基于信息擴散理論的貴州省高溫分布特征及風險分析

段 瑩，龍 俐，胡欣欣

(1.貴州省生態氣象和衛星遙感中心，貴州 貴陽 550002；2.貴州省氣候中心，貴州 貴陽 550002；3.貴州省山地環境氣候研究所，貴州 貴陽 550002)

0 引言

近年來，在全球氣候變暖的背景下，極端天氣氣候事件發生頻繁，引發的氣象災害對國民經濟、生產生活造成了嚴重的影響。貴州地處云貴高原東部斜坡過渡帶，是典型的喀斯特山區，氣候類型屬中國亞熱帶高原季風濕潤氣候，山地氣候垂直分帶明顯。高溫主要出現在夏季，而夏季是農業生產關鍵時期，研究發現貴州省內每年均出現不同程度的夏旱[1]，如再遇高溫災害，生產生活和農業生產將會受到嚴重影響，防災減災已成為政府和氣象部門的重要工作。貴州省南部邊緣、東部及北部局地夏季高溫危害大、頻率高，災害評估已經成為決策氣象服務的重要內容，更好的了解貴州省高溫區域的風險規律，能夠為防災減災提供服務依據。目前高溫氣象災害問題已成為研究熱點，國內外已有不少關于高溫的時空分布規律及其他方面的相關研究[2-10]，省內對高溫氣象災害的風險分析研究還相對較少，張波等[11]研究了近50 a貴州省高溫日數的時空特征及變化趨勢，發現1961—2010年，貴州省極端高溫日數整體上呈現增加趨勢，對生產生活的影響日益明顯，但其資料年限只到2010年，有必要對近10 a的變化情況進行分析，且該文章僅對高溫特征進行分析，沒有涉及高溫風險分析。

高溫天氣事件本身是一種不確定性強、多因素影響的天氣事件，屬于不連續性的小樣本數據，無法利用傳統統計學方法得出穩定結果。隨著基于信息擴散理論的模糊數學處理方法[12]的提出，優化利用樣本模糊信息的集值化的模糊數學處理方法，可以彌補高溫樣本信息不足。目前，國內已有很多學者將信息擴散理論運用到災害風險評估中，并取得了較好的效果[13-20]，如吉莉等[20]基于信息擴散理論對重慶地區高溫風險進行分析，揭示了重慶高溫風險的統計特征和高溫風險分布變化規律。本研究將基于信息擴散理論描述貴州省高溫分布特征，對高溫災害危險性風險進行分析，以期為貴州防災減災以及高溫氣象災害風險區域劃分提供科學依據。

1 資料與方法

1.1 資料及指標

采用貴州省1961—2019年國家級氣象觀測站逐日最高氣溫資料進行分析。

高溫：日最高氣溫大于或等于某一限定值的現象[2]，本研究限定值為35.0 ℃。其中35.0～36.9 ℃為一般高溫，37.0～39.9 ℃為炎熱，≥40.0 ℃為酷熱。

連續高溫：連續多日(≥2)日最高氣溫大于或等于35.0 ℃的現象[3]。

連續高溫日數：連續高溫持續出現的天數。

1.2 分區

根據高溫的定義，將貴州省高溫易發區分為北部、東北部、東南部、南部4個區域，并在其中選擇近60 a單站高溫站次達到50次以上的38個國家級氣象觀測站作為分析對象(圖1)，各區代表測站分別是赤水、沿河、榕江、羅甸。

圖1 貴州省主要評估區域分區圖Fig.1 Guizhou province main assessment area partition map

1.3 風險評估方法

按照公式(1)～(6)，首先設定高溫指標域：U={u1,u2,…un}，將每個觀測樣本擴散到域中的所有點，對擴散后的樣本進行歸一化處理后得到隸屬函數的模糊子集，再進行概率的計算，超越概率值即為風險估計值。

(1)

(2)

(3)

(4)

