基于多指標綜合降水指數的安徽省暴雨災害的時空演變*

黃 進，張方敏，胡正華

(南京信息工程大學 應用氣象學院，江蘇 南京210044)

全球各類自然災害導致的損失中暴雨洪澇災害所占比重高達40%，而我國是暴雨洪澇災害最為頻發、多發的地區之一，目前暴雨及其誘發的災害已成為中國實現可持續發展的嚴重障礙[1]。因此，對重大暴雨災害的損失風險開展評估和預估，對于各級政府科學統籌決策，及時進行防災減災，抗災救災有著重要參考價值[2]。關于暴雨洪澇災害風險評估，國內外學者基于自然災害風險原理大多認為其應綜合考慮致災因子、孕災環境、承災體、減災和救災能力等因素，進而構建評綜合估模型開展風險評估[3]。致災因子的設定及指標化是暴雨災害風險評估的首要關鍵工作。現有的諸多研究往往以暴雨發生頻次作為致災指標進行風險評價，這種方法僅能夠單一的描述災害發生的多少，卻不能準確客觀地評估災害發生的危險性和破壞性，只有綜合考慮區域類型、發生強度、持續時間和極端性等特征的綜合暴雨致災指標才更具有實際指導意義[4]。目前，我國學者在遼寧、吉林、青海等區域嘗試構建了多指標組合的暴雨致災因子，但計算過程較為冗繁，且指標選取的有效性未進行合理檢驗[2-4]。

降水長期波動與海洋-大氣環流異常的關系密切，利用與海洋-大氣相關信息結合的大尺度環流指數可以為預判預估長期降水的異常提供關鍵信息，我國學者在試圖識別區域降水與環流指數之間的線性關系做了大量驗證研究[5]。例如，艾比湖流域的最大5 d降水量等降水指數受大氣環流因素的影響較弱，其與北極濤動指數(AO)、北大西洋濤動指數(NAO)和厄爾尼諾-南方濤動指數(ENSO)的相關性均較低，且都沒有統計學意義的顯著性[6]；雅魯藏布江流域1—3月份的極端降水事件更容易受到印度洋偶極子的影響，特別是中部地區2月份的降水總量及連續濕潤日數與印度洋偶極子指數(DMI)呈現出顯著的正相關性[7]；河南省大部分地區的年內降水非均勻性主要受基于厄爾尼諾/南方濤動的影響，特別是北部地區的降水季節性指數與厄爾尼諾-3區的平均海面溫度(NINO 3)呈現出極顯著的負相關性，并通過了0.01顯著性水平的檢驗[8]。盡管如此，探求暴雨致災因子年際變化對大尺度環流指數響應的研究還少有人問津。

安徽省地處我國南北氣候過渡帶，江南和江淮之間的西部為山地，其它地區多為丘陵和平原，地形地貌與天氣氣候復雜多變，暴雨事件多發頻發，常引發中小河流洪水、農田及城市內澇，造成嚴重的經濟損失和人員傷亡[9-10]。鑒于此，本文以安徽省暴雨災害為研究對象，其主要研究內容如下：綜合安徽省暴雨事件的多元特征，篩選并構建出有效適用與研究區暴雨致災因子的指標形式，并對其時序演變規律進行診斷分析；基于大尺度環流指數，識別研究區暴雨災害與環流異常間可能的線性關系。該研究可為安徽省暴雨災害的監測、預估、預警提供重要的參考依據。

1 材料與方法

1.1 數據來源

圖1中77個氣象觀測站1973—2017年的逐日降水資料由安徽省氣象局提供，并通過了加拿大環境部氣候研究中心研發的RHtest均一化檢驗。同期9種對長江中下游降水有著重要影響的大尺度大氣環流指數(Large-scale atmospheric circulation indices, LACI)的逐月數據由美國國家大氣海洋( NOAA)氣候預測中心( https://www.esrl.noaa.gov)提供，分別為北大西洋濤動(NAO)、南方濤動(SOI)、西半球暖池指數(WHWP)、混合ENSO指數(MEI)、厄爾尼諾-3區的平均海面溫度(NINO 3)、厄爾尼諾1+2區的平均海面溫度(NINO 1+2)、厄爾尼諾-4區的平均海面溫度(NINO 4)、厄爾尼諾-3.4區的平均海面溫度(NINO 3.4)、太平洋年代際振蕩(PDO)[5, 8]。

圖1 安徽省77個氣象站的空間分布(審圖號：皖S(2019) 13號，底圖無修改，下同)

1.2 研究方法

1.2.1 綜合暴雨災害評估指數的構建

現有研究中用于描述農業暴雨災害的降水指數(Precipitation indices, PI)大致有14種(表1)，其涵蓋了暴雨事件的頻次、雨量、極值、持續性等特征。我國諸多省份地域跨度大，降水空間差異性顯著，為了使不同氣候帶下不同站點的暴雨災情具有可比性，需要提煉出對表征研究區雨災具有較強普適性的關鍵指標[11]。降雨是誘發雨澇災害的直接因素和激發條件，分析強降水指標與實際災情數據的時序相關性或關聯程度為暴雨災害評價指標的篩選和優化提供了一種較為客觀的驗證思路，最優降水指標應與災情的年際變化有著更好的同步性[12-13]。本文采用國家統計局(https://data.stats.gov.cn/easyquery.htm?cn=E0103)提供的歷年全省農業水災受災面積來表征安徽省因暴雨導致的實際雨澇災情強度。

