2016, Vol. 62
文章信息
- 郑泳杰 , 张强 , 陈晓宏 , 江涛 , 张生 . 2016
- ZHENG Yongjie, ZHANG Qiang, CHEN Xiaohong, JIANG Tao, ZHANG Sheng . 2016
- 1951-2010年淮河流域极端降水区域频率特征及其环流背景
- Regional Frequency Analysis and Atmospheric Circulation Pattern of Extreme Precipitation in the Huai River Basin in 1951-2010
- 武汉大学学报(理学版), 2016, 62(4): 381-388
- Journal of Wuhan University(Natural Science Edition), 2016, 62(4): 381-388
- http://dx.doi.org/10.14188/j.1671-8836.2016.04.013
-
文章历史
- 收稿日期：2015-03-03
引用本文
|
2. 中山大学 华南地区水循环与水安全广东省普通高校重点实验室，广东 广州 510275 ;
3. 中山大学 广东省城市化与地理环境空间模拟重点实验室，广东 广州 510275 ;
4. 宿州学院 环境与测绘学院，安徽 宿州 234000
2. Key Laboratory of Water Cycle and Water Security in Southern China of Guangdong High Education Institute, Sun Yat-sen University, Guangzhou 510275, Guangdong, China ;
3. Guangdong Provincial Key Laboratory of Urbanization and Spatial Simulation of Geographical Environment, Sun Yat-sen University, Guangzhou 510275, Guangdong, China ;
4. School of Environment and Civil Engineering, Suzhou University, Suzhou 234000, Anhui, China
在气候暖化为主要特征的全球气候变化，以及人类活动共同影响下，水文循环加剧[1]，导致热浪、干旱和洪水等极端气象水文事件频发，已引起人们的广泛关注[2-4].目前极端气候的研究主要包括两方面[5]：一是基于极端气候指标进行研究，ETCCDI定义了27种极端气候指数[6]，其中最大连续降水量指标在降水研究中也得到广泛应用[7, 8]；二是基于频率分析方法进行研究，其中线性矩法(L-moments)在参数估计方面具有较高的精度与可靠性，尤其适用序列长度较小，资料缺乏的地区[9].大气环流模式[10]是研究极端事件与气候异常机理的重要方法：对淮河流域洪涝年7月上旬环流特征的研究表明，东亚夏季风异常是淮河流域洪涝出现的主要原因[10]；对长江和淮河流域汛期洪涝大气环流特征的研究表明，淮河流域洪涝的主要水汽来源是我国东南洋面上的东南季风及南海季风[11].大尺度的大气环流包括水汽通量及水汽辐散情况等在降水过程与水文系统的研究中得到广泛应用[12, 13].
佘敦先等[14]基于线性矩法和K-S检验，认为广义帕累托分布能够较好地模拟淮河流域的百分位极端降水序列.基于频率分析方法，对淮河流域1959-2008年的极端降水的研究表明，淮河流域西南部强降水较多且集中，面临更大的洪旱灾害风险，而流域北部及中南部洪灾风险较小[15].淮河流域南北气候差异较大，是我国气候重要的南北分界线[16]，因此研究淮河流域南北气候差异具有重要意义.但目前专门对淮河流域划分气候分区，并基于线性矩法研究该区极端降水的区域差异的报道并不多见.
本研究基于线性矩法，对淮河流域进行气候相似区域划分，计算了淮河流域极端降水的区域频率并分析其精度及可靠性，分析了流域极端降水的时空分布，并从大尺度的大气环流的角度分析了淮河流域夏季降水的驱动因素，以期为淮河流域的极端降水研究及气象灾害防治提供科学依据.
1 数据来源本研究所分析数据为淮河流域43个站点(图 1)1951-2010年的日降水数据，数据由国家气候中心提供，数据质量经过严格控制且所有站点的水文序列均通过一致性检验.数据缺失量占总数据量比率少于0.1%，缺失的降水量数据进行插值补全[4].另外，采用1951-2010年美国国家大气研究中心及美国国家环境预报中心(NCEP/NCAR)的全球再分析资料，用于分析影响淮河流域夏季降水的水汽通量及其辐散情况.
|
| 图 1 淮河流域及雨量站点位置 Figure 1 Locations of the Huai River Basin and precipitation gauging sites |
时间序列的平稳性定义为时间序列的基本统计量(均值、方差等)随时间变化基本稳定[17].自相关检验用于研究时间序列的滞后性影响.随着时滞的增加，如果自相关系数迅速收敛至接近0，则表明该序列为平稳序列[18]，随着时滞的减小，如果自相关系数不迅速收敛至接近0，则表明该序列为非平稳序列.