(5)

(6)

式(1)中h為擴散系數，a、b分別為樣本的最小值和最大值，m為樣本數；(2)式中yj為單值樣本原值，ui為域值，Fj(ui)為模糊子集，該公式可將單值樣本yj所攜帶的信息擴散到域U中的所有點；(3)式中δyj(ui)表示了樣本yj的歸一化信息分布；(4)式中q(ui)為落在ui處的樣本個數，表示將yj均看做是樣本代表時，觀測值為ui的樣本個數為q(ui)個；(5)式中Q為ui點上樣本數的總和，P(ui)為落在ui處的概率估算值；(6)式中P(u≥ui)為風險估計值。

2 高溫區域特征分析

2.1 日最高氣溫

主要評估區域高溫初日除南部無冬區的冊亨和羅甸最早出現在2月外，其余大部分地區出現3—5月；終日除北部集中在8月外，其余大部分地區出現9—10月。整個評估區域高溫集中時段為4—9月(圖2)。

圖2 貴州省主要評估區域高溫(≥35.0 ℃)初終日年變化圖(1961—2019年)Fig.2 Guizhou province main assessment area the beginning and ending date of high temperature (35.0 ℃ or higher)annual variation map(1961—2019)

貴州省主要評估區域4—9月多年平均日最高氣溫變化趨勢如圖3所示，其中每個年代(10 a)的值用不同顏色展示(圖5同)，從20世紀60年代以來，整個區域總體呈較弱的上升趨勢；年際變化上看，60和70年代出現下降趨勢，80年代開始呈現持續上升趨勢。

圖3 貴州省主要高溫區域4—9月平均最高氣溫年變化圖(1961—2019年)Fig.3 Guizhou province main high temperature area average maximum temperature in April to September annual variation map(1961—2019)

平均最高氣溫標準值(1981—2010年)分布(圖4)表現為：最高氣溫除望謨、羅甸在30.0 ℃以上，桐梓、綏陽在26.0 ℃以下，其余大部在26.0～29.9 ℃。從不同分區情況來看，北區平均最高氣溫為4個區域中最低，大部在26～28 ℃；東北、東南區大部在26～30 ℃；南區則基本在28 ℃以上。

圖4 貴州省主要高溫區域4—9月平均最高氣溫(1981—2010年)分布圖Fig.4 Guizhou province main high temperature area average maximum temperature in April to September partition map(1981—2010)

2.2 高溫日數

貴州省主要評估區域高溫日數平均約為10.7 d，年際變化階段性特征顯著，除20世紀80年代和21世紀00年代呈現上升趨勢外，其余年代呈現下降趨勢，但總體呈上升趨勢(圖5)。從4—9月情況看，主要集中在7、8月，約占時段高溫日數的75%，尤以8月為最多(圖6)。

圖5 貴州省主要高溫區域4—9月年平均高溫日數變化圖(1961—2019年)Fig.5 Guizhou province main high temperature area annual mean high temperature days in April to September variation map(1961—2019)

圖6 貴州省主要高溫區域4—9月平均高溫日數月變化圖Fig.6 Guizhou province main high temperature area average high temperature days in April to September monthly variation map

從空間分布整體分布情況分析(圖7)，多年平均高溫日數沿河、赤水、碧江區、榕江、羅甸等地在20 d以上外，其余地區高溫日數為1～19 d。各分區平均高溫日數分布特征表現為：北區除赤水外，其余地區高溫日數均在10 d以下；東北區域平均高溫日數最多，大部區域在15 d左右，沿河超過25 d；東南區內南北差異明顯，北部以10 d以下為主，南部則超過20 d；南區除羅甸平均高溫日數在20 d以上外，其余大部在1～15 d范圍。

圖7 貴州省主要高溫區域4—9月多年平均高溫日數(1981—2010年)分布圖Fig.7 Guizhou province main high temperature area multi-year average high temperature days in April to September partition map(1981—2010)

