重慶干旱分布與預測模型研究

林果果

(重慶市水利電力建筑勘測設計研究院，重慶 400020)

隨著人類社會經濟的快速發展及人口的快速提升，極端氣候現象發生概率逐年提高，氣候變化問題在一定程度上限制了社會的進步[1]。在過去的100多年中，年均氣溫增長0.85℃[2- 3]。同時全球變暖不但是溫度的升高，同時還伴隨著輻射、降雨、風速和蒸散的變化[4- 6]，氣候因素的變化造成了干旱現象的頻繁發生。干旱指的是在有限的水資源內，供需水無法達到平衡時所引起的水資源短缺的現象[7- 8]。國際氣象學界為更好表征干旱現象的發生，將干旱定義為“長時間水資源缺乏”或“由于長時間的降水缺乏造成的其他領域的缺水”[9- 10]。干旱現象的頻繁發生在一定程度上嚴重限制了區域經濟的發展，并直接影響到了居民生命安全。

目前，尚未發現一種變量或氣象參數可直接表征區域干旱，對于干旱烈度、持續時間、干旱強度、開始和技術時間的監測仍在研究當中[11- 12]。為在一定程度上表征區域干旱、研究區域干旱現象的分布規律及影響因素，常需將干旱特征定量化表示，目前常用的方法主要包括基于氣象數據計算的干旱指數、數值模擬的區域水分和遙感衛星監測3種方法[13- 14]，其中干旱指數由于其具有獲取數據較易、精度較高、計算過程簡便的優點，是目前表征區域干旱現象的主要方法之一[15]。已有的干旱指數主要包括標準化降水指數SPI、綜合氣象干旱指數NCI、相對濕潤度指數MI和標準化權重降水指數SPIW等[16]，掌握干旱指數的變化規律對掌握區域干旱變化規律意義重大。

相對濕潤度指數綜合考慮了區域蒸散和降水的影響，已被證明可較好表征區域干旱。曹二佳等[17]基于相對濕潤度指數分析了烏蘭察布市的干旱特征，劉洋[18]基于相對濕潤指數對錦州干旱進行了預測均取得了較好的結果。重慶作為直轄市，是國家重要的糧食生產地，但嚴重的季節性干旱極大程度上限制了農業及經濟的發展[19- 20]。本文基于相對濕潤度指數分析重慶地區干旱分布規律，并基于機器學習模型構建干旱預測模型，以期為重慶干旱治理提供幫助。

1 研究方法

1.1 研究區域概況

重慶為亞熱帶季風氣候，年平均氣溫16～18℃，降水豐富，年均降水量超過1000mm，年日照時數1000～1400h。本文選擇重慶地區豐都、奉節、沙坪壩、萬州、酉陽共5個站點1980—2016年的逐日氣象數據。

1.2 相對濕潤度指數計算

相對濕潤度指數MI可綜合考慮降雨與蒸發的關系，其值越小，區域越干旱，具體計算公式可見文獻[18]。MI分級標準為MI>-0.4為無旱，-0.4≥MI>-0.65為輕旱，-0.65≥MI>-0.8為中旱，-0.80≥MI>-0.95為重旱。

1.3 粒子群優化極限學習機模型PSO-ELM

極限學習機模型(ELM)主要可分為輸入層、隱含層和輸出層3部分，將粒子群算法中的粒子速度與機制計算應用于ELM模型的權重和閾值計算中，可提高ELM模型的收斂速度和計算精度，通過模型試算可找到數據的潛在規律，完成點云數據稀疏連接和參數共享，實現對點云數據的處理，模型操作原理如圖1所示。

圖1 PSO-ELM操作原理圖

1.4 模型訓練與驗證

將PSO-ELM模型預測結果分別與M5回歸樹模型(M5T)、極限學習機模型(ELM)、支持向量機模型(SVM)、隨機森林模型(RF)作對比，模型基本步驟可見文獻[21]。分別以溫度、日照時數等氣象參數組合形式為輸入組合，驗證不同組合下的模型精度，具體組合方式見表1。

