長江流域極端降水特征時空變化分析

http：//www.renminzhujiang.cn

DOI：10.3969/j.issn.1001-9235.2024.03.005

艾家棋，張海榮，顧學(xué)志，等.長江流域極端降水特征時空變化分析［J］.人民珠江，2024，45（3）：39-47.

摘"要：基于長江流域224個氣象站點1960—2018共59 a的日降水數(shù)據(jù)，采用Mann-Kendall（M-K）趨勢檢驗、線性擬合方法分析長江流域極端降水時間變化特點；確定長江流域最適用于廣義極值分布（Generalized Extreme Value Distribution，GEV）參數(shù)估計的方法，分析GEV尾部特征，解析長江流域極端降水空間特征。結(jié)果表明：①長江流域的極端降水總體上呈上升趨勢，呈上升趨勢地區(qū)主要是長江中下游區(qū)域，極端降水量增長速率最快的站點主要分布在長江下游，長江中下游流域極端降水量可能在未來會進一步增長，暴雨洪水發(fā)生頻率可能會提高；②L-Moment方法更適用于估計GEV分布參數(shù)，對于降水量較大的極端降水序列，L-Moment的穩(wěn)定性更高，極端降水極值序列分布為Fréchet的站點占比約為70%，表明長江流域大部分站點極端降水極值分布厚尾特征明顯，極端降水量波動較大；③長江流域極端降水在不同重現(xiàn)期水平下呈現(xiàn)出明顯的空間分布差異，不同極端降水序列的極端降水量均呈現(xiàn)出從上游到下游逐漸遞增的趨勢，長江中下游極端降水量增速快，波動大，不同重現(xiàn)期降水量更大。因此，長江中下游的防洪能力需要進一步加強。

關(guān)鍵詞：極端降水指數(shù)；極端降水；參數(shù)估計；長江流域

中圖分類號：P426；TV125""文獻標識碼：A""文章編號：1001-9235（2024）03-0039-09

Analysis of Spatiotemporal Variation of Extreme Precipitation Characteristics in Yangtze River Basin

AI Jiaqi1，2，ZHANG Hairong1*，GU Xuezhi2，XIN Qian2，CAO Hui1，BAO Zhengfeng1，YE Lei2

（1.China Yangtze Power Co.，Ltd.，Yichang 443133，China;

2.School of Hydraulic Engineering，Dalian University of Technology，Dalian 116000，China）

Abstract：Based on the daily precipitation data of 224 meteorological stations in the Yangtze River Basin for a total of 59 years from 1960 to 2018，the Mann-Kendall trend test （M-K） and linear fitting method are used to analyze the temporal variation characteristics of extreme precipitation in the Yangtze River Basin.The most applicable method for the parameter estimation of generalized extreme value distribution （GEV） in the Yangtze River Basin is determined，and the GEV tail characteristics are analyzed，so as to resolve the spatial characteristics of extreme precipitation in the Yangtze River Basin.The results show that ① the extreme precipitation in the Yangtze River Basin is generally on an upward trend，and the areas with upward-trending extreme precipitation are mainly in the middle and lower reaches of the Yangtze River.The stations with the fastest growth rates of extreme precipitation levels are mainly distributed in the lower reaches of the Yangtze River，and the extreme precipitation levels in the middle and lower reaches of the Yangtze River Basin may further increase in the future. In addition，the frequency of heavy rainfall and flooding may increase;② the L-Moment method is more suitable for the estimation of the GEV distribution parameters and is more stable for extreme precipitation series with larger precipitation levels.The proportion of stations with extreme precipitation series distribution of Fréchet is about 70%，indicating that most stations in the Yangtze River Basin have obvious thick tail characteristics of extreme precipitation distribution，and the extreme precipitation level fluctuates greatly.③ Extreme precipitation in the Yangtze River Basin under different return periods shows obvious spatial distribution differences，and the extreme precipitation levels of different extreme precipitation series all show a gradual increasing trend from upstream to downstream. The extreme precipitation levels in the middle and lower reaches of the Yangtze River have a fast growth rate， large fluctuations，and high precipitation levels in different return periods.Therefore，the flood control of the middle and lower reaches of the Yangtze River needs to be further strengthened.

