王晓雅^,1,2, 蒋卫国^,1,2, 邓越^1,2, 蒋梓杰^1,21.北京师范大学地理科学学部 环境遥感与数字城市北京市重点实验室,北京 100875
2.北京师范大学地理科学学部 环境演变与自然灾害教育部重点实验室,北京 100875

Characteristic analysis and fatalness of disaster-inducing factors assessment of hourly extreme rainfall in different return periods of Beijing-Tianjin-Hebei region

WANG Xiaoya^,1,2, JIANG Weiguo^,1,2, DENG Yue^1,2, JIANG Zijie^1,21. Beijing Key Laboratory for Remote Sensing of Environment and Digital Cities, Faculty of Geographical Science, Beijing Normal University, Beijing 100875, China
2. Key Laboratory of Environmental Change and Natural Disaster of Ministry of Education, Faculty of Geographical Science, Beijing Normal University, Beijing 100875, China

通讯作者: 蒋卫国（1976-）,男,湖南衡阳人,博士,教授,博士生导师,主要研究方向为洪水灾害及湿地生态遥感监测与评价研究。E-mail: jiangweiguo@bnu.edu.cn

收稿日期:2019-09-10修回日期:2020-03-5网络出版日期:2020-11-20

基金资助:

国家重点研发计划专项项目.2017YFB0504102 国家重点研发计划专项项目.2017YFB0504105 国家重点研发计划专项项目.2016YFC0503002 国家自然科学基金.41571077 水资源安全北京实验室项目

Received:2019-09-10Revised:2020-03-5Online:2020-11-20
作者简介 About authors
王晓雅（1994-）,女,内蒙古包头人,博士研究生,主要从事洪水灾害和降雨遥感方面的研究。E-mail: wangxiaoya@mail.bnu.edu.cn






摘要
为了探究京津冀小时极端降雨特征,本文基于地区线性矩法计算多种重现期下的小时极端降雨值,并分析小时极端降雨的特征与变化趋势,同时探究小时极端降雨致灾因子危险性并得到以下结果。① 研究得到适合计算京津冀小时极端降雨频率估计值的分布线型及不同重现期的频率估计值;② 京津冀大于50年一遇的小时极端降雨的强度虽高（>70 mm/h）但其出现的次数（1~2次）相对较少,且多数站点的频次与强度无显著变化趋势;③ 小时极端降雨致灾因子危险性较高的区域位于北京、保定、廊坊交界地带及唐山、衡水、邢台部分地区。本研究在考虑空间差异的基础上探究小时极端降雨并分析其特征和致灾因子危险性,对于京津冀极端降雨灾害的管理与风险规避有一定的意义。
关键词： 地区线性矩;小时极端降雨;强度与频次;致灾因子危险性

Abstract
The Beijing-Tianjin-Hebei region is one of the densely populated and economically developed areas in China. In the past 30 years, it has encountered several severe extreme rainfall events, especially for the short-term precipitation, which caused serious economic losses and casualties. In addition, regional differences have a great influence on the calculation of the return period. In order to explore the characteristics of hourly extreme rainfall in Beijing-Tianjin-Hebei region, this paper calculates the hourly extreme rainfall values under various return periods based on the regional L-moment method. The advantage of regional L-moment method is that it considers the spatial difference of hourly extreme rainfall, and select the most suitable frequency distribution for each district. The method contains four steps: data selection, identification of hydrological and meteorological consistent areas, selection of frequency distribution in consistent areas, and calculation of hourly rainfall frequency estimates. What's more, the characteristics and trends of hourly extreme rainfall were analyzed. At the same time, the fatalness of disaster-inducing factors of hourly extreme rainfall was investigated and the following results were obtained. (1) The study obtained the frequency value and the distribution suitable for calculating the hourly extreme rainfall frequency value in Beijing-Tianjin-Hebei region for different return periods. (2) The frequency of hourly extreme rainfall in the study region is concentrated in 20-40 times, and the intensity is concentrated in 40-50 mm/h. There is no significant change in most stations in terms of the frequency and intensity. Although the intensity of hourly extreme rainfall in the region for more than a 50-year return period is high (>70 mm/h), the frequency is relatively low. (3) The fatalness of disaster-inducing factors of hourly extreme rainfall is low in the northwest mountainous area and high in the southeast plain area. The junction of Beijing, Baoding and Langfang, and parts of Tangshan, Hengshui, and Xingtai are higher areas for fatalness of disaster-inducing factors leading to hourly extreme rainfall. On the basis of the spatial differences, this study explored hourly extreme rainfall values, analyzed their characteristics, and calculated the fatalness of disaster-inducing factors. It provided a certain basis for identifying high-risk areas of hourly extreme rainfall in the Beijing-Tianjin-Hebei region. It has certain significance for the management and risk prevention of extreme rainfall disasters in the study area.
Keywords：regional L-moment;hourly extreme rainfall;intensity and frequency;fatalness of disaster-inducing factor


PDF (6589KB)元数据多维度评价相关文章导出EndNote|Ris|Bibtex收藏本文
本文引用格式
王晓雅, 蒋卫国, 邓越, 蒋梓杰. 基于多重现期的京津冀小时极端降雨特征分析及致灾因子危险性评估. 地理研究[J], 2020, 39(11): 2581-2592 doi:10.11821/dlyj020190781
WANG Xiaoya, JIANG Weiguo, DENG Yue, JIANG Zijie. Characteristic analysis and fatalness of disaster-inducing factors assessment of hourly extreme rainfall in different return periods of Beijing-Tianjin-Hebei region. Geographical Research[J], 2020, 39(11): 2581-2592 doi:10.11821/dlyj020190781