基于安徽省77個氣象站點的1973—2017年逐日數據，提取了各站點14種PI的逐年序列，并通過計算全部站點PI的算術平均值構建了省域尺度的年際變化序列。表1給出了1973—2017年間14種區域PI與全省水災受災面積的相關分析結果，其相關系數在0.326～0.763間變化。其中表征大暴雨的日數、累積雨量、雨量貢獻率的PI2、PI5、PI8對災情強度的影響最為顯著，其相關系數分別達到了0.754、0.763、0.727，此外最大過程降雨量(PI14)與災情的相關系數也超過了0.7。我國南方地區同一區域不同類型強降水指數的年際變化通常具有一致性，且降水指數之間有著顯著的相關性和共線性[14]。鑒于此，將全省受災面積和14個區域PI分別設置為自變量和因變量，通過逐步線性回歸分析來提煉最優指標，其中PI5、PI13、PI14的組合更為理想，不僅因子數量較少且擬合精度較高。

基于上述結果，將PI5、PI13、PI14作為研究區暴雨災害評價指標，對其與受災比例的相關系數進行歸一化處理，得到PI5、PI13、PI14的權重分別為0.39、0.26、0.36。對1973—2017年間各站點的PI5、PI13、PI14進行Min-Max標準化處理(將45年里所有站點三個關鍵指標的歷史最大值和最小值分別設置為上、下限閾值，再把各站點PI5、PI13、PI14的逐年實測值映射到0～1之間，其值越接近1，則災情程度越嚴重)。采用加權平均法構建各站點的綜合暴雨災害指數(Rainstorm Disaster Index, RDI)的逐年序列，并將其劃分為輕度(RDI<0.1)、中度(0.1≤RDI<0.3)、重度(0.3≤RDI<0.5)、極端(RDI≥0.5)四個災害等級。

1.2.2 時序診斷分析

采用Mann-Kendall非參數趨勢檢驗(M-K檢驗)和滑動T檢驗對相關暴雨災害指標的變化趨勢、突變躍遷等時間序列特征進行了診斷分析。

表1 降水指數的定義及其關鍵指標的篩選

2 結果分析

2.1 暴雨災害指數的時空分布

當整個研究期劃分為五個時段時，圖2中暴雨災害指數(RDI)多年均值的空間分布呈現出顯著的年代際差異。1973—1979年期間(1970年代)，RDI的高值區域零星的分布在大別山區和皖南山區；1980—1989年期間(1980年代)，RDI的高值區域主要集中在安徽省的西南大部；1990—1999年期間(1990年代)，RDI的高值區域主要分布在江淮地區的南部和江南地區，特別是江南地區南部尤為突出；2000—2009年期間(2000年代)，RDI的高值區域主要為沿淮地區的西部；2010—2017年期間(2010年代)，RDI的高值區域的分布與1990年代相類似，其主要分布在江淮地區的南部和廣大江南地區。

圖2中1970年代、1980年代、1990年代、2000年代、2010年代全省各站點的RDI均值分別為0.14、0.16、0.19、0.17、0.18，可以發現1990年代后安徽省的暴雨災害強度明顯較高，其中1990年代尤為突出。這表明了1990年代后安徽省暴雨災害有增強的趨勢，這與全省各站點RDI逐年序列M-K趨勢檢驗的結果相一致。由圖2d中Z值的空間分布可以發現近45年全省大部分地區RDI呈現增加趨勢，其中呈現顯著增加趨勢的站點主要集中在沿淮地區。而呈現減少趨勢的區域主要分布在安徽省中部和東南角，但都沒有通過通過0.1顯著性水平檢驗。

2.2 全省尺度下暴雨災害的時序變化

圖3給出了1973—2017年間不同RDI分級下站點比例的逐年統計結果，以此描述全省尺度下災害強度的年際變化。基于M-K趨勢檢驗的結果，圖3a中遭受輕度災害的站點比例表現出一定的下降趨勢，但未通過0.1顯著性水平檢驗；而圖3b、圖3c、圖3d中遭受中度、重度、極端災害的站點比例則表現出出一定的上升趨勢，特別是遭受重度災害的站點比例通過0.05 顯著性水平檢驗。與此同時，圖3還給出各災情序列滑動T檢驗的診斷結果。圖3b中遭受中度災害的站點比例在1989年發生了由高到低的突變，并通過0.05 顯著性水平檢驗。圖3d中遭受極端災害的站點比例存在著1989年和1999年這兩個接近通過顯著性水平檢驗的突變點，其表現出低—高—低”的年代際變化特征。而圖3a、圖3c中的災情序列未發現明顯的突變點，其表現出更為強烈的中短期波動。由圖3c、3d還可以發現遭受重度、極端災害的站點比例在1991、1996、1999、2003、2016這幾個年份呈現出較高的數值，這與圖2的結果相吻合，進一步說明了1990年代后安徽省暴雨災害風險較高。總體而言，近45年安徽省暴雨災害呈現出呈現出一定的增強趨勢，特別是遭受重度災害的站點比例呈現出顯著的上升趨勢。

