海河流域60年降水量的变化及未来情景分析

鲍振鑫，张建云，严小林，王国庆，贺瑞敏

(1. 南京水利科学研究院水文水资源与水利工程科学国家重点实验室，江苏南京 210029； 2. 水利部应对气候变化研究中心，江苏南京 210029)

水资源是支撑社会经济发展不可替代的基础性自然资源。水文循环是水资源更新和可持续性开发利用的源动力。降水是水文循环的重要环节，是水资源最主要的来源，其微弱的改变会对流域水文循环过程产生重要的影响，从而改变区域水资源的时空分布状况[1-2]。近几十年来，受气候变化的影响，大气环流状况发生了变化，全球范围内降水的时空分布呈现出区域性变化特点[3]。因此研究气候变化背景下降水量的历史演变规律，揭示其变化原因并预测未来降水量的可能情景，对于保障流域的水资源安全、支撑区域经济社会可持续发展，具有重要的科学价值和实际意义。

利用趋势检验方法，很多学者诊断了降水量的历史变化特征。例如：Z.Cong等[4]发现在过去50年，受季风减弱的影响，中国北方的降水有所减少，但是南方的降水呈现增加趋势。G.B.Fu等[5]发现在过去40年华北平原的年降水量减少了43.9 mm(6.7%)，减少趋势不显著。Y.Yang等[6]指出从1960—1999年，海河流域的8个子流域中有5个子流域降水量的变化趋势不显著。J.Chu等[7]的研究结果表明，1958—2007年间海河流域的降水量呈下降趋势，尤其是1980年以后更明显；在季节上，夏季的下降幅度最大，而春季有所增加。翟劭燚等[8]分析了海河流域1956—2006年降水量的周期性变化，检测出存在4，7，10和准24年的主周期变化。马颖等[9]检测了海河流域降水的历史变化特征。刘学锋等[10]分析了过去47年海河流域降水极值的时空演变特征。王利娜等[11]分析了海河流域近50年降水量的时空变化特征。这些研究主要侧重于对降水量历史演变规律的检测。对于从大气环流变化的角度来解释降水量变化原因的研究还较少。此外，如何准确预测未来降水量的可能情景依然是水文气象学家面临的一个难题。

1 流域概况

1.1 海河流域概况

海河流域位于中国北方，东经112°～120°，北纬35°～43°之间，西以山西高原与黄河流域接界，北以蒙古高原与内陆河流域接界，南靠黄河、东临渤海。海河流域面积为32万km2，占全国总面积的3.3%。流域属于温带东亚季风气候区，年平均气温在0～14.5℃，年平均降水量535 mm，是我国东部沿海降水最少的地区，属半湿润半干旱地带，年平均陆面蒸发量470 mm，水面蒸发量1 073 mm。年平均气温与年降水量基本上从东南沿海向西北内部依次递减，但是在流域西部和东北部山区迎风坡前有2个年降水量极值中心。流域内人均总水资源占有量为276 m3，仅为全国平均的13%，远低于人均1 000 m3的国际水资源紧缺标准；亩均水资源量213 m3，为全国平均水平的15%。在全国各大流域中，海河流域的人均、亩均水资源量最低。2005年海河流域总人口1.34亿，占全国的10.2%，国内生产总值(GDP)25 750亿元，占全国的14.1%，人均GDP为1.92万元，高出全国平均水平的1.38倍。海河流域人口密集，大中城市众多，是我国重要的工业基地和高新技术产业基地，在我国政治经济中占有重要的地位。

1.2 研究资料

选取了海河流域内的37个气象站，包括1951—2010年日过程的降水量资料。这些气象资料由中国气象局发布，具有很好的科学性和准确性。利用泰森多边形法则，可以计算得到面平均降水量的日过程序列。

评估未来的降水量变化情景，主要依赖于全球气候模式(GCM)。IPCC(政府间气候变化专门委员会)第4次评价报告中共采用了24个GCMs，本文采用其中的4个，分别为：澳大利亚的CSIRO-Mk 3.0，德国的MPI-OM，美国的NCAR-CCSM3和英国的HadCM3。将1961—1990年作为基准期；未来的2010—2099年分为3个时期：2010—2039年，2040—2069年和2070—2099年，分别记为2020S，2050S和2080S。