1 引言

IPPC第五次报告中指出,20世纪中叶以来,极端事件的强度与频率发生明显变化,1961年以来中国区域性的强降雨事件增加,因此人们对于极端降雨的关注越来越多^[1,2] 。京津冀是中国人口密集和经济发达地区,近三十年来遭遇数次重大极端降雨灾害事件,造成了严重的经济损失和人员伤亡。2012年北京7·21特大暴雨事件导致城市内涝、山洪等次生灾害,造成70多人死亡和大量财产损失^[3]。2016年7月河北石家庄发生特大暴雨灾害,导致河北1000多万人受灾^[4]。快速的城镇化可能导致京津冀的承灾体脆弱性增加进而增加灾害风险^[5]。探究京津冀极端降雨的特征及致灾因子危险性对于评估极端降雨的风险及应对和防范极端降雨灾害有着重要的意义。

目前对于京津冀地区的极端降雨分析,多以日尺度研究较多。Yuan等^[6]以日尺度探究1958—2016河北省的极端降雨,发现大部分站点呈现下降趋势。Zhang等^[7]利用日降雨数据研究京津冀的极端降雨变化特征时发现其也呈下降趋势。Shao等^[8]发现1951—2010京津冀的年最大日降雨呈下降趋势。而Xiao等^[9]利用1971—2013年夏季的小时数据得到中国北方的最大小时降雨呈上升趋势。由此可以发现从不同时间尺度分析极端降雨,其特征可能存在很大的差异,且京津冀小时尺度的极端降雨分析较少,本文拟从小时尺度探究京津冀的极端降雨特征。

极端降雨的研究通常会考虑不同重现期下的情况,这对极端降雨的诊断与预报有着重要的意义^[10]。传统极端降雨的重现期计算大都采用同一种极值分布模型,吴孝情等^[11]在研究珠江流域非平稳性降雨极值的时空特征时只采用广义帕累托分布（Generalized Pareto Distribution）计算不同重现期下的降雨值。尹占娥等^[12]在结合重现期的不同情景分析中国1951—2011年极端降雨的风险时,重现期计算统一采用Pearson-III方法。然而由于存在地区差异,同一种分布模型并不能很好的反映重现期值。本文则利用地区线性矩法在不同的一致区选择最优的分布线型计算不同重现期下的降雨值。

因此,本文利用地区线性矩法计算不同重现期下的小时极端降雨值,并分析其变化特征,进而得到其致灾因子危险性,为京津冀地区识别小时极端降雨高风险区提供一定的依据。对于高危险区域,在防灾中需要重点关注,在城镇规划建设中可以避开对应区域以规避风险。

2 研究方法及数据来源

2.1 研究区及数据

本文研究区为京津冀（包括北京、天津和河北）,位于华北平原北部,面积21.6万km²,常住人口超过1亿。地势西北高,主要为山区;东南低,主要为平原区。气候为温带半湿润半干旱季风气候,降水量自东南向西北递减^[5]。京津冀地貌类型复杂多样,降水量年内和年际波动均较大,易引起洪涝与干旱灾害^[13]。

本文收集了1980—2018年京津冀及周边地区共209个气象站点的小时尺度降雨数据（图1）。其中京津冀包含171个站点（北京18个,天津12个,河北141个）。该数据来源于中国国家气象局。中国三级流域空间分布图来自中国科学院资源环境科学数据中心,京津冀市级行政区划数据来自GADM数据。

图1

新窗口打开|下载原图ZIP|生成PPT
图1研究区及降雨站点

Fig. 1The rainfall stations and the study area

2.2 研究方法

2.2.1 地区线性矩法 地区线性矩法是在线性矩理论的基础上,加之地区分析法应用于区域频率分析的一种方法。其优点是考虑了小时极端降雨的空间差异,并对各分区选取最适合的频率分布线型。该方法是1990年由Hosking提出^[14],分为以下四步：

（1）资料的筛选。为保证统计的合理性,降雨数据少于30年的站点需剔除,本文共剔除5个站点。基于降雨数据中的质量控制信息将错误值、缺测值设置为空值,计算时不考虑在内,以保证数据处理的准确性。由此选择每个站点每年的最大小时降雨值,形成每个站点的年最大小时降雨序列。

（2）水文气象一致区的判别。水文气象一致区一般采用聚类的方法或根据已有分区进行初步划分,然后在基于不和谐性检测、异质性检测、独立性检测进行反复调整,最终得到合理的水文气象一致区^[15,16]。本研究在三级流域分布图的基础上,再采用市级行政区划进一步细化分区得到初步分区结果,再经过以下3个判别方式进行反复调整得到京津冀小时极端降雨的水文气象一致区：

① 不和谐性检测。不和谐性检测主要通过不和谐系数D_i判断,假设某一区域内有N个站点,利用线性矩法求出每个站点年最大小时降雨序列的样本线性矩系数,分别是线性离势系数L-C_v（t）、线性偏态系数L-C_s（t₃）、线性峰度系数L-C_k（t₄）,三个线性矩系数构成一个三维向量 ui=[ti,t3i,t4i]T。则D_i的计算如公式（1）^[16]所示：

