1 引言
青藏高原是中国三大稳定积雪区之一， 也是世界上雪灾频发的地区。青藏高原冰川和积雪融水是亚洲大型河流的主要补给源（Immerzeel et al， 2010； Yao et al， 2012）如黄河、 长江、 澜沧江-湄公河等。作为亚洲水塔的青藏高原还影响着世界上40%居民的正常生活（Xu et al， 2008； Chen et al， 2012）。不仅如此， 青藏高原显著影响着亚洲气候系统和能量收支水循环， 甚至对全球气候也有显著影响（Chen et al， 2012）。
在过去几十年， 整个青藏高原地区呈现出气温升高、 降水显著增加的趋势（You et al， 2008）， 而青藏高原极端降水事件的频率和强度也呈现显著增加的趋势（卢珊等， 2020； 高文德等， 2021； 冯晓莉等， 2020）。极端降水事件极易诱发洪水、 泥石流、 雪暴等， 特别是在青藏高原积雪季， 雪暴极易造成交通阻塞， 牲畜死亡， 进而对人们财产收入造成巨大影响（Qiu et al， 2018； Liu et al， 2014； 刘彩红等， 2021； 尼玛吉等， 2021）。降水在青藏高原呈现出较大的空间异质性， 总体上由南向北、 由东南向西北减少（Qi et al， 2013）。丰沛的水汽供给是产生极端降水的必要和重要条件（Trenberth， 1999， 2011）。因此， 通过水汽来源研究青藏高原极端降水具有重大的意义。
水汽来源对目标区域降水有重要的影响（Huang and Cui， 2015； Gimeno-Sotelo et al， 2018； Vazquez et al， 2016）。目前对水汽来源的研究主要有稳定同位素法、 欧拉方法和拉格朗日方法等（Drumond et al， 2017）。稳定同位素法对水样观测的依赖过大， 成本过高， 欧拉公式很难描述从水汽源地到目标区域的具体运动轨迹（Sun and Wang， 2014）， 而拉格朗日方法的主要优势在于它可以追踪事先定义的气块集合的运动轨迹， 并且定量给出水汽输送的情况。因此， 学者们采用拉格朗日轨迹分析方法中具有代表性的方法——FLEXIible PARTicle（FLEXPART）， 并将其应用到对水汽来源的研究中（Stohl and James， 2004， 2005）。
目前， 对于青藏高原及周边地区的水汽来源的研究， 主要集中在夏季或暖季（Zhang et al， 2019b； Sun and Wang， 2014； Qiu et al， 2019； Chen et al， 2019， 2012； Drumond et al， 2011）， 而在积雪季的水汽来源研究较少。事实上， 青藏高原水汽来源的贡献具有显著的空间异质性（Pan et al， 2019； Zhang et al， 2019a）。同时， 青藏高原内部各区域的水汽来源及其差异仍不明确， 特别是极端降水的水汽来源贡献差异。本文将青藏高原分为四个地区： 青藏高原东北部（NEQXP）、 青藏高原西北部（NWQXP）、 青藏高原东南部（SEQXP）和青藏高原西南部（SWQXP）（Yao et al， 2013； Tian et al， 2007）， 旨在解决青藏高原内部各地区积雪季极端降水分布特征， 并得到主要影响各地区极端降水的水汽源地， 进而借助水汽来源去解释各区域极端降水的变化特征。首先， 提取青藏高原4个子区域， 利用百分位阈值方法提取极端降水事件， 分析极端降水的特征。其次， 利用FLEXPART模拟极端降水事件的水汽来源， 计算各水汽源地的水汽贡献， 并分析各区域水汽来源的差异。最后， 从水汽来源视角分析极端降水变化机制。研究结果以期从水汽来源的角度为当前青藏高原积雪季极端降水的增加提供参考。
2 研究区概况及数据来源
2.1 研究区概况
青藏高原属于高寒山地气候， 全年平均气温变化范围为-3~13 ℃ （Wang et al， 2020b）。青藏高原南部降水较多， 年降水量800 mm以上（罗伦等， 2021）， 降水季节分配不均， 夏半年降水占全年降水的60%， 冬半年占40%。冬半年的降水为高山冰川、 积雪以及来年径流的补给起到了很大的作用（Liu and Yin， 2001）。青藏高原更多受到印度季风和西风带的影响（An， 2001； Yao et al， 2013）。本文将青藏高原根据33°N纬线和90°E经线， 划分为4个区域： NEQXP、 NWQXP、 SEQXP和SWQXP， 该区域划分基本可以反映青藏高原内部区域水汽循环的特征（Chen et al， 2019； Yao et al， 2013； Tian et al， 2007）。
2.2 数据来源
