黄淮海平原又称华北平原, 是中国第二大平原, 位于N32° ~40° , E114° ~121° 之间, 跨越京、津、冀、鲁、豫、皖、苏7个省市, 面积约30万km²(图1)。该区地势平缓, 多位于海拔50 m以下, 属于典型的冲积平原。黄淮海地区属典型的温带季风气候, 四季分明, 夏季受亚热带太平洋暖湿气流的影响, 湿润多雨; 冬季受蒙古高压冷气团的控制, 寒冷干燥。区域内年均气温14~15℃, 南北温差3~4℃。降水主要集中在植物的生长旺季, 但是总体不够充沛, 并随着地形地貌、地理位置、季节等的不同, 年降水量在500~900 mm之间变动, 且年际差异显著。

图1

Fig.1

	Figure Option ViewDownloadNew Window
	图1 黄淮海地区地理位置、DEM及气象站点分布Fig.1 Geographical location, DEM and distribution of meterological sites in Huanghuai Hai plain

1.2.1 TRMM数据

TRMM卫星是由美国NASA(National Aeronautical and Space Administration)和日本NASDA(National Space Development Agency)共同研制的用于观测和研究热带、亚热带地区降雨及能量交换情况的试验卫星, 于1997年11月27日发射成功。TRMM 3B43数据的时间分辨率为1个月, 空间分辨率为0.25° ; 数据的覆盖范围为S50° ~N50° , W180° ~E180° , 包括中国大部分区域。本文所使用的降雨数据集是由NASA官网(http: //www.nasa.gov/)提供的1998— 2013年间逐月的TRMM 3B43数据。使用ENVI/IDL 4.7工具将TRMM 3B43降水速率(mm/h)从HDF文件中提取出来, 然后乘以各个月的时间, 生成月降水量栅格数据。经过矢量裁剪得到黄淮海地区数据, 并转换投影为经纬度投影。

1.2.2 气象站点实测数据及DEM数据

为了验证TRMM 3B43数据的有效性以及数据重采样的合理性, 从中国气象局网站(http: //cdc.cma.gov.cn)获取了2010年全国676个气象站点的月降水量数据; 同时, 还获取了黄淮海地区1961— 2013年间44个有效气象站点的月降水量数据, 用于计算SPI。

此外, 从地理空间数据云网站(http: //www.gscloud.cn)获取了90 m空间分辨率的SRTM(shuttle Radar topography mission)DEM数据, 并重采样为0.05° 用于制作黄淮海地区的地形分布图。

Pa指数是表征某个时段降雨量较气候平均状况偏少程度的指标之一, 能够直观地反映由于降雨异常而引起的干旱状况。Pa指数的计算式为

Pa=P-P̅P̅×100%, (1)

式中: P为某一时段的降雨量, mm; P̅表示同时期多年平均降雨量, mm。本文运用了1998— 2013年间总计16 a的TRMM 3B43数据, 计算了每年各个月份的Pa指数, 用于分析干旱的时空演化规律。

Pa指数不但能够有效监测干旱的发生, 而且可以用于划分干旱的剧烈程度。Pa指数用于干旱程度划分的规则有多种, 根据2006年国家气象干旱等级标准^[12], 干旱可以划分为无旱(Pa> -0.40)、轻旱(-0.60< Pa≤ -0.40)、中旱(-0.80< Pa≤ -0.60)、重旱(-0.95< Pa≤ -0.80)和特旱(Pa≤ -0.95)5个等级。本文根据常见的干旱划分标准, 将干旱等级划分为湿润(Pa> 0.25)、正常(-0.40< Pa≤ 0.25)、轻旱(-0.60< Pa≤ -0.40)、中旱(-0.95< Pa≤ -0.60)及重旱(Pa≤ -0.95)5个等级。

Z指数与降水时空分布密切相关, 用Z指数能够很好地刻画单站点干旱的发生及程度。由于降水量一般不满足正态分布, 因此有学者指出用Person-Ⅲ 型分布来拟合某一时段的降水量, 通过对降水量进行正态化处理, 将Person-Ⅲ 型分布转化为以Z指数为标量的标准正态分布^[4]。本文中Z指数的计算类似于Pa指数的计算, 均由16 a的TRMM 3B43数据计算得到每个像素点的Z指数值, 其计算方法为

Z_i= 6Cs(Cs2φ _i+1)^1/3- 6Cs+Cs6, (2)

σ=1n∑i=1n(xi-x̅)2, (3)

x̅=1n∑i=1nx_i , (4)

