贵州省降水集散程度时空变化及其影响因素分析

张克新,王娟娟,彭娇婷,苏志华

(1.贵州财经大学 管理科学与工程学院,贵州 贵阳 550025;2.扬州大学 环境科学与工程学院,江苏 扬州 225127;3.扬州红硕环境与生物工程研究有限公司，江苏 扬州 225127)

0 引言

随着全球变暖，极端气候事件(干旱、洪涝、雪灾和高温等)发生的频率逐渐增多。已有研究表明：世界许多地区年降水天数呈减少趋势，而年总降水量却呈现出增加趋势[1-3]。年总降水量的增加主要表现在降水集中在某几日的强降水，或某一天的降水强度增加，容易导致洪涝自然灾害发生；降水量或者降水强度的增大也将更容易引起土壤侵蚀，导致植物生长环境发生改变，影响植被生长以及农作物产量[4]。因此，对降水年内分配均匀与否或者集中分散程度及其影响因素的研究逐渐受到关注[5-9]。目前，国内通常采用Zhang等[10]于2003年提出降水集中程度(PCD) 与降水集中期(PCP)的概念来评价与计算降水年内均匀分配与否的指标。国内学者对全国范围尺度[5-6,11]、区域尺度[7-9,12]的PCD和PCP进行了研究，如长江流域[7]、渭河流域[8]、西南地区[9]和山西[12]等地。国外学者对降水集中程度的研究普遍采用由Oliver[13]在1980提出，经过 De Luis[14]改进的降水集中指数(PCI)，学者们认为PCI值能更好地表征一年内降水的集中程度，且计算方法简单，也被国内外学者广泛应用[5,15-18]。段亚雯等[5]采用此方法计算了中国1961—2010年降水集中指数的变化特征，认为中国PCI的变化趋势呈现出由东南向西北逐渐递增的空间分布趋势，发现西南地区8—12月降水占全年降水的比例减少。虽然整体上中国降水集中指数呈现上述分布态势，但是降水量的区域差异性具有更大的不确定性[19]。因此，需要对区域降水或者降水集中程度的变化进行深入分析。

贵州省位于中国云贵高原东部，属于亚热带湿润季风气候，山区面积广大，地理环境复杂，气候多变，旱涝灾害频发，降水的年际和年代际变化差异很大[20]。以往研究中，关于贵州降水的研究有很多，但研究内容主要集中于降水的季节及年际变化方面，对于该区域降水的年内分配均匀程度(降水集中离散程度)的研究还是一个空白。为了解降水变化的区域差异和年内集中分散程度，基于1961—2017年贵州省降水的逐日、逐月观测数据，采用Oliver[13]降水集中度定义，对贵州省PCI的年际和季节变化特征进行分析，旨在揭示贵州省降水年内集中分散程度的差异性。同时，分析了海拔与PCI的相互关系，选取ENSO指数(MEI)以及南亚夏季风指数(SASMI)、南海夏季风指数(SCSSMI)和太平洋年代际振荡(PDO)等4个指数来分析海-气相互作用对研究区PCI的影响程度。研究以期对区域降水的年内变化规律进行全面科学认识，也为区域水资源的有效合理利用提供理论依据。

1 数据来源与研究方法

1.1 数据来源

选取贵州省19个气象站(图1)1961年1月1日至2017年12月31日的逐日降水数据和1961年1月到2017年12月的逐月降水数据，气象数据来自于国家气象科学数据中心(http://data.cma.cn/)。太平洋年代际振荡(PDO)数据取自http://jisao.washington.edu/pdo/PDO.latest；厄尔尼诺-南方涛动(ENSO) 指数采用多元ENSO指数[21](即MEI)，数据来自于http://www.cdc.noaa.gov/people/klaus.wolter/MEI/；南亚夏季风指数(SASMI)和南海夏季风指数(SCSSMI)逐月数据均来自于http://ljp.lasg.ac.cn/。

图1 研究区气象站点分布图Fig.1 Distribution map of meteorological stations in study area

1.2 研究方法

1.2.1 降水集中度(PCI)的计算

降水集中度(PCI)的计算采用Oliver[13]在1980提出的降水集中度定义，经过 De Luis 等[14]改进计算方法，定义如下：

(1)

(1)式中，pi为某站点i月降水量。通过某一年每月的降水量由公式(1)即可得出该年的PCI值；由(1)可知，若年降水量都集中在某一个月内，则该PCI值达到最高，为100；若年降水量较为均匀的分配在12个月内，则PCI值达到最小，约为8.3。此外，可以根据公式(1)年降水集中指数计算季节范围内(春季(3—5月)、夏季(6—8月)、秋季(9—11月)和冬季(12月至次年2月))的降水集中指数(SPCI)[16]，定义如下：