本文采用美国环境预报中心（National Centers for Environmental Prediction-Climate Forecast System Reanalysis， NECP）1979 -2018年的CFSR（Centers for Environmental Prediction-Climate Forecast System Reanalysis）驱动资料， 该数据包括气温、 相对湿度、 风速等变量， 垂直分层64层， 数据的空间分辨率为0.5°×0.5°， 时间分辨率为6 h（Watanabe， 2015； Saha et al， 2014）。降水数据采用3种资料， 其中中国区域地面气象要素驱动数据集（China Meteorological Forcing Dataset， CMFD）来自国家青藏高原科学数据中心（He et al， 2020）， 该数据因其长久性、 稳定性和连续性特征， 受到众多学者青睐（Deng et al， 2021； Zhang et al， 2021）， 特别是在青藏高原地区， 该数据质量明显优于GLDAS（Global Land Data Assimilation System）降水数据（He et al， 2020）。本文还采用高亚洲再分析资料（High Asia Refined analysis-v2， HAR）的降水数据， 该数据是通过ERA5再分析资料降尺度， 空间分辨率为10 km×10 km （Wang et al， 2020c）。CPC数据集是美国海洋和大气局气候预测中心（NOAA Climate Prediction Center Global Unified Precipitation）融合地面观测和卫星遥感数据， 充分考虑地形效应， 生成的一套降水产品， 该产品空间分辨率为0.5°×0.5°（表1 ）。
表1 再分析资料和格网数据的基本信息Table 1 Basic information of reanalysis data and grid data |
| 数据名称 | 数据时段 | 空间分辨率 | 时间分辨率 | 来源 |
|---|---|---|---|---|
| CFSR | 1979 -2018年 | 0.5°×0.5° | 6 h | National Centers for Environmental Prediction-Climate Forecast System Reanalysis |
| CMFD | 1979 -2018年 | 0.1°×0.1° | 3 h | 国家青藏高原科学数据中心 |
| CPC | 1979 -2018年 | 0.5°×0.5° | 逐日 | National Oceanic and Atmospheric Administration |
| HAR | 2004 -2018年 | 10 km×10 km | 逐日 | Federal Ministry of Education and Research （BMBF） |
因CMFD在数据制作过程中， 融合了所有中国气象局国家气象信息中心降水观测站点的数据， 因此在青藏高原NEQXP、 NWQXP、 SEQXP和SWQXP极端降水识别过程中， 采用了来自国家青藏高原数据中心—第二次青藏高原综合科学考察研究的8个降水站点的降水数据对CMFD、 CPC和HAR降水资料进行评估（图1 ）。站点降水数据分别在昆莎冰川末端、 孔雀河源、 甲岗雪山、 色林错东岸、 狮泉河源、 塔尔玛乡、 色林错湖畔大营和大冬树垭口（Che et al， 2019）进行观测， 具体数据信息如表2 。需要说明的是， 文中涉及的地图是基于中华人民共和国自然资源部地图技术审查中心标准地图服务系统下载的审图号为GS（2016）1552的中国地图和GS（2016）1611的世界地图制作， 底图无修改。
图1 青藏高原降水观测站点、 地形、 河流的基本分布以及子区域划分Fig.1 Meteorological stations for precipitation data， topography and rivers in Qinghai-Xizang Plateau （QXP） and division of subregions |
表2 站点观测降水数据基本信息Table 2 Information of meteorological stations for precipitation data |
| 站点 | 经度/（°E） | 纬度/（°N） | 海拔/m | 数据时段 |
|---|---|---|---|---|
| 昆莎冰川末端 | 79.95 | 32.02 | 3180 | 2015-10-03/2017-09-19 |
| 大冬树垭口 | 100.24 | 38.01 | 4148 | 2015-09-18/2017-12-31 |
| 塔尔玛乡 | 89.04 | 30.75 | 4790 | 2016-09-15/2017-08-17 |
| 甲岗雪山 | 88.65 | 30.76 | 5165 | 2016-09-14/2017-06-19 |
| 孔雀河源 | 81.10 | 30.46 | 4063 | 2012-07-02/2017-09-15 |
| 色林错河畔大营 | 88.87 | 31.73 | 4525 | 2017-06-29/2017-07-06 |
| 色林错东岸 | 89.37 | 31.75 | 4539 | 2016-09-01/2017-08-17 |
