三江平原ET0时空特征及其未来情景下预测研究

邢贞相 王红利 王欣蕾 喻 熠 段维义 付 强

(1.东北农业大学水利与土木工程学院, 哈尔滨 150030;2.东北农业大学农业农村部农业水资源高效利用重点实验室, 哈尔滨 150030;3.黑龙江省河湖长制保障中心, 哈尔滨 150001)

0 引言

参考作物蒸发量(ET0)是计算作物需水量和评价水资源的重要参数[1-3]。在现有的几种经验方法中,联合国粮食及农业组织(FAO)采用了Penman-Monteith(P-M)公式作为标准公式,该公式被认为是在各种气候条件下准确估算ET0的最优选和最理想的方法[4-5]。20世纪50年代以来,全球气候变化问题较之前更为突出[6],且2000—2010年期间的排放增速比之前30年中的任何10年都要快[7]。气候变暖加剧的同时,风速、辐射和相对湿度等气象要素及受其影响显著的径流、蒸发量等水文要素的变化明显[8-9]。联合国政府间气候变化专门委员会(Intergovernmental Panel on Climate Change,IPCC)第5次评估报告指出,未来大气中温室气体浓度将可能出现几种不同程度的变化,由此学者们也设定了多个不同的未来排放情景以进行相关研究[10]。因此,研究气候变化背景下的ET0变化特征十分必要,其对区域作物水分管理、作物需水量估算、灌溉制度优化等都具有重要意义[11-12]。

在ET0的估算与预测方面,近年来气候变化问题已引起世界范围广泛关注,与气候密切相关的区域蒸散研究的热度也随之上升,大气环流模型(General circulation model,GCM)在其相关研究中起到重要作用。由于GCM网格尺度较大,分辨率较低,因此需要采用降尺度方法将其应用到局部地区。降尺度方法是指将低分辨率、大尺度的GCM输出信息转换为高分辨率、区域尺度的气象要素输出信息的统计方法[13]。目前常用的统计降尺度方法主要有转换函数法(回归方法)、天气分析技术和天气发生器3种[14]。统计降尺度模型(Statistical downscaling model,SDSM)是基于多元线性回归和天气发生器的降尺度方法[15],具有基于Windows界面、模拟效果好、简单易行、方便应用、计算量小且不需要考虑边界条件对于模型预测结果的影响等优点而被广泛地应用于解决GCM精度不足与预报量降尺度模拟的问题[16]。近年来,SDSM在农业、气候等相关领域的应用更为普遍。娄伟等[17]在多种GCM模式集成的气候背景下,应用SDSM预估了泾河上游流域的未来降水变化;韩世亮等[18]利用SDSM对GCM模式气候变化情景下的降水、气温数据进行空间降尺度处理,驱动水文模型并分析了气候变化对未来发电调度过程的影响;李毅等[19]运用SDSM,预测2015—2099年高排放和低排放两种气候情景下新疆地区各气象站点棉花和甜菜的日作物需水量(Crop water requirement,ETc)时间序列,发现全疆历史及未来的棉花和甜菜ETc均不同程度下降。

三江平原是黑龙江地区主要的农业种植区,近年来受气候变化影响,区域内气候灾害频发且持续时间长,水资源供需矛盾十分突出。在气候变化影响下,分析研究区ET0及其相关气候要素的时空特征并预测未来ET0对于水资源优化管理以及灌溉制度科学制定具有重要意义[20]。本文基于三江平原6个气象站1961—2010年逐日气象资料,采用FAO-56 Penman-Monteith公式计算参考作物蒸发量ET0,对1961—2010年ET0及气象要素的变化特征进行分析,并依据NCEP再分析数据以及大气环流模式CanESM2预报因子数据,采用SDSM对未来RCP4.5和RCP8.5排放情景下的ET0进行预测。