表1 模型輸入不同組合方式

1.5 模型精度指標

分別以均方根誤差(RMSE)、相對均方根誤差(RRMSE)、絕對誤差(MAE)和模型效率系數(Ens)為模型誤差評價體系，具體公式如下：

(1)

(2)

(3)

(4)

2 結果與分析

2.1 干旱時間變化趨勢

重慶市5個站點相對濕潤度指數的年內變化趨勢及累積距平曲線如圖2所示。由圖2中可以看出，整個區域干旱程度隨著月份的增加呈現先降低后升高再降低的M型趨勢，在6月和10月，整個區域干旱程度最低，而在7—9月降雨最為集中的幾個月份，干旱程度有所升高，這可能是由于這幾個月溫度較高，導致區域蒸散取值較大的原因。不同站點在12、1、2月的出現干旱現象，尤其在12月，多數站點干旱程達到了中旱水平，表明重慶存在較嚴重的季節性干旱現象。

圖2 不同站點相對濕潤度指數年內變化趨勢及累積距平

2.2 干旱空間變化趨勢

不同站點干旱程度的空間變化趨勢如圖3所示。由圖3中可以看出，不同季節相對濕潤度指數的取值雖有所不同，但變化趨勢基本一致，均呈現由東北到西南干旱程度梯度變化的趨勢。在春季、夏季和秋季，相對濕潤度指數取值由東北到西南逐漸增大，且不同站點均無干旱現象發生。在冬季，不同站點的干旱現象較為嚴重，由東北到西南干旱程度逐漸降低，在沙坪壩附近，干旱程度為輕旱，在奉節附近干旱程度最高，達到中旱程度，這嚴重限制了當地經濟的發展。

圖3 不同站點相對濕潤度指數空間變化趨勢

2.3 干旱預測模型精度對比

不同模型在不同輸入組合下的干旱模擬精度對比見表2。由表2中可以看出，不同模型在不同輸入組合下的精度有所不同，輸入組合1下，不同模型精度最低，PSO-ELM模型在不同輸入組合下的精度均為最高，其次為ELM模型，M5T模型精度最低，當輸入組合5時，不同模型精度最高，其中PSO-ELM5模型精度最高。這可能是由于輸入組合的氣象因素最多的原因，當氣象數據的輸入較少時，輸入組合3即可保證模型具有較高的精度。因此，日照時數和溫度是保證模型精度必不可少的因素，其中日照時數的輸入可顯著提高模型精度。

整個區域不同模型計算精度指標分布情況如圖5所示。由圖5中可以看出，當輸入組合1時，不同模型誤差指標RRMSE、RMSE和MAE取值最高，其中PSO-ELM1模型精度最高；輸入組合2時，模型精度顯著提高，ELM2模型精度最高；組合3、4、5的情況下，不同模型計算精度相近，其中PSO-ELM5模型精度最高，可作為重慶市干旱預測的標準模型使用。

3 結論

基于相對濕潤度指數對重慶市5個站點干旱分布規律進行了研究，并基于PSO-ELM模型等5種機器學習模型構建了干旱預測模型，得出以下結論：

(1)重慶市不同站點在年內存在明顯的季節性干旱現象，在12、1、2月的干旱現象較為嚴重。

(2)整個區域內，春、夏、秋季相對濕潤度指數取值由東北到西南逐漸增大，且不同站點均無干旱現象發生。在冬季，不同站點的干旱現象較為嚴重，由東北到西南干旱程度逐漸降低。

(3)不同輸入組合下的不同模型精度不同，在輸入組合5時，不同模型精度最高，其中PSO-ELM5模型精度最高，可作為干旱預測模型使用。

本文基于相對濕潤度指數表征重慶市干旱，SPEI指數在表征干旱時同樣精度較高，在今后的研究中可以比較兩者精度，選擇最優指標。

圖4 整個區域不同模型誤差指標分布情況