（1）Di=13Nui-u?TA-1(ui-u?)
（2）u?=N-1∑i=1Nui
（3）A=∑i=1N(ui-u?)ui-u?T
式中：D_i表示某一区域的不和谐性系数;N表示区域内站点个数; ui=[ti,t3i,t4i]T表示由线性离势系数L-C_v（t）、线性偏态系数L-C_s（t₃）、线性峰度系数L-C_k（t₄）构成的三维向量; u?表示 ui向量的期望,计算如公式（2）所示;A表示 ui向量的2阶中心矩,计算如公式（3）所示。

如果 Di≤(N-1)/3,则认为该区域没有奇异点,否则认为有奇异点,但站点超过临界值需要进一步判断其是否合理并决定是否保留该站点。

② 气象水文相似性判定。气象相似性主要关注水汽流入与成因背景是否一致,一般需要考虑地形、降雨成因等因素是否一致^[17]。水文相似性的判断一般需要保证一致区内站点的频率分布曲线满足同一分布^[17]。因此在气象一致的基础上,Hosking^[14]采用异质性指标H₁来度量,H₁的计算如公式（4）^[16]所示：

（4）H1=(V1-μv)σv
（5）V1=∑i=1Nni(ti-tR)2∑i=1Nni12
（6）tR=∑i=1Nniti∑i=1Nni
式中：H₁为异质性指标; μv和 σv分别为通过蒙特卡洛模拟计算得到的V₁的均值与方差,V₁计算如公式（5）所示;n_i为一致区内第i个站点的雨量资料系列长度;tⁱ为一致区内第i个站点的线性离势系数L-Cv;N为一致区内站点总数;t^R计算如公式（6）所示。

每个分区均可计算得到异质性指标H₁,H₁<1表示该一致区为可接受一致区,1≤ H₁<2表示该区域为可能一致区,H₁≥ 2表示为异质区,一般情况如果H₁≥1则需要对分区内的站点进行调整直到分区成为符合判别标准的一致区。

③ 样本独立性检验。如果出现H₁<0,则表示该区域内的站点存在相关性。如果H₁<-1,则表示有较强的相关性,因此需要进行独立性检验。通过去相关保证一致区内的样本在时间与空间上独立。

（3）一致区内频率分布线型的选择。得到水文气象一致区后,依据蒙特卡洛模拟检测（Z^DIST）判断对应一致区适用的频率分布线型。常用的频率分布线型主要有广义帕累托分布（GPA）、广义极值分布（GEV）、广义逻辑分布（GLO）、广义正态分布（GNO）、皮尔逊Ⅲ型分布（P-Ⅲ）。Z^DIST统计量满足 ZDIST≤1.64,则表示该频率分布线型的拟合结果是合理的^[17]。通常情况一致区的频率分布线型选择Z^DIST统计量在满足基本条件下最接近0的分布线型^[18]。

（4）小时降雨频率估计值计算。基于以上工作,进一步利用地区分析法计算不同重现期下的小时降雨频率估计值。地区分析法是假定每一站的降雨量系列可以分为两个部分：反映该地区共有降雨特性的地区分量和反映本站点特有降雨特性的本地分量^[18]。因此降雨频率值的计算方法如公式（7）^[16]所示：

（7）QT,i,j=qT,i×x?i,j
式中：Q_T,i,j为第i区第j站重现期为T的1h降雨频率估计值;q_T,i为第i区重现期为T的地区所对应的地区频率增加因子; x?i,j为第i区第j站的年最大小时降雨值的平均值。

2.2.2 小时极端降雨等级划分 每个站点均可得到不同重现期下所对应的小时降雨频率估计值,为了反应不同重现期所对应的小时极端降雨特征,将其分为6级。本文将小时降雨量>2年一遇小时降雨频率估计值作为小时极端降雨。等级为Ⅰ表示小时降雨≥2年一遇小时降雨频率估计值且<5年一遇小时降雨频率估计值,其余等级划分标准如表1所示,其中R_ex表示某站点的小时降雨量,R₂、R₅、R₁₀、R₂₀、R₅₀、R₁₀₀分别表示对应重现期的小时降雨频率估计值。

Tab. 1
表1
表1小时极端降雨等级划分
Tab. 1The classification of hourly extreme rainfall

小时极端降雨等级	划分依据	小时极端降雨等级	划分依据
Ⅰ	R2≤ Rex<R5	Ⅳ	R20≤ Rex<R50
Ⅱ	R5≤ Rex<R10	Ⅴ	R50≤ Rex<R100
Ⅲ	R10≤ Rex<R20	Ⅵ	R100≤ Rex

新窗口打开|下载CSV

2.2.3 Mann-Kendall检验方法 Mann-Kendall（MK）法是一种非参数检验方法,对异常值不敏感,从而被国际气象组织推荐用来检测连续性时间序列的趋势。本研究采用该方法检测各站点小时极端降雨的变化趋势。

2.2.4 小时极端降雨致灾因子危险性 小时极端降雨的致灾因子危险性是通过京津冀1980—2018年小时极端降雨发生的强度与频次进行综合评估,主要为了探究近40年不同站点发生小时极端降雨的严重程度。张京红等^[19]与雷享勇等^[20]在研究暴雨灾害风险时均从暴雨频次与降雨量（降雨强度）角度反映致灾因子危险性。小时极端降雨致灾因子危险性计算方法如公式（8）所示：