1 数据与方法

1.1 研究区域概况及数据来源

三江平原(图1)位于黑龙江省东北部(45°01′～48°27′N,130°13′～135°05′E),总面积1.089×105km2,耕地面积占黑龙江省总面积的44.85%[21],且近年来在全国耕地面积减少的背景下,三江平原耕地面积依旧表现出增加的趋势[22]。三江平原地区属温带湿润、半湿润大陆性季风气候,夏季炎热湿润,冬季严寒干燥[23]。地势低平,由西南向东北倾斜,平均海拔50～60 m,区域内分布多个国家气象站点,气象数据较易准确获得。本区域地表水及地下水资源丰富,受作物特性和生长环境影响,水稻高产稳产,是我国重要粮食产区[24-25]。

图1 研究区域位置图Fig.1 Location of Sanjiang Plain

本文所用数据主要为历史ET0计算与未来ET0模拟服务。P-M公式计算历史ET0所用资料数据为实测气象站点数据,SDSM模拟未来ET0所用数据包括两种:即用于率定和检验模型模拟效果的美国国家环境预报中心(National Centers for Environmental Prediction,NCEP)再分析数据以及用于模拟未来ET0的GCM预报因子日序列的输出数据,并要求实测气象站点资料与NCEP资料数据长度一致,GCM数据采用加拿大CanESM2模式输出的预报因子日序列数据。为使实测气象数据与NCEP再分析数据、CanESM2模式数据的时间序列相匹配,并便于对未来ET0进行研究分析,本文对于数据资料与模拟结果的时段选取如下:实测气象数据选用1961—2010年作为历史期,进行ET0及相关气象要素值的计算与分析;未来ET0模拟结果则选取2011—2100年并以30年为跨度,将研究的未来全长时段划分为2011—2040年、2041—2070年、2071—2100年3个时段,从而对预测的未来ET0进行相应分析与讨论。

实测气象数据为三江平原6个气象站(富锦站、佳木斯站、依兰站、宝清站、鸡西站、虎林站)1961—2010年的逐日气象资料,包括平均气温、最高气温、最低气温、日照时数、相对湿度、平均风速等,来源于中国气象数据网(http:∥data.cma.cn)。6个气象站的分布见图1。

NCEP再分析数据以及大气环流模型GCM输出的数据均来源于加拿大气候影响情景网(https:∥climate-scenarios.canada.ca/?page=pred-canesm2),NCEP再分析数据共包含26个因子,包括平均海平面气压、总降水量、地表比湿度、2 m处的气温,50、85 kPa的位势高度、比湿度,50、85、100 kPa的风速、纬向风分量、经向风分量、真风相对涡量、风向、真风散度。

大气环流模型GCM预报因子日序列的输出数据采用加拿大CanESM2模式数据,CanESM2模式包括historical情景(1961—2005年预报因子日序列的输出数据)以及代表低浓度温室气体排放的RCP4.5和高浓度温室气体排放的RCP8.5两种未来气候情景,预报因子与NCEP相同。下载数据为经过重整的分辨率匹配的数据,分辨率为2.812 5°×2.812 5°。

1.2 研究方法

首先采用P-M公式计算三江平原6个气象站历史期(1961—2010年)50年的ET0日值,并计算相应时间序列的年平均气温、平均风速、平均相对湿度和净辐射,采用Mann-Kendall、Theil-Sen斜率分析方法和反距离加权插值方法,探讨这些相关气候要素与ET0的历史变化规律,进而分析三江平原多年ET0时空变化特征。其次基于1961—2005年逐日气象站点资料计算出的ET0实测值与NCEP再分析数据,运用SDSM建立模型,并检验其模拟效果和应用到CanESM2模式数据的传递适用性。最后利用CanESM2模式中的RCP4.5、RCP8.5未来情景下预报因子日序列的输出数据,通过建立的SDSM进行模拟,预测两种情景下2011—2100年的未来ET0变化,分析三江平原研究区年内及年际的时空变化趋势,为三江平原水资源优化管理和灌溉制度制定提供科学依据。

