基于TRMM降尺度数据的渭河流域干旱时空演变特征与重心迁移规律研究

黎扬兵, 张洪波,2, 任冲锋,2, 杨天增, 冶兆霞

(1.长安大学 水利与环境学院, 陕西 西安 710054;2.长安大学 水利部旱区生态水文与水安全重点实验室, 陕西 西安 710054)

干旱是我国存在最普遍、形式最复杂、影响范围最广的自然灾害之一[1]。近年来,受全球变暖和我国独特的地理环境演变的耦合效应驱动的影响,干旱事件的频发性和持续性凸显,引发局部地区水资源短缺、沙尘暴高发、荒漠化加剧等问题。然而,干旱诱发因素众多,形成机理复杂,现有技术水平还难以对其进行精细识别与预测,尤其在一些数据匮乏地区[2]。因此,基于高精度数据产品,应用科学指标精准刻画干旱动态,并进一步探明其时空演变特征,科学认识干旱事件的发生发展规律,现已成为全球水文、气象、农业、生态等领域研究的热点之一[3]。

为了定量描述不同类型、不同尺度和不同程度的干旱事件,国内外学者已研究并提出了多种干旱指数。其中,认可度较好、应用较为广泛的主要是帕默尔干旱指数(Palmer Drought Severity Index,PDSI)[4]、标准化降水指数(Standardized Precipitation Index,SPI)[5]和标准化降水蒸散指数(Standardized Precipitation Evapotranspiration Index,SPEI)[6]。其中,PDSI指数以水平衡原理为基础建立,对数据要求较为严格,除降水外,还需考虑其他气象数据,同时该指数计算时间尺度固定,缺乏多尺度比较性[7];SPI指数通过统计某时段降水量出现概率的大小来表征干旱,所以该指标仅反映降水影响下的干旱特征,表征能力相对单一;而VICENTE-SERRANO S M等[6]于2010年构建的SPEI指数则兼顾两者的优势,既考虑了温度对干旱的影响,又能用于多时间尺度,具有更为明确的物理意义、多时间尺度特征以及更综合的干旱表征等优点,被国内外学者广泛用于干旱评估和分析[8-10]。

基于上述干旱指数的传统干旱监测主要以气象站点实测数据为基础进行,在理论方法上相对成熟,但同时也存在一定的弊端。研究区域内气象站点一般数量较为稀少、分布较为分散,难以满足实时、大范围的旱情监测[11]。对于空间上的旱情指标,常采用克里金(Kriging)、反距离权重(Inverse Distance Weighted,IDW)等空间插值方法得到,这种以点扩面的方法,存在空间覆盖不全、站点代表性不足等问题,具有很大的局限性。近年来,遥感技术迅猛发展,其产品数据具有时空分辨率更高、覆盖范围更广和数据时效性更强的特点,可以作为干旱监测的重要数据支撑。其中,热带降雨测量卫星(Tropical Rainfall Measuring Mission,TRMM)[12]以灵活的时效性、全面的适用环境和多数据融合等优势,被国内外学者广泛用于干旱监测研究。NAUMANN G等[13]研究短时间序列的高空间分辨率数据对非洲干旱监测的影响,发现:TRMM 3B43数据的空间分辨率较其他网格降水数据的更高,对非洲地区旱情监测更有效。BAI Y Q等[14]基于TRMM 3B43降水资料,采用降水异常率干旱模型研究了“一带一路”沿线北纬50°以南地区1998—2015年干旱的月际时空分布特征。杜灵通等[15]耦合TRMM降水数据和Z指数得到TRMM-Z指数,并基于该指数对山东省进行干旱监测研究,发现:该指数对干旱监测能力更强、效果更好,可以很好地应用于区域监测研究与评估。晏红波等[16]以广西为研究区,以TRMM降水为数据源,对其进行精度评价,并采用SPI干旱指数研究了广西地区1998—2019年历年旱涝演变情况,对未来旱涝变化趋势做出预测。综合以上分析,可以发现,现有研究主要基于原始分辨率产品数据进行,存在分辨率较低、精度不足等劣势,这在很大程度上限制了相关研究成果在区域干旱监测研究中的深度应用。因此,将TRMM降水产品进行空间降尺度,以得到更高分辨率的降水数据,从而推进区域尺度干旱监测的相关研究,这是目前干旱监测研究的热点和重点问题。

