日尺度标准化前期降水蒸散指数在大豆旱涝评估中的适用性分析

董秋婷,张淑杰,刁 军 ,姜 珊,贺明慧,刘 敏,4

(1.辽宁省沈阳市浑南区气象局,辽宁 沈阳 110180;2.中国气象局沈阳大气环境研究所/辽宁省农业气象灾害重点实验室,辽宁 沈阳 110166;3.辽宁省沈阳市气象局,辽宁 沈阳 110180;4.辽宁省铁岭市气象局,辽宁 铁岭 112000)

旱涝灾害是影响农业生产较为严重的气象灾害之一,具有影响范围广、发生频率高、持续时间长、造成经济损失大等特点[1]。《2020年全球粮食危机报告》指出干旱和洪涝等极端灾害性天气是影响粮食安全的重要驱动因素之一[2]。辽宁省位于我国东北地区,濒临黄海与渤海,受季风气候影响降水时空分布不均,导致旱涝灾害频发,一年中常出现旱涝交替、旱涝并存的情况[3]。如2013年5月降水异常偏少,出现严重春旱,而7月降水异常偏多,省内出现旱转涝的情况;2014年辽宁省发生夏秋连旱,农作物受灾面积达195万hm2,辽西及大连北部最为严重[4];2016年辽宁省共出现6次暴雨过程,造成农作物受灾面积9.6万hm2。因此,在气候变化的背景下,加强旱涝灾害监测预警是减少农业损失、保障粮食安全的重要而有效手段之一[5]。

旱涝指标是开展农业旱涝研究的基础,目前常用的旱涝指标有综合气象干旱指数(Comprehensive meteorological drought index,CI)、帕尔默干旱指数(Palmer drought severity index,PDSI)、标准化降水指数(Standardized precipitation index,SPI)和标准化降水蒸散指数(Standardized precipitation-evapotranspiration index,SPEI)等。很多专家学者利用不同的旱涝指标对不同地区旱涝灾害特征进行了分析研究,主要集中在旱涝灾害时空演变特征[6]、旱涝强度与发生频率[7-8]、旱涝灾害风险区划与评估[9-10]及对农作物的影响[11]等方面。由于SPEI指数融合了SPI与PDSI指数的优点,既具有多时间尺度的特性,又综合了温度对干旱的影响,很好地弥补了这两个干旱指数的不足。近年来,国内外专家学者利用SPEI对各区域的适应性和应用做了相关研究工作。例如Vicente-Serrano等[12-14]利用SPEI指数同时考虑了降水和温度的影响,发现全球7个气候区SPEI指数序列与sc-PDSI指数在各时间尺度和不同地区具有较好的一致性,能够较好地表征地表干湿变化特征,表明SPEI指数在全球变暖的背景下对旱涝灾害的监测更为灵活和可靠。Sien等[15]利用SPEI指数对缅甸的干旱时空分布特征及对农作物的影响进行了研究,研究表明缅甸农业生态区干湿空间分布不均匀,且在不同时间尺度上存在差异。Dukat等[16]利用SPI和SPEI指数估算了1951—2015年中纬度欧洲干旱发生的严重程度和变化趋势,研究发现欧洲出现的干旱的严重程度、频率和长度均在增加。我国学者利用SPEI指数对不同气候区开展相关研究工作,发现SPEI指数在东北、西北、华北和华南等我国大部分地区都具有很好的适用性[17-21]。综合目前国内外关于SPEI指数在世界及中国不同地区适用性的研究发现,主要集中于月、季时间尺度来评估旱涝状况,容易忽略掉一些短时间突发的旱涝灾害,出现低估或无法识别旱涝灾害的情况[22-24],不能真实有效地反映农田旱涝的变化,为了更准确地识别日时间尺度的旱涝发生情况,很多学者对SPEI指数进行改进和优化[5,24],将其定义为日尺度标准化前期降水蒸散指数(Standardized antecedent precipitation evapotranspiration index,SAPEI),在西南地区[25]和江淮地区[5,24]进行了适用性分析,该指数在辽宁地区的适应性有待于进一步评估验证。由于SAPEI指数是由标准化降水蒸散指数(SPEI)改进而来[5,12],优点主要有:①考虑了农田前期土壤水分变化和降水量对旱涝灾害的影响;②优化了作物不同发育期的需水特征;③能够实现对农田日尺度旱涝变化情况的监测[5,24-25]。因此,本文引入日尺度标准化前期降水蒸散指数对辽宁大豆旱涝发生情况进行识别判断,利用SAPEI指数选择典型年对日尺度旱涝过程进行识别验证,提出大豆旱涝过程识别方法,同时采用旱积指数和渍积指数分别从干旱过程和渍涝过程进一步验证该指数在辽宁省大豆农田旱涝监测评估中的可行性和适用性,以期为辽宁省旱涝预测预警和防灾减灾提供科学依据。

