2022年夏季長江流域干旱的水循環(huán)模擬和分析

程浩秋,魏江峰,宋媛媛,單昱峰

南京信息工程大學(xué) 氣象災(zāi)害預(yù)報預(yù)警與評估協(xié)同創(chuàng)新中心/氣象災(zāi)害教育部重點實驗室/氣候與環(huán)境變化國際合作聯(lián)合實驗室/大氣科學(xué)學(xué)院,江蘇 南京 210044

水循環(huán)是海洋、陸地和大氣之間相互作用過程中最活躍且最重要的樞紐之一(蘇布達等,2020),對全球氣候和生態(tài)環(huán)境變化起著至關(guān)重要的作用。國際政府間氣候變化專門委員會(IPCC)第六次評估報告指出,全球變暖的背景下,全球干旱事件的頻率和強度呈上升趨勢,而極端干旱事件更加頻繁。同時,氣候變暖將導(dǎo)致潛在蒸發(fā)和極端降水增加、水循環(huán)增強(Milly et al.,2002;Kramer et al.,2015;IPCC,2021;符淙斌和馬柱國,2023)。這種趨勢將對人類健康和生產(chǎn)生活產(chǎn)生負面影響,包括增加疾病發(fā)病率、造成水資源短缺并導(dǎo)致巨大經(jīng)濟損失(Yusa et al.,2015;黃存瑞和劉起勇,2022;朱飆等,2023)。

降水作為水循環(huán)的重要一環(huán),其水汽來源一直受到學(xué)者們的關(guān)注(Stohl and James,2004;Gimeno et al.,2010)。用于確定降水的水汽來源區(qū)域和輸送路徑的方法有多種,主要包括同位素分析法、大氣數(shù)值模式、分析水汽通量圖和拉格朗日模型。同位素分析法用于確定降水事件水汽源匯,同位素信號的靈敏度對結(jié)果有較大影響,以及其成本較高限制了該方法的廣泛應(yīng)用(Gimeno et al.,2010)。基于歐拉方法的大氣數(shù)值模式模擬的水汽通量和通量散度也可以作為判定水汽輸送特征的依據(jù)(許建玉等,2014)。由于水汽通量受到瞬變風(fēng)場的影響,由水汽通量圖不能得到準(zhǔn)確的水汽源匯區(qū)信息(Stohl and James,2004)。拉格朗日數(shù)值模式通過對氣塊運動軌跡的模擬,來精準(zhǔn)確定水汽的來源,又稱為反向追蹤(Stohl and James,2004;Stein et al.,2016)。相較于以上幾個方法,將水汽追蹤(WVT)嵌入到天氣研究與預(yù)報模式中的方法(又稱為正向追蹤),它詳細考慮了影響大氣水分的所有物理過程,保證了對降雨水分來源的嚴格分析,具有很高的精度,該方法可以直接標(biāo)定水汽源地對水汽進行追蹤,能夠精準(zhǔn)模擬標(biāo)定區(qū)域?qū)χ苓厖^(qū)域降水的貢獻,并顯著提高了對小尺度水文周期特征的再現(xiàn)能力,是診斷降水(特別是極端降水事件)水分來源的更好選擇,且水汽來源估計的誤差幾乎完全來自WRF模型解的誤差,而不是WVT方法本身(Insua-Costa and Miguez-Macho,2018;Gao et al.,2020;Insua-Costa et al.,2022)。學(xué)者們已經(jīng)將該方法進行廣泛應(yīng)用,比如對湖泊蒸散發(fā)追蹤并探究其對暴風(fēng)雪的影響(Insua-Costa and Miguez-Macho,2018),青藏高原降水再循環(huán)率研究(Gao et al.,2020),植被蒸騰作用對極端降雨的貢獻(Insua-Costa et al.,2022)等。

