1959—2016年華南地區極端降水事件變化特征*

戴聲佩，羅紅霞，李茂芬，李海亮，鄭 倩，胡盈盈

（1.中國熱帶農業科學院科技信息研究所，海南海口 571101；2.海南省熱帶作物信息技術應用研究重點實驗室，海口 571101；3.農業農村部農業遙感重點實驗室，北京 100081）

0 引言

極端降水事件是指在某一時間段內降水量值或統計量顯著偏離其平均態、且達到或超出其觀測或統計量值區間上下限附近特定閾值的事件[1]，在統計意義上屬于不易發生的小概率事件[2]。由于極端降水事件具有突發性強、不可預見性明顯等特征[3]，在全球氣候變暖背景下，極端降水事件的頻繁發生將對自然生態系統和人類社會帶來極大的損害[4,5]，極端降水事件發生時空分布特征及影響成為當前全球氣候變化研究的熱點領域[6,7]，已引起公眾和國內外學者的廣泛關注[8,9]。

IPCC 第五次評估報告指出，伴隨著近100 多年來的全球變暖，大氣和海洋升溫、海平面上升、冰雪量下降、溫室氣體濃度增加等現象明顯增加[3]，極端降水天氣也頻繁出現[10,11]。近50 多年來，全球陸地中高緯度極端降水事件增加趨勢明顯[12]，并且呈現出變化模式復雜、區域差異明顯的特點[1]，其中北美洲、南美洲南部、歐洲西北部、亞洲東部等區域極端降水事件呈增加趨勢，南美洲北部、非洲和大洋洲中部等區域極端降水事件變化不明顯，部分區域有減少趨勢[3,8,12]，中國區域極端降水事件與全球變化基本一致，但存在區域差異[13,14]。國內學者分析了中國不同區域、不同流域的極端降水事件，如華北地區和東北地區極端降水事件呈減少趨勢[15,16]，西北地區夏季極端降水頻率增強[17,18]，西南地區呈上升趨勢但不顯著[19,20]，東部地區極端降水呈現“南增北減”趨勢[21]。此外眾多學者對黃土高原[22]、橫斷山脈地區[23]、長江流域[24]、珠江流域[25]、淮河流域[9,26,27]，以及新疆[28]、西藏[29]等區域的極端降水進行了許多重要研究，極大地豐富了全球氣候變化研究內容和范圍。

華南地區擁有豐富的熱量和水分資源[30]，適宜發展多種農業生產以及熱帶經濟作物，對全球變化的敏感性較高[31]。在全球變化背景下，該地區農業氣候資源發生了顯著的變化，對農業生產和社會經濟發展帶來一些影響[32,33]，特別是該區域每年5—11月份的雨季大量降水，造成年內降水嚴重不均勻，伴隨著臺風，極易發生嚴重的暴雨和洪澇災害[34-36]。目前已有關于文章研究區域極端降水變化的研究主要集中在前后汛期降水強度和變化趨勢[34,37,38]、降水概率分布特征[36]、降水頻次[39,40]以及環流因素對極端降水發生的影響[41,42]等方面，考慮多種極端降水指數分析研究區極端降水的綜合研究有待進一步發展。因此，文章利用氣象站點逐日降水數據，計算了11種極端降水指數，分析了我國華南地區極端降水事件的時空變化特征，探討了影響極端降水指數的因子，及其與年總降水量、大尺度大氣環流的關系，并預測了未來研究區域極端降水事件變化趨勢，以期為區域水資源可持續利用和防災減災提供參考。

1 數據與方法

1.1 研究區域

華南地區范圍介于北緯18°6′～28°26′和東經104°27′～120°30′（圖1），在行政區劃上包括福建省、廣東省、廣西壯族自治區、云南省和海南省，以及香港和澳門特別行政區。華南地區屬熱帶、亞熱帶季風氣候，氣候溫暖濕潤，雨熱同季，年均氣溫21.40 ℃，降水量1 900.20 mm[43]，珠江是研究區域內徑流量最大的河流，徑流年內分配極不均勻，4—9月汛期徑流量約占全年的80%左右[25,44]。該區域是我國農作物晚三熟和熱三熟區域，糧食作物主要有水稻、旱稻、小麥、番薯、木薯、玉米等，經濟作物主要有熱帶水果、橡膠、甘蔗、麻類、花生、芝麻、茶等，是我國重要熱帶經濟作物種植生產基地。

