基于多源数据的近40年青藏高原降水量时空变化

周思儒,信忠保

(北京林业大学 水土保持学院,北京 100083)

0 引 言

青藏高原有着“亚洲水塔”和“第三极”之称[1-3],是亚洲众多大江大河的发源地,是维系中国乃至世界水资源安全的重要地区,影响着周边众多国家人民生活和社会稳定[4]。青藏高原气候变化不仅影响自身的生态环境,而且对周边地区乃至全球气候均具有重大影响。在千年尺度以下的各级气候变化中青藏高原都是变化最早的“启动区”[5],被称为气候变化的放大器[6],对中国、亚洲乃至世界的气候变化具有重要影响[7]。揭示和认识青藏高原降水的时空变化特性,是了解高原流域独特的水循环过程、开展水文模拟预报以及水资源合理开发利用等一系列问题的重要基础[8-9]。然而,相较于青藏高原广阔的地理面积,该区域的气象站数量显得尤为稀少,且多分布在东南地区,不能通过对站点数据插值获取准确的高空间分辨率的降水数据[10]。卫星遥感数据弥补了地面观测的不足,对于单点观测数据,卫星降水数据具有时间和空间分辨率高、覆盖面积广的特点,为研究该地区的天气和气候提供高时空分辨率降水数据。

此前,许多研究者分析了不同降水数据集在青藏高原地区不同流域的适用状况。曾琪铖等[11]比较了柴达木盆地TRMM与Global Precipitation Measurement(GPM)数据集的质量发现,TRMM降水数据较GPM在月、年尺度上精度高约分别高出30%和60%;张磊磊等[12]通过对比TMPA、TRMM、CMORPH和PERSIANN卫星降水数据在黄河源区的精度,发现TRMM数据精度最高。黄琦等[13]比较了CMFD、GPM-IMERG和MSWEP 3种降水产品在雅砻江的适用情况,发现CMFD在各个时段精度均最高。Bai等[14]比较了TRMM、GSMaP、MSWEP、NCEP2等12种多源降水数据在青藏高原的适用性,发现以MSWEP为代表的多源混合降水数据相较表现优于单源降水数据集。由于不同数据源的质量存在很大差异[15-16],得到的降水变化趋势规律也不尽相同。通过比较国内外8种数据源降水数据集的模拟与再分析数据的误差与适用性,揭示了近40 a青藏高原整体降水变化时空特征,对今后水文模拟及预报具有重大意义。

1 数据与方法

1.1 研究数据

本研究选取了青藏高原及其周边103个气象观测站1980—2019年实测数据作为降水数据源,分布于研究区范围内及其周围,数据下载于中国气象数据网(http:∥data.cma.cn/)。选取了8种目前应用较为广泛的研究数据的卫星遥感与再分析数据以及国内学者制作的降水数据集,见表1。

表1 各降水数据集基本情况Table 1 Summary of precipitation datasets

其中Climatic Research Uni(CRU)、何永利[19]数据属于格点降水数据,Tropical Rainfall Measuring Mission satellite(TRMM)数据属于卫星反演资料,Global Land Data Assimilation Syste(GLDAS)、ECMWF(European Centre for Medium-Range Weather Forecasts) Reanalysis v5(ERA5)、彭守璋[18]及阳坤[20]数据属于再分析数据集,黄伟[17]数据属于插值数据集。基本囊括了我们日常使用的降水数据类别。

1.2 研究方法

1.2.1 趋势检验

采用线性倾向率定量地反映站点与再分析数据随时间的变化趋势。采用Mann-Kendall法[21-22]判断降水量的变化趋势,此法计算简便、检测范围宽、人为干扰少且定量化程度高。在Mann-Kendall检验中,假设时间序列数据(X1,…,Xn)相互独立且随机变量同分布,n为时间序列的长度,检验的统计变量S计算式为

(1)

其中,

(2)

式中Xj、Xi分别为j,i年的相应测量值。

(3)

这样在双边的趋势检验中,在α置信水平上,若|Z|≥Z1-α/2,则拒绝原假设,即在α置信水平上,时间序列数据存在明显的上升或下降趋势。分别在α=0.05(显著)(|Z|>1.64)及α=0.01(非常显著)(|Z|>2.32)水平,分析不同地区降水量的变化趋势。

