1990—2019年中亚五国干旱状况时空变化特征及大气涛动驱动分析*

彭 宇, 李发东,3**, 徐 宁, Rashid Kulmatov, 高克昌, 王国勤, 张永勇, 乔云峰, 李艳红, 杨 涵, 郝 帅, 李 琦, Sayidjakhon Khasanov

1990—2019年中亚五国干旱状况时空变化特征及大气涛动驱动分析*

彭 宇1,2, 李发东1,2,3**, 徐 宁1,2, Rashid Kulmatov4, 高克昌5, 王国勤1,6, 张永勇7, 乔云峰1,2, 李艳红8, 杨 涵8, 郝 帅8, 李 琦1,3, Sayidjakhon Khasanov1,2

(1. 中国科学院地理科学与资源研究所生态系统网络观测与模拟重点实验室 北京 100101; 2. 中国科学院大学 北京 100049; 3. 石河子大学水利建筑工程学院 石河子 832000; 4. 乌兹别克斯坦国立大学 塔什干 100170; 5. 华南理工大学 广州 510006; 6. 联合国环境署-国际生态系统管理伙伴计划 北京 100101; 7.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; 8. 新疆师范大学 乌鲁木齐 830054)

咸海的迅速萎缩导致中亚五国的干旱问题引起了科学界的特别关注。为厘清中亚五国近30年来水分条件状况, 探究影响其变化的气候驱动要素, 本文使用帕默尔干旱指数(PDSI)对1990—2019年中亚五国干旱时空变化特征进行评估, 并结合交叉小波变换揭示了大气涛动对其干旱状况的驱动影响。结果表明: 中亚五国的干旱指数呈现周期性交替变化, 年际变化率增大; 夏秋旱、冬春湿的季节性干旱特征减弱, 不同时间段的PDSI变异程度加剧, 并表现出2018年后进入新一轮干期的可能。干旱程度总体呈现自西南向东北逐渐减轻、自东南山区向中西部平原逐步加重的格局; 1990—2019年干旱重心由西南内陆腹地向哈萨克斯坦中西部地区转移, 帕米尔和西天山山脉干旱程度呈波动上升态势。青藏高原指数(TPI)对PDSI变化表现出明显的驱动作用, 在1990—2019年整个时间序列上均有较高的周期性强度, 拥有1~3年(1995—2000年)、4~5年(2010—2015年)和8~10年(2015—2019年)3个明显年际尺度的震荡周期。总之, 1990—2019年中亚五国整体干旱状况趋好, 干旱变异程度加剧, 干旱空间分异明显, TPI在年际尺度上是驱动PDSI变化的大气涛动要素。

帕默尔干旱指数(PDSI); 中亚五国; 干旱; 驱动力; 大气涛动; 交叉小波分析

干旱作为全球最严重的自然灾害之一[1], 对水资源[2]、农业生产[3]、生态系统功能[4]以及环境可持续发展[5]具有深刻影响。已有大量研究致力于表征和监测干旱状况, 标准降水指数(SPI)[6]、帕尔默干旱指数(PDSI)[7]、以及标准降水蒸腾指数(SPEI)[8]等一系列干旱指数被建立, 以满足各类型干旱表征的需要; Run理论[9]、经验正交函数(EOF)[10]、小波分析[11-12]、主成分分析(PCA)[13]和聚类分析[14]等用于评估频率和时空变化的分析方法被广泛应用于描述干旱特征。这些参考指标和评估方法有效地揭示干旱在持续时间、严重程度和强度变化等方面的结构和特征[15], 为缓解干旱提供了重要参考[16]。

中亚五国地区位于欧亚大陆腹地, 包括乌兹别克斯坦、哈萨克斯坦、塔吉克斯坦、吉尔吉斯斯坦和土库曼斯坦[17]。该区域内超过90%的土地为旱地, 即联合国防治沙漠化公约定义的干旱、半干旱、半湿润的地区[18], 且受到天山山脉以及帕米尔山脉的阻隔, 太平洋及印度洋的水汽难以抵达, 使之成为世界上最干旱的地区之一[19], 尤其是咸海的迅速萎缩, 使得其干旱问题引起了科学界的特别关注[15]。在气候变化影响下, 中亚面临的干旱问题更加凸显, 区域整体气温逐年上升, 且增长幅度远高于北半球平均水平[19], 年均降水量下降[20], 极端干旱事件发生频率不断增加[21]。干旱导致土壤水分胁迫加剧, 造成植物群落生产力的下降[22], 易引发土壤盐碱化和沙尘暴等次生灾害[23]; 降水减少和潜在蒸散量增加的综合影响加剧了该地区夏季需水缺口, 破坏了正常的水文循环[24], 进而导致植被大面积退化[25]。这种由干旱引起的植被和土地退化流失现象已在哈萨克斯坦和乌兹别克斯坦等多国出现[26]。

近年来, 对于中亚地区干旱状况的研究主要聚焦于干旱所导致的降水、温度、径流、土地利用覆盖以及陆地生态系统的时空响应和气候变化情景下干旱状况模拟预测等方面, 对于干旱状况的时空格局分析和干旱驱动因素的研究仍缺少全面的讨论[27]。造成中亚地区干旱的最广为接受的解释是, 温度增高导致的高蒸散量, 进而引起土壤的干燥[28]。Li等[27]对中亚1965—2014年间PDSI指数进行了多变量评估, 验证了该指数对于气温上升和降水的响应关系。为改进PDSI对于干旱评估的缺陷, Guo等[15]综合SPEI、SPEI3、SPEI5等指数对1966—2015年的中亚干旱区进行分区, 探明了其干旱变化的周期性为16~64个月。相关研究表明, 使用简化的降水和蒸散值计算干旱指数对中亚干旱状况进行评估, 结果通常显示出较大偏差[29]。综合评估和定量解释干旱指标并对干旱背后的自然变量进行归因[30]等方面的研究尚待加强。