圖1 研究區氣象站點分布

1.2 數據來源

為保證數據的完整性和連續性，選取1959—2016 年研究區域內72 個資料序列較長的地面氣象站點（圖1）逐日降水實測數據，來源于國家氣象科學數據共享服務平臺（http://data.cma.cn/），時間段 為1959 年1 月1 日至2016 年12 月31 日，該 數 據經過了較為嚴格的質量控制，包括極值檢驗、時間一致性檢驗和均一化檢驗。大尺度大氣環流指數數據來源于美國國家海洋和大氣管理局（National Oceanic and Atmospheric Administration, NOAA） 地球系統研究實驗室（Earth System Research Laboratory, ESRL）（https://www. esrl. noaa. gov/psd/data/climateindices/list/）和中國國家氣候中心氣候系統數據集（http://cmdp.ncc-cma.net/Monitoring/cn_index_130.php）。NCEP/NCAR 再分析數據（1948 年至今）來源于美國國家環境預報中心（National Centers for Environmental Prediction, NCEP）和美國國家大氣研究中心（National Center for Atmospheric Research, NCAR）聯合制作的同化資料集（https://climatereanalyzer.org/），選取其中500 hPa 位勢場高度、風速、水汽通量、氣溫等4 個要素。數字高程（Digital Elevation Models, DEM）數據采用美國地質調查局（U.S. Geological Survey,USGS）發布的全球90 m空間分辨率DEM數據；研究區邊界數據采用國家基礎地理信息中心（http://www.ngcc.cn/ngcc/）發布的1∶400萬中國行政區劃數據。

1.3 研究方法

對于極端降水指數指標的確定，采用11 種極端降水指數，其具體名稱及定義如表1 所示，其定義標準是基于世界氣象組織氣候委員會（World Meteorological Organization′s Commission for Climatology, WMOCCl）、氣候變化及可預報性計劃（Climate Variability and Predictability,CLIVAR）以及海洋學和海洋氣象學聯合技術委員會（Joint Technical Commission for Oceanography and Marine Meteorology,JCOMM）聯合推薦的“氣候變化檢測和指標”（http://etccdi.pacificclimate.org/），這些指數反映了極端降水的各方面，廣泛應用于極端降水的評估和應用。這11 種極端降水指數大致分為3 個類型，第一類為降水強度指數，包括降水強度（SDII）；第二類為極端降水量指數，包括濕天降水總量（PRCPTOT）、最大1d 降水量（RX1day）、連續5d 最大降水量（RX5day）、非常濕天降水量（R95p）、極端濕天降水量（R99p）；第三類是極端降水日數指數，包括中雨日數（R10）、大雨日數（R20）、強降水日數（R50）、持續干燥日數（CDD）、持續濕潤日數（CWD）。

表1 極端降水事件指標的定義

對于極端降水指數的計算，采用加拿大氣象研究中心（Climate Research Branch of Meteorological Service of Canada,CMC）基于R 語言開發的RclimDex 1.0 軟件進行計算，RclimDex 可用于計算多種極端降水和極端氣溫指數。首先利用MATLAB 編程對原始下載數據進行預處理，形成符合RclimDex 運行的文件存儲格式的預處理數據，并對缺測值進行統一設置；其次利用RclimDex 軟件對預處理數據進行一致性檢驗和質量控制，并人工檢查數據錯誤記錄；最后，在R 語言編輯器下運行RclimDex 軟件，計算得到極端降水指數結果。

