基于EEMD我国粮食主产区农业旱情对气候变化的响应.pdf

第3 7卷第5期2 0 2 3年1 0月水土保持学报J o u r n a l o fS o i l a n dW a t e rC o n s e r v a t i o nV o l.3 7N o.5O c t.,2 0 2 3 收稿日期:2 0 2 3-0 2-2 3 资助项目:科技部重大研发计划项目(2 0 1 8 Y F C 1 5 0 6 6 0 6)第一作者:黄进(1 9 8 3),男,江苏镇江人,博士,主要从事农业气象灾害评估研究。E-m a i l:h j t y f o r l o v e a l i y u n.c o m 通信作者:张方敏(1 9 8 3),女,河南漯河人,博士,教授,主要从事气候变化研究。E-m a i l:n f u e c o l o g y a l i y u n.c o m基于E EMD我国粮食主产区农业旱情对气候变化的响应黄 进,柳艺博,张方敏(南京信息工程大学应用气象学院,南京2 1 0 0 4 4)摘要:量化旱情统计数据与气候因子间的响应关系对保障粮食安全有着重要意义。针对我国1 3个粮食主产省份1 9 8 02 0 1 9年的农业干旱受灾率,采用集合经验模态分解(E E M D)构建了实际灾情对不同月份气候因子的响应关系,进而探求重要气候因子与大尺度大气海洋指数(L A O I)的可能联系。结果表明:(1)E E M D从灾情逐年序列分离出中短期波动表征的气候干旱强度(I MF-H)和趋势项表征的干旱脆弱性;(2)I MF-H的峰值差异表明东北3省的干旱强度明显高于其他省份;(3)I MF-H与气候因子的线性关系表明夏季气候异常对灾损贡献最高,特别是7月份的日均日照时间及降水被筛选为1 0个省份的干旱关键影响因子(K D I I);(4)各省份K D I I的时序诊断结果表明,2 0 0 0以来长江北部地区的夏季干旱风险有一定的增强趋势;(5)在01 2个月时滞下,N i n o海温、南方涛动、北太平洋遥相关型等表征E N S O及北半球大气低频振荡的L AO I对研究区K D I I有着显著影响。研究结果可为区域干旱监测及预警提供科学依据。关键词:农业干旱受灾率;集合经验模态分解;气候因子;大气海洋指数中图分类号:P 4 2 9 文献标识码:A 文章编号:1 0 0 9-2 2 4 2(2 0 2 3)0 5-0 3 3 7-0 8D O I:1 0.1 3 8 7 0/j.c n k i.s t b c x b.2 0 2 3.0 5.0 4 1R e s p o n s e so fA g r i c u l t u r a lD r o u g h t i nC h i n asM a i nG r a i nP r o d u c t i o nA r e a s t oC l i m a t i cC h a n g e sB a s e do nE EMDHUANGJ i n,L I UY i b o,Z HANGF a n g m i n(S c h o o l o fA p p l i e dM e t e o r o l o g y,N a n j i n gU n i v e r s i t yo fI n f o r m a t i o nS c i e n c ea n dT e c h n o l o g y,N a n j i n g2 1 0 0 4 4)A b s t r a c t:Q u a n t i f y i n gt h er e s p o n s er e l a t i o n s h i po fd r o u g h ts t a t i s t i c a ld a t aa n dc l i m a t e ef a c t o r si so fg r e a ts i g n i f i c a n c e f o re n s u r i n gf o o ds e c u r i t y.A i m i n gt h ea g r i c u l t u r a ld r o u g h t-a f f e c t e dr a t ei n1 3g r a i np r o d u c i n gp r o v i n c e s f r o m1 9 8 0 t o2 0 1 9,t h e r e