我國東部典型城市年降水量和小時降水量特征分析

黨皓飛 趙琳娜 王 芳廖文超 林炳青

我國東部典型城市年降水量和小時降水量特征分析

黨皓飛1趙琳娜2王 芳1廖文超3林炳青1

1.福建省氣象科學研究所 2.中國氣象科學研究院災害天氣國家重點實驗室 3.四川省南充市氣象臺

為探討我國大城市降水的特征規律，利用1980～2012年6月1日至8月31日無缺測記錄的北京（54511）、上海（58362）、廣州（59287）三個代表站的逐小時降水資料，運用3年滑動平均法分析典型城市降水的時間分布特征；利用Γ分布函數建立概率分布模型，分析并對比三個典型城市的擬合特征。結果表明，北京、上海、廣州從北向南平均降水量逐漸增大；在時間變化特征上，北京降水量呈現10年左右的波動，上海降水量無明顯波動特征，廣州市降水量呈現7年左右的波動。Γ函數擬合的概率分布，在一定程度上克服了樣本頻率代替概率不可避免的隨機振蕩對估計降水量概率分布的影響，用Γ分布函數概率密度推算得到的降水概率比較符合實際；Γ分布對較小量級小時降水的模擬能力比較弱，對大于5mm的小時降水模擬能力較強；三個典型城市小時降水閾值為20mm所對應的累積概率均在95%左右，因此北京、上海、廣州這三個典型城市有一定概率發生較強量級的降水。

典型城市 小時降水 滑動平均 Γ分布 特征分析

1 概述

城市由于人口密集，社會經濟發展快，地表硬化而滲水能力差，往往一次極端降水事件就會造成巨大人員傷亡和經濟損失。如2012年7月21日，北京及其周邊地區遭遇了61年來最強暴雨及洪澇災害，根據北京市政府災后舉行的災情通報會數據顯示，此次暴雨共造成79人死亡，160余萬人受災，經濟損失高達110多億元。因此，針對不同地域的小時降雨類型及時空分布變化差異問題的研究，總結典型城市的小時極端降水特征，是提高城市防洪、排水排澇能力，減少洪澇災害損失的重要工作。

尤煥苓等[1]使用北京地區1981～2010 年的逐日降水數據，對北京地區20個觀測站極端降水的空間分布特征做了詳細分析，發現該地區不同極端降水的百分位（第90、95 和99 個百分位數）閾值表現出比較相似的空間分布特征規律。王萃萃等[2]研究發現，全國半數以上的城市在1951～2005年期間平均極端降水強度呈明顯增加趨勢，這種結果和華北地區極端降水總的減弱趨勢有明顯的不同[3]，平均極端降水強度在華北東南部城市呈現顯著的增大趨勢。

目前，在對典型城市小時降水的研究中，主要是建立各種函數模型，從模擬和實況的比較中歸納總結出典型城市降水的一般變化規律和典型特征。例如，田付友等[4]從Γ分布入手，建立了極端形狀參數α和尺度參數β的四個典型城市模型，再由特殊到一般推廣至全國518個觀測站，將超過95%累積概率的小時雨量作為極端小時降雨標準，進而研究超過我國極端小時降雨閾值的空間分布特征。本文將該方法運用到對北京、上海、廣州三個典型城市的研究中，通過計算各典型城市降雨累積概率分布結果，歸納總結各個代表站的降水特征和一般規律。

2 資料和分析方法

2.1 資料及處理

本文使用的是由國家氣象信息中心提供的國家級地面氣象站逐小時降水資料，每個整點時次的降水為前一個小時降水累積量。為了研究我國典型城市降水的普遍性特點，我們選取具有代表性的北京（54511）、上海（58362）、廣州（59287）三個站點，并對1951～2013年三個站點的資料進行統計處理，最終建立了1980～2012年無缺測記錄的6～8月份的逐時降水資料序列。

2.2 分析方法

利用分布函數研究降水強度的氣候分布特征可以抓住其較為細微和普遍的變化規律。有研究表明，Γ分布密度函數對小時降水具有很好的描述能力[5-6]。Gregory等[7]指出，有降水的地區不是有較大的形狀參數就是有較大的尺度參數，而不是二者都較大。形狀參數較大的地區稱為“形狀參數主導”區，該區域多持續降水，并且少極端天氣氣候事件；尺度參數較大的地區稱為“尺度參數主導”區，該區域降水多變，并且多極端天氣氣候事件。