Keywords：extreme precipitation index;extreme precipitation;parameter estimation;Yangtze River Basin

近年來，全球極端天氣事件，尤其是強降水現(xiàn)象呈現(xiàn)增強趨勢，全球尺度陸地強降水事件發(fā)生越發(fā)頻繁^［1］。極端降水與洪澇災(zāi)害具有及其密切的聯(lián)系，極端降水往往會引發(fā)嚴重的暴雨洪水，對社會經(jīng)濟發(fā)展造成嚴重影響^［2］。因此，如何準確把握極端降水的時空分布，已成為國內(nèi)外應(yīng)對極端氣候變化的重要研究內(nèi)容。國內(nèi)外學(xué)者對不同地區(qū)極端降水研究主要進行了2類分析，一類為極端降水時間變化趨勢分析，利用趨勢檢驗方法分析長時間序列的演化趨勢規(guī)律^［3］，如吉戴婧琪等^［4］對中國1960—2017年622個站點的極端降水進行研究分析，發(fā)現(xiàn)中國極端降水量和極端降水強度雖然未呈顯著增加趨勢，但總體呈現(xiàn)增長趨勢，并且中國極端降水空間差異極為顯著；另一類研究主要基于擬合分布等統(tǒng)計方法來分析極端降水空間特征^［5］，如陸苗等^［6］基于33種概率分布函數(shù)研究淮河流域極端降水概率特征，以建立最優(yōu)概率分布模型。研究發(fā)現(xiàn)Wakeby函數(shù)是淮河流域極端降水序列的最優(yōu)概率分布，且淮河中上游干流周邊地區(qū)及下游地區(qū)的極端降水變化不穩(wěn)定。

長江流域總面積達180萬km²，是中國最大流域，長江流域橫跨多個氣候帶，不同區(qū)域的極端降水特征差異明顯，存在極強的時空變異性，因此，詳細探究長江流域內(nèi)的極端降水時空特征有助于防洪與水資源調(diào)控。目前關(guān)于長江流域極端降水的研究主要集中在長江局部區(qū)域^［7-8］，鮮有對長江流域極端降水的全面分析，如Yuan等^［9］對長江三角洲1960—2016年57個氣象站極端降水利用M-K趨勢檢驗和Hurst指數(shù)分析長江三角洲降水極值的變化規(guī)律，發(fā)現(xiàn)長江三角洲極端降水事件呈增加趨勢，且降水時空變異性強，在未來長江三角洲可能面臨嚴峻的洪水災(zāi)害。在長江流域極端降水概率特征分析方面，研究多以確定最優(yōu)概率分布為出發(fā)點，對極值分布參數(shù)及尾部特征并未過多關(guān)注。如胡思等^［10］利用線性矩等方法對長江流域極端降水進行參數(shù)估計，通過擬合優(yōu)度檢驗表明，GEV和廣義正態(tài)分布（Generalized Normal Distribution，GNO）為研究區(qū)域極端降水序列的最佳分布。然而，Papaleixiou等^［11］研究表明，極端降水極值分布參數(shù)對于不同重現(xiàn)期降水量估計具有顯著的影響，分布函數(shù)的尾部參數(shù)與暴雨風(fēng)險相關(guān)，不同重現(xiàn)期極端降水量對尾部參數(shù)較為敏感。因此，對比不同參數(shù)估計方法，對分布函數(shù)的尾部參數(shù)進行分析，優(yōu)選適用于長江流域極端降水概率分布參數(shù)估計方法對極端降水空間特征分析極其重要。

