我国大气降水中<i>δ</i><sup>18</sup>O变化的多气象因子分析及分区研究
  环境科学学报  2018, Vol. 38 Issue (6): 2242-2252
我国大气降水中δ18O变化的多气象因子分析及分区研究    [PDF全文]
周慧1 , 章新平1,2 , 姚天次3 , 华明权1 , 罗紫东1 , 孙惠惠1 , 饶志国1 , 贺新光1,2     
1. 湖南师范大学资源与环境科学学院, 长沙 410081;
2. 湖南师范大学地理空间大数据挖掘与应用湖南省重点实验室, 长沙 410081;
3. 中国科学院地理科学与资源研究所陆地水循环及地表过程重点实验室, 北京 100101
摘要: 分析了我国29个GNIP站1961—2015年逐月降水中δ18O与局地气象要素(近地面的气温、降水量和大气可降水量、外向长波辐射以及500 hPa高度的风速)和大尺度环流因子(Nino 4区海表温度距平及南方涛动指数)的关系,并基于层次聚类分析和逐步回归分析方法,讨论了我国降水中δ18O的分区,计算了区内降水中δ18O依各气象因子的回归方程.结果表明,秦岭-淮河一线南北两侧站点降水中δ18O与气象因子之间的关系差异显著,是我国的一条重要的降水稳定同位素环境效应分界线.我国降水中δ18O可以分为3个区域,即北部区(包括西北和东北地区)、中部过渡区(含华北及青藏地区)和南部区,其中北部区和中部过渡区的分界线大致与我国西北地区和北方地区的分界线吻合,中部过渡区与南部区大体与我国北方地区和南方地区的分界线相一致.不同地区控制降水中δ18O的气象因子存在差异:北部区为温度,中部过渡区为温度、500 hPa高度风速以及外向长波辐射,南部区是500 hPa高度的风速.研究结果对于认识我国大气降水中稳定同位素空间分布的特征及其内在机制具有重要意义.
关键词: 降水     氧稳定同位素     聚类分析     分区     逐步回归分析    
Analysis on the impacts of multiple meteorological factors on precipitation δ18O and its regionalization in China
ZHOU Hui1, ZHANG Xinping1,2 , YAO Tianci3, HUA Mingquan1, LUO Zidong1, SUN Huihui1, RAO Zhiguo1, HE Xinguang1,2    
1. College of Resources and Environmental Sciences, Hunan Normal University, Changsha 410081;
2. Key Laboratory of Geospatial Big Data Mining and Application, Hunan Province, Hunan Normal University, Changsha 410081;
3. Key Laboratory of Water Cycle and Related Surface Processes, Institute of Geographic Sciences and Natural Resources Research, CAS, Beijing 100101
Received 12 November 2017; received in revised from 18 January 2018; accepted 18 January 2018
Supported by the National Natural Science Foundation of China (No. 41571021, 41772373)and the Construct Program of the Key Discipline in Hunan Province (No.20160001)
Biography: ZHOU Hui (1994—), female, E-mail: zhxy940602@163.com
*Corresponding author: ZHANG Xinping, E-mail: zxp@hunnu.edu.cn
Abstract: This study analyzed the relationships of monthly δ18O in precipitation at 29 GNIP stations in China with local meteorological variables including near-surface temperature, precipitation amount, atmospheric precipitable water, outgoing longwave radiation and wind speed at 500 hPa, as well as with the large-scale circulation indices consisting of sea surface temperature anomaly in Nino 4 and southern oscillation index from 1961 to 2015. The variations of δ18O in precipitation were zoned in China and the regression equations of the δ18O in precipitation against multiple meteorological variables were established in these zones using the hierarchical clustering and stepwise regression methods. The results show that there are significant differences in the relations between δ18O in precipitation and the seven meteorological variables to the north and south sides of the Qinling Mountains-Huaihe River line, an important line dividing the different environmental effects on the precipitation stable isotopes in China. Based on the cluster analysis, variations of isotopes in precipitation are divided into three zones in China, namely, the north zone including Northwest China and Northeast China, the central transition zone covering North China and the Tibetan Plateau, and the south zone. The dividing line between the north and central transition zones is roughly the same as that between the Northwest and Northern China, while the dividing line between the central transition zone and the south zone aligns well with the boundary of the Northern and Southern China. The meteorological variables controlling δ18O in precipitation differ among zones. The controlling factors are the temperature in the north zone, temperature, wind speed at 500 hPa and OLR in the central transition zone, and wind speed at 500 hPa in the south zone, respectively. The results are of great significance in understanding the characteristics of the spatial distribution of stable isotopes in precipitation and their intrinsic mechanisms in China.
Key words: precipitation     oxygen stable isotopes     cluster analysis     regionalization     stepwise regression analysis    
1 引言(Introduction)

