黄 进，张方敏，胡正华
(南京信息工程大学 应用气象学院，江苏 南京210044)
全球各类自然灾害导致的损失中暴雨洪涝灾害所占比重高达40%，而我国是暴雨洪涝灾害最为频发、多发的地区之一，目前暴雨及其诱发的灾害已成为中国实现可持续发展的严重障碍[1]。因此，对重大暴雨灾害的损失风险开展评估和预估，对于各级政府科学统筹决策，及时进行防灾减灾，抗灾救灾有着重要参考价值[2]。关于暴雨洪涝灾害风险评估，国内外学者基于自然灾害风险原理大多认为其应综合考虑致灾因子、孕灾环境、承灾体、减灾和救灾能力等因素，进而构建评综合估模型开展风险评估[3]。致灾因子的设定及指标化是暴雨灾害风险评估的首要关键工作。现有的诸多研究往往以暴雨发生频次作为致灾指标进行风险评价，这种方法仅能够单一的描述灾害发生的多少，却不能准确客观地评估灾害发生的危险性和破坏性，只有综合考虑区域类型、发生强度、持续时间和极端性等特征的综合暴雨致灾指标才更具有实际指导意义[4]。目前，我国学者在辽宁、吉林、青海等区域尝试构建了多指标组合的暴雨致灾因子，但计算过程较为冗繁，且指标选取的有效性未进行合理检验[2-4]。
降水长期波动与海洋-大气环流异常的关系密切，利用与海洋-大气相关信息结合的大尺度环流指数可以为预判预估长期降水的异常提供关键信息，我国学者在试图识别区域降水与环流指数之间的线性关系做了大量验证研究[5]。例如，艾比湖流域的最大5 d降水量等降水指数受大气环流因素的影响较弱，其与北极涛动指数(AO)、北大西洋涛动指数(NAO)和厄尔尼诺-南方涛动指数(ENSO)的相关性均较低，且都没有统计学意义的显著性[6]；
雅鲁藏布江流域1—3月份的极端降水事件更容易受到印度洋偶极子的影响，特别是中部地区2月份的降水总量及连续湿润日数与印度洋偶极子指数(DMI)呈现出显著的正相关性[7]；
河南省大部分地区的年内降水非均匀性主要受基于厄尔尼诺/南方涛动的影响，特别是北部地区的降水季节性指数与厄尔尼诺-3区的平均海面温度(NINO 3)呈现出极显著的负相关性，并通过了0.01显著性水平的检验[8]。尽管如此，探求暴雨致灾因子年际变化对大尺度环流指数响应的研究还少有人问津。
安徽省地处我国南北气候过渡带，江南和江淮之间的西部为山地，其它地区多为丘陵和平原，地形地貌与天气气候复杂多变，暴雨事件多发频发，常引发中小河流洪水、农田及城市内涝，造成严重的经济损失和人员伤亡[9-10]。鉴于此，本文以安徽省暴雨灾害为研究对象，其主要研究内容如下：综合安徽省暴雨事件的多元特征，筛选并构建出有效适用与研究区暴雨致灾因子的指标形式，并对其时序演变规律进行诊断分析；
基于大尺度环流指数，识别研究区暴雨灾害与环流异常间可能的线性关系。该研究可为安徽省暴雨灾害的监测、预估、预警提供重要的参考依据。
1.1 数据来源
图1中77个气象观测站1973—2017年的逐日降水资料由安徽省气象局提供，并通过了加拿大环境部气候研究中心研发的RHtest均一化检验。同期9种对长江中下游降水有着重要影响的大尺度大气环流指数(Large-scale atmospheric circulation indices, LACI)的逐月数据由美国国家大气海洋( NOAA)气候预测中心( https://www.esrl.noaa.gov)提供，分别为北大西洋涛动(NAO)、南方涛动(SOI)、西半球暖池指数(WHWP)、混合ENSO指数(MEI)、厄尔尼诺-3区的平均海面温度(NINO 3)、厄尔尼诺1+2区的平均海面温度(NINO 1+2)、厄尔尼诺-4区的平均海面温度(NINO 4)、厄尔尼诺-3.4区的平均海面温度(NINO 3.4)、太平洋年代际振荡(PDO)[5, 8]。