1.2.1Penman-Monteith公式

采用联合国粮食及农业组织(FAO)推荐的Penman-Monteith公式计算逐日参考作物蒸发量ET0[26-27]。其表达式为

(1)

式中ET0——逐日参考作物蒸发量,mm/d

Δ——饱和水汽压与温度关系曲线的斜率

Rn——地表净辐射,MJ/(m2·d)

G——土壤热通量,MJ/(m2·d)

γ——湿度计常数

T——空气平均温度,℃

U2——地面以上2 m处风速,m/s

es——空气饱和水汽压,kPa

ea——空气实际水汽压,kPa

气象站所测风速的高度为地面以上10 m处,故需将其转换为地面以上2 m处的风速U2,转换公式为

(2)

式中Uz——z处风速,m/s

z——地面以上测量高度,取10 m

1.2.2TFPW-MK趋势性检验法与Theil-Sen斜率分析方法

TFPW-MK是一种改进的Mann-Kendall趋势检验方法。通过TFPW方法,剔除原始数据序列中显性趋势对自相关系数估计的影响,可更加准确地对数据序列进行Mann-Kendall趋势检验。该方法通过Z统计值来判别序列的整体变化趋势,当Z>0时,序列整体呈上升趋势;当Z<0时,序列整体呈下降趋势。Theil-Sen斜率分析方法用于确定趋势的斜率,以此来估算序列的变化量。ET0及相关气候要素的年际变化率以斜率(Slope)来表示,该方法可以减少数据异常值的影响,是一种稳健的非参数统计趋势计算方法。TFPW-MK方法和Theil-Sen斜率分析方法的计算过程见文献[28-30]。

1.2.3统计降尺度模型(SDSM)

IPCC在相关报告中指出,GCM能够准确地预估未来气候变化,但在应用其进行区域气候预测时,必须充分应用降尺度技术来解决空间尺度不匹配的问题[31]。统计降尺度模型(SDSM)基于实测预报量与NCEP再分析数据中的预报因子建立经验统计关系,再应用GCM未来情景下的预报因子数据模拟未来ET0的预报量。SDSM是一个基于天气发生器和多元线性回归2种方法的统计降尺度模型,其核心是确定NCEP再分析数据中预报因子与站点尺度的预报量(ET0)之间的统计关系,进而对ET0进行预测,因此预报因子的选择一定程度上决定了降尺度的效果。本文采用统计降尺度技术(SDSM)生成未来ET0的日序列,主要步骤包括:①将1961—2005年划分为率定期(1961—1990年)和验证期(1991—2005年)2个阶段,基于率定期预报量(实测ET0)与NCEP预报因子数据,利用SDSM筛选出最优预报因子,从而与ET0实测值建立经验统计关系,即对多元回归方程的参数进行确定。②将建立的率定期模型应用至验证期NCEP预报因子数据,根据模拟出的ET0模拟值与P-M公式计算的ET0实测值,对建立的SDSM模拟精度进行验证,采用纳什效率系数(NSE)和决定系数R2进行模拟精度检验。③利用率定期+验证期(1961—2005年)实测ET0与NCEP预报因子建立的SDSM,以CanESM2模式的historical历史情景预报因子作为输入进行模拟,依据NSE和R2,检验输入由NCEP转变为GCM数据模拟的传递适用性。④以CanESM2模式RCP4.5、RCP8.5未来情景的预报因子数据作为输入,利用由率定期+验证期实测ET0与筛选出的NCEP预报因子建立完成的SDSM,生成两种情景下2006—2100年的ET0日序列,选取2011—2100年作为未来全长时段进行分析。SDSM模拟流程图见图2。