利用相关系数法来评价各降水数据与站点实测数据之间的一致性。相关系数R的表达式为

(4)

1.2.2 精度验证方法

使用相对误差(BIAS)是指各个降水数据与站点实测数据之间的误差,用来评价降水数据与站点实测数据在数值上的偏离程度[25-26]。其表达式为

(5)

BIAS越接近于0,表示2种数据的偏差越小,数值越准确。

使用均方根误差(Root Mean Squared Error,RMSE)来衡量观测值与真实值之间的偏差,用于评价数据整体的偏移程度,即

(6)

RMSE值越接近于0,数据准确性则越高。

2 研究结果

2.1 精度检验

2.1.1 整体精度检验

以青藏高原及其周边103个气象站点(青藏高原范围内75个站点,青藏高原范围外28个站点)1980—2019年平均月降水量为基准(图1),分别对8种降水数据集进行一元线性回归分析及Mann-Kendall趋势分析。气象站点实测数据在时间连续性、数据稳定性和精度上具有优势[27],在降水变化相关研究中,站点数据是判断降水分布与变化的重要指标,常作为“真实值”对其他降水数据进行验证[28]。由于8种降水数据集空间分辨率不一致,为对其质量差异进行定量描述,以青藏高原及其周边103个气象站点为基准,采用双线性插值法对各降水数据集进行采样[29],得到对应站点地理位置的月降水量,然后与站点观测降水数据进行比较(表2)。

图1 青藏高原及其周边气象站点分布情况Fig.1 Distribution of meteorological stations on the Qinghai-Tibet Plateau and its surrounding areas

表2 8种数据集月降水过程与月降水观测过程对比结果Table 2 Comparison of monthly precipitation process between the eight datasets and observations

结果表明在全球化的降水数据集中TRMM、GLDAS、CRU与气象站点观测的月降水数据相关系数R均值在0.9左右,数据一致性较好,相对误差及均方根

误差相对较高,相对误差极值也相对较高,其数据在青藏高原地区整体精度相对较低,部分地区误差很大。ERA5数据相关性系数R较低,为0.7以下,相对误差及均方根误差均值也极高,表明ERA5数据在青藏高原整体存在极高的系统误差。

在国内学者制作的数据集中,何永利与阳坤的数据集与气象站点实际观测结果具有很好的一致性,相关系数R均值达到了0.97以上,相对误差及均方根误差均值相较其他数据集均处于较低水平。黄伟的数据集相关性系数R均值较高,为0.9左右,相对误差及均方根误差均值相对较低,相对误差极值也相对较低,表明黄伟的数据集在整体上较为可靠。彭守璋的数据集相关系数R均值为0.7以下,相对误差及均方根误差均值相对较高,数据可靠性相对较低。

2.1.2 空间尺度精度检验

各流域内各站点的相对误差(BIAS)均值如表3所示。不同数据集在各个流域内的数据质量呈现出相似的分布规律,各数据集数据质量由东至西逐渐降低;低海拔流域数据质量高于高海拔流域的数据质量。全球化数据集中TRMM、GLDAS、CRU在各个流域表现基本相同,在黄河源区、长江源区、澜沧江流域相对误差较低,数据质量较好;黑河、塔里木河、内陆河、怒江及雅鲁藏布江流域内;在柴达木、青海湖及印度河流域内相对误差均值极高。ERA5数据在各个流域内数据质量差距不大,各流域相对误差均值相较其他数据集均较高。

表3 8种数据集在青藏高原不同流域BIAS均值统计Table 3 Statistics of BIAS mean values of the eight datasets in different watersheds of the Qinghai-Tibet Plateau %

在国内学者制作的数据集中,彭守璋制作的数据集相对误差均值均较高,只在印度河流域中相对误差均值极高,数据可靠性差。黄伟制作的数据集在大部分流域准确性较高,只在柴达木、青海湖、塔里木河及印度河流域相对误差均值较高。何永利及阳坤的数据集数据质量则更高,只在印度河流域内有着较高的均值,其余流域内均有着极高的数据准确性(表3)。