因此，本文使用Γ函數從概率的角度來揭示不同區域、不同強度小時降水量出現的可能性，概括出三個典型城市的夏季降水在空間分布上的一般規律。

Γ分布密度函數為：

式中，>0，>0，>0，為形狀參數，為尺度參數，為小時降水量。Γ（）為Γ函數，表達式為：

在對典型城市小時降水的研究中，利用滑動平均法分析各代表站的年代際變化，再根據Γ概率分布及其參數估計計算出三個典型城市的形狀參數和尺度參數，建立北京、上海、廣州的Γ概率分布模型。

3 結果分析

3.1 典型城市降水的年代際變化特征

從圖1可以看出，北京地區降水量的3年滑動平均結果可以分為三個階段：第一個階段為1981～1983年，降水量為一個短暫的偏少型；第二個階段為1984～1997年，降水量呈現出一個14年的偏多型，極大值出現在1995年（551.13mm）；第三個階段為1998～2009年，降水為偏少型，極小值出現在2000年（194.7mm）；第四個階段為2010～2011年，偏多。

從北京地區降水量累積距平（圖2）可以看出，20世紀80年代初期至90年代中期降水量呈上升趨勢，90年代中期至21世紀10年代呈下降趨勢。在80年代中期以前低于平均降水量，80年代中期至21世紀10年代末期均高于平均降水量。1980～1984年為一個較短的平水期，1985～1996年為一個10年左右的豐水期，1998～2010為一個較長的枯水期。枯水期時段略微大于豐水期時段。

圖1 北京站1980～2012年降水量和3年滑動平均降水量時間序列

圖2 北京站1980～2012年降水量累積距平

從圖3可以看出，上海地區降水量的3年滑動平均結果可以分為四個階段：第一個階段（1981～1985年）降水量為偏少型；第二個階段（1986～2002年），除了1989年、1991年、1993年、1995年為偏少，其余時間段都為偏多型。極大值出現在2000年（753.53mm）；第三個階段（2003～2006年），又是一個偏少型，極小值出現在2004年（357.5mm）；第四個階段（2007～2010年）為偏少型。

上海地區降水量累積距平（圖4）表明，20世紀80年代初期至90年代末期降水量呈下降趨勢，90年代末期至21世紀10年代中期降水量呈上升趨勢，21世紀10年代中期至21世紀10年代末期降水量又呈下降趨勢。1980～1985年為枯水期，1986～1995年基本可以看作平水期，1996～2002年為豐水期，2002～2006年為枯水期，2006～2011年為豐水期。

圖3 上海站1980～2012年降水量和3年滑動平均降水量時間序列

圖4 上海站1980～2012年降水量累積距平

從圖5可以看出，廣州地區降水量的3年滑動平均結果可以分為兩個階段：第一個階段是1981～1993年，降水量除了1982年為偏多，其余年份均為偏少型；第二個階段是1994～2010年，除了1999年、2003年、2010年為偏少型，其余年份均為偏多型。

廣州地區降水量累積距平（圖6）表明，20世紀80年代至20世紀90年代初期，降水量呈顯著下降趨勢。20世紀90年代初期至21世紀10年代末期，降水量呈顯著上升趨勢。20世紀80年代中期至21世紀10年中期，降水量均低于平均值。1982～1986年和1988～1992年為顯著的枯水期。1992～1997年和2003～2008年為顯著的豐水期。

圖5 廣州站1980～2012年降水量和3年滑動平均降水量時間序列

圖6 廣州站1980～2012年降水量累積距平

對比圖1、圖3和圖5可以發現，北京、上海、廣州三個典型城市從北向南年平均降水量逐漸增大。1980～2012年間北京降水量呈現10年左右的波動周期；上海市降水量隨機性較大，無明顯的周期特征；廣州市降水呈現7年左右的波動。

3.2 典型城市小時降水的Γ概率分布模擬

即為該降水閾值區間的累積概率，和分別為降水閾值的最小和最大值。

表1 各典型城市α值和β值的站點信息

Gregory等[7]的研究結果表明，在有降水發生的地區如果其形狀參數較大，那么其尺度參數就很小；如果其尺度參數較大，那么其形狀參數就很小；如果形狀參數和尺度參數都較大，則該地區發生降水的概率就很小。形狀參數比較大的區域被定義為“形狀參數主導區”，在此區域內極端天氣事件發生較少，持續降水發生較多；尺度參數比較大的區域被定義為“尺度參數主導區”，在此區域內極端天氣事件發生較多，同時降水情況復雜多變。表1給出了各個典型城市的站點信息和形狀參數、尺度參數值，可以發現三個典型城市基本上都屬于尺度參數主導。