1 资料与方法

1.1 研究区概况

辽宁省位于东北地区南部,地处38°43′～43°29′N和118°50′～125°47′E之间,南邻黄、渤二海。辽宁省地势自东、西、北三面向中部和南部倾斜,东西两侧为丘陵山地,中部为自东北向西南倾斜的辽河平原,具有山、平、洼等多种多样的地势类型。辽宁省地处中纬度,属温带大陆性季风气候,年降水量为400～1 100 mm,主要集中在夏季,受地理位置和季风影响,降水时空分布不均,局地、短时强降水时有发生,且年际间差异大,以致旱涝灾害频发[1,3]。辽宁省是我国重要的商品粮生产基地,是东北春大豆种植区的最南端,生育期长,积温高,光、热、水等气候资源优越,具有较高的大豆生产潜力区。

1.2 数据来源

本研究所用资料为辽宁地区51个气象站1961—2020年的日平均气温、日最高气温、日最低气温、日降水量、日日照时数、日水汽压、日平均风速资料以及新民、海城、锦州和昌图4个农业气象观测站的大豆发育期资料。土壤水分数据来源于辽宁省各观测站土壤墒情观测数据。

1.3 日尺度标准化前期降水蒸散指数(SAPEI)

日尺度标准化前期降水蒸散指数(SAPEI)[5]既考虑了前期土壤中水分的影响,又能反映出日降水量和降水时间对当日旱涝的影响,该指数可以用于日尺度对旱涝的监测。

SAPEI指数的计算过程如下:

(1)日农田水分收支量(ΔW)计算。根据土壤水分平衡方程,在忽略灌溉、地表径流和地下水的情况下,可简化为:

ΔW=P-ETc

(1)

ETc=KcET0

(2)

式中,P为降水量;ETc为作物需水量;ET0为参考作物蒸散量,利用联合国粮农组织(FAO 1998)推荐的Penman-Monteith公式计算而得;Kc为作物系数,采用单作物系数法计算[26],Kc-ini、Kc-mid、Kc-end,即大豆出苗～分枝期、分枝～鼓粒期、鼓粒～成熟期分别取0.40、1.15、0.55。

(2)考虑农田日水分供应能力与前期农田水分状况有关,计算前期累积降水与蒸散差值指数(Antecedent precipitation evapotranspiration index,APEI)[5]:

(3)

式中,m为前推天数,取值100;i为前推日序数(当日为0);K为衰减系数,取0.955;ΔWi为第i日农田水分收支量。

(3)对APEI构成的数据序列进行标准化,并采用三参数的log-Logistic概率分布F(x)进行正态化拟合。得到对应的F(x)日值。

(4)

式中:

(5)

(6)

γ=w0-αΓ(1+1/β)Γ(1-1/β)

(7)

(8)

式中,ws为概率权重矩,s=0,1,2;l为x按升序排列的序数;Γ为Gamma函数。

(4)对累积概率进行标准化,进而求得标准化变量SAPEI值。

P=1-F(x)

(9)

当累积概率P≤0.5时,概率加权矩

(10)

当累积概率P>0.5时,概率加权矩

(11)

式中,常数c0=2.515517,c1=0.802853,c2=0.010328,d1=1.432788,d2=0.189269,d3=0.001308。

1.4 旱涝等级划分

SAPEI指数等级分类标准综合参照SAPEI及SPEI有关文献[5,17]。各等级旱涝等级标准、数值范围及理论累积概率、土壤相对湿度阈值如表1所示。

1.5 SAPEI指数农业旱涝适用性评价

作物全生育期的干旱强度与干旱所处阶段、发生次数及持续时间有关。因此,使用基于干旱过程的旱积指数(Qd)来表示[5],即:

(12)

式中,n为干旱过程数;m为某一次干旱过程持续天数;SAPEIj为第j天SAPEI值;SAPEId0为干旱发生界限值,为-0.5。

同理,渍积指数Qw可表示为:

(13)