以青藏高原各气象观测站点降水量为基准,采用相对误差BLAS评价不同站点高程上8种卫星降水数据的探测精度,图2为相对误差与站点高程的关系。不同数据集相对误差均随高程增加而逐渐增加,变化幅度分别为8.27%/1 000 m(TRMM)、14.92%/1 000 m(GLDAS)、17.10%/1 000 m(CRU)、11.01%/1 000 m(ERA5)、4.14%/1 000 m(黄伟)、7.81%/1 000 m(彭守璋)、2.64%/1 000 m(何永利)、2.58%/1 000 m(阳坤),且大多数通过p<0.05显著性检验。所有数据集数据质量均随高程增加呈下降趋势。

图2 不同降水数据集相对误差与高程关系Fig.2 Relationship between relative error and elevation for different precipitation datasets

2.2 年降水量变化特征

2.2.1 年际变化

对青藏高原整体降水量的评估结果相似,对青海省及西藏自治区降水量评估结果相差较大。各数据集均显示近40 a青藏高原平均降水量约为400 mm,青海省为300 mm左右,西藏自治区为450 mm左右(图3)。

图3 近40 a青藏高原不同降水数据集年降水量变化Fig.3 Annual precipitation changes on Qinghai-Tibet Plateau in different datasets over the recent four decades

近40 a来,8种降水数据集均显示青藏高原整体降水量呈增加趋势,其中增加速率最高的数据集为阳坤,为3.52 mm/a,增加速率最低的数据集为CRU,为0.55 mm/a。所有数据集均显示青海省降水量呈增加趋势,其中增加速率最高的数据集为TRMM,为3.41 mm/a,增加速率最低的数据集为CRU,为0.71 mm/a。仅TRMM数据集显示西藏自治区降水量呈下降趋势,下降速率为-0.70 mm/a。其余数据集中,增加速率最高的数据集为阳坤,为3.95 mm/a,增加速率最低的数据集为GLDAS,为0.30 mm/a。

2.2.2 空间分布

由气象站点及各个降水数据集近40 a的平均降水量数据来看(图4),青藏高原地区降水量分布极其不均匀,由东南向西北高原降水量递减,但各个数据集中各流域降水量分布情况不尽相同。站点实测数据,青藏高原降水量最为充沛的地区位于横断山区怒江、澜沧江以及长江流域的下游部分,降水量普遍达到800 mm以上,降水量最大的站点位于怒江流域的贡山站,近40 a平均降水量达到了1 741.2 mm。青藏高原降水量最为充沛的地区为雅鲁藏布江流域下游的藏南地区,各数据集普遍认为藏南部分地区年降水量达到1 800 mm以上。黄河、长江、怒江、澜沧江及雅鲁藏布江中上游地区普遍在400～600 mm之间。降水量最少的地区位于北部的塔里木河及柴达木流域,年降水量普遍不足100 mm,降水量最低的站点位于柴达木盆地的冷湖站,近40 a平均降水量仅为20.6 mm。

图4 近40 a青藏高原不同降水数据集降水量分布Fig.4 Spatial distribution pattern of annual precipita-tion on Qinghai-Tibet Plateau in different datasets over the recent four decades

在全球化数据集中,GLDAS及CRU对青藏高原南部降水量估计明显偏高。ERA5数据在整个青藏高原普遍存在十分明显的高估现象。TRMM数据质量相对其他全球化数据集质量较高,在内陆河流域及柴达木流域产生了部分数据异常值。且所有全球化数据集均明显高估了塔里木河流域及内陆河流域对印度河流域降水量等内陆干旱地区降水量。

国内学者制作的数据集中,彭守璋及黄伟的数据集降水量分布相似,对内陆河及塔里木河流域降水量的反映也较为准确,但对印度河流域降水量存在明显高估现象。阳坤及何永利的数据集对青藏高原各流域反映较好,可以清晰看出青藏高原降水量的分布形式。在长江下游地区及雅鲁藏布江下游地区降水量达到800 mm以上,降水充沛;在雅鲁藏布江中游及横断山区存在降水量低值分布区,较周围地区降水量偏低。西宁周边存在着相对降水高点,年降水量达到400 mm以上。柴达木及内陆河北部降水量极低,属于极度干旱地区,年降水量普遍不足100 mm。