式中: Z_i表示某一年TRMM数据中每个像素第i月的降水Z指数; C_s和φ _i分别为偏态系数和标准变量, 其中, C_s= ∑i=1n(x_i- x̅)³/nσ ³, φ _i=(x_i- x̅)/σ ; x_i为第i月的降水量; n为总年数, 这里为16 a; σ 为降水序列的标准差; x̅表示降水序列均值。单站点的Z指数值也可以用于划分旱涝程度。在前人对于干旱程度划分研究成果的基础上^{[8, 9]}, 为了与Pa指数的干旱等级相对应, 本文将Z指数的干旱等级同样划分为5类, 分别为湿润(Z> 0.842)、正常(-0.842< Z≤ 0.842)、轻旱(-1.037< Z≤ -0.842)、中旱(-1.645< Z≤ -1.037)及重旱(Z≤ -1.645)。

降水作为水循环研究的一个重要因子, 是干旱的主要驱动因素之一。TRMM数据能够进行大范围、全天候的降水量观测, 成为应用较多的一种遥感数据。然而, TRMM数据较低的空间分辨率在很大程度上限制了其在区域范围内的应用, 因此, 关于TRMM数据的降尺度问题成为一个研究热点, 考虑到TRMM 3B43月降水量数据在空间上的连续性, 本文采取基于地理空间统计理论的空间克里金内插方法, 将0.25° 空间分辨率数据降尺度到0.05° 空间分辨率。为了验证结果的可靠性, 从中国气象局获取了2010年每个月的676个气象站的数据, 考虑到降雨在不同月份和季节的差距较大, 文中选取了2010年1, 4, 7, 10月这4个典型月份(代表4个不同季节)的拟合结果来验证数据的有效性。

图2

Fig.2

	Figure Option ViewDownloadNew Window
	图2 气象站点数据和0.25° TRMM 3B43月降雨量数据的拟合结果Fig.2 Fitting results between meteorological site data and 0.25° TRMM 3B43 data

图2表明, 地面气象站点数据和TRMM数据的吻合度很高, 因此可以认为0.25° 空间分辩率的TRMM 3B43月降水量数据能够满足实际的应用需求。

图3为降尺度到0.05° 空间分辨率的TRMM 3B43数据与地面气象站点数据的拟合结果。

图3

Fig.3

	Figure Option ViewDownloadNew Window
	图3 气象站点数据和0.05° TRMM 3B43月降雨量数据的拟合结果Fig.3 Fitting results between meteorological site data and 0.05° TRMM 3B43 data

图3表明, 降尺度后的TRMM 3B43数据可靠性也相对较高, 可以用于后续的产品生产。

对比图2和图3可以看出, 较0.25° 的TRMM 数据, 降尺度后的数据拟合系数都有所提高。这是因为降尺度后的数据格网变小, 使得地理位置配准的精度提高, 且平原地区降水在空间上相对连续, 因此结合了空间邻域信息的插值方法能够很好地表征降水量状况。

图4为Pa指数干旱监测的效果。

图4

Fig.4

	Figure Option ViewDownloadNew Window
	图4 Pa指数干旱监测的时空分布Fig.4 Spatial and temporal distribution of drought with Pa index

从时间上可以看出, 2010年8月整个黄淮海地区较湿润, 而2010年冬季以后降水量明显减少且低于多年平均水平, 大部分区域遭遇干旱, 其中, 中西部干旱相对严重。进入2011年春季, 降水量持续减少, 干旱程度进一步加重, 至2011年1月和3月, 整个黄淮海地区用Pa指数的监测结果多为中旱和重旱。到了2011年5月份, 随着降水量的增加, 旱情基本得到缓解。这一趋势与实际情况相符, 表明Pa指数能够有效地监测干旱在时间上的变化规律。尽管降水量在空间上有“ 东多西少” 的分布趋势, 但干旱的空间分布没有很明显的规律。这是因为, Pa指数反映更多的是降水量与多年平均值的差异情况, 在不同地区, 由于历史多年平均降水量的差异, 相同月份降水量表现出的干旱程度可能相差很大, 这也表明Pa指数尽管在多数情况下能够有效地监测干旱, 但对不同地区其监测结果会有一定的局限性。

图5为Z指数在黄淮海地区干旱程度的监测结果。使用Z指数进行干旱监测所表现出的时间演化规律与Pa指数相同, 均表现为冬季干旱出现, 次年春季干旱程度最重, 随着时间推移干旱逐渐缓解。从干旱的空间分布来看, 2010年的干旱主要集中在山东省南部和河南省东部, 而2011年干旱严重的地区主要集中在江苏省北部。此外, 2011年3月山东省东部和南部地区也发生了较严重的干旱。相较于Pa指数, Z指数不仅能够监测干旱在时间上的变化规律, 而且能够很好地模拟干旱空间上的动态变化。