2.2 K-均值聚类分析基于K-均值聚类分析方法[19]进行区域划分，将k个对象分成k组，设每组数据具有一个中心点，通过不断迭代使得每一组内相对误差达到最小，以此把k个对象分成k组.
2.3 线性矩法线性矩法自Hosking[20]提出以来已得到广泛的应用.线性矩法在分布线性判别、参数估计、区域频率分析等方面具有理论优势[21, 22].
2.4 Gringorten经验频率公式对实测值序列估计采用Gringorten经验频率公式[23]：
|
其中，P(i)为实测序列从小到大排序第i个事件发生的经验频率，n为实测序列长度.
2.5 趋势检验采用Mann-Kendall趋势检验法的改进法(MMK)[24]进行趋势检验.该方法在研究气候及水文序列趋势方面已有广泛应用[25].
2.6 集中度与集中期降雨集中度的(PCD，precipitation concentration degree)与集中期(PCP，precipitation concentration period)定义[26]为：
|
其中，PCDi为第i年降水的集中度，PCPi为第i年降水的集中期，以一年365 d计，则θj=360°×j/365，rij为第i年第j天的降水量.本研究基于Rxi及Rxi计算降水集中度和集中期，用于表示年内降水最集中的时期.
3 结果与讨论 3.1 淮河流域区域划分区域频率分析建立在数据平稳性的基础上.对淮河流域各站点年最大1,3,5,7 d降水量进行自相关性检验表明，淮河流域年最大1,3,5,7 d降水序列对于绝大部分时滞(lag)均通过自相关性检验[17].此外，为提高区域频率分析的可靠性，本研究排除了序列长度不超过20 a的5个站点.考虑各站点地理与气候两方面的要素，以站点的经度、纬度与降水量3个指标的标准化数据进行聚类分析[8].淮河流域共划分为4个分区(见图 2)，对初始分区结果进行区域一致性检验，部分站点未通过一致性检验.根据Hosking等[20]所提出的处理方案，可将该部分站点划分为其他分区，或排除个别站点，重新进行区域一致性检验，并重复上述步骤直到所有站点均通过一致性检验为止.以该分区方案对淮河流域4个分区分别进行区域频率分析.
|
| 图 2 淮河流域降水区域划分结果 Figure 2 Homogenous regions in the Huai River Basin by cluster analysis |
基于线性矩法进行区域频率的计算主要可分为：1) 一致性检验；2) 相似性检验；3) 区域最适分布选择；4) 区域频率计算.
3.2.1 一致性检验Di是用于检验线性矩法的站点一致性的指标[20].Di的标准判断值与站点数有关，站点越多标准判定值越大，判断为非一致站点.本文主要基于年最大7 d降水量进行区域洪水频率计算，对淮河流域的极端降水进行分析.
3.2.2 水文相似区检验水文相似区通过检验系数H判断：H<1时，为水文相似区；1≤H<2时，为非相似区；H≥2时，为非相似区[20].研究结果表明，各分区的H1均通过相似性检验，为水文相似区；部分分区H2、H3略大于1.基于Lu[27]的研究，H1在判断水文相似区上较H2与H3具有更大的优越性，因此，本研究的4个分区均可看作水文相似区.
