2022, Vol. 42
近年，黄河流域干旱和洪水等极端气候日益频繁，极大影响了居民的生活环境。为保证黄河流域生态的可持续发展，深入研究黄河流域陆地水储量变化对揭示极端气候事件时空演变规律具有重要意义。
GRACE重力卫星通过测量地球时变重力场信号，获得全球每月陆地水储量变化[1]，具有数据获取效率高、观测重复及尺度统一、分布均匀等优点，在大范围陆地水储量反演与极端气候监测方面有很多应用[2-11]，但关于黄河流域极端性气候的研究较少。本文以黄河流域为研究区域，基于GRACE/GRACE-FO数据分析2004~2021年陆地水储量变化，同时构建干旱指数模型和洪水因子模型，以监测研究区极端气候事件，为黄河流域水资源管理和极端气候风险评估提供可靠依据。
1 数据来源与研究方法 1.1 数据来源1) GRACE/GRACE-FO数据。本文采用CSR提供的GRACE mascon数据对黄河流域陆地水储量进行反演分析，时间跨度为2004-01~2021-07共计211个月，时间分辨率为1个月，空间分辨率为0.25°。GRACE mascon数据在反演时可直接将地表质量迁移作为参数引入观测方程进行求解，不需要进行额外的滤波及信号恢复[12]。数据处理过程中采用卫星激光测距(SLR)数据解算的C20项和C30项，分别替换GRACE/GRACE-FO数据的C20项及GRACE-FO数据的C30项[13]。
2) GLDAS数据。本文采用的水文模型是基于GLDAS-noah模型对黄河流域地表水储量进行反演的研究成果，模型模拟2004-01~2021-07的4层土壤水及积雪水之和作为地表水储量结果，时间分辨率为1个月，空间分辨率为0.25°[14]。
3) GPM数据。GPM是NASA和JAXA利用多传感器多卫星多算法，结合卫星网络和雨量计反演得到的具有更高精度的降水数据，空间分辨率为0.1°，时间分辨率为1个月。为与GRACE数据进行比较，将GPM数据空间分辨率重采样为0.25°[15]。
1.2 洪水因子模型本文洪水因子模型是基于黄河流域容纳洪水的潜力量来进行洪水事件监测的。洪水潜力量为：
| $ F(t)=P_{\mathrm{MON}}(t)-S_{\mathrm{DEF}}(t) $ | (1) |
对其进行归一化处理得到洪水因子：
| $ \mathrm{FPI}_i=\frac{F(t)-F(t)_{\min }}{F(t)_{\max }} $ | (2) |
当洪水因子值越接近1时，表明区域内容纳洪水的能力越弱，发生洪水的可能性越大。
| $ S_{\mathrm{DEF}}(t)=S_{\max }-S(t) $ | (3) |
| $ S(t)=a \times S(t-\tau)+b \times S(t-12) $ | (4) |
| $ P_{\mathrm{MON}}(t)=c \times P_{\mathrm{MON}}(t-\tau)+d \times P_{\mathrm{MON}}(t-12) $ | (5) |
式中，F(t)为洪水潜力量；PMON(t)为月降水量；FPIi为洪水因子；SDEF(t)为水储量能力；S(t)为t时刻的水储量变化；τ为前置时间；S(t－12)为前1 a相同月份的水储量变化；Smax为最大水储量能力；a、b、c、d为未知参数，通过前期水储量变化确定数值后，即可利用前期数据对当前月份进行计算。
为确定前置时间τ，本文通过选取τ＝1~11进行多项式最小二乘拟合，获取未知参数值。当标准差(STD)最小时，即为最佳前置时间。标准差用以衡量数据值偏离算术平均值的程度，其值越小，数值偏离平均值就越少，即标准差最小更能反映所选前置时间为最佳前置时间。
由表 1(单位cm)可知，当τ＝9时STD(S(t))最小，STD(PMON(t))与最小标准差接近，本文后续研究均选取τ＝9。
|
表 1 τ＝1~11的S(t)和PMON(t)标准差值 Tab. 1 τ＝1~11 of S(t) and PMON(t) standard deviation |
本文采用冉艳红等[8]构建的干旱指数模型对干旱事件强度进行量化，具体公式为：
| $ \mathrm{GEACE}-\mathrm{DSI}_{i, j}=\frac{\mathrm{TWSA}_{i, j}-\overline{\mathrm{TWSA}_j}}{\sigma_j} $ | (6) |
式中，GRACE-DSI为干旱指数；i表示年；j表示月；TWSAi, j表示i年j月的陆地水储量变化；
|
|
表 2 GRACE-DSI干旱等级分级标准 Tab. 2 GRACE-DSI drought classification standard |
将黄河流域2004-01~2021-07陆地水储量变化、地表水储量变化及降水时间序列进行对比，结果如图 1所示，图中蓝色折线为陆地水储量变化，绿色折线为地表水储量变化，红色柱状为月降水数据。结果显示，陆地水储量、地表水储量及降水年变化趋势分别为－0.56 cm/a、0.14 cm/a及0.54 mm/a，降水与地表水都呈上升趋势，表明降水是影响黄河流域地表水储量变化的主要因素之一；陆地水储量变化在整个时段表现为减少趋势，这可能是因为此时段内黄河流域工业用水、农业灌溉用水等地下水开采行为增加，地下水被严重消耗，导致陆地水储量呈下降趋势。此外，陆地水储量变化的极小值出现在2016-06(－11.48 cm/a)，与降水数据进行对比发现，2016-03~06降水量从193.3 mm减至131.1 mm，降水急剧减少，导致该时段出现严重干旱，地下水消耗严重。2016-06之后陆地水、地表水及降水年变化趋势分别为0.16 cm/a、1.32 cm/a及1.29 mm/a，可以看出，陆地水未持续下降，反而呈略微上升趋势，可能是因为黄河流域实行了严格的水资源管理制度，为水资源保护工作提供了有力支撑[16]；而地表水与陆地水出现较大差异可能是因为降水导致地表水增多，但降水量变化较小，不足以补充前期亏空的地下水，导致地下水储量呈持续低位状态。