2.3 全省尺度下暴雨災害對環流異常的響應

鑒于安徽省暴雨事件的發生期主要為5—9月，依托圖4中災害強度序列以及去年9月至當年9月期間各月份大尺度環流指數的逐年序列，計算兩者間相關系數(每個受災比例序列對應了9種LACI×13個月)。由圖4可以發現，災害強度與LACI的相關系數在-0.37～0.41間浮動。就當年而言，對遭受輕度、中度、重度、極端災害的站點比例有著最顯著影響的LACI分別為4月份的WHWP、4月份的Nino 3*、3月份的WHWP、1月份的WHWP，其相關系數的絕對值分別為0.34、0.32、0.32、0.36；就去年而言，對遭受輕度、中度、重度、極端災害的站點比例有著最顯著影響的LACI分別為9月份的Nino 1+2、11月份的Nino 1+2、9月份的WHWP、12月份的WHWP，其相關系數的絕對值分別為0.37、0.25、0.26、0.41。由此可見WHWP及ESNO相關指數均對災情都有著較強的指示作用，并且關鍵指標對應的月份均發在當年暴雨汛期之前。特別是遭受極端災害的站點比例與前一年12月份WHWP的相關性最為顯著，到達了0.41。這表明WHWP與暴雨災害間存在著顯著的時滯相關性，前冬期WHWP的數值越高，則來年汛期極端災害站點比例越高，這為提前預判研究區暴雨災害的強度異常提供了重要的參考信號。

圖2 不同年代暴雨災害指數與變化趨勢的空間分布

圖3 各年份遭受不同等級災害的站點比例 注：柱狀圖為站點比例；實線為滑動T檢驗統計值；虛線為T檢驗0.05顯著性水平

圖4 遭受不同等級災害的站點比例與各月份環流指數的相關分析

3 結論與討論

基于綜合暴雨災害指數(RDI)空間分布的年代際變化，安徽省暴雨災害的高風險區域主要分布在江淮之間的大別山地區、長江以南的皖南地區、沿淮地區的西部。這與陶瑋等運用概率密度函數(PDF)計算平均日暴雨降水量和小時雨量的結果相吻合，其將安徽省劃分為淮北、大別山區、皖南山區、江淮之間四個典型的暴雨氣候區[15]。就整個研究期而言，由于大別山區與皖南地區地處亞熱帶季風氣候區，且典型的山區地形易于氣流爬升進而凝結成雨，因此安徽省暴雨災害的重心主要分布在這兩個區域[16]。而2000年代，安徽省暴雨災害的重心主要集中在淮河流域境內，這與流域2003年、2005年和2007年發生的致洪暴雨事件相吻合，西南風水汽輸送的顯著增強以及北方冷空氣活動的顯著異常引發了淮河流域嚴重暴雨災害[17]。

站點尺度下RDI的時序分析結果均表明安徽省暴雨災害呈現出一定的增強趨勢，特別是呈現顯著增加趨勢的站點主要集中在沿淮地區。大氣環流系異常特別是ENSO、歐亞中高緯阻塞高壓、南半球越赤道氣流是造成淮河流域雨澇近20年來加劇的重要影響因素[18]。20世紀90年代以來太平洋中部暖事件與太平洋東部冷事件的頻發對淮河流域暴雨日的增加有著重要影響[19]。東亞中高緯鄂霍茨克海阻塞頻次增多以及東亞副熱帶高空西風急流強度加強導致了淮河汛期降水異常偏多[20]。近二十年來，索馬里越赤道氣流對淮河流域夏季強降水的影響明顯增強，其通過熱帶印度洋西風的紐帶作用加強了進入淮河流域的西南暖濕氣流，并在淮河上空低層形成水汽輻合，造成暴雨偏多[21]。

災情強度與環流指數的相關分析表明前一年秋冬季節西半球暖池指數的數值越高，則來年遭受極端災害的站點比例越高。影響我國降水的全球海溫距平場的有三個重要區域，分別為北太平洋、印度洋和我國南海以及赤道中東太平洋，而西半球暖池指數則表征了北太平洋關鍵區的異常高溫值[22]。其中北太平洋關鍵區海溫與我國東部降水著顯著的時滯相關性，特別是冬季海溫是汛期降水異常的重要信號[23]。前冬期北太平洋海溫異常升高可引起向中緯度西太平洋傳播的波列，通過加強西風造成西太平洋副熱帶高壓西伸、偏強，進而導致安徽省汛期強降水異常偏多[24]。因此，前冬期西半球暖池指數的異常為提前預估研究區汛期暴雨災情強度提供了重要的研判依據。