長江流域是我國經(jīng)濟最發(fā)達的地區(qū)之一,也是重要的水資源供給區(qū)域。2022年夏季,包括長江流域在內(nèi)的中國中東部地區(qū)(100°～123°E,24°～36°N)出現(xiàn)了數(shù)量顯著偏多的極端高溫干旱事件(孫博等,2023)。多地水庫出現(xiàn)了庫容“汛期反枯”的罕見現(xiàn)象。因此,厘清長江流域蒸散發(fā)產(chǎn)生的水汽對當(dāng)?shù)睾椭苓叺貐^(qū)降水的貢獻,對于深入了解2022年夏季高溫干旱事件對長江流域水循環(huán)的影響具有重要意義。華北人口密集大,是中國重要的政治經(jīng)濟中心及工農(nóng)業(yè)基地,且華北處于長江流域周邊。因此本文選取2022年夏季長江流域干旱為例,基于WRF-WVT模式,研究高溫干旱情形下長江流域水循環(huán)過程及蒸散發(fā)對當(dāng)?shù)丶叭A北降水的影響。研究對提高長江流域水循環(huán)的認識,合理利用水資源具有十分重要的現(xiàn)實意義。

1 模式、數(shù)據(jù)和方法

1.1 模式簡介及其試驗方案設(shè)計

本研究采用了嵌入新的水汽標(biāo)記工具(Water Vapor Tracer,WVT)的Weather Research and Forecasting Model (WRF)4.3.3版本,簡稱WRF-WVT(Insua-Costa and Miguez-Macho,2018)。WRF-WVT通過WRF中的水分預(yù)測方程實現(xiàn)了對大氣中水分運動和相態(tài)轉(zhuǎn)化的精確描述。使用以下公式標(biāo)記了六種水分類型:

(1)

其中:qn表示考慮的不同水汽類型,即水蒸氣、云、雨、雪、冰和霰。等式(1)右側(cè)的前兩項分別表示平流和分子擴散的趨勢;其他三項分別對應(yīng)于參數(shù)化方案湍流輸運、微物理和對流產(chǎn)生的趨勢。后三項解釋了影響大氣水汽的次網(wǎng)格物理過程,如相變和降水,或?qū)α骱屯牧鲾U散引起的水汽再分配。為了追蹤來自給定區(qū)域的水分,對蒸散發(fā)ET引起的水分預(yù)測方程中的水分源項(地表向上水汽通量,QFX)進行如下修改:

TRQFX=QFX·M。

(2)

其中:TRQFX是追蹤的地表向上水汽通量;M為常數(shù),對于感興趣的追蹤區(qū)域M=1,其他區(qū)域M=0。蒸散發(fā)一直跟蹤到形成降水,因此得到一個新變量(追蹤的降水)。同時該模式既可以追蹤二維平面的水汽,也可以追蹤三維空間的水汽。

本文研究的水汽源區(qū)為長江流域,研究的華北區(qū)域包括北京、天津、山西省、河北省、山東省以及河南省北部、安徽省北部和江蘇省北部。WRF模式試驗區(qū)域中心點定為(103°E,38°N),水平分辨率為30 km,網(wǎng)格格點數(shù)為159×202,垂直層數(shù)為35層,模式頂層氣壓為50 hPa,積分步長為120 s,三小時輸出一次。模擬時段為2022年5月1日至9月1日,其中5月只用于平衡模式不用于分析。選用的參數(shù)化方案包括:YSU邊界層方案(Hong et al.,2006)、Noah-MP陸面模型方案(Niu et al.,2011)、WSM-6微物理方案(Hong and Lim,2006)和Kain-Fritsch對流方案(Kain,2004)。

1.2 數(shù)據(jù)