2.2.3 时空变化

近40 a来青藏高原地区降水量的年际变化存在明显的空间差异性。根据气象站点观测,40 a来青藏高原大部分地区降水呈上升趋势,在103个气象站点中81个气象站点年降水量呈上升趋势。青藏高原北部地区上升趋势尤为显著,其中黄河源区上升速率最为快速,贵南站近40 a降水平均增速达到了4.88 mm/a。仅在长江源区、澜沧江、怒江及雅鲁藏布江下游的部分地区近40 a来降水量呈下降趋势,下降最多的站点为长江源区的香格里拉站,近40 a来降水量平均下降速度为8.70 mm/a,占该地40 a平均降水量的1.37%。

将8种不同的降水数据集及中国气象站点数据采用Mann-Kendall检测。各个气象数据集对青藏高原降水年际变化的描述较为相近,均认为青藏高原大部分地区降水量呈上升趋势(表4、图5),占整个青藏高原66%以上,而降水量呈显著下降趋势的地区普遍不足10%。但大部分数据集显示青藏高原大部分地区降水量变化并不显著,仅GLDAS及阳坤数据集认为青藏高原大部分地区降水量呈十分显著的上升趋势。

图5 近40 a青藏高原不同降水数据集降水变化趋势Fig.5 Variation trend of annual precipitation on Qinghai-Tibet Plateau in different datasets over the recent four decades

表4 近40 a青藏高原8种数据集不同显著性变化的面积占比Table 4 Proportions of areas with varied significant changes on Qinghai-Tibet Plateau in the eight datasets over the recent four decades %

在全球化的气象数据集中,GLDAS及ERA5均显示青藏高原大部分地区降水量呈上升趋势,仅在雅鲁藏布江下游小部分地区下降速度极快。GLDAS与ERA5降水量上升速度怒江及雅鲁藏布江流域中上游地区。2种数据集均认为雅鲁藏布江下游小部分地区降水量下降速度最高。CRU数据则显示下降速率最快的地区位于雅鲁藏布江流域上游及印度河流域,下降速度为2.79 mm/a;降水量上升速率最高的地区为雅鲁藏布江中游地区,上升速度为4.82 mm/a。TRMM数据显示雅鲁藏布江下游地区降水量下降速度达到了15.00 mm/a以上。而黄河源区及长江源区北部则产生了较为快速地上升,普遍达到了4 mm/a以上。

在国内学者制作的气象数据集中,黄伟的数据集显示雅鲁藏布江中下游地区降水量呈非常迅速的下降趋势,下降速度普遍达到了10 mm/a以上,上升速率最高的地区位于雅鲁藏布江下游,达到了9.45 mm/a。彭守璋的数据集显示青藏高原地区降水量下降区域位于印度河流域,下降速度普遍达到了5 mm/a以上。而青藏高原中东部则普遍呈上升趋势,最高值为6.24 mm/a。何永利的数据集显示青藏高原绝大多数地区降水量呈上升趋势,上升速率在2 mm/a左右,最高值出现在印度河流域,达到了6.47 mm/a。仅在雅鲁藏布江上游及下游小部分地区降水量呈下降趋势。阳坤的数据集则显示在怒江上游地区是整个青藏高原降水量下降最为迅速的地区,下降速度普遍达到了9 mm/a以上,最高值达到14.97 mm/a(图6)。

图6 近40 a青藏高原不同降水数据集降水量变化速率Fig.6 Rates of annual precipitation change on Qinghai-Tibet Plateau in different datasets over the recent four decades

站点数据和各数据集均认为近40 a来青藏高原年降水量整体呈上升趋势,但各数据集对年降水量上升速率的估计较实测数据普遍偏高[30]。不同数据集普遍认为青藏高原北部较为干旱的黄河源区、柴达木流域及内陆河流域上升趋势最为显著,这与许多其他学者[31-32]的研究结果较为一致。不同数据集对青藏高原降水量下降区域的判断各有不同,但大部分数据集认为青藏高原东南部的雅鲁藏布江下游、怒江、澜沧江流域及长江源区中下游部分地区降水量呈下降趋势,这一结果也普遍体现在其他各类研究中[33-35]。