式中,SAPEIw0为涝渍害发生界限值,为0.5。

2 结果与分析

2.1 SAPEI模型检验

SAPEI是基于假设某一时间尺度的前期累积降水与蒸散差值指数(APEI)序列服从log-Logistic概率分布。因此,当日尺度APEI序列的经验概率分布与log-Logistic理论概率分布曲线大致相似时,即认为日尺度SAPEI分析适用于该序列[5]。为检验日尺度SAPEI在辽宁地区的适应性,将日尺度APEI序列的经验概率分布与三参数log-Logistic理论概率F(x)分布进行对比分析。综合考虑辽宁省气候区划和大豆种植分布的情况,选取了新民、海城、锦州和昌图4个大豆主产区站点作为验证代表站(图1)。从图1可以看出,不同区域代表站点的APEI序列的log-Logistic理论概率F(x)与经验概率分布曲线重合度较高,变化趋势比较一致,说明日尺度APEI序列服从log-Logistic理论概率分布。因此,SAPEI能够表征辽宁省大豆农田由降水和蒸散盈亏引起的旱涝状况。

图1 代表站APEI序列经验概率与log-Logistic理论概率分布对比Fig.1 Comparison between log-Logistic distribution and the empirical probability distribution for APEI series in representative stations

2.2 SAPEI对旱涝过程的描述能力

据《中国气象灾害年鉴》及相关部门统计分析,2014年辽宁省发生大旱,农作物受灾面积达195万hm2,干枯和重旱面积125万hm2,粮食因灾减产500万t左右[3-4]。因此,分别对新民、海城、锦州和昌图4个大豆主产区代表站2014年SAPEI逐日变化及降水的动态响应情况进行分析(图2)。2014年进入春季后,持续无降水,出现春旱,旱情一直持续到4月下旬,SAPEI值持续降低反映了旱情的发展与持续。进入6月份,降水量增多,SAPEI值逐渐回升,并出现短期涝情。7月中下旬持续无有效降水并伴随高温天气,大豆进入开花结荚期,需水量增大,SAPEI值迅速而持续下降。随着8月下旬降雨再次增多,SAPEI值的旱涝等级也相应提升,9月份旱情得到有效缓解并解除。结果表明,4个代表站在无降水或降水持续偏少时,SAPEI呈现平滑而缓慢的下降趋势,并没有出现CI、SPI等指标用于监测逐日干旱时常出现的“不合理干旱加剧”的问题[7,27];在出现降水时,SAPEI能够及时响应与降水量增加相匹配,反映降水对旱情的缓解作用。可见,SAPEI曲线呈现典型的“锯齿型”波动特征,能够精细的刻画旱涝情况发生、发展、持续和结束过程。

图2 辽宁省4个代表站点2014年4—9月SAPEI对降水的响应Fig.2 Response of SAPEI to rainfall at representative stations for 4 representative stations from Apr. to Sept. 2014 in Liaoning Province

进一步对比分析了2014年8月8日、9月3日旱情明显缓解前后的土壤墒情数据与SAPEI数据旱涝空间分布情况。结果显示:8月8日土壤相对湿度与SAPEI指数在辽西和辽中地区均显示出现了不同程度旱情,辽东地区无旱情或轻度涝渍害。9月3日二者监测数据均显示出辽西和辽中地区旱情得到明显缓解或解除,辽南地区出现轻度涝渍,辽东地区涝渍范围明显扩大(图3)。因此,应用SAPEI对农田旱涝监测,能够较为真实地反映农田的旱涝变化特征。从二者对比来看,在水分缺少的情况下,SAPEI监测的干旱情况重于实际土壤墒情,可见SAPEI数据监测结果偏干;在水分有盈余的情况下,除辽宁北部外,SAPEI监测的涝渍情况轻于实际土壤墒情,SAPEI数据监测结果偏干。SAPEI数据结果偏干,主要是由于在土壤墒情观测的农田存在人为干预的可能性,不能排除在出现干旱时前期进行灌溉;而在设计SAPEI指数时,日降水量中未剔除径流参数。

2.3 SAPEI指数监测大豆旱涝的适用性分析

利用SAPEI指数,计算60年(1961—2020年)辽宁省51个站大豆全生育期(4月27日—9月24日)旱积指数Qd累年平均值、干旱发生频率,渍积指数Qw累年平均值、涝渍发生频率。结果表明,旱积指数Qd绝对值总体呈现北高东低的分布特征,变化幅度为-45.40～-14.64,即辽北地区干旱重于辽东地区,其中辽北地区旱积指数范围在-45.40～-34.09之间,辽东地区旱积指数范围在-27.75～-14.64之间(图4a)。干旱发生频率全省范围在14.15%～30.87%之间,其中辽北地区最高,辽西次之,辽南和辽东地区最小(图4b)。渍积指数Qw变化幅度为53.02～70.97,呈现东高北低分布,即渍害辽东地区重于辽北地区(图4c);涝渍发生频率范围在44.09%～63.07%之间,辽西北地区低于辽东地区(图4d)。