基于以上研究不足，本文以長江流域為研究區(qū)域，基于Rx1day、Rx3day、Rx5day作為極端降水指標，利用M-K趨勢檢驗以及線性擬合方法分析長江流域極端降水時間變化特點。GEV因其通過位置、尺度和形狀參數(shù)決定分布曲線形狀而為分析極端降水的尾部特征提供了有利的途徑^［12］，同時已有研究表明^［10］，GEV分布相較于GNO、廣義邏輯斯蒂分布（Generalized Logistic Distribution，GLD）、皮爾遜III型分布（Pearson-III Distribution，P-III）以及廣義帕累托分布（Generalized Pareto Distribution，GPD），在長江流域具有更好適用性。因此，本文選擇GEV作為概率分布函數(shù)，以間隔最大積估計（Maximum Product of Spacing Estimation，MPSE）、極大似然估計（Maximum Likelihood Estimate，MLE）、L-Moment估計為參數(shù)估計方法，通過概率圖相關(guān)系數(shù)（Probability Plot Correlation Coefficient，PPCC）、均方根誤差（Root Mean Square Error，RMSE）擬合優(yōu)度指標加以對比，以確定最適用于長江流域極端降水GEV參數(shù)估計的方法，探究不同重現(xiàn)期水平下極端降水量大小，分析暴雨致災(zāi)風(fēng)險，為制定長江流域暴雨洪水防范策略提供科學(xué)依據(jù)。

1"數(shù)據(jù)及方法

1.1"數(shù)據(jù)概況

本文以長江流域為研究區(qū)域，其流域面積為180萬km²，地形復(fù)雜，季風(fēng)氣候典型，長江流域南北氣候差異較大，南部氣候接近熱帶氣候、北部氣候更接近溫帶氣候。長江流域年降水量和極端降水的時空分布十分不均勻，西部地區(qū)多年平均降水量為300～500 mm，而東南部地區(qū)多年平均降水量高達1 600～1 900 mm，降水主要集中在夏季（6—8月），約占年降水總量的1/2。降水變化的不均勻分布是長江流域頻繁旱澇災(zāi)害的主要原因之一^［13］，長江流域其高程及主要水系見圖1。本文選用長江流域224個氣象站點1960—2018共59 a的逐日降水數(shù)據(jù)，研究選取3個極端降水指數(shù)，即年最大1 d降水量、年最大3 d降水量、年最大5 d降水量，利用所選極端降水指數(shù)提取極端降水序列并提取出3個極端降水序列，分別為Rx1day、Rx3day、Rx5day。

1.2"研究方法

本文選用M-K趨勢檢驗方法以及線性擬合方法分析研究區(qū)域極端降水時間變化規(guī)律，采用MPSE、MLE、L-Moment作為參數(shù)估計方法估計GEV分布參數(shù)，利用PPCC、RMSE擬合優(yōu)度指標優(yōu)選出最適用于長江流域極端降水GEV分布參數(shù)估計方法，以計算不同重現(xiàn)期水平下的極端降水量。

1.2.1"Mann-Kendall趨勢檢驗

M-K趨勢檢驗方法由于對異常值不敏感，常被用于檢測連續(xù)性時間序列的趨勢^［14-15］，如徑流、極端降水序列等，見式（1）：

式中"X₁，X₂，…，X_n——時間序列長度為n的極端降水序列；sign（）——符號函數(shù)，當X_i－X_j小于、等于或大于0時，sign（X_i－X_j）分別為-1、0以及1。

M-K統(tǒng)計量公式S大于、等于以及小于0時，標準化后的檢驗統(tǒng)計量Z見式（2）：

式中，Z大于0表示增加趨勢，小于0表示減少趨勢。本文取顯著性水平為0.05，即Z的絕對值在大于等于1.96時表示通過了置信度95%顯著檢驗。

1.2.2"廣義極值分布

GEV分布在水文極端事件研究中已得到廣泛應(yīng)用^［16-17］。GEV累計概率分布函數(shù)為式（3）：

式中"μ——位置參數(shù)；σ——尺度參數(shù)；ξ——形狀參數(shù)。

形狀參數(shù)描述了極值分布的尾部特征，ξ＞0時，是厚尾分布，為II型分布，即Fréchet分布，表明極端降水極值分布沒有上邊界；當ξ＜0時，為III型分布，即Weibull分布，表明極端降水極值分布具有上邊界μ－σ/ξ。

