使用标准化降水指数分析淮河流域干湿状况的时空格局外文翻译资料

 2022-11-16 11:11

英语原文共 9 页，剩余内容已隐藏，支付完成后下载完整资料

使用标准化降水指数分析淮河流域干湿状况的时空格局

Yi Hea, Ye Jinyinb, Yang Xiaoyingc,*

a Tyndall气候变化研究中心，环境科学学院，East Anglia大学，诺威奇市，英国

b 安徽省气象台，合肥，中国

c环境科学与工程系,复旦大学，上海，中国

摘要：淮河流域位于中国南北方气候的过渡地带，容易发生一些极端事件，比如干旱和洪涝。本文基于134个气象站点1961- 2013年的日降水数据，通过对雨量站的年度和季节性标准化降水指数(SPI)系列进行统计分析，分析淮河流域干湿状况的时空格局。在86个气象站，年度SPI系列表现出减小的趋势；而剩下站点则表现出增加的趋势。没有一个站点的增加趋势是显著的，但是有两个站点的减小趋势是显著地，一个通过了0.05的显著性水平检验(alpha;= 0.05)，另一个通过了0.1的显著性水平检验(alpha;= 0.05)。季节性变化显著，春秋干，夏冬湿。春夏季SPI系列的变化趋势基本上不显著，而在秋冬季节有超过30个气象站通过了0.10的显著性检验。P检验的结果表明，在秋冬季节SPI系列的通过0.10的显著性转换主要发生在80年代中后期。通过比较具有平均干湿年数量的两个时期，1961-1984年和1990–2013年，发现流域内大部分地区出现严重湿年的平均数量显著性增加（alpha;= 0.05)。总的来说,淮河流域的干湿状况已经发生了显著性的变化，这可能对粮食和用水安全形势产生深远的影响。

关键词：标准化降水指数，趋势分析，变点检测，极端事件，淮河流域

  1. 引言

在全球气候变化的背景下，极端事件，如暴雨、洪水、干旱，它的发生频率，振幅和产生的影响表现出增长的趋势(Parry et al.,2007)。气候和水文循环之间的密切联系呈现出研究世界各地的水文变化过程是非常必要的。了解水文气候现象的时空特征并探查它们的变化格局，对于一个给定区域内水资源的可持续管理和对气候变化的适应性是必不可少的(Oguntunde et al., 2014)。在一个给定的地区内，降水是影响水系动力的最重要因素之一。由于降水在时间和空间上的变异都很大，有时甚至在小尺度上，因此检测其时空变化模式是特别困难的(Shi et al .,2013)。

在过去的几十年里，大量用来检测和监测干旱的指标被确立，它们在不同条件下的优缺点也已经得到了 Mishra和Singh(2011)的全面审核。与其他指标相比，由McKee et al.(1993)提出来的标准化降水指数（SPI）具有几个优点，包括时间尺度的灵活性，空间结构的稳定性，减少输入变量的需求，以及计算简易(Bazrafshan et al., 2014)。到目前为止，SPI已经被广泛的应用到全球干旱评估、监测和预测(Spinoni et al., 2014)，并且在许多地区，比如非洲(Cheo et al.,2013; Dutra et al., 2013)，中国(Feng et al., 2013; Liu et al., 2012;Zhang et al., 2012)，希腊(Karavitis et al., 2012)，印度(Dhakar et al.,2013; Ganguli and Reddy, 2014)，伊朗(Tabari et al., 2012)，意大利(DiLena et al., 2014), 马来西亚(Zin et al., 2013)，巴基斯坦(Xie et al.,2013)，塞尔维亚(Gocic and Trajkovic, 2013)，和美国(Ford andLabosier, 2014)。