降水作为水循环过程的重要输入项, 是陆地水资源的根本来源.稳定同位素(2H和18O)虽然在自然水体中所占比例很小, 但却能非常敏感地响应环境的变化, 记载着水循环演化的历史信息.受地理因子(如纬度、海拔和海陆位置等)(Dansgaard, 1964)、气象要素(如温度、降水量和相对湿度等)(Rozanski et al., 1993; Coplen, 2013)以及水汽源地和水汽输送过程(Zhang et al., 2004; 刘相超等, 2005; Tian et al., 2007; 李佳芳等, 2015; 陈衍婷等, 2016)等因素的综合影响, 降水中稳定同位素组成呈现出明显的时空变化.对这种时空变化的认识不仅有助于理解全球及区域气候和水文的现代过程, 而且可为储存在冰芯(Anklin and Barnola, 1993)、石笋(Wang et al., 2001)、树木年轮纤维素(Jussi et al., 2011)和湖泊沉积物(Grafenstein et al., 1996)等介质中的稳定同位素信号的古气候解译提供依据.

目前, 对于降水中稳定同位素比率与环境因子之间关系的研究成果已较为丰硕. 柳鉴容等(2009)分析了中国大气降水同位素监测网络(CHNIP)位于我国东部季风区的17个站点月降水中δ18O与气候和地理因子间的关系, 得出影响各站点降水中δ18O的主导因子存在地区差异:由南向北, 温度效应逐渐增强, 降水量效应由全年存在变为只在主要降水期存在.此外, 控制南方地区和华北地区δ18O变化的地理因子为高程, 东北地区则是纬度. 章新平等(2006)通过对我国西南地区的蒙自、思茅和腾冲站的降水取样发现, 3站降水中δ18O与同期降水量、水汽压、大气可降水量及各高度层(400, 500, 700, 850 hPa)的日平均温度之间均存在显著的负相关关系, 而与各高度层大气的温度露点差之间均存在显著的正相关关系. Moerman等(2013)调查了位于西太平洋暖池中心的Mulu站不同时间尺度下氧稳定同位素的变化特征, 发现两个月滑动平均的降水中δ18O值与两个月滑动平均的外向长波辐射OLR(Outgoing Longwave Radiation)值之间存在显著的正相关关系. 庞洪喜等(2004)基于我国西南季风区5个降水观测站夏季降水中δ18O以及不同高度的风速资料, 采用相关分析和偏相关分析的方法揭示了降水中δ18O与季风水汽层所在高度风速之间的显著正相关关系, 指出在西南季风区, 除温度和降水量外, 高空风速也是影响降水中δ18O变化的一个重要因子. 黄一民等(2017)利用洞庭湖流域长沙站1988—1992、2010—2012年逐月降水同位素资料及ENSO的两个常用指标(南方涛动指数SOI和Nino 3区海表温度距平SST)数据, 探讨了流域降水同位素与ENSO的关系, 结果显示洞庭湖流域降水中δ18O与ENSO的SST指标呈显著正相关, 但与SOI的负相关关系并不显著.

在充分研究了降水中稳定同位素与环境因子之间关系的基础上, Yamanaka等(2007)利用蒙古国东部6个站点2002年10月—2003年9月降水同位素月值数据, 建立了该地区以经度、纬度和高程为自变量的解释降水中同位素变化的多元线性回归模型. 刘忠方等(2009)通过改进Bowen和Wilkinson所建立的降水中氧稳定同位素空间分布模型(BW模型)(Bowen and Wilkinson, 2002)的参数算法, 得到了我国降水中δ18O与纬度和海拔的二次曲线方程, 该方程较好地模拟出了我国降水中δ18O的空间分布. 柳鉴容等(2007)在分别考虑了高程、温度、降雨量和相对湿度因子对我国南部降水中δ18O组成的影响后, 利用多元回归分析, 给出了我国南部地区季风降水中δ18O与前述因子间的经验关系.

上述研究表明, 降水中稳定同位素组成与局地气象要素(近地面的气温、降水量和大气可降水量、外向长波辐射、高空风速)以及大尺度环流因子(Nino 4区海表温度距平、南方涛动指数)的变化密切相关.然而, 前人关于降水中稳定同位素变化的研究大多仅考虑地面、高空或大尺度环流等某一方面因素的影响, 且普遍关注局地范围, 所建立的同位素环境模型也多聚焦地理因子, 这在一定程度上限制了我们对降水中稳定同位素变化的深入了解.本研究在综合分析我国29个GNIP站降水中δ18O与前述7个气象因子相关关系的基础上, 对29个站点进行聚类分析, 并对我国降水中δ18O进行区划研究.最后通过逐步回归分析方法建立各个分区降水中δ18O变化的多元线性回归模型, 同时明确影响各个区域降水中δ18O的主要因子.研究结果将从多个气象因子角度揭示我国大气降水中δ18O的空间分布特征, 实现各因子对δ18O影响的定量化估计, 并可为水循环的研究、水资源的调查以及古气候的恢复提供参考和依据.