因此, 本文通过识别1990—2019年中亚干旱状况的时空变化动态, 利用交叉小波分析评估其周期变化特征, 探究大规模气候模态与干旱变化之间的关系和驱动力机制, 以期为中亚干旱区变化监测提供数据, 为该地区应对气候变化, 缓解干旱对农业生产的不利影响提供科学支撑。

1 材料与方法

1.1 研究区概况

研究区地处欧亚大陆腹地, 区域范围包括哈萨克斯坦、吉尔吉斯斯坦、乌兹别克斯坦、塔吉克斯坦和土库曼斯坦5个中亚国家(图1), 总面积近4×106km2, 其中超90%的土地为旱地[18]。研究区属西风气候, 具有典型的干旱/半干旱气候环境特征, 大部分地区气候干旱、蒸发强烈, 生态环境脆弱, 自然资源富集, 拥有完整的内陆生态系统[31]。地势起伏较大, 东南高西北低; 东南部的帕米尔高原, 海拔6000~7500 m, 是中亚地区的地理及水源高地[32]; 中北部有低山丘陵分布, 涵盖耕地、林地、草地多种土地覆盖类型; 西南部以平原盆地地形为主, 平均海拔200~400 m[33]。降水时空分布不均, 主要降雨集中在帕米尔和天山山区, 垂直地带性明显, 年平均降水量在300 mm以下, 平原地区普遍低于200 mm, 东南山区降水量超过500 mm[32]。地表水空间分布极不均衡, 锡尔河、阿姆河和乌拉尔河为主要河流, 人均水资源量较低, 在1500 m3左右, 灌溉区的水资源贫乏[34]。

地图底图为天地图在线影像图, 数据来源为自然资源部及NavInfo。地图中国境边界数据来自公开发表的LSIB数据集, 图中边界和名称以及使用的称号仅以说明为目的, 不代表官方正式认可。The base map is an online image from TianDiTu, and the source data is from the Ministry of Natural Resources of China and NavInfo. The boundary data for the map are from the publicly available LSIB dataset. Here, the boundaries, names, and designations are for illustrative purposes only and do not represent an official endorsement.

1.2 干旱指数

为探究中亚五国长期以来干旱情况的变化规律, 使用PDSI对中亚干旱状况进行描述, 其计算公式[7]如下:

计算PDSI指数的数据使用University of Idaho开发的月均气候及气候水平衡高分辨率全球数据集(TerraClimate), 该数据提供自1958年以来累计降水量、潜在蒸发量、实际蒸散量以及土壤含水量等一系列气象水平衡参数。TerraClimate数据集通过水平衡模型, 结合World Climate数据集, 使用空间内插的方式, 提供了全球尺度长时间序列的生态、水文相关数据, 数据集显示了较高的空间真实性及较低整体平均误差。干旱区面积变化受多个自然环境要素影响, 不同要素对于干旱程度影响的时间、影响周期以及影响贡献各不相同。因此, 本文选取TerraClimate数据集中潜在蒸散、实际蒸散和累计降雨等参数, 分别对其与干旱指数进行小波变换, 以描绘中亚五国干旱状况在时空上的变化特征。计算过程中以年为最小统计单位和空间范围内均值作为驱动参数的年际代表值。由于所需计算数据覆盖面积大、时间跨度长, 使用Google Earth Engine (GEE)平台对该数据集进行处理。

1.3 气候模态

本文使用的气候模态数据主要来自中国气象局气候中心以及美国国家海洋和大气管理局。研究表明, 中亚气候状况主要受到极地和北大西洋涛动指数(AO/NAO)、西伯利亚高压指数(SHI)以及青藏高原指数(TPI)的影响[35], 且厄尔尼诺-南方涛动(ENSO)也与中亚地区的干旱状况展现出较强相关性[36-37]。因此本文选取了表1所示的气候指标进行中亚五国干旱状况对不同气候模态的响应分析。美国国家海洋和大气管理局提供了多变量ENSO指数(Multivariate ENSO Index, MEI)数据, 该数据为滑动双月平均的海平面气压、纬向地面风场、经向地面风场、海表面温度、表面气温和总云量的6变量经验正交函数分解第一模态的时间系数[38]。北极涛动指数(Arctic Oscillation, AO)和北大西洋涛动指数(North Atlantic Oscillation, NAO)对北半球冬春季近地面气候要素具有显著影响[39], 冬季AO通过影响西伯利亚高压和东亚大槽来改变冬季风, 进而扰动对欧亚大陆中高纬地区地面气温并与之呈现显著正相关[40]。AO为20°~90°N、0°~360°区域内, 1000 hPa高度异常场经验正交函数分析(EOF)所得的第一模态时间系数的标准化序列; NAO是20°~90°N、0°~360°区域内, 标准化500 hPa高度场经验正交函数分析(EOF)所得的第一模态的时间系数。中国气象局国家气候中心提供了自1951年以来的青藏高原指数逐月监测数据, 青藏高原指数A和青藏高原指数B分别为25°~35°N、80°~100°E和30°~40°N、75°~105°E两个区域内, 500 hPa高度场, 格点位势高度与5000位势米(gpm)之差乘以格点面积的累积值。TPI指数可以大致反映青藏高原上空500 hPa低涡和高压的活动情况, TPIA/B指数的变化对青藏高原临近地区的天气系统或造成一定影响, 进而对中亚地区干旱状况产生干扰[41]。

表1 5类用于驱动力分析的大气涛动指数

1.4 连续小波分析

使用交叉小波变换的方法分析气候模态驱动力特征。交叉小波分析将小波变换与交叉谱分析相结合, 能有效地分析干旱指数和驱动要素两个时间序列之间的相关程度, 并反映其在时频域上的位相结构和细部特征。分别使用交叉小波凝聚谱(WTC)和交叉小波功率谱(XWT)对文中每个驱动力要素的驱动贡献及影响方式进行解析, WTC和XWT均采用Morlet小波计算内核, 通过小波变换揭示干旱指数和驱动因素在不同时频域上相互作用的显著程度, 时间序列()和()之间的XWT定义如下式所示:

在本文应用中,()代表驱动因子,()代表响应因子干旱指数。干旱指数和驱动因子分别作为具有相同时间长度的序列, 将两序列进行小波变换后, 绘制具有相同能量谱的区域, 从而描述不同时频域上()和()相互作用的显著性, 进而揭示两者整体相关性、正负相关性以及滞后时间等响应特征。XWT在高能区时频域上具有良好的整体相关分析性能, 而WTC在低能区时频域上对局部相关性具有较好的适用性。

2 结果与分析

2.1 中亚五国干旱时序变化特征

1990—2019年中亚地区的PDSI指数时间变化趋势如图2所示。虽然取年度和区域内均值会导致PDSI丢失细节上的表征, 但可以更清楚地得出变化的总体趋势。此外, 为了使原始PDSI数据平滑并捕获干旱在时间序列上线性或非线性模式, 借助R语言分别使用5年和10年LOESS曲线对中亚五国更长时间尺度下的干旱状况趋势进行了平滑拟合。5年曲线表示计算平滑值时考虑了邻近的5个点, 而10年LOESS曲线则考虑了10个领近点以获得更普遍的趋势。图2中黑色水平线表示PDSI等于−0.5, 即普通干旱的分界线, 位于该分界线下的点被认为是处于发生了干旱的年份。

图2表明, 1990—2019年中亚地区未出现极端性干旱事件, 但观测到的年际PDSI均值的变化较大且波动明显, 波动幅度随时间推移呈减小趋势。干旱年份与湿润年份的界限及其相互转移较为清晰。5年窗口的平滑拟合结果显示, 共有6个显著的干旱区间, 其分别为1995—1997年(E1)、1999—2001年(E2)、2006年(E3)、2008—2009年(E4)、2010—2012年(E5)和2018—2019年(E6)时间段内。该干旱区间被定义为: 区间内所有PDSI值均在−0.5以下, 且区间内第1个点与上一年或区间内最后1个点与下一年的PDSI变化率大于0.5。E1至E5干旱区间的内部PDSI变化率随时间推移表现出增加态势, 其变化率分别为49%、28%、206%、219%和52%。10年窗口的平滑拟合结果给出了更长时间尺度的观测结果, PDSI表现出正弦函数式的周期性变化, 即1990—2003年区间内形成一段完整的干湿变化周期, 2003—2015年为第2段干湿变化周期, 2015年后形成新的伊始周期。其中1990—1994年、2000—2004年和2013—2018年为湿润年份区间; 1995—1999年和2005—2012年为干旱年份区间, 上述年份区间内的干湿特征与同样使用PDSI进行中亚干旱评估的研究相一致[27]。随时间推移, PDSI所指示的干湿状况的分异差趋于缓和, 第1和第2周期内的PDSI距平均值分别为1.18和0.78。尽管时间序列较短, 仅显示出2个干旱时期区间和3个湿润时期区间, 不足以验证其周期变化趋势的可靠性。但根据此前拟合曲线的运行轨迹, 2018—2019年发生干旱区间显示, 中亚PDSI有在2019年之后再次进入新一轮干旱区间的可能。

使用年度PDSI数据在一定程度上掩盖其在时序上的细节变化, 例如季节性特征等。且年度均值还会抹平PDSI在数值上的差异, 从而导致PDSI值不能够真实准确地反映干旱状况。因此, 在下文中, 我们放大6个已观察到的PDSI干旱区间的时间尺度,通过绘制月均值以获得更详细的观察结果。

与年度分析相同, 月度干旱指数按照6个干旱区间的不同干旱时长, 分别以1/6和1/3持续时间为窗口对PDSI进行平滑拟合, 以获得其在不同时间尺度的总体趋势。E1−E6所涵盖的时间周期分别为36、36、12、24、36和24个月。如图3所示, 6个干旱时期中, E2的干旱程度最大, 大部分干旱月PDSI均达极端干旱水平线。E1的干旱程度次之, 主要干旱月的干旱程度处于严重干旱和极度干旱之间, 仅1997年度干旱月PDSI超过了极度干旱水平。E3、E4、E5和E6是第2梯队的干旱时期, 其干旱月的PDSI主要位于严重干旱线附近水平。此外, E1、E2和E3显示明显的季节性特征, 即夏秋季(4—7月)的PDSI通常较低, 冬春季(11月至翌年1月)PDSI一般较高。尤其是E2, 1999—2001年期间显示出非常规则的季节性变化, 且PDSI极值相对稳定, 负极值处在−6.5~−5.5, 正极值位于−3~−2。E4−E5干旱区间内年际PDSI指数变化较大, 年内PDSI指数差异相对较小, 其随季节变化表现出与E1−E3相同的夏秋低、冬春高趋势。E6在2018年显示出上述相同的季节变化特征, 在2019年未出现该特征。值得注意的是, 2019年夏秋季月份不仅未形成干旱区间, 反而出现了自2012年以来的PDSI峰值。上述6个干旱区间的季节变化趋势可以看出, 年际整体干湿状况对夏秋低、冬春高的季节性特征影响不断加大, 导致PDSI季节性规律性减弱。1901年以来中亚地区冬春季(12月—翌年5月)降水量的增加、夏秋季(6—11月)降水量减少[42]以及极端降水事件的影响, 导致年际干湿状况差异加大, 干旱状况季节性特征减弱。