s p o n s e s o f t h e a c t u a l d i s a s t e r c o n d i t i o n s t o t h e c l i m a t i c f a c t o r s o f d i f f e r e n tm o n t h sw e r ec o n s t r u c t e db yu s i n ge n s e m b l ee m p i r i c a lm o d ed e c o m p o s i t i o n(E EMD),a n dt h e nt h ep o s s i b l er e l a t i o n s h i pb e t w e e ni m p o r t a n tc l i m a t i cf a c t o r sa n dl a r g e-s c a l ea t m o s p h e r i c-o c e a ni n d i c e s(L AO I)w e r ee x p l o r e d.T h em a i nr e s u l t sw e r ea sf o l l o w s:(1)T h ec l i m a t ed r o u g h t i n t e n s i t yr e f l e c t e db ym e d i u m-s h o r tt e r mf l u c t u a t i o n sa n dt h ed r o u g h tv u l n e r a b i l i t yr e f l e c t e db yt r e n di t e m w e r ee x t r a c t e df r o m t h ea n n u a ld i s a s t e rs e r i e sb yu s i n gE EMD.(2)T h ep e a kd i f f e r e n c eo fI MF-Hi n d i c a t e dt h a tt h ed r o u g h t i n t e n s i t yi nt h e t h r e en o r t h e a s t e r np r o v i n c e sw e r es i g n i f i c a n t l yh i g h e rt h a nt h o s eo fo t h e rp r o v i n c e s.(3)T h el i n e a rr e l a t i o n s h i pb e t w e e nI MF-H a n dc l i m a t i cf a c t o r ss h o w e dt h a ts u mm e rc l i m a t ea n o m a l i e sh a dt h eh i g h e s tc o n t r i b u t i o nt od i s a s t e rd a m a g e,e s p e c i a l l yt h ea v e r a g ed a i l ys u n s h i n eh o u r sa n dp r e c i p i t a t i o ni nJ u l yw e r es e l e c t e da s t h ek e yd r o u g h t-i n f l u e n c i n gf a c t o r s(K D I I)i n1 0p r o v i n c e s.(4)T h e t i m e-s e r i e sd i a g n o s i s r e s u l t so fK D I I i nv a r i o u sp r o v i n c e ss h o w e dt h a t t h er i s ko f s u mm e rd r o u g h t i nt h en o r t h e r np a r to fY a n g t z eR i v e rh a d i n c r e a s e ds i n c e2 0 0 0.