尽管SPI最初被开发用于干旱检测和监控，但是与常规条件下相比，它更能应用于揭示变湿地区。例如，Zhang et al.(2009)，Du et al.(2013)，Fischer et al.(2013)和Huang et al.(2014)使用SPI分别去调查中国珠江流域，湖南省，西江流域，以及四川省干湿状况的时空变化和它们的年际和季节变化趋势。Raziei et al.(2012)通过利用1月的SPI来调查冬季干湿事件的时空变化。Tosic和Unkasevic(2014)利用1月，3月，6月和12月的SPI分析塞尔维亚的干湿期。结合SPI，统计方法，例如M-K检验、主成分分析法(PCA)和小波变换分析法用来分析干湿状况的时空变化(Gocic and Trajkovic, 2014; Li et al.,2013; Zhao et al., 2012)。

中国的气候受复杂的大气环流机制影响，降水类型多样。由于它的快速发展和人口增长，与世界其他地区相比，中国也面临了更高风险的极端事件，如干旱和洪涝(Fischer et al., 2013)。将淮河流域作为研究对象是因为它包含了一个中国经济发展最快的地区，但也极易发生极端水文气象事件(Ye et al., 2014)。位于中国南北方气候的过渡地带，淮河流域的北方表现为温带季风性气候，南方表现为亚热带气候。它的年降水量大约为850 mm，一般是从南到北递减。年降水量的50–75%集中在洪涝季节的几个月里，流域内的降水量有很大的年际变化，这使得它容易发生洪涝和干旱。在1470年和2010年，估算淮河流域已经发生了63次极端洪涝和46次极端干旱事件(Wu et al., 2011)。

在对淮河流域或其次级流域降水的时空特征这一方面，具有大量的研究。Duet al.(2014)利用30个站点1960-2011年的数据，分析了淮河流域极端降水事件的时空特征。他们发现有20个站点的年最大降水量呈增加趋势，10个站点呈下降趋势但是没通过任何的显著性检验(alpha; = 0.05)。Shi et al.(2014)基于38个站点1951-2010年的日降水观测资料分析了上游沙颍河次级流域的降水集中指数的时空格局。他们发现在大多数的站点降水集中指数有一个积极的趋势，但是没有一个趋势是通过显著性检验的(alpha; = 0.10)。Xia et al.(2012) 基于27个站点1960-2009年的日降水量数据分析淮河流域极端降水事件的时空趋势，他们监测到在大多数的站点，年最大降水量有一个不显著(alpha; = 0.05)的积极趋势。

以前的研究中大多数是基于分布稀疏的气候观测资料来分析淮河流域降水的时空格局(Shi et al., 2013)。然而，充分的时间和空间分辨率的观测对于气候和水文系列格局的探查是至关重要的，尤其是在淮河流域，由于处于气候过渡地带，它的特点是降水具有大的时空变异。为了读者们更好的了解，本研究使用了最全面、长期和高质量的数据集，此数据集包含了整个流域134个降雨站从1961年到2013年的数据。本研究旨在(1)利用SPI标定干时期，研究其发生的时空特征，(2)使用M-K检验法来监测年度和季节性SPI系列的趋势，和(3)确定淮河流域年度和季节性SPI系列的潜在转换点。

2.资料和方法

2.1研究区域和资料

淮河流域(111°55′-121′E 25°和30°55′-36°36′N)位于中国东部地区，介于长江和黄河流域之间，盆地总面积270000平方公里，人口1.65亿。它是中国人口最稠密的地区之一，人口密度接近国家平均水平的5倍。盆地的西部、南部和东北部地区是山区和丘陵地区，占流域总面积的三分之一左右。其余的地方主要是冲积平原，洼地，湖泊。

在淮河流域有两个水系，即淮河水系和沂沭泗水系。淮河源自河南省的桐柏山脉，向东流动有1000多公里，经过河南、安徽和江苏省。沂沭泗水系位于黄河的古粮食产地。它来源于山东省沂蒙山，流经山东和江苏省之后，在洪泽湖与淮河系统相接。整个淮河流域分为四个水资源区域(WRRs)，即上游淮河流域，中游淮河流域，沂沭泗流域和下游淮河流域 (图1)。