1.2.3"參數(shù)估計

本文選用MPSE、MLE、L-Moment作為參數(shù)估計方法，MLE、L-Moment已經(jīng)被廣泛運用于估計分布參數(shù)^［16-17］，本文主要介紹MPSE方法。

MPSE由Cheng等^［18］提出的一種參數(shù)估計方法，適用于三參數(shù)分布函數(shù)，并被證明能夠進行有效統(tǒng)計估計^［19］。其原理是：對真實參數(shù)進行概率積分變換，使得觀測值間隔趨于均勻分布，也即每個觀測值累積分布函數(shù)之差相同。取使觀測值間隔的幾何平均取得最大的參數(shù)作為最優(yōu)參數(shù)估計結(jié)果。

設(shè){x（_i）}為服從GEV分布的獨立同分布集合，按遞增排列的n個觀測{x₁，x₂，…，x_n}的累計分布函數(shù)為F（x;θ⁰），設(shè)θ是θ⁰的估計量，則F（x;θ）是F（x;θ⁰）的估計量。

定義間隔D_i（θ）為：

D_i（θ）=F（x（_i）;θ）－F（x（_i－1）;θ）（4）

設(shè)G（θ）為D_i（θ）的幾何平均，H（θ）為G（θ）的自然對數(shù)：

由此，自然對數(shù)分別對GEV分布參數(shù)求偏導(dǎo)為0即可得到各參數(shù)估計。

1.2.4"擬合優(yōu)度檢驗

為綜合評價不同參數(shù)估計方法估計GEV參數(shù)的擬合優(yōu)度，本文選用PPCC評價以及RMSE用于擬合優(yōu)度檢驗，利用對不同參數(shù)估計方法計算出的估計量進行比較，通過計算出相關(guān)數(shù)值指標進行比較，得出最優(yōu)參數(shù)估計方法，PPCC及RMSE具體計算公式見文獻^［20-21］。

2"結(jié)果與分析

2.1"極端降水事件趨勢變化分析

2.1.1"極端降水序列趨勢分析

本文采用M-K趨勢檢驗方法對長江流域極端降水序列進行趨勢檢驗。長江流域各站點3種不同極端降水序列的趨勢檢驗結(jié)果空間分布見圖2。從圖2a可以看出，Rx3day有150個站點極端降水有上升趨勢，占比66.94%，有19個站點具有顯著上升趨勢，占比7.14%，有54個站點有下降趨勢，占比25.48%，僅1個站點有顯著下降趨勢。這說明長江流域極端大部分區(qū)域Rx1day極端降水呈上升趨勢，呈上升趨勢站點主要分布在長江中下游區(qū)域，其中降水量顯著上升站點大部分在沅江流域，極端降水呈下降趨勢站點大多分布在上游地區(qū)；從圖2b、2c可以看出，Rx3day、Rx5day分別有130、131個站點極端降水有上升趨勢，分別占比58.04%、58.48%，具有顯著上升趨勢站點數(shù)量相同，有15個站點，占比6.70%，分別有75、72個站點有下降趨勢，分別占比33.48%、32.14%，有顯著下降趨勢站點數(shù)量相同，有2個站點。

結(jié)果表明，Rx3day、Rx5day與Rx1day具有較為相似的趨勢檢驗空間分布特點，即極端降水整體呈上升趨勢，呈上升趨勢地區(qū)主要是長江中下游區(qū)域，而上游地區(qū)極端降水大多呈下降趨勢，但Rx3day、Rx5day極端降水呈下降趨勢站點數(shù)量相較于Rx1day有明顯提升，且分布集中在長江上游以及中下游的漢江流域。因此，長江中下游流域發(fā)生洪澇災(zāi)害的風(fēng)險有上升趨勢，極端降水有進一步加劇的趨勢。