（8）Hazi=∑j=16Wj×Freij×Intij
式中：Haz_i表示第i个站点的小时极端降雨致灾因子危险性;j=1~6分别表示小时极端降雨的Ⅰ~Ⅵ等级; Wj表示j级所对应的权重,在这里W_j=j/（1+2+3+4+5+6）; Freij表示第i个站点j级的小时极端降雨频次; Intij表示第i个站点j级的小时极端降雨平均强度。 Freij与 Intij均需要进行归一化处理到0~1,最终得到的Haz_i位于0~1之间。

3 结果分析

3.1 水文气象一致区的划分结果及小时降雨频率估计值

利用地区线性矩法水文气象一致区的划分准则得到18个水文气象一致区（图2）,其对应编号、不和谐性、异质性的检测结果与所选的最优频率分布线型如表2（见第2586页）所示。其中C区卢龙站的不和谐系数超过临界值是由于2013年8月1日卢龙的突发性暴雨导致,因此尽管该点的不和谐系数不满足要求仍保留^[15]22,其余站点的不和谐与异质性检测均满足要求。其中异质性检测中未出现H₁<-1的一致区,因此不需要进行相关性检测。

图2

新窗口打开|下载原图ZIP|生成PPT
图2水文气象一致区的划分结果

Fig. 2The division of hydrological and meteorological regions



Tab. 2
表2
表218个一致区的不和谐、异质性检测结果及所选频率分布线型
Tab. 2Result of discordance and heterogeneity in 18 consistent regions and selected frequency distribution line types

一致区编号	不和谐系数Di	Di临 界值	异质性指标H1	最优频率分布线型
A (9站)	商都(1.16) 化德(0.05) 康保(0.64) 张北(1.11) 正镶白旗(1.56) 正蓝旗(0.5) 多伦(2.24) 沽源(1.59) 太仆寺旗(0.16)	2.329	0.32	GLO
B (8站)	围场(1.51) 隆化(0.29) 平泉(1.4) 滦平(0.51) 承德(1.1) 兴隆(1.54) 承德县(1.08) 宽城(0.58)	2.140	0.73	P-Ⅲ
C (9站)	迁西(0.23) 滦南(0.36) 卢龙(2.39) 迁安(0.58) 滦县(1.42) 唐海(1.51) 乐亭(0.57) 昌黎(1.07) 抚宁(0.85)	2.329	0.03	GEV
D (7站)	丰宁(0.68) 赤城(1.42) 密云(0.59) 怀柔(1.73) 密云上甸子(0.91) 蓟县(0.37) 遵化(1.3)	1.917	-0.29	GEV
E (22站)	顺义(0.39) 海淀(0.8) 平谷(1.45) 通州(1.86) 朝阳(1.2) 昌平(1.37) 大厂(0.64) 北京(1.46) 石景山(1.14) 丰台(1.24) 廊坊(0.13) 三河(0.92) 香河(0.18) 玉田(0.59) 武清(0.1) 宝坻(1.79) 宁河(0.71) 汉沽区(0.31) 丰润(0.83) 丰南(0.94) 唐山(2.64) 大兴(1.32)	3	-0.64	GNO
F (20站)	顺平(0.48) 行唐(1.17) 唐县(0.93) 新乐(0.72) 定州(1.15) 无极(0.47) 涿州(1.23) 容城(0.13) 高碑店(1.46) 易县(0.22) 房山(1.28) 徐水(0.9) 保定(1.34) 高阳(2.15) 安国(0.26) 安新(1.81) 望都(2.34) 满城(0.03) 蠡县(1.71) 深泽(0.24)	3	-0.74	GLO
G (16站)	固安(1.16) 霸州(1.42) 永清(2.18) 天津(0.44) 北辰区(0.43) 任丘(1.23) 文安(0.12) 大城(0.37) 河间(0.96) 青县(0.53) 静海(1.66) 津南区(0.74) 塘沽(0.48) 肃宁(0.25) 雄县(1.07) 大港(0.96)	3	-0.002	P-Ⅲ
H (18站)	灵寿(1.77) 晋州(1.83) 正定(0.64) 井陉(0.64) 平山(0.7) 藁城(0.62) 赵县(0.28) 栾城(0.05) 高邑(0.1) 元氏(0.88) 宁晋(1.66) 饶阳(0.52) 深州(1.92) 安平(1.69) 武强(1.19) 辛集(1.45) 衡水(1.21) 武邑(0.84)	3	0.29	GNO
I (11站)	沧州(1.6) 献县(0.49) 泊头(1.23) 黄骅(1.03) 盐山(0.46) 海兴(1.2) 阜城(0.71) 景县(1.74) 东光(1.97) 吴桥(0.35) 南皮(0.22)	2.632	-0.92	GEV
J (14站)	临漳(1) 魏县(1.76) 磁县(0.22) 安阳(0.32) 汤阴(0.42) 成安(0.12) 武城(1.26) 临清(0.71) 大名(1.1) 聊城(0.6) 阳谷(1.41) 莘县(1.53) 濮阳(1.9) 南乐(1.66)	2.971	-0.11	GEV
K (7站)	左权(1.41) 和顺(0.36) 黎城(1.37) 潞城(1.33) 襄垣(0.77) 涉县(0.3) 林州(1.46)	1.917	0.12	P-Ⅲ
L (5站)	灵丘(1.16) 涞源(1.04) 曲阳(1.15) 阜平(0.57) 霞云岭(1.08)	1.333	-0.05	GNO
M (11站)	尚义(0.84) 怀安(1.75) 宣化(0.53) 万全(0.72) 崇礼(0.49) 张家口(0.59) 怀来(0.27) 延庆(2.41) 涿鹿(1.69) 斋堂(0.37) 门头沟(1.32)	2.632	0.20	P-Ⅲ
N (16站)	巨鹿(0.52) 曲周(0.13) 广平(0.35) 肥乡(0.58) 广宗(2.57) 平乡(1.68) 新河(1.27) 冀州(0.35) 南宫(1.2) 清河(1.69) 故城(0.72) 枣强(0.61) 威县(2.05) 临西(0.1) 馆陶(0.95) 邱县(1.24)	3	-0.95	GEV
O (9站)	临邑(2.21) 德州(1.52) 陵县(1.82) 宁津(0.29) 无棣(1.4) 阳信(0.18) 惠民(0.86) 乐陵(0.1) 庆云(0.63)	2.329	0.15	GEV
P (5站)	昔阳(0.69) 临城(1.20) 赞皇(0.5) 武安(1.27) 峰峰(1.33)	1.333	-0.47	GEV
Q (8站)	兴和(0.63) 阳高(2.02) 大同县(0.77) 天镇(0.94) 阳原(1) 浑源(1.28) 广灵(0.73) 蔚县(0.63)	2.140	-0.16	GEV
R (9站)	沙河(0.86) 柏乡(1.03) 隆尧(1.24) 内邱(0.83) 邢台(0.53) 南和(1.02) 邯郸(0.25) 永年(1.29)	2.329	-0.90	GLO