使用歐洲中期天氣預(yù)報中心提供的第五代大氣再分析數(shù)據(jù)ERA5逐6 h數(shù)據(jù)驅(qū)動WRF-WVT模式,其空間分辨率為0.25°×0.25°,具有較高精度(Hersbach et al.,2020),已經(jīng)被廣泛應(yīng)用于我國不同區(qū)域(包括長江流域)的極端事件研究(Wang et al.,2020),且ERA5日尺度和月尺度的總降水量和極端降水量資料表現(xiàn)出較好的性能和重現(xiàn)性(Shen et al.,2022)。為了驗證模式結(jié)果可靠性,我們使用加州理工學(xué)院噴氣推進實驗室(JPL)提供的0.5°×0.5°逐月陸地水儲異常(TWSA)產(chǎn)品(Landerer et al.,2020);美國海洋和大氣管理局(NOAA)物理科學(xué)實驗室提供的空間分辨率為1°×1°的月降水?dāng)?shù)據(jù)PREC/L(https://psl.noaa.gov/data/gridded/data.precl.html);以及全球陸地數(shù)據(jù)同化系統(tǒng)2.0版(GLDAS-2.0)提供的1.0°×1.0°逐3 h降水、土壤濕度、蒸散發(fā)和太陽向下短波輻射數(shù)據(jù)(Rodell et al.,2004),及來自普林斯頓大學(xué)氣象強迫場驅(qū)動Noah陸面模式(Sheffield et al.,2006)。

1.3 方法

本文基于地表水平衡方程研究長江流域水循環(huán),如等式(3)所示:

DTWS=P-ET-R。

(3)

其中:DTWS為陸地水儲量變化;P為降水;ET為蒸散發(fā);R為徑流。區(qū)域降水根據(jù)水汽來源不同可以分為再循壞和外循環(huán)兩個部分(蘇布達等,2020):

P=Pm+Pa。

(4)

其中:P為總降水;Pm表示由于本地蒸散發(fā)形成的降水,稱為再循環(huán)降水;Pa是外部輸入水汽形成的降水,稱為外循環(huán)降水。再循環(huán)降水占總降水的比例稱為降水再循環(huán)率,表示為:

(5)

對于華北地區(qū)降水的研究主要討論長江流域蒸散發(fā)對其影響,故將Pa分為兩個部分PYR和Pothers兩個部分:

Pa=PYR+Pothers。

(6)

其中:PYR表示長江流域蒸散發(fā)在華北形成的降水;Pothers是指除去PYR后,其他的外部輸入形成的降水。把長江流域蒸散發(fā)在華北形成的降水占華北總降水的比例稱為非局地降水貢獻率,表示為:

(7)

2 結(jié)果

2.1 2022年夏季長江流域干旱事件的時空特征

2022年6—8月,長江流域遭受了極端干旱事件,該地區(qū)降水距平百分率逐漸減小,從正值變?yōu)樨撝?其中8月降水距平百分率最小。然而,同期華北地區(qū)的降水量超過了氣候平均水平(圖1a—c)。在7月和8月,幾乎整個長江流域的降水和土壤濕度距平百分率都為負值,特別是中下游地區(qū)的降水距平百分率達到了-100%,即長江流域7、8月干旱比較嚴重(圖1b、e、c、f)。7月,長江流域絕大部分地區(qū)蒸散發(fā)的距平百分率為正,而到了8月,其中南部及下游地區(qū)的蒸散發(fā)距平百分率則由正轉(zhuǎn)負。這表明長江流域在7月蒸散發(fā)量較多,而在8月部分地區(qū)的蒸散發(fā)量有所減少(圖1g—i)。基于Budyko(1961,1974)提出的用于定義土壤濕度與蒸散發(fā)關(guān)系的概念框架,6月和7月的高溫干旱發(fā)展期間,蒸散發(fā)受能量控制,而7月的溫度較6月更高,因此7月的蒸散發(fā)量也更大。然而,到了8月,高溫干旱事件逐漸達到了最嚴重的階段,此時土壤濕度不再飽和,蒸散發(fā)受土壤濕度控制,而土壤濕度因為干旱事件而減少,因此8月的蒸散發(fā)量相比于7月有所減少。

圖1 長江流域2022年6月NOAA觀測的降水距平百分率(a),ERA5的土壤濕度距平百分率(d),ERA5的蒸散發(fā)距平百分率(g)(單位:%)。(b、e、h),(c、f、i)與(a、d、g)相同,分別為7、8月結(jié)果Fig.1 (a) Anomaly percentage of precipitation from NOAA observations,(d) anomaly percentage of soil moisture from ERA5,and (g) anomaly percentage of evapotranspiration from ERA5 for June 2022 (unit:%) in the Yangtze River basin.(b,e,h) and (c,f,i) are the same as (a,d,g),and are the results for July and August,respectively