2 数据来源与方法(Data sources and methods)

各站点实测的降水中δ18O及相应的气温(T)和降水量(P)的逐月数据均下载自国际原子能机构与世界气象组织联合创建的全球降水稳定同位素监测网GNIP(Global Network of Isotopes in Precipitation).由于GNIP位于我国的监测站较为稀少, 提供的降水稳定同位素记录长短不一, 部分站点的记录时间离散, 且全部站点中香港站的取样监测时间最长(1961年1月—2015年12月), 为充分利用这些数据, 故将本文的研究时段设定为1961—2015年.在此时段内, 我国范围内所有具有12个月及以上δ18O记录数的站点均被选择, 共29个站(见表 1).外向长波辐射的逐月数据下载自NOAA的物理科学部(https://www.esrl.noaa.gov/psd/data/gridded/data.interp_OLR.html), 时间自1974年6月—2013年12月, 格点精度为2.5°×2.5°. Nino 4区(赤道太平洋海区:5°N~5°S, 160°E~150°W)月平均的海表温度距平(Sea Surface Temperature Anomaly, SSTa)及南方涛动指数(Southern Oscillation Index, SOI)均下载自NOAA的气候预测中心(http://www.cpc.ncep.noaa.gov/data/indices/), 时间序列分别为1982年1月—2015年12月和1961年1月—2015年12月. 500 hPa高度风速(Wind Speed, WS)以及用于求取整层大气可降水量(Precipitable Water, PW)的比湿场(垂直方向共有8层)和地面气压场的逐月再分析数据均下载自美国NCEP/NCAR(https://www.esrl.noaa.gov/psd/data/gridded/reanalysis/), 时间长度均为1961—2015年, 格点精度均为2.5°×2.5°.大气可降水量的计算公式(朱乾根等, 1981)见式(1):

(1)
表 1 我国29个GNIP站基本信息表 Table 1 Summary of the basic information for the 29 GNIP stations in China

式中, PW的单位为mm;q为比湿(g·kg-1);ps为地面气压(hPa);pt为气柱顶气压, 本文取300 hPa;g是重力加速度.

为了综合反映我国29个GNIP站降水中稳定同位素的空间分布特征, 基于计算的降水中δ18O与各气象因子间的相关关系, 利用分层聚类法, 进行站点聚类.然后, 采用逐步回归分析方法建立各分区的降水中δ18O与气象因子的多元线性回归模型, 并确定影响各分区降水中稳定同位素变化的主要因子.

3 结果与分析(Results and analyses) 3.1 降水中δ18O与局地气象因子的关系 3.1.1 降水中δ18O与近地面气温和降水量的关系

温度效应和降水量效应是最基本的降水同位素效应, 因此, 首先计算了我国29个GNIP站逐月降水中δ18O-T、δ18O-P的相关关系, 结果如图 1所示.由图可知, 降水中δ18O-T的相关分布具有显著的空间差异.具体而言, 大致以秦岭-淮河一线(32°~34°N)为界, 北侧主要为正相关分布区, 具有正相关关系的站点达14个, 其中有10个站点具有显著(p<0.05, 下同)的温度效应, 占北侧总站点数的66.7%;南侧均为负相关分布区, 其中有10个站点表现出显著的反温度效应, 占南侧总站点数的71.4%.在δ18O-P的相关分布上, 在秦岭-淮河一线以北, 降水中δ18O-P主要呈正相关关系, 其中有6个站表现出显著的反降水量效应, 占北侧总站点数的40%;而在其以南, 降水中δ18O-P主要表现为负相关关系, 其中有11个站的降水量效应达到0.05的信度水平, 占南侧总站点数的78.6%.比较可知, 降水中δ18O-P相关系数的空间分布形势与δ18O-T的大致相同.根据统计, δ18O-Tδ18O-P相关系数符号相同的站点共有24个, 占总站点数的82.8%, 说明在我国, 影响降水中氧稳定同位素组成的温度效应多与反降水量效应相伴出现, 反温度效应常与降水量效应相伴出现, 这是我国雨热同期气候特点的直接结果.但位于华北及其邻近地区的5个站点(图 1中椭圆标识区域)降水中δ18O的变化同时具有温度效应和降水量效应.对这些站点的进一步分析发现, 在夏半年(4—9月), 受海洋性气团的影响, 它们降水中δ18O的变化表现出降水量效应, 抑制或掩盖了温度效应;而在冬半年(10月—翌年3月), 受大陆性气团的影响, 这些站点降水中δ18O的变化与温度的关系密切, 表现出温度效应.降水量效应和温度效应的这种季节间的交互影响, 可能是导致年尺度下这些站点降水中δ18O的组成同时具有降水量效应和温度效应的原因.但也应注意的是, 与西北地区各站点相比, 这5个站所表现出的温度效应并不强烈;与我国南部地区各站点相比, 它们呈现出的降水量效应也较为微弱.