2.3 極端高溫

主要評估區域中赤水、沿河極端最高氣溫達42.0 ℃以上，東北部大部和南部大部在40.0～42.0 ℃之間，桐梓、綏陽、湄潭、凱里、黎平、平塘等地在38.0 ℃以下，其余地區在38.0～40.0 ℃之間(圖8)。其中，北區除赤水外，其余大部在38 ℃左右；東北區極端高溫整體較高，大部地區在40 ℃以上；東南區整體在38～40 ℃之間；南區極端最高氣溫分布表現為西高東低形勢，東部在40 ℃以下，西部則大于40 ℃。1961年以來區域極端最高氣溫為43.2 ℃(2011年8月18日，赤水)。

圖8 貴州省主要高溫區域4—9月極端高溫分布圖Fig.8 Guizhou province main high temperature area extreme high-temperature in April to September partition map

從極端高溫氣候傾向率的變化來看(圖9)，除仁懷為-0.3 ℃/10 a，銅仁、思南略偏為負外，其余地區極端高溫呈維持—升高態勢，冊亨高達0.6 ℃/10 a。北區極端高溫變率整體最低，東北區、東南區變率在0.1～0.4 ℃/10 a，南區除冊亨升高趨勢較高外，區域地區在0.2 ℃/10 a左右。

圖9 貴州省主要高溫區域4—9月極端高溫變化趨勢分布圖(℃/10 a)Fig.9 Guizhou province main high temperature area extreme high-temperature variation tendency in April to September partition map(℃/1 0 years)

3 高溫風險分析

3.1 高溫

選取38個站點1961—2019年4—9月的逐日最高氣溫作為樣本，從5.0～44.0 ℃之間每間隔1.0 ℃作為一個控制點，共40個控制點，根據信息擴展理論方法，得到高溫度數的概率。選取赤水、沿河、榕江及羅甸分別作為北區、東北區、東南區及南區的代表站。利用4個區域的代表站概率繪制得到曲線圖，如圖10，代表站35.0 ℃以上的概率曲線均為單弧線型，根據分級標準，35.0 ℃≤T<37.0 ℃時風險概率值最大的是榕江，37.0 ℃≤T<40.0 ℃時風險概率值最大的是沿河，T≥40.0 ℃時風險概率值最大的是赤水。

圖10 各區代表站4—9月高溫度數概率曲線圖Fig.10 Districts represent station high temperature degree probability graph

根據自然斷點法繪制研究區域概率進行不同分級標準下的概率分布圖(圖11)。結果表明，一般高溫的風險值高值區主要分布在赤水河谷地帶、東北部大部、東南部的西南部和南部的羅甸等地；炎熱的風險值高值區主要分布在沿河、赤水、銅仁；酷熱的風險值高值區主要分布在赤水、沿河。各分區的情況上看，北區除赤水外，3個等級高溫風險均在低風險—次低風險，高溫風險整體最低，赤水高溫風險在次高—高，尤以酷熱風險最高；東北區高溫風險整體在次高—高，在4個區域中風險最高；東南區內一般高溫及炎熱風險南北差異明顯，南部風險高；南區羅甸一般高溫風險高，其他站點整體為中低風險。

圖11 貴州省主要高溫區域4—9月高溫風險等級分布圖Fig.11 Guizhou province main high temperature area high temperature risk degree in April to September partition map

3.2 高溫日數

選取38個站點1961—2019年最長連續高溫日數作為樣本，從0～31 d之間每間隔1 d作為一個控制點，共32個控制點，根據信息擴展理論方法，得到最長高溫日數的概率。利用4個區域的代表站概率繪制得到曲線圖，如圖12，各代表站的概率曲線出現多峰型，但幅度變化差異較大。羅甸連續高溫日數概率3 d達到峰值(0.208 3)，榕江連續高溫日數概率5 d達到峰值(0.132 2)，兩站連續高溫日數達15 d 以上的情況幾率很小；其余2個代表站連續高溫日數7 d左右達到峰值(赤水0.162 1，沿河0.096)。