圖7 北京Γ函數概率密度分布（a）、實況與擬合累積概率密度函數分布（b）

圖8 上海Γ函數概率密度分布（a）、實況與擬合累積概率密度函數分布（b）

圖9 廣州Γ函數概率密度分布（a）、實況與擬合累積概率密度函數分布（b）

形狀參數和尺度參數的分布決定了Γ分布，在求得典型城市的形狀參數和尺度參數之后，對比模擬和實況發現，模擬和實況二者之間具有很好的一致性，說明Γ分布可以很好地描述小時降水的概率分布特征。圖7a、圖8a和圖9a中柱狀圖為實況觀測降水的頻率分布，黑色曲線為根據形狀參數和尺度參數獲得的Γ分布。圖7b、圖8b和圖9b為對應的實況和模擬小時降水的累積概率密度分布曲線。

對比圖7a、圖8a和圖9a可以發現，北京小時降水主要集中在11mm以內，上海小時降水主要集中在12mm以內，廣州小時降水主要集中在18mm以內。

從圖7b、圖8b和圖9b可以發現，北京0.1mm降水的模擬累積概率為0.32，上海和廣州的都在0.25左右；而三個典型城市0.1mm左右降水的實際累積概率則比較接近，都在0.52附近。這說明Γ分布對較小量級小時降水的模擬能力比較弱。隨著小時降水量級的逐漸增大，模擬累積概率與實際累積概率越來越趨于一致，兩條曲線基本都在累積概率為0.85附近相交，所對應的小時降水強度為5mm左右，說明Γ分布對大于5mm的小時降水模擬能力較強。

對比三個典型城市的最大累積概率模擬結果可知，上海市極端小時降水的模擬和實際結果最為接近，三個典型城市小時降水閾值為20mm所對應的累積概率均在95%以上，隨后累積概率的增長速度逐漸變緩；小時降水閾值為40mm的實際累積概率為99%，但仍然有1%左右的概率發生40mm以上的降水，這也表明，北京、上海、廣州這三個典型城市發生較強量級降水概率是存在的。

4 結論

（1）北京20世紀80年代初期至90年代末期降水量呈上升趨勢，90年代末期至21世紀10年代呈下降趨勢。上海20世紀80年代初期至90年代末期降水量呈下降趨勢，90年代末期至21世紀10年代中期降水量呈上升趨勢，21世紀10年代中期至21世紀10年代末期降水量又呈下降趨勢。廣州20世紀80年代至20世紀90年代初期，降水量呈顯著的下降趨勢。20世紀90年代初期至21世紀10年代末期降水量呈顯著的上升趨勢。

（2）北京、上海、廣州從北向南平均降水量逐漸增大。1980～2012年間北京降水量呈現10年左右的波動，上海降水量無明顯波動特征，廣州市降水量呈現7年左右的波動。

（3）Γ函數擬合的概率分布，在一定程度上克服了樣本頻率代替概率不可避免的隨機振蕩對估計降水量概率分布的影響。用Γ分布函數概率密度推算得到的降水概率比較符合實際。

（4）Γ分布對較小量級小時降水的模擬能力比較弱，對大于5mm的小時降水模擬能力較強。三個典型城市小時降水閾值為20mm所對應的累積概率均在95%左右，北京、上海、廣州這三個典型城市有一定概率發生較強量級的降水。

[1] 尤煥苓, 劉偉東, 任國玉. 1981-2010年北京地區極端降水變化特征[J]. 氣候與環境研究, 2014, 19(1): 69-77.

[2] 王萃萃, 翟盤茂. 中國大城市極端降水事件變化的初步分析 [J]. 氣候與環境研究, 2009, 14(5): 553-560.

[3] Zhai Panmao, Chao Qingchen, Zou Xukai. Progress in China’s climate change study in the 20th century[J]. Journal of Geographical Sciences, 2004, 14(s1): 3-11.

[4] 田付友, 鄭永光, 毛冬艷, 等. 基于Γ函數的暖季小時降水概率分布[J]. 氣象, 2014, 40(7): 787-795.

[5] Li L, Zhu Y J, Zhao B L. Rain rate distribution for China from hourly rain gauge data[J]. Radio Science, 1998, 33(3): 553-564.

[6] Wilks D S. Statistical methods in the atmospheric sciences[M]. California: Academic Press, 2006: 627.

[7] Gregory J Husak, Joel Michaelsen, Chris Funk. Use of the gamma distribution to represent monthly rainfall in Africa for drought monitoring applications[J]. International Journal of Climatology, 2007(27): 935-944.