對于極端降水事件的時間變化分析，通過利用氣候傾向率法計算各站點不同極端降水指數的氣候傾向率來進行趨勢分析[22]。氣候傾向率大于零時表示極端降水事件呈上升趨勢，反之呈下降趨勢。對于極端降水事件的空間變化分析，通過ArcGIS 繪制華南地區極端降水指數變化傾向率空間分布圖，進而分析極端降水事件的空間特征。對于極端降水事件的因子分析，采用基于SPSS 的因子分析方法分析影響極端降水指數的因子[44]，并利用相關分析方法、連續小波分析、交叉小波分析和小波相干分析極端降水指數與年總降水量、大尺度大氣環流指數的機理關系[23]。對于未來極端降水變化趨勢分析，利用R/S分析方法計算Hurst指數來預測未來研究區域極端降水事件變化趨勢[25]。

2 結果與分析

2.1 極端降水的時間變化

從年際時間尺度上來看，1959年以來，研究區降水強度指數SDII呈現較明顯的增加趨勢（圖2a），其變化傾向率為0.34 mm/d/10a，通過P=0.01 顯著性水平檢驗。極端降水量指數（PRCPTOT、RX1day、RX5day、R95p、R99p）均呈現增加趨勢（圖2b-f），其變化傾向率分別為19.96 mm/10a、2.06 mm/10a、3.22 mm/10a、17.46 mm/10a和7.23 mm/10a，但增加趨勢不明顯，均未通過P=0.01顯著性水平檢驗。極端降水日數指數（R10、R20、R50、CDD、CWD）中除持續濕潤日數CWD呈減少趨勢以外，其他指數也呈現微弱增加趨勢（圖2g～k），其變化傾向率分別為0.31 d/10a、0.48 d/10a、0.19 d/10a、0.09 d/10a和-0.11 d/10a。

從年代際時間尺度上來看，20 世紀60 年代以來，研究區極端降水事件年代際變化與其年際變化趨勢基本一致（圖2，表2）。降水強度指數SDII 呈現波動增加趨勢（圖2a、表2），其值從20 世紀60 年代的14.73 mm/d 增加到2000—2016 年的16.36 mm/d。極端降水量指數（PRCPTOT、RX1day、RX5day、R95p、R99p）從20 世紀60 年代開始出現增加趨勢（圖2b-f、表2），并于2000—2009 年或2000—2016 年達到高值。極端降水日數指數（R10、R20、R50、CDD、CWD）中除持續濕潤日數CWD 呈減少趨勢以外，其他指數也從20世紀60年代開始呈現微弱增加趨勢（圖2g-k、表2）。總體來看，研究區極端降水事件年代際變化呈現增加趨勢，但并不明顯。

表2 極端降水事件年代際變化

圖2 1959—2016年研究區極端降水事件時間變化

2.2 極端降水的空間變化

從空間尺度上來看，研究區內65個站點降水強度指數SDII氣候傾向率大于零（圖3a、表3），表明其整體呈較明顯的增加趨勢，其中9 個站點通過了P=0.01 顯著性水平檢驗，分布在海南、廣西和福建。而在廣東、廣西、福建等地區存在7個站點呈下降趨勢。

極端降水量指數（PRCPTOT、RX1day、RX5day、R95p、R99p）均呈現增加趨勢（圖3b-f），其氣候傾向率大于零的站點比例分別為61%、67%、61%、78%和67%（表3），但其通過顯著性檢驗的站點較少，表明其增加趨勢不明顯。PRCPTOT 增加的地區主要分布在福建、廣東、海南和廣西的沿海地區，在廣西和廣東中部地區則呈下降趨勢。RX1day和RX5day變化的空間特征相似，減少趨勢都分布在廣東中東部，但RX1day在廣西地區大多呈增加趨勢，而RX5day在廣西中部地區則呈現減少趨勢。R95p和R99p變化的空間分布基本一致，均表現為廣東中部和廣西部分站點呈下降趨勢，其他區域增加趨勢明顯。

極端降水日數指數中R20、R50、CDD 呈增加趨勢的站點個數分別為54 個、53 個和48 個，約占站點總數的比例分別為75%、74%和67%（表3），三者總體都呈增加趨勢，個別站點通過顯著性檢驗，但存在區域差異，R20和R50增加區域主要分布在福建北部和海南，廣東和廣西地區增加和減少的站點混合分布，趨勢不明顯；CDD 與前者相反，減少的區域分布在福建北部和海南，廣東和廣西中部則呈增加趨勢（圖3h～j、表3）。R10和CWD的空間變化趨勢基本一致，都表現為研究區西北部站點呈明顯下降趨勢，分別有51%和68%的站點，東南沿海站點呈增加趨勢（圖3g、表3）。