利用GCMs对未来的全球气候变化情景评估，首先需要确定未来的人口、经济发展、环境和全球分布等驱动因子，然后确定温室气体和硫化物气溶胶排放情景，根据大气浓度计算大气层顶的辐射强迫，最后分析未来气候要素的变化。在IPCC的第4次评价报告中采用了SRES排放情景，它包含了A1，A2，B1和B2这4个情景族共40种不同的排放情景。其中A情景是高排放情景，B情景是低排放情景；1情景表示全球化显著，2情景则反应了明显的区域特性。A1情景描述了一个经济高速发展的世界，全球人口在21世纪中期达到峰值，并快速引进新的和更高效的技术，同时大幅度降低地区性的差异，其中的A1B情景反应了各种能源的使用达到了平衡；在A2情景下，未来世界的发展很不均衡，人口持续增长，经济增长和技术变化有明显的区域特性，全球化不明显；B1情景的人口增长和A1情景类似，但是经济结构向服务和信息转变，从全球角度实现经济、社会和环境的可持续发展；在B2情景下，人口增长低于A2情景，经济中等发展，技术多样化，侧重于从区域角度实现经济、社会和环境的可持续发展。为了充分反映未来的各种可能变化，本文选用了4种SRES气候变化排放情景：A1B，A2，B1和B2。

2 计算方法

采用由H.B.Mann和M.G.Kendall提出的Mann-Kendall非参数趋势检验方法来检测水文气候要素演变趋势的显著性水平[12-13]。由于具有能够处理非正态分布数据、不受少数异常值的干扰、计算简单效率高等优点，Mann-Kendall趋势检验方法在很多领域得到了广泛应用，其计算步骤如下：

①给定原假设H0，样本序列没有显著上升或者下降趋势。

②构造Mann-Kendall统计量UFi，来检验原假设是否成立，其计算公式为：

(1)

(2)

(3)

式中：xi是样本容量为n的系列。如果它服从独立随机同分布，则Si的期望值和方差可由下式计算：

(4)

③给定一个显著性水平α，由正态分布表可以查得临界值Uα/2。当UFiUα/2时，拒绝原假设，即趋势显著。而且，UFi>0表示序列呈上升趋势；UFi<0表示序列呈下降趋势。

3 计算结果分析

3.1 降水量的历史演变规律

图1 1951—2010年海河流域降水量演变规律Fig.1 The trend of precipitation during 1951— 2010 in the Haihe River basin (HRB)

1951—2010年，海河流域的年降水量呈减少趋势，其递减速率为16.3 mm/10年(图1)。最大年降水量发生在1964年，为817 mm；紧随其后的1965年降水量只有355 mm，是降水最少的一年。流域年降水量在20世纪60年代初期之前偏多，此后降水量偏多偏少年交替出现，进入80年代降水开始减少，90年代末期后持续减少。Mann-Kendall检验结果表明年降水量的减少趋势显著，达到了5%的水平。各个月降水量的变化趋势不相同(图2(a))。5月、6月和9月的降水量呈增加趋势，但是都不显著；其他9个月的降水量呈减少趋势，其中只有11月达到了5%的显著性水平，8月达到了1%的显著性水平。可见夏季降水的减少是年降水量减少的主要原因。流域内37个气象站中，有35个站的年降水呈减少趋势，其中有5个位于流域北部气象站的减少趋势达到了5%的显著性水平(图3(b))。2个呈现增加趋势的气象站位于流域南部，但是增加趋势都不显著。

(a) 时间趋势 (b) 空间分布图2 降水量的趋势检验Fig.2 The Mann-Kendall testing statistics values for precipitation in the HRB

3.2 降水量的变化成因

海河流域降水年代以及年代际的波动和下降趋势的动力机理十分复杂，受到厄尔尼诺南方涛动(El Nino-Southern Oscillation，ENSO)、太平洋年代波动(Pacific decadal oscillation，PDO)和太平洋年代内的波动(Interdecadal Pacific oscillation，IPO)等因素的影响。

图3 1951—2010年标准化的海河流域年降水量与SOI，IPO和PDO序列(降水量，SOI和PDO是5年滑动平均过程)Fig.3 Time series of normalized annual precipitation of HRB， SOI， IPO， and PDO index from 1951 to 2010 (The time series of annual precipitation，SOI，and PDO index were smoothed with a 5-yr moving average filter)