图2 基于SDSM的ET0模拟流程图Fig.2 Flow chart of ET0 simulation based on SDSM

2 结果与分析

2.1 1961—2010年ET0及气象要素时空变化特征

2.1.1ET0及气象要素时间变化趋势三江平原各气象站ET0及相关气象要素的TFPW-MK趋势检验与Theil-Sen斜率分析结果见表1,根据表1,对三江平原ET0及主要气象要素1961—2010年的多年变化趋势进行分析。经比较,P-M公式计算的三江平原6个气象站(宝清、富锦、虎林、鸡西、佳木斯、依兰)历史期50年(1961—2010年)的ET0,与相关研究结果基本一致[32-33]。对于多年ET0情况,6个气象站均呈上升趋势,上升速率平均值为0.35 mm/a。三江平原6个站年平均气温均呈显著上升趋势,平均上升速率为0.035 4℃/a;三江平原6个站年平均风速总体呈下降趋势,平均下降速率为-0.015 9 m/(s·a),其中宝清、富锦、虎林和佳木斯4个站下降趋势显著;三江平原6个站年平均相对湿度总体呈下降趋势,平均下降速率为-0.029 4%/a,其中宝清和佳木斯下降趋势显著。三江平原6个站年平均净辐射总体呈下降趋势,平均下降速率为-0.002 4 MJ/(m2·d·a),除鸡西下降趋势显著外,其他站的变化趋势不显著。

表1 ET0及相关气象要素的M-K趋势检验与Theil-Sen斜率分析结果Tab.1 Results of M-K trend test and Theil-Sen slope analysis for ET0 and related meteorological elements

由表1可以看出,三江平原1961—2010年ET0的变化趋势均不显著,故对三江平原1961—2010年ET0进行滑动平均分析。三江平原1961—2010年ET0的5年滑动平均过程线见图3,由图3可见,三江平原1961—1974年趋势呈波动性变化,即无明显上升或下降,1975—1979年呈上升趋势,1980—1984年呈下降趋势,1985—2010年继续表现为波动性变化。综上,三江平原1975—1984年期间ET0的趋势变化较明显,其他时期变化趋势基本不大。

图3 三江平原1961—2010年ET0的5年滑动平均过程线Fig.3 Five-year moving average of ET0 in Sanjiang Plain from 1961 to 2010

2.1.2ET0及气象要素空间分布特征

ET0及气象要素空间分布如图4所示。图4a表明,三江平原1961—2010年6个气象站ET0多年年平均范围为647.05～777.54 mm/a,平均值为724.17 mm/a,虎林站多年平均ET0最小,为647.05 mm/a,ET0最高值位于三江平原地区的宝清站,为777.54 mm/a。由图4a可以得出,三江平原中部及西南部为高值区,东南部即虎林站所在地区为低值区,总体上呈中部高于周边、西部高于东部的趋势。

图4 ET0及相关气候要素空间分布Fig.4 Spatial distributions of ET0 and related climatic elements

图4b表明,三江平原1961—2010年6个气象站气温多年年平均范围为3.30～4.24℃,平均值为3.74℃,富锦站多年平均气温最低,为3.30℃,鸡西站最高,达到4.24℃。由图4b可看出,三江平原的西南部鸡西站、中部宝清站附近地区为高值区,但该地区并未出现因海拔较高而导致平均气温较低的现象,其主要原因可能是由于该地区纬度较低,加之旱田面积较大、土壤湿度较低使温度场降温效能减弱,故该地区平均气温较高;富锦站所在的中北部地区由于纬度较高、沼泽率高,导致该地区温度场降温效能增强,又加之冬季蒙古高压冷气流由北部凹形的黑龙江河谷吹送而至,使得该地区平均气温较低。三江平原多年平均气温总体上呈现南高北低的趋势。

