戴声佩，罗红霞，李茂芬，李海亮，郑 倩，胡盈盈

（1.中国热带农业科学院科技信息研究所，海南海口 571101；2.海南省热带作物信息技术应用研究重点实验室，海口 571101；3.农业农村部农业遥感重点实验室，北京 100081）

0 引言

极端降水事件是指在某一时间段内降水量值或统计量显著偏离其平均态、且达到或超出其观测或统计量值区间上下限附近特定阈值的事件[1]，在统计意义上属于不易发生的小概率事件[2]。由于极端降水事件具有突发性强、不可预见性明显等特征[3]，在全球气候变暖背景下，极端降水事件的频繁发生将对自然生态系统和人类社会带来极大的损害[4,5]，极端降水事件发生时空分布特征及影响成为当前全球气候变化研究的热点领域[6,7]，已引起公众和国内外学者的广泛关注[8,9]。

IPCC 第五次评估报告指出，伴随着近100 多年来的全球变暖，大气和海洋升温、海平面上升、冰雪量下降、温室气体浓度增加等现象明显增加[3]，极端降水天气也频繁出现[10,11]。近50 多年来，全球陆地中高纬度极端降水事件增加趋势明显[12]，并且呈现出变化模式复杂、区域差异明显的特点[1]，其中北美洲、南美洲南部、欧洲西北部、亚洲东部等区域极端降水事件呈增加趋势，南美洲北部、非洲和大洋洲中部等区域极端降水事件变化不明显，部分区域有减少趋势[3,8,12]，中国区域极端降水事件与全球变化基本一致，但存在区域差异[13,14]。国内学者分析了中国不同区域、不同流域的极端降水事件，如华北地区和东北地区极端降水事件呈减少趋势[15,16]，西北地区夏季极端降水频率增强[17,18]，西南地区呈上升趋势但不显著[19,20]，东部地区极端降水呈现“南增北减”趋势[21]。此外众多学者对黄土高原[22]、横断山脉地区[23]、长江流域[24]、珠江流域[25]、淮河流域[9,26,27]，以及新疆[28]、西藏[29]等区域的极端降水进行了许多重要研究，极大地丰富了全球气候变化研究内容和范围。

华南地区拥有丰富的热量和水分资源[30]，适宜发展多种农业生产以及热带经济作物，对全球变化的敏感性较高[31]。在全球变化背景下，该地区农业气候资源发生了显著的变化，对农业生产和社会经济发展带来一些影响[32,33]，特别是该区域每年5—11月份的雨季大量降水，造成年内降水严重不均匀，伴随着台风，极易发生严重的暴雨和洪涝灾害[34-36]。目前已有关于文章研究区域极端降水变化的研究主要集中在前后汛期降水强度和变化趋势[34,37,38]、降水概率分布特征[36]、降水频次[39,40]以及环流因素对极端降水发生的影响[41,42]等方面，考虑多种极端降水指数分析研究区极端降水的综合研究有待进一步发展。因此，文章利用气象站点逐日降水数据，计算了11种极端降水指数，分析了我国华南地区极端降水事件的时空变化特征，探讨了影响极端降水指数的因子，及其与年总降水量、大尺度大气环流的关系，并预测了未来研究区域极端降水事件变化趋势，以期为区域水资源可持续利用和防灾减灾提供参考。

1 数据与方法

1.1 研究区域

华南地区范围介于北纬18°6′～28°26′和东经104°27′～120°30′（图1），在行政区划上包括福建省、广东省、广西壮族自治区、云南省和海南省，以及香港和澳门特别行政区。华南地区属热带、亚热带季风气候，气候温暖湿润，雨热同季，年均气温21.40 ℃，降水量1 900.20 mm[43]，珠江是研究区域内径流量最大的河流，径流年内分配极不均匀，4—9月汛期径流量约占全年的80%左右[25,44]。该区域是我国农作物晚三熟和热三熟区域，粮食作物主要有水稻、旱稻、小麦、番薯、木薯、玉米等，经济作物主要有热带水果、橡胶、甘蔗、麻类、花生、芝麻、茶等，是我国重要热带经济作物种植生产基地。