從1979—2022年夏季降水、陸地水儲量異常和蒸散發(fā)概率分布來看,相比于氣候態(tài)2022年6月降水偏多,7、8月偏少(圖2a);陸地水儲量異常的變化和降水一致(圖2a、b);6月蒸散發(fā)沒有明顯異常,7月偏多,8月偏少(圖2c)。2022年6—8月的降水和陸地水儲量異常都在逐漸減少(圖2a、b),蒸散發(fā)先增加后減少(圖2c)。總的來說,2022年7、8月長江流域干旱異常最為嚴重(圖2a—c)。

圖2 長江流域1979—2022年6—8月降水(a;單位:mm/d)、陸地水儲量異常(b;單位:mm)和蒸散發(fā)(c;單位:mm)概率密度分布(黑,藍、紅點豎線分別對應(yīng)2022年6、7、8月各物理量的值)Fig.2 Probability density distribution of (a)precipitation (unit:mm/d),(b)land water storage anomaly (unit:mm),and (c)evapotranspiration (unit:mm) for June—August 1979—2022 in the Yangtze River basin(the vertical lines of black,blue and red dots respectively correspond to the values of each physical quantity in June,July and August 2022)

2.2 2022年6—8月長江流域水循環(huán)模擬

為檢驗?zāi)Ｊ侥M可靠性,使用觀測數(shù)據(jù)及再分析數(shù)據(jù)評估了模式2022年夏季逐月的累積降水和850 hPa位勢高度場。6—8月長江流域的累積降水量逐漸減少,這與圖1a—c相吻合。6月長江流域中下游處在西太平洋副熱帶高壓的外圍,太平洋的水汽沿副高外圍東南氣流向此處輸送,加上西南氣流水汽補給,導(dǎo)致長江流域中下游降水比上游多。7—8月隨著副高的西伸北抬,長江流域逐漸被副高控制,降水總量減少,雨帶發(fā)生相應(yīng)的移動,使得7月中游降水略多于上游和下游,8月為下游少上游多(圖3a—c)。模式模擬的累積降水空間分布和NOAA觀測基本一致,6—8月逐月空間相關(guān)系數(shù)分別為0.76、0.71和0.79,且通過99%置信度的顯著性檢驗,但模擬的結(jié)果數(shù)值上偏大(圖3d—f)。到目前為止,夏季降水模擬結(jié)果和觀測的結(jié)果仍然存在一定的偏差,這也是許多數(shù)值模式面臨的共同問題,模式中降水的高估主要與積云參數(shù)化方案等有關(guān)(Giorgi et al.,2012;Huang et al.,2015)。6—8月長江流域降水逐漸減少,一定程度上導(dǎo)致了陸地水儲量減少(圖4)。

圖3 2022年6(a)、7(b)、8(c)月NOAA觀測的累積降水(填色;單位:mm)與ERA5的850 hPa位勢高度場(等值線;單位:gpm);(d、e、f)與(a、b、c)相同,但為WRF-WVT模擬結(jié)果Fig.3 Accumulation precipitation (filled color;unit:mm) from NOAA observations in (a)June,(b)July,(c)August 2022 and 850 hPa geopotential height (contours;unit:gpm) from ERA5;(d,e,f) are the same as (a,b,c),but for WRF-WVT simulations

圖4 2022年6(a、d)、7(b、e)、8(c、f)月衛(wèi)星觀測的長江流域陸地水儲量逐月變化(a—c)及WRF-WVT模擬結(jié)果(d—f)(單位:mm)Fig.4 Month-by-month variation of land-based water storage in the Yangtze River basin in (a,d) June,(b,e) July,and (c,f) August,(a—c) 2022 observed by satellite,and (d—f) WRF-WVT simulation results (unit:mm)