图4c表明,三江平原1961—2010年6个气象站风速多年年平均范围为2.29～3.00 m/s,平均值为2.59 m/s;多年平均风速最低值为2.29 m/s(虎林站),最高值为3.00 m/s(依兰站),由于依兰站三面环山,受地形影响,其多年平均风速相对较高。由图4c可看出,多年平均风速高值区位于三江平原的西部依兰地区周边,低值区位于南部、东南部及佳木斯站周边地区,总体上表现为:除西部依兰站为明显高值区外,其他地区整体上呈现北高南低的趋势。其中宝清站附近地区因位于完达山西北部,受山脉影响,其风速较大;完达山脉延伸至富锦境内,形成少量的孤山丘陵,且城东海拔538.7 m的乌尔古力山与城西海拔472.8 m的别拉音子山遥相呼应,又加之冬季受蒙古高压冷气流影响,盛行北风,使得处于低海拔平原区的富锦站周边区域的平均风速反而略高于海拔较高的鸡西站地区。

图4d表明,三江平原1961—2010年6个气象站相对湿度多年年平均范围为63.84%～69.92%,平均值为66.73%,宝清站多年平均相对湿度最低,为63.84%,最高值位于三江平原地区的虎林站,为69.92%。由图4d可看出,高值区位于三江平原的东南部虎林地区和西部依兰地区附近,中部以北的三江平原1/2左右的区域相对湿度居中,中部及西南地区为低值区,总体上表现为:东西两边局部偏高,其他地区呈现北高南低的趋势。

图4e表明,三江平原1961—2010年6个气象站净辐射多年年平均范围为6.28～6.70 MJ/(m2·d),平均值为6.52 MJ/(m2·d),富锦站附近地区多年平均净辐射最低,为6.28 MJ/(m2·d),最高值位于三江平原地区的鸡西站,为6.70 MJ/(m2·d)。由图4e可看出,三江平原多年净辐射表现为由南到北逐渐递减的趋势。

综上所述,1961—2010年多年平均ET0呈上升趋势,多年平均气温与ET0趋势相同,然而平均风速、相对湿度和净辐射整体呈下降趋势,这可在一定程度上说明三江平原地区平均气温对ET0有增进作用,平均风速、相对湿度、净辐射对ET0有一定的抑制作用。ET0的空间分布受平均气温、平均风速、相对湿度、太阳净辐射等气象要素的综合影响,不同地理位置的ET0差异比较明显,总体上来看,海拔高的地区相应ET0也随之较高,且三江平原ET0呈现中部高于周边、西部高于东部的趋势。

2.2 SDSM模拟与检验

以研究区各个气象站点的ET0为预报量,以NCEP再分析数据的26个预报因子(表2)作为备选因子,建立预报量ET0与预报因子之间的统计关系,通过SDSM模型Screen Variables模块依据预报量与备选因子相关性优选出各站点ET0的最优预报因子,筛选结果如表3所示。

表2 NCEP再分析数据的26个预报因子Tab.2 Totally 26 meteorological factors of NCEP reanalyzed data

表3 预报因子筛选结果Tab.3 Screening results of predictors

SDSM对三江平原各气象站的ET0模拟精度检验结果见表4。检验过程分两步,即模型模拟效果检验和模型应用的传递适应性检验。由表4可知,率定期(1961—1990年),以NCEP预报因子作为输入数据进行模拟的ET0模拟值与P-M公式计算的ET0的NSE为0.79～0.83,R2为0.80～0.84;验证期(1991—2005年)的NSE为0.75～0.81,R2为0.77～0.82,据此说明基于率定期预报量ET0与NCEP预报因子建立的模型模拟效果较好。率定期+验证期(1961—2005年),以CanESM2模式中的historical历史情景预报因子作为输入数据模拟的ET0模拟值与P-M公式计算的ET0的NSE为0.46～0.61,R2为0.53～0.61,此模拟结果的精度较前者略有降低,但精度与已有研究成果中的ET0模拟精度相当[34-35],因此可采用GCM预报因子替代NCEP预报因子用于未来情景ET0的预报。

表4 ET0模拟值与P-M公式计算值的纳什效率系数 及决定系数Tab.4 Nash efficiency coefficient and deterministic coefficient for ET0 simulated value and calculated value by P-M formula