基于PDSI指数的时序分析难以全面描述干旱状况的特征, 因此使用一系列干旱事件指数进行更细致的刻画, 这些指数包括干旱持续时间(DD)、干旱严重程度(DS)、干旱强度(DI)以及干旱峰值(DP)。图4对上述4类指数在不同干旱区间的特征值进行了绘制, 并按4和6个区间为平滑窗口生成拟合趋势线。结果显示, E1−E6时间范围内DP呈现增加趋势, 即干旱程度的相对差异愈发增大, 且2010年后差异扩大幅度显著高于1995年以来的水平。DI、DS同DD的变化趋势相反, 在2001年后间, DI和DS分别跃升至−50和−1.5的高数值区间, 而干旱持续时间在经历了E3的最低值之后稳定在10~15个月的较低水平。综合上述趋势可以看出, 2001年和2009年干旱特征变化的跳跃点, 各干旱特征指数在此年度节点发生了显著变化, 干旱特点由长周期高强度向短周期低强度转变, 干旱程度的相对差异增强, 表明中亚五国的整体干旱状况条件逐步转好, 但不同时间段的干旱变异程度加剧。

2.2 中亚五国干旱空间变化特征

为更好地展示过去30年中亚五国干旱状况及其空间分异状况, 按照1995—1997年、1999—2001年、2006年、2008—2009年、2010—2012年和2018—2019年这6个显著发生干旱的年度区间, 分别对其平均干旱强度进行空间变化分析。图5的空间分析结果显示, 中亚五国干旱强度空间分异明显且时空变化显著。

1995—2001年高干旱强度区域主要分布在中亚五国西南的内陆腹地。靠近阿姆河两岸的中下游地区是干旱强度最高、干旱程度最为严重的区域。干旱强度指数最低、干旱程度最轻、水分条件最优的区域主要集中在东南部的帕米尔及天山山脉以及哈萨克斯坦东北部广阔的额尔齐斯河及伊希姆河平原地带。干旱程度总体呈现自西南向东北逐渐减轻、自东南山区向中西部平原逐步加重的格局。1995—2001年高干旱强度土地主要集中在土库曼斯坦全境(a)、撒马尔罕地区(g)和库斯塔奈州西北(f)等区域。此后高干旱强度地区发生了明显的转移, 2006年、2008—2009年、2010—2012年间土库曼斯坦的干旱强度显著减弱, 仅首都阿什哈巴德(e)的干旱强度还相对较高。撒马尔罕地区(g)高干旱强度土地向西北移动, 以哈萨克斯坦田吉兹湖(b)为中心的干旱影响范围不断扩散, 呈现出明显向东北方向扩展的趋势, 并迅速延伸至伊希姆河中上游地区和萨雅克干草原与湖群地带(c)。伊犁河上游流经的阿尔金-埃姆尔沙漠国家公园干旱强度增高, 影响面积不断扩大并向西延伸。2018年以来哈萨克斯坦中部干旱中心收缩并向西推移。撒马尔罕地区(g)的干旱状况重新恢复至较高水平, 库尔干秋别(d)和卡拉博加兹湾(h)地区干旱强度也有所增加。吉尔吉斯斯坦和塔吉克斯坦的部分区域干旱指数呈下降趋势, 额尔齐斯河及伊希姆河上游地区干旱状况也明显好转。

黑色、黄色、橙色和红色水平线表示年际PDSI值分别等于−0.5、−2、−3和−4, 以表示轻度、中度、重度和极端干旱。The black, yellow, orange and red horizontal lines represent annual PDSI values equal to −0.5, −2, −3 and −4, which indicate mild, moderate, severe and extreme drought.

E1−E6为干旱区间, 具体见图2。黄色、橙色和红色水平线表示月际PDSI值分别等于−2、−3和−4, 以表示中度干旱、重度和极端干旱。不同颜色散点以区分季节, 定义春季为3—5月、夏季为6—8月、秋季为9—11月、冬季为12—翌年2月。E1 to E6 are drought events shown in the figure 2. The yellow, orange and red horizontal lines represent inter-monthly PDSI values equal to −2, −3 and −4, which indicate moderate, severe and extreme drought. Different color scatters are used to distinguish the seasons, defined as March−May for spring, June−August for summer, September−November for autumn and December−February for winter.

DP指数表示干旱峰值, DD指数表示干旱持续时间, DS指数表示干旱严重程度, DI指数表示干旱强度。6个Events为1990—2019年的6个干旱区间, 具体见图2。DP indicates the drought peak, DD indicates drought duration, DS indicates drought severity, and DI indicates drought intensity. Events 1 to 6 are 6 drought events from 1995 to 2019 shown in the figure 2.

从国别来看, 吉尔吉斯斯坦以及塔吉克斯坦气候条件较为优越、西天山山脉及帕米尔地区的降雨丰沛, 除塔吉克斯坦巴达克山国家公园东侧低地及吉尔吉斯斯坦费尔干纳谷地有高干旱程度土地分布外, 两国主要以半湿润或湿润的气候为主, 整体干旱强度较低。哈萨克斯坦干旱强度空间分异显著, 呈现从东北向西南逐步变干的趋势。虽然哈萨克拥有额尔齐斯河、伊希姆河、乌拉尔河及诸多湿地湖泊, 整体水分条件较好, 但河流多为南北流向, 难以为西南地区提供水源补充, 导致东北部地区水分条件优于西南地区, 加之咸海的逐年萎缩, 咸海附近地区干旱分布广阔, 干旱程度严重。此外, 乌兹别克斯坦及土库曼斯坦在E1−E2阶段受干旱影响程度最深, 此后的干旱强度不断降低, 干旱状况持续好转。

