基于遥感降水的西江流域降水时空特征分析

秦湛博,方荣杰*,黄光灵,粟 忠,许景璇

(1.桂林理工大学广西环境污染控制理论与技术重点实验室,广西 桂林 541004;2.桂林理工大学岩溶地区水污染控制与用水安全保障协同创新中心,广西 桂林 541004;3.桂林水文中心,广西 桂林 541001)

降水作为重要的气候指标,对农业生产乃至国家经济发展具有深远影响[1]。IPCC第六次气候变化评估报告指出,未来极端降水事件发生概率会随全球平均表面气温上升而增加[2],给各地带来更多消极影响。获取准确的降水数据是加强降水研究,应对未来极端降水事件的基础。在现有主要降水观测方法中,气象站实测数据最精准,但站点难以均匀布设,部分地区数据时空连续性差[3];而气象雷达发射的信号易受阻隔,降水侦测范围有限[4]。卫星遥感反演降水技术能有效弥补以上2种方法的缺陷,为获取范围广、时空分辨率高的全球降水信息提供了途径[5]。在众多遥感卫星降水产品中,GPM(Global Precipitation Measurement)是当下研究的主流数据之一。GPM于2014年发布,较其前代产品TRMM(Tropical Rainfall Measuring Mission)具有更高的时间分辨率(30 min)、空间分辨率(0.1°×0.1°)及更广的覆盖范围(60°S～60°N),同时GPM搭载了更先进的传感器,使其拥有了更强的量化降水能力[6-7]。因此,GPM在为气象、水文等多领域研究提供准确可靠的遥感降水数据上具有更大潜力。

目前,已有诸多学者对GPM的适用性进行了研究,Fang等[8]对GPM数据探测中国全域极端降水的能力进行了评估,认为其能准确量化中国的极端降水。杜懿等[9]在珠江流域对GPM的适用性进行了验证,发现GPM数据的观测精度高,能较准确地监测极端降水。盛夏等[10]基于GPM数据在青藏高原开展降尺度研究,结果表明降尺度后的GPM数据能更准确地反映降水特征。还有学者利用GPM数据构建了SWAT模型,认为GPM数据有效提高了站点稀疏地区的径流模拟精度[11]。当下的众多研究证实了GPM数据的精度可为气象水文分析预报研究提供全面准确的遥感降水数据,但将其用于降水时空趋势分析的研究仍较缺乏。

西江流域是中国南方喀斯特的重要组成部分[12],喀斯特地区强烈的岩溶作用使西江流域生态环境脆弱,旱涝灾害频发[13-14],流域喀斯特生态系统对未来降水时空变异响应更加敏感。因此,研究以西江流域为研究对象,利用流域内34个气象站的实测降水数据验证GPM数据的精度,并将GPM数据用于分析流域2001—2019年的降水时空分布特征,预估未来降水变化趋势,以期为气候变化环境下流域气象灾害预警及水资源高效配置提供参考。

1 数据与方法

1.1 研究区概况

西江是珠江的主干流[12],发源于云南曲靖市马雄山,在广东省佛山市思贤滘与北江汇流进入珠三角地区,全长约2 075 km,水面比降0.58%。西江流域位于102°14′E～114°50′E,21°30′N～26°50′N,流域面积约35.3万km2,平均年径流量2 300亿 m3。西江流域地势自东向西逐渐升高,东部为平原三角洲,中部为山地丘陵,西北部为高原地带。流域内喀斯特地貌面积约占流域面积的50%[12]。

1.2 研究数据

尽管单站点实测降水数据无法全面反映流域内降水分布,但其仍能精准地代表流域局部地区实际降水情况。因此,将流域内34个气象站2001—2019年实测降水数据用于检验同时期GPM数据的精度及适用性,并利用GPM数据分析流域降水时空变化特征,预测未来降水的演化态势。

研究中所采用的站点降水数据获取自中国气象数据网(http://data.cma.cn/),西江流域内站点分布见图1。GPM IMERG V6降水数据集获取自美国宇航局戈达德地球科学数据和信息服务中心网站(https://disc.gsfc.nasa.gov/)。获取的数据时间分辨率为1个月,以HDF格式储存,单位为mm/h。在研究前需对原始数据进行格式、单位转换和累加处理。

图1 西江流域气象站分布

1.3 研究方法

本研究所涉及的方法主要包括GPM数据精度检验方法及降水趋势分析方法两类。拟采用相关系数(R)、均方根误差(RMSE)、相对误差(RB)检验GPM数据精度,一元线性回归法、Sen-Median趋势分析与Mann-Kendall检验、变差系数(Cv)及Hurst指数分析降水变化趋势。

