2022年夏季长江流域干旱的水循环模拟和分析

程浩秋,魏江峰,宋媛媛,单昱峰

南京信息工程大学 气象灾害预报预警与评估协同创新中心/气象灾害教育部重点实验室/气候与环境变化国际合作联合实验室/大气科学学院,江苏 南京 210044

水循环是海洋、陆地和大气之间相互作用过程中最活跃且最重要的枢纽之一(苏布达等,2020),对全球气候和生态环境变化起着至关重要的作用。国际政府间气候变化专门委员会(IPCC)第六次评估报告指出,全球变暖的背景下,全球干旱事件的频率和强度呈上升趋势,而极端干旱事件更加频繁。同时,气候变暖将导致潜在蒸发和极端降水增加、水循环增强(Milly et al.,2002;Kramer et al.,2015;IPCC,2021;符淙斌和马柱国,2023)。这种趋势将对人类健康和生产生活产生负面影响,包括增加疾病发病率、造成水资源短缺并导致巨大经济损失(Yusa et al.,2015;黄存瑞和刘起勇,2022;朱飙等,2023)。

降水作为水循环的重要一环,其水汽来源一直受到学者们的关注(Stohl and James,2004;Gimeno et al.,2010)。用于确定降水的水汽来源区域和输送路径的方法有多种,主要包括同位素分析法、大气数值模式、分析水汽通量图和拉格朗日模型。同位素分析法用于确定降水事件水汽源汇,同位素信号的灵敏度对结果有较大影响,以及其成本较高限制了该方法的广泛应用(Gimeno et al.,2010)。基于欧拉方法的大气数值模式模拟的水汽通量和通量散度也可以作为判定水汽输送特征的依据(许建玉等,2014)。由于水汽通量受到瞬变风场的影响,由水汽通量图不能得到准确的水汽源汇区信息(Stohl and James,2004)。拉格朗日数值模式通过对气块运动轨迹的模拟,来精准确定水汽的来源,又称为反向追踪(Stohl and James,2004;Stein et al.,2016)。相较于以上几个方法,将水汽追踪(WVT)嵌入到天气研究与预报模式中的方法(又称为正向追踪),它详细考虑了影响大气水分的所有物理过程,保证了对降雨水分来源的严格分析,具有很高的精度,该方法可以直接标定水汽源地对水汽进行追踪,能够精准模拟标定区域对周边区域降水的贡献,并显著提高了对小尺度水文周期特征的再现能力,是诊断降水(特别是极端降水事件)水分来源的更好选择,且水汽来源估计的误差几乎完全来自WRF模型解的误差,而不是WVT方法本身(Insua-Costa and Miguez-Macho,2018;Gao et al.,2020;Insua-Costa et al.,2022)。学者们已经将该方法进行广泛应用,比如对湖泊蒸散发追踪并探究其对暴风雪的影响(Insua-Costa and Miguez-Macho,2018),青藏高原降水再循环率研究(Gao et al.,2020),植被蒸腾作用对极端降雨的贡献(Insua-Costa et al.,2022)等。

长江流域是我国经济最发达的地区之一,也是重要的水资源供给区域。2022年夏季,包括长江流域在内的中国中东部地区(100°～123°E,24°～36°N)出现了数量显著偏多的极端高温干旱事件(孙博等,2023)。多地水库出现了库容“汛期反枯”的罕见现象。因此,厘清长江流域蒸散发产生的水汽对当地和周边地区降水的贡献,对于深入了解2022年夏季高温干旱事件对长江流域水循环的影响具有重要意义。华北人口密集大,是中国重要的政治经济中心及工农业基地,且华北处于长江流域周边。因此本文选取2022年夏季长江流域干旱为例,基于WRF-WVT模式,研究高温干旱情形下长江流域水循环过程及蒸散发对当地及华北降水的影响。研究对提高长江流域水循环的认识,合理利用水资源具有十分重要的现实意义。

1 模式、数据和方法

1.1 模式简介及其试验方案设计

本研究采用了嵌入新的水汽标记工具(Water Vapor Tracer,WVT)的Weather Research and Forecasting Model (WRF)4.3.3版本,简称WRF-WVT(Insua-Costa and Miguez-Macho,2018)。WRF-WVT通过WRF中的水分预测方程实现了对大气中水分运动和相态转化的精确描述。使用以下公式标记了六种水分类型:

(1)