(1)ENSO对海河降水的影响。ENSO通常由南方涛动指数(Southern Oscillation index，SOI)来表示。观测数据表明，SOI和海河流域降水具有较好的正相关，即SOI是正值时，海河流域降水偏高；而SOI是负值时，海河流域降水偏小(图3)。SOI由澳大利亚Tahiti和Darwin站的月或者季节的气压差来计算。持续负的SOI值表示EL Nino事件，这时中东部赤道太平洋的海水温度异常偏高，太平洋风的强度会降低；而正的SOI表示La Nina事件，通常伴随着强烈的太平洋风和较高的西南赤道太平洋海水温度，与此同时中东部赤道太平洋的海水温度会异常偏低。在EL Nino事件的发展阶段，夏季西赤道太平洋的海水温度异常偏低，在中国南海和菲律宾附近的对流活动偏弱，导致副热带高气压带南移，从而中国北方降水稀少；相反的，在EL Nino事件的衰退阶段，菲律宾附近的对流活动偏强，副热带高气压带北移，干旱少雨就发生在长江和淮河流域，而海河流域的降水就会偏高[14]。

(2)PDO和IPO对海河降水的影响。观测数据表明，PDO和IPO与海河流域降水具有较好的负相关(图3)。PDO是太平洋气候波动的一种表征，由20°N以北的太平洋海水温度高低来表示，通常具有20～30年的变化特征[15]。当PDO是正值时，西太平洋较冷，而部分东太平洋处于温暖状态，反之亦然。IPO表示相似的太平洋北部和南部的海水温度和海平面气压，通常具有15～30年的循环。如果中东部赤道太平洋的海水温度偏高，而北太平洋中部的海水温度偏低，这时太平洋就处于温暖阶段，副热带高气压带系统异常偏北，中国北方受到高压控制，输送过来的水汽量会减少，从而导致海河流域降水较少。

3.3 未来降水量情景

3.3.1年平均值变化 在未来气候变化背景下，海河流域的年降水量将呈现出增加趋势，但是不确定性较大，即不同的气候模式在不同气候情景下的预测值差别很大(图4)。

(a) 时间序列距平值 (b) 未来相对基准期变化图4 未来年降水量情景Fig.4 The future scenarios of precipitation

例如，在A1B情景下NCAR-CCSM3的模拟结果显示，与基准期相比在2020S，2050S和2080S，年降水量将分别增加14%，30%和33%。随着时间的推移，各个GCMs在不同情景下降水量模拟值的差异将越来越大。在2020S，年降水量的变化幅度为-2%～16%；在2050S为4%～30%，2080S为5%～39%。没有明显的迹象表明哪一个情景下的降水量增加程度最大或者最小。以NCAR-CCSM3为例，在2020S，A1B和A2情景下的降水量增加程度分别为最大的14%和最小的10%；然而在2080S，A2情景下降水量增加最大(39%)，而B1情景下最小(16%)。

3.3.2月平均值变化 模拟的未来3个时期月降水量相对于基准期的变化见图5。在2020S的12个月中，除了4—6月份共有9个月的降水量可能会增加。例如5月份和7月份降水量变化的50%分位点分别为-0.35%和18.7%。在2050S，除了11月份共有11个月的降水量可能会增加；在2080S，除了6月份也共有11个月的降水量可能会增加。总体而言，在未来气候变化背景下，4—6月份的降水量增加程度最小；而降水量增加程度最大的时期不固定。在2020S，8月份的降水量增加程度最大(50%分位点是21.3%)，在2050S，1月份的降水量增加程度最大(50%分位点是52.3%)，在2080S，12月份的降水量增加程度最大(50%分位点是51.3%)。

(a) 2020S (b) 2050S (c) 2080S图5 未来3个时期月平均降水量相对于基准期变化Fig.5 Relative change of monthly precipitation in the 21st century compared to the baseline period

图6 A1B情景下未来3个时期年平均降水量相对于基准期变化的空间分布Fig.6 The spatial distribution of precipitation change in the 21st century compared to the baseline period under the A1B scenario

3.3.3变化的空间分布 以A1B情景为例，图6显示了4个GCMs模拟的未来3个时期降水量相对于基准期变化的空间分布。CSIRO-Mk 3.0模拟的未来流域东北部的降水量将呈现增加趋势，而西南部的降水量将减少。在2020S，MPI-OM模拟的流域大部分地区的降水量将减少；而在2050S和2080S，除了西南部的部分地区，流域大部分地区的降水量将增加。NCAR-CCSM3模拟的未来流域西部的降水量增加幅度要小于东部。PRECIS模拟的未来流域北部的降水量增加幅度要大于南部。