3.2.3 分布函数选择根据拟合结果，5个分布模型(即广义极值分布(GEV)、广义logistic分布(GLO)、广义正态分布(GNO)、皮尔逊Ⅲ型分布(PE3) 、广义帕累托分布(GPA))中不是所有分布模型都能对淮河流域极端降水有较好的拟合，4个分区的最适分布不完全相同，而其中GEV、GNO能满足淮河流域大部分地区的拟合要求.图 3为4个分区及其相应站点的线性矩系数关系图.对于年最大7 d降水量的区域函数选择，分区Ⅰ，Ⅱ，Ⅲ，Ⅳ的最适分布分别为GEV，PE3，GEV，PE3.可以看出，不同分布模型具有不同的模拟结果，4个区域的三阶线性矩(即图 3中的偏度系数)与四阶线性矩(即图 3中的峰度系数)的关系也与其对应的最适分布一致.以上述分布作为相应分区的最适分布函数，对各分区分别进行区域频率估计.不同分区的最适分布函数不尽相同反映淮河流域南北部地区气候差异较大，且其极端降水的发生机理与驱动因素可能有所差异.对淮河流域进行气候相似区划分并采用不同分布进行模拟可提高极端降水估计的可靠性.
|
| 图 3 淮河流域分区Ⅰ(a)、Ⅱ(b)、Ⅲ(c)及Ⅳ(d)及相应站点线性矩系数 Figure 3 L-moment ratio of the four homogenous regions (Ⅰ(a),Ⅱ(b),Ⅲ(c),Ⅳ(d)) and the related sites in the Huai River Basin ▲:the L-moment ratio of regional average,△:the L-moment ratio of sites |
分别以GEV，PE3，GEV和PE3作为分区Ⅰ，Ⅱ，Ⅲ和Ⅳ的最适分布函数估计淮河流域各个分区在不同重现期下的区域极端降水.表 1为在不同重现期下基于蒙特卡罗模拟(模拟次数为1 000) 的估计值标准差，F表示相应重现期的频率.从表 1看出，F为0.99(即重现期为百年一遇)的各分区估计值的均方相对误差[8]标准差较小，区域Ⅱ误差最大为9.88%，4个区域误差均在10%以内，而F为0.999(即重现期为千年一遇)的估计值的标准差误差较大，分区Ⅱ的标准差约为26.36%.
| % | ||||||||
| Region | F | |||||||
| 0.5 | 0.8 | 0.9 | 0.98 | 0.99 | 0.995 | 0.998 | 0.999 | |
| Ⅰ | 0.99 | 0.74 | 1.87 | 5.39 | 7.05 | 8.75 | 11.08 | 12.87 |
| Ⅱ | 0.95 | 0.85 | 1.62 | 6.58 | 9.88 | 13.91 | 20.44 | 26.36 |
| Ⅲ | 0.96 | 0.74 | 1.88 | 5.37 | 7.01 | 8.71 | 11.01 | 12.78 |
| Ⅳ | 0.99 | 0.74 | 1.87 | 5.39 | 7.05 | 8.75 | 11.08 | 12.87 |
图 4为不同重现期下各分区的最适分布的百分位函数及其相应的置信度90%的误差界[20]，其中对横坐标进行对数处理以更直观地表现不同重现期下的百分位函数.从图 4中可以看出，百年一遇重现期下，误差界的范围较小，极端降水的估计具有较高的精度.利用Gringorten公式[23]对4个分区各个站点的估计情况进行分析，计算各站点实测值的经验频率，利用线性矩法估计相应重现期下各站点的极端降水，得出相应频率下各站点的估计值与实测值的相对误差，并进行线性回归分析.
|
| 图 4 不同重现期淮河流域分区Ⅰ(a)、Ⅱ(b)、Ⅲ(c)及Ⅳ(d)的最适分布的分位数函数及90%误差界 Figure 4 Quantiles functions of the best-fitted regional frequency distribution and the 90% error bounds of the four homogenous regions(Ⅰ(a),Ⅱ(b),Ⅲ(c),Ⅳ(d)) in the Huai River Basin |
图 5为淮河流域百年一遇年最大1,3,5,7 d降水的模拟值空间分布.可以看出：1) 淮河流域极端降水呈现明显的空间分异规律，南部地区极端降水较大(分区Ⅰ和Ⅱ)，而流域北部，尤其是东北部地区(分区Ⅳ)，极端降水量较小；2) 流域南部地区年最大1 d与7 d降水量差异较大，而流域北部地区年最大1 d与7 d降水量差异较小.由图 2可知，流域南部地区年降水量较大，而北部年降水量较小，说明年降水量较小的地区相应极端降水量也较小，且其极端降水在时间上也更为集中，而降水量较大的地区相应极端降水量也较大，且强降水持续时间也更长.