1.3.1精度检验方法

选择3种评价指标对GPM数据的精度进行检验:相关系数(R),用于检验GPM数据与站点降水数据相关程度的高低;均方根误差(RMSE),用于评价GPM数据与站点降水数据的偏差程度;相对误差(RB),其正负反映GPM对站点降水数据是否存在高估或低估。GPM数据与实测降水数据计算所得的R越接近于1,RMSE越小,RB越接近于0,则认为GPM数据与实测降水数据相关性好,精确程度高。选取的评价指标计算见式(1)—(3):

(1)

(2)

(3)

1.3.2一元线性回归法

采用一元线性回归法来分析研究时段内西江流域降水变化趋势,主要通过最小二乘法得出统计要素与时间序列之间的回归方程[15]来表征降水发展态势,计算见式(4):

yi=a+bxi

(4)

式中yi——降水量,mm;xi——时间;a——常数;b——线性趋势的斜率;i——时间序列长度(i=1,2…n)。

1.3.3Sen-Median趋势分析与Mann-Kendall检验

Sen-Median趋势分析及Mann-Kendall检验是相关国际组织推荐用于气象或水文长序列资料趋势分析及非参数检验的方法[16]。本研究利用Sen-Median趋势分析计算Sen趋势度(β),并通过Mann-Kendall检验分析变化趋势的显著性。

Sen趋势度(β)的计算见式(5):

(5)

式中xi、xj——时间序列;i、j——年份(1

若所得β>0,说明变量随时间的变化呈上升趋势,反之呈下降趋势。

Mann-Kendall检验适用于非正态分布时间序列的长期趋势分析,计算见式(6)—(8):

(6)

(7)

(8)

式中Zs——正态分布统计量;var(S)——方差;sgn(xj-xi)——符号函数。

对于给定的显著性水平α,若|Zs|≥Z1-α/2则拒绝原假设,所研究的时间序列在显著性水平α之上显著变化。本研究在检验GPM数据变化趋势显著性时给定了2类显著性水平:α=0.05、α=0.1,即计算得|Zs|大于1.96、1.65时,表示变化趋势分别通过了置信度为95%、90%的显著性检验。

1.3.4变差系数Cv

降水量在研究时段内变化的剧烈程度采用变差系数Cv衡量,计算见式(9):

(9)

计算所得Cv值越大则表明该时段内降水变化越剧烈。

先用较坚硬的石块回填槽孔，石块不宜太大；然后进行重新造孔。重新造孔进尺不宜太快，发现孔斜时应再次回填石块重复造孔。

1.3.5Hurst指数

在描述时间序列变化的可持续性程度时通常采用Hurst指数进行分析。本研究采用R/S分析法[17]计算Hurst指数,对流域降水变化趋势的可持续性程度进行分析。

(10)

式中 c——常数;H——Hurst指数。

一般认为,计算所得Hurst指数H为0≤H<0.5时,反向持续性强,未来趋势与当前趋势相反;H=0.5时,趋势持续性不强,未来趋势不定;0.5

2 结果与讨论

2.1 GPM数据精度评价

利用西江流域34个气象站点2001—2019年的实测月降水数据评价GPM数据的整体精度。由图2(散点密度使用核密度函数计算)可知,月尺度GPM数据与站点数据表现出了较好的一致性,呈现出极显著的正相关关系,R=0.93(p<0.01);GPM数据对实际降水情况存在一定程度的高估,RB=4.94%;数据误差处在合理的范围之中,RMSE=41.49 mm。

图2 气象站与GPM月降水量散点密度

为避免整体评价时因数据叠加导致误差抵消,需计算流域内各站点的评价指标。图3a中,流域内各站点R值较高,约76%的站点R值在0.92以上;图3b中,流域80%的站点RB大于0,高估程度偏大的站点在流域中部及东部分布较多;图3c中,流域76%的站点RMSE小于50 mm,站点RMSE具有自西向东逐渐递增的趋势。综合站点评价指标看,GPM数据存在自西向东精度下降的趋势,这可能是东部多雨地区云层较厚导致卫星传感器灵敏度下降的结果[4]。整体而言,GPM数据与站点数据相关性较高,具有良好的一致性,其精度能够支撑后续在西江流域内开展降水研究的需求,这与杜懿等[9]的结论一致。