渭河流域位于我国西北地区东缘,近年来一直受到水资源匮乏、水质污染和水土流失等问题的困扰,同时流域内局部地区旱涝灾害频发,对当地水资源安全和社会经济的高质量发展造成了严重的影响[17]。目前,已有不少学者聚焦于渭河流域干旱问题,对干旱时空演化特征和发展规律给予了高度关注。例如:黄生志等[18]采用1961—2010年的降水数据,计算渭河流域21个气象站点的6个月尺度的SPI值,同时使用Mann-Kendall法、Copula函数等方法对各站点逐月SPI、干旱历时与严重程度的变化趋势以及典型中度和重度干旱下的联合重现期进行研究,以全面掌握渭河流域干旱演变特征;赵安周等[19]综合利用PDSI干旱指数和SWAT(Soil and Water Assessment Tool)水文模型,建立全新的干旱评估指标SWAT-PDSI,在对其进行合理性验证的基础上,对渭河流域干旱发生频率及时空分布演变规律进行了全面分析;刘蕊娟等[20]利用渭河流域23个气象站点实测资料,对SPI和SPEI的适用性进行了对比验证,发现SPEI指数对干旱的响应和评估更为准确,继而采用SPEI对流域干旱发生频率、干旱强度以及不同时间尺度干旱时空演变特征进行了研究分析;丁浩等[21]基于CanESM2气候模式下RCP4.5和RCP8.5两种情景的数据,计算了渭河流域的SPEI干旱指数,并对历史期和未来期两个时间段的干旱时空演变特征进行探讨,得到了未来渭河流域的干旱演变类型及趋势空间演化形式。

综上分析,不难发现,现有研究大多基于站点实测数据,采用空间插值的方法获得流域或区域尺度的干旱时空演变规律以及影响范围。也有部分学者应用卫星降水产品数据来刻画渭河流域干旱事件的空间异质性和流转特征,但限于产品分辨率过低,限制了其应用深度。本文拟通过降尺度方法获取高空间分辨率TRMM降水数据,并以此为数据源,计算不同时间尺度的SPEI值,并采用干旱重心模型、标准差椭圆法等方法精细探究渭河流域干旱的时空分布特征及其重心迁移规律,以期为科学应对渭河流域频发的干旱事件,减轻灾害风险提供参考。

1 研究区概况和数据源

1.1 研究区概况

渭河流域位于我国西北黄土高原的东南部、地扼东西、兼跨南北、南抵秦岭北麓、北至黄土高原、西邻河西走廊、东连华北平原、俯于黄河流域南端腹地,全域横跨陕、甘、宁3个省份。流域地势最大高差达3 000多米,起伏较大,总体表现为西高东低,流域内河网密布,水系为不对称羽状分布。渭河流域面积为13.49万km2,位于104°00′E～110°20′E、33°50′N～37°18′N[22],如图1所示。

图1 研究区及气象站点分布

流域属于典型的大陆性气候,地处干旱与湿润区过渡地带,同时也在西北区域生态脆弱带上[23]。由于独特的地理地势和环境条件,流域内自然灾害频繁发生,其中旱灾最为严重,且危害最大,已严重影响流域内经济增收和高质量发展。

1.2 数据源与预处理

1.2.1 数据来源

本文采用的遥感数据,主要包括2000—2019年的TRMM 3B43(降水数据)、MOD13A3(NDVI数据)和SRTM3(DEM数据)以及最高气温与最低气温栅格数据的相关数据集。其中:最高、最低气温数据由英国东英格利亚大学气候研究所(CRU)发布的全球0.5°分辨率和WorldClim数据库提供的全球高分辨率两种气候数据集,在中国地区通过Delta方法空间降尺度生成;气象站点数据为渭河流域内12个站点(吴旗、环县、西吉、崆峒、西峰、长武、洛川、耀县、麦积、凤翔、武功、华山,如图1所示)的逐日降水量,具体来源见表1。