進一步對比了2022年6—8月模式和GRACE衛(wèi)星觀測的陸地水儲量逐月變化。陸地水儲量逐月變化為本月陸地水儲量減上月,WRF-WVT模式中使用整層土壤濕度代表陸地水儲量,整層土壤濕度逐月變化即陸地水儲量逐月變化。此外,利用GRACE衛(wèi)星的陸地水儲量異常(相對于定值的異常)也可以計算陸地水儲量逐月變化,即本月陸地水儲量異常減上月的異常。

GRACE衛(wèi)星觀測的陸地水儲量逐月變化由6月的北部減少南部增多,轉(zhuǎn)換成7、8月全流域減少,即干旱逐步發(fā)展。8月長江流域中下游衛(wèi)星觀測和模式模擬都出現(xiàn)最小值,陸地水儲量減少最大接近150 mm,表明8月干旱最為嚴重,5—8四個月水儲量減少了100～150 mm(圖4a—c),這與月累積降水量減少有關(guān)(圖1—3)。不論是空間分布還是數(shù)值大小,模式模擬和衛(wèi)星觀測都比較一致,特別是7—8月模擬效果最佳(圖4d—f),表明模式結(jié)果具有較高的可靠性。華北地區(qū)7、8月的陸地水儲量逐月變化為正值(圖7b—c),說明陸地水儲量增多,這和其月累積降水增多有關(guān)(圖3e—f)。

為了解長江流域干旱發(fā)展的整個過程同時評估模式,本文又比較了2022年6—8月WRF-WVT模擬與ERA5、GLDAS的降水、陸地水儲量變化、蒸散發(fā)和太陽向下短波輻射的逐日時間序列。從再分析數(shù)據(jù)來看,蒸散發(fā)與太陽向下短波輻射變化較為一致,6月至8月中旬二者逐漸增加,8月下旬以后又逐漸減少,蒸散發(fā)受太陽輻射影響較大。降水量與陸地水儲量關(guān)系更為密切,二者變化一致,但幾乎與太陽輻射和蒸散發(fā)呈負相關(guān)(圖5b—c)。模式結(jié)果與再分析數(shù)據(jù)大致相同,模式結(jié)果與ERA5、GLDAS的降水時間序列相關(guān)系數(shù)分別為0.79、0.60,且通過99%置信度的顯著性檢驗,再次說明模式能夠較好地再現(xiàn)2022年夏季長江流域干旱事件,為后續(xù)分析長江流域水循環(huán)奠定了良好的基礎(chǔ)。

圖5 2022年夏季長江流域降水(黑色點線;單位:mm)、陸地水儲量變化(橙色點線;單位:mm)、蒸散發(fā)(綠色點線;單位:mm/d)、太陽短波輻射(紅色點線;單位:W/m2)的時間序列:(a)WRF-WVT模擬數(shù)據(jù);(b)ERA5數(shù)據(jù);(c)GLDAS數(shù)據(jù)Fig.5 Time series of precipitation (black dotted line;unit:mm),land water storage change (orange dotted line;unit:mm),evapotranspiration (green dotted line;unit:mm/d),and solar shortwave radiation (red dotted line;unit:W/m2) in the Yangtze River basin in summer 2022:(a) WRF-WVT simulation data;(b) ERA5 data;(c) GLDAS data

2.3 2022年6—8月長江流域陸面蒸散發(fā)追蹤

因2022年長江流域干旱事件導(dǎo)致流域內(nèi)水資源瀕近枯竭狀態(tài),所以本研究主要關(guān)注長江流域蒸散發(fā)對當(dāng)?shù)睾椭苓叺貐^(qū)水汽與降水的貢獻。6月長江流域蒸散發(fā)產(chǎn)生的降水集中在長江流域中南部,落在華北的雨量少,即6月長江流域蒸散發(fā)主要影響當(dāng)?shù)亟邓?圖6a)。由于受到副高外圍西南氣流的引導(dǎo)作用,更多長江流域蒸散發(fā)的水汽被輸送到華北地區(qū),因此7—8月長江流域蒸散發(fā)產(chǎn)生的降水在華北地區(qū)增加,其中7月最多(圖6a—c),但由于7月華北降水總量較大(圖3e),故長江流域蒸散發(fā)對其降水的貢獻只有15%左右(圖6d—f)。