图 1 我国29个GNIP站逐月降水中δ18O与同期气温、降水量的相关系数的空间分布(实心柱体表示通过0.05的信度检验, 空心柱体表示未通过.椭圆圈出了δ18O分别与TP的相关系数的符号相反的5个站点) Fig. 1 Spatial distribution of correlation coefficients between δ18O in precipitation and monthly mean temperature, precipitation amount at 29 GNIP stations (The solid column denotes the value of the correlation coefficient which is statistically significant (p < 0.05), while the open column indicates non-significant relationship (p > 0.05), the five stations in the ellipse have inverse relationships between δ18O and monthly temperature, precipitation amount)
3.1.2 降水中δ18O与大气可降水量、外向长波辐射及500 hPa高度风速的关系

图 2给出了我国各站点逐月降水中δ18O与对应网格点的PW、OLR及WS的相关系数的空间分布.由图可知, 降水中δ18O-PW相关系数符号为正的站点共有11个, 占总站点数的37.9%, 其中具有显著正相关的站点有8个, 这些δ18O-PW呈正相关的站点一致出现在秦岭-淮河一线以北的地区.降水中δ18O-PW相关系数符号为负的站点共有18个, 占总站点数的62.1%, 这些站点大多分布在秦岭-淮河一线以南的地区, 且除拉萨站外, 处在秦岭-淮河一线以南的其余各站点降水中δ18O与PW的相关关系均达到0.05的显著性水平.统计还发现, 处在秦岭-淮河一线北侧的站点夏季降水中δ18O值普遍高于冬季, 而位于该线南侧的站点夏季降水中δ18O值通常比冬季低.我国大部分地区地处东亚季风区, 夏季受西南季风和东南季风的共同影响, 来自印度洋及西太平洋的水汽输送量大.同时, 夏季较高的气温也加剧了我国西北内陆地区的局地再蒸发作用, 使得我国各站点夏季的大气可降水量通常比冬季高.综上所述, 秦岭-淮河一线北(南)侧站点降水中δ18O与PW相同(反)的季节变化趋势可能是导致二者之间存在正(负)相关关系的原因.

图 2 我国29个GNIP站逐月降水中δ18O与同期大气可降水量、外向长波辐射及500 hPa高度风速的相关系数的空间分布(说明同图 1) Fig. 2 Spatial distribution of correlation coefficients between δ18O in precipitation and monthly mean precipitable water, outgoing longwave radiation as well as wind speed at 500 hPa at 29 GNIP stations (The implications of the symbols are same as Fig. 1)

OLR是气象卫星观测到的地气系统发射的外逸长波辐射, 它的大小主要取决于辐射体(地表面和大气层顶)温度的高低, 但在下垫面性质相对均一的情况下, 地气系统射出的长波辐射值还强烈地受到云的调节作用(王可丽和钟强, 1992; 陈少勇等, 2011).由于OLR能够反映地球的热状况, 因而成为监测地球气候变化的重要因子.就全球而言, OLR值大致是从赤道向南北两极递减, 但受到赤道辐合带的影响, OLR的最大值并非位于赤道, 而是出现在南北纬25°线附近(Nemoto et al., 2002).从时间上来看, 在北半球的25°N线以南, 受赤道辐合带水汽和云系的影响, OLR值夏季低于冬季, 这可能是导致我国位于25°N线以南的4个站点(昆明、广州、香港和海口站)降水中δ18O-OLR呈正相关关系的原因;但在25°N线以北, 响应地表温度的变化, OLR值夏季高于冬季, 因而我国秦岭-淮河一线(平均纬度高于25°N)以北有13个站点、该线以南且位于25°N线以北(柳州站除外)的长江沿线有7个站点降水中δ18O-OLR分别表现出了正、负相关关系.总的来看, δ18O的变化很好地指示了OLR的季节变化.

我国东部的大部分地区位于东亚季风区, 而温度、降水量以及风速是体现季风活动的3个重要的气候参数, 季风区的风场信息能够较好地体现季风活动的变化情况(Webster and Yang, 1992).为此, 计算了我国29个GNIP站逐月降水中δ18O与500 hPa高度WS的相关关系.结果表明, 位于秦岭-淮河一线南北两侧的站点降水中δ18O-WS的相关性相反.该线北侧地区的站点主要表现为负相关关系, 且有9个站的相关系数通过了0.05的信度检验, 占北侧总站点数的60%;该线南侧的站点多表现为正相关关系, 且有11个站的相关关系达到0.05的显著性水平, 占南侧总站点数的78.6%.对于秦岭-淮河一线南北两侧站点降水中δ18O-WS表现出的正、负相关的差异性, 一种可能的解释是:由于太阳直射点的南北移动, 地球上的南北温差随季节的更替会出现规律性的变化, 进而导致风速随之发生季节性的变化.与夏季相比, 我国冬季具有更大的纬向和经向的温度梯度, 因而夏季风速普遍较冬季要小.受此影响, 位于秦岭-淮河一线南侧的站点降水中δ18O-WS多呈正相关关系, 而位于该线北侧的站点主要表现为负相关关系.

