基于GIS的安徽省江淮分水嶺區域氣象干旱研究

王孟和, 何桂芳, 徐建輝, 汪光勝, 吳 見

(1.南京市測繪勘察研究院股份有限公司, 南京 210019; 2.華東冶金地質勘查局物探隊,安徽 蕪湖 241000; 3.滁州學院 安徽地理信息集成應用協同創新中心, 安徽 滁州 239000)

干旱是指在長達一定時間無有效降水的氣候背景下，水分收支失衡而導致水分短缺的現象，是全球最主要的氣象災害之一，在全球造成了重大的人員傷亡和財產損失，旱災在中國發生頻繁，在自然災害中占有相當高的比例[1]。對干旱的研究一直是國內熱點課題，Heim[2]回顧了二十世紀各種干旱指數在美國的使用；王兆禮等[3]基于改進后的帕默爾干旱指數，對中國氣象干旱的時空演變規律進行了研究；明博等[4]基于SPI和SPEI研究了北京地區干旱對作物產量的影響。

江淮分水嶺地區因其獨特的地理環境和氣候條件，擁有豐富的農業資源，是安徽省乃至全國重要的油糧棉基地，但同時旱澇災害多發。楊書運等[5]從降水分布、蒸發和干燥度角度研究了江淮分水嶺地區干旱情況；袁媛等[6]采用Z指數的方法，利用GIS技術，研究了江淮分水嶺區域旱澇災害的時空變化規律。趙宗權等[7]選取旱災評價指標，對江淮分水嶺地區的旱災風險進行評估。標準降水指數(Standardized Precipitation Index，SPI)是以降水量為基礎的一種氣象干旱指數[8]，計算簡便，能夠進行多尺度的干旱監測[9]，可以較好地反映干旱強度和持續時間。國內外有眾多學者[10-14]進行了基于標準降水指數(SPI)的區域干旱研究，驗證了標準降水指數(SPI)在干旱研究中具有優越性。因此，本文基于江淮分水嶺及其周邊共15個站點的30 a逐日降水數據，采用多尺度疊加標準降水指數，對干濕等級情況進行研究，促進對該區域氣象干旱發生規律的了解，以期為江淮分水嶺地區的干旱防治提供科學依據。

1 研究區概況及資料來源

1.1 研究區概況

本研究選取江淮分水嶺位于安徽省境內的部分為研究區，位于長江淮河之間，該區域以丘陵崗地為主，海拔多為100～300 m，地形相對破碎。氣候上屬于東部季風區，是亞熱帶季風氣候與溫帶季風氣候過渡區，季風氣候明顯，降水多集中在夏季，年均降水量在900 mm左右。耕地面積在30%以上，農業以傳統農業生產為主，易受自然條件影響。

1.2 資料來源

降水數據來源于各省、市、自治區氣候資料處理部門逐月上報的《地面氣象記錄月報表》的信息化資料，本文選取了研究區及其周邊區域共15個站點的1980—2009年逐日降水數據，包括阜陽、壽縣、滁州、六安、霍山、合肥、蚌埠、巢湖和安慶9個在江淮分水嶺區域的氣象站點和盱眙、固始、南京、高郵、英山、蕪湖6個分布在研究區域之外的站點，分布于研究區域之外的站點數據作為空間插值的數據。數據精度為0.1 mm，選取的數據缺測日數年均少于7 d，對缺測日數據進行簡單的插值處理，即以該站點多年的缺測日平均降水量插補缺測日降水數據。

2 研究方法

2.1 信息熵

信息熵理論是由Shannon[15]借助熱力學的概念提出的，用于度量系統的穩定程度。通常，一個信源發送出的符號是不確定的，根據其出現的概率可以來衡量它。概率越大，出現機會也就越多，不確定性就越小；反之不確定性就越大。不確定性函數f是概率p的單調遞降函數；兩個獨立符號所產生的不確定性應等于各自不確定性之和，即f(p1，p2)=f(p1)+f(p2)，這稱為可加性。同時滿足這兩個條件的函數f是對數函數，即：

(1)

在信源中，考慮的不是某一單個符號發生的不確定性，而是要考慮這個信源所有可能發生情況的平均不確定性。若信源符號有n種取值：U1，…，Ui，…，Un，對應概率為：p1，…，pi，…，pn，且各種符號的出現彼此獨立，即滿足：

(2)

這時，信源的平均不確定性應當為單個符號不確定性的-lognp(xi)統計平均值(E)，可稱為信息熵，即：

(3)