图1 安徽省77个气象站的空间分布(审图号：皖S(2019) 13号，底图无修改，下同)
1.2 研究方法
1.2.1 综合暴雨灾害评估指数的构建
现有研究中用于描述农业暴雨灾害的降水指数(Precipitation indices, PI)大致有14种(表1)，其涵盖了暴雨事件的频次、雨量、极值、持续性等特征。我国诸多省份地域跨度大，降水空间差异性显著，为了使不同气候带下不同站点的暴雨灾情具有可比性，需要提炼出对表征研究区雨灾具有较强普适性的关键指标[11]。降雨是诱发雨涝灾害的直接因素和激发条件，分析强降水指标与实际灾情数据的时序相关性或关联程度为暴雨灾害评价指标的筛选和优化提供了一种较为客观的验证思路，最优降水指标应与灾情的年际变化有着更好的同步性[12-13]。本文采用国家统计局(https://data.stats.gov.cn/easyquery.htm?cn=E0103)提供的历年全省农业水灾受灾面积来表征安徽省因暴雨导致的实际雨涝灾情强度。
基于安徽省77个气象站点的1973—2017年逐日数据，提取了各站点14种PI的逐年序列，并通过计算全部站点PI的算术平均值构建了省域尺度的年际变化序列。表1给出了1973—2017年间14种区域PI与全省水灾受灾面积的相关分析结果，其相关系数在0.326～0.763间变化。其中表征大暴雨的日数、累积雨量、雨量贡献率的PI2、PI5、PI8对灾情强度的影响最为显著，其相关系数分别达到了0.754、0.763、0.727，此外最大过程降雨量(PI14)与灾情的相关系数也超过了0.7。我国南方地区同一区域不同类型强降水指数的年际变化通常具有一致性，且降水指数之间有着显著的相关性和共线性[14]。鉴于此，将全省受灾面积和14个区域PI分别设置为自变量和因变量，通过逐步线性回归分析来提炼最优指标，其中PI5、PI13、PI14的组合更为理想，不仅因子数量较少且拟合精度较高。
基于上述结果，将PI5、PI13、PI14作为研究区暴雨灾害评价指标，对其与受灾比例的相关系数进行归一化处理，得到PI5、PI13、PI14的权重分别为0.39、0.26、0.36。对1973—2017年间各站点的PI5、PI13、PI14进行Min-Max标准化处理(将45年里所有站点三个关键指标的历史最大值和最小值分别设置为上、下限阈值，再把各站点PI5、PI13、PI14的逐年实测值映射到0～1之间，其值越接近1，则灾情程度越严重)。采用加权平均法构建各站点的综合暴雨灾害指数(Rainstorm Disaster Index, RDI)的逐年序列，并将其划分为轻度(RDI<0.1)、中度(0.1≤RDI<0.3)、重度(0.3≤RDI<0.5)、极端(RDI≥0.5)四个灾害等级。
1.2.2 时序诊断分析
采用Mann-Kendall非参数趋势检验(M-K检验)和滑动T检验对相关暴雨灾害指标的变化趋势、突变跃迁等时间序列特征进行了诊断分析。
表1 降水指数的定义及其关键指标的筛选
2.1 暴雨灾害指数的时空分布
当整个研究期划分为五个时段时，图2中暴雨灾害指数(RDI)多年均值的空间分布呈现出显著的年代际差异。1973—1979年期间(1970年代)，RDI的高值区域零星的分布在大别山区和皖南山区；
1980—1989年期间(1980年代)，RDI的高值区域主要集中在安徽省的西南大部；