3.2 降水中δ18O与大尺度环流因子的关系

ENSO是具有全球尺度的气候事件, 它的影响可通过海-气相互作用传递到全球, 造成不同地区异常的天气、气候事件(Suplee, 1999), 从而影响降水中稳定同位素比率的大小. 图 3计算了我国29个GNIP站逐月降水中δ18O分别与同期Nino 4区SSTa和SOI的相关关系.在δ18O-SSTa相关系数的空间分布上, 位于秦岭-淮河一线以北的多数站点具有负相关关系, 位于该线以南的多数站点则表现为正相关性. δ18O-SOI相关系数的空间分布与之正好相反.然而, 大部分站点δ18O-SSTa、δ18O-SOI的相关性并不显著.其中δ18O-SSTa相关性达到显著相关的站点仅有4个, 主要分布在秦岭-淮河一线以南地区;δ18O-SOI相关系数通过0.05信度检验的站点仅有5个, 主要位于该线以北地区.

图 3 我国29个GNIP站逐月降水中δ18O与同期Nino 4区海表温度距平、南方涛动指数的相关系数的空间分布(说明同图 1) Fig. 3 Spatial distribution of correlation coefficients between δ18O in precipitation and monthly mean SSTa in Nino 4, SOI at 29 GNIP stations (The implications of the symbols are same as Fig. 1)

由于海温对降水中稳定同位素丰度的影响主要是通过大尺度环流实现的, 因此降水中稳定同位素的变化往往滞后于海温信号.基于此, 除了计算各站点逐月降水中δ18O与同期Nino 4区SSTa及SOI的相关关系外, 还计算了它与前期1-12个月的SSTa和SOI的时滞相关关系. 表 2给出了计算的各站点不同时滞下δ18O-SSTa、δ18O-SOI相关系数中绝对值最大者及其出现的时间.就同一站点而言, 降水中δ18O对Nino 4区SSTa和南方涛动变化的响应时间不尽相同.如在兰州站, 降水中δ18O与前期12个月的SSTa相关性最好, 相关系数为-0.34(p<0.05), 而与前期3个月的SOI相关性最显著, 相关系数为0.33(p<0.05).对于不同的站点, 降水中δ18O对同一因子SSTa(SOI)的响应也存在显著的空间差异.如福州站降水中δ18O与同期SSTa的相关性最显著, 而西安站降水中δ18O与前期12个月的SSTa相关性最好.总体来看, 多数站点对于SSTa和SOI的响应均存在一定的时滞, 其中位于高纬度的站点降水中δ18O对ENSO的响应时间较低纬度站点的要长.

表 2 我国29个GNIP站降水中δ18O与SSTa、SOI相关关系最显著的时间及对应的相关系数 Table 2 The most significant correlation coefficients between δ18O in precipitation and SSTa in Nino 4, SOI as well as the corresponding time at 29 GNIP stations
3.3 基于聚类分析对我国降水中δ18O的分区

在分析了我国29个GNIP站逐月降水中δ18O与局地及大尺度环流因子的关系的基础上, 采用分层聚类法对我国降水中氧稳定同位素空间进行分区.聚类过程中采用的归并方法为离差平方和法(Ward法)(方开泰, 1982; 耿红等, 2015). 图 4是聚类所得树状图, 图顶部X轴(0~25)给出了聚类过程中各类间的距离测度映射值.根据类间欧氏距离映射值5来分析, 将我国29个GNIP站点分为3类较为合理.聚类过程中聚合系数随分类数的变化曲线(图略)也表明分类数为3时相邻两点之间连线的斜率均较大, 应是理想的分类数.采用3级分类的结果为:第1类站点:和田、兰州、齐齐哈尔、乌鲁木齐、张掖、银川和长春;第2类站点:拉萨、烟台、包头、天津、哈尔滨、石家庄、太原和西安;第3类站点:贵阳、柳州、桂林、香港、遵义、福州、武汉、郑州、长沙、成都、南京、广州、昆明和海口.

图 4 基于降水中δ18O与7个气象因子之间相关关系的我国29个GNIP站聚类分析树状图 Fig. 4 Dendrogram of Ward′s method cluster based on the relationships between δ18O in precipitation and seven meteorological factors at 29 GNIP stations