|
| 图 5 淮河流域百年一遇年最大1 d(a),3 d(b),5 d(c),7 d(d)降水的模拟值空间分布 Figure 5 Spatial distribution of the estimated annual maximum 1-day(a),3-day(b),5-day(c),and 7-day(d) precipitation with the return period of 100 years in the Huai River Basin |
图 6为淮河流域降水集中度与集中期的空间分布以及各站点的变化趋势.可以看出，淮河流域降水的集中度与集中期同样表现出明显的空间分异规律.流域南部降水的集中度较小(分区Ⅰ、Ⅱ)，而北部降水集中度较大(分区Ⅲ、Ⅳ).流域南部降水集中期较早，最早的地区约为120 d左右(5月上旬)；而流域北部降水集中期较晚，最晚的地区约为212 d左右(7月下旬).从各站点降水集中期的变化趋势可以看出(图 6(d))，流域南部降水集中期时间上呈现后移的趋势，但不显著；而流域北部降水集中期时间上呈现前移的趋势，且部分站点通过95%显著性检验，说明流域北部雨季可能出现提前的趋势.
|
| 图 6 淮河流域不同站点集中度(a)、集中期(b)的空间分布及集中度(c)、集中期(d)的变化趋势 绿圈表示上升趋势；红圈表示下降趋势；黑色点表示通过95%显著性检验 Figure 6 Spatial distribution of PCD(a)/PCP(b) and the trend of PCD(c)/PCP(d) of different sites Green markers represent an upward trend,red markers represent a downward trend,and black dots represent a significant trend of 95% confidence level |
基于上述分析，淮河流域降水主要集中在夏季前后(5-8月).图 7分析了影响淮河流域夏季大范围的大气模式与环流特征.可以看出，淮河流域南部附近及江淮地区(25~35°N)自夏初开始形成水汽辐合中心，并在5-7月维持稳定，持续影响淮河流域南部的夏季降水，与江淮准静止锋发生时期一致.从以上研究也可以看出，5，6月为淮河流域南部地区(分区Ⅰ、Ⅱ)的降水集中期.而6，7月淮河流域大部分地区为水汽辐合区，来自印度洋的西南季风与来自西太平洋的东南季风在南海附近交汇后折合向北形成偏南季风，受地转偏向力影响，到达江淮流域形成西南气流，为该区夏季带来充沛的水汽，因此南海是该区主要的水汽来源.尤其是7月，西南季风的水汽通量达到最大，该时期为淮河流域大部分地区降水最集中的时期，同时也是淮河流域极端降水最集中的时期.
|
| 图 7 淮河流域5月(a),6月(b)，7月(c)，8月(d)的水汽输送特征 图中箭头矢量图表示水汽通量(kg/(m\5s))，等值线图表示水汽通量散度(kg/(m\5s))，其中蓝紫色为水汽辐合区，红色为水汽辐散区 Figure 7 The moisture transport and moisture divergence of May(a),June(b),July(c),August(d) in the Huai River Basin Vectors represent the moisture transport,and the filled contours represent the divergence of moisture while the areas in blue and purple represent the convergence of moisture and the areas in red represent the divergence of moisture |
对于淮河流域异常降水年份大气环流特征的相关研究表明，淮河流域的洪涝年梅雨锋位置维持在33° N附近[13]，而淮河流域降水偏多的年份最大西风中心也在30°N~33°N附近[15]，与本文研究结果相一致，表明淮河流域南部夏季降水主要驱动因素为江淮准静止锋.
4 结论本文利用淮河流域1951-2010年43个站点的逐日降水数据，选取GEV，GLO，GNO，PE3，GPA共5种分布函数，基于线性矩法对淮河流域的极端降水进行区域频率分析，结果表明：
1) 淮河流域南北气候差异较大，基于各站点的极端降水及地理因素，淮河流域可划分为4个水文相似区.基于不同分区研究极端降水过程研究其空间差异性，能更好地考虑淮河流域南北气候的差异性，对不同区域水文极值的估计具有更高的可靠性.
2) 基于线性矩法对淮河流域的极端降水进行估计，结果表明百年一遇重现期下，模拟结果的均方相对误差均值10%以内，对比之前的研究，具有更高的精度.本文研究方法对区域水文极值的估计具有较高的实用性，能满足气象灾害管理工作的实际需求.
