旱涝灾害作为最严重的气象灾害, 已经对我国社会经济和人民生活, 尤其是农业生产造成严重影响。随着经济的迅速发展、人口增长及由此引起的全球气候变暖, 旱涝灾害还有进一步加重的趋势^[1]。由于我国农业基础设施相对薄弱, 抗御自然灾害的能力较差, 进行灾害的实时监测和准确预警有助于在一定程度上减轻旱涝损失, 促进农业生产持续稳定发展, 而建立具有针对性的、反映灾害特点以及与农业生产对象紧密结合的灾害指标则是准确监测预警的基础^[2]。

旱涝灾害主要由降水异常引起, 因此从气象角度定义的旱涝指标通常只考虑降水偏离常态的程度。而农业旱涝的严重程度同时还与对农作物生长发育和产量的影响大小有关。农业干旱程度一般以农作物需水量和实际亏缺量的多少以及对产量的影响程度来衡量; 农业涝渍的轻重是由土壤过湿或受淹的程度和持续时间对农作物生长发育及产量影响大小决定的^[3]。因此农业旱涝的形成是一个逐步累积、前效影响的过程, 其严重程度与作物的生长发育阶段密切相关。针对农业干旱已有土壤水分指标、作物旱情指标、作物需水量指标等很多评价指标^[4]。近年来, 随着作物模型的发展和应用, 出现了一些与作物生理过程相联系的农业干旱指标^[5-6], 省级气象部门也研制了各类针对本地的农业干旱监测指标^[7-9], 但是能够反映农业旱涝灾害特点并可供业务应用的监测预警气象指标还不是很多。江淮地区地处南北气候过渡带, 地形复杂、气候多变、旱涝灾害常常频繁交替发生^[10-11], 给当地的农业生产带来很大影响, 是研究农业旱涝气象指标及其可应用性检验的典型区域。本文拟从水分收支平衡观点出发, 以各作物的需水特性为前提, 构建含有前期旱涝信息的累积湿润指数, 建立既能反映旱涝灾害特点, 又与农作物发育阶段密切相关的可业务应用的江淮地区农业干旱和涝渍监测预警气象指标。用经过区域校准和检验的FAO Penman-Monteith模型简化方法计算参考作物蒸散量, 尝试用作物种植面积为权重求算区域宏观需水量, 使该指标能够用于实时业务, 为用多源信息综合监测当前农业干旱和涝渍, 预测未来旱涝发展趋势打下基础。

相对湿润度指数是中国气象局《干旱监测和影响评价业务规定》^①中的干旱指标之一, 它是降水量和参考作物蒸散量的相对比值, 反映了实际降水供给的水量与最大水分需要量的平衡关系, 是一个具有时空变化的旱涝指标。但由于地表覆盖、作物特性以及作物空气动力阻力不同等原因, 农田作物蒸散与以牧草表示的参考作物蒸散量有很大不同。考虑到农业旱涝指标应与作物生长过程中的水分供求状况相关联, 本文拟用作物潜在蒸散量取代上述指标中的参考作物蒸散量, 建立能够反映降水量与农田蒸散量 (即作物需水量) 二者平衡关系的相对湿润度指数。计算公式为:

①中国气象局. 《干旱监测和影响评价业务规定》(气发[2005] 135号(附件)).2005.

(1)

式(1)中, M_i为计算时段内的相对湿润度指数, P为相应时段的降水量, E_Tm为相应时段的作物潜在蒸散量。

(2)

式(2)中, E_T0为相应时段的参考作物蒸散量, K_c为相应时段的作物系数, 与作物本身的生物学特性 (种类、生长发育阶段)、产量水平、土壤条件等因素有关^[12]。经K_c订正后, 得到的E_Tm是某作物某阶段的农田需水量, 相应的相对湿润度指数具有农业意义。

参考作物蒸散量是计算作物潜在蒸散量的基础。本文用FAO 1998年推荐的FAO Penman-Monteith方法 (简称FAO P-M模型) 计算参考作物蒸散量 (E_T0) ^[13], 该方法定义了一个高0.12m, 表面阻力为70s·m^-1, 反射率为0.23的假想参考作物面, 代表同一高度、生长旺盛、完全覆盖地面、水分充足的广阔绿色植被, 避免了作物因素的影响, 使得E_T0仅为气候要素的函数。