圖3 1959—2016年研究區極端降水事件空間變化

表3 極端降水事件變化趨勢統計

2.3 影響極端降水的因子

基于SPSS 因子分析方法分析了影響極端降水指數的因子，計算各因子的特征值及方差貢獻率（表4），根據特征值大于0.9，提取了3 個公共因子，其累積方差貢獻率為90.01 %，進一步提取3 個公共因子的載荷矩陣（表4），第1個公共因子方差貢獻率最大，為64.97%，是最重要的影響因子，該因子在R99p、RX1day、RX5day、R95p 和SDII 這5項指標上較其他公共因子載荷系數較高，分別為0.97、0.95、0.84、0.82 和0.81，反映了極端降水事件與極端降水量指數和降水強度指數很好的相關性；第2 公共因子方差貢獻率次之，為16.64%，該因子在R10、R20、PRCPTOT、CWD 和R50指標上的載荷系數較高，分別為0.94、0.89、0.86、0.78和0.69，表明極端降水日數指數和降水量指數對極端降水事件影響較大；第3公共因子方差貢獻率為8.40 %，其中CDD 載荷系數較高，為0.97，反映了極端降水事件中持續的干燥變化。

表4 極端降水事件因子分析

3 討論

3.1 極端降水與年降水量的關系

通過分析1959—2016 年極端降水事件與年總降水量的相關系數（表5），除持續干燥日數（CDD）以外，其他極端降水指數與年總降水量均表現出良好的相關性，均通過了P=0.01 顯著性水平檢驗，其中R10、R20和R50，3個極端降水指數與年總降水量的相關系數超過0.93，表明這些指標能很好地指示年總降水量的變化情況。除CDD 指數以外，其他指數之間也存在很好的相關關系（表5）。進一步分析1959—2016 年極端降水指數（R95p、R99p）對年總降水量的貢獻情況（圖4），R95p、R99p 對年總降水量的貢獻平均比例分別為29.7%和9.9%，并且呈一定的增加趨勢，表明年總降水量中極端降水的比例增加。

圖4 1959—2016年R95p和R99p對降水量的貢獻比例

表5 極端降水事件與總降水量的相關系數

3.2 極端降水與大氣環流的關系

選取北極濤動（AO）、多元ENSO 指數（MEI）、北大西洋濤動（NAO）、南方濤動指數（SOI）、太平洋年代際振蕩（PDO）、北方濤動指數（NOI）、印度副高面積強度指數（ISHII）、南海副高強度指數（SCSSHII）和西太平洋副高強度指數（WPSHII）等9 個大尺度大氣環流指數，計算其與極端降水指數的相關系數（表6），分析大尺度大氣環流對極端降水事件的影響。由表7 可知，除CDD以外，NAO 與極端降水指數均呈負相關，其中與RX1day（R2=-0.26，P＞0.05）、RX5day（R2=-0.29，P＞0.05） 和R99p （R2=-0.28，P＞0.05）之間的相關性較好，表明NAO對極端降水事件具有明顯的影響，相關研究也表明NAO 異常變化與我國天氣氣候關系密切[45]。WPSHII（110°E-180°E）代表了夏季北半球表面的1/4，SCSSHII（100°E-120°E）代表了南海區域的環流強度，兩者是東亞夏季風氣候系統的重要組成部分[22]。該研究中，SCSSHII 和WPSHII 與極端降水指數具有正相關關系（表6），其中與SDII、RX1day、RX5day和R99p的相關性較強，通過了P=0.05顯著性水平檢驗，表明SCSSHII和WPSHII對研究區極端降水事件具有明顯貢獻。