3) 淮河流域极端降水呈现从流域南部到北部减少的空间分布规律，与年降水量的空间分布规律对应.北部极端降水量较小且时间集中，南部极端降水量较大且持续时间更长.
4) 淮河流域极端降水主要集中于夏季7月份，流域南部降水集中期较北部早，南部降水集中期约在5月上旬，而北部降水集中期约在7月下旬.
5) 淮河流域夏季水汽主要来源于南海的西南季风.7月为淮河流域最主要的水汽辐合期，水汽通量达到最大.流域南部附近及江淮地区(25°N~35°N)于5-7月形成水汽辐合中心并持续维持，江淮准静止锋是影响流域南部极端降水的主要因素.
| [1] | 张强, 李剑锋, 陈晓宏, 等. 基于Copula函数的新疆极端降水概率时空变化特征[J]. 地理学报 , 2011, 66 (1) : 3–12 ZHANG Q, LI J F, CHEN X H, et al. Spatial variability of probability distribution of extreme precipitation in Xinjiang[J]. Acta Geographica Sinca , 2011, 66 (1) : 3–12 |
| [2] | MIN S K, ZHANG X, ZWIERS F W, et al. Human contribution to more-intense precipitation extremes[J]. Nature , 2011, 470 (7334) : 378–381 |
| [3] | 孙鹏, 张强, 白云岗, 等. 基于马尔科夫模型的新疆水文气象干旱研究[J]. 地理研究 , 2014, 33 (9) : 1647–1657 SUN P, ZHANG Q, BAI Y G, et al. Ransitional behaviors of hydrometeorological droughts in Xinjiang using the Markov chain model[J]. Geographical Research , 2014, 33 (9) : 1647–1657 |
| [4] | ZHANG Q, SINGH V P, LI J F, et al. Analysis of the periods of maximum consecutive wet days in China[J]. Journal of Geophysical Research , 2011, 116 (D23) : 2053–2056 DOI:10.1029/2011JD016088 |
| [5] | KLEIN T, ZWIERS F W, ZHANG X. Guidelines on Analysis of Extremes in a Changing Climate in Support of Informed Decisions for Adaptation.[M] Geneva, Switzerland: World Meteorol Organ, 2009 : 14 . |
| [6] | ALEXANDER L V, ZHANG X, PETERSON T C, et al. Global observed changes in daily climate extremes of temperature and precipitation[J]. Journal of Geophysical Research , 2006, 111 (D5) : 1042–1063 DOI:10.1029/2005JD006290 |
| [7] | ZHANG Q, XIAO M Z, LI J F, SINGH V P, et al. Topography-based spatial patterns of precipitation extremes in the Poyang Lake basin, China: changing properties and causes[J]. Journal of Hydrology , 2014, 512 : 229–239 |
| [8] | YANG T, SHAO Q X, HAO Z C, et al. Regional frequency analysis and spatio-temporal pattern characterization of rainfall extremes in the Pearl River Basin, China[J]. Journal of Hydrology , 2010, 380 : 386–405 |
| [9] | Gaál L, Kysely J. Regional frequency analysis of heavy precipitation in the Czech Republic by improved region-of-influence method[J]. Hydrology and Earth System Sciences Discussions , 2009, 6 (1) : 273–317 |
| [10] | 王东勇, 张娇, 朱红芳, 等. 淮河洪涝年7月上旬环流特征与近10年平均环流特征差异分析[J]. 气象 , 2008, 34 (8) : 63–69 WANG D Y, ZHANG J, ZHU H F, et al. Circulation characteristics over huaihe river basin during the first 10 days in July between recent flooding years and average of last 10 years[J]. Meteorological Monthly , 2008, 34 (8) : 63–69 |
| [11] | 平凡, 唐细坝, 高守亭, 等. 长江和淮河流域汛期洪涝大气环流特征的比较[J]. 中国科学:地球科学 , 2014, 44 (4) : 766–782 DOI:10.1007/s11430-013-4802-3(Ch) PING F, TANG X B, GAO S T, et al. A comparative study of the atmospheric circulations associated with rainy-season floods between the Yangtze and Huaihe River Basins[J]. Science China: Earth Sciences , 2014, 44 (4) : 766–782 |