上式中：對數一般取2為底，即得：

(4)

變量具有越大的不確定性，熵也就越大，弄清楚它需要的信息量也就需要越大，因此，其最優解，也就是使熵最大解的那個。

2.2 多尺度疊加

2.2.1 均態尺度與變化尺度 根據侯威等[8]學者的研究，基于信息熵理論，從某一站30 a逐日降水序列、逐日降水距平序列和年際日尺度下的降水均值序列中，找到使得信息熵達最大值的尺度，即最能夠突出氣候態演變和逐日降水變化狀況的尺度，即均態尺度及變化尺度。均態尺度及變化尺度計算過程詳見參考文獻[8]，計算結果見表1。由計算結果可知，江淮分水嶺區域內各站點變化尺度在8～11 d，均態尺度為9～11 d，站點間差異較小。

2.2.2 尺度疊加 在均態尺度和變化尺度的疊加尺度下，對降水量的年際日尺度氣候態和逐日變化的演變研究，更能反映降水量與干旱的相關情況。基于標準降水指數(SPI)的標準算法[16]，在均態尺度和變化尺度下，采取逐日滑動的計算方法，計算30 a的逐日SPI。均態尺度下的SPI記為SPI1，變化尺度下的SPI記為SPI2，將均態尺度與變化尺度下的SPI疊加，得疊加的標準降水指數TSPI=(SPI1+SPI2)/2，TSPI越大，說明在均態尺度和變化尺度的疊加尺度下相對越濕潤；反之，TSPI越小，說明在均態尺度和變化尺度的疊加尺度下相對越干燥。

表1區域內站點均態尺度和變化尺度計算結果d

站點變化尺度均態尺度安慶1111巢湖910霍山89壽縣910六安89合肥89滁州99蚌埠1011

TSPI是將SPI的兩種尺度疊加值進行均值化。因此，對于TSPI的劃分參照SPI的劃分原則。根據標準降水指數劃分標準，將干濕劃分成特別濕、嚴重濕、中等濕、輕微濕、正常、輕微干、中等干、嚴重干和特別干9個不同干濕程度等級，對TSPI進行等級劃分，見表2。

表2 TSPI等級劃分及其等級符號

3 江淮分水嶺地區干旱時空特征

3.1 各站點各干濕等級日數比例特征

使用兩種尺度疊加下的標準降水指數及其干濕等級劃分方法，對1980—2009年各個站點逐日干濕等級進行統計，計算出各干濕等級的日數占比(圖1)。由圖1可看出，各干濕等級的日數百分比基本呈正態分布。“特別干”和“特別濕”等級的干濕事件發生的概率均為0，這說明在均態尺度和變化尺度的疊加尺度下，1980—2009年江淮分水嶺地區未出現特別等級的極端天氣事件。此外，結合各站點不同干濕等級日數比例統計結果，“正常”等級的干濕事件發生的概率最高，在50%～66%；“輕微干”和“輕微濕”等級的干濕事件發生的概率較高，“輕微干”等級事件概率在11%～20%，“輕微濕”等級事件概率在7%～13%；“中等干”和“中等濕”等級的干濕事件發生的概率較低，“中等干”等級事件概率在0.9%～3.1%，“中等濕”等級事件概率在8.9%～12%；“嚴重干”和“嚴重濕”等級的干濕事件發生的概率最低，“嚴重干”等級事件概率在0.05%～0.5%，“嚴重濕”等級事件概率在2.2%～4.6%。總體來說，濕潤等級發生的概率略高于干旱等級發生的概率，平均約高出6%。說明研究區總體上是濕等級天數比例多于干等級天數。

圖1 1980-2009年各站點逐日TSPI序列各干濕等級日數占比

3.2 不同等級干事件概率的季節變化特征

對各站點1980—2009年逐日TSPI序列不同干等級的日數進行統計，計算各個月份不同干等級事件的發生概率。由于“特別干”事件的發生為0，所以在此只對“輕微干”、“中等干”和“嚴重干”等級事件進行統計(圖2)。

由圖2可看出，“輕微干”事件中，持續時間較長的是春季(3月、5月)、夏季(6月、7月、8月)、秋季(9月)，均超過平均日數百分比(15.06%)，其他月份均低于平均水平；“中等干”事件中，持續時間較長的是春季(3月)、夏季(7月、8月)，均超過平均日數百分比(1.82%)；“嚴重干”事件中，持續時間較長的是春季(3月)、夏季(7月、8月)、秋季(10月)、冬季(12月、1月)，均超過平均日數百分比(0.21%)。