综上所述,基于站点尺度1961—2005年的预报量ET0与NCEP再分析数据预报因子建立的SDSM模型和GCM未来情景的预报因子,可以用于未来ET0的预测。

2.3 三江平原未来ET0变幅及其空间分布

2.3.1ET0年内变化

图5为两种未来情景下三江平原6个气象站ET0年内变化趋势。图5a显示,RCP4.5情景下2011—2040年、2041—2070年、2071—2100年3个未来时段中ET0月平均日值变化趋势基本一致,均为开口向下的二次抛物线状,且在趋势上普遍高于历史期ET0。各时段年内ET0月平均日值变化趋势中,未来时段5—7月明显高于历史期,1—4月和8月略高于历史期,9—12月逐渐与历史期趋于一致。历史期ET0在6月达到最大(平均值为3.92 mm/d),1月ET0最小(平均值为0.22 mm/d);3个未来时段的ET0最大值,除了依兰站ET0的2071—2100年时段出现在5月(4.97 mm/d)外,其余5个站点均出现在6月(各时段平均值分别为4.77、5.03、5.05 mm/d),各时段ET0最小值均出现在1月(平均值分别为0.25、0.27、0.26 mm/d)。RCP4.5情景下3个未来时段及历史期ET0由大到小依次为2071—2100年、2041—2070年、2011—2040年、历史期,即RCP4.5情景下未来ET0呈增大趋势,且2041—2070年时段到2071—2100年时段的增幅趋势较不明显。

图5 两种未来情景下三江平原ET0年内变化曲线Fig.5 ET0 intra-annual change in Sanjiang Plain under condition of two future scenarios

图5b为RCP8.5情景下三江平原ET0年内变化趋势。图5b显示,RCP8.5情景下3个未来时段中ET0月平均日值变化趋势与RCP4.5情景相同,均为开口向下的二次抛物线状,而该情景下未来时段高于历史期ET0的趋势更为明显。各时段年内ET0月平均日值变化与RCP4.5情景相同。3个时段ET0最大值均出现在6月(各时段平均值分别为4.72、5.23、5.67 mm/d),3个时段ET0最小值均出现在1月(各时段平均值分别为0.24、0.28、0.31 mm/d)。RCP8.5情景下3个未来时段及历史期ET0由大到小依次为2071—2100年、2041—2070年、2011—2040年、历史期,即RCP8.5情景下未来ET0呈逐渐增大趋势。

综上,两种情景下的3个未来时段ET0月平均日值的变化趋势较为一致,即年内变化均似开口向下的抛物线,其中5—7月明显高于历史期,1—4月和8月略高于历史期,9—12月逐渐与历史期趋于一致。对于年内ET0最大值,除了RCP4.5情景下依兰站的2071—2100年时段出现在5月外,其他两种情景下各个时段内的各站最大值均出现在6月;两种情景模式的最小值均出现在1月。整体上来看,RCP8.5情景下的ET0高于RCP4.5情景下相对应时段的ET0。

2.3.2ET0变幅年际变化

三江平原RCP4.5未来情景下各气象站各时段ET0年平均值及变幅见表5。由表5可知,3个未来时段ET0年平均值与历史期相比较,分别增加11.11%、18.70%、20.24%。在RCP4.5情景下,3个未来时段ET0年平均值均呈现上升趋势,且各时段与历史期相比,增幅逐渐增大,然而在1961—2100年整个时期中,各时段平均值与前一时段相比,增幅越来越小,这与图5a显示的逐渐贴近的变化趋势相吻合。在2011—2040年中,宝清、富锦、虎林、鸡西、依兰 5个气象站的平均值增幅均为10%左右,但佳木斯站增幅明显高于其他5个气象站,为14.97%;2041—2070年和2071—2100年2个时段与2011—2040年较为相似,宝清、富锦、虎林、鸡西、依兰5个气象站的增幅分别为18%和19%左右,而该2个时段佳木斯站的增幅也明显高于其他5个站,分别为22.27%和23.55%。RCP4.5情景下3个时段的ET0趋势见图6,由图6a～6c可知,2011—2040年三江平原6个气象站ET0均为上升趋势,且趋势较明显;2041—2070年除富锦站有较缓的上升趋势外,其余5个气象站均为下降趋势;2071—2100年则均为下降趋势。