| [12] | ZHANG Q, LI J F, SINGH V P, et al. Spatio-temporal relations between temperature and precipitation regimes: Implications for temperature-induced changes in the hydrological cycle[J]. Global and Planetary Change , 2013, 111 : 57–76 |
| [13] | 张庆云, 郭恒. 夏季长江淮河流域异常降水事件环流差异及机理研究[J]. 大气科学 , 2014, 38 (4) : 656–669 DOI:10.3878/j.issn.1006-9895.1402.13240(Ch) ZHANG Q Y, GUO H. Circulation differences in anomalous rainfall over the Yangtze River and Huaihe River valleys in summer[J]. Chinese Journal of Atmospheric Sciences , 2014, 38 (4) : 656–669 |
| [14] | 佘敦先, 夏军, 张勇, 等. 近50年来淮河流域极端降水的时空变化及统计特征[J]. 地理学报 , 2011, 66 (9) : 1200–1210 SHE D X, XIA J, ZHANG Y, et al. The trend analysis and statistical distribution of extreme rainfall event in the Huaihe River Basin in the past 50 years[J]. Acta Geographica Sinica , 2011, 66 (9) : 1200–1210 |
| [15] | 张正涛, 高超, 刘青, 等. 不同重现期下淮河流域暴雨洪涝灾害风险评价[J]. 地理研究 , 2014, 33 (7) : 1361–1372 ZHANG Z T, GAO C, LIU Q, et al. Risk assessment on storm flood disasters of different return periods in Huaihe River Basin[J]. Geographical Research , 2014, 33 (7) : 1361–1372 |
| [16] | XIAO M Z, ZHANG Q, SINGH V P, et al. Regionalization-based spatiotemporal variations of precipitation regimes across China[J]. Theoretical and Applied Climatology , 2013, 114 : 203–212 |
| [17] | DOUGLAS E M, VOGEL R M, KROLL C N. Trends in floods and low flows in the United States: impact of spatial correlation[J]. Journal of Hydrology , 2000, 240 : 90–105 |
| [18] | PETER J B, RICHARD A D. Introduction to Time Series and Forecasting.[M] New York: Springer The Bartlett Press, 2002 : 15 . |
| [19] | AHAMED A, DEY L. A K-mean clustering algorithm for mixed numeric and categorical data[J]. Data & Knowledge Engineering , 2007, 63 (2) : 503–527 |
| [20] | HOSKING J R, WALLIS J R. Regional Frequency Analysis: An Approach Based on L-moments.[M] Cambridge: Cambridge University Press, 1997 . |
| [21] | 熊立华, 郭生练. L-矩在区域洪水频率分析中的应用[J]. 水力发电 , 2003 (3) : 6–8 XIONG L H, GUO S L. Application of L-moments in the regional flood frequency analysis[J]. Water Power , 2003 (3) : 6–8 |
| [22] | 许月萍, 童杨斌, 楼章华. 无资料小流域设计洪水不确定性研究[J]. 中山大学学报(自然科学版) , 2008 (6) : 61–65 XU Y P, TONG Y B, LOU Z H. Estimating uncertainty in design flood for ungauged catchments[J]. Acta Scientiarum Naturalium Universitatis Sunyatseni , 2008 (6) : 61–65 |
| [23] | GRINGORTEN L L. A plotting rule for extreme probability paper[J]. Journal of Geophysical Research , 1963, 68 (3) : 813–814 |
| [24] | HAMED K H, RAO A R. A modified Mann-Kendall trend test for autocorrelated data[J]. Journal of Hydrology , 1998, 204 : 182–196 |
| [25] | MITCHELL J M，DZERDZEEVSKII B，FLOHN H. Climate Change[R] . Geneva: World Meteorological Organization, 1966. |
| [26] | XIE Z Q, DU Y, JIANG A J, et al. Climatic trends of different intensity heavy precipitation events concentration in China[J]. Journal of Geographical Sciences , 2005, 15 (4) : 459–466 |
| [27] | LU L H. Statistical Methods for Regional Flood Frequency Investigations [D] . Ithaca: Cornell University, 1991. |