| 狮泉河源 | 81.07 | 32.39 | 4430 | 2012-01-01/2015-12-31 |
3 研究方法
3.1 FLEXPART模型构建及水汽贡献计算方法
利用FLEXPART方法对1979 -2018年NEQXP、 NWQXP、 SEQXP和SWQXP极端降水事件的水汽特征进行了研究。FLEXPART开启区域填充模块， 每6 h从地表至25 km均匀释放100万个质量相同的气块， 气块释放的空间范围为20°S -90°N， 30°W -150°E。将目标区域选取为青藏高原的4个子区域（图1 ）。基于10天的全球水汽循环周期（Trenberth， 1999）， 利用FLEXPART模拟降水发生日期前10天的前向水汽追踪。FLEXPART主要输出的气象参数包括纬度、 经度、 高度（单位： m）、 比湿（单位： g·kg-1）、 温度（单位： ℃）、 风速（单位： m·s-1）、 行星边界层高度（单位： m）等。
式中： m表示气块质量； e和q分别表示气块的水汽增长率和损失率； dq表示单位时间比湿的变化量， 为计算地表A区域的水汽变化情况， 可以通过以下公式（2） 进行计算。
式中： N为区域A上空气块总量； E-P表示A区域的地面水通量， 这个可以通过该区域所有气块的e-p总量， 与该区域N的面积之商得到。需要注意的是， E-P不能单独计算。当降水发生时， 瞬时降水率P≈E-P<0； 当降水没有发生， 瞬时单位面积蒸发率E≈E-P>0（Stohl and James， 2004， 2005）。因此， 当E-P<0， 水汽在该地区下沉， 可能对该地区造成降水； 当E-P>0， 表示该地区的水汽可能会影响到目标区域的降水。
除此之外， 水汽从水汽源地向目标区输送时， 会经历水汽下沉和二次蒸发等过程（Sodemann et al， 2008）， 为充分考虑这些过程， 本文借助Sun and Wang （2014）的算法计算水汽贡献。将水汽源地吸收（uptake）的水汽分为三个部分： （1）在到达目标区域前在输送途中损失（loss）， （2）到达并在研究区上空释放（released）， （3）到达研究区但在研究区上空没有释放（unreleased）， 未释放由公式（3） 计算。
unreleased=uptake-loss-released
3.2 极端降水识别
采用世界气象组织推荐并被广泛应用的百分位阈值方法来识别极端降水事件， 分两个步骤。首先将日降水量计算为NEQXP、 NWQXP、 SEQXP和SWQXP的面积平均降水量； 其次， 当各区域平均日降水量超过所在区域第95百分位（R95th）阈值时则被视为极端降水事件（Qin et al， 2018； 何静等， 2021）。青藏高原积雪季定义为从上一年10月1日到次年的4月30日（雷华锦等， 2020）。从1979 -2018年青藏高原积雪季， 分别为NEQXP、 NWQXP、 SEQXP和SWQXP选择了424起极端降水事件。为表示年极端降水特征， 还计算年极端降水量（单位： mm·a-1）和年极端降水日数（单位： d·a-1）。
3.3 趋势计算及偏差分析
借助均方根误差和平均绝对误差对青藏高原地区的CMFD、 CPC和HAR降水资料进行评估（程立真等， 2020； 闫燕等， 2020）。为计算逐年降水变化情况， 采用世界气象组织推荐经典非参数趋势计算方法， Mann-Kendall（M-K）趋势分析方法（Mohsin and Gough， 2010）， 借助Sen斜率方法来计算逐年降水的变化率（Sen， 1968； Gocic and Trajkovic， 2013）。
4 结果与分析
4.1 偏差分析
CMFD、 CPC和HAR降水资料与8个降水站点逐日降水资料的平均相对误差分别为1.89、 2.95和4.19， 平均绝对误差为0.54、 0.96和1.30， 显然CMFD的降水资料精度更好， CPC次之（表3 ）。从CMFD、 CPC和HAR降水资料在各站点的平均相对误差和平均绝对误差来看， CMFD降水资料在各站点数据精度均优于CPC和HAR。从CMFD在各站点的精度评估差异来看， CMFD在狮泉河源的精度评估最好， 平均相对误差和平均绝对误差均最小， 而在塔尔玛乡和色林错河畔大营的精度相对较差。CPC在甲岗雪山的平均相对误差和平均绝对误差均最小， 分别为1.32和0.39， 而HAR在狮泉河源的精度表现最好。因此， 在下文的极端降水识别中， 均采用CMFD降水资料。
表3 站点观测降水与CMFD、 CPC和HAR逐日降水量偏差分析Table 3 Bias analysis between precipitation of meteorological stations and grid data including CMFD， CPC and HAR |
| 站点 | 平均相对误差 | 平均绝对误差 | ||||
|---|---|---|---|---|---|---|
| CMFD | CPC | HAR | CMFD | CPC | HAR | |
| 昆莎冰川末端 | 1.64 | 1.80 | 3.94 | 0.53 | 0.53 | 1.40 |
