近45年安徽省極端連續降水事件的時空演變

閔俊杰 孫莉娟 黃進

摘要：依托安徽省77個氣象站點1973—2017年逐日降水資料及全省糧油作物產量數據，運用降水指標群評估極端連續降水事件的時空演變格局。結果顯示：（1） 基于各站點8種降水指數的多年均值，主成分分析表明安徽省連續降水的頻次和極值均呈現出顯著的南北梯度，高值區域主要集中在最南端;（2） 各站點不同類型降水指數與全省水災受災總面積的相關分析表明，持續5～6 d降雨事件的最大降水量（P5～6 d）是表征雨澇災害最有效的指標;（3） 基于主成分分析，安徽省大致可以劃分為4個呈現不同P5～6 d變化特征的子區域，分別為中部、北部、南部、西北部，其中南部地區2003年后P5～6 d增加趨勢較為強烈;（4） 糧油作物單產與P5～6 d存在著顯著的負相關性，尤其是安徽西北部P5～6 d對稻谷、花生和芝麻的單產波動有著更為顯著的指示作用。

關鍵詞：安徽省;極端連續降水;主成分分析;糧油作物;時空演變

中圖分類號： P426;S161.6? 文獻標志碼： A? 文章編號：1002-1302（2020）20-0301-07

我國幅員遼闊且地理跨度較大，降水分配呈現出明顯的季節和區域特性，因而探求不同區域降水的時空演變對掌握旱澇變化規律具有重要的指導意義[1]。安徽省地跨長江、淮河，作為全國重要的糧食產區，南北氣候條件差異大，水澇災害頻發，農業經濟損失嚴重[2]。聯合國政府間氣候變化專門委員會（IPCC）第4次評估報告指出，江淮流域極端降水事件在21世紀將加劇，其誘發的洪水和內澇將會給群眾的生命財產和公共基礎設施帶來重大影響[3]。因此，相關領域科研人員從降雨事件的頻次、雨量、極值等不同角度探求安徽省降水變化及其對農業影響的區域差異性[4-6]。相關研究表明，某時期內持續時間較長的降水事件是當地的洪澇災害形成的重要誘因，此外長歷時持續降水還會帶來低溫寡照和濕漬害等農業氣象災害[7-8]。診斷極端連續降水事件的變化趨勢已在我國廣西壯族自治區、甘肅省、湖南省、新疆維吾爾自治區、江蘇省等地區得到研究[9-13]。然而安徽省現有的研究對極端連續降水事件時空變化規律的探求還很薄弱。因此，筆者重點分析研究區不同持續時間連續降水事件的時空演變，并探討其對主要糧油作物產量波動的可能影響。

1 材料與方法

1.1 基本數據

降水資料來源于安徽省氣象局提供的77個氣象觀測站1973—2017年間的逐日降水數據，這77個站點的空間分布見圖1。此外，國家統計數據庫（http：//data.stats.gov.cn/）記錄了全省尺度1973—2017年間的水災受災面積，同時還提供了全省尺度水稻、小麥、玉米、花生、油菜、芝麻6種主要糧油作物1973—2017年間的單位面積產量（簡稱單產）數據。

1.2 極端連續降水指數的定義

參考現有研究，根據連續降水事件持續的時間，定義了8種極端連續降水指數（表1）。其中，連續降水事件的最短持續時間為1 d，且日降水量超過1 mm。

1.3 降水指數的時空分析方法

主成分分析常用于多指標綜合評價的數據降維，其作用于多樣本（站點）多指標構成的矩陣時，可以把有一定相關性的多個原始指標通過線性變換為另1組新的不相關的少量指標。新的指標按照方差依次遞減的順序排列，排第1位的指標稱為主成分1（PC1），依次類推[14]。主成分分析在識別氣候變量相似及分異性的區劃中也有廣泛應用，其作用于多樣本（站點）單一指標時間序列構成的矩陣時，新生成的若干主成分得分序列表征了研究區不同類型的年際變化，不同主成分在各站點原始序列的載荷可有效地用于空間尺度的氣候分區[15]。與此同時，“Mann-Kendall趨勢檢驗（M-K檢驗）”以及5年滑動平均處理用來診斷相關降水指數的變化特征，其中M-K檢驗提供度量值（Z）來判別時間序列變化趨勢是否顯著，若Z的絕對值大于1.96則認為趨勢顯著[16]。此外，借助集合經驗模態分析（ensemble empirical mode decomposition，簡稱EEMD）推求降水指數的主導周期，其可以有效地從離散無序的信號序列中提取各尺度趨勢分量，剝離出的有限本征模函數（intrinsic mode function，簡稱IMF）分量體現了基于不同時間尺度的原信號序列的局部特征[17-18]。