(2)

根据 Oliver[13]定义方法，当PCI(SPCI)<10时，表示某地区年降水量的月份分配较为均匀(即低集中度)；当10≤PCI<15时，表示该地区年内降水具有一定集中性(中集中度)；当 15≤PCI<20时，表示该地区年内降水量不规则分布(高集中度)；而当PCI≥20 时，则表示该地区年降水在年内的分配具有异常集中性，即降水量主要集中在某几个月内。

1.2.2 趋势分析

采用Mann-Kendall(M-K)秩次相关法来研究降水的时间变化趋势，M-K法的优点在于不需要样本遵从一定的分布，也不受少数异常值的干扰，更适合于水文气象等非正态分布的数据[19]。本文采用M-K法对各站的PCI值进行分析，得到各站相应的M-K统计量Z值，当Z的绝对值大于等于1.64、1.96、2.58时，表示分别通过了置信度α=0.1、0.05和0.01的显著性检验[22]；将各气象站1961—2017 年的PCI和SPCI值和采用M-K法计算得到各站点PCI值的变化趋势系数为参数，在ArcGIS10.2软件中用反距离加权插值(IDW)法进行插值，分析其空间变化特征。

1.2.3 相关性分析

采用交叉小波变换(XWT) 和小波相干变换(WTC) 分析年PCI值与PDO、ENSO、SASMI和SCSSMI之间的多时间尺度相关关系。交叉小波是将小波变换和交叉谱分析两种方法结合产生的一种新型信号分析技术[23-25]，该方法提供了两序列在视频空间中能量共振和协方差分布规律，可以从多时间尺度来研究两个时间序列在时频域中的相互关系。该方法可以揭示两序列在不同时段尺度上的相关性和一致性，并能再现时频空间中的相位关系。交叉小波变换能够揭示两个变量共同的高能量区以及位相关系，但当能量谱中存在强峰值时，交叉小波可能会产生误导性的结果。因此，需要对交叉小波变换中的小波能量进行标准化，从而得到小波相干谱，它可以度量两个变量之间的相关性。计算方法和程序参考已有研究[23-25]。

2 结果与分析

2.1 年降水集中度的年际变化趋势

研究选取各站点PCI的变化趋势系数及其1961—2017年平均值作为参数，绘制贵州省PCI值变化趋势空间分布图(图2)。研究区PCI值变化趋势空间差异明显(图2(a))，介于-0.17 ～ 0.26/10 a之间，中部地区安顺市多年PCI值变化趋势增加幅度最大(通过α=0.05的显著性检验)。从图2(a)可以看出，研究区PCI值的变化趋势从东北部到西南部逐渐增大，说明该地区东北部年降水分配有逐渐趋于集中的趋势，西南部年降水却呈现出逐渐趋于年内分配较为均匀(分散)的态势。此外，贵州省1961—2017年PCI值平均值范围在12.81～16.39之间(图2(b))，按Oliver[13]定义整个贵州省年降水属于中高度集中度；PCI平均值空间分布上呈现出西高东低的分布特点，最大值出现在贵州西部边缘。这可能与研究区海拔高度有关，研究区地势西高东低，西部海拔高度多在1 200～2 400 m，东部海拔在800 m以下，这与贵州省降水量的空间分布趋势东多西少的分布特征是一致的[26]。

图2 贵州省1961—2017年平均PCI值的变化趋势(a)及多年平均PCI值(b)的空间分布Fig.2 The spatial variation trend of average PCI values and its average values in Guizhou from 1961 to 2017

2.2 年降水集中度的年代际空间变化

在整个研究时段内(1961—2017年)，贵州省PCI值年代际变化也较为明显(图3)，PCI值在20世纪60年代到20世纪80年代间的空间变化基本一致(图3(a，b，c))，均呈现出西高东低的分布特点，且PCI值的变化不是很明显(在12～17之间)；在20世纪90年代，研究区高度集中度(PCI≥15)的区域范围有所增加(图3(d))，而中度集中度的区域(10≤PCI<15)范围变越小，也就是年降水不规则分布的趋势有所增加；2001—2017年，中度集中度的区域又有所增加(图3中的e)，但PCI值依然处于相对集中的范围内。总之，在年代际时间变化范围内，贵州省年PCI值均在中度集中度到高度集中度范围之间，相对高PCI值均出现在研究区西部地区，相对低值出现在东部和东南部地区，且贵州省1961—2017年内降水分配没有出现异常集中的情况，说明降水年内分配还是相对比较均匀的。

