基于标准化的降水蒸散指数的1960 – 2013年中国北方内蒙古的干旱变化外文翻译资料

英语原文共 14 页，剩余内容已隐藏，支付完成后下载完整资料

基于标准化的降水蒸散指数的1960 - 2013年中国北方内蒙古的干旱变化

Shulin Liu ^1，2，Wenpin Kang^1，2，Tao Wang^1，2

摘要 ：标准化的降水蒸发量指数（SPEI）被广泛应用于气候和水文研究，因为它将PDSI的灵敏度与ET的变化（由空气温度变化和趋势引起）结合起来，计算简单，还具有SPI多时态性的稳健性。在本文中，对1960 - 2013年的内蒙古进行了基于SPEI的干旱的时空格局的研究。结果表明，SPEI可以有效地揭示干旱的多尺度特征以及空气温度升高对干旱严重程度和干旱累积效应的影响。SPEI适合于那些较长的时间尺度，例如6个月或更长，并且在在半湿润和半干旱地区比干旱地区使用更好，这是因为在较短的时间尺度或干旱地区存在很多零值或极大值。一般来说，整个内蒙古有变干旱趋势，21世纪初出现了多重时间尺度上的严重的干旱。从APR到SEP的6个月尺度的年度SPEI变化表明，植物生长季节的干旱非常频繁并且越来越严重，并且应该给予更多的注意。不同分区的干旱严重程度不同。20世纪90年代末，内蒙古12个月时间尺度上干旱变化趋势出现明显的突变点，而中西部地区的突变点略高于东北部分和东南部分。这一持续的严重干旱应该是自2000年以来气温上升和降水明显减少共同作用的结果。与此同时，最严重和频繁的干旱主要发生在中国内蒙古边境和科尔沁沙地，而大兴安岭山，阴山山脉，河套平原和毛乌素沙地的连续带在过去几十年中具有相对轻微的干燥趋势。SPEI指示的干旱空间格局是通过基于遥感的植被温度干旱指数的空间分布来完成的。

关键词：干旱变化，突变，标准化降水蒸发指数（SPEI），内蒙古

1 引言

干旱是一个主要的自然灾害，可对受灾区域的农业、水资源、环境和土地荒漠化产生破坏性影响，在日益全球化的世界中产生大范围的影响（Keyantash和Dracup 2002; Svoboda等人2002; Romm 2011; Sternberg 2011），造成全球损失数百亿美元，并且比其他任何形式的破坏性气候相关灾害（Wilhite 2000）殃及到的人更多。随着全球变暖，干旱变得更加频繁，并且显示出明显的增加趋势（Giorgi 2006; Lehner 等人2006; Giannakopoulos等人2009）。 非洲，东亚和南亚以及1950年至2008年的其他地区发生了大范围的干旱，大部分干旱是由于近期的变暖（Dai 2011）所造成。虽然全球变暖可能被高估，但它对干旱的作用被最近的一项实验证明。这项实验分析了干旱对净初级生产量和树木死亡的影响（Martίnez-Villalta等人2008; Williams等人2011; Linares和Camarero 2011; Diro等人2014）。全球干旱直接影响了蒙古草原的地方农业和牧草生产（Goudie和Middleton 1992; Shinoda等人2010），加速了沙漠化进程，甚至引起严重的沙尘暴（Schubert等人2004）。因此，监测和评估干旱对减少损失和确保人的生命和财产安全是非常重要的。

已经根据干旱的频率、持续时间和严重程度以及根据区域或应用特定的指数的空间范围来研究干旱。许多干旱指数，如帕尔默干旱指数，PDSI（Palmer 1965; Mishra和Singh 2010），地表水供应指数，SWSI（Shafer和Dezman 1982），标准化降水指数，SPI（McKee等人1993） 有效干旱指数EDI（Byun和Wilhite 1999）已经被开发并广泛应用于世界各地（Wilhite 等人2000）。其中，自从McKee等人（1993）引入SPI以来，它已经受到很多关注。被称为气象干旱简单而又客观的衡量标准，它已被有效地应用于干旱地区（Hayes等人1999; Wu等人2001; Morid等人2006; Sternberg等人2011）。但近年来，标准化的降水蒸散指数（SPEI）将PDSI对蒸发需求的变化的灵敏特性（由温度波动和趋势引起）与SPI的计算简单和具有多种时间尺度的性质结合起来。SPEI指数特别适合于检测、监测和探索全球变暖对干旱条件的影响（Vicente-Serrano等人2010）。SPEI是在2010年开发的，已被广泛应用于越来越多的气候和水文研究（Li等人2012; Zhuang等人2013; Yu等人2014; Wang和Chen 2014; Begueria等人2014; Jeong等人2014）和干旱监测系统（如Fuchs等人2012）。Wang和Chen（2014）指出，SPEI在测量干旱方面具有良好的性能，并且比较了SPEI的空间分布与中国典型年份的历史干旱数据集的空间分布。此外，更新的全球网格数据库已经完成（Begueria等人2014）。SPEI较其他广泛使用的干旱指数的关键优势在于考虑了潜在蒸散量（PET）对干旱严重性的影响。PET是一个多尺度标量，能够识别在全球变暖背景下不同种类的干旱和及干旱的影响。在本文中，中国北方的内蒙古由于严重的沙漠化问题，我们用SPEI指数探讨了典型的研究区域（Wang 等人2004）。本文的主要目的是探讨SPEI在中国北方沙漠地区的实用性，为当地农业和牧业活动，荒漠化控制和生态系统重建提供更可靠的自然环境。