新窗口打开|下载CSV

基于以上一致区的划定与分布线型的确定,利用地区分析法计算每个站点的小时降雨频率估计值,分别得到2年一遇、5年一遇、10年一遇、20年一遇、50年一遇及100年一遇的小时降雨频率估计值（图3,见第2587页）。京津冀不同重现期的小时降雨频率估计值的空间分布从东南到西北呈现递减现象,其空间分布特征与京津冀的地形有关,西北山区的降雨明显小于东南平原区。从2年一遇到100年一遇,西北山区的降雨值主要集中在10~60 mm,而东南平原地区的降雨值主要集中在30~110 mm。重现期为2年一遇的降雨值沿着山区与平原的分界线明显分为两个部分。重现期为5年一遇、10年一遇、20年一遇的降雨值较为明显的分为西北地区、中部地区与东南地区。重现期为50年一遇与100年一遇的降雨值在西北山区与东南平原区的差异比较明显,平原区内部则无明显的空间分布规律。

图3

新窗口打开|下载原图ZIP|生成PPT
图3不同重现期下的小时降雨频率估计值

Fig. 3The value of hour rainfall frequency in different return periods

3.2 不同等级小时极端降雨的频次与强度特征分析

研究统计了每个站点1980—2018年不同等级的频次,可以发现 Ⅰ、Ⅱ级的特征比较相似（图4,见第2588页）。Ⅰ级的小时极端降雨频次集中在10~32次,而西北山区的频次小于东南平原区。Ⅱ级的小时极端降雨频次,集中于1~12次,其中1~6次的站点分布较多。Ⅲ、Ⅳ级的频次特征较为相似（图4,见第2588页）,最大次数均为6次,但Ⅲ级发生的频次明显多于Ⅳ级。Ⅲ级频次最多的站点位于北京境内,Ⅳ级频次最多的站点位于石家庄市境内。Ⅴ、Ⅵ级的频次特征较为一致,其发生频次为1~2次,且出现的站点也显著减少。以Ⅵ级的石景山站点为例,一共识别到2次大于100年一遇的小时极端降雨,分别为1985年与2011年。2011年6月23日北京发生以石景山为暴雨中心的极端强降雨事件^[18]。

图4

新窗口打开|下载原图ZIP|生成PPT
图4Ⅰ~Ⅵ级小时极端降雨频次

Fig. 4The frequency of hour extreme rainfall from Grade Ⅰ to Ⅵ



统计不同等级小时极端降雨的平均降雨强度（图5,见第2589页）。Ⅰ~Ⅳ级的平均降雨强度有明显的分区特征。Ⅰ级,西北山区的平均降雨强度为（20~30）mm/h,东南平原地区的则为（30~50）mm/h。Ⅳ级,西北山区的平均降雨强度为（40~50）mm/h,东南平原地区的则为（60~80）mm/h。与频次类似,Ⅴ、Ⅵ级主要出现在东南平原区,Ⅴ级的平均降雨强度为（70~90）mm/h,Ⅵ级的平均降雨强度基本大于90 mm/h。

图5

新窗口打开|下载原图ZIP|生成PPT
图5Ⅰ~Ⅵ级小时极端降雨平均强度

Fig. 5The average intensity of 1-hour extreme rainfall from Grade Ⅰ to Ⅵ

3.3 小时极端降雨的频次与强度变化趋势分析

京津冀的小时极端降雨频次主要集中在20~30次与30~40次这两个阶段（图6a,见第2589页）。从站点的角度分析,京津冀多数站点的频次无显著变化趋势（图7a,见第 2590页）,这与Miao等^[21]的研究结果（海河流域的小时极端降雨频次与强度的变化特征不显著）较为一致。频次变化趋势显著的站点在石家庄市境内出现最多。频次变化显著增加的站点共8个,显著减少的站点共有3个均位于河北境内。

