遼寧省不同分區可利用降水量預報模型建立及其與干旱強度的分析

鐘 卓

(遼寧省本溪水文局，遼寧 本溪 117000)

大氣降水資源的不同分量中能被人們實際利用那部分降水資源量稱作為可利用降水量[1]。可利用降水量受到全球海平面海溫變化、氣壓場分布、大氣壓差、風速以及濕度場的多種因素的影響，不同區域其可利用降水量的分布和使用量有明顯差異[2]，因此需要對如何將多個影響因子和水文氣象因素進行相關性分析進行可利用降水量的預測[3]。目前，對于可利用降水量的分析取得一定的研究成果[4- 9]。阮翠冰[10]利用寧德市9個氣象觀測站氣象數據對寧德市可利用降水量進行分析，分析表明寧德市可利用降水量波動變化特征明顯，高峰值出現在6月，從地勢高的地方向地勢低的地方逐步遞減。王海科[11]利用加權馬爾科夫鏈預測模型，在西安市可利用降水量變化特征分析的基礎上進行預測，經過驗證模型計算誤差較小。彭嘉棟[12]利用洞庭湖區21個氣象站構建的1910—2013年數據，對洞庭湖區的可利用降水量進行計算，結果表明洞庭湖區域年、冬季及夏季可利用降水量存在明顯的突變增多特征點。田洪光[13]利用皮爾遜-Ⅲ型曲線對不同頻率年降水量的累計頻率進行計算。徐利崗[14]運用地統計方法、小波分析法及氣候趨勢系數等方法對寧夏近58年的可利用降水量進行空間和多尺度變化的分析。以上研究成果大都偏重于局部區域，缺少對省域可利用降水量的分析。遼寧省屬于北方地形水資源相對較為貧乏的區域，尤其是西部和北部地區，干旱頻發，可利用降水量對于域水資源規劃和利用、抗旱規劃十分重要。為此本文以遼寧為研究區域，結合區域水文、氣象數據，對全省不同分區的可利用降水量進行分析和預報，并分析其與干旱強度的相關性。

1 資料與方法

采用NOAA/OAR/ESRL提供的網格間距分別為5°×5°的1951—2018年的500hPa高度場及全球海平面氣壓場數據，采用國家氣候中心提高的1951—2018年的逐月氣溫數據，降水數據采用全省544個國家基本雨量站點的1951—2018年的逐月降水數據，采用P-M公式對全省64個蒸發站點的逐月潛在蒸發量進行計算。可利用降水量采用水量平衡方程進行計算：

W=P-E

(1)

式中，P—逐月降水量，mm；E—逐月潛在蒸發量，mm；W—逐月可利用降水量，mm。采用標準化距平場方法對可利用降水量W進行分析：

(2)

圖1 遼寧省多年平均降水量分布

可利用降水量的空間異常分布采用正交經驗函數進行分析，具體方法可詳見參考文獻[15]。500hPa高度場及全球海平面氣壓場的主分量的提取方法為主成分分析方法[16]。采用自回歸方程對不同分區的的可利用降水量的預報模型進行構建。

本文采用SPI指數分析區域的干旱強度，SPI指數對區域干旱時空變化特征可以進行有效反映，區域干旱強度的等級按照國家氣候中心指定的標準進行劃分，見表1。

表1 基于SPI指數的旱澇等級劃分

1.1 研究區域降雨、蒸發概況

遼寧省年降水量空間分布從東部高山丘陵到西部低山丘陵，降水呈遞減趨勢，東部多、西部少，中部及北部地區降水量級相近、區域特征相近。利用1956—2016年5—9月份逐旬、逐月降水量資料，進行遼寧省降水量區域劃分，如圖1所示。從全省來看，多年平均降水量呈東南向西北逐漸減小的趨勢，東南部地區降水量多在800mm以上，其中丹東市區、寬甸、鳳城一帶年降水量可達1100～1180mm。中北部地區多在800mm以下，至法庫、新民、盤山一帶減少為600mm左右。西部地區則多在600mm以下，到朝陽市和阜新市北部下降到450mm。遼寧省水面蒸發量分布特征是從東南到西北逐漸增加，呈現與降水量分布相反的特點。我省東部氣候濕潤度高，相對濕度達70%，年日照時數2400h左右，年蒸發量600～700mm；中部地區及半島南部，氣候半干燥，濕度偏低，年蒸發量在800～1000mm之間；遼寧西部，氣候干燥，相對濕度減少到約50%，年日照時數增長到2800～3000h，年蒸發量大多在1000～1100mm之間。

1.2 異常區分布結果

通過對選用的全省544個雨量站點數據進行標準化距平處理后，采用正交經驗函數對不同雨量站點可利用降水量異常區分布進行檢驗，若檢驗的異常區r值通過ra=0.325的檢驗水平時，則表明通過檢驗，為可利用降水量的異常區。通過分析遼寧省可利用降水量異常區的r檢驗值分布如圖2所示。

在檢驗r值分析時，當同一個雨量站點的被劃分不同的異常分布區時，需要分析r值的大小，將其劃分在r值較大的異常分布區。通過分析確定了遼寧省4個可利用降水量異常分布區，分別為東部的丹東和本溪地區、中部的沈陽和遼陽地區、西部的阜新和朝陽地區、北部的鐵嶺、康平及法庫地區。以西部阜新和朝陽地區為例，區域旋轉荷載分量主要位于朝陽的西北部以及阜新的北部，異常分布檢驗r值的高值區域均分布在這異常分布區。中心站點的最大r值可以達到0.59，這一區域屬于遼寧省典型的干旱半干旱區，夏季少雨且蒸發量較大，冬季降雪量夜較為偏少。區域水汽來源主要為東北冷渦和暖濕氣流綜合影響。