|
图 1 GRACE和GLDAS反演结果与降水量对比 Fig. 1 Comparison between GRACE and GLDAS inversion results and precipitation |
图 2为陆地水储量每年同月份均值变化，可以看出，黄河流域陆地水储量的季节周期性变化显著，夏秋季出现峰值，此时水储量处于盈余状态，极大值为2.27 cm/a；春冬季出现谷值，此时水储量处于亏损状态，极小值为－1.28 cm/a。
|
图 2 黄河流域陆地水储量年内变化 Fig. 2 Annual variation of water reserves in the Yellow river basin |
经最小二乘拟合得到黄河流域陆地水储量年变化趋势空间分布(图 3)，可以看出，陆地水储量年变化趋势具有明显的地域性，在西部区域呈上升趋势，东部区域呈下降趋势，极大值为0.6 cm/a，极小值为－1.5 cm/a；地表水储量年变化趋势也表现出明显的地域性，在西南部区域及东北部区域呈上升趋势，东南部区域呈下降趋势，极大值为1.5 cm/a，极小值为－1.5 cm/a。图 4为降水年变化趋势空间分布，由图可知，黄河流域降水空间分布与地表水年变化空间分布极为相似，两者相关性较强，皆表现为西南部区域和东北部区域呈上升趋势，东南部区域呈下降趋势特征。
|
图 3 GRACE陆地水储量和GLDAS地表水储量年变化趋势空间分布 Fig. 3 Spatial distribution of GRACE land water reserves and GLDAS surface water reserves |
|
图 4 降雨年变化趋势空间分布 Fig. 4 Annual variation trend of rainfall |
对比图 3(a)和4可知，在东部区域降水增加的情况下，黄河流域陆地水储量反而减少。这是因为黄河流域由西向东人口密度逐渐增加，工农业逐渐发达，导致东部区域地下水开采严重，另外反演结果可能受东部山西地区煤矿开采干扰，陆地水储量减少。由此表明，降雨是影响黄河流域陆地水储量变化的重要因素，但非唯一因素。
3 极端气候 3.1 干旱风险性分析黄河流域地处干旱-半干旱地区，水资源条件先天不足，流域内极端气候频发，严重影响工农业生产和城市化发展[17]。因此本文基于GRACE陆地水储量变化对黄河流域发生的极端气候进行风险性分析，为黄河流域的水资源管理提供可靠依据。图 5为2004-01~2021-07黄河流域干旱指数时间序列，可以看出，干旱指数分布极不规律，极小值为－1.93，极大值为2.15。黄河流域在2015年以前干旱指数较大，表明干旱事件较少发生，且强度不高；2015年后干旱指数明显降低，表明2015年发生了大尺度干旱事件，导致陆地水储量大量减少，而后续水储量补给不足，此后干旱指数一直呈较低状态。本文根据干旱指数模型对黄河流域各地区干旱事件次数及等级进行统计，结果见表 3。由表可知，黄河流域在不同时段内发生多次极度干旱事件，干旱范围覆盖青海、陕西、甘肃等地，其中以青海地区干旱事件次数最多，陕西地区干旱事件强度最高。
|
图 5 GRACE-DSI干旱指数时间序列 Fig. 5 GRACE-DSI drought index time series |
|
|
表 3 黄河流域各省干旱事件次数统计 Tab. 3 Statistics of drought events in each province of the Yellow river basin |
为验证干旱指数模型探测干旱事件的准确性，选取表 3中强度最高的干旱事件进行分析，即2015-08陕西地区极度干旱事件(干旱指数为－2.75)。据统计，黄河流域2013年降雨量为1 760.63 mm，2014年降雨量为1 818.87 mm，2015年降雨量为1 684.52 mm，2016年降雨量为1 797.51 mm，其中2015年的降雨量明显低于其他年份，而降雨量的降低很大程度上会导致干旱事件的发生。将干旱指数空间分布(图 6(a))和降雨空间分布(图 6(b))进行对比，并利用国家气候中心发布的全国干旱综合监测图(图 7)进行验证。结果显示，2015-08黄河流域东南部和北部地区呈现大面积干旱，干旱等级最高为极度干旱，干旱指数达－2.75；降雨分布呈现东南部和北部减少，西南部及中部增多的趋势；降雨严重减少的地区，相应的干旱程度明显增加，说明干旱事件的发生与降雨量有很大关系。干旱指数观测结果与实际观测结果较为吻合，表明干旱指数模型能较好地监测干旱事件。
|
图 6 2015-08干旱指数和降雨空间分布 Fig. 6 Spatial distribution of drought index and rainfall in August 2015 |
|