3 讨 论

本文以优化后的SAPEI指数作为辽宁地区大豆农田旱涝监测指标,该指标充分考虑了前期农田水分收支影响,并解决了大部分旱涝指标时效性不高的问题,实现了旱涝逐日监测,时效性与精细化水平得到提升。通过选取典型干旱年识别验证,发现逐日大豆旱涝监测与实际土壤墒情及典型年旱涝灾情信息记载的旱涝等级一致性程度较高,具有很好的区域适用性,与葛东[19]、王晓丹[22]、沈国强[28]等的研究结果一致,充分说明其在辽宁乃至东北地区的适用性。

有学者[19-20,29]在对我国北方地区各类干旱指数适用性分析中研究发现,干旱灾害时间尺度灵活,因而同一种干旱指数,时间尺度的不同也会产生较大的差异。曹永强等[17]利用多时间尺度SPEI指数研究辽宁省旱涝特征发现,年值SPEI旱涝变化稳定、周期性明显,季值、月值SPEI波动变化大,能够反映短期旱涝特征;沈国强等[28]利用月值SPEI指数监测东北地区干旱,认为东北地区干旱在降水充足的夏季反而干旱更为普遍、更加严重;王晓丹等[22]使用日值SPEI监测干旱发现东北地区西部干旱持续时间长强度高,东部时间短强度低;也有部分专家[7-8,27]指出利用季、月值SPEI监测干旱时因只考虑累计降水而忽视当前降水,容易出现“不合理旱情加剧”而旱涝表征不合理等问题。而在SPEI基础上优化后的SAPEI做为旱涝监测指标[5],充分考虑了前期农田水分平衡和当日的干湿状况[24-25],避免了无法有效监测旱涝事件和时效性不高的问题[30]。本文利用SAPEI指数对2014年大豆生长季逐日旱涝过程进行评估时,发现该指数能较为准确地获取站点旱涝灾害开始和结束的时间,确定旱涝灾害的持续时长,可以简单评估灾害过程总体发生程度以及旱涝灾害过程变化趋势(加重或缓解),尤其在评估跨月旱涝灾害过程时,与月、年等旱涝评估指标相比,在评估效果和准确性方面有明显的优势。SAPEI指数既可以反映降水时间、次数、日雨量对农田旱涝的影响,又能够体现无量纲SAPEI指数具有较好的区域适应性的优点。因此,SAPEI指数能够真实有效地监测辽宁不同干湿区域农田水分变化而引起的农田旱涝变化,实现农田日尺度干旱过程、涝渍过程和旱涝急转的识别。

在进行逐日SAPEI与实际土壤相对湿度监测的旱涝等级对比分析时,发现总体一致性较好,但部分地区出现了SAPEI监测的干旱程度重于实际土壤墒情的情况,即表现为缺水时旱情偏重,SAPEI数据结果偏干的现象。陈金华[5]、王晓东[24]等研究发现了安徽省、江淮流域的逐日农田SAPEI旱情监测结果普遍重于土壤相对湿度的情况。其一方面是由于土壤墒情观测的农田有人为干预的因素,另一方面也存在设计SAPEI指数时,对日降水量未做有效降水量处理而直接参与计算的原因,同时也未考虑土壤持水能力[29]。另外,旱涝风险程度与旱涝灾害发生时所处作物生育期、旱涝持续时间长短等有关。应用SAPEI指数对农田旱涝影响进行评估时,简单以旱涝积指数来表示旱涝过程的综合强度,具有一定的局限性。因此,需要从机理方面进一步完善SAPEI指数。

4 结 论

1)通过大豆主产区4个站点概率曲线对比,基于三参数log-Logistic概率分布的拟合方法计算的SAPEI指数适用于辽宁地区,SAPEI指数能够表征辽宁省大豆农田由降水蒸散盈亏引起的旱涝状况。

2)典型站点SAPEI指数时间序列曲线呈现典型的“锯齿型”波动特征,SAPEI指数能够真实客观地反映降水的出现对大豆农田干旱过程和渍涝过程的影响,能够精细的刻画旱涝发生、发展、持续、缓解和结束过程。2014年8月8日和9月3日SAPEI指数评估的辽宁地区旱涝等级与实际土壤墒情等级具有一致性和同步性,表明该指数能够描述大豆生育期内旱涝变化过程。

3)基于SAPEI指数的大豆全生育期旱涝积指数计算结果显示,旱积指数Qd变化幅度为-14.64～-45.40,辽北地区干旱重于辽东地区;干旱发生频率范围在14.15%～30.87%之间,其中辽北最高;渍积指数Qw变化幅度为53.02～70.97,渍害辽东地区重于辽北地区;涝渍发生频率范围在44.09%～63.07%之间,其中辽东最高。