图6

新窗口打开|下载原图ZIP|生成PPT
图61980—2018年小时极端降雨的频次与平均降雨强度

Fig. 6Frequency and average rainfall intensity of 1-hour extreme rainfall from 1980 to 2018

图7

新窗口打开|下载原图ZIP|生成PPT
图71980—2018年小时极端降雨的频次与强度的变化趋势

Fig. 7Trends in the frequency and intensity of 1-hour extreme rainfall from 1980 to 2018



京津冀小时极端降雨的平均降雨强度主要集中在（40~50）mm/h,且主要位于东南平原地区（图6b,见第2589页）。强度的变化趋势与频次变化特征较为相似（图7b,见第2590页）,多数站点没有显著的变化趋势,与频次变化趋势不同的是,强度变化显著的站点在北部区域较多且显著减少站点较多。强度变化显著增加的站点共有4个,显著减少的站点共有7个。

3.4 小时极端降雨致灾因子危险性

将得到的各站点小时极端降雨致灾因子危险性进行反距离权重插值,并按照等级法分为极高危险性、高危险性、中危险性、低危险性、极低危险性五级（图8,见第2590页）。整体而言东南平原区的危险性明显高于西北山区的危险性。极高、高危险性地区集中在北京、廊坊、保定交界地带、唐山、衡水、邢台部分地区。苑希民等^[22]在研究京津冀的洪灾风险中指出京津冀典型洪水淹没频次较高的地区主要出现在保定、廊坊、衡水、邢台、邯郸等部分地区。虽然极端降雨与最终形成洪水还受地形、土壤、河流等影响,但可以发现本文得到的极高、高危险区与部分洪水高频次区域一致。

图8

新窗口打开|下载原图ZIP|生成PPT
图81980—2018年小时极端降雨致灾因子危险性

Fig. 8The fatalness of disaster-inducing factors of 1-hour extreme rainfall from 1980 to 2018

4 结论

本文通过地区线性矩法和MK趋势分析方法,得到京津冀不同重现期的小时极端降雨特征及变化趋势,并构建了致灾因子危险性评估方法得到京津冀小时极端降雨近40年的危险性,主要得出以下结论：

（1）利用地区线性矩法得到京津冀小时极端降雨频率估计值计算的合适频率分布线型,并得到不同重现期的小时降雨频率估计值。其在空间上存在显著差异,西北山区的降雨值明显低于东南平原区。从2年一遇到100年一遇,西北山区的降雨值主要集中在10~60 mm,东南平原区的降雨值主要集中在30~110 mm。

（2）从不同等级小时极端降雨的频次与强度特征考虑,京津冀大于50年一遇（Ⅴ、Ⅵ级）的小时极端降雨的平均降雨强度虽高（>70 mm/h）但其出现的次数（1~2次）相对较少,且东南平原区的频次与平均强度均明显大于西北山区。

（3）京津冀小时极端降雨频次集中在20~30次与30~40次,强度集中在（40~50）mm/h。1980—2018年京津冀大部分站点的频次与强度无显著变化趋势。少数站点出现显著增加或减少趋势,其中频次显著增加站点占比较多,强度显著减少站点占比较多。

（4）小时极端降雨致灾因子危险性呈现西北山区低,东南平原区高的特征,极高、高危险区出现在北京、保定、廊坊交界地带及唐山、衡水、邢台部分地区。

致谢：

非常感谢二位匿名评审专家在论文评审中所付出的时间和精力,评审专家细致认真的对本文整体研究思路与结构的优化、部分方法的描述与确定、图文的格式等问题提出了宝贵的建议,使得文章思路、研究内容更加完善,对于本文及本人以后的文章撰写都有很大的受益。

参考文献 View Option 原文顺序
文献年度倒序
文中引用次数倒序
被引期刊影响因子

[1] Min S-K, Zhang X, Zwiers F W, et al. Human contribution to more-intense precipitation extremes
Nature, 2011,470(7334):378-381.
DOI:10.1038/nature09763URLPMID:21331039 [本文引用: 1]
Extremes of weather and climate can have devastating effects on human society and the environment. Understanding past changes in the characteristics of such events, including recent increases in the intensity of heavy precipitation events over a large part of the Northern Hemisphere land area, is critical for reliable projections of future changes. Given that atmospheric water-holding capacity is expected to increase roughly exponentially with temperature--and that atmospheric water content is increasing in accord with this theoretical expectation--it has been suggested that human-influenced global warming may be partly responsible for increases in heavy precipitation. Because of the limited availability of daily observations, however, most previous studies have examined only the potential detectability of changes in extreme precipitation through model-model comparisons. Here we show that human-induced increases in greenhouse gases have contributed to the observed intensification of heavy precipitation events found over approximately two-thirds of data-covered parts of Northern Hemisphere land areas. These results are based on a comparison of observed and multi-model simulated changes in extreme precipitation over the latter half of the twentieth century analysed with an optimal fingerprinting technique. Changes in extreme precipitation projected by models, and thus the impacts of future changes in extreme precipitation, may be underestimated because models seem to underestimate the observed increase in heavy precipitation with warming.

