斯里兰卡极端降水时空演变特征及趋势预测

尤立, 齐天杰,2, 胡春明*

(1.中国科学院生态环境研究中心工业废水无害化与资源化国家工程研究中心, 北京 100085; 2.河北先进环保产业创新中心有限公司, 石家庄 050035)

“一带一路”是中国提出的新时期国际和地区合作倡议,旨在形成一个完整的欧、亚、非经贸合作共同体,进而密切沿线各国间的国际关系[1]。“一带一路”合作倡议实施面临的重要问题之一是水资源问题[2-3],特别是沿线国家基本上以发展中国家为主,受人类活动和气候变化的双重影响,部分区域极端水文气象事件频发、水资源不均衡问题突出,给“一带一路”合作倡议的整体布局和实施带来了不确定性影响[4]。据统计,1995—2015年,对“一带一路”合作倡议沿线国家而言,极端降水是危害最大的自然灾害致灾因子[5]。

斯里兰卡位于印度洋东西交通的“十字路口”,是中国建设“21世纪海上丝绸之路”的重要伙伴国[6]。受热带季风气候影响,全年高温,旱季和雨季分明。岛内水资源时空分布不均衡,降水期相对集中,地表水体面积变化波动性较大,当地极端降水受地形特征的影响十分复杂,暴雨洪涝频繁[7]。如2021年6月和11月,斯里兰卡两次遭遇极端降水灾害,引发洪水和山体滑坡,超过65万人日常生活受到影响。由于极端降水的突发性较强,对区域社会经济发展的威胁较大,使之成为当地亟需解决的民生问题[8]。

识别“丝绸之路经济带”气候变化特征是“一带一路”合作倡议与建设的迫切需求[9]。受限于长序列的降水资料缺失和观测站的空间代表性不足,“一带一路”相关地区降水时空变化的研究较少。Hurst 指数提供了对时间序列数据特征记忆的长期存储真实度量方法,在所有领域的时间序列分析中具有广泛性和普适性,同样也适用于较短时间序列的数据分析。基于斯里兰卡2008—2020年降水数据,通过经验正交函数分析、RClimDex极端降水模型和Morlet小波分析法对斯里兰卡极端降水演变特征开展系统研究和评估,在揭示区域极端降水时空变化规律的基础上,采用Hurst指数预测未来趋势,以期为当地防灾减灾和水资源管理提供重要借鉴,也可为研究“一带一路”沿线的东南亚和南亚国家极端降水演变规律提供参考。

1 研究区概况及数据来源

1.1 研究区概况

斯里兰卡位于印度洋中北部,连接着马六甲海峡与波斯湾,是东西方海运的十字路口,被誉为“印度洋上的明珠”。地理位置在5°55′N～9°50′N、79°42′E～81°53′E,全岛总面积为65 610 km2,陆地面积约62 700 km2,水体面积(包括河流、湖泊、水库和坑塘)约为2 910 km2[10]。海岛地势差异明显,北部沿海平原宽阔,中南部为地形崎岖的高原内陆。气候类型为热带季风气候,年内只分旱季和雨季,降水具有明显的季节特征。1998—2020年斯里兰卡多年平均降水量为1 759.37 mm,当地降水量年际变化幅度较大。空间分布上主要表现为西南多东北少的特点,西南部年降水量2 000～3 000 mm,东北部年降水量约1 000 mm。

1.2 数据来源

所使用到的斯里兰卡气象站点实测数据来源于2008—2020年的数据统计,主要包括了斯里兰卡海岛的10个气象站的逐日降水数据,为降低因海岛地势差和站点分布不均问题对雨量计算的影响,采用泰森多边形法来计算海岛的年均降水量[11],各站点的空间分布如图1所示。

图1 斯里兰卡海岛气象站空间分布Fig.1 Spatial distribution of weather stations in Sri Lanka

为确保气候变化研究的可靠性,在进行极端降水计算之前,采用RClimDex软件对斯里兰卡原始气象数据进行严格的质量控制及均一化检验,并结合广泛推荐应用的非参数统计方法M-K(Mann-Kendall)突变检验法来揭示整体时间序列的变化趋势,从而判断是否存在气候突变[12-13]。图2为给定显著性水平P=0.05下的M-K检验结果,其中P=0.05时,统计量临界值U0.05=±1.96。结果表明:在2008—2020年,降水量正序列(UF)和反序列(UB)均处于临界值线内(U0.05=±1.96),降水序列未发生明显突变。两曲线分别在2009—2010年和2015—2016年存在交点,2008年后UF统计量在0线以下,表明斯里兰卡本阶段年降水呈下降趋势,从2010年之后,UF统计量均处于0线以上,斯里兰卡降水趋势呈稳步上升趋势,其突变并未有显著趋势。