a)相关系数

2.2 年和月降水时间变化特征

图4a中,西江流域19 a平均降水量为1 420.12 mm,年降水量在1 080.44～1 724.39 mm变化,各年间降水波动程度较大,年降水量的最大和最小值分别出现于2015、2011年。流域19 a内降水的趋势系数为9.701 6,呈现增加趋势,但趋势不显著 (p>0.1)。图4b中,19 a内的降水量大致呈现出欠-丰的阶段性变化趋势,降水由欠转丰的突变年份可能为2014年,与谢贤胜等[18]的结论相同。2003—2013年大部分年份的降水距平为负值,累积距平值基本呈逐年下降趋势,表明该时段降水偏少; 2014—2019年降水距平均为正值,累积距平值逐年上升,表明这一时段内降水量呈增加趋势,该特征与苏恒等[19]在这一地区利用站点实测数据得出的结果一致。

a)年降水量

图5 2001—2019年西江流域各月平均降水情况

2.3 年和月降水空间分布特征

图6a为GPM数据2001—2019年平均降水量分布图,综合流域地形及地理位置分析,自西向东流域高程不断降低,与水汽源地不断接近,图中的降水量分布也呈现出逐步增加的趋势。流域内多年平均降水量在888.47～1 990.26 mm之间变化,变幅较大。降水量低值区主要分布于流域西部玉溪、曲靖和威宁等地;降水量高值区主要集中于流域东北部的桂柳地区,在流域东部、南部地区也有小块高值区分布。地形对于流域东北部桂柳地区的降水量有重要影响[23],桂柳地区位于越城岭山脉与海洋山之间的湘桂走廊处,湘桂走廊会促使冷空气由此南下侵入广西,若冷空气与西南季风携带的暖湿气流在湘桂走廊交汇易产生锋面雨。另外,受越城岭山脉和海洋山阻隔,西南暖湿气流大量积聚于山坡南侧,在地形的抬升作用下,迎风坡一侧易产生地形雨。在地形雨、锋面雨双重影响下,桂柳地区常为暴雨中心因而降水量偏多。

a)GPM降水数据

由GPM数据得出的流域降水空间分布与图6b中本研究通过站点数据插值所得的降水空间分布基本一致,但受流域气象站点密度较低和插值过程中误差的影响,通过实测数据插值得到的降水量分布图中降水量“点状”聚集特征明显。因GPM数据的空间连续性高,绘制的降水空间分布图降水量变化较连贯,在整体精度得到保证的情况下更能反映降水量的空间分布特征。这与周李磊等[24]利用TRMM数据得出的结论相似。

从图7流域2001—2019年各月平均降水量空间分布来看,与年平均降水分布类似,各月降水量分布自东向西逐渐减少;流域年内降水呈现干湿交替特征,11月至次年2月干旱少雨,3—10月湿润多雨。在汛期里,4—6月流域受冷暖气流交汇及地形因素影响,流域降水量高值区主要集中在桂北地区;7—9月冷空气活动稍弱,但南海海域热带气旋活动频繁,台风在华南沿海登陆为流域南部带来大量降水,流域降水量高值区转移至流域南部及东南部。

图7 2001—2019年西江流域各月平均水量分布

2.4 年降水空间变化态势分析

对GPM数据进行Sen-Median趋势分析及Mann-Kendall检验,并将所得结果耦合,从像元角度对西江流域19 a降水空间变化趋势进行分析。Sen-Median趋势分析与Mann-Kendall检验耦合得出的趋势类别及各类别占比见表1。

表1 降水变化趋势统计

表1中,过去19 a降水量在90%置信度下显著增加的区域占20.51%;增加,但未达到90%置信度的区域在流域内占主导(72.39%),降水减少区域占比7.10%,但趋势都未达到90%置信度。

图8a描述的是各变化类型在空间上的分布情况。西江流域内除西南部及北部、中部部分地区以外其余大片地区的降水变化类型为增加,但未达到90%置信度;95%置信度下显著增加的区域主要集中在流域北部黔桂两省交界地区;90%～95%置信度下显著增加区域散布于95%置信度下显著增加区域的外围;呈现减少,但未达到90%置信度的区域分布在流域西南部及流域南部部分地区。

a)降水变化趋势

利用变差系数Cv结合GPM数据从像元尺度分析流域内降水量增减变化的剧烈程度,Cv用自然断点法划分为3级见表2。

表2 变差系数分级

流域内19 a降水量Cv均值为0.14,表2中降水量呈中变异程度地区的面积占比最大(66.24%),其次分别为低变异程度地区(30.98%)和高变异程度地区(2.78%)。图8b中,属中变异程度的地区在流域内广泛分布,仅流域南部、北部及东北部部分地区非中变异程度地区;低变异程度的地区大致在西南部至中南部一带及北部部分地区分布;属高变异程度的地区主要集中在流域东北部湘桂两省交界处。降水出现变异的原因可能与研究时段内某些年份气压带、大气环流的活动异常,以及近些年越发频繁的人类活动加速改变了地表下垫面条件和地面辐射[1],导致水汽源急剧变化有关。