从各类站点的空间分布来看, 第1类站点主要位于我国的西北和东北地区, 即北部区.该区站点降水中δ18O的组成多具有显著的温度效应和反降水量效应, 且δ18O与PW、OLR和SOI普遍呈正相关关系, 但与WS及SSTa多表现为负相关性.第2类站点相对集中于华北和青藏地区, 即中部过渡区.该区大部分站点同时具有温度效应和降水量效应, 且降水中δ18O与OLR和SOI主要表现为正相关关系, 与WS及SSTa多呈负相关关系, 而与PW的相关关系并不明显.第3类站点主要分布在我国南方, 即南部区.该区绝大多数站点降水中δ18O的变化具有降水量效应和反温度效应, 且δ18O与PW、OLR和SOI普遍呈负相关关系, 但与WS及SSTa多表现为正相关性.三大区的分界线与我国四大地理区域的分界线大体吻合(图 5).图中显示, 北部区和中部过渡区的分界线与我国西北地区和北方地区的分界线较为接近, 结合我国四大地理区域的划分标准, 推知划分北部区与中部过渡区的主导因素是季风的影响, 即夏季风能否到达.中部过渡区和南部区的分界线与我国北方地区和南方地区的分界线(秦岭-淮河一线)基本一致.前述分析也表明, 位于秦岭-淮河一线南北两侧站点降水中δ18O与局地及大尺度环流因子间的相关关系差异明显, 这佐证了中部过渡区和南部区的分区界线的合理性.

图 5 基于降水中δ18O与7个气象因子之间相关关系的我国降水中δ18O的区划图 Fig. 5 The regionalization map of δ18O in precipitation in China based on the relationships between δ18O and seven meteorological factors at 29 GNIP stations

在对我国降水中δ18O进行空间分区的基础上, 利用各分区站点降水中δ18O和相应的7个气象因子的月序列数据, 通过多元线性逐步回归分析, 得到我国各分区降水中δ18O与气象因子之间的多元线性回归方程.其中北部区的回归方程为:

(2)

在所引入的4个因子中, 温度的影响是最显著的(偏回归系数为0.74, p<0.001), δ18O-T的定量关系为0.45‰/℃(p<0.001), 即温度每升高1℃, 降水中18O相应富集0.45‰.这比Liu等(2014)计算的我国东北地区的δ18O/T的梯度项0.27‰/℃稍大, 而与其计算的西北地区的δ18O/T的梯度项0.37‰/℃较为接近.与温度相比, 其余3个因子的偏回归系数均较小.

中部过渡区的回归方程为:

(3)

计算的各因子的偏回归系数显示, 除温度外, 500 hPa高度风速和外向长波辐射也是影响中部过渡区降水中δ18O组成的重要因子, 三者的偏回归系数分别为0.56, 0.36和0.33(p<0.001). δ18O与T、WS及OLR的定量关系分别为0.12‰/℃(p<0.001)、0.03‰/(m·s-1)(p<0.2)和0.11‰/(W·m-2)(p<0.001).与前文中单因子的分析结果相比, 这里计算的降水中δ18O和T、OLR的关系与前文一致, 但与WS的相关关系与前文结果相反.这是因为位于秦岭-淮河一线以北的属于中部过渡区的站点降水中δ18O与WS间均具有负相关关系, 但同属中部过渡区且位于该线以南的拉萨站δ18O与WS却表现为正相关性.此外, 计算的中部过渡区中除拉萨站外的其余各站降水中δ18O-WS的定量关系为-0.13‰/(m·s-1)(p<0.001), 故可能是拉萨站的作用掩盖了中部过渡区本该具有的反风速效应(降水中稳定同位素组成与风速之间呈显著的负相关关系).

南部区的回归方程为:

(4)

根据计算, 500 hPa高度风速对南部区降水中δ18O的影响最大, 偏回归系数达0.70(p<0.001), 远大于所引入的其它5个因子.且风速每增加1 m·s-1, 降水中18O相应富集0.24‰(p<0.001).

为了对建立的3个分区的多元线性回归模型的拟合优度进行检验, 以气象因子为输入变量, 利用所得模型对各个分区月降水中δ18O分别进行模拟计算, 并把各区所有站点实测的和由方程在对应站点模拟的逐月δ18O值点绘于图7.从模拟的依实测的δ18O的回归方程来看, 北部区所得回归方程的斜率最接近1, 为0.67;中部过渡区和南部区的回归方程的斜率稍小.此外, 各分区所得回归方程的截距也都相对较小.根据对各个分区中所有GNIP站点的统计, 实测的北部区站点的平均δ18O为-10.70‰, 模拟的平均值为-10.80‰, 二者仅相差0.10‰.实测的中部过渡区和南部区站点的平均δ18O分别为-8.09‰和-5.84‰, 与实测值相比, 模拟值分别相差-0.03‰和0.13‰.可见, 模拟的平均值与实测的平均值的差距并不大.

图 6 GNIP监测站实测的降水中δ18O(δ18Oobs)与根据站点所在分区的回归模型模拟的降水中δ18O(δ18Osimu)之间的相关散布(a.北部区;b.中部过渡区;c.南部区) Fig. 6 Correlated scatters between δ18O in precipitation observed at 29 GNIP stations and simulated by the corresponding regional regression model at (a) the north region, (b) the transition region, and (c) the south region

从相关程度来看, 3个方程模拟的与实测的空间序列之间的相关系数均远超过0.001的信度水平.

从模型的拟合水平来看, 3个线性回归模型的模拟大致相当, 均方根误差均在4‰以下, 其中南部区的均方根误差最小, 仅2.60‰.以上的分析表明, 所建立的3个回归模型均能较好地模拟相应区域内降水中稳定同位素组成的平均时间变化.