其中:qn表示考虑的不同水汽类型,即水蒸气、云、雨、雪、冰和霰。等式(1)右侧的前两项分别表示平流和分子扩散的趋势;其他三项分别对应于参数化方案湍流输运、微物理和对流产生的趋势。后三项解释了影响大气水汽的次网格物理过程,如相变和降水,或对流和湍流扩散引起的水汽再分配。为了追踪来自给定区域的水分,对蒸散发ET引起的水分预测方程中的水分源项(地表向上水汽通量,QFX)进行如下修改:

TRQFX=QFX·M。

(2)

其中:TRQFX是追踪的地表向上水汽通量;M为常数,对于感兴趣的追踪区域M=1,其他区域M=0。蒸散发一直跟踪到形成降水,因此得到一个新变量(追踪的降水)。同时该模式既可以追踪二维平面的水汽,也可以追踪三维空间的水汽。

本文研究的水汽源区为长江流域,研究的华北区域包括北京、天津、山西省、河北省、山东省以及河南省北部、安徽省北部和江苏省北部。WRF模式试验区域中心点定为(103°E,38°N),水平分辨率为30 km,网格格点数为159×202,垂直层数为35层,模式顶层气压为50 hPa,积分步长为120 s,三小时输出一次。模拟时段为2022年5月1日至9月1日,其中5月只用于平衡模式不用于分析。选用的参数化方案包括:YSU边界层方案(Hong et al.,2006)、Noah-MP陆面模型方案(Niu et al.,2011)、WSM-6微物理方案(Hong and Lim,2006)和Kain-Fritsch对流方案(Kain,2004)。

1.2 数据

使用欧洲中期天气预报中心提供的第五代大气再分析数据ERA5逐6 h数据驱动WRF-WVT模式,其空间分辨率为0.25°×0.25°,具有较高精度(Hersbach et al.,2020),已经被广泛应用于我国不同区域(包括长江流域)的极端事件研究(Wang et al.,2020),且ERA5日尺度和月尺度的总降水量和极端降水量资料表现出较好的性能和重现性(Shen et al.,2022)。为了验证模式结果可靠性,我们使用加州理工学院喷气推进实验室(JPL)提供的0.5°×0.5°逐月陆地水储异常(TWSA)产品(Landerer et al.,2020);美国海洋和大气管理局(NOAA)物理科学实验室提供的空间分辨率为1°×1°的月降水数据PREC/L(https://psl.noaa.gov/data/gridded/data.precl.html);以及全球陆地数据同化系统2.0版(GLDAS-2.0)提供的1.0°×1.0°逐3 h降水、土壤湿度、蒸散发和太阳向下短波辐射数据(Rodell et al.,2004),及来自普林斯顿大学气象强迫场驱动Noah陆面模式(Sheffield et al.,2006)。

1.3 方法

本文基于地表水平衡方程研究长江流域水循环,如等式(3)所示:

DTWS=P-ET-R。

(3)

其中:DTWS为陆地水储量变化;P为降水;ET为蒸散发;R为径流。区域降水根据水汽来源不同可以分为再循坏和外循环两个部分(苏布达等,2020):

P=Pm+Pa。

(4)

其中:P为总降水;Pm表示由于本地蒸散发形成的降水,称为再循环降水;Pa是外部输入水汽形成的降水,称为外循环降水。再循环降水占总降水的比例称为降水再循环率,表示为:

(5)

对于华北地区降水的研究主要讨论长江流域蒸散发对其影响,故将Pa分为两个部分PYR和Pothers两个部分:

Pa=PYR+Pothers。

(6)

其中:PYR表示长江流域蒸散发在华北形成的降水;Pothers是指除去PYR后,其他的外部输入形成的降水。把长江流域蒸散发在华北形成的降水占华北总降水的比例称为非局地降水贡献率,表示为:

(7)

2 结果

2.1 2022年夏季长江流域干旱事件的时空特征

2022年6—8月,长江流域遭受了极端干旱事件,该地区降水距平百分率逐渐减小,从正值变为负值,其中8月降水距平百分率最小。然而,同期华北地区的降水量超过了气候平均水平(图1a—c)。在7月和8月,几乎整个长江流域的降水和土壤湿度距平百分率都为负值,特别是中下游地区的降水距平百分率达到了-100%,即长江流域7、8月干旱比较严重(图1b、e、c、f)。7月,长江流域绝大部分地区蒸散发的距平百分率为正,而到了8月,其中南部及下游地区的蒸散发距平百分率则由正转负。这表明长江流域在7月蒸散发量较多,而在8月部分地区的蒸散发量有所减少(图1g—i)。基于Budyko(1961,1974)提出的用于定义土壤湿度与蒸散发关系的概念框架,6月和7月的高温干旱发展期间,蒸散发受能量控制,而7月的温度较6月更高,因此7月的蒸散发量也更大。然而,到了8月,高温干旱事件逐渐达到了最严重的阶段,此时土壤湿度不再饱和,蒸散发受土壤湿度控制,而土壤湿度因为干旱事件而减少,因此8月的蒸散发量相比于7月有所减少。