2.3 中亚五国干旱的气候模式驱动力分析

干旱程度受地表蒸散、降水以及人类活动等多方面因素的影响, 而大规模气候模态和环流状况是最重要的驱动要素之一。如“西风模态”显著影响了中纬度亚洲地区西湿东干/西干东湿的气候特征[43], 西伯利亚高压指数和青藏高原指数TPIB对中亚地区极端气候事件具有紧密相互作用关系[44]。厄尔尼诺现象南方涛动(ENSO)、北大西洋涛动(NAO)、北极涛动指数(AO)以及TPIA/B与干旱指数PDSI的相关分析结果如图6所示。TPIA和TPIB与PDSI指数显示出显著的相关性,值分别为0.02和0.01, 均小于0.05的显著水平标准, 相关系数分别达41%和45%。虽然PDSI在散点图上表现出较为均一的随NAO和ENSO的变化, 但从统计学结果上看其2分别为1%和8%, 对PDSI变化的解释能力较差, 不具备统计学意义上的相关性。由于NAO和AO都主要通过影响西伯利亚高压进而改变冬季风扰动, 对欧亚大陆中高纬地区的气温产生影响, 因此两者相关系数高, 对PDSI变化的驱动贡献均较低, 其相关系数分别为13%和25%。

E1−E6为干旱区间, 具体见图2。DI为1990—2019年中亚五国干旱强度值, 即整个研究时段的PDSI均值。图中字母代表地区, a为卡拉库姆沙漠, b为田吉兹湖, c为萨雅克草原, d为库尔干秋别, e为阿什哈巴德, f为库斯塔奈州, g为撒马尔罕, h为卡拉博加兹湾。E1 to E6 are drought events shown in the figure 2. In the map, DI is the drought intensity for Central Asia from 1990 to 2019, i.e., the average PDSI value for the entire study period. The letters in the figures indicate different regions: a is the Karakum Desert, b is Tengiz Lake, c is Saryarka, d is Qurghonteppa, e is Ashgabat, f is Kostanay, g is Samarkand, and h is Karabogaz Bay.

TPIA和TPIB分别为青藏高原指数A和B。AO为北极涛动指数, ENSO为厄尔尼诺现象南方涛动指数, NAO为北大西洋涛动指数。左图中右上侧圆圈大小和颜色共同表示值大小, ***、**和*分别表示<0.001、<0.01和<0.05水平显著相关; 左下侧数值表示所对应的相关性系数。右图中5种气候指数为自变量, PDSI为因变量。TPIAand TPIBare the Tibetan Plateau Index A and B, respectively. AO is the Arctic Oscillation, ENSO is the El Niño Southern Oscillation, and NAO is the North Atlantic Oscillation. In the left panel, the size and color of the circles in the upper right panel together indicate the-value; ***, ** and * indicate significant correlation at<0.001,<0.01 and<0.05 levels, respectively. In the lower-left panel, data are the corresponding correlation coefficients. In the right panel, the five climate indices are independent variables, and PDSI is the dependent variable.

为进一步探究TPI对PDSI变化的驱动关系, 使用变换交叉小波函数, 分别就不同自然环境要素绘制小波功率谱和小波凝聚谱, 生成的结果如图7所示。从图7可知, TPIA和TPIB对PDSI具有相似的驱动特征, 即在25°~35°N、80°~100°E和30°~40°N、75°~105°E两个区域内的气候变化对中亚五国干旱状况的驱动具有大致相同的时频和周期; TPI与PDSI干旱指数的主共振周期拥有1~3年的短型震荡周期(1995—2000年)、4~5年的中长期震荡周期(2010—2015年)和8~10年的长期震荡周期(全时频域); 交叉小波凝聚谱显示TPIA/B和PDSI指数在整个时间序列上均有较高的周期性强度, 反映了TPIA/B对PDSI指数变化的主导因子作用, 但在不同周期尺度上的相关性特征存在不稳定情况; TPIA/B变化位相迟于PDSI, 这是因为中亚地区干期主要受到印度洋西南季风和大西洋西风通量影响, 青藏高原的屏障阻挡作用使得西南暖湿气流无法达到, 造成了TPI位相变化迟滞。

小波功率谱(图7上)色柱代表所在周期的信号震荡强度, 数值越高置信度检验越显著; 小波凝聚谱(图7下)色柱数值表示小波相关系数的平方, 数值越大代表PDSI指数与该驱动因素在该局部时频域的相关性越高。锥形区域为有效的谱值区, 黑色框线区域为显著性水平超过95%的置信区间。右向箭头表示PDSI指数与驱动因素变化位相一致, 左向箭头表示变化位相相反, 向上箭头表示驱动因素变化早于PDSI指数, 向下箭头表示迟于PDSI指数。The color bars in XWT (top two figures) represent the strength of signal oscillation in the period, with higher values representing more significant confidence tests; the color bars in WTC (bottom two figures) represent the square of wavelet correlation coefficient, where larger values represent a higher correlation between PDSI index and the drivers in the local time-frequency domain. The tapered area is the valid spectral area, and the black-boxed area is the confidence interval for significance levels above 95%. The right arrow indicates that the PDSI is in phase with the driver change. The left arrow indicates the opposite. The up arrow indicates that the driver changes earlier than the PDSI, and the down arrow indicates that it changes later than the PDSI.

3 讨论

TerraClimate为评估中亚五国地区的干旱状况提供了长时间序列和较高时间分辨率(月度)的水气平衡数据, 且基于MODIS地表温度等协变量修正后的TerraClimate数据还能提供更高的空间真实度。但由于观测网格非均一分布以及站点观测数据的不确定性, 中亚地区恰好位于全球TerraClimate数据集不确定性相对较高的区域, 因此使用该数据进行的干旱状况变化趋势评估结果有待进一步校正。

大气涛动对气温、降水具有显著影响, NAO对北半球中纬度地区平均气温的驱动作用明显。研究指出在中亚地区NAO与降水具有负作用关系, NAO的减小会显著增加中亚地区的降水量[45], 该负作用关系也在我国新疆地区得到验证[46]。本文对5种大气涛动指数进行相关性统计分析结果显示, AO、NAO和ENSO均与PDSI未显示出显著的统计学相关, 这与此前的研究结果相悖。可能的解释是AO和NAO虽然能够显著反映降水的变化, 但不同干旱指数对于真实干旱状况的表征能力存在差异。