2 結果與分析

2.1 極端連續降水指數的空間分布

首先計算了安徽省各站點8種降水指數的多年均值，將其構建的8列（8個降水指標）×77行（77個站點）的矩陣導入統計軟件SPSS 19.0中的主成分分析模塊。從圖2-a可知，主成分1（PC1）的方差貢獻率超過了80%，且特征根均大于2，因此原指標群降維成的PC1這個新的綜合指標。SPSS基于原始指標和主成分的線性關系輸出的各站點主成分得分（PCS）通過ArcGIS 10的反距離權插值提煉出安徽省極端連續降水的空間分布格局。圖2-b中PCS呈現出顯著的由南向北遞減的梯度變化，表明南部不同歷時極端連續降水事件的頻次和極值均明顯高于其他區域，這主要是由安徽省典型的氣候南北過渡性和緯度地帶性所導致的[2，5]。

基于圖2-a中PCS的數值高低，全省劃分為4個不同氣候平均態的區域。從圖3中降水頻次來看，全省持續5～6 d降水事件年均發生頻次不足3次，而持續6 d以上降水事件的年均發生頻次不足1次。相比較安徽北部（區域A、B），南部地區（區域C、D）的長歷時連續降水事件的頻次明顯較高，特別是持續5～6 d降水事件的頻次超過了2次。從圖3中雨量貢獻率來看，安徽北部（區域A、B）降水主要集中在持續1～2 d降水事件，其貢獻了60%左右的降水量。而南部地區（區域C、D）持續3～4、5～6 d降水事件的貢獻率分別超過了30%、10%，最南部（區域D）持續6 d以上降水事件的水量貢獻率接近了10%。

2.2 連續降水指數的變化趨勢

對全省尺度連續降水指數的年際變化序列進行M-K趨勢檢驗分析。從圖4-a中頻次變化趨勢可以發現，除N1～2 d外，N3～4 d、N5～6 d、N>6 d 的檢驗Z值均小于0，但都沒有達到顯著性水平的閾值-1.96。相比較下，極值的變化趨勢較為顯著，其P1～2 d的增加趨勢通過了顯著性水平。圖4-b中站點尺度降水指數M-K檢驗結果與圖4-a基本吻合。在超過60%的站點上，除 N1～2 d 和P1～2 d外的其他6個降水指數均呈現出減少趨勢，但其中呈現顯著減少趨勢的站點不超過3個。總體而言，安徽省中長期連續降水事件的發生頻次與極值呈現出一定的的減弱趨勢。

2.3 關鍵降水指數的篩選

圖2中主成分分析結果反映了降水指數之間極強的共線性，指標群過于冗繁，因此簡化并篩選出關鍵指標有利于精準評估研究區雨災的時空變化。匯總了各站點某種類型降水指數與全省水災受災面積年際變化同步性的分析結果（表2），相關性越高，同步性越強，則該指標越能表征研究區的雨災變化。由此可以發現，無論是比較相關系數的均值還是呈顯著正相關性站點的數量，持續5～6 d降雨事件的最大降水量（P5～6 d）明顯優于其他降水指數，其對指示研究區水災具有較強的普適性，應作為關鍵指標進一步分析。

2.3 P5～6 d的時空演變

為了辨識關鍵水災指標P5～6 d年際變化的區域差異，將各站點P5～6 d逐年序列構建的77列（77個站點）×45行（45年）的矩陣導入統計軟件SPSS 19.0中進行主成分分析。圖5中前4個主成分特征根及累計方差貢獻率尤為突出，因而77個站點P5～6 d近45年的年際變化可識別出4種特征各異的典型變化模態。圖6中的載荷表征了不同模態與各站點P5-6d序列的相關性，可有效地將研究區劃分為與4個主成分相對應的子區域，分別為區域Ⅰ（中部）、區域Ⅱ（北部）、區域Ⅲ（南部）、區域Ⅳ（西北部）。