图1 长江流域2022年6月NOAA观测的降水距平百分率(a),ERA5的土壤湿度距平百分率(d),ERA5的蒸散发距平百分率(g)(单位:%)。(b、e、h),(c、f、i)与(a、d、g)相同,分别为7、8月结果Fig.1 (a) Anomaly percentage of precipitation from NOAA observations,(d) anomaly percentage of soil moisture from ERA5,and (g) anomaly percentage of evapotranspiration from ERA5 for June 2022 (unit:%) in the Yangtze River basin.(b,e,h) and (c,f,i) are the same as (a,d,g),and are the results for July and August,respectively

从1979—2022年夏季降水、陆地水储量异常和蒸散发概率分布来看,相比于气候态2022年6月降水偏多,7、8月偏少(图2a);陆地水储量异常的变化和降水一致(图2a、b);6月蒸散发没有明显异常,7月偏多,8月偏少(图2c)。2022年6—8月的降水和陆地水储量异常都在逐渐减少(图2a、b),蒸散发先增加后减少(图2c)。总的来说,2022年7、8月长江流域干旱异常最为严重(图2a—c)。

图2 长江流域1979—2022年6—8月降水(a;单位:mm/d)、陆地水储量异常(b;单位:mm)和蒸散发(c;单位:mm)概率密度分布(黑,蓝、红点竖线分别对应2022年6、7、8月各物理量的值)Fig.2 Probability density distribution of (a)precipitation (unit:mm/d),(b)land water storage anomaly (unit:mm),and (c)evapotranspiration (unit:mm) for June—August 1979—2022 in the Yangtze River basin(the vertical lines of black,blue and red dots respectively correspond to the values of each physical quantity in June,July and August 2022)

2.2 2022年6—8月长江流域水循环模拟

为检验模式模拟可靠性,使用观测数据及再分析数据评估了模式2022年夏季逐月的累积降水和850 hPa位势高度场。6—8月长江流域的累积降水量逐渐减少,这与图1a—c相吻合。6月长江流域中下游处在西太平洋副热带高压的外围,太平洋的水汽沿副高外围东南气流向此处输送,加上西南气流水汽补给,导致长江流域中下游降水比上游多。7—8月随着副高的西伸北抬,长江流域逐渐被副高控制,降水总量减少,雨带发生相应的移动,使得7月中游降水略多于上游和下游,8月为下游少上游多(图3a—c)。模式模拟的累积降水空间分布和NOAA观测基本一致,6—8月逐月空间相关系数分别为0.76、0.71和0.79,且通过99%置信度的显著性检验,但模拟的结果数值上偏大(图3d—f)。到目前为止,夏季降水模拟结果和观测的结果仍然存在一定的偏差,这也是许多数值模式面临的共同问题,模式中降水的高估主要与积云参数化方案等有关(Giorgi et al.,2012;Huang et al.,2015)。6—8月长江流域降水逐渐减少,一定程度上导致了陆地水储量减少(图4)。

图3 2022年6(a)、7(b)、8(c)月NOAA观测的累积降水(填色;单位:mm)与ERA5的850 hPa位势高度场(等值线;单位:gpm);(d、e、f)与(a、b、c)相同,但为WRF-WVT模拟结果Fig.3 Accumulation precipitation (filled color;unit:mm) from NOAA observations in (a)June,(b)July,(c)August 2022 and 850 hPa geopotential height (contours;unit:gpm) from ERA5;(d,e,f) are the same as (a,b,c),but for WRF-WVT simulations

图4 2022年6(a、d)、7(b、e)、8(c、f)月卫星观测的长江流域陆地水储量逐月变化(a—c)及WRF-WVT模拟结果(d—f)(单位:mm)Fig.4 Month-by-month variation of land-based water storage in the Yangtze River basin in (a,d) June,(b,e) July,and (c,f) August,(a—c) 2022 observed by satellite,and (d—f) WRF-WVT simulation results (unit:mm)