表1 数据类型及来源

1.2.2 预处理

利用MATLAB软件对TRMM数据进行批量格式转换、影像旋转、单位变换和投影变换等处理,得到2000—2019年0.25°空间分辨率逐月降水数据。NDVI数据主要借助MRT软件进行前置处理,包括批量波段提取、拼接和投影变换等,再使用Python进行影像裁剪、无效值与异常像元剔除,之后利用IDW方法填充影像空值[24],最终得到1 km空间分辨率逐月NDVI数据集。在ArcGIS平台上对DEM数据进行投影变换、裁剪以及重采样等处理,得到1 km分辨率DEM数据,并提取得到1 km分辨率的坡度和坡向数据。对气象站点实测降水数据进行检查,执行无效值剔除和缺失值插补等操作,而后将逐日数据进行累加,得到月尺度实测降水数据。

2 研究方法

2.1 MGWR模型

在低分辨率降水数据的降尺度研究中,诸多学者采用地理加权回归(Geographically Weighted Regression,GWR)模型进行分析,并取得了较多的研究成果[25-27]。GWR模型作为传统线性回归的延伸,考虑了空间关系对模型的影响,使用空间坐标直接构建因变量和自变量(位置和参数)之间的局部拟合关系,表征空间数据关系中的非平稳性特征[28]。然而,各解释变量以同一个带宽值进行回归分析,只能显示各解释变量在空间尺度上作用的平均值,无法体现出各变量的作用差异[29]。FOTHERINGHAM A S等[30]针对上述不足,做出充足的响应,放宽了GWR模型建模过程中设置恒定带宽的限制,通过突显各变量因子作用尺度的差异性,提出了多尺度地理加权回归(Multi-scale Geographically Weighted Regression,MGWR)模型。该模型假设每个变量的作用尺度是不同的,即变量所表示的带宽可能会不同,具体计算公式如下:

(1)

式中:yi为响应变量;xij为协变量;βbw0(ui,vi)为样本点i的常数项;βbwj(ui,vi)是第j个自变量在样本点i处的局部回归系数;ui和vi分别为样本点在流域上的经纬度坐标;n为回归参数的个数;εi为模型回归残差。

本研究中MGWR模型的建立和模拟计算过程均在MGWR 2.2软件中进行。模型以Excel格式数据集输入,参数设置及二次核函数(Bisquare)为空间核函数类型。采用更正的赤池信息准则(Akaike information criterion,AICc)作为带宽选择准则,最优带宽搜索类型为黄金分割算法(Golden Section),以GWR估计作为模型初始估计参数,从而进行模型模拟计算。

2.2 降尺度方法

借鉴诸多学者的研究成果[31-33],本研究选择NDVI、DEM、坡度、坡向以及经纬度数据作为TRMM降水产品降尺度模型的解释变量。考虑到上述变量与降水的关系在空间上产生显著变化时,系数会存在空间非平稳性,并且各变量对降水影响的“最佳尺度”也各不相同,所以本文采用MGWR模型对TRMM降水数据进行降尺度[34],主要步骤如下:

1)将预处理得到的NDVI、DEM、坡度和坡向数据重采样至0.25°空间分辨率,并按照空间分辨率进行分组,分为高分辨率降尺度数据集(1 km)和低分辨率建模数据集(0.25°)。

2)以低分辨率建模数据集中的TRMM数据为因变量,滞后1月的NDVI、DEM、坡度、坡向和经纬度数据为控制变量,构建MGWR模型,模拟计算得到常数项、解释变量系数和残差结果。

3)将上一步骤中得到的结果进行栅格化处理,之后使用IDW方法将栅格化后的残差结果插值成1 km分辨率的栅格数据,并将栅格化处理后的常数项和各变量系数重采样至1 km分辨率。

4)依据MGWR模型原理,将高分辨降尺度数据集中的数据和上一步处理得到的结果按照式(1)在ArcGIS平台进行计算,即将1 km分辨率的各变量因子系数与同分辨率的变量因子分别相乘后求和,然后与常数项和残差(1 km)结果进行相加,从而得到1 km空间分辨率降尺度的TRMM降水数据。

2.3 精度评价

以实测站点数据为“参考值”,分别计算降尺度前后TRMM降水数据与站点实测数据之间的拟合优度(R2)、相对偏差(BIAS)和均方根误差(Root Mean Square Error,RMSE),对TRMM产品进行精度验证和适用性分析,其表达式为:

(2)