图2 降水量M-K统计检验Fig.2 M-K statistical test of precipitation

2 资料与方法

2.1 经验正交函数分析

经验正交函数(empirical orthogonal function,EOF)分析,因其极强的实用意义成为统计气象要素变化的重要方法。原理是将要素场分解得到两个不同的函数:空间函数和时间函数,将体现要素强烈显著性的数据集中于几个空间分布模态中,用极少的两个或几个基本涵盖要素场信息的模态来客观描述其空间结构和时间变化趋势[14]。

将气象降水在m个格点上的n次连续监测资料看作一个m维随机向量X,经验正交函数EOF分解是将降水场X分解为特征向量矩阵S和对应的时间系数矩阵T,可表示为

(1)

降水数据经预处理后,得到距平矩阵X,将X矩阵与其转置矩阵XT乘积得到协方差矩阵C,将协方差矩阵C的特征向量λ由大到小顺次排列,分解所对应的特征向量,从而得到降水场的第1模态,第2模态,…,第m模态。对于任一模态,空间特征向量分量值越大,则降水变化的振荡强度越显著;时间系数的正负代表与空间变化的异同性,时间系数为正值,表明与当前空间分布同向,为变化主趋势;时间系数为负值,表明当前空间分布状态与降水变化趋势相反。

2.2 RClimDex极端降水模型

基于R语言的RClimDex模型,经模型本身的数据质量控制模块对逐日降水和气温数据进行严格筛查后,可对不同种类的极端气候指数进行分析讨论[15-16]。考虑到斯里兰卡热带气候下不存在小于0 ℃的温度条件,对极端气温指数研究意义不大,故选取6项极端降水指标来探究斯里兰卡极端降水的时空变化特征。各极端降水指数定义如表1所示。

表1 极端降水指数定义Table 1 Definition of extreme precipitation index

2.3 Morlet小波分析

Morlet小波分析是将某一时空域信号经平移、尺度变换后分解为系列小波函数的叠状态的分析方法,能直观反映变量在整个时段内的周期震荡情况,同时定性分析预测系统的未来变化趋势,常用于水文气象的周期分析中[17-18]。定义小波函数为

(2)

2.4 R/S分析

R/S分析法常被用于探索时间的分形特征及长期记忆过程中,依据计算所得Hurst指数H来判断在时间序列上的可持续性[19]。Hurst指数取值在[0,1],当H=0.5时,表明该降水指数的变化具随机性,现有变化与未来趋势无相关;0≤H<0.5时,过去与未来的变化趋势呈反持续性,H越接近0,反持续性越高;0.5

3 结果与讨论

3.1 年际降水量EOF时空分解

3.1.1 空间分布特征

应用EOF法对斯里兰卡2008—2020年降水场进行时空分解,按照North显著性检验方法,只有当各模态下的特征根误差上下限互相无重叠时,才能判定此模态通过了North显著性检验。由表2可知,前6个模态的累计方差贡献率达98.60%。其中第1、第2模态下特征根误差上下限无重叠,因此通过North检验,其累计方差贡献率达到90.13%,分布特征能够很好地表征斯里兰卡降水场的空间结构特征。

表2 斯里兰卡年降水量EOF分解的前6个特征向量贡献率Table 2 Contribution of the first six eigenvectors of the EOF decomposition of annual precipitation in Sri Lanka

第1特征向量场(EOF1)的方差贡献率为83.38%,远高于其他向量场的方差贡献率,故斯里兰卡降水场的空间分布类型以EOF1为主。由图3(a)可知,所有站点的特征值均落在0.1～0.5,特征值为正则表明斯里兰卡降水在空间变化上呈高度一致性,降水高值中心处在海岛西南部,低值中心处在海岛东南部。降水空间分布形势与季风气候和地形密切相关:斯里兰卡受由印度洋吹向陆地的湿润西南季风影响,其中强烈湿润的西南季风在海岛中南部高原地带爬升遇冷,引起西南局部强降水,从而形成了斯里兰卡降水以西南高—东南低为主的空间分布态势。

图3 斯里兰卡年降水量EOF分析中的前2个特征向量场Fig.3 The first 2 eigenvector fields in the EOF analysis of annual precipitation in Sri Lanka