图 7 2015-08月全国干旱综合监测图 Fig. 7 National comprehensive drought monitoring map in August 2015 |
图 8为2004-01~2021-07黄河流域洪水因子时间序列，图中虚线方框为洪水因子异常情况，洪水因子值越接近1表明发生洪水的概率越大。可以看出，洪水因子在夏季和秋季雨水丰沛时最大，春季和冬季降雨减少时最小。为更好地统计研究时段黄河流域发生洪水事件的次数，设置洪水因子阈值为0.6，超过该阈值则表示发生洪水[10, 18]。表 4为2004-01~2021-07黄河流域各地区洪水事件次数统计结果，由表可知，洪水在黄河流域中部及东南地区发生次数较多，山西地区洪水事件发生次数最多。
|
图 8 洪水因子时间序列 Fig. 8 Flood factor time series |
|
|
表 4 黄河流域各省洪水事件次数统计 Tab. 4 Statistics of flood events in each province of the Yellow river basin |
为确定洪水因子模型监测洪水事件的准确性，依据国家气候中心公布的洪水事件，结合洪水因子异常情况，对黄河流域不同时间、不同地区的部分洪水事件进行洪水因子统计，结果见表 5。由表可知，洪水因子模型准确探测到黄河流域发生的多次洪水事件，洪水因子均超过0.6，证明洪水因子模型能很好地监测黄河流域洪水事件。
|
|
表 5 黄河流域部分洪水事件及洪水因子 Tab. 5 Some flood events and flood factors in the Yellow river basin |
为研究近期黄河流域陆地水储量变化和相应的水储量能力及洪水事件发生时的降水特征、洪水因子变化情况等，选取2021-07河南地区洪水事件进行分析。图 9(a)为2021-07河南地区陆地水储量变化趋势，图 9(b)为2021-07河南地区降雨空间分布。可以看出，河南地区陆地水储量及降雨分布呈区域性变化：河南北部区域陆地水储量变化最大(－44.51 cm/a)，南部区域变化最小(3.36 cm/a)；降雨量在北部区域变化最大(224.48 mm/a)，南部区域降雨量变化最小(131.42 mm/a)。当水储量和降水量在相同区域的变化差异过大时，就有很大概率发生洪水事件，但仍需结合洪水因子对黄河流域水储量能力进行深入分析。
|
图 9 河南陆地水储量和降水量空间分布 Fig. 9 Spatial distribution of land water reserves and precipitation in Henan province |
图 10(a)为水储量能力空间分布，为移除区域差异，对水储量能力进行归一化。可以看出，2021-07河南地区水储量能力值都接近于零，表明水储量能力很小，而降雨空间分布(图 9(b))则显示此时河南区域降雨量很大。当水储量能力很小而降雨量很大时，洪水事件发生的可能性大大增强。
|
图 10 水储量能力和洪水因子空间分布 Fig. 10 Water storage capacity and spatial distribution of flood factors |
为保证实验结果的准确性，将洪水因子空间分布(图 10(b))与国家气候中心发布的全国主要气象灾害分布图(图 11)进行比对。结果显示，河南地区洪水因子指数最高达0.94，洪水事件发生的可能性极大；全国主要气象灾害分布图显示，河南地区在2021-07遭受极端洪涝灾害。综上可知，洪水因子模型从时间和空间角度都真实地反映了河南地区发生的洪水事件，且与实际情况相符，表明洪水因子模型可以对流域内洪水事件进行较好的监测。
|
图 11 全国主要气象灾害分布图 Fig. 11 Distribution map of major meteorological disasters in China |
本文基于2004~2021年GRACE/GRACE-FO重力卫星数据，分析了黄河流域陆地水储量时空变化情况，并在此基础上构建了干旱指数模型及洪水因子模型，用于分析流域内的极端气候事件。实验结论如下：
1) 2004~2021年黄河流域陆地水储量以0.56 cm/a的速度减少，季节周期性变化特征明显，在春季和冬季呈亏损状态，夏季和秋季呈盈余状态；
2) 干旱指数模型准确监测到研究时段黄河流域多场干旱事件的发生，其中极度干旱事件发生22次，重度干旱事件发生37次，干旱事件范围覆盖整个黄河流域；
3) 洪水因子模型精准监测到研究时段黄河流域共发生洪水事件118次，其中大多发生在夏秋季雨水较为丰沛时期，期间黄河流域陆地水储量较弱，且降雨量增多。
本文利用GRACE/GRACE-FO重力卫星数据构建的干旱指数模型和洪水因子模型监测到的气象结果与实际气象观测结果较为符合，从时间和空间角度真实反映了黄河流域发生的多次极端气候事件，可为研究极端气候提供有利工具。
| [1] |
段建宾, 钟敏, 闫昊明, 等. 利用重力卫星观测资料解算中国大陆水储量变化[J]. 大地测量与地球动力学, 2007, 27(3): 68-71 (Duan Jianbin, Zhong Min, Yan Haoming, et al. Recovery of Land Water Storage Variations in Chinese Mainland by Use of Grace Data[J]. Journal of Geodesy and Geodynamics, 2007, 27(3): 68-71 DOI:10.3969/j.issn.1671-5942.2007.03.015)