2.1.2"極端降水趨勢變化程度分析

為量化長江流域224個氣象站點59 a極端降水變化趨勢，本文采用線性擬合方式估計各個站點不同極端降水序列增降斜率，顯著性水平取值與M-K趨勢檢驗一致，α=0.05。長江流域各站點59 a極端降水序列線性擬合斜率空間分布見圖3，從圖中可以看出，Rx1day降水量增長速率大于0的站點數(shù)量為165，占總站點數(shù)約73.6%，0.2～0.4 mm/a以及大于0.4 mm/a間的站點為88個，占降水量為增加趨勢站點總數(shù)的53.33%，這說明長江流域大部分區(qū)域Rx1day極端降水處于增長趨勢，且近半數(shù)站點降水量增長速率較快，這可能導(dǎo)致長江流域暴雨災(zāi)害發(fā)生頻率增加；Rx3day、Rx5day增長速率大于0的站點數(shù)量分別為148、144，分別約占總站點數(shù)的66.1%、64.3%，0.2～0.4 mm/a以及大于0.4 mm/a間的站點分別為97、98，分別占降水量為增加趨勢站點總數(shù)的65.5%、68.8%，相較于Rx1day，降水量為增加趨勢站點總數(shù)數(shù)量有減少，但增長速率大于0.2 mm/a的站點占比有顯著提高，這說明長江流域暴雨災(zāi)害量級可能有較大提高。

2.2"極端降水空間特征分析

2.2.1"最優(yōu)參數(shù)估計方法選取

a）最優(yōu)參數(shù)方法空間分布。為探究最適用于長江流域極端降水GEV分布的參數(shù)估計方法，以得到不同重現(xiàn)期極端降水量估計，為準確分析長江流域暴雨風(fēng)險提供支撐，本文采用3種不同參數(shù)估計方法對224個站點3組極端降水序列進行參數(shù)估計。以Rx1day序列為例，求實測值與對應(yīng)分位值間相關(guān)系數(shù)PPCC以及均方根誤差RMSE，取實測值與分位值的最大PPCC或最小RMSE對應(yīng)參數(shù)估計方法為最優(yōu)參數(shù)估計方法。不同參數(shù)估計方法在各站點的擬合優(yōu)度見圖4，從圖中可以看出，L-Moment估計方法計算的224個站點PPCC結(jié)果相較于MPSE、MLE估計方法計算的PPCC結(jié)果更優(yōu)，同時箱體更矮，離群值分布更為緊湊，這說明利用L-Moment估計參數(shù)計算的極端降水與降水實測值相關(guān)性更好；同時，L-Moment估計方法計算的224個站點RMSE結(jié)果相較于MPSE、MLE估計方法計算的RMSE結(jié)果更小，這說明利用L-Moment估計參數(shù)計算的極端降水與降水實測值更為接近。3種參數(shù)方法在站點中取得最優(yōu)結(jié)果占比見表1，從表1可以看出，對于Rx1day，PPCC對應(yīng)L-Moment、MLE、MPS為最優(yōu)參數(shù)估計的站點數(shù)量分別為131、47、46個，分別占總站點數(shù)比58.48%、20.54%、20.98%，RMSE對應(yīng)L-Moment、MLE、MPS為最優(yōu)參數(shù)估計的站點數(shù)量分別為115、86、23個，分別占比51.34%、38.39%、10.27%，無論是利用PPCC還是RMSE進行擬合優(yōu)度評價，L-Moment為最優(yōu)參數(shù)估計站點數(shù)量占比均最大，PPCC計算結(jié)果表明，MPSE以及MLE為最優(yōu)參數(shù)估計站點數(shù)量相近，但就RMSE計算結(jié)果而言，MLE為最優(yōu)參數(shù)估計站點數(shù)量約為MPSE的4倍，這說明雖然利用MPSE與MLE估計參數(shù)所計算的分位數(shù)與實測降水的相關(guān)性較為相似，但是利用MLE估計所得降水預(yù)測值更接近站點降水實測值。相較于Rx1day序列，Rx3day、Rx5day序列無論是在PPCC還是RMSE評價下，L-Moment為最優(yōu)參數(shù)估計站點數(shù)量占比均有提升，這說明L-Moment更適用估計Rx3day、Rx5day序列GEV分布參數(shù)，同時，MPSE為最優(yōu)參數(shù)估計站點數(shù)量占比均有所下降，這說明MPSE難以適用于估計降水量較大的極端降水序列，而L-Moment受到降水量影響較小，其穩(wěn)定性更高。