4 结论与讨论(Conclusions and discussion)

本研究系统地分析了局地以及大尺度环流因子对我国大气降水中δ18O变化的影响, 并进行了降水中δ18O的分区及区域建模研究.所得主要结论如下:

1) 秦岭-淮河一线南北两侧站点降水中δ18O与各气象因子之间的相关关系存在显著差异.其中位于该线北侧的大部分站点降水中δ18O与温度、降水量、大气可降水量、外向长波辐射以及南方涛动指数多呈正相关关系, 而与500 hPa高度风速和Nino 4区海表温度距平多具有负相关关系, 处在该线南侧的多数站点降水中δ18O同上述要素的关系与之正好相反.可以认为, 秦岭-淮河一线是我国的一条重要的降水稳定同位素环境效应分界线.这与前人仅基于降水中δ18O与气温和降水量的相关关系所得出的分界线基本一致(Vuille et al., 2005; Zhao et al., 2012; 张琳等, 2008).

2) 聚类分析的结果表明, 我国降水中δ18O可分为三大区, 即北部区(包括西北和东北地区, 共7个GNIP站)、中部过渡区(含华北及青藏地区, 共8个GNIP站)和南部区(共14个GNIP站), 其中北部区和中部过渡区的分界线大致与我国西北地区和北方地区的分界线吻合, 中部过渡区与南部区大体与我国北方地区和南方地区的分界线相一致.

3) 对所建立的多元线性回归模型中各因子贡献的计算结果表明, 不同地区控制降水中δ18O变化的气象因子存在差异:在北部区, 温度的影响是最显著的, 且温度每升高1 ℃, 降水中18O约富集0.45‰.在中部过渡区, 除温度外, 500 hPa高度风速和外向长波辐射也是影响该区降水中δ18O组成的重要因子, 计算的δ18O与T、WS及OLR的定量关系分别为0.12‰/℃、0.03‰/(m·s-1)和0.11‰/(W·m-2).在南部区, 500 hPa高度风速对该区降水中δ18O的影响最大, 且风速每增加1 m·s-1, 降水中18O约富集0.24‰.

影响降水中稳定同位素时空分布的因素复杂而多样, 包括地理因子(经度、纬度、高程等)、气象因子以及水汽来源及输送过程的差异等.我国幅员辽阔, 地形类型齐全, 控制降水中δ18O的空间分布和时间变化的因子将更为复杂.因此仅从气象因子角度得到的关于我国降水中稳定同位素变化的时空分布的认识尚有一定的局限性.尽管如此, 本文通过深入分析我国29个GNIP站降水中氧稳定同位素组成与局地气象因子以及大尺度环流因子间的关系, 生成了我国降水中氧稳定同位素的区划图, 明确了控制我国不同区域降水中氧稳定同位素丰度的主要气象因子.研究结果为今后进一步从地理因子和水汽输送角度全面认识我国降水中稳定同位素的时空分异特征及其驱动机制奠定了良好的基础.同时, 对于认识降水中稳定同位素的时空变化规律, 获得季风强度信息, 并最终服务于古气候的恢复和大气环流型的诊断等都将提供参考和依据.

