(降水、气温)与地形因子(高程、坡度、坡向)为自变量，积雪深度为因变量，建立积雪特征和影响因子的多元线性回归关系，量化各因子对积雪深度变化的贡献率。

根据下式对每个自变量进行归一化处理，将其结果值映射到[0,1]区间内：

(1)

式中：x′为转换值；x为原始值；xmax为样本数据的最大值；xmin为样本数据的最小值。

积雪深度和各因子对其贡献率的计算公式为

(2)

(3)

式中：y为积雪深度；x′i(i=1,2,…,5)分别为经归一化处理的降水、气温、高程、坡度、坡向值;ki(i=1,2,…,5)分别为各因子的回归系数；b为回归残差；ηi为因子i对积雪深度的贡献率。

3 结果与分析

3.1 积雪深度及其影响因子的空间分布

研究区内高程、坡度和坡向以及1979—2018年积雪期内降水量、气温和积雪深度的多年平均值空间分布如图2所示。图2(a)(b)(c)表明，整体上流域西北地区海拔高、坡度缓，东南地区海拔低、坡度陡，坡向分布不均匀。图2(d)(e)(f)表明，流域中部地区降水最为丰富，西北和东南地区降水较少；受地形因子的影响，气温分布呈现西北低、东南高的趋势；由于地形因子与气候因子的共同影响，积雪深度呈现西北大、东南小以及两边大、中间小的分布趋势。总体而言，雅砻江中上游地区是积雪深度较大的区域，这主要是由于海拔越高、气温越低，积雪越不易融化，而坡度越陡越不利于雪层的累积。

(a)高程

以气候因子(降水、气温)和地形因子(高程、坡度、坡向)为自变量，以多年平均雪深为因变量进行多元线性回归分析，计算1979—2018年积雪期内各影响因子对多年平均雪深的贡献率。结果表明，降水、气温和高程对积雪深度的贡献率较高，坡度与坡向的贡献率较低。降水、气温、高程、坡度和坡向对年均雪深空间分布的贡献率分别为0.218、0.453、0.206、0.080和0.043，可以看出，5个影响因子的贡献率由高到低分别为气温、降水、高程、坡度和坡向。对气候因子与地形因子的贡献率累积求和，可得到气候因子与地形因子对积雪深度的贡献率分别为0.671和0.329，气候因子的贡献率明显高于地形因子。

3.2 积雪特征与气候因子的时间变化

依据积雪特征定义及雅砻江中上游积雪遥感反演得到的逐日积雪深度数据，对研究区1979—2018年积雪特征随时间变化的趋势进行分析，结果如图3所示。从图3可以看出，雅砻江中上游积雪开始时间主要集中在10月和11月，积雪初日呈下降趋势，即每年的积雪开始时间逐渐提前；积雪结束时间主要集中在次年的4月和5月，积雪终日呈上升趋势，即积雪结束时间逐渐延迟。不同积雪年间积雪期内的积雪天数总体呈增长趋势，积雪天数平均每10 a增加7.52 d，多年平均积雪天数为189 d；不同积雪年间积雪期内的年均雪深变化幅度较大，总体呈减少趋势，年均雪深平均每10 a减少0.33 cm，多年平均雪深为3.98 cm。

已有研究表明，在全球气候变暖大背景下，青藏高原积雪天数显著减少[16]，但该研究区1979—2018年积雪天数总体呈增加的趋势。从图3可以看出，积雪初日、积雪终日、积雪天数均在1987年前后发生了趋势变化，即表现为变化前积雪天数呈增加趋势，变化后呈略微减少趋势，这可能导致整个研究期表现为不明显的增长趋势。年均雪深在1987年后也表现出减小趋势，这与全球气候变暖相吻合。

(a)积雪初日

对雅砻江中上游1979—2018年积雪期内年降水量和年均气温数据进行趋势分析，如图4所示。从图4可以看出，1979—2018年降水整体呈增长趋势,年降水量平均每10 a增加11.47 mm，Z值为4.23，变化趋势显著；流域内气温变化趋势与降水相似，积雪期内气候变暖现象十分明显，年均气温平均每10 a升高0.56 ℃，Z值为5.47，呈显著上升趋势。

(a)年降水量

3.3 积雪深度与气候因子的空间演变

基于雅砻江中上游积雪期内年降水量、年均气温和年均雪深格点数据，计算其1979—2018年气候因子倾向率S值和趋势检验Z值的空间分布，如图5和图6所示。结果表明，研究区积雪期内年降水量呈增加趋势，且绝大多数地区Z值高于1.96，变化趋势显著。流域内大部分区域年均气温也呈上升趋势，其中，西北部和东南部升温显著，中部地区升温不明显。多年来流域内年均雪深多为下降趋势，但变化趋势不显著，极少部分区域年均雪深呈上升趋势。

(a)年降水量

气温较低时，降水的增加有助于积雪的累积，沈鎏澄等[26]在研究青藏高原中东部地区积雪变化原因时，发现冬季(气温较低)积雪变化由降水主导，其他季节由气温主导。该研究区的降水在时间和空间尺度上均表现为显著增长的趋势，而积雪深度却表现出略微减少的趋势，这可能是由于研究区积雪天数较长，包含了冬、春两季。积雪期后期(即春季)，气温是积雪变化的主导因子，在全球气温升高的背景下，降水多以降雨的形式出现，这将导致积雪的消融，因此积雪变化是一系列因素共同作用的结果。

3.4 积雪深度及其影响因子相关性分析

在栅格尺度上计算1979—2018年积雪期内年均雪深与年降水量、年均气温的相关系数(r)，分析比较年均雪深与2个气候因子的相关性以及空间分布规律，结果如图7所示。从图7可以看出，积雪深度与降水量的相关系数多为正值，极少部分区域为负值，整个研究区域积雪深度与气温的相关系数均为负值，即积雪期内降水增加、气温降低有利于积雪的形成。从相关系数在研究区的空间分布可以看出，研究区中下游区域积雪深度与降水量和气温的相关系数绝对值较高，说明在该区域积雪深度与这2个气候因子的相关性相对较强。

(a)年均雪深与年降水量

计算1979—2018年流域面平均雪深与气候因子(降水、气温)和地形因子(高程、坡度、坡向)的相关系数，结果表明，降水、高程与积雪深度呈正相关，相关系数较高，分别为0.30和0.40；气温、坡度、坡向与积雪深度呈负相关，相关系数分别为-0.56、-0.36和-0.04。积雪深度与气温相关性最强，与坡向相关性最弱，这表明在气候因子中，降水越多、气温越低，越有利于积雪的形成；在地形因子中，海拔越高、坡度越小，越容易积雪，坡向与积雪深度的相关性较小。该研究区各影响因子与积雪深度的相关程度由强到弱依次为：气温、高程、坡度、降水和坡向。