b）形狀參數(shù)空間分布。基于L-Moment估計的Rx1day、Rx3day和Rx5day極值分布形狀參數(shù)空間分布見圖5，從圖中可以看出，Rx1day、Rx3day以及Rx5day極端降水L-Moment估計形狀參數(shù)小于0的站點分別有45、61、77個，占比分別為26.3%、27.2%、34.3%，極端降水形狀參數(shù)大于0的站點分別有179、163、147個，分別占比為73.7%、72.8%、65.7%，極端降水形狀參數(shù)位于0～0.2的站點分別有139、142、134個，分別占比為62.1%、63.4%、60.0%，大于0.3的站點分別為3、1、1個。長江中下游大部分站點3種極端降水序列L-Moment估計形狀參數(shù)為正，即表明中下游地區(qū)極端降水并沒有上邊界，極端降水量量級波動較大，極端降水GEV分布為厚尾分布，形狀參數(shù)值越大，尾部特征具有的厚尾性質(zhì)越顯著，同Papalexiou等^［11］研究結(jié)論較為一致；且3種極端降水序列L-Moment估計的形狀參數(shù)大多位于0～0.2，有少部分站點形狀參數(shù)小于0，且小于-0.1的站點主要分布在長江上游地區(qū)，表明此區(qū)域有部分站點極端降水GEV分布函數(shù)上尾部具有上邊界，意味著長江上游區(qū)域極端降水量量級波動較小。

2.2.2"不同重現(xiàn)期極端降水空間分布

基于L-Moment估計GEV分布參數(shù)，計算長江流域各站點3種極端降水序列不同重現(xiàn)期水平下（10、50、100 a）的極端降水量，利用克里金插值法得到不同極端降水序列不同重現(xiàn)期極端降水空間分布，見圖6—8。鑒于Rx1day、Rx3day以及Rx5day極端降水不同重現(xiàn)期降水量空間分布較為相似，本文以Rx1day序列為例進行分析，從圖6可以看出，長江流域極端降水具有明顯的空間分布差異，降水量上游最少，而中下游較大。結(jié)論與胡思等^［10］、Zhang等^［22］對長江流域極端降水空間分布研究結(jié)論一致。此外，通過對比分析發(fā)現(xiàn)，常見流域極大極端降水量主要集中在嘉陵江流域、岷江流域、洞庭湖流域以及鄱陽湖流域，重現(xiàn)期為10、50、100 a時，長江流域極端降水量最大值分別為225.1、329.3、379.2 mm，最小值分別為13.6、30.0、30.0 mm，除金沙江流域外，其他地區(qū)降水量均達到了大暴雨級別（日降水量介于100～200 mm），嘉陵江流域南部、岷江流域南部、洞庭湖流域以及鄱陽湖流域在50、100 a重現(xiàn)期條件下均達到了特大暴雨級別（日降水量超過200 mm）。不難發(fā)現(xiàn)，重現(xiàn)期為10、50 a最大極端降水量差值相較于重現(xiàn)期為50、100 a最大極端降水量差值大，其最小值差值與最大值差值趨勢相同，這說明長江流域近年來發(fā)生極端降水的頻率有增強的風(fēng)險，洪水災(zāi)害發(fā)生的風(fēng)險增大。