(3)

(4)

(5)

R2反映降尺度前后降水量与气象站点实测降水量之间的相关性,取值范围为[0,1],数值越大,数据相关性越高;BIAS主要用来评估上述数据之间的偏离程度,其值越接近0,偏离越小,数据越精确;RMSE用来衡量数据误差的整体水平,其值大于零,且该值越小,误差水平越小。

2.4 标准化降水蒸散指数

SPEI是在SPI基础上考虑蒸散发作用而提出的,所以两者在计算方法上类似,只是SPEI通过考虑降水量和蒸散发量的差值来代替SPI中的单一降水值,从而可更全面地表征干旱状态。

SPEI指数计算时,首先采用Hargreaves公式,利用大气层顶辐射和最高、最低气温计算逐月潜在的蒸散发量进行计算,具体表达式如下:

(6)

式中:PE为逐月潜在蒸散发量,mm;Tmax、Tmin、Tmean分别为月最高气温、月最低气温和月均气温,℃;S0为大气层顶的太阳辐射,可根据太阳常数、赤纬等数据计算得到,具体计算方法参考文献[35]。

然后,根据计算得到的逐月潜在蒸散发量,计算TRMM降尺度后逐月降水量和它的差值序列,即:

(7)

最后,对差值序列Di进行正态标准化处理。由于差值序列Di可能存在负值,本文采用三参数Log-logistic分布来进行拟合,计算累计函数并进行正态标准化处理,进而得到不同时间尺度的SPEI值。由于TRMM降水数据积累时间较短,所以本研究采用20年序列长度数据进行SPEI计算,以TRMM数据高精度、大范围覆盖等优势弥补数据序列长度不足的缺陷。同时,对SPEI指标表征的干旱程度进行等级划分,以国家标准《气象干旱等级》[36]为参考,具体划分见表2。

表2 SPEI干旱等级划分标准

2.5 干旱重心模型

重心概念来源于物理学,是指在空间区域上存在某一点,使得通过该点各个方向的力处于平衡状态。将重心概念进行拓展,应用于区域面上,则可以得到区域重心的概念。区域重心可用于分析研究区域内要素的发展历程、状态和趋势,也能够反映要素的空间演变规律[37]。区域重心多使用重心模型计算得到,现行重心模型也广泛应用于各类地理学研究中,包括经济重心、土地利用重心、人口重心和降水重心等[38-41]。干旱重心基于重心理论提出,表示干旱区在变化过程中的重心空间位置及演变情况。运用重心模型,得到研究区域干旱重心,具体计算公式如下:

(8)

(9)

式中:X、Y分别是某一年干旱重心的经纬度坐标;n为发生干旱的区域栅格像元总数量;xi、yi为第i个栅格像元的经度、纬度;SPi为第i个栅格像元的SPEI值。

2.6 标准差椭圆

标准差椭圆(Standard Deviational Ellipse,SDE)分析法是由Lefever于1926年提出,之后被广泛应用于地理学研究中的一种方法,主要用来表示空间数据的空间分布和演化特征,即用一个椭圆表示计算得到的一组空间数据的边长、分布面积、空间重心、空间分布形状特征趋势以及方位角[42]。

在本文中,根据干旱区重心经纬度计算SDE,并在ArcGIS平台上进行绘制,用以定量分析干旱重心的方向趋势和聚集程度。

3 结果与分析

3.1 降水精度评估

TRMM降水产品在渭河流域的精度和适用性已被诸多学者探讨,并取得了不错的应用效果[43-45]。基于此,本文借鉴已有成果,以NDVI、DEM、坡度、坡向和经纬度为协变量,采用MGWR模型开展2000—2019年TRMM降水产品的降尺度研究,从而得到具有更高精度的流域尺度高分辨率数据集。为进一步评估降尺度后数据集的可靠性和模型的可行性,本文基于站点实测数据,在时间和空间尺度上进行了结果分析和精度验证。

基于渭河流域内12个气象站点2000—2019年逐月降水数据对TRMM降水产品降尺度前后数据进行精度检验,结果见表3。由表3可以看出,降尺度前所有月份的拟合优度统计值均大于0.47,表明降尺度之前的原始TRMM降水产品在渭河流域已具有一定的适用性。经过降尺度处理后,两组数据之间的R2值在各月份均有不同程度的提高,平均值也提升了0.1。