此外, 年度和区域均值PDSI在一定程度上抹去了数据极值差异, 特别是在不同季节和不同干旱程度地区上的差异。例如, 夏秋低、冬春高的季节性特征在进行相关性分析时会被忽略, 从而导致了年度PDSI与部分大气涛动指数在统计学上相关度不高的现象。中亚五国的水汽主要来源于秋冬季节的大西洋西风降水, 与青藏高原指数B(TPI2)所覆盖的我国西北地区受相似的大气环流影响, 相似的大气环流影响是否是造成中亚PDSI和TPI2统计学上的相关的原因, 两者相互作用的方式和特征有待分析, 月度数据可能提供更为详细的相互作用机理解释。如夏季的西南季风受到地形阻挡而在青藏高原形成强大的热源, 上升气流向东扩散, 在亚热带地区下沉形成降水。该环流模型是否同样适用于青藏高原西侧的中亚地区, 其是否是造成中亚PDSI和TPI指数相关却不显著的主要原因, 仍需进一步探讨。

4 结论

本文利用1990—2019年TerraClimate数据对中亚干旱区面积的时空变化进行监测, 并使用交叉小波变换对中亚五国地区的主要气候指数驱动进行了分析, 形成的主要结论如下:

1)中亚五国地区干旱状况呈现周期性干湿期交替变化, 并在2018年后表现出进入新一轮干期的可能。干旱的年际干湿状况差异加大, 年内夏秋旱、冬春湿的季节性特征减弱。干旱状况条件逐步转好, 但不同时间段的干旱变异程度加剧。

2)干旱程度总体呈现自西南向东北逐渐减轻、自东南山区向中西部平原逐步加重的格局。干旱重心由西南内陆腹地的克孜勒库姆沙漠、拉库姆沙漠和卡拉博加滋湾区域向哈萨克斯坦中西部地区转移, 且影响范围延伸至伊希姆河中上游和萨雅克干草原地区。2018年后哈萨克斯坦中西部整体干旱程度减退消弱, 但哈萨克斯坦西北边境及乌兹别克斯坦撒马尔罕地区仍存留高干旱程度地区。里海东岸地区、帕米尔和西天山山区以及撒马尔罕地区干旱程度呈波动上升态势。

3)TPI1/2指数对PDSI变化表现出显著的驱动作用, 所代表两个区域对PDSI的影响特征较为一致, 在1990—2019年整个时间序列上均有较高的周期性强度, 相互作用特征不稳定。且均拥有1~3年(1995—2000年)、4~5年(2010—2015年)和8~10年(2015—2019)3个年际尺度的震荡周期。

[1] PORTELA M M, DOS SANTOS J F, SILVA A T, et al. Drought analysis in southern Paraguay, Brazil and northern Argentina: Regionalization, occurrence rate and rainfall thresholds[J]. Hydrology Research, 2015, 46(5): 792–810

[2] ZHANG Z X, CHEN X, XU C Y, et al. Examining the influence of river-lake interaction on the drought and water resources in the Poyang Lake basin[J]. Journal of Hydrology, 2015, 522: 510–521

[3] CRAFT K E, MAHMOOD R, KING S A, et al. Twentieth century droughts and agriculture: Examples from impacts on soybean production in Kentucky, USA[J]. Ambio, 2015, 44(6): 557–568

[4] BASTOS A, CIAIS P, FRIEDLINGSTEIN P, et al. Direct and seasonal legacy effects of the 2018 heat wave and drought on European ecosystem productivity[J]. Science Advances, 2020, 6(24): eaba2724

[5] SHARAFI L, ZARAFSHANI K, KESHAVARZ M, et al. Drought risk assessment: Towards drought early warning system and sustainable environment in western Iran[J]. Ecological Indicators, 2020, 114: 106276

[6] MCKEE T B, DOESKEN N J, KLEIST J. The relationship of drought frequency and duration to time scales[C]// Proceedings of the 8th Conference on Applied Climatology. Boston: American Meteorological Society, 1993: 179–184

[7] PALMER W C. Meteorological Drought[M]. US Department of Commerce, Weather Bureau, 1965

[8] VICENTE-SERRANO S M, BEGUERÍA S, LÓPEZ- MORENO J I. A multiscalar drought index sensitive to global warming: The standardized precipitation evapotranspiration index[J]. Journal of Climate, 2010, 23(7): 1696–1718

[9] WANG L P, ZHANG X N, WANG S F, et al. Analysis and application of drought characteristics based on theory of runs and copulas in Yunnan, Southwest China[J]. International Journal of Environmental Research and Public Health, 2020, 17(13): 4654

[10] TATLI H, TÜRKEŞ M. Empirical Orthogonal Function analysis of the palmer drought indices[J]. Agricultural and Forest Meteorology, 2011, 151(7): 981–991

[11] WANG Q, LIU Y Y, TONG L J, et al. Rescaled statistics and wavelet analysis on agricultural drought disaster periodic fluctuations in China from 1950 to 2016[J]. Sustainability, 2018, 10(9): 3257

[12] JIA H C, PAN D H. Drought risk assessment in Yunnan Province of China based on wavelet analysis[J]. Advances in Meteorology, 2016, (3): 1–10

[13] ZHANG Q, KONG D D, SINGH V P, et al. Response of vegetation to different time-scales drought across China: Spatiotemporal patterns, causes and implications[J]. Global and Planetary Change, 2017, 152: 1–11

[14] ULLAH H, AKBAR M, KHAN F. Construction of homogeneous climatic regions by combining cluster analysis and L-moment approach on the basis of Reconnaissance Drought Index for Pakistan[J]. International Journal of Climatology, 2020, 40(1): 324–341

[15] GUO H, BAO A M, LIU T, et al. Spatial and temporal characteristics of droughts in Central Asia during 1966–2015[J]. Science of the Total Environment, 2018, 624: 1523–1538