圖6 2022年6(a、d)、7(b、e)、8(c、f)月長江流域蒸散發(fā)形成的降水(a—c;單位:mm),長江流域蒸散發(fā)形成的降水與當(dāng)?shù)乜偨邓谋戎?d—f;單位:%;黑點標(biāo)注區(qū)域為本文研究的華北區(qū)域)Fig.6 (a—c) Precipitation (unit:mm) formed by evapotranspiration in the Yangtze River basin in (a,d) June,(b,e) July,and (c,f) August,2022;(d—f) ratio of precipitation formed by evapotranspiration in the Yangtze River basin to total local precipitation (unit:%;the area marked with black dots is the North China region studied in this paper)

長江流域蒸散發(fā)所貢獻降水的比例在長江中上游四川盆地附近較大(圖6d—f),即該地區(qū)降水對外來水汽依賴相對較小。這可能是由于東南季風(fēng)對其影響較小,也可能是受地形影響,盆地地形不利于水汽向周邊擴散。6—8月長江流域蒸散發(fā)形成的降水總量在中下游逐月減少,但其占總降水的比例卻在逐月增加,這是由于中下游逐漸被西太副高控制(圖3,圖6c、f),外來水汽對其影響逐月減小。

長江流域蒸散發(fā)產(chǎn)生的水汽除了保留在當(dāng)?shù)睾洼斔偷饺A北外,還會被輸送到其他地區(qū)。為了分析長江流域蒸散發(fā)對不同地區(qū)降水的貢獻及其具體分配,本文將長江流域蒸散發(fā)的水汽分為長江流域形成的降水、華北地區(qū)形成的降水和其他。其他部分包括長江流域和華北地區(qū)保留在大氣中的水分,以及在其他地區(qū)形成的降水和保留在大氣中的水分。本文主要分析追蹤水汽在長江流域和華北地區(qū)產(chǎn)生的降水。

6—8月長江流域蒸散發(fā)總量先增加后減少,其為當(dāng)?shù)胤謩e提供3.2×107m3、2.8×107m3、2.2×107m3的降水,降水貢獻總量為8.2×107m3,即長江流域給當(dāng)?shù)亟邓骄暙I91.2 mm(圖7a)。6—8月長江流域蒸散發(fā)給華北地區(qū)提供的降水也先增加后減少,貢獻量分別為9.2×106m3、2.4×107m3、1.9×107m,降水貢獻總量為5.3×107m,即長江流域給華北平均貢獻58.4 mm的降水(圖7a)。

圖7 2022年6—8月模擬的長江流域蒸散發(fā)在長江流域、華北地區(qū)和其他地區(qū)形成的降水量(a;單位:108 m3)及其占長江流域總蒸散發(fā)的比例(b;單位:%)Fig.7 (a) Precipitation (unit:108 m3) formed in the Yangtze River Basin,North China and other regions by simulated evapotranspiration in the Yangtze River Basin and (b)its proportion to the total evapotranspiration in the Yangtze River basin(unit:%) during June-July-August 2022

6月長江流域35%的蒸散發(fā)在當(dāng)?shù)匦纬山邓?少于10%的蒸散發(fā)在華北形成降水。7月長江流域蒸散發(fā)在當(dāng)?shù)睾腿A北形成的降水均占總蒸散發(fā)的22%左右,8月和7月大致相同(圖7b)。即6月長江流域蒸散發(fā)主要影響當(dāng)?shù)亟邓?而7、8月對當(dāng)?shù)睾腿A北降水影響基本一致。6—8月長江流域45%左右的蒸散發(fā)在當(dāng)?shù)睾腿A北形成降水,其中長江流域27.2%的蒸散發(fā)在當(dāng)?shù)匦纬山邓?17.4%的蒸散發(fā)在華北形成降水。長江流域蒸發(fā)的水汽超過一半在長江流域和華北以外的地區(qū)形成降水,或者保留在大氣中(圖7a—b)。