| 大冬树垭口 | 2.86 | 3.24 | 5.28 | 0.99 | 1.20 | 2.22 |
| 塔尔玛乡 | 4.47 | 4.62 | 5.81 | 2.65 | 2.93 | 3.35 |
| 甲岗雪山 | 1.30 | 1.32 | 1.98 | 0.38 | 0.39 | 0.56 |
| 孔雀河源 | 1.53 | 3.47 | 4.65 | 0.36 | 1.17 | 1.29 |
| 色林错河畔大营 | 4.06 | 5.75 | 7.89 | 3.36 | 4.18 | 5.07 |
| 色林错东岸 | 3.14 | 5.83 | 5.27 | 2.12 | 3.92 | 2.76 |
| 狮泉河源 | 0.90 | 1.62 | 0.91 | 0.25 | 0.36 | 0.17 |
4.2 极端降水识别及空间分布特征
利用CMFD数据， 计算青藏高原4个子区域1979 -2018年极端降水事件的频次分布。从图2 中可以看到， R95th在NEQXP、 NWQXP、 SEQXP和SWQXP存在明显的差异， 区域平均日降水量R95th分别为0.99， 0.66， 2.99和1.88 mm·d-1， 且南部极端降水强度更大。NEQXP的极端降水事件主要集中在1~2 mm·d-1， 其占该地区降水事件总数的79%； NWQXP地区则有360次极端降水事件的日降水量在0.66~2 mm·d-1。在SEQXP地区， 极端降水事件分布在3~5 mm·d-1共计311次，SWQXP极端降水事件分布在1~2 mm·d-1共计269次， 其中SEQXP和SWQXP日降水量均大于8 mm·d-1， 有25次和13次极端降水事件。
在积雪季， 极端降水在NEQXP、 NWQXP、 SEQXP和SWQXP空间分布不同（图3 ）。借助CMFD数据得到积雪季极端降水后， 在CMFD极端降水发生时， 利用HAR和CPC降水资料也得到了对应极端降水时间的NEQXP、 NWQXP、 SEQXP和SWQXP极端降水平均降水空间分布。从各区域极端降水量级分布来看， 在NEQXP和NWQXP， CMFD数据计算的极端降水的量级显然低于CPC和HAR数据， 而在SEQXP地区则量级最大， SWQXP极端降水量级介于CPC和HAR二者之间。从各区域极端降水空间分布来看， CMFD、 CPC和HAR得到的极端降水的在空间分布保持一致。从NEQXP的平均极端降水来看， 极端降水的高值地区主要分布在该地区东南部的邛崃山附近， 柴达木盆地极端降水较小； 而NWQXP的极端降水主要集中在该地区西北的喀喇昆仑山等大型山区， 藏北高原则极端降水量较小； SEQXP的极端降水高值集中在雅鲁藏布江水汽通道附近， 呈现从东南向西北内陆递减的特点； 而SWQXP的极端降水多集中在喜马拉雅山脉西部。
4.3 极端降水逐年趋势变化
1979 -2018年， NEQXP、 NWQXP和SWQXP的年极端降水量均呈现显著增加的变化趋势， 且至少达到了0.05的置信水平， 但SEQXP的年极端降水量呈现微弱增加的趋势， 且未达到置信水平。NWQXP年极端降水量增幅最大， 为0.78 mm·a-1， 远高于SWQXP的0.47 mm·a-1和NEQXP的0.25 mm·a-1， SEQXP的年极端降水量最小， 为0.18 mm·a-1。从年极端降水量在NEQXP、 NWQXP、 SEQXP和SWQXP逐年分布差异来看， NEQXP的年极端降水量分布差异最小， 标准误差仅为7.9， 最大的是SEQXP地区， 标准误差高达22.5； 各地区年极端降水量最大的年份均发生在2010年以后。NEQXP地区年极端降水量最大的年份为2016年， 年极端降水量为42.8 mm， 最小的年极端降水量发生在1984年， 仅为2.3 mm。在NWQXP地区， 2017年极端降水量最大为54.2 mm。同样， SEQXP地区年极端降水量在2016年最大， 为96.9 mm， 最小的是2014年， 仅为10.3 mm。在SWQXP地区， 年极端降水量在2013年最多， 达76.1 mm， 最少的年极端降水量发生在1990年， 没有极端降水发生（图4 ）。
近40年年极端降水日数的年际变化趋势与NEQXP、 NWQXP、 SEQXP和SWQXP的年极端降水量基本一致。从图5 可以看出， 年极端降水日数的逐年趋势在NEQXP、 NWQXP和SWQXP上均通过了0.01置信水平， 从1979 -2018年呈逐年显著上升趋势。尽管SEQXP的年极端降水日数呈逐年上升趋势， 但未通过显著性检验。NWQXP、 SWQXP和NEQXP的年极端降水日数增长率分别为0.60， 0.20和0.18 d·a-1， 而SEQXP的年增长率较小， 为0.05 d·a-1。从年极端降水日数在NEQXP、 NWQXP、 SEQXP和SWQXP逐年分布来看， NWQXP的年极端降水日数分布差异最大， 标准误差为9.5， SEQXP地区年极端降水日数分布差异最小， 标准误差仅为4.5； 青藏高原西部地区， 年极端降水日数逐年分布差异更明显， 而东部地区的NEQXP和SEQXP分布差异更小。在NEQXP地区， 年极端降水日数在2016年发生最多， 共计25日， 而1984年和1991年发生最少， 仅有2日。NWQXP地区， 年极端降水日数在2003年发生最多， 为31日， 1979、 1980、 1984、 1988、 1989、 1993年的极端降水事件均未发生。SEQXP地区年极端降水日数在2017年发生最多， 有21日， 最少的仅有3日， 发生在2014年。SWQXP的年极端降水日数在2015年发生最多有26日， 1990年未发生。