[16] GUO H, BAO A M, NDAYISABA F, et al. Space-time characterization of drought events and their impacts on vegetation in Central Asia[J]. Journal of Hydrology, 2018, 564: 1165–1178

[17] KOUTROULIS A G. Dryland changes under different levels of global warming[J]. Science of the Total Environment, 2019, 655: 482–511

[18] JOHANNERS F L. Central Asia Human Development Report[M]. Bratislava: UNDP, 2006

[19] HU Z Y, ZHANG C, HU Q, et al. Temperature changes in Central Asia from 1979 to 2011 based on multiple datasets[J]. Journal of Climate, 2014, 27(3): 1143–1167

[20] LIOUBIMTSEVA E, HENEBRY G M. Climate and environmental change in arid Central Asia: Impacts, vulnerability, and adaptations[J]. Journal of Arid Environments, 2009, 73(11): 963–977

[21] MOHAMMAT A, WANG X H, XU X T, et al. Drought and spring cooling induced recent decrease in vegetation growth in Inner Asia[J]. Agricultural and Forest Meteorology, 2013, 178/179: 21–30

[22] ZANG Y X, MIN X J, DE DIOS V R, et al. Extreme drought affects the productivity, but not the composition, of a desert plant community in Central Asia differentially across microtopographies[J]. Science of the Total Environment, 2020, 717: 137251

[23] INDOITU R, ORLOVSKY L, ORLOVSKY N. Dust storms in Central Asia: Spatial and temporal variations[J]. Journal of Arid Environments, 2012, 85: 62–70

[24] DI MATTEO L, DRAGONI W, MACCARI D, et al. Climate change, water supply and environmental problems of headwaters: The paradigmatic case of the Tiber, Savio and Marecchia rivers (Central Italy)[J]. Science of the Total Environment, 2017, 598: 733–748

[25] JIANG L L, JIAPAER G, BAO A M, et al. Vegetation dynamics and responses to climate change and human activities in Central Asia[J]. Science of the Total Environment, 2017, 599/600: 967–980

[26] HUANG J P, YU H P, DAI A G, et al. Drylands face potential threat under 2 ℃ global warming target[J]. Nature Climate Change, 2017, 7(6): 417–422

[27] LI Z, CHEN Y N, FANG G H, et al. Multivariate assessment and attribution of droughts in Central Asia[J]. Scientific Reports, 2017, 7: 1316

[28] CHENG S J, HUANG J P. Enhanced soil moisture drying in transitional regions under a warming climate[J]. Journal of Geophysical Research: Atmospheres, 2016, 121(6): 2542–2555

[29] GREVE P, ORLOWSKY B, MUELLER B, et al. Global assessment of trends in wetting and drying over land[J]. Nature Geoscience, 2014, 7(10): 716–721

[30] TA Z J, YU R D, CHEN X, et al. Analysis of the spatio-temporal patterns of dry and wet conditions in Central Asia[J]. Atmosphere, 2018, 9(1): 7

[31] 陈曦, 姜逢清, 王亚俊, 等. 亚洲中部干旱区生态地理格局研究[J]. 干旱区研究, 2013, 30(3): 385–390 CHEN X, JIANG F Q, WANG Y J, et al. Characteristics of the eco-geographical pattern in arid land of Central Asia[J]. Arid Zone Research, 2013, 30(3): 385–390

[32] 杨胜天, 于心怡, 丁建丽, 等. 中亚地区水问题研究综述[J]. 地理学报, 2017, 72(1): 79–93 YANG S T, YU X Y, DING J L, et al. A review of water issues research in Central Asia[J]. Acta Geographica Sinica, 2017, 72(1): 79–93

[33] 阮宏威, 于静洁. 1992—2015年中亚五国土地覆盖与蒸散发变化[J]. 地理学报, 2019, 74(7): 1292–1304RUAN H W, YU J J. Changes in land cover and evapotranspiration in the five Central Asian countries from 1992 to 2015[J]. Acta Geographica Sinica, 2019, 74(7): 1292–1304

[34] 邓铭江, 龙爱华, 章毅, 等. 中亚五国水资源及其开发利用评价[J]. 地球科学进展, 2010, 25(12): 1347–1356 DENG M J, LONG A H, ZHANG Y, et al. Assessment of water resources development and utilization in the five Central Asia countries[J]. Advances in Earth Science, 2010, 25(12): 1347–1356

[35] ISSANOVA G, ABUDUWAILI J. Aeolian Processes as Dust Storms in the Deserts of Central Asia and Kazakhstan[M]. Singapore: Springer, 2017

[36] BARLOW M, CULLEN H, LYON B. Drought in Central and Southwest Asia: La Niña, the Warm Pool, and Indian Ocean Precipitation[J]. Journal of Climate, 2002, 15(7): 697–700

[37] HOERLING M, KUMAR A. The perfect ocean for drought[J]. Science, 2003, 299(5607): 691–694

[38] D'ODORICO P, YOO J C, OVER T M. An assessment of ENSO-induced patterns of rainfall erosivity in the southwestern United States[J]. Journal of Climate, 2001, 14(21): 4230–4242

[39] 姚俊强, 刘志辉, 杨青, 等. 近130年来中亚干旱区典型流域气温变化及其影响因子[J]. 地理学报, 2014, 69(3): 291–302 YAO J Q, LIU Z H, YANG Q, et al. Temperature variability and its possible causes in the typical basins of the arid Central Asia in recent 130 years[J]. Acta Geographica Sinica, 2014, 69(3): 291–302

[40] WU B Y, WANG J. Possible impacts of winter Arctic Oscillation on Siberian high, the East Asian winter monsoon and sea-ice extent[J]. Advances in Atmospheric Sciences, 2002, 19(2): 297–320

[41] 王晓春, 吴国雄. 中国夏季降水异常空间模与副热带高压的关系[J]. 大气科学, 1997, 21(2): 161–169 WANG X C, WU G X. The analysis of the relationship between the spatial modes of summer precipitation anomalies over China and the general circulation[J]. Scientia Atmopherica Sinica, 1997, 21(2): 161–169