在全球變暖背景下,極端降水事件頻率更高,強度更強(趙宗慈等,2023),前文探究了長江流域蒸散發(fā)對當(dāng)?shù)睾椭苓呏鹪吕鄯e降水的貢獻,接著細致地討論了其對當(dāng)?shù)睾椭苓叞ū┯暝趦?nèi)的不同強度降水事件的貢獻。根據(jù)國家標(biāo)準(zhǔn)《降水量等級》(喬林等,2012),各級別降水分類標(biāo)準(zhǔn)如下:小雨:1 d(或24 h)降雨量小于10 mm;中雨:1 d(或24 h)降雨量10～24.9 mm;大雨:1 d(或24 h)降雨量25～49.9 mm;暴雨:1 d(或24 h)降雨量50～99.9 mm。

長江流域小雨、中雨、大雨和暴雨的降水量占比分別為23.9%、30.6%、24.5%和21.1%,頻次占比分別74.6%、16.8%、6.2%和2.4%。華北小雨、中雨、大雨和暴雨的降水量占比分別為18.0%、27.8%、28.6%和25.5%,頻次占比分別75.2%、14.9%、7.2%和2.6%。即各等級降水降雨量占比差距不大,頻次占比隨著雨強的增強而逐漸減少。

2022年夏季,長江流域各等級的降水事件的再循環(huán)率隨著降水強度增強而減小,從24.6%下降到11.5%(圖8a),這是由于降水強度越強的降水,其水汽來源越依靠外部水汽輸送。相反對于華北地區(qū),長江流域蒸散發(fā)對其降水的貢獻率隨著降水強度增強而增加(圖8b)。可能是由于長江流域蒸散發(fā)貢獻的水汽對于華北來說為外部水汽,故降水強度越強長江流域蒸散發(fā)貢獻率越高。

圖8 2022年6—8月模擬的長江流域各等級降水事件再循環(huán)率(a),長江流域蒸散發(fā)產(chǎn)生的降水對華北地區(qū)各等級降水事件的貢獻率(b)(單位:%)Fig.8 (a) Simulated recirculation rate of precipitation events of various grades in the Yangtze River basin during June—August 2022,(b) contribution of precipitation from evapotranspiration in the Yangtze River basin to precipitation events of various grades in North China (unit:%)

同時分析了長江流域蒸散對華北不同降水強度事件貢獻率的逐月變化。華北各等級降水事件6—8月的貢獻率逐月增加(圖8b),這與貢獻的降水量逐月增加相對應(yīng)(圖6d—f)。這是由于水汽輸送受到環(huán)流影響,6—8月隨著西太副高逐漸北抬,長江流域輸送到華北的水汽逐漸增多(圖7),貢獻也隨之增加。整個夏季,長江流域蒸散發(fā)對華北各等級降水的貢獻穩(wěn)定在13%左右(圖8b)。對于較為關(guān)注的暴雨事件,夏季長江流域蒸散發(fā)對當(dāng)?shù)睾腿A北暴雨的貢獻率分別為11.5%和12.8%,且6—8月中8月貢獻率最大,分別為19.8%和16.0%(圖8)。

3 結(jié)論和討論:

在全球變暖的背景下,極端事件頻發(fā)(IPCC,2021)。2022年夏季長江流域發(fā)生嚴重干旱,長江流域作為我國重要的水資源供給地,其水循環(huán)過程對本地以及周邊地區(qū)的天氣氣候會產(chǎn)生很大的影響,了解和量化大氣水汽的源匯關(guān)系對于了解區(qū)域水循環(huán)具有重要意義。本文基于水汽追蹤模型WRF-WVT分析了2022年長江流域地表蒸散發(fā)對長江流域和流域外降水的貢獻。主要研究結(jié)果如下:

1) 2022年6—8月,長江流域由于降水減少,加之持續(xù)的高溫天氣,導(dǎo)致長江中下游遭受嚴重的干旱,長江中下游地區(qū)的陸地水儲量在2022年8月相比于5月減少了100～150 mm。