表3 TRMM月降水量降尺度前后精度验证结果

降尺度后的各月BIAS较降尺度前的均有所下降,尤其是在4月和7—9月,BIAS的值均小于0,表明经过降尺度处理后的TRMM降水量与站点实测降水量相比,存在一定的低估现象,这与顾晶晶等[46]的研究结果相一致。

由表3可知,降尺度前后的RMSE在5—9月都具有较大的值。究其原因,主要是5—9月为流域汛期,强降水在该时期出现概率更高,而雷达捕捉强降水信号的能力较差,致使数据探测出现一定偏差[47]。与降尺度前相比,降尺度后的RMSE存在一定幅度的降低,说明MGWR降尺度处理可以降低TRMM降水产品的整体误差水平,弥补对强降水探测结果较差的缺点。

进一步分析降尺度结果,并绘制降尺度前后TRMM降水产品月均降水量的空间分布图,如图2所示。由图2可知:①降尺度前TRMM原始产品空间分辨率较低,栅格锯齿状特征明显,单一栅格占据较大空间范围,导致流域呈现的降水信息较少;②降尺度处理显著提升了TRMM产品数据的空间分辨率,栅格图分布平滑,能表征更多的信息,也更全面地刻画了流域内降水的空间分布特征;③渭河流域降水在空间上呈现出自西北向东南逐渐增加的趋势,强度较小的降水主要出现在泾河上游黄土丘陵沟壑区,而强度较大降水主要分布在渭河下游的南岸山区秦岭北麓一带。

图2 TRMM产品月均降水量降尺度前后的空间分布图

综上所述,MGWR降尺度模型通过纳入地理、地形和植被等综合因素进行降尺度,通过对不同变量赋予不同的空间作用尺度,可使TRMM卫星降水产品在月尺度方面的数据精度得到改善,其适用性更好,可为流域干旱监测提供有效的数据集。

3.2 渭河流域干旱事件的时间分布特征

3.2.1 不同时间尺度SPEI特征

基于最低、最高气温栅格数据和降尺度后TRMM降水数据集,计算得到渭河流域不同时间尺度下的SPEI栅格数据。然后,求取流域SPEI栅格数据的平均值,得到不同时间尺度SPEI变化结果。图3分别给出了月尺度(SPEI-1)、季尺度(SPEI-3)和年尺度(SPEI-12)干旱指数随时间的变化情况。由图3可以看出,在不同时间尺度上,SPEI在时间序列上的波动规律明显不同,其中:月尺度SPEI受逐月降水和温度变化影响强烈,表现为时间序列上的剧烈波动,且呈现较为频繁的正负交替,但规律性不强;季尺度SPEI波动较月尺度有所减缓,但仍较为频繁,并且干湿交替迅速,季节降水和温度变化的作用更趋明显,可更好地反映土壤的水分盈缺;随着时间尺度的进一步增大,年尺度SPEI波动起伏进一步减缓,对短期降水和温度变化的反应不明显,主要呈现为较明显的周期变化,可有效展现干旱情势的长期特征。研究还发现,不同时间尺度下的SPEI值正负分布也有所不同。以2010年为分界,可以明显看出:2010年之前,渭河流域负值居多,正值相对较少,且在不同时间尺度下占比也不同,其中SPEI-1、SPEI-3和SPEI-12中的负值占比分别为55.0%、58.5%和74.3%,呈现出随时间尺度的增加而增加的规律;2010年之后,SPEI正值明显增多,正负波动相对减少,且SPEI值总体上呈减小趋势。综上可知,不同时间尺度SPEI指数的绝对值在时间序列上逐渐变小,同时SPEI正值变多,所以整体上表现为渭河流域干旱状况呈随时间推移而逐步缓解的趋势。

图3 渭河流域月、季和年尺度SPEI时间序列

3.2.2 季节性变化特征

根据渭河流域气候条件和前人的研究经验,本文将每年的3—5月、6—8月、9—11月及12月至翌年2月定义为春季、夏季、秋季和冬季,并利用SPEI-3对渭河流域季节性旱情进行统计分析。具体选取5、8、11和翌年2月的季尺度SPEI-3作为春、夏、秋、冬四季的统计指标,可得到研究时段内渭河流域干旱事件的季节性变化特征,如图4所示。