1.3 預報模型的構建

綜合考慮氣候、地理特征、社會經濟發展等綜合因素，對遼寧省4個可利用降水量異常區進行了預報模型的構建，各分區可利用降水量預報模型的影響因子及回歸方程見表2—3。

表2 遼寧省不同異常分區的可利用降水量影響因子

首先對前一年不同月份的初選因子確定，采用主成分分析方法對500hPa高度場、全球海平面高壓場進行分析，各因子前8個分向量累積主成分方差貢獻度達到80%以上，重要的降水信息均在這個幾個因子中得到集中，確定了16個初選因子。再通過單相關系數對其可信度a=0.05進行檢驗，序列樣本的分析長度為55，臨界相關系數ra=0.258，若檢驗r值高于該臨界相關系數，則表明預報對象和因子之間具有較好的相關度，則通過可信度檢驗，可再選因子通過相關檢驗方式進行確定。表2為確定的可再選因子，結合表2遼寧省不同異常分區可再選因子，建立可利用降水量和4個相關因子的回歸方程，見表3。

表3 遼寧省不同異常分區的可利用降水量回歸方程

1.4 預報模型的檢驗

在預報模型構建的基礎上，對不同異常分區可利用降水量的預報進行檢驗，檢驗因子和結果見表4。對遼寧省不同分區1955—2018年可利用降水量進行預報檢驗，相關性分析如圖3所示。并對其中的2010—2018年共8年的降水量進行試驗擬合預報的檢驗，試驗擬合預報檢驗結果見表4。

圖3 不同異常分區可利用降水量預報值和實際可利用降水量相關性分析結果

表4 遼寧省不同異常分區可利用降水量預報擬合分析成

以預報可利用降水量和實際計算的可利用降水之間進行相對誤差的計算，當擬合預報的相對誤差低于30%，則認為通過誤差檢驗，將檢驗的站點的誤差合格通過率占總的站點的數目的百分比定義為擬合預報合格比例。遼寧省可利用降水量各空間異常分布區單個相關因子通過結果見表4。從表中可分析出，西部阜新和朝陽地區、北部的撫順、康平及法庫地區通過誤差檢驗的因子相比于其他分區偏少，東部丹東和本溪地區通過檢驗的因子較多，表明遼寧西部和北部地區前一年各月份的全球海平面高壓場以及500hPa高度場的相關性較低。而東部以及中部兩個因子的相關性較高。從不同異常分區可利用降水量預報和實際降水量預報相關性分析結果可看出，不同異常分區可利用降水量預報值和實際可利用降水量均具有較好的相關性，各分區相關系數在0.5以上，滿足預報精度要求。東區相關性最高，北區相關性最低，各異常分布區在可利用降水量異常偏少或者偏多年份會出現較大的誤差，這主要受到前期挑選的相關因子和預報方式有關。

1.5 與干旱輕度的相關特征分析

采用Hurst指數[17]對遼寧省不同異常分區可利用降水量和干旱強度SPI值之間進行關聯度的分析，分析結果見表5。

表5 遼寧省各異常分區可利用降水量與干旱強度的Hurst指數分析結果

從遼寧省各異常分區可利用降水量與干旱強度的Hurst指數分析結果可看出，各異常分區不同季節干旱強度SPI值和可利用降水量的變化規律具有一定的相似特征，各異常分布區可利用降水量的年和季節尺度的Hurst分別在0.3152～0.4381之間，表明這兩個時間尺度下遼寧省各異常分布區的可利用降水量與過去具有相反的變化趨勢，即表明可利用降水量未來呈現遞增變化趨勢，冬季可利用降水量逐步遞減，春、秋、夏3個季節的可利用降水量與過去變化趨勢具有一致性，秋季變化最為顯著。各異常分布區年和夏季尺度的干旱強度的Hurst指數分析結果表明遼寧地區年和夏季干旱尺度與過去變化趨勢也具有相反的特征，干旱強度有所減弱，夏季輕旱變化趨勢有所增強，春、秋以及冬季干旱變化趨勢的有所增強，春季干旱強度有所遞減變化，秋季干旱強度增強，冬季變化呈遞增變化。未來一段時間內遼寧省各異常分布區春季可利用降水量將會持續有所增加，使得對應的春季干旱強度有所減弱，夏季和秋季可利用降水量依舊有所減少，對應的干旱強度將相應增加。冬季全省各異常分布區的可利用降水量可能減少，相應干旱強度對應增強變化。

2 結論

(1)遼寧省有4個可利用降水量異常分布區，分別為東部的丹東和本溪地區、中部的沈陽和遼陽地區、西部的阜新和朝陽地區、北部的鐵嶺、康平及法庫地區，其中西部和北部的可利用降水量與前一年各月份的全球海平面高壓場以及500hPa高度場的相關性較低。而東部以及中部兩個因子的相關性較高。

(2)未來一段時間內遼寧省各異常分布區春季可利用降水量將會持續有所增加，使得對應的春季干旱強度有所減弱，夏季和秋季可利用降水量依舊有所減少，對應的干旱強度將相應增加。冬季全省各異常分布區的可利用降水量可能減少，相應干旱強度對應增強變化。

(3)在進行短時間序列可利用降水量擬合時較易產生偏差，在以后的研究中需要考慮如何解決此類偏差問題，提高短時間序列可利用降水量的預測精度。