將各等級不同月份干事件日數占比統一來看，3月、7月、8月的“輕微干”、“中等干”、“嚴重干”等級日數比例均較高，這3個月份的干旱持續時間較長、影響較重，且3月是冬小麥等越冬作物的生長期，7月、8月份是夏季作物的生長期。就本研究而言，這段時間的干旱對農作物的影響最大，應注重這幾個月份的旱災防范工作。冬季干旱以“嚴重干”為主，但持續時間較短，對農作物的影響較小。其他月份主要以“輕微干”為主，且持續時間都較短，對農業的影響有限。

圖2 1980-2009年9個站點逐日TSPI序列不同等級干日數各月的占比

3.3 不同等級干事件概率空間分布特征

由圖3可以看出“嚴重干”等級在霍山、六安和滁州地區所占的比重較大，3個站點總比重超過了55%，“嚴重干”等級事件在這3個地區相對集中發生，其中霍山所占比重超過了25%，是“嚴重干”等級事件的最集中發生區，“嚴重干”事件對其影響的持續時間最長；而在其他地區，所占比重均較小，其中，蚌埠和阜陽地區的占比均小于5%，“嚴重干”在這兩個地區發生的概率最小。“中等干”和“輕微干”等級事件均在霍山、巢湖、安慶、六安等地的比重較高，“中等干”和“輕微干”等級事件在這些地區發生的概率相對較大。9個站點“嚴重干”等級占比相差最大，最高占比與最低占比相差超過了24個百分點，說明“嚴重干”等級的相對分布差異較為明顯。而“中等干”最大差約為12個百分點，“輕微干”最大差約為5個百分點。“中等干”和“輕微干”事件在區域站點內相對分布較為均衡。

3.4 不同等級干事件概率時間、空間綜合特征

根據各月份各站點逐日TSPI序列不同等級干日數占比統計，計算出各季節各站點逐日TSPI序列不同等級干日數占比，利用ArcGIS軟件中的空間插值工具，制作江淮分水嶺地區各季節不同等級干日數占比分布圖(圖4)。

由圖4可以看出：(1) 對于“輕微干”事件，春季主要集中在南部地區，呈現從南向北遞減的趨勢，總體概率較高；夏季主要分布在西部地區，呈現西高東低的趨勢，絕大多數地區超過50%。秋季與夏季分布趨勢相近，但秋季總體概率較小，絕大多數地區在40%以下；與秋季相同，冬季多數地區低于40%，但冬季中部、南部普遍較北部高。綜合對比四季，“輕微干”等級事件夏季分布差異較小但范圍最廣且持續時間最長。(2) 對于“中等干”事件，春季集中分布在霍山、巢湖、安慶等地區，整體上南部較高；夏季集中在中北部地區，南部和東部地區較低，且有逐漸下降的趨勢；秋季主要分布在霍山及其周邊地區，分布較為集中，向東部、南部和東北部遞減，東部地區，巢湖形成一個較高中心，其他地區較低；冬季普遍較低，只有六安、霍山和巢湖等個別地區較小范圍內出現相對較高的值。總體來說，“中等干”等級事件四季總體較低，夏季略高，冬季變化較小。(3) 對于“嚴重干”事件，春季在霍山地區形成集中向東北部急劇遞減向東部南部緩慢遞減；夏季分布與春季類似，霍山地區比較集中，但變化幅度相對減小，東部地區整體較低，只有滁州地區相對較高；秋季整體變化緩和，西高東低，南部出現低值中心；冬季中部、西部較高，東北部和南部較低。總體看來，“嚴重干”等級事件春季、夏季變化較大，總體影響較大；秋季、冬季變化較小，影響也較小。

圖3 1980-2009年9個站點各干等級日數在各干等級總日數中的比例

圖4 1980-2009年江淮分水嶺地區各季節輕微干、中等干、嚴重干事件日數比率空間分布

4 個例檢驗

根據2001—2010年的安徽省電子版統計年鑒，統計出安慶市2000—2009年農業干旱受災面積，將其與2000—2009年安慶市干等級日數占比相比較(圖5)。

由圖5可以看出2000—2009年除2003年和2005年外，受災面積增減情況均與干等級日數占比變化趨勢相吻合，經相關性分析二者相關性系數為0.52，相關性較強。干旱受災面積會受到多種因素的影響，但最重要的影響因子是降水，在同等情況下，干旱事件發生的頻率增高，農業受災面積也會增加，說明多尺度疊加干旱監測適用于江淮分水嶺區域的干旱研究。