主成分得分序列直觀地表征了各子區域近45年P5～6 d演變過程（圖7）。從M-K檢驗結果來看，各序列1973—2017年間的變化趨勢均沒有通過顯著性檢驗，其中區域Ⅳ的P5～6 d下降趨勢較強。此外，各序列的5年滑動平均曲線進一步刻畫出了P5～6 d的波動與振蕩。從圖6可以看出，區域Ⅰ、Ⅱ、Ⅲ、Ⅳ的P5～6 d有著較明顯的年代際轉折，其中區域Ⅰ、Ⅱ、Ⅲ大致分別呈現出增加—減少—增加變化型，而區域Ⅳ呈現出增加—減少—增加—減少的變化型。值得關注的是2003年以后，安徽南部（區域Ⅲ）P5～6 d上升態勢較為顯著，而安徽西北部（區域Ⅳ）P5～6 d則呈現出顯著的下降態勢。20世紀90年代末以來全球海溫持續偏暖，西太平洋副熱帶高壓與南亞高壓偏強，其引發雨帶滯留于長江以北地區，進而導致安徽省降水變化異常的南北差異[19]。

為了進一步探究P5～6 d的周期性特征，對各子區域的PCS序列進行EEMD分解，其結果見表3。

總體而言，研究區P5～6 d的呈現出以2～3年為主周期的年際振蕩，體現在各分區PCS的IMF1分量的方差貢獻率均接近或超過了50%，所占比重最高。這與安徽省年、季節降水量Morlet小波分析的結果相接近，其存在著2～4年的振蕩周期[5]。此外，P5～6 d的次周期特征存在一定的區域差異，區域Ⅰ、Ⅱ、Ⅲ呈現出周期為5年的振蕩變化，其對應IMF2分量的方差貢獻率均高于IMF3、IMF4、IMF5;而區域IV則呈現出周期為15年的振蕩，其對應IMF3分量的方差貢獻率高于IMF2、IMF4、IMF5。

2.4 P5～6 d對糧油作物單產波動的潛在影響

為了剔除生產技術進步等非氣候要素對產量形成的影響[20]，采用一階差分法計算全省尺度6種主要糧油作物單產和各子區域PCS序列的相關系數（表4），以此來探求不同區域P5～6 d年際變化對糧油生產安全的可能作用。從表3可以看出，除玉米外，其他作物的單產均與PCS存在著顯著的負相關性。特別是稻谷、花生、芝麻單產與PCS4（表征區域Ⅳ的P5～6 d）的相關性分別達到了-0.500、-0.583、-0.489，此外小麥單產與PCS2（表征區域Ⅱ的P5～6 d）的相關性也達到了 -0.406，且這些相關性均通過了0.01顯著性水平檢驗。相比較而言，油菜籽單產與PCS的相關性較弱，只通過了005顯著性水平檢驗。鑒于此，安徽省稻谷、花生、芝麻、小麥這4種作物的種植對長歷時極端連續降水事件更為敏感，P5～6 d可以作為重要的農業氣象災害評估指標加以廣泛應用。總體而言，P5～6 d的年際變化對安徽省糧油作物單產波動有著顯著的指示作用，加強西北部（區域Ⅳ）這一重點區域 P5～6 d 的監測及預報，有利于降低雨澇災害帶來的農業損失。

3 結論

（1）本研究計算并提取了安徽省77個氣象站點的8種連續降水指數，主成分分析指出研究區不同歷時極端連續降水事件的頻次與極值均由南向北遞減。（2）各站點不同類型降水指數與全省水災受災總面積的相關分析指出持續5～6 d降雨事件的最大降水量（P5～6 d）可作為研究區表征雨澇災害的最優指標。（3）基于主成分分析，安徽可以劃分成中部、北部、南部、西北部這4個呈現不同P5～6 d年際變化特征的子區域，其中南部地區P5～6 d自2003年以來呈現出較為明顯的增加趨勢。（4）除玉米外，水稻、小麥、花生、油菜籽和芝麻的單產均與表征P5～6 d的PC3存在著顯著的負相關性，尤其是安徽西北部P5～6 d對水稻、花生和芝麻的單產波動有著更為顯著的指示作用。

參考文獻：

[1]曾 燕，譚云娟，邱新法，等. 我國十大流域不同等級降水的變化趨勢分析[J]. 江蘇農業科學，2017，45（14）：189-195.