3"結(jié)論

本文基于Rx1day、Rx3day、Rx5day，采用M-K趨勢分析等方法分析長江流域不同極端降水序列時間變化特點；通過對比常用的參數(shù)估計方法，確定長江流域最適用于GEV參數(shù)估計的方法，計算不同重現(xiàn)期水平下長江流域的極端降水量，以分析不同重現(xiàn)期水平下極端降水量空間分布特點，主要結(jié)論如下。

a）通過對長江流域不同極端降水序列進行趨勢檢驗，發(fā)現(xiàn)長江流域的極端降水總體上呈上升趨勢，呈上升趨勢地區(qū)主要是長江中下游區(qū)域，而上游地區(qū)極端降水大多呈下降趨勢；采用線性擬合方式估計各個站點不同極端降水序列增降斜率，發(fā)現(xiàn)長江流域極端降水量在59 a間總體上是逐漸增大的，與趨勢檢驗結(jié)果較為一致，同時，極端降水量增長速率最快的站點主要分布在長江下游，而岷江流域極端降水量下降顯著。因此，長江中下游流域極端降水量可能在未來會進一步增長，暴雨洪水發(fā)生頻率可能會提高，岷江流域極端給降水量下降顯著，對長江流域暴雨洪水形勢需要進一步研判。

b）對于長江流域不同極端降水序列，運用不同方法估計GEV分布參數(shù)，結(jié)果表明L-Moment方法更適用于估計GEV分布參數(shù)，利用L-Moment估計參數(shù)計算的極端降水與降水實測值更為接近，對于降水量較大的極端降水序列，L-Moment的穩(wěn)定性更高；此外，基于L-Moment估計長江中下游站點極端降水形狀參數(shù)為正，表明長江中下游極端降水量量級波動較大，說明長江流域中下游極端降水量波動較大，結(jié)合前一結(jié)論可以推斷，更容易造成暴雨洪水災(zāi)害；而形狀參數(shù)為負的站點主要集中在長江上游，意味著長江上游區(qū)域極端降水量量級波動較小，相較于中下游，發(fā)生暴雨洪水災(zāi)害的可能性更低。

c）基于L-Moment估計GEV分布參數(shù)，計算長江流域各站點3種極端降水序列不同重現(xiàn)期水平下（10、50、100 a）的極端降水量，結(jié)果表明，長江流域極端降水在不同重現(xiàn)期水平下呈現(xiàn)出明顯的空間分布差異。不同極端降水序列的極端降水量均呈現(xiàn)出從上游到下游逐漸遞增的趨勢，流域極大極端降水主要集中在嘉陵江流域、岷江流域、洞庭湖流域以及鄱陽湖流域，流域極小極端降水主要在長江上游，空間分布上與結(jié)論a、b一致，這說明長江上游極端降水量增速較慢，且波動較小。同時，不同重現(xiàn)期極端降水量較小，暴雨洪水發(fā)生的可能性較低；而長江中下游，特別是長江下游，極端降水量增速快，波動大，不同重現(xiàn)期降水量大，長江中下游的防洪能力可能需要進一步提高。

參考文獻：

［1］WANG Y J，ZHOU B T，QIN D H，et al.Changes in mean and extreme temperature and precipitation over the arid region of northwestern China：Observation and projection［J］.Advances in Atmospheric Sciences，2017，34（3）：289-305.

［2］TAN X，GAN T Y，SHAO D.Effects of persistence and large-scale climate anomalies on trends and change points in extreme precipitation of Canada［J］.Journal of Hydrology，2017，550：453-465.

［3］查顯寶，王雙濤，羅平平，等.降水時空分布及變化特征分析：以安徽省為例［J］.灌溉排水學(xué)報，2023，42（1）：112-120.

［4］吉戴婧琪，元媛，韓劍橋.中國極端降水事件的時空變化及趨勢預(yù)測［J］.中國農(nóng)村水利水電，2022（10）：74-80.

［5］何干皓，李龍國，劉鐵剛，等.岷江流域降水極值概率分布研究［J］.工程科學(xué)與技術(shù)，2017，49（1）：78-85.