图1 研究区气象站点分布

1.2 数据来源

为保证数据的完整性和连续性，选取1959—2016 年研究区域内72 个资料序列较长的地面气象站点（图1）逐日降水实测数据，来源于国家气象科学数据共享服务平台（http://data.cma.cn/），时间段 为1959 年1 月1 日至2016 年12 月31 日，该 数 据经过了较为严格的质量控制，包括极值检验、时间一致性检验和均一化检验。大尺度大气环流指数数据来源于美国国家海洋和大气管理局（National Oceanic and Atmospheric Administration, NOAA） 地球系统研究实验室（Earth System Research Laboratory, ESRL）（https://www. esrl. noaa. gov/psd/data/climateindices/list/）和中国国家气候中心气候系统数据集（http://cmdp.ncc-cma.net/Monitoring/cn_index_130.php）。NCEP/NCAR 再分析数据（1948 年至今）来源于美国国家环境预报中心（National Centers for Environmental Prediction, NCEP）和美国国家大气研究中心（National Center for Atmospheric Research, NCAR）联合制作的同化资料集（https://climatereanalyzer.org/），选取其中500 hPa 位势场高度、风速、水汽通量、气温等4 个要素。数字高程（Digital Elevation Models, DEM）数据采用美国地质调查局（U.S. Geological Survey,USGS）发布的全球90 m空间分辨率DEM数据；研究区边界数据采用国家基础地理信息中心（http://www.ngcc.cn/ngcc/）发布的1∶400万中国行政区划数据。

1.3 研究方法

对于极端降水指数指标的确定，采用11 种极端降水指数，其具体名称及定义如表1 所示，其定义标准是基于世界气象组织气候委员会（World Meteorological Organization′s Commission for Climatology, WMOCCl）、气候变化及可预报性计划（Climate Variability and Predictability,CLIVAR）以及海洋学和海洋气象学联合技术委员会（Joint Technical Commission for Oceanography and Marine Meteorology,JCOMM）联合推荐的“气候变化检测和指标”（http://etccdi.pacificclimate.org/），这些指数反映了极端降水的各方面，广泛应用于极端降水的评估和应用。这11 种极端降水指数大致分为3 个类型，第一类为降水强度指数，包括降水强度（SDII）；第二类为极端降水量指数，包括湿天降水总量（PRCPTOT）、最大1d 降水量（RX1day）、连续5d 最大降水量（RX5day）、非常湿天降水量（R95p）、极端湿天降水量（R99p）；第三类是极端降水日数指数，包括中雨日数（R10）、大雨日数（R20）、强降水日数（R50）、持续干燥日数（CDD）、持续湿润日数（CWD）。

表1 极端降水事件指标的定义

对于极端降水指数的计算，采用加拿大气象研究中心（Climate Research Branch of Meteorological Service of Canada,CMC）基于R 语言开发的RclimDex 1.0 软件进行计算，RclimDex 可用于计算多种极端降水和极端气温指数。首先利用MATLAB 编程对原始下载数据进行预处理，形成符合RclimDex 运行的文件存储格式的预处理数据，并对缺测值进行统一设置；其次利用RclimDex 软件对预处理数据进行一致性检验和质量控制，并人工检查数据错误记录；最后，在R 语言编辑器下运行RclimDex 软件，计算得到极端降水指数结果。

对于极端降水事件的时间变化分析，通过利用气候倾向率法计算各站点不同极端降水指数的气候倾向率来进行趋势分析[22]。气候倾向率大于零时表示极端降水事件呈上升趋势，反之呈下降趋势。对于极端降水事件的空间变化分析，通过ArcGIS 绘制华南地区极端降水指数变化倾向率空间分布图，进而分析极端降水事件的空间特征。对于极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响极端降水指数的因子[44]，并利用相关分析方法、连续小波分析、交叉小波分析和小波相干分析极端降水指数与年总降水量、大尺度大气环流指数的机理关系[23]。对于未来极端降水变化趋势分析，利用R/S分析方法计算Hurst指数来预测未来研究区域极端降水事件变化趋势[25]。