2.3 月降水集中度的空间变化

在季节范围内，1961—2017年，贵州省春季PCI值(SPCI)的范围在10.18～13.37之间(图4(a))，说明降水具有一定的集中性，属于中度集中度；空间上相对低值出现在研究区中东部地区。夏季PCI(SPCI)值范围在9.26～10.26之间(图4(b))，其PCI值均在10左右，表示该地区季节降水量的月分配程度较为均匀，属于低集中度，夏季西部降水均匀程度略高于西部地区。秋季PCI值范围在10.24～11.95之间(图4(c))，但空间上呈现出与夏季完全相反的分布趋势，于春季有相似的空间分布趋势，而高值的范围却要少很多。相对高值出现在研究区西部边缘，而相对低值出现在中东部地区，且降水依然有一定的集中性。冬季由于降水偏少(图4(d))，PCI值属于中度集中度(10≤PCI<15)的区域仅仅出现在西部和南部少数地区，冬季大多数地区的降水分配比较均匀。

图3 1961—2017年贵州省PCI年代际变化趋势空间分布Fig.3 Average values of the PCI across different decades in Guizhou from 1961 to 2017

图4 1961—2017年贵州省季节PCI值的空间分布Fig.4 Mean values of seasonal PCI (SPCI) in Guizhou during 1961—2017

2.4 海拔与降水集中度的相互关系

贵州省地势西高东低，东部海拔最低在800 m以下，中部海拔在800～1 200 m之间，西部海拔最高，在1 200～2 400 m之间，研究区内山脉交错，地形较为复杂。受地形影响，贵州省年降水PCI与海拔呈现出较好的线性关系(图5)，随着海拔的升高，PCI值呈现增大趋势，即随着研究区域内海拔升高，年降水越趋于集中，在地势较低区域，降水的年内分布较为均匀。根据Oliver[13]定义，在海拔1 000 m以下的范围内，研究区部分地区降水年内分配属于中度集中度；海拔高于1 000 m的区域，部分地区年降水量属于高度集中度范围内。由于本文选取的气象站点较少，对于海拔与PCI值的相关性及其发生原因还需要进一步研究。

图5 研究区海拔与降水集中度的相互关系Fig.5 Correlation between the PCI values and elevation in Guizhou

2.5 降水集中度与若干大气环流指数的相互关系

贵州省降水不仅受海拔影响，还受到大气环流影响[26]。研究采用交叉小波变换(XWT) 和小波相干变换(WTC)，分析年PCI值与PDO、ENSO、SASMI和SCSSMI之间的多时间尺度相关关系。交叉小波变换重点突出年PCI值变化与大气环流指数两组信号序列在时频域中高能量区的相互关系，而相干小波变换则重点揭示年PCI值变化与气候因子在时频域中低能量区的相互关系。交叉小波变换显示贵州省年降水集中度(PCI)与PDO、ENSO、SASMI和SCSSMI指数存在共振周期(图6(a，b，c，e))(所有图中粗黑线所包围的范围表示通过了α= 0.05显著性水平下的红噪声标准谱的检验；细黑线为影响锥曲线，在该曲线以外的功率谱由于受到边界效应的影响而不予考虑。箭头表示相对位相差，→表示两者同位相变化；←表示两者反位相变化；↑表示月降水量变化位相比PDO、ENSO、SASMI和SCSSMI变化位相提前90°，↓表示年PCI变化位相比PDO、ENSO、SASMI和SCSSMI变化位相落后90°)，只是在不同时域中的相关性存在明显差异。从图6(a)中可以看出，PDO与PCI的交叉小波功率谱高能量区分别在1986—1996年存在 3～6 a的共振周期(小波交叉功率谱相关性通过了显著性水平α= 0.05下的红色噪音标准谱检验)，且3～6 a的的周期平均相位角水平向右，也表示两者同位相变化。而PCI与ENSO的交叉小波功率谱(图6(b))在高能量区分别在1966—1970年、1974—1985年、1986—1990年和1989—2000年分别存在 2～3 a、5～6 a、4～5 a和3～7 a 的共振周期(这四个周期均通过显著性水平α= 0.05 下的红色噪音标准谱检验)，对于3～7 a 的共振周期，两者显示位相方向向下，表明两者在此域内变化位相落后90°。PCI与南亚夏季风指数(SASMI)在1961—1970年和1988—1994年分别存在2～3 a、3～5 a的共振周期(3～5 a通过显著性水平α= 0.05 下的红色噪音标准谱检验)(图6c)，在时频域中两者显示负位相关系，位相方向向左，表明两者在此域内有相对滞后性。从南海夏季风指数(SCSSMI)与PCI的交叉小波功率谱上图(图6(e))上可以看出，两者在1976—1982年、1986—2002年和1998—2002年分别存5～6 a、1～6 a、0～ 1a的共振周期(均通过显著性水平α= 0.05 下的红色噪音标准谱检验)，且各个周期存在期间的相位角均方向向左，表示两者反相位变化。