圖5 安慶市2000-2009年間逐年干等級日數占比和逐年干旱受災面積

5 結 論

(1) 江淮分水嶺地區，各干濕等級的分布有明顯的正態分布的特點，即干濕事件的等級越趨向“正常”，其發生的概率就越大；趨向極端的事件，其發生的概率逐漸降低。該研究區濕等級事件發生的概率略高于干等級事件，干等級事件的發生集中在“輕微干”事件上。

(2) 從時間上看，春季(3月、5月)、夏季(6月、7月、8月)、秋季(9月)持續時間較長，且春季(3月)和夏季(7月、8月)的干旱程度最深，對農業生產特別是對江淮分水嶺地區越冬和春耕作物的不利影響較為明顯，此段時間為農業防旱的重點時段；秋季(9月)的干事件的時間較長，但程度較淺，對農業的影響有限，而對于農業上的秋收是有利的。

(3) 從空間分布上看，總體上江淮分水嶺西部地區干旱日數占比較高，向東、南、北方向有下降的趨勢，霍山地區形成一個干事件發生日數的峰值。在同等情況下，霍山及其周邊地區是防旱相對重點的區域。

本文使用的是兩種尺度疊加下的標準降水指數，對單一化標準降水指數進行了改進，并以安慶市為個例，初步驗證了其適用性。但是相關尺度的研究還很少，對于其適用性和可靠性還缺乏更多的檢驗，需要更多的研究來提供理論支撐。本文是從均態尺度和變化尺度兩個尺度進行研究的，未對其他尺度下的降水指數進行綜合研究，還需要更多種尺度下的綜合研究，來提升研究的可靠性。本文研究區域內只有9個站點，研究時間為30 a，研究數據還不夠豐富，研究時間跨度相對較短，缺乏對該研究區域更廣泛、更長時間干旱變化的規律性研究。

參考文獻：

[1] 鄭遠長.全球自然災害概述[J].中國減災,2002,10(1):14-19.

[2] Heim R R. A review of twentieth-century drought indices used in the United States[J]. Bulletin of the american Meteorological Society, 2002,83(8):1149-1166.

[3] 王兆禮,李軍,黃澤勤,等.基于改進帕默爾干旱指數的中國氣象干旱時空演變分析[J].農業工程學報,2016,32(2):161-168.

[4] 明博,陶洪斌,王璞.基于標準化降水蒸散指數研究干旱對北京地區作物產量的影響[J].中國農業大學學報,2013,18(5):28-36.

[5] 楊書運,馬成澤,袁東海.江淮分水嶺地區干旱分析[J].中國農業氣象,2003,24(4):29-32.

[6] 袁媛,王心源,雷能忠,等.基于GIS的江淮分水嶺地區旱澇災害時空分析[J].水文,2007,27(6):36-38,49.

[7] 趙宗權,周亮廣.江淮分水嶺地區旱災風險評估[J].水土保持研究,2017,24(1):370-375.

[8] 侯威,張存杰,高歌.基于標準降水指數的多尺度疊加干旱監測指標及其等級劃分[J].干旱區研究,2013,30(1):74-88.

[9] 劉彤,閆天池.我國的主要氣象災害及其經濟損失[J].自然災害學報,2011,20(2):91-95.

[10] Parel N R, Chopra P, Dadhwal V K. Analyzing spatial patterns of meteorological drought using standardized precipitation index [J]. Meteorological Applications, 2007,14(4):329-336.

[11] 黃生志,黃強,王義民,等.基于SPI的渭河流域干旱特征演變研究[J].自然災害學報,2015,24(1):15-22.

[12] 郝秀平,張振偉,馬建琴,等.基于標準降水指數的河南省干旱時空演變規律分析[J].水電能源科學,2013,31(9):4-7.

[13] 李劍鋒,張強,陳曉宏,等.基于標準降水指標的新疆干旱特征演變[J].應用氣象學報,2012,23(3):322-330.

[14] 何福力,胡彩虹,王紀軍,等.基于標準化降水指數、徑流指數的黃河流域近50年氣象水文干旱演變分析[J].地理與地理信息科學,2015,31(3):69-75.

[15] Shannon C E. A mathematical theory of communication[J]. Bell System Technical Journal, 1948,27:379-433，623-659.

[16] 袁文平,周廣勝.標準化降水指標與Z指數在我國應用的對比分析[J].植物生態學報,2004,28(4):523-529.