淮河流域地处气候过渡区，从北到南有四个不同的季节。处在不同的天气系统影响下，包括西风槽和来自北方寒冷的漩涡以及从热带地区过来的热带气旋和东风波，同样也受当地的江淮切变线和飓风的影响。年平均温度的变化范围为13.2°C到15.7°C，蒸发量为900到1500毫米，相对湿度为66%到81%，风速为1.3到3.5米/秒。平均而言，一年中盆地的无霜期有200 – 240天，日照时间为1990 - 2650小时。

淮河流域的年平均降水量约850毫米，超过50%发生在6月到9月的洪水季节。流域内的降水分布有相当大的时空变异。在某些站点，发现其最大的年降雨量可能是最小年降雨量的四倍。同时，在它的南部山区年降水量可能超过1400毫米，而其西部地区的年降水量在1000 - 1200毫米的范围，其北部山区为600 - 700 mm。

淮河流域134个站点的1961-2013年期间的日降水量数据（图1）从淮河流域委员会的气象信息中心处获得。数据质量的控制是由中国气象局(CMA)的国家气象信息中心(NMIC)来完成的。国家气象信息中心使用离散积累法检查数据的均化程度。在134个站获得的日降雨量数据完全没有任何的丢失记录。

2.2方法

2.2.1 SPI的计算

SPI是用来调查淮河流域干湿状况的时空变化的。SPI是一种被广泛使用的干旱指数，其计算的基础是在多个时间尺度上(如1、3、6、9、12和24个月)降水量的发生概率。为了计算SPI，每个站点的历史降雨数据适用于伽马概率分布函数，如下(McKee et al., 1993):

X表示一定时间尺度上的降水量（mm），alpha;是形态参数，beta;是尺度参数，Gamma;(alpha;)定义伽马函数。利用最大似然法获取alpha;和beta;两个参数。

降水分布的累积概率函数如下：

图1.研究区域.淮河流域的四个水资源区域被显示在主面板上.实心圆圈表示134个雨量站.

Fig. 1. Study region. The four water resources regions of the Huai River Basin are indicated in the main panel. The solid circles represent the 134 rainfall stations.

当伽马函数被定义x = 0时，计算累积概率H(x)：

q表示降水量为零时的概率。

然后使用下面的近似，将累积概率H(x)转换为标准正态随机变量Z或SPI值：

c0 = 2.515517, c1 = 0.802853,c2 = 0.010328,d1 = 1.432788,d2 = 0.189269,和d3 = 0.001308.

基于SPI值对严重干湿状况进行分类，见表1。

表1.基于SPI值的干湿度分类

Table 1．Categories of dryness and wetness based on the SPI values.

2.2.2. M-K检验

非参数Mann-Kendall检验是一种被广泛使用的非参数检验，用来检测水文和气象时间序列的趋势(Tabari et al .,2011)。对于观测值n(x1,x2,hellip;,xn)的一段时间序列，M-K检验统计量S的计算如下：

Mann (1945) and Kendall (1975)已经证明，当n ge; 8时，S统计量近似正态分布，具有零均值和随动方差。

M表示系列组的数量，tk表示范围k的关系数。然后计算标准M-K检验统计量Z，在期望的显著性水平alpha;下，来检验时间变化趋势的显著性：

标准化M-K检验统计量Z遵循均值为0和方差为1的标准正态分布。如果|Z| gt; Z1-alpha;/2，那么此时间序列通过了显著性检验。

2.2.3．P检验

非参数P检验（Pettitt, 1979）过去常用来确认SPI系列中具有显著性变化的点。P检验是一个基于等级和非参数的检验方法，当我们不知道变化的具体时间时，用它来检验一个时间序列的均值变化的显著性（Zhang and Lu, 2009）。观测值T的时间序列（x1,x2,hellip;,xT）被分成两组：x1,x2,hellip;,xt和xt 1,xt 2,hellip;,xT。统计指数Ut,T的定义如下：

最大可能变化的点在：

<!--

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[29204]，资料为PDF文档或Word文档，PDF文档可免费转换为Word

原文和译文剩余内容已隐藏，您需要先支付 30元 才能查看原文和译文全部内容！立即支付

以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。

您可能感兴趣的文章