论文部分内容阅读
全球气候变暖的大背景下,我国平均增温速率明显高于北半球同期平均增温速率;与华北和东部相比,西北地区非对称性的增温幅度更大,降水形态有从降雪向降雨转变之势,天山山区亦有如此之势,不同的降水形态改变必然影响区域水资源的产汇流过程及年内分配。本文利用天山山区1960~2018年28个气象站点的逐日降水、平均气温、相对湿度、平均气压、平均风速、日照时数、小型蒸发、海拔、坡度、坡向、经度和纬度资料,通过分离主要降水形态、计算表征降水形态转变态势的降雨日数/降水日数比率(RPR),以及构建影响因子指标体系,并基于人工神经网络的决策与试验评价实验室法(BP-DEMATEL)和多元线性回归模型(MLR),辨析了天山山区降水形态转变的关键驱动因子。在此基础上利用CMIP5全球气候模式对天山山区1961~2018年的RPR模拟能力进行评估,并对未来三种温室气体排放情景下(RCP2.6、RCP4.5和RCP8.5)天山地区变化较敏感的秋末和初春季节的RPR的变化进行预估。本文得到的主要结论如下:(1)天山山区1960~2017年RPR呈现出阶段性增长趋势,并表现为两个阶段。第一阶段从1960s初到1990s代初;第二阶段是从1990s初到2017年,两个阶段RPR平均值分别为0.63和0.65。RPR的变化具有海拔依赖性,RPR随着海拔的变化也表现为两个阶段:当海拔高程低于1200m,RPR平均值为0.84,且变化较平缓;海拔高程高于1650m时RPR平均值为0.47,变化较剧烈。另外RPR变化具有地形倾向性,南坡的RPR多年平均值为0.77,而北坡的则为0.57,南坡的RPR明显高于北坡。(2)所有指标因子中,气温是BP-DEMATEL模型中唯一强驱动因子,且在MLR模型中贡献率(lmg)最大,表明气温是影响天山山区降水形态转变的关键驱动因子。地表温度、海拔、纬度和气压对其他因子影响较强,对降水形态转变起着推动作用,可视为影响降水形态转变的次要驱动因子。除地形因子和地理因子之外,风速、蒸发、相对湿度等为RPR的结果因子,与其他因子密切相关,受其他因子影响较大,间接影响降水形态的转变。(3)CMIP5模式对天山山区年累计降水量的模拟结果空间相关系数介于-0.26~0.74,标准差介于0.84~1.90mm之间,而年平均气温的模拟结果空间相关系数介于0.84~0.98,标准差介于0.93~1.13℃之间。模拟的降水均方根误差绝大多数模式都大于1,而气温的均方根误差均小于1。综合来看,CMIP5模式对气温的模拟值与观测值相关性较高,而对降水的模拟效果较差。故不采用CMIP5所提供的降水数据。而是用CMIP5提供的气温数据和一些气象因子通过BP神经网络来预测RPR。用历史数据验证了BP神经网络模型对RPR的模拟效果,得到28个气象站点的率定和验证都是Satisfactory(合格)及以上,故可以用该模型对未来的月RPR进一步进行预估。(4)三种情景下,天山山区2010~2100年秋末和初春月RPR较基准期均有升高。排放情景越高,RPR越大。RCP2.6、RCP4.5和RCP8.5情景分别增加了4.36%、8.27%和12.36%,而同一排放情景下,时间越靠后RPR越大,降雪转化为降雨的趋势越明显。同一站点的不同月份,RPR呈现出不同的变化特征。部分站点的RPR变化主要发生在4月和10月,而部分站点的变化发生在3月和11月。在同一月份的不同站点RPR呈现出不同的变化特征。如4月部分站点RPR始终是1,而部分站点却接近于0。未来情境的大多符合RCP排放情景越高,RPR的分布越大,也存在RCP排放情景不一致但RPR大小分布一致的情况。(5)历史时段(1981~2010年)秋末与初春月份的RPR大小呈现出南坡大于北坡的规律。未来时段三种情境下RPR的空间分布呈现出南坡大于北坡的规律。历史时段秋末与初春月份RPR增幅呈现出北坡大于南坡的规律。未来RPR空间变化展现出与现在不同的变化趋势。低排放情景在初期RPR的增幅呈现出南坡大于北坡,而中等排放情景初期南北坡增幅一致,到本世纪末RPR的增幅才出现了南坡大于北坡。时间变化上,低排放情景下随着年份的增加,无变化趋势的站点越多,使得RPR的变化趋于稳定。在中等排放情景下,RPR经历了整个天山增加,到最后北坡的站点趋于稳定。而在高排放情景下,整个天山在所有的时间段都展现出显著增加的趋势。