(5)A tt h et i m e-l a go f0t o1 2 m o n t h s,t h eL AO Ic h a r a c t e r i z i n gE N S O a n da t m o s p h e r i c l o w-f r e q u e n c yo s c i l l a t i o ni nt h en o r t h e r nh e m i s p h e r e,s u c ha sN i n oS S T,S o u t h e r nO s c i l l a t i o na n dN o r t hP a c i f i c t e l e c o n n e c t i o n,h a d t h e s i g n i f i c a n t i m p a c t so nt h eK D I I i nt h e s t u d ya r e a.T h i s s t u d yc o u l dp r o v i d es c i e n t i f i cb a s i s f o r r e g i o n a l d r o u g h tm o n i t o r i n ga n de a r l yw a r n i n g.K e y w o r d s:a g r i c u l t u r a ld r o u g h td i s a s t e rr a t e;e n s e m b l ee m p i r i c a l m o d ed e c o m p o s i t i o n;c l i m a t ef a c t o r s;a t m o s p h e r i c-o c e a n i n d e x 干旱是全球发生频率最高、持续时间最长、影响面积最广的自然灾害之一,而东亚季风气候、海陆分布特征、阶梯状地势格局等因素使得我国是旱灾损失最严重的国家之一1。我国平均每年农业干旱受灾面积超过24 4 3万h m2,其造成的粮食损失占自然灾害总损失的6 0%以上,干旱是影响我国农业生产最严重的气象灾害2。因此,运用气象、遥感及统计数据驱动的干旱指标进行监测预测、风险评估、时空格局分析成为我国农业气象领域的重要研究内容3-4。与诸多干旱指数相比,采用统计部门发布的灾情数据分析旱灾特征更客观更具现实意义,特别是农业干旱受灾率等指标直接反映干旱造成的最终农作物损失,因而受到广泛青睐5。不同空间尺度及时间跨度下灾情指标的强度分级、年际变异、变化趋势、波动周期等时序特征是目前研究的焦点,然而量化灾情对气候变化响应还鲜有问津5-7。农业干旱受灾率等指标兼具自然和社会双重属性,反映致灾因子危险性、农业承灾主体自身属性等因素共同作用的结果5。从灾情指标中提取出气候驱动的成分并与气候因子进行统计分析,能够规避农业经济等人为因素的干扰,进而客观准确地识别关键气候信号以及成灾原因。集合经验模态分解(e n s e m b l ee m p i r i c a lm o d ed e c o m p o s i t i o n,E EMD)为这种时序信息的解析提供有效方法,其广泛应用于提取产量、价格等农业统计指标的波动特征8。与H P滤波、最小二乘回归等方法相比,E EMD根据数据自身的时间尺度特征进行信号分解,能够更为客观和稳定地对农情信息中的周期性成分与长期趋势进行剥离9。此外,降水等影响干旱的气候要素与海洋大气环流关系密切,有研究1 0表明,刻画海洋和大气相关信息的大尺度环流指数可以提供预测区域气候异常的关键信号。鉴于此,本文依托我国1 3个粮食主产省的农业旱灾统计数据,通过E EMD构建灾情指标、气候因子、环流信号三者间的可能关系,进而量化旱情对气候变化的响应,对优化区域干旱监测指标及早期灾害预警有着重要价值。1 材料与方法1.1 数据来源由图1所示,选取我国粮食主产区的1 3个重要省份为研究对象,分别为河南、河北、山东、安徽、江苏、湖北、湖南、江西、四川、内蒙古、黑龙江、吉林、辽宁。国家统计数据库(h t t p:/d a t a.s t a t s.g o v.c n/)提供各省份农作物干旱受灾面积、成灾面积和农作物播种面积的逐年记录,其时间跨度为1 9 8 02 0 1 9年。干旱受灾面积是指因旱导致作物生长受到影响的农作物播种面积,而成灾面积是指受灾面积中减产3成及以上的面积,这2种统计数据间存在着极强的包含性、相关性和同步性7。因而,构建干旱受灾率(受灾面积与播种面积比值的百分数)的逐年序列作为各省份的灾情指标。