福建省雨季人工增雨效果统计分析

汪智海,刘 群,李 丹

(1.闽南师范大学 数学与统计学院,福建 漳州 363000; 2.福建省气象科学研究所,福州 350001)

0 引言

福建省位于我国东南部,年平均降雨量为1400～2000 mm,全年雨量充沛,水资源较为丰富,每年5—6月降雨最多[1]。人工增雨效果检验方法有很多,包括序列分析、区域对比分析及区域历史回归统计方法[2-3],但往往只是对预测雨量与实际雨量进行简单的线性回归对比[4],并未考虑区域特殊性及气象因子的影响。事实上,增雨效果受多方面影响[5]。本研究分析了福建省降雨时空特征,采用SOM聚类方法划分降雨区类别,依据气压、24 h变压、温度、24 h变温、相对湿度、水汽压等六维气象因子构建多元线性回归模型,模拟自然降雨量,评估人工增雨效果。

1 降雨时空特征分析

选用资料包括福建省地面降雨记录资料,由福建省气象局提供的2021年5—8月份福建省267个站点的降雨观测值、站点属性(经纬度)及气压、24 h变压、温度、24 h变温、相对湿度、水汽压等数据。对于数据中少量未检测值采用最近邻法进行补充。

福建省在2021年每个月份都开展了人工催化增雨作业,平均降雨量为1477.1 mm,通过分析2021年平均每月降雨情况发现,福建省降雨变化较大,最大降雨量为424.9 mm,最小降雨量为30.3 mm,全年降雨量在5—8月分布较多。福建省雨季降雨量约占全年降雨的60%以上,其中以北部地区降雨量最为丰沛,雨季降雨量由西南向东北呈递增趋势。

2 降雨区域划分

2.1 副区数的确定

利用气压、24 h变压、温度、24 h变温、相对湿度、水汽压等六维气象因子值为特征向量,应用SOM方法[6]对福建省各地区降雨特征进行区域划分,根据聚类合理性条件确定划定区域数量(如图1所示)。以DB指标为最小,以DUNN指标、CH指标及边界因子为最大标准,找出最优分类数。对DB指标而言,5类或6类为最佳,以12类及15类为最大。通过图片可以看出,CH指标与轮廓指标随着类数的增加而降低,故类数越小越好。但类数太小会导致划分区域不精确,如果分为两类,最终效果不好,由此可以看出,CH指标与轮廓指数应划分为5类,这样性能最优。当划分的总类数量大于10时,CH指标与轮廓指数的值偏小,说明模型性能结果不好。对于DUNN指标而言,划分为10类以上会更好,但综合考虑将其分为5类时模型性能较好,故将福建省人工增雨作业区划分成5个区。

图1 福建省降雨分区最佳区域数的确定Fig.1 Determination of the optimum number of rainfall zones in Fujian Province

2.2 副区相关性分析

将福建省人工增雨作业区划分成5个区,分区结果为：区域一包含宁德、福州;区域二包含莆田、泉州、厦门;区域三包含漳州、龙岩;区域四包含三明东部;区域五包含南平、三明西部。该分区结果与福建省地区降雨量分布有相似的地方,说明福建省地区降雨的空间分布与降雨量密切相关。降雨因为地形及降雨机制的差异性,在时间、空间上都有较大的差异。区域一、区域四在福建省东部、南部、中部,降雨偏少;区域五在北部地区,降雨较多,这与福建省地形特征及降雨分布特征相吻合;区域二、区域三为福建省降雨最少且经常发生旱灾地区,也是人工增雨作业偏多地区;区域四降雨较区域二、区域三稍大,是福建省人工增雨作业目标区之一。

依托降雨区域进行聚类,针对其各个区域采用浮动对比区方法,分析划分的降雨区域及各个副区间的相关性。对于单个副区而言,将其中的某个区域作为人工增雨效果的影响区S时,将这个副区中剩下的各个站点降雨量进行统计,与该副区相关度最高,将另一个未受人工增雨作业影响的副区区域站点降雨量作为自变量代入估算区域S内自然降雨量方程。假设总影响区在不同副区中的各区域分别用Si(i=1,…,n)表示,将各小影响区域的降雨效果逐个估算,再将其叠加,即可估计出真实情况下的人工增雨结果,在此基础上选择合适的自变量,找到每个副区之间的相关性。相关性如表1所示。

表1 5个区域降雨均值相关性分析Tab.1 Correlation analysis of rainfall mean in 5 regions

由表1可以看出,5个地区降雨均值之间的相关性达到了0.05的显著水平,可见相邻区域的相关系数很高,说明相邻区域对相同的气候条件更加敏感。福建省人工增雨经常会在区域二进行作业,故未将其作为对比区。区域一与区域三、区域四的相关系数仅次于区域二,由于区域四处于区域一西边,受山地及丘陵阻挡,不易被催化作用所干扰,故选取区域四为对比区,与其他区进行比较研究。

3 福建省雨季人工增雨效果统计检验

基于多元线性回归模型框架,将每日降雨分布的平均值与协变量进行相关分析,构建模型模拟每日降雨的预测值。利用降雨量与气压、24 h变压、温度、24 h变温、相对湿度、水气压关系,建立多元线性回归模型为：

y=β0+β1x1+β2x2+β3x3+β4x4+β5x5+β6x6+εi

(1)

其中,y表示模拟出的每日降雨量,x1表示气压,x2表示24 h变压,x3表示温度,x4表示24 h变温,x5表示相对湿度,x6表示水汽压,β0表示回归常数,β1,…,β6表示各个协变量的回归系数,εi表示残差。

根据多元线性回归模型来检验评估5个区域的人工增雨效果,发现总体效果较好[7]。对主要增雨目标区各个站点的降雨进行模拟,取10次模拟的平均值与实测的降雨量值进行对比,如图2所示。5个区域通过多元线性回归模型模拟出来的降雨量与实际的降雨量的均方误差分别为6.83 mm、5.76 mm、9.62 mm、8.25 mm、9.1 mm,可以看出模型模拟得到比较良好的结果。从图2中发现,对于相同的区域来说,每个站点统计出来的降雨量之间有着一致性的表现,依据多元线性回归模型较好地模拟出了空间之间的一致性。对于时间层面而言,多元线性回归模型对降雨量的零值及峰值的预测比较精确,体现在该模型对低降雨量条件的模拟结果更好,可提高人工增雨效果检验的准确性。

图2 雨季增雨各区域日降雨观测值与模拟值比较Fig.2 Comparison of observed and simulated daily rainfall in each region of rainy season

4 结论

对福建省雨季人工增雨作业效果分析发现,每个站点得到的增雨平均值估计为5～25 mm。人工增雨效果与周边地区的自然降雨量有关,如果该地区没有降雨或降雨很少,则人工增雨效果很差,甚至会产生负面效应。但在站点及周边站点有一定降雨的情况下,人工增雨作用更为显著。区域二与区域四在6月份人工增雨作业日有比较明显的绝对增雨量;区域一与区域五在整个人工增雨作业中一直保持着较高的绝对增雨量;区域三在6—7月的人工增雨作业日有较高的绝对增雨量。根据降雨时空分布特征来看,6月和7月福建处于降雨频繁期,可能是因为在已有降雨或接近降雨的条件下才会有较好的效果。

按照自然降雨形成的规律,在特定环境下可采用对云层进行播撒催化剂这类措施,为人工降雨创造良好的条件,促使云中的云滴快速凝聚变成雨滴。通常情况下,只有自然云已降雨或满足一部分降雨形成条件时,人工增雨作业才会有较好的效果。