4 结 语

(1)1951—2010年，海河流域的年降水量呈显著减少趋势，达到了5%的水平，其中夏季降水减少的幅度最大。

(2)SOI和海河流域降水具有较好的正相关，而PDO和IPO与海河流域降水具有较好的负相关。

(3)在未来气候变化背景下，海河流域的年降水量和月降水量都将呈现增加趋势，但是不确定性较大。在A1B情景下，总体上流域东部降水量的增加幅度要大于流域西部。

参 考 文 献：

[1]张建云， 王国庆. 气候变化对水文水资源影响研究[M]. 北京： 科学出版社， 2007. (ZHANG Jian-yun， WANG Guo-qing. The impact of climate change on water resources[M]. Beijing： Science Press， 2007. (in Chinese))

[2]BAO Z， ZHANG J， LIU J， et al. Sensitivity of hydrological variables to climate change in the Haihe River basin， China[J]. Hydrological Processes， 2012， 26(15)： 2294-2306， doi： 10.1002/hyp. 8348.

[3]IPCC. Climate change 2007： synthesis report[R]. Geneva， Switzerland， 2007.

[4]CONG Z， ZHAO J， YANG D， et al. Understanding the hydrological trends of river basins in China[J]. Journal of Hydrology， 2010， 388： 350-356.

[5]FU G B， CHARLES S P， YU J J， et al. Decadal climatic variability， trends， and future scenarios for the North China Plain[J]. Journal of Climate， 2009， 22， 2111-2123.

[6]YANG Y， TIAN F. Abrupt change of runoff and its major driving factors in Haihe River catchment， China[J]. Journal of Hydrology， 2009， 374， 373-383.

[7]CHU J， XIA J， XU C， et al. Spatial and temporal variability of daily precipitation in Haihe River Basin， 1958-2007[J]. Journal of Geographical Sciences， 2010， 20(2)： 248-260.

[8]翟劭燚， 张建云， 刘九夫， 等. 海河流域近50年降水变化多时间尺度分析[J]. 海河水利， 2009(1)： 1-3. (ZHAI Shao-yi， ZHANG Jian-yun， LIU Jiu-fu， et al. Multiple time-scale analysis of precipitation variation in Haihe River Basin during last 50 years[J]. Haihe Water Conservancy， 2009(1)： 1-3. (in Chinese))

[9]马颖， 张松涛. 海河水系降水与径流趋势变化及突变分析[J]. 海河水利， 2010(6)： 4-6. (MA Ying， ZHANG Song-tao. The trends and breakpoints of the precipitation and runoff in the Haihe River Basin[J]. Haihe Water Conservancy， 2010(6)： 4-6. (in Chinese))

[10]刘学锋， 向亮， 于长文. 海河流域降水极值的时空演变特征[J]. 气候与环境研究， 2010， 15(4)： 451-461. (LIU Xue-feng， XIANG Liang， YU Chang-wen. Characteristics of temporal and spatial variations of the precipitation extremes in the Haihe River basin[J]. Climatic and Environmental Research， 2010， 15(4)： 451-461. (in Chinese))

[11]王利娜， 朱厚华， 鲁帆， 等. 海河流域近50年降水量时空变化特征分析， 干旱地区农业研究， 2012， 30(2)： 242-246. (WANG Li-na， ZHU Hou-hua， LU Fan， et al. Characteristics of temporal and spatial variation of precipitation in Haihe River Basin during recent 50 years， 2012， 30(2)： 242-246. (in Chinese))

[12]MANN H B， Non-parametric tests against trend[J]. Econometrica. 1945(13)： 245-259.

[13]KENDALL M G. Rank correlation methods[M]. 4th ed. London： Charles Griffin， 1975.

[14]HUANG R H， WU Y F. The influence of ENSO on the summer climate change in China and its mechanism[J]. Advances in Atmospheric Sciences， 1989， 6(1)： 21-30.

[15]BIONDI F， GERSHUNOV A， CAYAN D. North Pacific decadal climate variability since 1661[J]. Journal of Climate， 2001， 14(1)： 5-10.