图1 粮食主产省份及气象站点的空间分布1 9 8 02 0 1 9年间降水等要素的逐日资料来源于国家气象科学数据中心发布的中国地面气候资料日值数据集(h t t p:/d a t a.c m a.c n/),各省份下辖气象站点的数量为1 7 3 8个。为了与受灾率相匹配,采用站点算术平均法构建了区域尺度下各月份总降水量(P)、日均日照时间(S)、日均气温(T)、日均最高气温(TX)、日均最低气温(TM)的逐年序列。作为因变量的灾情序列均有5(气候因子类型)1 2(月份)个自变量序列与之对应。此外,美国国家大气海洋局物理科学实验室(NOAAP S L)提供了1 9 7 92 0 1 9年间2 4种大尺度大气海洋指数(L AO I)的逐月资料(h t t p s:/p s l.n o a a.g o v/d a t a/c l i m a t e i n d i c e s/)(表1)。1.2 研究方法运用集合经验模态分解(E EMD)对干旱受灾率的逐年序列进行解析。E EMD本质是将非线性、非平稳信号中蕴含的多个单一频率的波动项分离出来,这些波动项定义为本 征模态函数(I MF)9。每个I MF包含原序列不同时间尺度的局部特征信号,且满足2个条件:(1)在原数据范围内,过局部极值点的数目和过零点的数目不超过1个;(2)由局部最大值拟合的上包络线和局部最小值拟合的下包络线在任意时间点的平均值为零1 1。各I MF(I MF 1、I MF 2、I MF n)对应的周期尺度从小到大依次递增,原始数据减去各I MF得到的残余数值称为趋势项,其能有效反映原始序列的发展趋势。E EMD的计算过程在文献9 中有详细介绍,本文不再赘述。833水土保持学报 第3 7卷表1 大气-海洋指数的定义类别指数定义遥相关信息太平洋年代际振荡(P D O)、北大西洋涛动(NAO)、太平洋北美遥相关型(P NA)、西太平洋遥相关型(WP)、北太平洋遥相关型(N P)大气信息南方涛动(S O I)、北极涛动(AO)、准2年振荡(Q B O)太平洋海表温度(S S T)信息极端东部热带太平洋S S T(N i n o1+2)、东部热带太平洋S S T(N i n o3)、中东热带太平洋S S T(N i n o 3.4)、中部热带太平洋S S T(N i n o4)、混合E N S O指数(ME I)、西半球暖池(WHWP)、太平洋暖池(PWP)、太平洋径向模式(PMM)、双变量E N S O指数(B E S T)、海洋尼诺指数(ON I)、厄尔尼诺演变指数(T N I)大西洋海表温度(S S T)信息热带北大西洋海温(T NA)、热带南大西洋海温(T S A)、北热带大西洋指数(N T A)、大西洋年代际振荡(AMO)、大西洋径向模式(AMM)采用M a n n-K e n d a l l趋势检验(M-K检验)和分段线性回归突变检验对气候指标的逐年序列进行变化特征诊断。M-K检验的统计量Z 0时表征上升趋势;Z 1.9 6表明置信度达9 5%的显著变化趋势。分段回归模型是“折线”模型,其2条线在未知点连接称为突变,分2段对突变年份前后数据进行线性拟合,以2组拟合残差之和最小为判断依据1 2。2 结果与分析2.1 基于E EMD各省农业旱情的解析基于E E M D,1 3个省份的干旱受灾率序列均被分解成4个I M F和1个T r e n d项(表2)。农业生产是一个自然技术经济复合系统,人为因素影响为主的干旱脆弱性会放大或减小最终旱灾损失8,1 3。特别是农业高效节水、作物抗旱育种、农田管理优化、干旱预报预警等抗灾减灾能力的发展与突破,对干旱脆弱性有着持续和渐进的削减作用5。这与图2中T r e n d项的变化过程相吻合,其中江西的下降过程较为平缓;河南、河北、山东、湖南、黑龙江则呈现出稳健的下降态势,而安徽、江苏、湖北、四川、内蒙古、吉辽则在1 9 9 02 0 0 0年期间存在显著的转折点,均由上升态势转变为下降态势。国家政策以及市场价格环境直接刺激着农业生产者的积极性,其对作物种植面积及结构有着显著影响,进而表现出对干旱脆弱性的阶段性正向及负向作用9。这与图2和表2中各省I M F 4呈现出的平缓波动相一致,I M F 4对应的周期均超过研究期跨度的1/2,其在2 0.1 4 3 8.1 0年范围内变化。总体而言,T r e n d项和I MF 4较好地刻画研究区干旱脆弱性的演变特征。