参考文献
Anklin M, Barnola J M. 1993. Climate instability during the last interglacial period recorded in the GRIP ice core[J]. Nature, 364(6434): 203–207. DOI:10.1038/364203a0
Bowen G J, Wilkinson B. 2002. Spatial distribution of δ18O in meteoric precipitation[J]. Geology, 30(4): 315–318. DOI:10.1130/0091-7613(2002)030<0315:SDOOIM>2.0.CO;2
陈少勇, 王劲松, 邢晓宾, 等. 2011. 青藏高原OLR异常与中国西北干旱区气温的关系[J]. 干旱气象, 2011, 29(3): 276–282.
陈衍婷, 杜文娇, 陈进生, 等. 2016. 厦门地区大气降水氢氧同位素组成特征及水汽来源探讨[J]. 环境科学学报, 2016, 36(2): 667–674.
Coplen T. 1982. Stable isotope hydrology: deuterium and oxygen-18 in the water cycle[J]. Eos Transactions American Geophysical Union, 63(45): 861–862. DOI:10.1029/EO063i045p00861
Dansgaard W. 1964. Stable isotopes in precipitation[J]. Tellus, 16(4): 436–468. DOI:10.3402/tellusa.v16i4.8993
方开泰, 潘恩沛. 1982. 聚类分析[M]. 北京: 地质出版社: 66–80.
耿红, 宣莹莹, 蔡夏童, 等. 2015. 太原市2014年春节期间常规大气污染物浓度变化及聚类分析[J]. 环境科学学报, 2015, 35(4): 965–974.
Grafenstein U V, Erlenkeuser H, Müller J, et al. 1996. A 200 year mid-European air temperature record preserved in lake sediments: an extension of the δ18OP-air temperature relation into the past[J]. Geochimica Et Cosmochimica Acta, 60(21): 4025–4036. DOI:10.1016/S0016-7037(96)00230-X
黄一民, 宋献方, 章新平, 等. 2017. 洞庭湖流域降水同位素与ENSO关系研究[J]. 地理科学, 2017, 37(5): 792–798.
李佳芳, 石培基, 朱国锋, 等. 2015. 河西走廊中部大气降水δ18O变化特征及水汽输送[J]. 环境科学学报, 2015, 35(4): 947–955.
Jussi G, Achim B, Gerd H, et al. 2011. Late Holocene Asian summer monsoon variability reflected by δ18O in tree-rings from Tibetan junipers[M]. L3701-L3705
刘相超, 宋献方, 夏军, 等. 2005. 东台沟实验流域降水氧同位素特征与水汽来源[J]. 地理研究, 2005, 24(2): 196–205.
刘忠方, 田立德, 姚檀栋, 等. 2009. 中国大气降水中δ18O的空间分布[J]. 科学通报, 2009, 54(6): 804–811.
柳鉴容, 宋献方, 袁国富, 等. 2009. 中国东部季风区大气降水δ18O的特征及水汽来源[J]. 科学通报, 2009, 54(22): 3521–3531.
柳鉴容, 宋献方, 袁国富, 等. 2007. 我国南部夏季季风降水水汽来源的稳定同位素证据[J]. 自然资源学报, 2007, 22(6): 1004–1012.
Liu J R, Song X F, Yuan G F, et al. 2014. Stable isotopic compositions of precipitation in China[J]. Tellus Series B-Chemical and Physical Meteorology, 66(1): 39–44.
Moerman J W, Cobb K M, Adkins J F, et al. 2013. Diurnal to interannual rainfall δ18O variations in northern Borneo driven by regional hydrology[J]. Earth and Planetary Science Letters, 369-370: 108–119. DOI:10.1016/j.epsl.2013.03.014
Nemoto Y, Mizuno M, Nagata A. 2002. An introduction to atmospheric radiation[M]. Academic Press: 187.
庞洪喜, 何元庆, 张忠林. 2004. 季风降水中δ18O与高空风速关系[J]. 科学通报, 2004, 49(9): 905–908.
Rozanski K, Araguásaraguás L, Gonfiantini R. 1993. Isotopic patterns in modern global precipitation[J]. Washington DC American Geophysical Union Geophysical Monograph, 78: 1–36.
Suplee C. 1999. La Nina El Nino[J]. National Geographic, 195(3): 72–95.
Tian Lide, Yao Tandong, Macclune K, et al. 2007. Stable isotopic variations in west China: a consideration of moisture sources[J]. Journal of Geophysical Research Atmospheres, 112(D10): 185–194.
Vuille M, Werner M, Bradley R S, et al. 2005. Stable isotopes in precipitation in the Asian monsoon region[J]. Journal of Geophysical Research Atmospheres, 110(D23): 3345–3356.
王可丽, 钟强. 1992. 青藏高原地区云对OLR的强迫作用[J]. 高原气象, 1992, 11(3): 259–266.
Wang Y J, Cheng H, Edwards R L, et al. 2001. A high-resolution absolute-dated late Pleistocene monsoon record from Hulu Cave, China[J]. Science, 294(5550): 2345. DOI:10.1126/science.1064618
Webster P J, Yang S. 1992. Monsoon and ENSO: selectively interactive systems[J]. Quarterly Journal of the Royal Meteorological Society, 118(507): 877–926. DOI:10.1002/(ISSN)1477-870X
Yamanaka T, Tsujimura M, Oyunbaatar D, et al. 2007. Isotopic variation of precipitation over eastern Mongolia and its implication for the atmospheric water cycle[J]. Journal of Hydrology, 333(1): 21–34. DOI:10.1016/j.jhydrol.2006.07.022
Zhang X P, Liu J M, Tian L D, et al. 2004. Variations of δ18O in precipitation along vapor transport paths[J]. Advances in Atmospheric Sciences, 21(4): 562–572. DOI:10.1007/BF02915724
章新平, 刘晶淼, 孙维贞, 等. 2006. 中国西南地区降水中氧稳定同位素比率与相关气象要素之间关系的研究[J]. 中国科学, 2006, 36(9): 850–859.
张琳, 陈宗宇, 聂振龙, 等. 2008. 我国不同时间尺度的大气降水氧同位素与气温的相关性分析[J]. 核技术, 2008, 31(9): 715–720.
Zhao L J, Xiao H L, Zhou M X, et al. 2012. Factors controlling spatial and seasonal distributions of precipitation δ18O in China[J]. Hydrological Processes, 26(1): 143–152. DOI:10.1002/hyp.v26.1
朱乾根, 林锦瑞, 寿绍文. 1981. 天气学原理和方法[M]. 北京: 气象出版社.