1990—1999年期间(1990年代)，RDI的高值区域主要分布在江淮地区的南部和江南地区，特别是江南地区南部尤为突出；
2000—2009年期间(2000年代)，RDI的高值区域主要为沿淮地区的西部；
2010—2017年期间(2010年代)，RDI的高值区域的分布与1990年代相类似，其主要分布在江淮地区的南部和广大江南地区。
图2中1970年代、1980年代、1990年代、2000年代、2010年代全省各站点的RDI均值分别为0.14、0.16、0.19、0.17、0.18，可以发现1990年代后安徽省的暴雨灾害强度明显较高，其中1990年代尤为突出。这表明了1990年代后安徽省暴雨灾害有增强的趋势，这与全省各站点RDI逐年序列M-K趋势检验的结果相一致。由图2d中Z值的空间分布可以发现近45年全省大部分地区RDI呈现增加趋势，其中呈现显著增加趋势的站点主要集中在沿淮地区。而呈现减少趋势的区域主要分布在安徽省中部和东南角，但都没有通过通过0.1显著性水平检验。
2.2 全省尺度下暴雨灾害的时序变化
图3给出了1973—2017年间不同RDI分级下站点比例的逐年统计结果，以此描述全省尺度下灾害强度的年际变化。基于M-K趋势检验的结果，图3a中遭受轻度灾害的站点比例表现出一定的下降趋势，但未通过0.1显著性水平检验；
而图3b、图3c、图3d中遭受中度、重度、极端灾害的站点比例则表现出出一定的上升趋势，特别是遭受重度灾害的站点比例通过0.05 显著性水平检验。与此同时，图3还给出各灾情序列滑动T检验的诊断结果。图3b中遭受中度灾害的站点比例在1989年发生了由高到低的突变，并通过0.05 显著性水平检验。图3d中遭受极端灾害的站点比例存在着1989年和1999年这两个接近通过显著性水平检验的突变点，其表现出低—高—低”的年代际变化特征。而图3a、图3c中的灾情序列未发现明显的突变点，其表现出更为强烈的中短期波动。由图3c、3d还可以发现遭受重度、极端灾害的站点比例在1991、1996、1999、2003、2016这几个年份呈现出较高的数值，这与图2的结果相吻合，进一步说明了1990年代后安徽省暴雨灾害风险较高。总体而言，近45年安徽省暴雨灾害呈现出呈现出一定的增强趋势，特别是遭受重度灾害的站点比例呈现出显著的上升趋势。
2.3 全省尺度下暴雨灾害对环流异常的响应
鉴于安徽省暴雨事件的发生期主要为5—9月，依托图4中灾害强度序列以及去年9月至当年9月期间各月份大尺度环流指数的逐年序列，计算两者间相关系数(每个受灾比例序列对应了9种LACI×13个月)。由图4可以发现，灾害强度与LACI的相关系数在-0.37～0.41间浮动。就当年而言，对遭受轻度、中度、重度、极端灾害的站点比例有着最显著影响的LACI分别为4月份的WHWP、4月份的Nino 3*、3月份的WHWP、1月份的WHWP，其相关系数的绝对值分别为0.34、0.32、0.32、0.36；
就去年而言，对遭受轻度、中度、重度、极端灾害的站点比例有着最显著影响的LACI分别为9月份的Nino 1+2、11月份的Nino 1+2、9月份的WHWP、12月份的WHWP，其相关系数的绝对值分别为0.37、0.25、0.26、0.41。由此可见WHWP及ESNO相关指数均对灾情都有着较强的指示作用，并且关键指标对应的月份均发在当年暴雨汛期之前。特别是遭受极端灾害的站点比例与前一年12月份WHWP的相关性最为显著，到达了0.41。这表明WHWP与暴雨灾害间存在着显著的时滞相关性，前冬期WHWP的数值越高，则来年汛期极端灾害站点比例越高，这为提前预判研究区暴雨灾害的强度异常提供了重要的参考信号。