2 结果与分析

2.1 极端降水的时间变化

从年际时间尺度上来看，1959年以来，研究区降水强度指数SDII呈现较明显的增加趋势（图2a），其变化倾向率为0.34 mm/d/10a，通过P=0.01 显著性水平检验。极端降水量指数（PRCPTOT、RX1day、RX5day、R95p、R99p）均呈现增加趋势（图2b-f），其变化倾向率分别为19.96 mm/10a、2.06 mm/10a、3.22 mm/10a、17.46 mm/10a和7.23 mm/10a，但增加趋势不明显，均未通过P=0.01显著性水平检验。极端降水日数指数（R10、R20、R50、CDD、CWD）中除持续湿润日数CWD呈减少趋势以外，其他指数也呈现微弱增加趋势（图2g～k），其变化倾向率分别为0.31 d/10a、0.48 d/10a、0.19 d/10a、0.09 d/10a和-0.11 d/10a。

从年代际时间尺度上来看，20 世纪60 年代以来，研究区极端降水事件年代际变化与其年际变化趋势基本一致（图2，表2）。降水强度指数SDII 呈现波动增加趋势（图2a、表2），其值从20 世纪60 年代的14.73 mm/d 增加到2000—2016 年的16.36 mm/d。极端降水量指数（PRCPTOT、RX1day、RX5day、R95p、R99p）从20 世纪60 年代开始出现增加趋势（图2b-f、表2），并于2000—2009 年或2000—2016 年达到高值。极端降水日数指数（R10、R20、R50、CDD、CWD）中除持续湿润日数CWD 呈减少趋势以外，其他指数也从20世纪60年代开始呈现微弱增加趋势（图2g-k、表2）。总体来看，研究区极端降水事件年代际变化呈现增加趋势，但并不明显。

表2 极端降水事件年代际变化

图2 1959—2016年研究区极端降水事件时间变化

2.2 极端降水的空间变化

从空间尺度上来看，研究区内65个站点降水强度指数SDII气候倾向率大于零（图3a、表3），表明其整体呈较明显的增加趋势，其中9 个站点通过了P=0.01 显著性水平检验，分布在海南、广西和福建。而在广东、广西、福建等地区存在7个站点呈下降趋势。

极端降水量指数（PRCPTOT、RX1day、RX5day、R95p、R99p）均呈现增加趋势（图3b-f），其气候倾向率大于零的站点比例分别为61%、67%、61%、78%和67%（表3），但其通过显著性检验的站点较少，表明其增加趋势不明显。PRCPTOT 增加的地区主要分布在福建、广东、海南和广西的沿海地区，在广西和广东中部地区则呈下降趋势。RX1day和RX5day变化的空间特征相似，减少趋势都分布在广东中东部，但RX1day在广西地区大多呈增加趋势，而RX5day在广西中部地区则呈现减少趋势。R95p和R99p变化的空间分布基本一致，均表现为广东中部和广西部分站点呈下降趋势，其他区域增加趋势明显。

极端降水日数指数中R20、R50、CDD 呈增加趋势的站点个数分别为54 个、53 个和48 个，约占站点总数的比例分别为75%、74%和67%（表3），三者总体都呈增加趋势，个别站点通过显著性检验，但存在区域差异，R20和R50增加区域主要分布在福建北部和海南，广东和广西地区增加和减少的站点混合分布，趋势不明显；CDD 与前者相反，减少的区域分布在福建北部和海南，广东和广西中部则呈增加趋势（图3h～j、表3）。R10和CWD的空间变化趋势基本一致，都表现为研究区西北部站点呈明显下降趋势，分别有51%和68%的站点，东南沿海站点呈增加趋势（图3g、表3）。