进一步对比了2022年6—8月模式和GRACE卫星观测的陆地水储量逐月变化。陆地水储量逐月变化为本月陆地水储量减上月,WRF-WVT模式中使用整层土壤湿度代表陆地水储量,整层土壤湿度逐月变化即陆地水储量逐月变化。此外,利用GRACE卫星的陆地水储量异常(相对于定值的异常)也可以计算陆地水储量逐月变化,即本月陆地水储量异常减上月的异常。

GRACE卫星观测的陆地水储量逐月变化由6月的北部减少南部增多,转换成7、8月全流域减少,即干旱逐步发展。8月长江流域中下游卫星观测和模式模拟都出现最小值,陆地水储量减少最大接近150 mm,表明8月干旱最为严重,5—8四个月水储量减少了100～150 mm(图4a—c),这与月累积降水量减少有关(图1—3)。不论是空间分布还是数值大小,模式模拟和卫星观测都比较一致,特别是7—8月模拟效果最佳(图4d—f),表明模式结果具有较高的可靠性。华北地区7、8月的陆地水储量逐月变化为正值(图7b—c),说明陆地水储量增多,这和其月累积降水增多有关(图3e—f)。

为了解长江流域干旱发展的整个过程同时评估模式,本文又比较了2022年6—8月WRF-WVT模拟与ERA5、GLDAS的降水、陆地水储量变化、蒸散发和太阳向下短波辐射的逐日时间序列。从再分析数据来看,蒸散发与太阳向下短波辐射变化较为一致,6月至8月中旬二者逐渐增加,8月下旬以后又逐渐减少,蒸散发受太阳辐射影响较大。降水量与陆地水储量关系更为密切,二者变化一致,但几乎与太阳辐射和蒸散发呈负相关(图5b—c)。模式结果与再分析数据大致相同,模式结果与ERA5、GLDAS的降水时间序列相关系数分别为0.79、0.60,且通过99%置信度的显著性检验,再次说明模式能够较好地再现2022年夏季长江流域干旱事件,为后续分析长江流域水循环奠定了良好的基础。

图5 2022年夏季长江流域降水(黑色点线;单位:mm)、陆地水储量变化(橙色点线;单位:mm)、蒸散发(绿色点线;单位:mm/d)、太阳短波辐射(红色点线;单位:W/m2)的时间序列:(a)WRF-WVT模拟数据;(b)ERA5数据;(c)GLDAS数据Fig.5 Time series of precipitation (black dotted line;unit:mm),land water storage change (orange dotted line;unit:mm),evapotranspiration (green dotted line;unit:mm/d),and solar shortwave radiation (red dotted line;unit:W/m2) in the Yangtze River basin in summer 2022:(a) WRF-WVT simulation data;(b) ERA5 data;(c) GLDAS data

2.3 2022年6—8月长江流域陆面蒸散发追踪

因2022年长江流域干旱事件导致流域内水资源濒近枯竭状态,所以本研究主要关注长江流域蒸散发对当地和周边地区水汽与降水的贡献。6月长江流域蒸散发产生的降水集中在长江流域中南部,落在华北的雨量少,即6月长江流域蒸散发主要影响当地降水(图6a)。由于受到副高外围西南气流的引导作用,更多长江流域蒸散发的水汽被输送到华北地区,因此7—8月长江流域蒸散发产生的降水在华北地区增加,其中7月最多(图6a—c),但由于7月华北降水总量较大(图3e),故长江流域蒸散发对其降水的贡献只有15%左右(图6d—f)。

图6 2022年6(a、d)、7(b、e)、8(c、f)月长江流域蒸散发形成的降水(a—c;单位:mm),长江流域蒸散发形成的降水与当地总降水的比值(d—f;单位:%;黑点标注区域为本文研究的华北区域)Fig.6 (a—c) Precipitation (unit:mm) formed by evapotranspiration in the Yangtze River basin in (a,d) June,(b,e) July,and (c,f) August,2022;(d—f) ratio of precipitation formed by evapotranspiration in the Yangtze River basin to total local precipitation (unit:%;the area marked with black dots is the North China region studied in this paper)