图4 渭河流域四季SPEI变化情况

由图4可知:整体上春旱和冬旱的上升趋势较为显著,SPEI分别呈现出了0.53/(10年)和0.25/(10年)的上升速率;夏旱和秋旱的整体变化幅度相对较小,夏季SPEI以0.06/(10年)的速率减小,而秋季则以0.02/(10年)的速率小幅增加。从时域上看,春季的SPEI值在2009年之前的变幅较大,其中2000年、2004年和2008年干旱均达到重旱级别,而之后SPEI值有所回升,并伴有相对较小的波动,大部分时间处于无旱状态。夏季SPEI序列在研究时段的前4年内波动幅度较大,随后趋于稳定,整体上表现为微小的干旱增加趋势。但受到渭河流域夏汛的影响,研究时段内夏季的SPEI值都较大,除2001年和2002年外,研究时段内渭河流域多处于无旱和轻旱状态。秋季总体偏干,SPEI序列无明显变化,但干湿年交替出现的频率较大。冬季的SPEI值在时域上表现为先升后降,但整体上呈现逐渐上升的趋势,说明冬季干旱趋向于缓和状态。值得注意的是,冬季极端干旱和水分充足情况毗邻出现,如冬季SPEI最低值出现在2006年(-1.65),而最高值发生在2007年(2.13),这也一定程度上反映出冬季干旱状况变幅较大的特点。

3.2.3 逐月变化特征

SPEI-1在反映短期降水和蒸散发对旱情影响方面具有优势。为了表征2000—2019年渭河流域逐月干旱状况,本文绘制了月尺度(SPEI-1)干旱指数的热力图,如图5所示,用以描述渭河流域气象干旱的逐月变化特征。由SPEI-1指标值可统计得出:2000—2019年渭河流域无旱(SPEI-1>-0.5)月份共计161个月,占比67.1%。发生干旱事件(SPEI-1≤-0.5)的月份共有79个月,占比32.9%,其中:轻旱39个月,占比16.3%;中旱25个月,占比10.4%;重旱12个月,特旱3个月,重旱和特旱占比相对较低。

研究还发现,渭河流域干旱事件发生时间分布较为平均,即各月份均有干旱事件发生。其中,10月发生干旱事件的频率最高,20年中有9年出现了旱情。就各年发生干旱的月数来看,2002年和2013年最为严重,两年均有8个月发生干旱,连续干旱现象明显。总体来看,月尺度SPEI值可更清晰地描述干旱事件发生的时间和频率,这对更为细致地认识干旱发生和发展规律较为有利。

3.3 渭河流域干旱事件的空间变化特征

3.3.1 干旱发生频率的空间分布特征

根据SPEI-1、SPEI-3和SPEI-12的统计值,分析不同时间尺度下渭河流域干旱事件的发生频率,可得到干旱发生频率的空间分布,如图6所示。由图6可知,月尺度干旱事件的发生频率介于27.9%～36.7%,平均为32.3%。其中,高值主要出现在泾河和北洛河之间区域以及流域西北部,即甘肃环县周围区域。季尺度干旱事件的发生频率为26.0%～35.7%,平均值为30.5%。全流域各地区发生季尺度干旱事件的频率差异较小,且频率高值出现较少,主要零星分布于流域最北部和崆峒与西峰连线以北地区。年尺度干旱事件的发生频率最低值为25.3%,最高值为39.3%,平均值为33.2%。相较于其他时间尺度,年尺度干旱事件的发生频率值域更大,发生频率高值覆盖面积也最大,约占流域面积的一半以上,主要分布于环县、西峰、凤翔连线向西一侧和耀县、吴旗站点周围。

图6 月、季和年尺度干旱事件发生频率的空间分布

基于3种时间尺度干旱事件发生频率的空间分布可知:月尺度干旱事件受到短期降水和气温影响,表现为局部区域上的高频率值;季尺度干旱事件受四季影响因素变化较大,整体平均后的干旱频率表现较小;年尺度干旱事件的发生频率最大值最高,且平均值最大,这与杨睿等[48]的研究结果一致。这也表明,受干旱累计月份增加的影响,长时间尺度的SPEI对长期水分亏缺反应更敏感,表现出较大的干旱频率。