应用FAO P-M模型计算参考作物蒸散量需要逐日最高、最低气温; 平均相对湿度; 风速和日照等多项气象要素, 在进行旱涝监测预警时, 实时气象资料往往难以满足要求, 该模型的简化式对部分缺测要素提出了简化和估算方法^[13]。本文从便于业务应用的角度出发, 利用安徽省气象资料对辐射和实际水气压的简化式进行估算和误差分析, 在精度满足要求的前提下, 用FAO P-M模型的简化方法计算实时参考作物蒸散量。

净辐射是FAO P-M模型计算的基础, 而太阳辐射估算的准确程度又是简化式应用的关键。当日照时数资料缺乏时, FAO推荐用公式^[13] :

(3)

计算太阳辐射 (R_s), 式 (3) 中T_max, T_min为最高、最低气温, R_a为天文辐射, k _Rs为大水体对温度影响修正系数。

净短波辐射:

(4)

式(4)中, α为地表反射率, 绿色植被的反射率通常取值为0.23。

本文用安徽省合肥和屯溪两个辐射观测站1994-2003年实测辐射资料旬合计值 (720个样本) 及淮北、江淮、江南和皖南山区10个代表站10年短波辐射精确式计算和简化式估算的结果进行逐旬校准和检验 (共计3600个样本)。各站估算值与实测值及精确值的对比分析表明, 修正系数k_Rs是一个对平均气温和日较差都很敏感且与区域特征有关的变量。k_Rs随日较差和平均气温的增大而增大, 且区域间存在差异。通过调整k_Rs来减小短波辐射简化式的误差, 确定了各地区不同温度和日较差条件下的k_Rs值 (k_Rs值的变化幅度为0.10~0.26, 台站年平均值变幅为0.16~0.18), 平原和靠近大水体的k_Rs大, 山区和远离大水体的k_Rs小, 其变化规律和变化幅度与文献[13-14]的研究结果一致。各站简化式估算值与实测值以及精确式计算值的相对误差为10%左右。

FAO P-M模型中长波辐射的估算需要实际水汽压。当实际水汽压资料缺乏时FAO推荐用公式^[13] :

(5)

估算实际水汽压。此估算式用最低温度 (T_min) 代替了原式中的露点温度 (T_dew)

在植被覆盖良好、充分灌溉的农田, 每日的露点温度近似于最低温度, 但在干燥的地区露点比最低温度低2~3℃ ^[13]。在实际应用时需要用能反映干湿状况的指标把最低温度订正到露点温度。鉴于日较差和最低温度与露点温度的差值呈反相关, 本文用日较差作为反映干湿状况的指标, 并利用实测气温资料分析日较差和最低温度与露点温度之差的关系, 确定了不同日较差条件下最低温度的订正值。经逐旬误差分析 (样本与辐射相同), 订正后的简化式实际水汽压计算值 (e_a) 与实测的相对误差为5%~10%。

通过以上处理得到的长波辐射, 经过相同样本的逐旬检验, 其简化式估算值和精确式的相对误差在10%以内。

辐射平衡^[13] :

(6)

式(6)中, R_ns为净短波辐射, R_nl为净长波辐射。

在对简化式中净辐射项进行推算和检验的基础上, 对其他缺乏参数, 如土壤热通量、气压、风速等均用FAO推荐的方法进行了处理, 得到安徽省各站参考作物蒸散量的估算值, 并对其进行了误差分析 (表 1)

表 1

表 1 1994-2003年安徽省35个台站旬参考作物蒸散量简化式和精确式误差分析 Table 1 Error analysis on simplified and precise formulas of the reference evapotranspiration for 35 stations in Anhui during 1994-2003

表 1 1994-2003年安徽省35个台站旬参考作物蒸散量简化式和精确式误差分析 Table 1 Error analysis on simplified and precise formulas of the reference evapotranspiration for 35 stations in Anhui during 1994-2003

由表 1可知, 简化式模拟的参考作物蒸散量相关系数均通过99%信度检验, 误差的3个统计量总体以秋季最小, 春季最大; 夏季误差偏小, 但均方根误差最大; 冬季误差偏大, 但均方根误差最小。