表2 基于E EMD各省受灾率的解析省份I MF 1周期/a贡献率/%I MF 2周期/a贡献率/%I MF 3周期/a贡献率/%I FM 4周期/a贡献率/%T r e n d贡献率/%河南2.6 73 7.2 55.7 11 5.8 01 0.0 03.7 13 7.1 09.5 33 3.7 1河北3.0 83 1.5 46.6 71 1.4 81 0.0 01 0.3 42 0.1 40.6 44 6.0 0山东2.6 73 5.1 65.0 07.8 11 3.3 33.6 13 7.3 40.7 95 2.6 3安徽2.6 74 7.6 85.7 12 1.5 61 0.0 01 1.8 23 5.0 34.5 31 4.4 0江苏2.5 04 4.5 96.6 72 8.7 21 0.0 05.9 13 6.7 16.3 11 4.4 7湖北2.5 06 2.3 36.6 72 5.1 41 0.0 06.0 43 6.9 22.2 74.2 2湖南2.8 65 0.6 55.0 04.4 68.0 01 1.3 63 4.3 14.2 02 9.3 3江西2.6 76 6.8 55.0 06.4 91 3.3 32 5.5 02 0.6 10.0 31.1 3四川3.3 35 5.1 05.7 18.2 61 0.0 05.9 63 4.3 61.4 32 9.2 4内蒙古2.8 64 3.2 86.6 71 6.3 81 0.0 06.5 23 5.2 75.3 42 8.4 7黑龙江2.8 64 5.3 85.0 08.5 31 3.3 35.1 13 8.1 02 0.2 82 0.7 0吉林2.8 67 0.2 65.7 11 0.5 41 3.3 35.9 72 0.1 11.6 41 1.5 9辽宁2.8 65 1.7 65.7 12 8.0 91 3.3 39.6 92 1.7 63.5 96.8 8 各省I M F 1、I M F 2、I M F 3对应的振荡周期分别在2.5 0 3.0 8,5.0 0 6.6 7,9.0 0 1 3.3 3年范围内浮动。相类似,研究区降水、气温等要素呈现出周期为21 3年的高、中频振荡1 4-1 5,因而I M F 1、I M F 2、I M F 3可以解释为气候驱动下干旱强度的中短期波动。各省I M F 1、I M F 2、I M F 3每年的数值进行累加求和,生成图2为干旱强度的I M F-H,其蕴含年际及年代际特征。从I M F-H的峰值可以发现,极端干旱年景的频次存在显著的区域差异。黑龙江、吉林、辽宁的干旱强度明显高于其他省份,突出表现在I M F-H超过3 0%的年份次数分别为1,3,3次,特别是辽宁省I M F-H在1 9 8 9年和2 0 0 0年超过4 0%。相比之下,其他省份I M F-H的最大值均在3 0%以下,特别是河北、湖南、江西I M F-H的最大值均低于1 5%。各省I M F-H的M-K检验结果表明,河南、河北、山东、安徽、江苏、湖北、湖南、江西、四川、内蒙古、黑龙江、吉林、辽宁的Z值分别为1.4 1,-0.5 6,0.8 8,1.5 3,1.8 5,0.4 3,-0.6 5,-1.3 9,-0.5 1,0.4 5,0.5 2,-0.5 9,-0.4 8,干旱强度的变化趋势均未通过显著性检验,其中河南、安徽、江苏的Z值分别为1.4 1,1.5 3,1.8 6,呈现出较强的上升趋势。933第5期 黄进等:基于E EMD我国粮食主产区农业旱情对气候变化的响应图2 各省I M F和T r e n d项的逐年变化043水土保持学报 第3 7卷2.2 各省I M F-H与气候因子的线性关系各省I MF-H与不同月份的5种气候因子进行相关分析。表3为各月份与I MF-H最显著相关的气候因子类型,其空白表示该月份的相关性均未通过显著性检验。除四川和黑龙江外,其他1 1个省份的I MF-H均与35个月份的气候因子显著相关。降水因子与I MF-H呈现出负相关性,而日照时间及温度因子与I MF-H呈现出正相关性。春夏季节的气候异常对多数上省份的I MF-H有着显著影响,特别是1 2个省份的I MF-H均与7月份的气候因子显著相关。反观1,1 0月份,未发现气候因子与I MF-H显著相关;而在9,1 1,1 2月份,仅发现1个省份的气候因子与I MF-H显著相关;在2,3月份,只有2个省份的气候因子与I MF-H显著相关。与冬秋季节相比,春夏季节的干旱事件具有更强的致灾性。