图2 不同年代暴雨灾害指数与变化趋势的空间分布
图3 各年份遭受不同等级灾害的站点比例 注：柱状图为站点比例；
实线为滑动T检验统计值；
虚线为T检验0.05显著性水平
图4 遭受不同等级灾害的站点比例与各月份环流指数的相关分析
基于综合暴雨灾害指数(RDI)空间分布的年代际变化，安徽省暴雨灾害的高风险区域主要分布在江淮之间的大别山地区、长江以南的皖南地区、沿淮地区的西部。这与陶玮等运用概率密度函数(PDF)计算平均日暴雨降水量和小时雨量的结果相吻合，其将安徽省划分为淮北、大别山区、皖南山区、江淮之间四个典型的暴雨气候区[15]。就整个研究期而言，由于大别山区与皖南地区地处亚热带季风气候区，且典型的山区地形易于气流爬升进而凝结成雨，因此安徽省暴雨灾害的重心主要分布在这两个区域[16]。而2000年代，安徽省暴雨灾害的重心主要集中在淮河流域境内，这与流域2003年、2005年和2007年发生的致洪暴雨事件相吻合，西南风水汽输送的显著增强以及北方冷空气活动的显著异常引发了淮河流域严重暴雨灾害[17]。
站点尺度下RDI的时序分析结果均表明安徽省暴雨灾害呈现出一定的增强趋势，特别是呈现显著增加趋势的站点主要集中在沿淮地区。大气环流系异常特别是ENSO、欧亚中高纬阻塞高压、南半球越赤道气流是造成淮河流域雨涝近20年来加剧的重要影响因素[18]。20世纪90年代以来太平洋中部暖事件与太平洋东部冷事件的频发对淮河流域暴雨日的增加有着重要影响[19]。东亚中高纬鄂霍茨克海阻塞频次增多以及东亚副热带高空西风急流强度加强导致了淮河汛期降水异常偏多[20]。近二十年来，索马里越赤道气流对淮河流域夏季强降水的影响明显增强，其通过热带印度洋西风的纽带作用加强了进入淮河流域的西南暖湿气流，并在淮河上空低层形成水汽辐合，造成暴雨偏多[21]。
灾情强度与环流指数的相关分析表明前一年秋冬季节西半球暖池指数的数值越高，则来年遭受极端灾害的站点比例越高。影响我国降水的全球海温距平场的有三个重要区域，分别为北太平洋、印度洋和我国南海以及赤道中东太平洋，而西半球暖池指数则表征了北太平洋关键区的异常高温值[22]。其中北太平洋关键区海温与我国东部降水着显著的时滞相关性，特别是冬季海温是汛期降水异常的重要信号[23]。前冬期北太平洋海温异常升高可引起向中纬度西太平洋传播的波列，通过加强西风造成西太平洋副热带高压西伸、偏强，进而导致安徽省汛期强降水异常偏多[24]。因此，前冬期西半球暖池指数的异常为提前预估研究区汛期暴雨灾情强度提供了重要的研判依据。
猜你喜欢 环流灾情暴雨 盐城市夯实灾害灾情管理基础江苏安全生产(2022年8期)2022-11-01“80年未遇暴雨”袭首尔环球时报(2022-08-10)2022-08-10基于全三维动网格技术的变长径比间隙环流的研究大电机技术(2022年3期)2022-08-06内环流控温技术应用实践与发展前景粮食问题研究(2022年2期)2022-04-25暴雨小猕猴学习画刊(2022年10期)2022-01-01当暴雨突临疯狂英语·初中天地(2021年8期)2021-11-20与南亚高压相联的欧亚大陆-印度洋经向环流成都信息工程大学学报(2021年2期)2021-07-22“灾情”环球时报(2018-07-11)2018-07-11暴雨袭击支点(2017年8期)2017-08-22谜底大揭秘儿童故事画报·智力大王(2016年6期)2016-09-14