4.4 极端降水水汽输送量及潜在水汽来源分布
水汽含量可以表示水汽对目标区域的潜在贡献。在积雪季， NEQXP、 NWQXP、 SEQXP和SWQXP的水汽含量表现出显著的空间差异（图6 ）。在NEQXP中， 中亚地区、 河西走廊和伊朗高原南部， 甚至四川盆地都是NEQXP极端降水的潜在水汽源地。除此之外， 水汽含量高值也分布在NEQXP内部， 这表明了本地水汽循环的重要性。新疆地区、 中亚地区、 阿拉伯海北部和红海地区在NWQXP的水汽供应中起着重要作用。
从NEQXP和NWQXP水汽含量分布差异来看， 河西走廊和四川盆地对NEQXP贡献更大， 但对NWQXP几乎没有任何贡献［图6 （a）， （b）］。值得注意的是， SWQXP和SEQXP的平均水汽含量分布具有很大的相似性。水汽含量高值地区在阿拉伯海、 红海、 孟加拉湾、 印度次大陆北部均有分布， 甚至连印度河平原均有零星分布。从SWQXP和SEQXP两地区水汽含量的差异来看， 四川盆地仅为SEQXP提供水汽， 且孟加拉湾平均水汽含量高值区也比SWQXP范围更大且量级更高。
空气块到达目标区前10天E-P可以诊断水汽源地与水汽汇区之间的关系。E-P>0区域表明水汽在该区域上存在净吸收水汽， 因而是目标区域的水汽源地； E-P<0区域表明水汽在该区域上发生下沉， 易形成降水， 因而视作水汽汇区。空气块到达NEQXP前10天E-P>0的区域主要分布在中国西北的新疆地区和河西走廊， 阿拉伯海北部靠近海岸带地区［图7 （a）］； E-P<0的区域主要分布在喜马拉雅山西部和青藏高原西部。空气块到达NWQXP前10天E-P与空气块到达NEQXP前10天E-P的差异表现在： 新疆地区E-P>0的值更大， 同时在阿拉伯海E-P>0的范围更大， 向南延伸更多， 而在帕米尔高原和阿拉伯半岛被视为NWQXP水汽输送重要的水汽汇区。对于NWQXP和NEQXP而言， 阿拉伯海北部和孟加拉湾均是潜在的水汽源地， 但受到高大的青藏高原的阻挡， 在喜马拉雅山脉、 兴都库什山及帕米尔高原附近下沉， 形成较大的水汽汇。空气块到达SEQXP的前10天E-P>0区域主要分布在阿拉伯海北部、 孟加拉湾还有四川盆地， 这些都是重要的水汽源地， 而水汽汇区主要分布在SEQXP内部和喜马拉雅山脉地区。对于空气块到达SWQXP前10天E-P分布而言， E-P>0的分布情况与SEQXP相似， 不同的是四川盆地并未对SWQXP提供水汽， 且SWQXP的水汽汇区在印度半岛的西高止山脉和德干高原的北部也有分布。根据到达研究区前10天空气块E-P分布， 结合地理分区， 将潜在水汽源地分成9个地区［图7 （a）］， 分别包含着阿拉伯海和孟加拉湾地区（A）、 北非和阿拉伯半岛（B）、 地中海地区（C）、 中亚（D）、 NEQXP（E）、 NWQXP （F）、 SEQXP（G）、 SWQXP（H）和中国中南部（I）。
4.5 水汽贡献
在整个大气层中， 阿拉伯海和孟加拉湾地区吸收的水汽， 在NEQXP、 SEQXP和SWQXP极端降水发生时， 水汽吸收的比例是最大的， 北非和阿拉伯半岛对NWQXP的水汽供应比例也很大［图8 （a）］。从大气层中水汽输送途中水汽损失的比例来看， 阿拉伯海和孟加拉湾的水汽损失比例最大， 当NEQXP、 SEQXP和SWQXP发生极端降水时， 阿拉伯海和孟加拉湾的水汽损失比例分别为122.11%、 268.16%和175.57%； 在NWQXP发生极端降水时， 水汽在北非和阿拉伯半岛地区损失的比例最大， 且地中海、 阿拉伯海孟加拉湾和中亚地区的水汽也在水汽输送途中， 也损失了大量的水汽。水汽在海洋水汽源地吸收的规模是巨大的， 但由于从海洋到欧亚大陆内部的运输距离较远， 在大陆水汽输送途中损失的水汽比例较大。SEQXP和SWQXP南侧高大的喜马拉雅山脉， 阻碍了阿拉伯海和孟加拉湾水汽向目标水汽的输送。
在行星边界层中， 从各水汽源地吸收与释放的水汽比例来看， 当NEQXP、 SEQXP和SWQXP发生极端降水时， 从阿拉伯海和孟加拉湾的行星边界层中摄取最多的水汽， 而NWQXP发生极端降水时， 却从北非和阿拉伯半岛的行星边界层中提取最多的水汽。水汽在行星边界层输送途中的损失来看， 当NEQXP、 SEQXP和SWQXP发生极端降水时， 阿拉伯海和孟加拉湾地区的水汽损失最大。在NWQXP发生极端降水时， 北非和阿拉伯半岛行星边界层中水汽的损失比例也最大。在所有水汽源地中， 到达目标区域的水汽但未释放比例最高的水汽来自阿拉伯海和孟加拉湾。