3.3.2 干旱重心的迁移特征

为进一步了解渭河流域干旱事件在近20年的空间演变情势,本文基于ArcGIS平台,利用重心迁移模型,计算得到2000—2019年渭河流域发生轻度及以上干旱区域的干旱重心,并绘制干旱重心空间分布及迁移轨迹图,如图7所示。同时,对干旱重心逐年转移距离和角度进行计算,结果见表4。

表4 2000—2019年渭河流域干旱重心迁移特征

图7 2000—2019年干旱重心空间分布及迁移轨迹

由图7和表4可知,近20年渭河流域的干旱重心基本在全流域范围内进行迁移,但主要集中于流域中部,即六盘山屏障与泾河干流之间的区域。整体上看,2000年渭河流域干旱重心位于北洛河上游,2019年干旱重心位于渭河流域最北部的黄土高原区,干旱重心整体向西偏北偏移了28°,转移距离为70.2 km。在研究时段内,2000年之后,干旱重心向流域中心迁移,主要分布于泾河流域各支流处,且在接下来几年一直徘徊于中心区域;2010年、2011年,干旱重心向西迁移至流域最西侧;2012—2016年,干旱重心再次向东回归,到达流域中部,分布于泾河干流两侧;而后干旱重心向东北迁移,位于渭河最北部区域。由以上分析可以看出,尽管干旱重心迁移较为频繁,但其多分布于流域中部及东北部,这与刘蕊娟等[20]的研究结论是相似的。

不同年份的干旱重心空间分布和迁移轨迹可较好地展示研究区域内干旱格局的转移趋势。为进一步对渭河流域干旱的分布方向和趋势进行定量分析,本文利用ArcGIS平台绘制了标准差椭圆,如图7中蓝色椭圆环所示。由图7可知,标准差椭圆的方向角为78.78°,表示干旱迁移方位呈北偏东78.78°,进一步可以看出研究区干旱重心整体呈由东北向西南的分布格局。同时,标准差椭圆长轴处于由东北至西南方向,短轴处于由西北至东南方向,长轴长度约为304.64 km,短轴长度约为223.58 km,长轴与短轴的比值约为1.4,表明研究区域干旱重心在东北至西南方向的离散性大于在西北至东南方向的,即东北至西南方向旱情的波动较西北至东南方向的更大,迁移发生频率更高。

4 结论

本文选择NDVI、DEM、坡度、坡向及经纬度作为降水的解释变量,基于MGWR模型对渭河流域2000—2019年TRMM 3B43降水数据进行降尺度方法研究,并对其进行降尺度处理。而后,基于降尺度降水数据计算不同时间尺度的SPEI,通过干旱重心模型和标准差椭圆法,进一步研究了渭河流域干旱的时空分布特征及空间演化规律,所得结论如下:

1)基于降尺度模型得到的1 km空间分辨率TRMM月尺度降水的空间细节特征表现更好,降水信息表现更多,精度得到一定改善;通过站点实测数据校验,认为其能更好地反映研究区域真实的降水信息与分布格局,可用于渭河流域干旱研究。

2)不同时间尺度的SPEI在时间序列上波动性和周期性不同,表征了不同尺度的干旱情势。整体上看,渭河流域干旱状况呈现随时间推移而逐步缓解的趋势;在季尺度上,除夏旱以外,其余季节干旱均呈现出缓和态势,其中以春旱和冬旱较为显著;月尺度干旱指数能有效刻画逐月干旱变化特征,通过统计不同等级干旱事件的发生频次,可较好地反映干旱动态。

3)不同时间尺度干旱事件发生频率的空间分布有所不同。月尺度上,干旱事件的发生频率表现为局部区域上的高值;季尺度上,干旱事件发生频率在流域各地区之间分异较小,且频率高值出现较少,仅有零星分布;年尺度上表现出较大范围的频率变化和最大频率值,且高值覆盖面积超过流域面积的50%。

4)近20年,渭河流域干旱重心空间分布范围较广,但主要集中于流域中部,呈东北至西南的分布格局。重心迁移在空间上呈无规律性,但整体上由东北至西南方向的离散性更大,即迁移频率更高。