[42] CHEN X, WANG S S, HU Z Y, et al. Spatiotemporal characteristics of seasonal precipitation and their relationships with ENSO in Central Asia during 1901–2013[J]. Journal of Geographical Sciences, 2018, 28(9): 1341–1368

[43] CHEN F H, CHEN J H, HUANG W, et al. Westerlies Asia and monsoonal Asia: Spatiotemporal differences in climate change and possible mechanisms on decadal to sub-orbital timescales[J]. Earth-Science Reviews, 2019, 192: 337–354

[44] ZHANG M, CHEN Y N, SHEN Y J, et al. Tracking climate change in Central Asia through temperature and precipitation extremes[J]. Journal of Geographical Sciences, 2019, 29(1): 3–28

[45] AIZEN E M, AIZEN V B, MELACK J M, et al. Precipitation and atmospheric circulation patterns at mid-latitudes of Asia[J]. International Journal of Climatology, 2001, 21(5): 535–556

[46] CHEN F H, HUANG W, JIN L Y, et al. Spatiotemporal precipitation variations in the arid Central Asia in the context of global warming[J]. Science China Earth Sciences, 2011, 54(12): 1812–1821

Spatial-temporal variations in drought conditions and their climatic oscillations in Central Asia from 1990 to 2019*

PENG Yu1,2, LI Fadong1,2,3**, XU Ning1,2, Rashid KULMATOV4, GAO Kechang5, WANG Guoqin1,6, ZHANG Yongyong7, QIAO Yunfeng1,2, LI Yanhong8, YANG Han8, HAO Shuai8, LI Qi1,3, Sayidjakhon KHASANOV1,2

(1. Key Laboratory of Ecosystem Network Observation and Modeling, Institution of Geographic Sciences and Natural Resources Research, Chinese Academy of Sciences, Beijing 100101, China; 2. University of Chinese Academy of Sciences, Beijing 100049, China; 3. College of Water Conservancy and Architectural Engineering, Shihezi University, Shihezi 832000, China; 4. National University of Uzbekistan, Tashkent 100170, Uzbekistan; 5. South China University of Technology, Guangzhou 510006, China; 6. United Nations Environment Programme-International Ecosystem Management Partnership (UNEP-IEMP), Beijing 100101, China; 7. Key Laboratory of Water Cycle and Related Land Surface Processes, Institution of Geographic Sciences and Natural Resources Research, Chinese Academy of Sciences, Beijing 100101, China; 8. Xinjiang Normal University, Urumqi 830054, China)

The rapid shrinking of the Aral Sea has prompted the scientific community to focus on Central Asian drought. To clarify the moisture conditions of Central Asia over the past 30 years and to investigate the climate drivers of change, in this study, we used the Palmer Drought Index (PDSI) to assess the spatial and temporal characteristics of drought in the five Central Asian countries (Kazakhstan, Uzbekistan, Turkmenistan, Tajikistan and Kyrgyzstan) from 1990 to 2019. PDSI was combined with the cross-wavelet transformation to reveal the driving influence of climate oscillations on drought conditions. The results showed that the drought indicators displayed a cyclical alternation with an increasing variability, a weakening of the dry summer/autumn and wet winter/spring seasonal drought characteristics, and the possibility of a new dry period after 2018. The general drought intensity gradually decreased from the southwest to the northeast and progressively increased from the southeast mountainous area to the central and western plains. The drought center shifted from the southwestern hinterland to the northwestern regions of Kazakhstan. The Pamir and West Tianshan Mountains showed a fluctuating and increasing drought trend. The Tibetan Plateau Index (TPI) showed an apparent driving effect on PDSI changes, with high cyclical intensity throughout the 1990–2019 period (1–3 years [1995–2000], 4–5 years [2010–2015], 8–10 years [2010–2015], and 8–10 years [2016–2019]) with three distinct interannual-scale oscillatory cycles. Overall, drought conditions tended to improve, with increased drought variability and significant spatial variability; the TPI is the atmospheric oscillator driving PDSI variability.

Palmer Drought Index (PDSI); Central Asia; Drought; Driving force; Climatic oscillations; Cross-wavelet analysis

10.13930/j.cnki.cjea.200927

彭宇, 李发东, 徐宁, Rashid Kulmatov, 高克昌, 王国勤, 张永勇, 乔云峰, 李艳红, 杨涵, 郝帅, 李琦, Sayidjakhon Khasanov. 1990—2019年中亚五国干旱状况时空变化特征及大气涛动驱动分析[J]. 中国生态农业学报(中英文), 2021, 29(2): 312-324

PENG Y, LI F D, XU N, KULMATOV R, GAO K C, WANG G Q, ZHANG Y Y, QIAO Y F, LI Y H, YANG H, HAO S, LI Q, KHASANOV S. Spatial-temporal variations in drought conditions and their climatic oscillations in Central Asia from 1990 to 2019[J]. Chinese Journal of Eco-Agriculture, 2021, 29(2): 312-324

X21; P95

* 中国科学院战略性先导科技专项资助(XDA20040302)、国家自然科学基金项目(U1803244, 41761144053)和石河子市科技计划项目(2019ZH13)资助

李发东, 主要从事生态系统过程与环境研究。E-mail: lifadong@igsnrr.ac.cn

彭宇, 主要从事环境遥感-信息学与流域模拟研究。E-mail: pengyu181@mails.ucas.ac.cn

2020-11-18

2020-12-30

* This study was supported by the Strategic Priority Research Program of Chinese Academy of Sciences (XDA20040302), the National Natural Science Foundation of China (U1803244, 41761144053), and the Science and Technology Planning Project of Shihezi City, Xinjiang (2019ZH13).

, E-mail: lifadong@igsnrr.ac.cn

Nov. 18, 2020;

Dec. 30, 2020