第2特征向量场(EOF2)是海岛降水空间分布的次表现形式,方差贡献率为6.75%。从图3(b)可以看出,EOF2下站点特征值范围处在-0.3～0.6,海岛东西空间分布差异明显。海岛东部为正值区,西部为负值区,呈现明显的东高西低的反向分布模式,反映出斯里兰卡降水空间分布的次变化特征为由东向西依次递减,该表现形式主要受海岛东北干燥季风降水影响。

3.1.2 时间分布特征

对于任意年,降水场的模态类型是由该年时间系数的绝对值大小来决定的,而空间模态的时间变化特征则是通过时间系数的正负来体现。时间系数为正值表示降水时空变化一致,负值则相反,绝对值越大表明该模态的变化规律越显著。对两种降水空间模态的数据(图4)分析可知,斯里兰卡降水场主要有4种表现类型,分别为:全域多雨、全域少雨、西南部多雨东北部少雨和西南部少雨东北部多雨。对2008—2020年4种降水分布类型进行统计分析,得出全年多雨有7年,全年少雨有4年,全年西南部多雨有2年,具体年份如表3所示。近年来降水场分布主要以第1模态(全年多雨)为主,时间占比为84.6%,在第1模态下,趋势线斜率为126.24,R2为0.092,表明近年来斯里兰卡降水增长趋势显著,未来发生极端降水的概率进一步增加;模态2的时间占比为15.4%,趋势线斜率为-25.09,R2为0.033,表明斯里兰卡西南湿润区降水有减小趋势,东北干旱区降水有增加趋势。

表3 4种降水场表现类型年份分布Table 3 Year distribution of four precipitation field performance types

图4 前2个降水空间模态的时间系数Fig.4 Time coefficients of the first 2 spatial modes of precipitation

3.2 极端降水指数特征分析

3.2.1 时间特征分析

依据斯里兰卡10个气象站的降水系列数据,选取五日最大降水量RX5d、普通日降水强度SDII、极端降水日数R20、极端降水量R95p、持续干燥指数CDD和持续湿润指数CWD6个极端降水指标,计算当地极端降水量的时空分布及其变化趋势,如图5所示。

图5 极端降水指数年际变化Fig.5 Interannual variation of extreme precipitation index

由图5可以看出,RX5d、SDII、R20、R95p、CWD均呈上升趋势。其中,R95p变化率为61.60 mm/10 a,RX5d变化率为11.80 mm/10 a,R95p和RX5d是极端降水量的重要指标因子,这两项指数显著上升的变化趋势能够说明极端降水总量及频率将会进一步增加,相应的显著上升的站点比重较高。SDII、R20和CWD指数变化率分别为1.66、8.05、2.29 mm/10 a,呈小幅上升趋势,但存在明显震荡周期;CDD指数的变化率为-18.44 mm/10 a,持续干旱情况呈明显减少趋势。综合6个极端降水指数的年际变化特征,斯里兰卡整体呈湿润化趋势,发生极端降水的概率和等级变大,未来面临暴雨洪涝灾害风险增强,应做好防汛风险应急预案。同时通过斯里兰卡国内大型水利枢纽工程,完善流域防洪工程体系,提升当地水旱灾害防御能力。

3.2.2 空间特征分析

斯里兰卡独特的地理位置,以及所属的热带气候造就了当地降水在空间分布上的不均衡。从图6中可以看出,在极端降水量和降水贡献率方面,6个极端降水指数在空间格局上分布差异。RX5d指数大致呈由西南向东北方向逐渐降低趋势,该指数的高值区包含加勒和拉特纳普勒地区;SDII指数由北向南逐渐降低,亭可马里SDII指数多年平均值为19.53 mm/d,为区域最高值,在汉班托塔出现最低值,为12.13 mm/d,表明亭可马里的极端降水频率较高。R20、R95p指数和CWD指数空间分布情形类似,西南部地区均为高值中心,西北地区为低值区域,R95p在拉特纳普勒(高值中心)与汉班托塔(低值区)相差562.42 mm,在两地间的CWD差值为9.4 d,空间差异显著,而拉特纳普勒及以西地区为斯里兰卡降雨事件的多发区。

图6 极端降水指数空间变化趋势Fig.6 Spatial trends of extreme precipitation index

3.2.3 周期变化分析

运用Morlet小波变换对各极端降水指数进行分析,揭示极端指数的周期性变化规律[20]。图7为小波系数实部值的高低,能清晰地反映各极端降水指数随时间的交替变化趋势。可以看出,各项极端降水指数随时间变化存在着高低振荡现象,周期变化较为明显,6个极端降水指标除CDD外,其余指标振荡主周期均为6～7 a。RX5d和SDII存在3个相同的振荡主周期,分别在2、4、7 a,表现为多峰谱型,其中第一主周期振荡强度最大。R20和R95p两个指标的振荡周期基本一致,但表现出更加强烈的振荡强度,周期性趋势也更加显著。结合周期变化规律和前文的趋势分析,可进一步判断未来10 a斯里兰卡极端降水事件总体变化趋势将呈现上升趋势。