(  0) |
| [2] |
Feng W, Zhong M, Lemoine J M, et al. Evaluation of Groundwater Depletion in North China Using the Gravity Recovery and Climate Experiment(GRACE) Data and Ground-Based Measurements[J]. Water Resources Research, 2013, 49(4): 2 110-2 118 DOI:10.1002/wrcr.20192
( 0) |
| [3] |
Joodaki G, Wahr J, Swenson S. Estimating the Human Contribution to Groundwater Depletion in the Middle East, from GRACE Data, Land Surface Models, and Well Observations[J]. Water Resources Research, 2014, 50(3): 2 679-2 692 DOI:10.1002/2013WR014633
( 0) |
| [4] |
吴云龙, 李辉, 邹正波, 等. 基于Forward-Modeling方法的黑河流域水储量变化特征研究[J]. 地球物理学报, 2015, 58(10): 3 507-3 516 (Wu Yunlong, Li Hui, Zou Zhengbo, et al. Investigation of Water Storage Variation in the Heihe River Using the Forward-Modeling Method[J]. Chinese Journal of Geophysics, 2015, 58(10): 3 507-3 516)
( 0) |
| [5] |
冯伟, 王长青, 穆大鹏, 等. 基于GRACE的空间约束方法监测华北平原地下水储量变化[J]. 地球物理学报, 2017, 60(5): 1 630-1 642 (Feng Wei, Wang Changqing, Mu Dapeng, et al. Groundwater Storage Variations in the North China Plain from GRACE with Spatial Constraints[J]. Chinese Journal of Geophysics, 2017, 60(5): 1 630-1 642)
( 0) |
| [6] |
Chen J L, Wilson C R, Tapley B D, et al. 2005 Drought Event in the Amazon River Basin as Measured by GRACE and Estimated by Climate Models[J]. Journal of Geophysical Research Atmospheres, 2009, 114(B5)
( 0) |
| [7] |
Zhao M, Geruo A, Velicogna I, et al. A Global Gridded Dataset of GRACE Drought Severity Index for 2002-14: Comparison with PDSI and SPEI and a Case Study of the Australia Millennium Drought[J]. Journal of Hydrometeorology, 2017, 18(8): 2 117-2 129 DOI:10.1175/JHM-D-16-0182.1
( 0) |
| [8] |
冉艳红, 钟敏, 陈威, 等. 利用GRACE-FO重力卫星探测2019年长江中下游极端干旱[J]. 科学通报, 2021, 66(1): 107-117 (Ran Yanhong, Zhong Min, Chen Wei, et al. Monitoring the Extreme Drought in the Middle and Lower Reaches of the Yangtze River in 2019 from GRACE-FO Satellites[J]. Chinese Science Bulletin, 2021, 66(1): 107-117)
( 0) |
| [9] |
Reager J T, Thomas B F, Famiglietti J S. River Basin Flood Potential Inferred Using GRACE Gravity Observations at Several Months Lead Time[J]. Nature Geoscience, 2014, 7(8): 588-592 DOI:10.1038/ngeo2203
( 0) |
| [10] |