图3 1959—2016年研究区极端降水事件空间变化

表3 极端降水事件变化趋势统计

2.3 影响极端降水的因子

基于SPSS 因子分析方法分析了影响极端降水指数的因子，计算各因子的特征值及方差贡献率（表4），根据特征值大于0.9，提取了3 个公共因子，其累积方差贡献率为90.01 %，进一步提取3 个公共因子的载荷矩阵（表4），第1个公共因子方差贡献率最大，为64.97%，是最重要的影响因子，该因子在R99p、RX1day、RX5day、R95p 和SDII 这5项指标上较其他公共因子载荷系数较高，分别为0.97、0.95、0.84、0.82 和0.81，反映了极端降水事件与极端降水量指数和降水强度指数很好的相关性；第2 公共因子方差贡献率次之，为16.64%，该因子在R10、R20、PRCPTOT、CWD 和R50指标上的载荷系数较高，分别为0.94、0.89、0.86、0.78和0.69，表明极端降水日数指数和降水量指数对极端降水事件影响较大；第3公共因子方差贡献率为8.40 %，其中CDD 载荷系数较高，为0.97，反映了极端降水事件中持续的干燥变化。

表4 极端降水事件因子分析

3 讨论

3.1 极端降水与年降水量的关系

通过分析1959—2016 年极端降水事件与年总降水量的相关系数（表5），除持续干燥日数（CDD）以外，其他极端降水指数与年总降水量均表现出良好的相关性，均通过了P=0.01 显著性水平检验，其中R10、R20和R50，3个极端降水指数与年总降水量的相关系数超过0.93，表明这些指标能很好地指示年总降水量的变化情况。除CDD 指数以外，其他指数之间也存在很好的相关关系（表5）。进一步分析1959—2016 年极端降水指数（R95p、R99p）对年总降水量的贡献情况（图4），R95p、R99p 对年总降水量的贡献平均比例分别为29.7%和9.9%，并且呈一定的增加趋势，表明年总降水量中极端降水的比例增加。

图4 1959—2016年R95p和R99p对降水量的贡献比例

表5 极端降水事件与总降水量的相关系数

3.2 极端降水与大气环流的关系

选取北极涛动（AO）、多元ENSO 指数（MEI）、北大西洋涛动（NAO）、南方涛动指数（SOI）、太平洋年代际振荡（PDO）、北方涛动指数（NOI）、印度副高面积强度指数（ISHII）、南海副高强度指数（SCSSHII）和西太平洋副高强度指数（WPSHII）等9 个大尺度大气环流指数，计算其与极端降水指数的相关系数（表6），分析大尺度大气环流对极端降水事件的影响。由表7 可知，除CDD以外，NAO 与极端降水指数均呈负相关，其中与RX1day（R2=-0.26，P＞0.05）、RX5day（R2=-0.29，P＞0.05） 和R99p （R2=-0.28，P＞0.05）之间的相关性较好，表明NAO对极端降水事件具有明显的影响，相关研究也表明NAO 异常变化与我国天气气候关系密切[45]。WPSHII（110°E-180°E）代表了夏季北半球表面的1/4，SCSSHII（100°E-120°E）代表了南海区域的环流强度，两者是东亚夏季风气候系统的重要组成部分[22]。该研究中，SCSSHII 和WPSHII 与极端降水指数具有正相关关系（表6），其中与SDII、RX1day、RX5day和R99p的相关性较强，通过了P=0.05显著性水平检验，表明SCSSHII和WPSHII对研究区极端降水事件具有明显贡献。