由于安徽省各农业区域具有不同的种植制度和主栽作物, 在不同时段有多种在地作物, 因此在宏观旱涝监测中如何确定各区域作物系数是正确估算区域作物潜在蒸散量的关键。为满足业务需要, 本文首先根据地理气候特点和作物布局将安徽省划分为淮北、沿淮、江淮、沿江和皖南等农业气候区, 然后求算按月历时序的区域作物系数。文献[15-16]提供了江淮地区主要农作物冬小麦、水稻、棉花和其他旱粮与各作物发育期相对应的逐月作物系数; 油菜、甘薯的作物系数利用由安徽省田间试验得到的各发育期需水强度^[17]转化为对应的逐月需水强度以及相应时段的参考作物蒸散量计算得到。大田条件下的区域作物系数应是区域内各在地作物面积权重的平均值, 图 1为各区域作物系数加权平均值的逐月变化。

图 1

图 1. 安徽省各区域作物系数加权平均值的逐月变化 Fig 1. The monthly change of weighting means of crop coefficients in different regions of Anhui

由图 1可见, 安徽省各区域作物系数加权平均值的逐月变化均表现出双峰曲线, 其峰谷与夏收作物和秋收作物的旺盛生长期以及收种交替期相吻合, 峰谷位相与振幅的差异反映了由种植制度差异引起的各区域的农田需水特征。

为反映农业旱涝逐步累积、前效影响的特征, 本文以逐旬相对湿润度指数为基础, 构造可反映旱涝渐变的累积湿润指数经验公式。该公式由两个分量构成, 一个是当旬的湿润指数, 另一个是前期湿润指数。引入一个可反映水分供需关系的气候特征变量α作为当旬分量的权重系数, 前期分量权重为1-α。由于农田蒸散主要受温度的影响, 因此α为旬平均气温的函数。通过对各温度条件下的当旬分量和前期分量以不同的权重系数加权求和, 得到多个累积湿润指数, 将该指数与农业气象旬报和土壤墒情的实际旱涝状况进行对比分析, 与实际状况符合率较高者为适宜权重, 由此得到旬平均气温和α的关系 (表 2)

表 2

表 2 权重系数α随旬平均气温的变化 Table 2 The changes of weighting coefficient α with ten-day mean temperature

表 2 权重系数α随旬平均气温的变化 Table 2 The changes of weighting coefficient α with ten-day mean temperature

前期旱涝对本旬的影响主要体现在影响时段和影响程度两个方面。在影响时段, 不同季节影响的旬数不同, 夏季气温高, 又处于农作物旺盛生长期, 农田蒸散强烈, 当前旱涝受前期影响时间短, 冬季气温低, 农作物植株体弱小, 农田蒸散量也小, 当前旱涝受前期影响的时间长; 在影响程度段, 离本旬越远的旬对本旬旱涝影响程度越小, 越近影响越大。由此构造前期影响经验公式项:

此项使本旬之前若干旬的旱涝影响程度得以累积表达。其中为动态权重系数, 反映了前期第i旬旱涝对本旬旱涝程度的贡献率, 其n旬权重合计值等于1。

至此, 得到累积湿润指数表达式:

(7)

式 (7) 中, M_a为累积湿润指数; α为权重系数; _M0为本旬湿润指数; M_i为前i旬的的湿润指数; n为向前滚动的旬数, 冬季为5旬, 春秋季为4旬, 夏季为3旬。

由于农业气象观测资料的汇集基本以旬为时间尺度, 因此为方便业务应用, 建立该指标的旬旱涝等级标准。该等级标准通过和安徽省土壤墒情实测值 (土壤墒情资料为安徽省宿州、合肥、亳州、蒙城、寿县等代表站20世纪80年代和90年代以来的数据, 以及2004年8月-2005年12月期间66个观测站墒情普查数据) 的对比分析、检验得到。旱涝等级沿用相对湿润度指数的9级, 其中旱、涝各为4级。由于江淮地区处于气候过渡区, 南北气候差异使得下垫面干湿状况具有不同的特征。因此确定了半湿润和湿润区的两套旬旱涝等级标准 (表 3)。

表 3

表 3 累积湿润指数Ma区域旬旱涝等级标准 Table 3 The classes of droughts and floods of accumulative humidity index in ten days

表 3 累积湿润指数Ma区域旬旱涝等级标准 Table 3 The classes of droughts and floods of accumulative humidity index in ten days