长江流域蒸散发所贡献降水的比例在长江中上游四川盆地附近较大(图6d—f),即该地区降水对外来水汽依赖相对较小。这可能是由于东南季风对其影响较小,也可能是受地形影响,盆地地形不利于水汽向周边扩散。6—8月长江流域蒸散发形成的降水总量在中下游逐月减少,但其占总降水的比例却在逐月增加,这是由于中下游逐渐被西太副高控制(图3,图6c、f),外来水汽对其影响逐月减小。

长江流域蒸散发产生的水汽除了保留在当地和输送到华北外,还会被输送到其他地区。为了分析长江流域蒸散发对不同地区降水的贡献及其具体分配,本文将长江流域蒸散发的水汽分为长江流域形成的降水、华北地区形成的降水和其他。其他部分包括长江流域和华北地区保留在大气中的水分,以及在其他地区形成的降水和保留在大气中的水分。本文主要分析追踪水汽在长江流域和华北地区产生的降水。

6—8月长江流域蒸散发总量先增加后减少,其为当地分别提供3.2×107m3、2.8×107m3、2.2×107m3的降水,降水贡献总量为8.2×107m3,即长江流域给当地降水平均贡献91.2 mm(图7a)。6—8月长江流域蒸散发给华北地区提供的降水也先增加后减少,贡献量分别为9.2×106m3、2.4×107m3、1.9×107m,降水贡献总量为5.3×107m,即长江流域给华北平均贡献58.4 mm的降水(图7a)。

图7 2022年6—8月模拟的长江流域蒸散发在长江流域、华北地区和其他地区形成的降水量(a;单位:108 m3)及其占长江流域总蒸散发的比例(b;单位:%)Fig.7 (a) Precipitation (unit:108 m3) formed in the Yangtze River Basin,North China and other regions by simulated evapotranspiration in the Yangtze River Basin and (b)its proportion to the total evapotranspiration in the Yangtze River basin(unit:%) during June-July-August 2022

6月长江流域35%的蒸散发在当地形成降水,少于10%的蒸散发在华北形成降水。7月长江流域蒸散发在当地和华北形成的降水均占总蒸散发的22%左右,8月和7月大致相同(图7b)。即6月长江流域蒸散发主要影响当地降水,而7、8月对当地和华北降水影响基本一致。6—8月长江流域45%左右的蒸散发在当地和华北形成降水,其中长江流域27.2%的蒸散发在当地形成降水,17.4%的蒸散发在华北形成降水。长江流域蒸发的水汽超过一半在长江流域和华北以外的地区形成降水,或者保留在大气中(图7a—b)。

在全球变暖背景下,极端降水事件频率更高,强度更强(赵宗慈等,2023),前文探究了长江流域蒸散发对当地和周边逐月累积降水的贡献,接着细致地讨论了其对当地和周边包括暴雨在内的不同强度降水事件的贡献。根据国家标准《降水量等级》(乔林等,2012),各级别降水分类标准如下:小雨:1 d(或24 h)降雨量小于10 mm;中雨:1 d(或24 h)降雨量10～24.9 mm;大雨:1 d(或24 h)降雨量25～49.9 mm;暴雨:1 d(或24 h)降雨量50～99.9 mm。

长江流域小雨、中雨、大雨和暴雨的降水量占比分别为23.9%、30.6%、24.5%和21.1%,频次占比分别74.6%、16.8%、6.2%和2.4%。华北小雨、中雨、大雨和暴雨的降水量占比分别为18.0%、27.8%、28.6%和25.5%,频次占比分别75.2%、14.9%、7.2%和2.6%。即各等级降水降雨量占比差距不大,频次占比随着雨强的增强而逐渐减少。

2022年夏季,长江流域各等级的降水事件的再循环率随着降水强度增强而减小,从24.6%下降到11.5%(图8a),这是由于降水强度越强的降水,其水汽来源越依靠外部水汽输送。相反对于华北地区,长江流域蒸散发对其降水的贡献率随着降水强度增强而增加(图8b)。可能是由于长江流域蒸散发贡献的水汽对于华北来说为外部水汽,故降水强度越强长江流域蒸散发贡献率越高。

图8 2022年6—8月模拟的长江流域各等级降水事件再循环率(a),长江流域蒸散发产生的降水对华北地区各等级降水事件的贡献率(b)(单位:%)Fig.8 (a) Simulated recirculation rate of precipitation events of various grades in the Yangtze River basin during June—August 2022,(b) contribution of precipitation from evapotranspiration in the Yangtze River basin to precipitation events of various grades in North China (unit:%)