表5 RCP4.5未来情景下各气象站各时段ET0的年平均值及变幅Tab.5 Mean value and variation for ET0 at meteorological stations in different periods under RCP4.5 future scenarios

图6 两种未来情景下各个时段的ET0趋势Fig.6 ET0 trend for each period under two future scenarios

RCP8.5情景下各气象站各时段ET0年平均值及变幅见表6,表6显示,3个未来时段ET0年平均值与历史期相比较,分别增加13.01%、24.05%、34.46%。在RCP8.5情景下,3个时段ET0均呈现增加趋势,且各时段与历史期相比,增幅逐渐增大。3个时段中,6个站平均值变幅情况同上述RCP4.5情景,即佳木斯站的增幅明显高于其他5个站(宝清、富锦、虎林、鸡西、依兰)。RCP8.5情景下3个时段的ET0趋势见图6。由图6d～6f可知,3个时段ET0均为上升趋势,并且从2011—2040年到2041—2070年再到2071—2100年,上升趋势越来越明显,这与RCP8.5情景的高浓度排放设定存在密切的内在联系。

表6 RCP8.5未来情景下各气象站各时段ET0的年平均值及变幅Tab.6 Mean value and variation for ET0 at meteorological stations in different periods under RCP8.5 future scenarios

对两种情景进行比较分析:首先,在各时段ET0平均值变幅方面,两种情景下2011—2100年变幅均呈现增大的趋势,但RCP8.5较RCP4.5情景增幅更为明显;其次在3个未来时段ET0趋势变化方面,RCP4.5情景下2041—2070年、2071—2100年总体上呈下降趋势,其余4个时间段(RCP4.5情景的2011—2040年、RCP8.5情景的3个时段)均为上升趋势。需要特别说明的是:RCP4.5情景下2041—2070年、2071—2100年2个时段内年际ET0呈下降趋势并不与各时段平均值变幅的升高相矛盾,因为各个时段的年际趋势变化是相对于各个时段内的ET0而得出的,而各时段平均值变幅的升高是相对于历史期而言的。RCP4.5情景下3个时段ET0平均值相对于历史期的增幅逐渐增大,而各时段的变幅与前一时段相比,增幅越来越小,这也更加印证了RCP4.5情景下2041—2070年、2071—2100年2个时段内ET0呈下降趋势的变化意义。

2.3.3ET0变幅年际空间分布

三江平原两种情景下未来ET0平均值变幅的时空分布见图7。图7a显示,RCP4.5情景下三江平原未来3个时间段ET0均呈现升高的趋势,且从2011年至2100年,随着时间推移,增幅也表现出逐渐增大的趋势。RCP4.5情景下3个时段变幅的空间分布特征整体上表现较为一致,其中位于佳木斯站附近的西北部为高值区,增幅较其他地区最为明显。高值区的范围表现为先增大后缩小,在2071—2100年中局部出现增幅最低值,如中北部富锦站、西部依兰站与西南部鸡西站附近等,其他地区增幅趋势居中。

图7 三江平原两种情景下未来ET0变幅的空间分布Fig.7 Spatial distributions of ET0 variation under two future scenarios in Sanjiang Plain