图5

Fig.5

	Figure Option ViewDownloadNew Window
	图5 Z指数干旱监测的时空分布Fig.5 Spatial and temporal distribution of drought with Z index

表1为对图4、图5中6个月不同干旱等级面积进行累加求平均值, 并计算各个干旱等级所占面积百分比的结果。

表1

Tab.1

表1(Tab.1)

表1 不同方法监测的干旱等级所占面积比例 Tab.1 Area ratio of drought level using different methods 干旱等级 Pa指数/% Z指数/% 修正后Z指数/% 湿润 12.3 8.9 12.4 正常 25.1 62.0 17.6 轻旱 9.1 17.3 12.5 中旱 38.1 11.6 36.8 重旱 15.4 0.2 20.7

表1 不同方法监测的干旱等级所占面积比例 Tab.1 Area ratio of drought level using different methods

从表1可以看出, 尽管2种指数都能够监测干旱的时间演化规律, 但是所监测干旱的空间分布却存在较大的差异。这是由于干旱等级的划分依赖于前人的总结和一些现有的资料, 因此, 同一种指数往往存在很多不同的干旱等级划分方法, 这在很大程度上导致了结果的差异性。Pa指数反映的是降水量与多年降水量均值的差异情况; Z指数是假定降水服从Person-Ⅲ 型分布, 由时序数据计算而来。2种方法在理论上存在显著差异。从干旱等级分布的百分比来看, Pa指数监测的结果与实际情况更相符。

鉴于本文Pa指数干旱等级的设定是参考2006年的国家干旱等级标准, 具有一定的参考意义; 而Z指数等级的划分则是借鉴前人的研究成果, 其划分标准通常会因为区域的不同而存在差异。因此, 本文考虑以Pa指数的等级划分为标准来对Z指数的干旱等级进行修正。考虑到Pa指数和Z指数在相同月份干旱监测的独立性和不同月份进行干旱监测的相似性, 因而仅仅使用一个月的Pa指数就可以很好地修正Z指数。本文以2010年10月份为研究月份, 在研究区均匀选取了730个点, 获取每个点上的Pa指数和Z指数值, 然后对2组数据进行相关分析。图6为相关分析的结果, 根据拟合方程以及Pa指数划分等级的标准, 对Z指数等级划分进行了修正。等级划分由原始的0.84, -0.84, -1.04和1.65更正为-0.93, -0.50, -0.26和0.54。

图6

Fig.6

	Figure Option ViewDownloadNew Window
	图6 2010年10月Pa指数和Z指数拟合结果Fig.6 Fitting result of Pa and Z index in October 2010

根据修正后的干旱等级标准, 得到了黄淮海地区Z指数修正后的干旱监测时空分布图(图7)。

图7

Fig.7

	Figure Option ViewDownloadNew Window
	图7 Z指数修正后的干旱监测时空分布Fig.7 Spatial and temporal distribution of drought with modified Z index

统计修正后的Z指数不同等级的干旱所占面积比重(表1)可以发现, 修正后Z指数监测的不同等级干旱所占比重和Pa指数的结果基本一致, 相较于原始的Z指数统计结果, 效果明显改善。

为了验证2种干旱监测指数方法的有效性, 本文计算了2010年7月到2011年6月研究区内共计12个月份的44个气象站点的降水量月均值, 其结果如图8所示。从图中可以发现, 自2010年8月到2011年6月, 区域平均月降水量呈现出“ 先降后升” 的趋势。降水量自2010年10月开始急剧减少, 到2011年1月份达到谷底, 2011年2月有增加趋势。但是, 2010年10月到2011年4月的降水量总体偏低, 这一趋势和Pa指数、Z指数的干旱监测结果相吻合, 也证明了这2种指数的有效性。

图8

Fig.8

	Figure Option ViewDownloadNew Window
	图8 研究区内44个气象站月降水量均值分布Fig.8 Average monthly precipitation of 44 meteorological stations in study area

SPI已被证实是能够很好反映气候干旱变化的指数^[5]。本文为了进一步验证Pa指数和Z指数的有效性和可靠性, 收集了1961— 2013年间各个月的降水量数据, 计算了1个月、3个月、6个月3个不同时间尺度的SPI。以2010年10月为例, 将2种指数和SPI进行拟合, 求得1个月尺度的SPI和Pa指数的决策系数R²=0.757, 与Z指数的决策系数R²=0.796, 均达到极显著水平。这说明Pa指数和Z指数与1个月尺度的SPI相关性很高, 所反映的旱情与SPI反映的一致。其中Z指数的拟合效果要好于Pa指数的拟合效果, 这也证明了Z指数能够更好地反映出干旱的空间分布。