注：图a，b，c，e是交叉小波功率谱，图d和图f为相干小波功率谱。 图6 贵州省降水集中度(PCI)与PDO、ENSO、SASMI和SCSSMI的交叉小波功率谱、相干小波功率谱Fig.6 The cross wavelet transform and wavelet coherence of the PCI value and PDO,ENSO,SASMI and SCSSM

小波相干谱分析年PCI与大气环流指数在其波动不强烈时的遥相关特征(图6(d，f))，因PCI与PDO、ENSO之间的小波相干谱显示，两者没有共振周期，故图在此处省略。在图6(d)中看出年PCI与SASMI相干小波功率谱低能量区在1961—1970年、1972—1980年、1988—1996年和2008—2016年分别表现出2～3 a、0～2 a及4～5 a 且呈负位相的共振周期(其中4～5 a的共振周期通过了红标检验)。从年PCI与SCSSMI的小波相干功率谱在低能量区(图5(f))发现，在1964—1982年和1972—1980年存在4～6 a和8～10a的反相位共振周期，2000—2014年存在0～4 a的共振周期。

3 讨论

贵州省1961—2017年PCI值呈现出下降趋势，说明降水年内分配有逐渐均匀的趋势。研究区PCI的变化趋势从东北部到西南部逐渐增大，这说明该地区东北部年降水分配有逐渐趋于集中的趋势，西南部年降水呈现出逐渐趋于均匀的态势。PCI空间上呈现出和降水基本一致的分布趋势，即研究区西北部PCI呈下降趋势，东南部呈上升趋势。全球增暖背景下的季节性差异减小，这可能是导致贵州省降水的年内分配趋于均匀的一个原因。

大气环流指数对气温和降水的影响已被学术界公认并已取得许多研究成果，但由于气候系统的复杂性，使得大气环流指数对各地区气候的影响存在一定的区域差异性。因此研究对贵州省年PCI和大气环流指数(PDO、ENSO、SASMI和SCSSMI)的遥相关关系进行分析，将有助于进一步理解该区域降水和年PCI的变化特征。交叉小波变换和小波相干谱分析显示贵州省年PCI与ENSO、SASMI和SCSSMI存在共振周期(图6)，只是在不同时域中的相关性存在明显差异，这都说明大气环流指数是影响年PCI变化的重要因素之一，这也进一步表明探究大气环流指数与水资源体系的相互作用机制对区域水资源的科学管理具有重要意义。

4 结论

分析近57年来贵州省年PCI值，结论如下：

1)研究区PCI变化趋势空间差异明显，介于-0.17～0.26/10 a之间，中部地区安顺市多年PCI值变化趋势增加幅度最大。研究区PCI的变化趋势从东北部到西南部逐渐增大，这说明该地区东北部年降水分配有逐渐趋于集中的趋势，西南部年降水呈现出逐渐趋于均匀的态势。

2)在年代际范围内，贵州省年PCI值均在中度集中度到高度集中度范围之间，相对高PCI值均出现在研究区西部地区，相对低值出现在东部和东南部地区，且贵州省1961—2017年内降水分配没有出现异常集中的情况，说明降水年内分配相对比较均匀。

3)1961—2017年研究区春、夏、秋、冬四季PCI值(SPCI)范围均在9.0～13.37之间，说明降水具有一定的集中性，属于中度集中度，但SPCI在各个季节的空间差异较为明显。

4)海拔和大气环流是影响该区域降水的主要因素，海拔越高，PCI值越大，即随着海拔高度增加，降水越趋于相对集中的分布态势。交叉小波变换和小波相干谱分析表明贵州省年降水集中度与PDO、ENSO、SASMI和SCSSMI存在不同时间尺度的共振周期，但在不同时域中的相关性却存在一定的差异，说明大气环流指数是影响该区域年PCI变化的重要因素之一。