［6］陸苗，高超，蘇布達，等.淮河流域極端降水空間分布及概率特征［J］.自然災(zāi)害學(xué)報，2015，24（5）：160-168.

［7］鄧清文，倪玲玲，王棟.年最大日降水量序列非一致性分析：以長江中下游干流8站為例［J］.水文，2023，43（2）：58-65.

［8］李帥，陳鮮艷，龔文婷，等.1961～2020年三峽區(qū)間降水極值特征分析［J］.長江流域資源與環(huán)境，2022，31（10）：2166-2175.

［9］YUAN J，XU Y，WU L，et al.Variability of precipitation extremes over the Yangtze River Delta，eastern China，during 1960—2016［J］.Theoretical and Applied Climatology，2019，138（1/2）：305-319.

［10］胡思，曾祎，王磊，等.長江流域極端降水的區(qū)域頻率及時空特征［J］.長江流域資源與環(huán)境，2019，28（8）：2008-2018.

［11］PAPALEXIOU S M，KOUTSOYIANNIS D.Battle of extreme value distributions：A global survey on extreme daily rainfall［J］.Water Resources Research，2013，49（1）：187-201.

［12］COLES S.An Introduction to Statistical Modeling of Extreme Values［M］.London：Springer，2001.

［13］GUO J，CHEN H，XU C Y，et al.Prediction of variability of precipitation in the Yangtze River Basin under the climate change conditions based on automated statistical downscaling［J］.Stochastic Environmental Research and Risk Assessment，2012，26（2）：157-176.

［14］顧西輝，張強，孔冬冬，等.中國年和季節(jié)極端降水時空特征及極值分布函數(shù)上尾部性質(zhì)［J］.地理科學(xué)，2017，37（6）：929-937.

［15］肖靜，張鷺，林尤文.萬泉河流域極端降水時空變化特征分析［J］.人民珠江，2021，42（3）：37-45.

［16］顧學(xué)志，葉磊，趙銅鐵鋼，等.中國日降水量的概率分布［J］.水利學(xué)報，2021，52（10）：1248-1262.

［17］陳子燊，劉曾美，路劍飛.廣義極值分布參數(shù)估計方法的對比分析［J］.中山大學(xué)學(xué)報（自然科學(xué)版），2010，49（6）：105-109.

［18］CHENG R，AMIN N.Estimating Parameters in Continuous Univariate Distributions with a Shifted Origin［J］.Journal of the Royal Statistical Society Series B-Methodological，1983，45（3）：394-403.

［19］EKSTROM M.Alternatives to maximum likelihood estimation based on spacings and the Kullback-Leibler divergence［J］.Journal of Statistical Planning and Inference，2008，138（6）：1778-1791.

［20］蒿萌，張素云，解文娟，等.基于系統(tǒng)聚類和PPCC檢驗法的極端暴雨風(fēng)險區(qū)劃［J］.水電能源科學(xué)，2022，40（11）：1-5.

［21］姜少杰，宋海清，李云鵬，等.內(nèi)蒙古地區(qū)FY-3B/3C微波遙感土壤水分數(shù)據(jù)產(chǎn)品的融合與評估［J］.中國農(nóng)業(yè)氣象，2020，41（8）：529-538.

［22］ZHANG Q，XU C Y，ZHANG Z，et al.Spatial and temporal variability of precipitation maxima during 1960—2005 in the Yangtze River basin and possible association with large-scale circulation［J］.Journal of Hydrology，2008，353（3）：215-227.

（責(zé)任編輯：李澤華）

基金項目：水利部重大科技項目（SKS-2022004）

收稿日期：2023-09-25

作者簡介：艾家棋（1999—），男，碩士研究生，主要研究方向為水文水資源。E-mail：18783814586@163.com

通信作者：張海榮（1990—），男，博士，工程師，主要從事水文智慧預(yù)報預(yù)測。E-mail：zhang_hairong@ctg.com