2.5 年降水未来趋势分析

计算Hurst指数H检验过去降水趋势的可持续性,结果见表3。西江流域大部分区域降水变化趋势呈反向持续性,高反向持续性区域和低反向持续性区域占流域面积比例分别为53.73%、24.77%;而高正向持续性区域和低正向持续性区域占比分别为1.06%、20.44%。H的分布表明见图9,呈反向持续性的区域主要分布在流域中部地区;呈正向持续性的区域主要分布在流域的西部、北部及南部的小块地区。

表3 降水趋势持续性

图9 西江流域Hurst指数分布

将Sen-Median趋势分析、Mann-Kendall检验的结果与Hurst指数耦合所得的9种未来降水趋势类型见表4。未来降水可能反转为增加的区域(2.68%)少于可能反转为减少的区域(75.52%);未来将持续减少的区域(3.93%)少于未来将持续增加的区域(12.59%)。

表4 未来降水趋势类型

图10中,流域内除了西部、南部及北部部分地区外,大部分过去降水增加,但未达到90%置信度的区域未来降水趋势有可能逆转为减少;过去降水增加但未达到90%置信度,未来可能持续增加的区域分布于流域中西部云贵两省交界处与南部小块地区。过去降水增加在90%置信度下显著增加,未来将持续增加的区域主要分布在流域北部黔桂交界地区;过去降水在90%置信度下显著增加,未来可能逆转为减少的区域在流域中部偏北部地区集中分布。过去减少,未达到90%置信度,未来降水将持续减少的区域主要分布在西部高原地区;过去降水减少,但未达到90%置信度,未来可能逆转为增加的区域分布在流域西南及中南部的小块地区。

图10 西江流域未来降水空间演化趋势

3 结论与展望

基于西江流域34个气象站2001—2019年逐月降水数据,对同时期GPM数据在西江流域的适用性进行检验,在此基础上利用GPM数据分析西江流域2001—2019年的降水时空特征进行分析,得到如下结论。

a)GPM月降水数据与实测降水数据相关性高R=0.93(p<0.01),但存在高估现象,RB=4.94%、RMSE=41.49 mm;数据精度自西向东降低,降水量越多高估现象越明显。GPM数据虽轻微高估了实际降水情况,但其精度可以满足流域降水研究。

b)西江流域2001—2019年平均降水量1 420.12 mm,年降水序列波动程度较高,整体呈上升趋势 (p>0.1);19 a间降水呈现欠-丰阶段性变化趋势,极端气候事件是造成降水量在2014年突变的主要原因;汛期降水量占全年降水量的78.39%,其间降水量的动态对当年降水量具有重要影响。

c)流域年、月降水空间分布大致随海陆位置变化自西向东渐增,准静止锋和地形抬升作用使桂北地区成为流域降水高值区;冷空气和热带气旋的依次影响使汛期降水高值区自流域东北向流域南部移动;19 a中降水增加,但未达到90%置信度的区域分布于流域内除东北部,西部以外的大部分地区,占比72.39%;降水中变异地区在流域内除南部以外的地区广泛分布,占比66.24 %。

d)降水呈反向持续的区域在流域中部至南部大片分布,占比78.50%;过去降水增加,但未达到90%置信度,未来可能逆转为减少的区域在流域内占61.16%,集中分布于流域除西部、东北部以外的地区。

GPM数据在西江流域适用性较好,可以根据分析结果提出一些针对西江流域未来降水演化的合理展望。未来降水趋势分析的结果表明流域大部分地区降水将减少,发生气象干旱的可能性较大。面对可能出现的干旱灾害,应当著重以工程和非工程两类措施协同应对。通过完善喀斯特地区民生水利工程及区域水利网络,在加强降水监测和干旱预警预报的基础上合理规划调度流域内水利枢纽等不同类型措施,保障流域内各类用水需求。对于未来降水可能持续增加的流域东北部地区,不仅要加强降水监测,还要提高对洪水灾害的预警能力。虽然流域内大部分地区未来的水土流失情况可能会因降水量减少而减轻,但是仍不能懈怠水土涵养措施的推行,喀斯特地区久旱后土壤龟裂收缩,抵御侵蚀性降雨的能力变弱,突发强降雨可能导致旱涝急转,山洪泥石流出现概率更大。流域东北部未来水土流失情况可能因降水量增加而加剧,水土流失的防治压力更大。