[2]丁建隆，汪海歐，董召榮，等. 1960—2013年安徽極端降水特征研究[J]. 干旱氣象，2016，34（2）：252-260.

[3]王 靜，余錦華，何俊琦. 江淮地區極端降水特征及其變化趨勢的研究[J]. 氣候與環境研究，2015，20（1）：80-88.

[4]謝五三，田 紅. 近50年安徽省暴雨氣候特征[J]. 氣象科技，2011，39（2）：160-164.

[5]聶 兵，沈 非，徐光來，等. 安徽省近50年降水時空變化分析[J]. 安徽師范大學學報（自然科學版），2017，40（6）：574-579.

[6]付 偉，司紅君，程 智，等. 安徽省極端降水事件的時空分布特征及其對農業生產的動態影響分析[J]. 中國農學通報，2017，33（15）：117-123.

[7]黃榮輝，陳 棟，劉 永. 中國長江流域洪澇災害和持續性暴雨的發生特征及成因[J]. 成都信息工程學院學報，2012，27（1）：1-19.

[8]吳洪顏，曹 璐，李 娟，等. 長江中下游冬小麥春季濕漬害災損風險評估[J]. 長江流域資源與環境，2016，25（8）：1279-1285.

[9]孫桂凱，佘 璇，高 沫，等. 廣西極端連續降水變化趨勢及周期性研究[J]. 水電能源科學，2018，36（2）：6-9，19.

[10]李小亞，張 勃. 河西地區最大連續降水事件的時空變化特征[J]. 水土保持通報，2013，33（2）：43-48.

[11]張劍明，廖玉芳，段麗潔，等. 湖南近50年極端連續降水的氣候變化趨勢[J]. 地理研究，2012，31（6）：1004-1015.

[12]李劍鋒，張 強，白云崗，等. 新疆地區最大連續降水事件時空變化特征[J]. 地理學報，2012，67（3）：312-320.

[13]徐 陽，孫莉娟，黃 進，等. 江蘇省單季稻生育期內連續降水事件的時空變化[J]. 江西農業學報，2018，30（5）：89-93.

[14]張 泰，張 莉，彭佳紅. 基于主成分與支持向量機的邵陽縣煙草產量預測[J]. 中國農學通報，2019，35（13）：152-156.

[15]李 斌，李麗娟，李海濱，等. 瀾滄江流域干旱變化的時空特征[J]. 農業工程學報，2011，27（5）：87-92，393.

[16]任婧宇，趙俊俠，馬紅斌，等. 2015—2100年黃土高原四季氣候變化的時空分布趨勢預測[J]. 水土保持通報，2019，39（5）：262-271.

[17]趙雪花，桑宇婷，祝雪萍.基于CEEMD-GRNN組合模型的月徑流預測方法[J]. 人民長江，2019，50（4）：117-123，141.

[18]劉曉瓊，吳澤洲，劉彥隨，等. 1960—2015年青海三江源地區降水時空特征[J]. 地理學報，2019，74（9）：1803-1820.

[19]李淑萍，侯 威，封泰晨. 近52年長江中下游地區夏季年代際尺度干濕變化及其環流演變分析[J]. 大氣科學，2015，39（5）：885-900.

[20]王 柳，熊 偉，溫小樂，等. 溫度降水等氣候因子變化對中國玉米產量的影響[J]. 農業工程學報，2014，30（21）：138-146.郭玉婷，李文韜，吳名杰，等. 海南島高溫日數時空分布特征及其對雙季稻的影響[J]. 江蘇農業科學，2020，48（20）：308-312，332.