表6 極端降水事件與大氣環流指數的相關系數

表7 極端降水事件變化趨勢區域比較

對1959—2016 年極端降水指數RX1day、RX5day、R99p 和大氣環流指數NAO、SCSSHII、WPSHII進行連續小波變換，生成各時間序列的連續小波功率譜（圖5），粗黑色實線圈的區域是通過了95 %置信水平檢驗，錐形細黑色實線為小波影響錐區域（Cone Of Influence, COI），表示連續小波變換的數據邊緣效應影響較大的區域。從圖5 可以看出，極端降水指數RX1day、RX5day、R99p 和大氣環流指數SCSSHII、WPSHII 存在明顯的4 年的主周期，并且通過了95%置信水平的紅噪聲檢驗。圖6和圖7 分別為1959—2016 年極端降水指數RX1day、RX5day、R99p 和大氣環流指數NAO、SCSSHII、WPSHII之間的交叉小波變換和小波相干譜，圖中箭頭方向反映了兩者相位關系，箭頭從左指向右表示兩者同相位，從右指向左表示兩者反相位。由圖6 可知，極端降水指數RX1day、RX5day、R99p 和大氣環流指數NAO、SCSSHII、WPSHII之間的共振主周期為4 年，在此頻域上存在顯著的共振關系，且振蕩的凝聚性和相干性最強（圖7）。此外，極端降水指數RX5day、R99p 和大氣環流指數NAO、SCSSHII、WPSHII之間還存在一個12年左右的共振次周期。

圖5 1959—2016年極端降水指數RX1day、RX5day、R99p和大氣環流指數NAO、SCSSHII、WPSHII的連續小波功率譜

圖6 1959—2016年極端降水指數RX1day、RX5day、R99p和大氣環流指數NAO、SCSSHII、WPSHII的交叉小波譜

圖7 1959—2016年極端降水指數RX1day、RX5day、R99p和大氣環流指數NAO、SCSSHII、WPSHII的交叉相干譜

為了進一步分析大尺度環流的時空變化情況及其對極端降水的可能影響，選取1959—2016 年NCEP/NCAR 再分析數據（1948年至今）中500 hPa 位勢場高度、風速、水汽通量和氣溫數據，生成1987—2016年與1959—1986年之間夏季和冬季位勢場高度、風速、水汽通量、氣溫的變化差值圖（圖8）。由圖8a可知，夏季在北緯40°、東經100°附近500 hPa 高空處位勢場高度差最大，超過25 位勢米，在以蒙古高原為中心的歐亞大陸形成一個持續增強的反氣旋環流（40°N100°E附近），表明1987—2016年較1959—1986年東亞夏季風更為強烈。同時1987—2016 年較1959—1986 年我國北方的東北風增強（圖8a），這反過來減弱了來自海洋的西南氣流的北上，使得我國南方地區水汽通量增加、北方地區水汽通量減少（圖8c），進而導致華南地區平均降水及極端降水呈現增加趨勢。在冬季，以蒙古高原和中國東北部為中心的增強型反氣旋環流（40°N125°E 附近）與以歐亞大陸為中心的減弱型氣旋環流（40°N125°E 附近）的差異更加顯著（圖8b），表明1987—2016年較1959—1986年冬季西風有所增強。同時1987—2016年較1959—1986年蒙古北部的西南風增強（圖8b），反過來削弱了來自大陸的冬季風的南下，減少了冷空氣的入侵，從而導致我國大部分地區冬季的快速升溫（圖8d）。

圖8 1987—2016年與1959—1986年夏季（a、c）和冬季（b、d）位勢場高度、風速、水汽通量、氣溫的變化差值

3.3 極端降水的區域差異比較

通過與其他區域極端降水變化趨勢進行比較（表7），除CDD 以外，華南地區其他極端降水指數與全球[1]、中國[46]、西北地區[47]、西南地區[20]的變化趨勢基本一致，但其變化幅度明顯高于這些區域，與東北地區的變化趨勢相反[16]。其中降水強度指數（SDII）增加趨勢明顯高于其他地區，其可能原因是隨著全球大氣、海洋和地面溫度的升高，陸地和海洋蒸散發加強，使得大氣保持水分能力增強，明顯改變極端降水的頻率和強度[1]。

