Page 17 - 《高原气象》2025年第5期

5 期 曹晓云等：近40年青藏高原雪深变化及对气候变化的响应分析 1135
据包含月、 日、 小时尺度的降水、 2 m 气温、 2 m 比
湿、 10 m 风速、 近地面气压、 向下长波辐射和向下
短波辐射 7个变量， 空间分辨率为 1/30°。由于该数
据集在研制过程中融合了可靠的站点观测数据、 高
分辨率模型模拟结果、 再分析数据等， 相比于目前
主流的再分析数据具有更高的精度， 因此被广泛应
用于第三极地区气候分析和陆面、 水文、 生态相关
的模型输入（张群慧等， 2024）。本文选取 1979 -
2020 年每年 10 月至次年 5 月逐日的降水、 2 m 气温
图1 青藏高原海拔和流域分布
Fig. 1 Elevation and watershed distribution on the 数据进行分析， 从国家青藏高原科学数据中心可免
Qinghai-Xizang （Tibetan） Plateau 费 获 得（https： //data. tpdc. ac. cn/zh-hans/data/
表1 青藏高原流域信息 44a449ce-e660-44c3-bbf2-31ef7d716ec7）， 精度满
Table 1 The Information of the Qinghai-Xizang 足科学研究需求。
（Tibetan） Plateau Basin （3） DEM数据

序号 代码 流域 DEM 采用 SRTM 90 m 空间分辨率的数据， 从
1 YZ 长江流域 地 理 空 间 数 据 云 可 免 费 获 得（https： //www. gs‐
2 YE 黄河流域 cloud. cn/）。通过预处理， 重采样和重投影成与雪
3 HX 黑河流域 深数据一致的空间分辨率和投影， 之后， 将海拔从
4 QD 柴达木盆地 0~8. 8 km 按 2 km、 2. 5 km、 3 km、 3. 5 km、 4 km、
5 MK 湄公河流域 4. 2 km、 4. 4 km、 4. 6 km、 4. 8 km、 5. 0 km、 5. 2 km、
6 SW 怒江流域 5. 5 km、 6. 0 km、 >6. 0 km划分为 14级（图 1）， 用来
7 BM 雅鲁藏布江流域 精细化探究不同海拔梯度和平均雪深时空变化特
8 GA 恒河流域 征之间的关系。
9 AD 阿姆河流域 2. 3 研究方法
10 ID 印度河流域 （1） Theil-Sen Median趋势分析
11 TR 塔里木盆地 本文中定义每年积雪季为上年 10 月 1 日至当
12 IP 高原内陆流域 年 5 月 31 日。对积雪季的雪深、 气温和降水利用
Theil-Sen Median 方法进行趋势分析（黄嘉佑等，
器的星载被动微波亮度温度数据进行了交叉订正。 2015）。Sen斜率计算公式如下：
之后， 对交叉定标后具有时间一致性的 SMMR Sen = Median ( i - j ) ，∀i > j （1）
x i - x j
（1979 -1988 年）、 SSMI（1988 -2008 年）和 SSMI/S
（2009 -2020 年）逐日被动微波亮度温度数据采用 式中： x i 和 x j 为时间序列数据； Median（）表示序列
Che算法进行雪深反演。反演得到的中国雪深长时 中位数； Sen>0表示随时间呈增大趋势； Sen<0表示
间序列数据集以 ASCII 格式存储， 采用 WGS84 投 随时间呈减小趋势。
影， 空间分辨率为 25 km， 时间分辨率为 1日。本文 （2） Mann-Kendall检验
选取 1979 -2020 年每年 10 月至次年 5 月逐日雪深 基于 Mann-Kendall（M-K）非参数检验法（黄嘉
数据进行分析， 可从时空三极环境大数据平台可免 佑等， 2015）对积雪季的雪深、 气温和降水趋势进
费 获 得（https： //poles. tpdc. ac. cn/zh-hans/data/ 行显著性检验， 并对 1980 -2020年积雪季青藏高原
df40346a-0202-4ed2-bb07-b65dfcda9368/）， 精 度 平均雪深的突变情况进行了检验， 分析平均雪深发
满足科学研究需求。 生的变化趋势， 给定显著性水平 0. 01， 即 u 0. 05 =
（2） 第三极地面气象要素驱动数据集 1. 96。M-K非参数检验的计算公式为：
本文所用到的气象要素数据来自“第三极地区 n - 1 n
S = ∑∑ sgn ( x i - x j ) （2）
长时间序列高分辨率地面气象要素驱动数据集 i = 1 j = i + 1
（TPMFD， 1979 -2022 年）”（阳坤等， 2023）。该数 式中：