表3 各省I M F-H与气候因子相关性的统计结果省份1月2月3月4月5月6月7月8月9月1 0月1 1月1 2月河南T(0.3 9)TX(0.4 4)P(-0.5 4)河北P(-0.3 6)P(-0.4 6)P(-0.6 0)S(0.3 4)山东P(-0.3 3)P(-0.3 9)TX(0.4 1)P(-0.5 0)P(-0.4 7)安徽P(-0.3 7)P(-0.4 0)TX(0.5 2)S(0.6 1)江苏T(0.3 6)T(0.4 0)P(-0.4 7)TM(0.3 5)湖北TX(0.3 7)S(0.3 4)S(0.6 7)P(-0.3 5)湖南S(0.3 2)S(0.6 2)T(0.4 4)S(0.3 7)江西P(-0.5 4)P(-0.4 1)S(0.5 8)TX(0.3 2)四川S(0.4 0)内蒙古S(0.3 2)P(-0.4 3)P(-0.3 9)P(-0.6 0)黑龙江S(0.3 2)吉林P(-0.3 3)P(-0.4 8)S(0.4 9)TX(0.3 5)辽宁S(0.3 6)TX(0.3 2)TX(0.4 8)S(0.5 7)TX(0.5 0)S(0.3 2)注:括号内为相关系数。表3中各省份最显著相关性对应的类型及月份为识别干旱关键影响因子(K D I I)提供了依据。安徽、湖北、湖南、江西、四川、吉林、辽宁的K D I I均为7月份的S(S7),而河北、江苏、内蒙古的K D I I为7月份的P(P7)。与之不同,河南和山东K D I I分别为8月份的P(P8)和6月份的P(P6),而黑龙江的K D I I则为4月份的S(S4)。这与表4线性逐步回归遴选出的首要自变量类型相一致(模型I),其R2在0.1 60.4 5间浮动,特别是河北、安徽、湖北、湖南、内蒙古的R2均超过0.3 5。模型I I和I I I识别出的另一些重要因子分布在夏季和春季,这与表4的结果相吻合。在河北、安徽、江苏、湖北、江西、内蒙古6个省份的模型I I指出,春季月份的P及TX为I MF-H的次要影响因子。总体而言,夏季气候异常对灾情的贡献最为突出,夏旱为首要季节性灾害。2.3 各省份干旱关键影响因子的变化特征表5通过M-K检验和分段线性回归给出各省份K D I I的变化特征。由Z值可以发现,研究区K D I I的变化趋势均未通过显著性检验,其中河南、山东、江苏、内蒙古的降水因子呈现出减弱趋势,而河北的降水因子呈现出增强趋势;安徽、湖北、黑龙江、吉林的日照因子呈现出增强趋势,而湖南、江西、四川、辽宁的日照因子呈现出减弱趋势。分段线性回归表明,研究区K D I I的突变点大致分布2 0 0 0前后的年份,而K D I I的演变过程呈现出明显的区域差异。在河南、河北、湖南、江西4个省份K D I I的变化趋势由强转弱;在山东、安徽、江苏、湖北、黑龙江、吉林K D I I的变化趋势由弱转强;在四川、内蒙古、辽宁K D I I的变化趋势发生逆转。值得一提的是,除河北、湖南、江西、四川外,其他省份的降水因子在突变点后呈现下降趋势,而日照因子则呈现出上升趋势。特别是安徽、湖北、吉林的日照因子在2 0 0 0年后呈现出显著的上升趋势,而江苏的降水因子则呈现出显著下降趋势。表明2 0 0 0年以来长江以北广大区域的夏季干旱风险有一定的增强趋势。2.4 各省K D I I对L A O I的响应为了识别影响旱情的环流信号,将各省K D I I与L AO I分别进行时滞相关分析,时滞期设为同期及前期11 2个月。不同时滞下的同类型指数设定为不同的预报因子,故每个K D I I对应2 4(L AO I类型)1 3(前置月份)个环流因子。表6根据相关系数绝对值的排序梳理出前3个显著影响K D I I的环流因子。我国粮食主产区K D I I与环流因子I(首要)的相关系数在-0.5 60.5 7浮动,与环流因子I I的相关系数在-0.5 40.4 4浮动,与环流因子I I I的相关系数在143第5期 黄进等:基于E EMD我国粮食主产区农业旱情对气候变化的响应-0.5 30.4 0浮动。特别是山东、湖南、江西、四川的K D I I与首要因子间的相关性分别达到0.5 5,-0.5 5,-0.5 6,0.5 7。K D I I与环流因子间存在着显著的时滞相关性,因子I、I I、I I I对应的月份主要集中在前年的91 2月和当年的67月。