由于土壤墒情指标主要用来监测干旱, 只分为过湿、正常、轻旱、中旱、重旱5个等级, 与累积湿润指数的9个等级有差距。为便于定量比较, 将土壤墒情也分为9级, 根据10 cm和20 cm的平均值 (反映土壤上层旱涝) 划分旱涝等级。累积湿润指数与用“逢8”(每月8日、18日、28日) 的土壤墒情等级及“逢3”(每月3日、13日、23日) 与“逢8”土壤墒情等级平均值两种情况比较, 两者总体差异不明显, 因此用逢8实测的数据与累积湿润指数进行检验和应用的误差分析。

该指数于2006年开始业务试应用, 2007年正式投入业务应用。指标的检验和应用结果表明 (表 4), 累积湿润指数与土壤墒情指标在大部分情况下反映的旱涝趋势基本一致, 其中与土壤墒情实测质量较好的长序列站点资料的符合程度好于区域普查。从旱涝级别看, 正常和较正常 (4~6级) 的符合率最高, 指标检验等级差≤2级的符合率达到96%以上, 指标应用符合率也达到近94%;其次是干旱 (7~9级), 等级差≤2级的符合率为70%~90%;涝灾 (1~3级) 的符合率相对偏低, 等级差≤2级的符合率为60%~70%。总体上看, 指标检验时等级完全符合和差一个等级样本的达到60%~70%, 加上差两个等级的, 共占样本总数的80%~90%;指标应用基本符合率也达到近80%。由于土壤墒情和累积湿润指数在监测手段、监测时效等方面存在较大差异, 10%~20%的误差可视为允许误差。从站点指标的符合率, 各等级样本占总样本的比例和符合率等方面看, 累积湿润指数基本反映了农田土壤水分状况。

表 4

表 4 累积湿润指数和土壤墒情等级检验及应用结果 Table 4 Results of the comparision between the classes of accumulative humidity degree index and those of soil moisture

表 4 累积湿润指数和土壤墒情等级检验及应用结果 Table 4 Results of the comparision between the classes of accumulative humidity degree index and those of soil moisture

用宿州 (淮北地区) 和合肥 (江淮地区) 代表站2005年和2006年的资料进行更细致的检验。除去几旬因取土前降雨无法进行土壤墒情实测的样本外, 共有134个有效样本。结果表明:累积湿润指数和土壤墒情等级完全相同和差一个等级的占样本总数的68.7%, 差两个等级占21.6%, 共占样本总数的90.3%。图 2为2006年的逐旬对比情况。

图 2

图 2. 宿州和合肥2006年逐旬累积湿润指数与土壤墒情等级分布图 Fig 2. The distribution of dekad accumulative humidity and soil moisture degree index of Suzhou and Hefei in 2006

进一步分析2006年累积湿润指数和土壤墒情等级相差较大时次两指数差异较大的原因。宿州2006年2月上旬和下旬因取土前有雨雪天气未进行土壤墒情实测, 中旬的土壤墒情为1级 (特涝), 而这3旬累积湿润指数等级均为4级, 轻涝。实况为这3旬降水量分别为5.2 mm, 9.9 mm和5.8 cm, 偏少16%~25%, 但前期降水偏多, 其中1月中旬降水量25.8 mm, 偏多3倍, 因此2月虽降水偏少, 但是土壤底墒好, 累积湿润指数反映了农田湿润程度的累积状况; 而由于这3旬的降雨日分别在6-7日、15-16日、28日 (墒情实测日前或当日), 土壤墒情实测不能进行或为特涝。合肥2006年8月上旬土壤墒情实测为2级, 重涝; 累积湿润指数5级, 正常, 相差3级。实况为8月上旬降水量42.5 mm, 偏多27%, 前期7月的降水量为184.5 mm, 偏多14%。降水量总体略偏多, 但由于此时正是作物旺盛生长期, 对水分需求大, 累积湿润指数反映了农田水分供需基本平衡。而由于降水日在6-9日, 土壤墒情反映为重涝。合肥9月上旬土壤墒情为8级, 重旱, 累积湿润指数5级, 正常, 相差3级。实况为本旬降水量23.6 mm, 偏少16.9%, 但是从7月下旬到8月下旬累积降水量距平为40%, 前期降水量总体偏多, 累积湿润指数考虑了前期影响。分析表明, 以上各例土壤墒情和累积湿润指数旱涝等级差异较大的原因是由于土壤墒情实测受当时的天气条件影响很大, 墒情实测值只反映了取土当时的农田湿润状况, 而累积湿润指数在旬时间尺度上更好地反映了农业旱涝累积和渐进的特征。