整个大气层中， 阿拉伯海和孟加拉湾的水汽对于SEQXP和SWQXP极端降水的发生贡献占比最大， 分别为44.11%和46.98%（图10 ）， NEQXP和NWQXP的极端降水发生时， 水汽最大贡献分别来自NEQXP和中亚地区。此外， 在NEQXP极端降水的水汽贡献方面， NWQXP、 SEQXP和SWQXP的水汽贡献率较高， 分别为14.1%、 16.4%和13.0%。从NWQXP与NEQXP的水汽贡献差异结果来看， 中亚地区对NWQXP水汽贡献率最高， 高达52.74%， 而中亚地区对NEQXP水汽贡献率远没有对NWQXP那么高， 仅为7.35%； SWQXP和SEQXP两区域对NWQXP的水汽贡献也远小于对NEQXP的水汽贡献。此外， SEQXP极端降水发生时， 受到来自阿拉伯海和孟加拉湾、 SWQXP和本地区充足的水汽供应。从各水汽源地对SEQXP与SWQXP极端降水的水汽贡献差异来看， 中国中南部地区对SEQXP极端降水的水汽贡献为5.33%， 但对SWQXP极端降水的水汽贡献几乎为0； 中亚地区对SWQXP极端降水的水汽贡献率为14.69%， 远高于其对SEQXP极端降水的水汽贡献2.39%； SWQXP对SEQXP极端降水的水汽贡献率为11.41%， 相反SEQXP对SWQXP水汽贡献率仅仅为1.19%。这表明对于SEQXP和SWQXP的极端降水而言， SWQXP更多受到来自研究区西侧的水汽供应， 而SEQXP不仅受到西侧水汽， 还会受到来自中国中南部的水汽补给。
在整个行星边界层中对于NEQXP、 NWQXP、 SEQXP和SWQXP极端降水的水汽总贡献分别占整个大气层的52.14%、 45.90%、 55.90%， 占SWQXP的47.83%， 这表明了整个行星边界层对于水汽贡献的重要性（图11 ）。各水汽源地在行星边界层中的水汽贡献与其在大气层中水汽贡献分布接近。从行星边界层中水汽对于SWQXP和SEQXP极端降水的水汽贡献来看， 阿拉伯海和孟加拉湾仍然对SWQXP和SEQXP的水汽贡献高居首位。从对NEQXP和NWQXP极端降水的水汽贡献来看， NEQXP和中亚地区的水汽供给为主。
4.6 极端降水水汽来源逐年变化情况
从上述结果可以看出， 水汽供应对于极端降水的发生有着重要影响。通过计算所有水汽源地逐年总水汽供应与年极端降水量的相关性来看， 在NEQXP、 NWQXP、 SEQXP和SWQXP上， 年总水汽供给与年极端降水量均呈显著正相关， 均超过0.001的置信水平（图12 ）， 且相关系数均较高， 为高度相关。
其中， NWQXP地区的年极端降水量与总的水汽供应的相关系数最高， r为0.93， 总的水汽供应对SEQXP地区的年极端降水量相关系数第二位， 为0.95。SWQXP年极端降水量与总水汽供给的相关性最小， 但仍高达0.90。这表明， 水汽供应对于NEQXP、 NWQXP、 SEQXP、 SWQXP极端降水的发生， 产生重要的影响。然而， 不同水汽源地的水汽供应是不同的， 同时与年极端降水量之间的关系也是不同的。
通过计算不同地区对NEQXP、 NWQXP、 SEQXP和SWQXP地区极端降水逐年水汽供应与对应地区年极端降水量的相关性， 得到表4 。其中， 对于NEQXP地区， NWQXP、 SWQXP和NEQXP的水汽供应与年极端降水量的发生具有显著且高度的相关性。阿拉伯海和孟加拉湾、 北非和阿拉伯半岛地区、 地中海地区、 中亚地区、 SWQXP和NWQXP水汽供应对于NWQXP的年极端降水量高度相关， 其中北非和阿拉伯半岛地区、 NWQXP和中亚地区的相关性均超过0.9， 分别为0.96、 0.95和0.96。阿拉伯海孟加拉湾和SEQXP的逐年水汽供应与SEQXP地区年极端降水量存在显著且高度的相关性， 其中阿拉伯海和孟加拉湾的相关性最高， 为0.92， SWQXP和中国中南部的水汽供应的相关性高于0.7， 其他区域均低于0.6。对于SWQXP而言， 仅有阿拉伯海和孟加拉湾的水汽供应对SWQXP地区的年极端降水量发生产生显著而高度的相关性， 其中r超过0.7的区域还有北非和阿拉伯半岛地区和SWQXP。
表4 1979 -2018年积雪季各水汽源地逐年水汽供应TWVS与青藏高原四个子区域年极端降水量的相关系数Table 4 The correlation coefficient between annul extreme precipitation and annual total water vapor supply from each water vapor area over four subregions of QXP during snow season from 1979 to 2018 |
| 水汽源地 | NEQXP | NWQXP | SEQXP | SWQXP | 水汽源地 | NEQXP | NWQXP | SEQXP | SWQXP |
|---|---|---|---|---|---|---|---|---|---|
| A | 0.74*** | 0.83 *** | 0.92 *** | 0.89 *** | F | 0.88 *** | 0.95 *** | 0.48** | 0.34** |
| B | 0.47** | 0.96 *** | 0.34** | 0.75*** | G | 0.67*** | 0.37** | 0.81 *** | 0.65*** |