2 数据和方法

2.1研究区域和数据

中国北方内蒙古自治区面积118万km²。它位于37°-54°N和97°-127°E之间，平均海拔约1000米。内蒙古具有温带大陆性季风气候，有寒冷和漫长的冬天，温暖和短暂的夏天。除了相对湿润的大兴安岭地区外，内蒙古大部分地区为从西部至东部的干旱，半干旱或半湿润地区。内蒙古的年平均气温-5℃〜10℃，年平均降水量30〜500mm。本研究区域包括呼伦贝尔沙地，科尔沁沙地，浑善达克沙地，毛乌素沙地。而库布其沙漠，乌兰布和沙漠，腾格尔沙漠和巴丹吉林沙漠，是重要的放牧基地和国家生态保护区。考虑到数据的可用性和记录长度，1960 - 2013年期间内蒙古所有共享气象站的月平均气温，总月降水量，月平均相对湿度和月平均风速数据集均从中国气象数据共享服务系统得到

（http://cdc.cma.gov.cn/）。根据数据系列的完整性和质量，选择质量控制较好的46个站点计算SPEI，并用于整个内蒙古的干旱分析。根据最接近的其他系列，用线性回归估计替换特定站中缺失的一些数据。从（http://srtm.csi.cgiar.org/SELECTION/inputCoord.asp）下载SRTM DEM的分辨率为5°times;5°的数据。本研究中研究区的位置和所选择的气象站的位置以及几个沙漠和沙区被绘制在图1中。

图 1

研究区和气象站的位置

2.2 ET₀和SPEI的计算

2.2.1 ET₀的计算

在这里，我们遵循最简单的修改方法来计算ET₀（Thornthwaite 1948），其优点是只需要站点的月平均温度和纬度的数据。根据这种方法（Ma和Fu 2001），得到月ET₀。

其中T_i是月平均温度(℃);m取决于I的系数：

常数a₁=-415.8547;a₂=32.2441;a₃=-0.4325.I是热指数，其为12个月指数值I_i的总和（当T_i是正值时，I_i为正值，否则I_i取零），I使用月平均温度公式：

K为校正系数，是关于维度和月份的函数：

NDM是月的实际天数，N是日照小时最大值，N使用下式计算：

是太阳高度角，用下式计算：

phi;是以弧度表示的维度，delta;是以弧度表示的太阳偏差角度，使用下式计算：

J是月份的平均儒略日。

有许多方法来计算ET₀。一些研究表明，ET₀_Th（用Thorthwaite算法计算）是有偏差的，并且在干旱和半干旱地区低估了ET₀（Jensen等人1990），在潮湿的赤道和热带地区过高估计ET₀ （van der Schrier等人2011）。Mavromatis（2007）表明，当计算干旱指数（如PDSI）时，使用简单或复杂方法计算ET₀得到的结果是差不多的。使用长期数据与Thornthwaite和Penman-Monteith参数化揭示的PDSI的微小差异（van der Schrier等人2011）表明，在使用简单水平衡，例如在PDSI和SPEI的干旱指数中选择PET参数化可能对结果值的影响不会很大。因此，我们仍然使用修改的ET₀_Th，即采用N（上面提到的最大日照小时数）来计算SPEI和本文中的以下分析部分。

2.2.2 SPEI的计算方法

三参数对数分布也被用于计算SPEI（Vicente-Serrano等人2010; Begueria等人2014）。 SPEI的平均值为0，标准偏差为1。SPEI是标准化的可变多标量，因此可以与其他SPEI值在时间和空间上进行比较。SPEI为0表示对应于D_i的累积概率的50％的值（第i个月的降水P_i和ET₀ i之间的差）。根据对数分布，表1是SPEI对干燥度/湿度等级的分类（Yu 等人2014）。对于本研究，分别计算1,3,6,12,24,36和48个月的时间尺度的SPEI。

表1：SPEI对干燥度/湿度等级的分类

2.3 Mann-Kendall秩次检验

非参数Mann-Kendall-Sneyers检验是Sneyers（1975）提出的Mann-Kendall秩统计的序列版本。基于这一假设，在稳定气候的假设下，气候数值的连续性必须是独立的，概率分布必须保持总是相同的（简单随机系列）。该试验的有效性已被Goossens和Berger的Monte Carlo技术（1987）证明。对于时间序列For the time seriesx_i(1le;ile;n)，x_igt;x_j(jlt;i,i=1hellip;hellip;n)的数量由r_i 计算并表示。在零假设（无趋势）下，序列：

服从正太分布，均值和方差由下式计算：

以上是具有零均值和单位标准偏差的归一化变量，并且是正向统计序列。使用相同的方程但反转的数据系列来估计后向序列UBK。它们的概率或显着水平a可以通过计算或查表获得。如果零假设已被拒绝，即在时间序列中的某处存在变化，则指示增加（UF_K〉0）或减少（UF_K〈0）趋势已被检测到（Zhao等人2008）。同样，UB^，_K的值从序列结束开始向后计算。然后UB^，_K= -UB^，_K（k = n k，k = 1,2，...，n）。这里使用的测试的顺序版本能够通过定位测试统计量的前向和后向曲线的交点从而检测到趋势发生的大致时间。如果交点出现在置信区间内，那么它表示一个跳变点（Demaree 和 Nicolis 1990; Moraes 等人1998）。95％置信水平的临界值为plusmn;1.96。

2.4空间差值分析

ANUSPLIN是一种广泛应用于气候元素的空间插值分析的软件（Hutchinson 2004; Hijma

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[25516]，资料为PDF文档或Word文档，PDF文档可免费转换为Word