圖12 各區代表站連續高溫日數概率曲線圖Fig.12 Districts represent station continuous high temperature days probability graph

對研究區域連續高溫日數≤5 d、6～10 d、11～15 d、16 d以上的概率進行統計，并根據自然斷點法繪制分布圖(圖13)。結果表明，區域內大部分地區連續高溫日數出現5 d以下的概率較大，除沿河外，連續高溫日數達16 d以上高風險值的幾率很小。從4個分區情況來看，北區除赤水外，為連續5 d以下高溫的高風險區，赤水連續高溫6～15 d風險較高；東北區連續高溫1～15 d的風險隨連續日數的增大而增大，其中沿河為連續10 d以上高溫的高風險區；東南區南北差異明顯，5 d以下連續高溫風險北高南低，6～15 d連續高溫風險則表現為南部次高風險，北部低風險；南區連續高溫風險除羅甸為6～10 d中等風險外，其余區域風險集中在5 d以下。

圖13 貴州省主要高溫區域4—9月高溫日數風險等級分布圖Fig.13 Guizhou province main high temperature area high temperature days risk degree in April to September partition map

4 小結

①通過高溫初終日的分析，貴州省主要高溫區域的高溫主要出現在4—9月。

②平均日最高氣溫總體呈上升趨勢，年際變化出現先降(20世紀60和70年代)后升(80年代至今)的階段性變化；平均年高溫日數為10.7 d，主要集中在7、8月(占75%)，以8月為最多；沿河、赤水、碧江區、榕江、羅甸等地在20 d以上，其余地區高溫日數為1～19 d，除20世紀80年代和21世紀00年代呈現上升趨勢外，其余年代呈現下降趨勢，但整體呈上升趨勢；極端高溫赤水(43.2 ℃)、沿河高達42.0 ℃以上，大部分地區在38.0～42.0 ℃之間，大部分地區極端高溫變化呈維持—升高，其中冊亨高達0.6 ℃/10 a。從不同分區情況來看，北區平均最高氣溫為4個區域中最低，東北、東南區次之，南區為最高；平均高溫日數分布特征表現為北區除赤水外整體高溫日數最少，東北區域平均高溫日數最多，東南區內南多北少差異明顯，南區羅甸高溫日數較多；東北區極端高溫整體較高，南區表現為西高東低形勢。

③ 4個代表站的高溫度數風險概率曲線均為單弧線型，一般高溫時風險概率值最大的是榕江，炎熱時風險概率值最大的是沿河，酷熱時風險概率值最大的是赤水。一般高溫的風險值高值區主要分布在赤水河谷地帶、東北部大部、東南部的西南部和南部的羅甸等地；炎熱的風險值高值區主要分布在沿河、赤水、銅仁；酷熱的風險值高值區主要分布在赤水、沿河。4個代表站的最長連續高溫日數風險概率曲線為多峰型，羅甸3 d達到峰值，榕江5 d達到峰值；赤水、沿河7 d達到峰值。大部分地區連續高溫日數出現5 d以下的概率較大，除沿河外，連續高溫日數達16 d以上高風險值的情況幾率很小。

④ 4個分區高溫風險情況上看，北區除赤水外，高溫風險整體最低，且連續高溫日數短；東北區高溫風險在4個區域中風險最高，連續高溫風險隨連續日數的增大而增大；東南區高溫風險呈南高北低態勢；南區除羅甸高溫風險較高外，其他站點整體為中低風險。

綜上所述，通過對研究區域的高溫分布特征分析以及采用信息擴散理論對高溫危險性進行風險分析，能夠總結出區域高溫的一些變化規律，對高溫監測指標的制定和氣候服務工作起到一定的指導性作用。