表6 极端降水事件与大气环流指数的相关系数

表7 极端降水事件变化趋势区域比较

对1959—2016 年极端降水指数RX1day、RX5day、R99p 和大气环流指数NAO、SCSSHII、WPSHII进行连续小波变换，生成各时间序列的连续小波功率谱（图5），粗黑色实线圈的区域是通过了95 %置信水平检验，锥形细黑色实线为小波影响锥区域（Cone Of Influence, COI），表示连续小波变换的数据边缘效应影响较大的区域。从图5 可以看出，极端降水指数RX1day、RX5day、R99p 和大气环流指数SCSSHII、WPSHII 存在明显的4 年的主周期，并且通过了95%置信水平的红噪声检验。图6和图7 分别为1959—2016 年极端降水指数RX1day、RX5day、R99p 和大气环流指数NAO、SCSSHII、WPSHII之间的交叉小波变换和小波相干谱，图中箭头方向反映了两者相位关系，箭头从左指向右表示两者同相位，从右指向左表示两者反相位。由图6 可知，极端降水指数RX1day、RX5day、R99p 和大气环流指数NAO、SCSSHII、WPSHII之间的共振主周期为4 年，在此频域上存在显著的共振关系，且振荡的凝聚性和相干性最强（图7）。此外，极端降水指数RX5day、R99p 和大气环流指数NAO、SCSSHII、WPSHII之间还存在一个12年左右的共振次周期。

图5 1959—2016年极端降水指数RX1day、RX5day、R99p和大气环流指数NAO、SCSSHII、WPSHII的连续小波功率谱

图6 1959—2016年极端降水指数RX1day、RX5day、R99p和大气环流指数NAO、SCSSHII、WPSHII的交叉小波谱

图7 1959—2016年极端降水指数RX1day、RX5day、R99p和大气环流指数NAO、SCSSHII、WPSHII的交叉相干谱

为了进一步分析大尺度环流的时空变化情况及其对极端降水的可能影响，选取1959—2016 年NCEP/NCAR 再分析数据（1948年至今）中500 hPa 位势场高度、风速、水汽通量和气温数据，生成1987—2016年与1959—1986年之间夏季和冬季位势场高度、风速、水汽通量、气温的变化差值图（图8）。由图8a可知，夏季在北纬40°、东经100°附近500 hPa 高空处位势场高度差最大，超过25 位势米，在以蒙古高原为中心的欧亚大陆形成一个持续增强的反气旋环流（40°N100°E附近），表明1987—2016年较1959—1986年东亚夏季风更为强烈。同时1987—2016 年较1959—1986 年我国北方的东北风增强（图8a），这反过来减弱了来自海洋的西南气流的北上，使得我国南方地区水汽通量增加、北方地区水汽通量减少（图8c），进而导致华南地区平均降水及极端降水呈现增加趋势。在冬季，以蒙古高原和中国东北部为中心的增强型反气旋环流（40°N125°E 附近）与以欧亚大陆为中心的减弱型气旋环流（40°N125°E 附近）的差异更加显著（图8b），表明1987—2016年较1959—1986年冬季西风有所增强。同时1987—2016年较1959—1986年蒙古北部的西南风增强（图8b），反过来削弱了来自大陆的冬季风的南下，减少了冷空气的入侵，从而导致我国大部分地区冬季的快速升温（图8d）。

图8 1987—2016年与1959—1986年夏季（a、c）和冬季（b、d）位势场高度、风速、水汽通量、气温的变化差值

3.3 极端降水的区域差异比较

通过与其他区域极端降水变化趋势进行比较（表7），除CDD 以外，华南地区其他极端降水指数与全球[1]、中国[46]、西北地区[47]、西南地区[20]的变化趋势基本一致，但其变化幅度明显高于这些区域，与东北地区的变化趋势相反[16]。其中降水强度指数（SDII）增加趋势明显高于其他地区，其可能原因是随着全球大气、海洋和地面温度的升高，陆地和海洋蒸散发加强，使得大气保持水分能力增强，明显改变极端降水的频率和强度[1]。