| C | 0.52*** | 0.82 *** | 0.32** | 0.56*** | H | 0.87 *** | 0.80 *** | 0.78*** | 0.73*** |
| D | 0.78*** | 0.96 *** | 0.58*** | 0.57*** | I | 0.64** | 0.36** | 0.72*** | 0.43** |
| E | 0.86 *** | 0.46** | 0.46** | 0.06 |
***表示通过0.001置信度检验， **表示通过0.01置信度检验， *表示通过0.05置信度检验 |
为了更好地分析1979 -2018年水汽源地对NEQXP、 NWQXP、 SEQXP和SWQXP积雪季极端降水的水汽贡献年际变化特征， 分别计算了1979 -2018年NEQXP、 NWQXP、 SEQXP和SWQXP受各水汽源地的年际水汽贡献， 并分析了年际水汽贡献的变化趋势。从图4 和图5 看出， 除SEQXP外， NEQXP、 NWQXP和SWQXP的极端降水事件均呈逐年增加趋势。在各水汽源地对NEQXP极端降水的逐年水汽贡献趋势上， 北非和阿拉伯半岛、 地中海地区、 中亚地区与NWQXP的逐年水汽贡献呈显著增加的趋势， 均通过0.001的置信水平。以上水汽源地均在NEQXP的西部， 是该地区西风带的上风向位置。此外， SEQXP和NEQXP对NEQXP年极端降水量的水汽贡献也在逐年增加， 只是置信度水平较低， 仅通过0.05的置信度检验。各水汽源地对NWQXP与NEQXP的逐年水汽贡献趋势不同的是有更多水汽源地逐年水汽贡献呈显著增加， 包括阿拉伯海和孟加拉湾、 北非阿拉伯地区、 地中海地区、 中亚地区、 NEQXP、 SWQXP以及NWQXP地区， 均对NWQXP逐年水汽贡献呈现高度且显著的增加态势。各水汽源地特别是SEQXP本地和阿拉伯海孟加拉湾地区对于SEQXP极端降水年际水汽贡献未体现出显著增加的趋势， 这有可能是该地区40年极端降水无显著变化的原因。对SWQXP逐年水汽贡献而言， 各地区逐年水汽趋势显著性相对NEQXP和NWQXP的置信度水平较低， 通过0.01置信度， 其中北非阿拉伯半岛地区、 中亚、 SEQXP和SWQXP逐年持续为SWQXP极端降水提供越来越多的水汽。
综合逐年水汽供应和逐年极端降水量相关性结果与逐年水汽供应趋势， 对于NEQXP地区年极端降水量逐年上升的最重要水汽来源是NWQXP。而NWQXP逐年极端降水量显著上升的原因， 是因为阿拉伯海孟加拉湾、 地中海地区、 北非阿拉伯半岛地区、 SWQXP、 中亚和NWQXP逐年持续的水汽供应， 特别是中亚、 NWQXP和北非阿拉伯半岛地区。因SWQXP地区与各地区逐年水汽供应与逐年极端降水量相关性分析整体水平较低， 将中度相关性水汽源地也予以考虑， 结合各区域逐年水汽供应趋势来看， SWQXP和中亚地区逐年的水汽供应是SWQXP地区极端降水量逐年增加最重要的原因。
表5 1979 -2018年积雪季各水汽源地对青藏高原四个子区域极端降水年际水汽供应TWVS的M-K趋势分析Table 5 M-K trend analysis on the annual water vapor supply from each water vapor area to extreme precipitation in four subregions of QXP during snow season from 1979 to 2018 |
| 水汽源地 | NEQXP | NWQXP | SEQXP | SWQXP | 水汽源地 | NEQXP | NWQXP | SEQXP | SWQXP |
|---|---|---|---|---|---|---|---|---|---|
| A | 1.60 | 4.84*** | -0.10 | 1.27 | F | 3.36*** | 4.89*** | -0.15 | 1.47 |
| B | 3.30*** | 5.87*** | -1.00 | 2.02* | G | 2.06* | 1.82 | 0.99 | 2.12* |
| C | 3.88*** | 5.43*** | -1.79 | 1.84 | H | 1.95 | 4.47*** | 0.90 | 2.74** |
| D | 3.58*** | 5.36*** | -0.48 | 3.02** | I | 1.89 | 1.84 | 0.49 | 0.86 |
| E | 2.92** | 3.68*** | 0.00 | 1.46 |
***和粗体表示通过0.001置信度检验， **表示通过0.01置信度检验， *表示通过0.05置信度检验 |
5 讨论