同时分析了长江流域蒸散对华北不同降水强度事件贡献率的逐月变化。华北各等级降水事件6—8月的贡献率逐月增加(图8b),这与贡献的降水量逐月增加相对应(图6d—f)。这是由于水汽输送受到环流影响,6—8月随着西太副高逐渐北抬,长江流域输送到华北的水汽逐渐增多(图7),贡献也随之增加。整个夏季,长江流域蒸散发对华北各等级降水的贡献稳定在13%左右(图8b)。对于较为关注的暴雨事件,夏季长江流域蒸散发对当地和华北暴雨的贡献率分别为11.5%和12.8%,且6—8月中8月贡献率最大,分别为19.8%和16.0%(图8)。

3 结论和讨论:

在全球变暖的背景下,极端事件频发(IPCC,2021)。2022年夏季长江流域发生严重干旱,长江流域作为我国重要的水资源供给地,其水循环过程对本地以及周边地区的天气气候会产生很大的影响,了解和量化大气水汽的源汇关系对于了解区域水循环具有重要意义。本文基于水汽追踪模型WRF-WVT分析了2022年长江流域地表蒸散发对长江流域和流域外降水的贡献。主要研究结果如下:

1) 2022年6—8月,长江流域由于降水减少,加之持续的高温天气,导致长江中下游遭受严重的干旱,长江中下游地区的陆地水储量在2022年8月相比于5月减少了100～150 mm。

2) 长江流域蒸散发是当地和华北降水重要的水汽来源,随着干旱的发展,2022年夏季长江流域蒸散发对当地降水的贡献随时间逐渐减少,蒸散发对降水贡献总量为8.2×107m3(长江流域平均91.2 mm),且中上游四川盆地附近降水贡献率最大(超过40%);2022年夏季长江流域蒸散发对华北地区降水的贡献先增多后小幅度减少,水汽贡献总量为5.3×107m3(长江流域平均58.4 mm)。

3) 6月长江流域35%的蒸散发在当地形成降水,少于10%的蒸散发在华北形成降水。7月长江流域蒸散发在当地和华北形成的降水均占总蒸散发的22%左右,8月和7月大致相同。即6月长江流域蒸散发主要影响当地降水,而7、8月对当地和华北降水影响基本一致。整个夏季长江流域45%左右的蒸散发在当地和华北形成的降水,即长江流域蒸发的水汽超过一半在长江流域和华北以外的地区形成降水,或者保留在大气中。

4) 长江流域蒸散发对当地降水的贡献率随着降水强度增强而减小。相反,对于华北地区降水,长江流域蒸散发对其贡献率随着降水强度增强而增加。对暴雨事件,2022年夏季长江流域蒸散发对当地和华北地区暴雨的贡献都为12%左右。

2022年夏季长江流域蒸散发对当地降水的贡献中,上游四川盆地附近降水贡献率最大(超过40%),这与前人研究结果一致,如Cheng and Lu(2022)指出由陆地蒸散发贡献的降水在大陆内部的比率较高。虽然WVT方法对再现水文循环有一定的优势,但其准确性受到模式误差的影响(本研究为WRF),该方法应用于全球气候模式(GCMs)会对降水产生大幅高估(Su et al.,2013)。由于模拟时间段有限,本文没有比较2022年夏季与其他年水循环的差别,例如对于较为关注的暴雨事件,2022年夏季长江流域蒸散发对当地和华北暴雨贡献率在8月最大,但8月长江流域干旱最为严重,蒸散发在该月贡献最大可能是因为该月的降水总量最少,未来可以通过计算该贡献率相比于气候态的异常来衡量其重要性。

全球变暖背景下水循环变化,淡水资源紧缺,同时人类活动显著改变全球水循环(姜大膀和王娜,2021)。加强陆地水文循环与大气水循环相互作用及耦合模型的研究,完善气候变暖条件下陆面过程中降水、蒸散发及土壤水分相互制约的过程研究,对最终提高降水中短期预报、长期预测及年代际预估水平有重要现实意义(刘春蓁等,2023)。本文分析了长江流域蒸散发对本地和华北降水的影响,但没有研究降水对这些影响因子的敏感性问题。土壤湿度和降水之间存在负反馈或者弱的正反馈机制,也有试验表明对于干湿土壤湿度都会导致降水减少(Giorgi et al.,1996;Paegle et al.,1996;Bosilovich and Sun,1999)。未来可根据更长时间序列的数据比较不同年份的水循环,并深入研究降水对土壤湿度和蒸散发等的敏感性。