[2] Ingram W. Increases all round: Extreme precipitation
Nature Climate Change, 2016,6(5):443-444.
[本文引用: 1]

[3] 赵大军, 姚秀萍. 北京“7·21”特大暴雨过程中的干侵入指数特征研究
暴雨灾害, 2017,36(6):527-534.
[本文引用: 1]

[ Zhao Dajun, Yao Xiuping. Characteristics of the dry intrusion index in an extreme torrential rain event occurred on 21 July 2012 in Beijing
Torrential Rain and Disasters, 2017,36(6):527-534]
[本文引用: 1]

[4] 胡会芳, 景华, 陈莎, 等. 2016年河北赞皇县嶂石岩暴雨灾害防御案例分析
中国防汛抗旱, 2019,29(2):1-5.
[本文引用: 1]

[ Hu Huifang, Jing Hua, Chen Sha, et al. Typical case analysis of meteorite disaster prevention service in "16·7" extraordinary heavy rain
China Flood & Drought Management, 2019,29(2):1-5.]
[本文引用: 1]

[5] 李双双, 杨赛霓, 刘宪锋. 面向非过程的多灾种时空网络建模: 以京津冀地区干旱热浪耦合为例
地理研究, 2017,36(8):1415-1427.
[本文引用: 2]

[ Li Shuangshuang, Yang Saini, Liu Xianfeng. Spatiotemporal network modeling in concurrent heat waves and droughts in the Beijing-Tianjin-Hebei metropolitan region, China
Geographical Research, 2017,36(8):1415-1427.]
[本文引用: 2]

[6] Yuan Z, Liang C, Li D. Urban stormwater management based on an analysis of climate change: A case study of the Hebei and Guangdong provinces
Landscape and Urban Planning, 2018,177:217-226.
[本文引用: 1]

[7] Zhang D, Yan D, Wang Y-C, et al. GAMLSS-based nonstationary modeling of extreme precipitation in Beijing-Tianjin-Hebei region of China
Natural Hazards, 2015,77(2):1037-1053.
[本文引用: 1]

[8] Shao Y, Wu J, Ye J, et al. Frequency analysis and its spatiotemporal characteristics of precipitation extreme events in China during 1951-2010
Theoretical and Applied Climatology, 2015,121(3):775-787.
[本文引用: 1]

[9] Xiao C, Wu P, Zhang L, et al. Robust increase in extreme summer rainfall intensity during the past four decades observed in China
Scientific Reports, 2016,6(1):1-9.
DOI:10.1038/s41598-016-0001-8URLPMID:28442746 [本文引用: 1]
Krabbe disease (KD) is a neurodegenerative disorder caused by the lack of beta- galactosylceramidase enzymatic activity and by widespread accumulation of the cytotoxic galactosyl-sphingosine in neuronal, myelinating and endothelial cells. Despite the wide use of Twitcher mice as experimental model for KD, the ultrastructure of this model is partial and mainly addressing peripheral nerves. More details are requested to elucidate the basis of the motor defects, which are the first to appear during KD onset. Here we use transmission electron microscopy (TEM) to focus on the alterations produced by KD in the lower motor system at postnatal day 15 (P15), a nearly asymptomatic stage, and in the juvenile P30 mouse. We find mild effects on motorneuron soma, severe ones on sciatic nerves and very severe effects on nerve terminals and neuromuscular junctions at P30, with peripheral damage being already detectable at P15. Finally, we find that the gastrocnemius muscle undergoes atrophy and structural changes that are independent of denervation at P15. Our data further characterize the ultrastructural analysis of the KD mouse model, and support recent theories of a dying-back mechanism for neuronal degeneration, which is independent of demyelination.

[10] 程炳岩, 丁裕国, 张金铃, 等. 广义帕雷托分布在重庆暴雨强降水研究中的应用
高原气象, 2008,27(5):1004-1009.
[本文引用: 1]

[ Cheng Bingyan, Ding Yuguo, Zhang Jinling, et al. Application of generalized pareto distribution to the research of Extreme rainfall of Chongqing
Plateau Meteorology, 2008,27(5):1004-1009.]
[本文引用: 1]

[11] 吴孝情, 陈晓宏, 唐亦汉, 等. 珠江流域非平稳性降雨极值时空变化特征及其成因
水利学报, 2015,46(9):1055-1063.
[本文引用: 1]

[ Wu Xiaoqing, Chen Xiaohong, Tang Yihan, et al. Spatiotemporal variations and the causes of non-stationary extreme precipitation in the Pearl River basin
Journal of Hydraulic Engineering, 2015,46(9):1055-1063.]
[本文引用: 1]

[12] 尹占娥, 田鹏飞, 迟潇潇. 基于情景的1951-2011年中国极端降水风险评估
地理学报, 2018,73(3):405-413.
[本文引用: 1]

[ Yin Zhan'e, Tian Pengfei, Chi Xiaoxiao. Multi-scenario-based risk analysis of precipitation extremes in China during the past 60 years (1951-2011)
Acta Geographica Sinica, 2018,73(3):405-413.]
[本文引用: 1]

[13] 姚思敏. 城市暴雨灾害风险评估研究: 以京津冀地区为例
北京: 清华大学硕士学位论文, 2016: 11.
[本文引用: 1]

[ Yao Simin. Risk assessment of urban rainstorm disaster: A case study of Beijing-Tianjin-Hebei region
Beijing: Master Dissertation of Tsinghua University, 2016: 11.]
[本文引用: 1]