以因子I为例,同期的WP、PMM、N P、S O I、ME I分别为山东、湖北、内蒙古、吉林、辽宁K D I I的首要影响因子;当年6月的N i n o3*、N i n o3*、AO分 别 为 湖 南、江 西、四 川K D I I的首要影响因子;前年1 2月的N i n o1+2、前年1 1月份的N P、前年9月份的P NA、前年8月份的Q B O、前年1 2月份的S O I分别为河南、河北、安徽、江苏、黑龙江K D I I的首要影响因子。表4 各省I M F-H与气候因子的线性逐步回归分析省份模型I回归方程R2模型I I回归方程R2模型I I I回归方程R2河南I MF-H=9.6 8-0.0 7P80.2 9I MF-H=1 4.9 3-0.0 7P8-0.0 6P60.4 3I MF-H=2 6.5 9-0.0 7P8-0.0 6P6-1.3 1T1 10.5 0河北I MF-H=1 2.4 8-0.0 9P70.3 6I MF-H=1 9.2 5-0.0 8P7-0.1 8P50.5 4I MF-H=3.7 7-0.0 8P7-0.1 9P5+1.9 4S60.6 1山东I MF-H=9.4 4-0.1 2P60.2 5I MF-H=1 9.0 2-0.1 1P6-0.0 6P70.4 3I MF-H=2 7.6 9-0.1 1P6-0.0 6P7-0.0 5P80.5 5安徽I MF-H=-2 5.1 0+4.0 4S70.3 7I MF-H=-9 3.0 3+3.7 0S7+2.6 7TX50.5 7I MF-H=-8 9.0 5+3.3 3S7+2.8 3TX5-0.0 4P80.6 3江苏I MF-H=9.5 1-0.0 5P70.2 2I MF-H=-4 6.1 8-0.0 5P7+2.2 4TX50.3 5湖北I MF-H=-3 2.5 8+5.2 4S70.4 5I MF-H=-2 5.2 0+5.4 1S7-0.0 8P40.5 8I MF-H=-6 5.7 6+5.2 4S7-0.0 6P4+1.4 9TX50.6 3湖南I MF-H=-2 5.2 4+3.5 4S70.3 8江西I MF-H=-2 0.3 7+2.7 6S70.3 3I MF-H=-8.3 8+2.2 3S7-0.0 3P50.4 9I MF-H=-1.5 9+1.9 7S7-0.0 3P5-0.0 2P60.5 6四川I MF-H=-1 5.1 7+2.9 7S70.1 6内蒙古I MF-H=2 6.4 8-0.2 9P70.3 6I MF-H=4 3.9 2-0.3 1P7-0.6 1P50.5 8I MF-H=-2 1.2 4-0.3 0P7-0.5 4P5+3.0 5TX50.6 4黑龙江吉林I MF-H=-5 5.7 9+8.2 3S70.2 4I MF-H=-6 1.0 4+6.1 5S7-0.2 0P60.3 5I MF-H=-6 1.0 4+6.1 5S7-0.2 0P6+5.6 8S80.4 4辽宁I MF-H=-7 0.8 0+1 1.1 8S70.3 2I MF-H=-2 2 2.8 3+9.7 7S7+6.1 0TX60.4 7I MF-H=-2 1 5.5 8+8.1 2S7+6.8 2TX6-0.1 0P80.5 9 注:气候因子英文缩写后的数字为其对应月份。表5 各省份K D I I的变化特征省份K D I IZ值突变点突变点之前线性趋势变化速率R2突变点之后线性趋势变化速率R2河南P8-0.7 32 0 0 2下降-3.1 00.1 4下降-2.0 30.0 7河北P70.3 41 9 9 5显著上升7.9 40.4 7上升0.7 70.0 2山东P6-0.5 72 0 0 1下降-0.3 30下降-1.4 70.0 8安徽S70.2 12 0 0 5上升0.0 30.0 3显著上升0.1 50.3 7江苏P7-1.2 92 0 0 3下降-2.8 20.0 6显著下降-7.2 80.2 9湖北S71.0 22 0 0 3上升0.0 10显著上升0.1 00.2 4湖南S7-0.8 61 9 9 9显著下降-0.1 10.2 3下降-0.0 10江西S7-0.8 41 9 9 9显著下降-0.1 10.2 5下降-0.0 30.0 3四川S7-1.1 92 0 0 1上升0.0 10下降-0.0 40.0 7内蒙古P7-1.3 61 9 9 8显著上升2.2 20.2 0下降-0.0 60黑龙江S40.4 22 0 0 0上升00上升0.0 60.1 2吉林S70.5 52 0 0 3上升0.0 10显著上升0.1 00.3 1辽宁S7-0.0 61 9 9 6显著下降-0.1 10.3 1上升00注:P为降水,变化速率单位为mm/a;S为日照时间,变化速率单位为h/a。