與長江流域[48]、淮河流域[27]、珠江流域[25]和黃土高原[22]、橫斷山脈地區[23]的極端降水指數相比較，其變化趨勢較復雜，沒有表現出明顯的一致性，這是由于不同流域和不同地理單元內氣候條件和地形地貌復雜，造成與華南地區對比性較差[27]。此外，從前文結果表明，華南地區極端降水在區域內部存在空間分布差異，一是由地形因素引起，華南地區地形北高南低，其間廣布丘陵盆地，東南部為珠江流域沖積平原，這種地形有利于水汽向內地輸送，同時研究區北部山脈又阻擋了來自南部的暖濕氣流，造成區域內部極端降水差異大[25]；二是由水汽來源造成，華南地區距離南海、太平洋、印度洋等水汽來源地近，造成研究區降水豐沛，易于形成極端降水事件，特別是對于研究區中部和南部的影響更明顯[44]。

3.4 極端降水的未來變化趨勢

利用R/S 分析方法計算Hurst 指數和分形維數D 來預測未來研究區域極端降水事件變化趨勢（表8），結果表明PRCPTOT、R10、R20、R50和CDD等指數的Hurst指數均小于0.5，分形維數D均大于1.5，表示其時間序列的反持續性，這幾項指標過去均為增加的趨勢，預示未來將呈現減少趨勢，并且其反持續性較強。R95p的Hurst指數為0.5，分形維數為1.5，說明其時間序列相互獨立，呈隨機變化，未來變化趨勢與過去變化趨勢無關。SDII、RX1day、RX5day、R99p和CWD等極端降水事件的Hurst指數均大于0.5，分形維數均小于1.5，表明時間序列的持續性，未來變化趨勢與過去的變化趨勢相同，即SDII、RX1day、RX5day 和R99p 等指數未來呈現增加趨勢，而CWD 過去為減少趨勢，未來仍將呈下降趨勢，但其持續性較弱。

表8 極端降水事件變化的Hurst指數

4 結論

選用1959—2016年華南地區72個資料序列較長的地面氣象站點逐日降水實測數據，利用MATLAB 和基于R 語言開發的RClimDex（1.0）軟件計算了研究區11 種極端降水指數，分析了1959—2016 年研究區極端降水事件的時空變化特征；采用相關分析、基于SPSS 的因子分析方法及小波分析方法，探討了影響研究區極端降水指數的因子，及其與年總降水量、大尺度大氣環流的關系；并利用R/S 分析方法計算Hurst指數預測了未來研究區域極端降水事件變化趨勢，得出主要結論如下。

（1）從時間尺度上來看，1959 年以來，研究區極端降水事件呈現增加趨勢，降水強度指數SDII 變化傾向率為0.34 mm/d/10a；極端降水量指數（PRCPTOT、RX1day、RX5day、R95p、R99p）變化傾向率分別為19.96、2.06、3.22、17.46和7.23 mm/10a；極端降水日數指數（R10、R20、R50、CDD、CWD）中除持續濕潤日數CWD 呈減少趨勢以外，其他指數也呈現微弱增加趨勢。從空間尺度上來看，研究區極端降水指數總體呈增加趨勢，存在明顯的空間差異。

（2）基于因子分析方法提取了3 個公共因子，累積方差貢獻率為90.01%，反映了極端降水量指數和降水強度指數對極端降水事件影響較大；相關分析也表明極端降水指數與年總降水量的相關性很好，R95p和R99p對年總降水量的貢獻呈增加趨勢。此外，北大西洋濤動（NAO）對極端降水事件具有明顯的影響，南海副高強度指數（SCSSHII）和西太平洋副高強度指數（WPSHII）對研究區極端降水事件貢獻明顯。大氣環流的變化是極端降水變化的重要影響因素。

（3）基于R/S 分析方法表明PRCPTOT、R10、R20、R50 和CDD 等指數未來將呈現減少趨勢，并且其反持續性較強；R95p未來呈隨機變化；SDII、RX1day、RX5day、R99p和CWD等極端降水指數的Hurst指數均大于0.5，分形維數均小于1.5，表明SDII、RX1day、RX5day 和R99p 等指數未來呈現增加趨勢，而CWD過去為減少趨勢，未來仍將呈下降趨勢，但其持續性較弱。