3.2.4 R/S时间变化趋势预测

R/S分析无法检验时间序列的变化趋势,但可根据Hurst指数H的大小来判断时间序列未来的持续性[21-23]。运用R/S分析法对斯里兰卡极端降水指数进行预测,结果如表4所示。R20的H=0.5,表明历史变化与未来变化趋势无相关。此外除了CWD的H<0.5,其余指标的H均大于0.5,说明斯里兰卡持续湿润指数变化将呈反持续性,而其他指标表现出了持续性,未来较长时间内斯里兰卡重点区域降水将保持现有增加的趋势。SDII的H在0.6～0.7,表现出较强的持续性。

表4 斯里兰卡各极端降水指数R/S趋势分析Table 4 Analysis of R/S trend of each extreme precipitation index in Sri Lanka

由于基础数据的时间序列较短,各极端降水指数的年际变化特征总体尽管表现出降水频率加大的趋势性,但其指导意义和科学性相对较弱[24-26]。但另一方面,小波分析结果表现出来的数据周期性较强,尤其RX5d和SDII的第一主振荡周期仅为2 a,表明在13 a的历史时间序列中已展现出较高的重复性,分析结果的可靠性也更高。

结合小波分析及Hurst指数分析结果:SDII的主振荡周期短、R/S分析的R2达到0.973,预测可信度最高;其次为R95p和RX5d两个指标,分别具有较高的R2或较短的主振荡周期,也具有一定的预测可信度;CDD指标主振荡周期不明显,尽管R2达到0.910,其预测可信度也略低;而R20和CWD指标的R2较低、主振荡周期较长,其预测可信度也较低。

基于分析预测结果,未来斯里兰卡的普通日降水强度SDII将呈现较强增加趋势,极端降水量R95p和五日最大降水量RX5d均将呈现微弱增加趋势,而其他极端降水指数的变化趋势可信度相对较低。气候演化是一个复杂的过程,斯里兰卡未来极端降水将表现出持续的增加趋势,但随机性和波动性较大,而极端降水指数6～7 a的主周期特征可作为关注点,基于重现性角度进行水资源管理并不断在工作中进行优化验证。

4 结论

以气象点观测资料为基础,分析了斯里兰卡极端降水时空分布特点,得到以下结论,可为当地生态环境保护和防灾减灾等工作提供参考依据。

但对于“一带一路”合作倡议沿线国家或地区,气象数据质量的参差不齐给研究带来了一定难度,未来需要一些新的方法来高效处理类似降水序列缺失地区的数据,同时后续还需进一步探究极端气候的差异性及对不同灾害事件的影响。得出如下结论。

(1)EOF分析表明,近年来斯里兰卡降水增长趋势显著,未来发生极端降水的概率进一步增加。斯里兰卡降水场的空间分布类型以EOF1为主,降水在空间变化上呈高度一致性,西南部地区降水增多趋势较东北部更强。

(2)时间上,近10年斯里兰卡极端降水事件呈现较明显增加趋势,极端降水量指数(R95p和RX5d)的变化倾向率分别为71.03 mm/10 a和21.10 mm/10 a;在极端降水日指数(SDII、R20、CDD、CWD)中,除连续干燥日CDD呈下降趋势外,其他指标呈弱上升趋势。空间上,斯里兰卡极端降水指数空间差异性明显,西南部地区均为高值中心,西北地区为低值区域,R95p在两个区域内相差552.81 mm,而拉特纳普勒地区为斯里兰卡降雨事件的多发区。

(3)周期变化上,各项极端降水指数随时间变化存在着高低振荡现象,周期性趋势显著,RX5d和SDII存在3个相同的振荡主周期,分别在2、4、7 a,表现为多峰谱型,其中第一主周期振荡强度最大。

(4)综合R/S分析及各指标的周期变化规律,未来斯里兰卡的普通日降水强度SDII将呈现较强增加趋势,极端降水量R95p和五日最大降水量RX5d均将呈现微弱增加趋势,而其他极端降水指数的变化趋势可信度相对较低。表斯里兰卡未来极端降水总体将表现出持续的增加趋势,极端降水指数6～7 a的主周期特征可作为当地水资源管理的关注点并不断在工作中进行优化验证。