与长江流域[48]、淮河流域[27]、珠江流域[25]和黄土高原[22]、横断山脉地区[23]的极端降水指数相比较，其变化趋势较复杂，没有表现出明显的一致性，这是由于不同流域和不同地理单元内气候条件和地形地貌复杂，造成与华南地区对比性较差[27]。此外，从前文结果表明，华南地区极端降水在区域内部存在空间分布差异，一是由地形因素引起，华南地区地形北高南低，其间广布丘陵盆地，东南部为珠江流域冲积平原，这种地形有利于水汽向内地输送，同时研究区北部山脉又阻挡了来自南部的暖湿气流，造成区域内部极端降水差异大[25]；二是由水汽来源造成，华南地区距离南海、太平洋、印度洋等水汽来源地近，造成研究区降水丰沛，易于形成极端降水事件，特别是对于研究区中部和南部的影响更明显[44]。

3.4 极端降水的未来变化趋势

利用R/S 分析方法计算Hurst 指数和分形维数D 来预测未来研究区域极端降水事件变化趋势（表8），结果表明PRCPTOT、R10、R20、R50和CDD等指数的Hurst指数均小于0.5，分形维数D均大于1.5，表示其时间序列的反持续性，这几项指标过去均为增加的趋势，预示未来将呈现减少趋势，并且其反持续性较强。R95p的Hurst指数为0.5，分形维数为1.5，说明其时间序列相互独立，呈随机变化，未来变化趋势与过去变化趋势无关。SDII、RX1day、RX5day、R99p和CWD等极端降水事件的Hurst指数均大于0.5，分形维数均小于1.5，表明时间序列的持续性，未来变化趋势与过去的变化趋势相同，即SDII、RX1day、RX5day 和R99p 等指数未来呈现增加趋势，而CWD 过去为减少趋势，未来仍将呈下降趋势，但其持续性较弱。

表8 极端降水事件变化的Hurst指数

4 结论

选用1959—2016年华南地区72个资料序列较长的地面气象站点逐日降水实测数据，利用MATLAB 和基于R 语言开发的RClimDex（1.0）软件计算了研究区11 种极端降水指数，分析了1959—2016 年研究区极端降水事件的时空变化特征；采用相关分析、基于SPSS 的因子分析方法及小波分析方法，探讨了影响研究区极端降水指数的因子，及其与年总降水量、大尺度大气环流的关系；并利用R/S 分析方法计算Hurst指数预测了未来研究区域极端降水事件变化趋势，得出主要结论如下。

（1）从时间尺度上来看，1959 年以来，研究区极端降水事件呈现增加趋势，降水强度指数SDII 变化倾向率为0.34 mm/d/10a；极端降水量指数（PRCPTOT、RX1day、RX5day、R95p、R99p）变化倾向率分别为19.96、2.06、3.22、17.46和7.23 mm/10a；极端降水日数指数（R10、R20、R50、CDD、CWD）中除持续湿润日数CWD 呈减少趋势以外，其他指数也呈现微弱增加趋势。从空间尺度上来看，研究区极端降水指数总体呈增加趋势，存在明显的空间差异。

（2）基于因子分析方法提取了3 个公共因子，累积方差贡献率为90.01%，反映了极端降水量指数和降水强度指数对极端降水事件影响较大；相关分析也表明极端降水指数与年总降水量的相关性很好，R95p和R99p对年总降水量的贡献呈增加趋势。此外，北大西洋涛动（NAO）对极端降水事件具有明显的影响，南海副高强度指数（SCSSHII）和西太平洋副高强度指数（WPSHII）对研究区极端降水事件贡献明显。大气环流的变化是极端降水变化的重要影响因素。

（3）基于R/S 分析方法表明PRCPTOT、R10、R20、R50 和CDD 等指数未来将呈现减少趋势，并且其反持续性较强；R95p未来呈随机变化；SDII、RX1day、RX5day、R99p和CWD等极端降水指数的Hurst指数均大于0.5，分形维数均小于1.5，表明SDII、RX1day、RX5day 和R99p 等指数未来呈现增加趋势，而CWD过去为减少趋势，未来仍将呈下降趋势，但其持续性较弱。