由图7b可知,RCP8.5情景下三江平原未来3个时间段ET0均呈上升趋势,且从2011年到2100年,整体上ET0的增幅逐渐增大。其中以佳木斯站附近的西北部为高值区,其增幅最为明显,且该高值区的范围随着时间推移逐渐扩大。RCP8.5情景的2041—2070年ET0变幅空间分布与RCP4.5情景的2071—2100年较为相似,表现为佳木斯站附近的西北部为高值区,中北部富锦站、西部依兰站与西南部鸡西站附近等为低值区,其他地区增幅趋势居中,RCP8.5情景较高的气温和CO2等温室气体排放可能是导致其ET0空间分布时段早于RCP4.5情景下相似ET0空间分布对应时段的主要原因。

两种情景下的未来ET0增幅整体上表现较为一致,但RCP8.5情景下3个时段的ET0增幅普遍高于RCP4.5情景下相对应时段的ET0增幅。RCP8.5与RCP4.5情景下ET0变幅的空间分布差异主要在于:相比于RCP4.5情景,对于3个时段,RCP8.5情景下低值区的范围较RCP4.5情景逐渐缩小,也在一定程度上说明,在此排放情景下三江平原整体范围内ET0增幅的增大趋势越来越明显。

另外,两种情景下ET0增幅均以佳木斯站附近地区更为凸显,究其原因可能主要为:①气候方面,该区域年实际光照时数较大且降雨量较多,雨季晴天数较多,为蒸散作用提供了较为丰富的水分和能量供给。②地形地貌方面,该区域天然湿地广布,水系发达,植被覆盖率高,为蒸散作用提供了丰富的水分基础。此外,该区域低山丘陵较多,区域内的山前地带,含水层出露地表,地下水位埋深较浅,故其蒸散作用更为强烈。蒸散过程受气温影响较为明显,两种未来情景下的气温和CO2等温室气体浓度均呈明显增大的趋势。综合以上两方面原因,在该地区的气候及地形地貌条件的基础上,加之未来气温和CO2等温室气体的反馈作用下,该地区可形成影响区域ET0变化的局部小气候,从而使得两种情景下ET0增幅较其他地区更为明显,且高浓度排放情景下RCP8.5的ET0增幅较低浓度排放情景RCP4.5更显著,进而使得区域蒸散发在未来情景下有所加快,水资源短缺和骤旱可能性加大。

3 结论

(1)三江平原1961—2010年6个气象站ET0年平均范围为647.05～777.54 mm/a,平均值为724.17 mm/a。1961—2010年多年年平均气温与ET0趋势相同,呈上升趋势,而年平均风速、相对湿度和净辐射整体呈下降趋势,这可在一定程度上说明三江平原地区平均气温对ET0有增进作用,平均风速、相对湿度、净辐射对ET0有一定的抑制作用。ET0的空间分布受平均气温、平均风速、相对湿度、太阳净辐射等气象要素的综合影响,不同地理位置的ET0差异比较明显,总体上来看,海拔高的地区相应ET0也随之较高。其中三江平原中部及西南部为高值区,东南部即虎林站所在地区为低值区,整体上呈中部高于周边、西部高于东部的趋势。

(2)未来2011—2100年年内ET0变化中,两种情景下的3个未来时段月平均日值变化趋势与历史期较为一致,均似开口向下的抛物线,且相比于历史期均有所升高。2011—2100年3个未来时段中,RCP4.5情景下各时段ET0的平均值变幅与前一时段相比,增幅越来越小,而RCP8.5情景下ET0增幅上升趋势越来越大,这可能与RCP8.5情景的高浓度排放设定有关。

(3)未来2011—2100年ET0的平均值变幅空间分布方面,RCP4.5、RCP8.5两种情景整体上表现一致,但RCP8.5情景下未来ET0增幅普遍高于RCP4.5情景下相应地区的ET0增幅,整个时段的上升趋势也更明显;此外,两种未来情景下ET0增幅均以佳木斯站附近地区更为凸显,说明未来佳木斯站附近地区的区域蒸散进一步增强,因而未来出现水资源短缺和骤旱的可能性有所增大,应加强对该区域水资源的高效利用与干旱监测。