[14] Hosking J R M. L-Moments: Analysis and estimation of distributions using linear combinations of order statistics
Journal of the Royal Statistical Society: Series B (Methodological), 1990,52(1):105-124.
[本文引用: 2]

[15] 陈希. 基于地区线性矩法的暴雨高风险区划研究及其在广西的应用
南京: 南京信息工程大学硕士学位论文, 2014.
[本文引用: 2]

[ Chen Xi. Study of high-risk storm regionalization based on regional L-moments and its application in Guangxi
Nanjing: Master Dissertation of Nanjing University of Information Science & Technology, 2014.]
[本文引用: 2]

[16] 李孟芮, 敖天其, 黎小东. 基于地区线性矩法对四川省水文频率分析的研究
水利水电技术, 2018,49(11):54-61.
[本文引用: 4]

[ Li Mengrui, Ao Tianqi, Li xiaodong. Regional L-moments analysis-based study on hydrological frequency analysis of Sichuan province
Water Resources and Hydropower Engineering, 2018,49(11):54-61.]
[本文引用: 4]

[17] 吴俊梅, 林炳章, 邵月红. 地区线性矩法在太湖流域暴雨频率分析中的应用
水文, 2015,35(5):15-22, 96.
[本文引用: 3]

[ Wu Junmei, Lin Bingzhang, Shao Yuehong. Application of regional L-moments analysis method in precipitation frequency analysis for Taihu lake basin
Jouranl of China Hydrology, 2015,35(5):15-22, 96.]
[本文引用: 3]

[18] 张文龙, 王迎春, 黄荣. 对超级单体风暴所导致北京“623”极端降水事件的分析
见: 中国科学技术协会、河北省人民政府.第十四届中国科协年会第14分会场: 极端天气事件与公共气象服务发展论坛论文集. 石家庄: 中国科学技术协会、河北省人民政府: 中国科学技术协会学会学术部, 2012: 72-76.
[本文引用: 3]

[ Zhang Wenlong, Wang Yingchun, Huang Rong. Heavy precipitation supercell storms caused the“6.23”extreme precipitation event in Beijing
China Association for Science and Technology, People's Government of Hebei Province. Section 14 of the 14th Annual Meeting of China Association for Science and Technology: Proceedings of the Forum on Extreme Weather Events and Public Weather Service Development. Shijiazhuang: China Association for Science and Technology, People's Government of Hebei Province: China Association for Science and Technology Academic Department, 2012: 72-76.]
[本文引用: 3]

[19] 张京红, 田光辉, 蔡大鑫, 等. 基于GIS技术的海南岛暴雨洪涝灾害风险区划
热带作物学报, 2010,31(6):1014-1019.
[本文引用: 1]

[ Zhang Jinghong, Tian Guanghui, Cai Daxin, et al. Rainstorm and flood disasters zoning in Hainan Island based on GIS technology
Chinese Journal of Tropical Crops, 2010,31(6):1014-1019.]
[本文引用: 1]

[20] 雷享勇, 陈燕, 潘骁骏, 等. 杭州市主城区暴雨内涝灾害风险区划
杭州师范大学学报(自然科学版), 2019,18(1):105-112.
[本文引用: 1]

[ Lei Hengyong, Chen Yan, Pan Xiaojun, et al. Risk zonation of rainstorm flooding disaster in Hangzhou main city zone
Journal of Hangzhou Normal University (Natural Science Edition), 2019,18(1):105-112.]
[本文引用: 1]

[21] Miao C, Sun Q, Borthwick A G L, et al. Linkage between hourly precipitation events and atmospheric temperature changes over China during the warm season
Scientific Reports, 2016,6:22543.
DOI:10.1038/srep22543URLPMID:26931350 [本文引用: 1]
We investigated changes in the temporospatial features of hourly precipitation during the warm season over mainland China. The frequency and amount of hourly precipitation displayed latitudinal zonation, especially for light and moderate precipitation, which showed successive downward change over time in northeastern and southern China. Changes in the precipitation amount resulted mainly from changes in frequency rather than changes in intensity. We also evaluated the linkage between hourly precipitation and temperature variations and found that hourly precipitation extreme was more sensitive to temperature than other categories of precipitation. A strong dependency of hourly precipitation on temperature occurred at temperatures colder than the median daily temperature; in such cases, regression slopes were greater than the Clausius-Clapeyron (C-C) relation of 7% per degree Celsius. Regression slopes for 31.6%, 59.8%, 96.9%, and 99.1% of all stations were greater than 7% per degree Celsius for the 75th, 90th, 99th, and 99.9th percentiles for precipitation, respectively. The mean regression slopes within the 99.9th percentile of precipitation were three times the C-C rate. Hourly precipitation showed a strong negative relationship with daily maximum temperature and the diurnal temperature range at most stations, whereas the equivalent correlation for daily minimum temperature was weak.

[22] 苑希民, 桑林浩, 沈福新, 等. 基于模糊层次分析法的京津冀洪灾风险评价
水利水电技术, 2018,49(10):37-45.
[本文引用: 1]

[ Yuan Ximin, Shang Linhao, Shen Fuxin, et al. FAHP-based flood risk assessment on Beijing-Tianjin-Hebei region
Water Resources and Hydropower Engineering, 2018,49(10):37-45.]
[本文引用: 1]