3 讨 论

系统研究不同降水数据集与气象站点的平均降水量分布、降水变化速率以及降水变化趋势后,结果表明各个数据集均可以大致满足青藏高原地区降水研究的实际需求,但不同数据集对降水描述差距较大。CRU与GLDAS数据集对地形对于气候的影响反应较小,更多地体现出青藏高原由西南至东北降水量逐渐下降的变化趋势,对降水量变化趋势与变化速率的描述与实际站点数据差距也较大,相较于2种数据集在我国中东部地区的表现,可靠性明显下降[36]。且这2种数据集在气象站点稀疏且少雨的柴达木流域、塔里木河流域、内陆河流域以及印度河流域相对误差极大,可能是由于这些地区可用于率定的地面数据较少[37]。TRMM数据融合了多种数据源,在全球化数据集中对青藏高原降水的反映较好,但相对其在国内其他地区,高估现象更加严重[38],数据质量依然有赖于气象站点资料的质量和密度[39],在站点稀疏地区误差仍然相对较大。ERA5数据对青藏高原降水分布的反映较好,但存在整体性的严重高估现象,高估程度高于中东部地区[40]。

在国内学者制作的数据集中,黄伟的数据集是由中国及周边国家1202个降水站点数据利用局部薄盘光滑样条法进行插值制作,该方法插值精度显著优于其他方法[41-42],对青藏高原降水的反应也普遍优于全球化的气象数据集,但在气象站点稀少的青藏高原中西部地区仍存在错估降水变化趋势的现象。彭守璋的数据集由CRU数据集以及World Clim数据集通过Delta空间降尺度方法生成,可以引入地形地貌对气候的影响[43],对降水量空间分布的反映相对于原始数据集更加精准,但通过这种统计降尺度并不能改变数据集的准确性[44],相对误差仍然偏高。何永利数据是基于GPCC降水数据集得到的,GPCC数据集准确性相对较高,甚至优于气象站点插值的成果,是基于全球陆地范围内67 200个超过10 a 记录期的站点,密度较CRU等只依赖国际交换站的数据集更大,且采用更为精细的质量控制方案[45],并与其他气候数据的结果比较融合,能综合全面地体现局地月平均降水信息[46]。阳坤的CFMD数据集以Princeton再分析资料、GLDAS资料、GEWEX-SRB辐射资料,以及TRMM降水资料为背景场,融合了中国气象局常规气象观测数据制作而成,相对于其他数据集融合了更多的青藏高原地面气象站点,数据质量最为可靠。

虽然各个数据集对降水量估计的准确性各有不同,但在各个流域的准确性分布有着相似的规律。在青藏高原东南部的横断山脉的澜沧江流域、怒江流域及雅鲁藏布江流域内相对误差较高,这可能是由于青藏高原复杂的地理环境及高程变化,在地形复杂的地区,卫星传感器对降水信息的表达能力相对较低导致的[47]。此外所有的降水数据集对降水量较低柴达木流域、塔里木河流域、内陆河流域及印度河流域的误差较大,这可能是由于降水产品对较大的降水的模拟较好而对微量降水的模拟易发生错报漏报现象[48]。

4 结 论

本文利用青藏高原地区及其周边气象站点月降水数据及国内外8种降水数据集,比较了各降水数据集降水量与站点实测降水量之间的数据差异以及各降水数据集在青藏高原各流域中的表现,探究了青藏高原降水量年际变化及变化趋势,可以得出以下结论:

(1)8种国内外学者的气象数据集中,阳坤制作的CFMD数据集表现最好,在总体及各个流域内均较其他数据集有一定的优势。TRMM数据在全球化降水数据集中质量最高。基于站点的降水数据集的精度整体高于卫星反演数据和再分析数据。

(2)各个降水数据集对青藏高原不同流域降水量估计的准确性各有不同,在地形较为复杂的地区如澜沧江流域、怒江流域及雅鲁藏布江流域以及干旱地区的柴达木流域、塔里木河流域、内陆河流域及印度河流域的误差均较大,同时在气象站点稀疏的地区,同样会影响各数据集的准确性。

(3)青藏高原2/3以上地区降水量呈上升趋势,其中上升趋势显著的为黄河源区中下游地区、内陆河流域、柴达木流域。而青藏高原东南部雅鲁藏布江、怒江、澜沧江及长江源区下游的降水量则呈显著的下降趋势。

(4)青藏高原各流域整体上呈正增长趋势,青藏高原北部地区上升趋势尤为显著,黄河源区降水量上升最为快速,上升速率在5 mm/a左右,怒江流域,雅鲁藏布江流域下游地区降水量下降速度最快,达到9 mm/a以上。