3 讨 论E EMD从灾情序列中提取出的气候干旱强度(I MF-H)表明东北3省的干旱危险性更高。相类似,基于作物参考蒸散量与降水量的比值,康蕾等1 6通过计算5大粮食产区的干燥度指数发现松嫩平原、三江平原的自然干旱强度更高。受季风系统、地形和海陆位置等因素的影响,我国降水在空间尺度上的变化趋势极为明显,从西北到东南呈现由干燥到湿润的阶梯递减特征,特别是北方地区较大的降水年际波动引发较高的干旱危险性1 7。干旱受灾率蕴含的趋势项主要反映农业主 体的干旱脆 弱 性,其 总 体 上 在2 0 0 0年后呈现出显著的下降趋势。这与我国不断增加的农业投入相吻合,其中“八五”计划后农业基建与水利的投资呈现跃迁式发展1 8。特别是2 0 0 0年以来我国抗旱法规预案、减灾规划、旱情监测站网等抗243水土保持学报 第3 7卷旱减灾科学体系的建立及逐步完善有效的降低区域干旱脆弱性1 9。表6 与K D I I显著相关的环流指数类型及其对应月份省份K D I I环流因子I类型月份相关性环流因子I I类型月份相关性环流因子I I I类型月份相关性河南P 8N i n o 1+2前年1 2月0.4 2N i n o 1+2前年1 1月0.4 1NAO前年1 0月-0.3 9河北P 7N P前年1 1月0.3 8P NA前年9月-0.3 8PMM当年7月0.3 5山东P 6WP当年6月0.5 5TN I当年6月-0.4 4PMM前年1 2月0.4 0安徽S 7P NA前年9月-0.3 8PMM前年7月0.3 7N i n o 1+2当年7月-0.3 1江苏P 7Q B O前年8月0.4 3Q B O前年9月0.3 8Q B O前年1 0月0.3 4湖北S 7PMM当年7月0.4 3P NA前年9月-0.3 8P NA当年4月-0.3 7湖南S 7N i n o3*当年6月-0.5 5B E S T当年5月-0.5 4N i n o 1+2当年7月-0.5 3江西S 7N i n o3*当年6月-0.5 6N i n o 1+2当年7月-0.5 2N i n o3*当年5月-0.5 1四川S 7AO当年6月0.5 7WP当年2月-0.3 4WHWP当年4月-0.2 7内蒙古P 7N P当年7月0.3 4WHWP当年2月0.3 1T NA当年7月-0.3 1黑龙江S 4S O I前年1 2月0.4 1S O I前年8月0.4 0P NA当年2月-0.3 8吉林S 7S O I当年7月-0.4 2NAO当年2月0.4 1S O I当年6月-0.4 1辽宁S 7ME I当年7月0.4 7B E S T当年6月0.4 4S O I当年7月-0.4 2 在多数省份,一元及多元线性回归方程较好地反映I MF-H对气候因子的响应关系,特别是3因子模型的R2大都超过0.5。这进一步说明通过E EMD分离灾情序列中气候驱动成分的合理性。但在某些省份特别是四川和黑龙江,I MF-H与气候因子之间线性关系明显偏弱。尽管中国地面气候资料日值数据集提供与灾情时间跨度相匹配的逐日资料,但各省份的站点数量总体偏少。这导致在一些地形及气候区域差异显著的省份,站点的代表性及空间分布不能良好地覆盖全境。这使得算术平均法构建的省域尺度气候因子不 能准确反映 气候 变 化 特 征,因 而 与I MF-H的相关性较弱。比较不同空间分辨率的站点及格点资料的适用性值得在今后的工作中尝试。研究区的干旱关键影响因子(K D I I)大多集中在夏季月份,特别是7个省份的K D I I均为7月份的日照时间。气候变暖背景下,夏季降水亏缺与高温热浪驱动的骤发性干旱对我国农业的影响尤为突出2 0。由于生长季内需水量多且强度大,阶段性高温干旱的复合胁迫已成为限制夏玉米、水稻等秋粮作物生长发育和产量形成的主要气象灾害2 1-2 2。日照时间直观地反映太阳辐射的强弱,是温度等要素的能量来源,其与降水特别是连续性降雨呈现出显著的负相关性2 3-2 4。由于气候因子间的多重共线性,I MF-H与7月份的日照时间呈现出更为显著的正相关性,这为优化区域干旱监测及风险评估提供重要指标。2 0 0 0年以来长江北部省份的K D I I呈现增强趋势,其中安徽、江苏、湖北、吉林最为突出。东亚夏季风的强度及辐合作用的减弱导致东