王正涛, 超能芳, 姜卫平, 等. 联合GRACE与TRMM探测阿富汗水储量能力及其发生洪水的可能性[J]. 武汉大学学报: 信息科学版, 2016, 41(1): 58-65 (Wang Zhengtao, Chao Nengfang, Jiang Weiping, et al. Combination GRACE and TRMM Estimate of Water Storage Capacity and Flood Potential in Afghanistan[J]. Geomatics and Information Science of Wuhan University, 2016, 41(1): 58-65)
( 0) |
| [11] |
Xiong J H, Guo S L, Yin J B, et al. Using the Global Hydrodynamic Model and GRACE Follow-on Data to Access the 2020 Catastrophic Flood in Yangtze River Basin[J]. Remote Sensing, 2021, 13(15): 3 023 DOI:10.3390/rs13153023
( 0) |
| [12] |
杨飞, 张成业, 李军, 等. 基于GRACE的黄河流域陆地水储量时空变化研究[J]. 煤田地质与勘探, 2022, 52(4): 106-112 (Yang Fei, Zhang Chengye, Li Jun, et al. Temporal and Spatial Changes of Terrestrial Water Storage in Yellow River Basin Based on GRACE[J]. Coal Geology and Exploration, 2022, 52(4): 106-112)
( 0) |
| [13] |
郭飞霄, 谷延超, 崔阳, 等. 联合GPS和GRACE数据分析陕甘宁地区地表垂直形变[J]. 大地测量与地球动力学, 2020, 40(7): 697-703 (Guo Feixiao, Gu Yanchao, Cui Yang, et al. Analysis of Vertical Deformation in Shaanxi-Gansu-Ningxia Area by GPS and GRACE Data[J]. Journal of Geodesy and Geodynamics, 2020, 40(7): 697-703)
( 0) |
| [14] |
张璐, 江善虎, 任立良, 等. 基于GRACE数据监测黄河流域陆地水储量变化[J]. 人民黄河, 2020, 42(4): 47-51 (Zhang Lu, Jiang Shanhu, Ren Liliang, et al. Exploreand Analysis Variation of the Terrestrial Water Storage in Yellow River Basin Based on GRACE Data[J]. Yellow River, 2020, 42(4): 47-51)
( 0) |
| [15] |
王杰龙, 陈义. 利用GRACE时变重力场数据监测长江流域干旱[J]. 大地测量与地球动力学, 2021, 41(2): 196-200 (Wang Jielong, Chen Yi. Drought Detection over Yangtze River Basin from GRACE Time-Variable Gravity Data[J]. Journal of Geodesy and Geodynamics, 2021, 41(2): 196-200)
( 0) |
| [16] |
本报采访组. 坚持五大发展理念为流域水安全保障提供支撑[N]. 黄河报, 2016-03-03 (Our interview group. Adhere to the five development concepts and provide water for the basin Provide support for security[N]. Yellow River News, 2016-03-03)
( 0) |
| [17] |
孙扬波, 孙凤, 刘吉峰, 等. 黄河流域应对气候变化的需求分析[J]. 人民黄河, 2009, 31(4): 16-18 (Sun Yangbo, Sun Feng, Liu Jifeng, et al. Analysis on Demand of Climate Change Responded by the Yellow River Basin[J]. Yellow River, 2009, 31(4): 16-18)
( 0) |
| [18] |
熊景华, 王兆礼. 基于GRACE重力卫星的珠江流域大尺度洪水监测[J]. 水力发电学报, 2021, 40(5): 68-78 (Xiong Jinghua, Wang Zhaoli. Exploration of Large-Scale Flood Monitoring in the Pearl River Basin Based on GRACE Satellites[J]. Journal of Hydroelectric Engineering, 2021, 40(5): 68-78)
( 0) |