累积湿润指数从2007年4月起投入农业旱涝预警业务应用。通过旱涝监测预警业务系统, 根据安徽省气象台中期 (旬) 分区预报结论, 将降水量和气温的预测值和历史平均值进行对比计算, 分区域订正, 形成预警气象要素数据文件, 计算农业旱涝等级和成图, 对下一旬的农业旱涝状况进行预警。

用2007年4月中旬至12月上旬24次的预警结果与土壤墒情对比分析, 其中旱涝预警范围和程度基本符合的5次, 旱涝趋势符合, 范围、程度有偏差的9次。部分符合 (旱报出来、涝未报出来, 或反之; 或部分地区正确) 的9次, 全区错误的1次。图 3为2007年5月中旬和7月下旬预警业务产品和土壤墒情实测以及实际监测结果的对比分析, 由图 3可见5月中旬预警结果与土壤墒情对比, 除沿江西部旱情和皖南局部涝没报出来外, 基本能反映本旬旱情, 与累积湿润指数监测结果基本接近; 7月下旬的预警结果与土壤墒情对比除沿江西部和皖南局部旱情没报出来外, 江淮以北地区的涝灾反映正确, 与累积湿润指数监测结果相比, 涝灾面积略偏小。这两次分别属于基本符合和部分符合级别。

图 3

图 3. 2007年5月、7月安徽省累积湿润指数预警、监测结果与土壤墒情实测结果对比 Fig 3. Comparison of drought by early warning and monitoring using acculated moisture index with the results based on measured soil moisture in May and July of 2007

从预警和实况的总体及个例对比分析结果可以看到:首先, 旱涝预警对中期降水量预报依赖程度较高, 准确度受到一定影响, 但是由于累积湿润指数中含有前期旱涝实况信息, 预警趋势大部分正确; 其次, 由于降水预报的区域分异度不高, 因此旱涝预警往往只能把握总体趋势, 而对局部旱涝的预警能力不够; 第三, 由于土壤墒情实测和累积湿润指数监测手段的差异, 累积湿润指数的旱涝预警与累积湿润指数监测结果的符合程度优于土壤墒情。

1) 本文提出的农业旱涝监测预警指标以相对湿润度指数为基础, 用作物潜在蒸散量取代参考作物蒸散量, 反映了农田作物需水特性; 并考虑前期旱涝程度对当前旱涝状况的累积影响, 含有前期和当前旬旱涝状况分量信息, 在指标构成中不同季节、不同温度条件具有不同的前期时效长度和影响权重, 前期各旬的影响权重也有差异, 较好地体现了农业旱涝特征。

2) 利用实测气温资料对FAO Penman-Monteith模型简化式各参数进行校准和检验, 在此基础上估算参考作物蒸散量, 有效地将FAO P-M模型应用于业务; 以各区主栽作物的作物系数为基础, 以在地作物面积为权重求出区域逐月农田作物系数的加权平均值, 得到区域作物潜在蒸散量, 使利用相对湿润度指数进行宏观农业旱涝监测成为可能。

3) 该指标用于旱涝监测, 与土壤墒情指标的定量符合率为60 %~70%, 定性符合率为80%~90%。从站点情况看, 长序列土壤墒情监测点结果好于区域普查结果; 从旱涝等级看, 正常和较正常等级的符合率最高, 其次是干旱, 涝灾较差。由于土壤墒情在监测时效、监测手段等方面和累积湿润指数存在较大差异, 10%~20%的误差可视为允许误差。从站点指标的符合率, 各等级样本占总样本的比例和符合率等方面看, 累积湿润指数基本反映了农田土壤水分状况。

该指标用于旱涝预警, 其准确性受安徽省气象台中期降水量预报的影响, 但是由于该指标中含有前期旱涝信息分量, 因此对旱涝趋势的预测大体正确。从业务需要出发, 预警准确性还要进一步提高, 在目前条件下, 一方面可以通过对中期降水预报过程信息的分解生成逐日数据; 另一方面可在对该指标时间动态变化规律分析的基础上进行统计预测, 修正降水预报误差。

农业旱涝是我国最主要的农业气象灾害, 对农业旱涝的监测预警服务一直是农业气象业务工作的重点。目前对农业旱涝的监测预警有土壤墒情指标、遥感指标和气象指标。但是由于农业旱涝成因复杂, 影响广泛, 各指标均有其优势和不足, 因此加强对农业旱涝综合监测预警技术的研究将是十分必要的。