海洋中的水汽在向内陆地区输送过程中， 部分水汽下沉降落在大海， 部分水汽到达并降落到陆地， 地表受热再蒸发到空气中， 参与新的水循环， 这些重要的水汽输送过程对于大陆降水事件有重要的影响。对于青藏高原NEQXP、 NWQXP、 SEQXP和SWQXP的极端降水事件而言， 因其身居大陆内部， 受周围高大山的阻挡， 源于海洋的水汽相对较少， 尤其是NEQXP和NWQXP海洋水汽更难到达， 大陆水汽源地的水汽贡献占据主导。大陆水汽源地对NEQXP、 NWQXP、 SEQXP和SWQXP极端降水事件的贡献率分别为90.54%、 85.27%、 50.83%和50.55%， 这与Huang et al（2018）和Qiu et al（2019）的研究结果一致， 均认为陆地水汽源地贡献更多。
水汽来源对青藏高原降水的影响具有较高的空间异质性。对于NEQXP极端降水产生重要影响不仅有本地的水汽贡献， 还有来自NWQXP、 SWQXP和中亚地区的贡献， 这些地区均处于NEQXP的西风上风向位置， 而且中亚地区对NWQXP极端降水的贡献也是最大的， 显然， 在青藏高原北部积雪季受盛行西风的影响十分重要（Wang et al， 2020a； Guan et al， 2019）。在Sun and Wang（2014）对积雪季90.7%降水事件水汽来源研究中， 发现NWQXP、 中亚、 西伯利亚、 里海和黑海等欧亚大陆地区对青藏高原东北部地区的水汽贡献接近50%。由于与Sun and Wang（2014）对水汽源地具体划分标准的差异， 且仅考虑了其中的极端降水事件， 计算出NWQXP和中亚地区的对NEQXP极端降水的水汽贡献共计21.45%。同时， Qiu et al（2019）研究青藏高原南部地区冬季降水水汽来源， 发现大多数水汽来自青藏高原的南部区域， 且印度半岛对青藏高原南部三个地区的极端降水贡献最大， 阿拉伯海和孟加拉湾稳居第二、 三位， 这与本文研究结果基本一致， 阿拉伯海和孟加拉湾水汽源地对SEQXP和SWQXP极端降水的贡献最大， 而且从本文的水汽源地划分来看， 阿拉伯海和孟加拉湾水汽源地显然包括印度半岛。
中亚地区逐年增加的水汽输送对于NWQXP和SWQXP极端降水上升提供了可能， NEQXP受到NWQXP水汽供应， 而SWQXP受到本地逐年增强的水汽供应， 这可能与中亚和青藏高原逐年升高的气温有关。中亚地区年平均气温呈现上升趋势， 升温速率远超过去的100年（殷刚等， 2017； 陈亚宁和徐宗学， 2004）。其中， 春季、 秋季年平均气温显著增高， 冬季增加气温率为0.239 ℃·（10a）-1， 并预测在未来一段时间气温会持续升高（张影等， 2016）。极端降水在NEQXP、 NWQXP和SWQXP逐月分布来看， 10月和4月占比最大， 3月次之， 这表明积雪季极端降水很大比例集中在秋季和春季。青藏高原作为近百年来全球增暖最显著的地区， 1955 -1996年青藏高原气温上升速率为0.16 ℃·（10a）-1， 远高于北半球同期气温上升速率， 而1998 -2013年气温上升速率持续增加， 高达0.25 ℃·（10a）-1（Yao et al， 2019）， 不仅如此在NEQXP的积雪季气温同样显著上升（管晓祥等， 2021）。这势必会加速冰川消融， 引起冰川的退缩， 造成积雪雪深、 积雪日数显著下降， 积雪反照率降低， 地面吸收能量增加， 地表能量转化加快， 进而加速水汽循环， 引起水循环变化， 进而引起极端降水增加（Yao et al， 2019）。从未来中亚地区和青藏高原气温预估来看， 平均地面气温持续上升且升高强度显著增加， 这表明未来NWQXP、 SEQXP和SWQXP积雪季的极端降水仍有可能继续增加（吴昊旻等， 2013； 周天军等， 2020）。
6 结论
本文借助CMFD识别青藏高原NEQXP、 NWQXP、 SEQXP和SWQXP积雪季极端降水， 并利用FLEXPART模型模拟1979 -2018年青藏高原NEQXP、 NWQXP、 SEQXP和SWQXP极端降水形成的水汽机制差异， 并讨论了青藏高原各区域极端降水逐年上升的原因。主要结论如下：
（1） 1979 -2018年青藏高原NEQXP、 NWQXP、 SEQXP和SWQXP的极端降水变化趋势发现， NEQXP、 NWQXP和SWQXP的极端降水呈显著增加的趋势， 而SEQXP的极端降水增加的趋势并不显著。
（2） 青藏高原NEQXP、 NWQXP、 SEQXP和SWQXP极端降水发生时， 受到主要水汽源地贡献差异明显： NEQXP极端降水发生时， 本地水汽贡献最大， NWQXP则不同， 中亚水汽源地控制了该区域的水汽补给， 而阿拉伯海和孟加拉湾地区为SEQXP和SWQXP极端降水的发生提供最大比例的水汽。
（3） 青藏高原NEQXP、 NWQXP、 SEQXP和SWQXP极端降水的水汽贡献变化趋势发现， NEQXP地区极端降水趋势呈显著增加的原因是NWQXP持续增加的水汽供给； NWQXP极端降水量呈显著上升趋势是由于阿拉伯海孟加拉湾、 地中海地区、 北非阿拉伯半岛地区、 SWQXP、 中亚和NWQXP显著增加的水汽供应， 特别是中亚、 NWQXP和北非阿拉伯半岛地区。SWQXP和中亚地区显著增加的水汽供应造成了SWQXP地区极端降水呈显著上升趋势； 然而， SEQXP年际极端降水未显著增加可能与SEQXP本地和阿拉伯海孟加拉湾地区水汽年际贡献未增加有关， 也可能受到大气环流、 地形等影响。