2) 長江流域蒸散發(fā)是當(dāng)?shù)睾腿A北降水重要的水汽來源,隨著干旱的發(fā)展,2022年夏季長江流域蒸散發(fā)對當(dāng)?shù)亟邓呢暙I隨時間逐漸減少,蒸散發(fā)對降水貢獻總量為8.2×107m3(長江流域平均91.2 mm),且中上游四川盆地附近降水貢獻率最大(超過40%);2022年夏季長江流域蒸散發(fā)對華北地區(qū)降水的貢獻先增多后小幅度減少,水汽貢獻總量為5.3×107m3(長江流域平均58.4 mm)。

3) 6月長江流域35%的蒸散發(fā)在當(dāng)?shù)匦纬山邓?少于10%的蒸散發(fā)在華北形成降水。7月長江流域蒸散發(fā)在當(dāng)?shù)睾腿A北形成的降水均占總蒸散發(fā)的22%左右,8月和7月大致相同。即6月長江流域蒸散發(fā)主要影響當(dāng)?shù)亟邓?而7、8月對當(dāng)?shù)睾腿A北降水影響基本一致。整個夏季長江流域45%左右的蒸散發(fā)在當(dāng)?shù)睾腿A北形成的降水,即長江流域蒸發(fā)的水汽超過一半在長江流域和華北以外的地區(qū)形成降水,或者保留在大氣中。

4) 長江流域蒸散發(fā)對當(dāng)?shù)亟邓呢暙I率隨著降水強度增強而減小。相反,對于華北地區(qū)降水,長江流域蒸散發(fā)對其貢獻率隨著降水強度增強而增加。對暴雨事件,2022年夏季長江流域蒸散發(fā)對當(dāng)?shù)睾腿A北地區(qū)暴雨的貢獻都為12%左右。

2022年夏季長江流域蒸散發(fā)對當(dāng)?shù)亟邓呢暙I中,上游四川盆地附近降水貢獻率最大(超過40%),這與前人研究結(jié)果一致,如Cheng and Lu(2022)指出由陸地蒸散發(fā)貢獻的降水在大陸內(nèi)部的比率較高。雖然WVT方法對再現(xiàn)水文循環(huán)有一定的優(yōu)勢,但其準(zhǔn)確性受到模式誤差的影響(本研究為WRF),該方法應(yīng)用于全球氣候模式(GCMs)會對降水產(chǎn)生大幅高估(Su et al.,2013)。由于模擬時間段有限,本文沒有比較2022年夏季與其他年水循環(huán)的差別,例如對于較為關(guān)注的暴雨事件,2022年夏季長江流域蒸散發(fā)對當(dāng)?shù)睾腿A北暴雨貢獻率在8月最大,但8月長江流域干旱最為嚴重,蒸散發(fā)在該月貢獻最大可能是因為該月的降水總量最少,未來可以通過計算該貢獻率相比于氣候態(tài)的異常來衡量其重要性。

全球變暖背景下水循環(huán)變化,淡水資源緊缺,同時人類活動顯著改變?nèi)蛩h(huán)(姜大膀和王娜,2021)。加強陸地水文循環(huán)與大氣水循環(huán)相互作用及耦合模型的研究,完善氣候變暖條件下陸面過程中降水、蒸散發(fā)及土壤水分相互制約的過程研究,對最終提高降水中短期預(yù)報、長期預(yù)測及年代際預(yù)估水平有重要現(xiàn)實意義(劉春蓁等,2023)。本文分析了長江流域蒸散發(fā)對本地和華北降水的影響,但沒有研究降水對這些影響因子的敏感性問題。土壤濕度和降水之間存在負反饋或者弱的正反饋機制,也有試驗表明對于干濕土壤濕度都會導(dǎo)致降水減少(Giorgi et al.,1996;Paegle et al.,1996;Bosilovich and Sun,1999)。未來可根據(jù)更長時間序列的數(shù)據(jù)比較不同年份的水循環(huán),并深入研究降水對土壤濕度和蒸散發(fā)等的敏感性。