黄婕^1,2,, 高路^1,2,3,, 陈兴伟^1,2,3, 陈莹^1,2,3, 刘梅冰^2,3
1. 福建师范大学地理研究所,福州 350007
2. 福建师范大学地理科学学院,福州 350007
3. 福建省陆地灾害监测评估工程技术研究中心,福州 350007

Variation of extreme precipitation and its causes during the first rainy season in the southeast coastal region of China

HUANGJie^1,2,, GAOLu^1,2,3,, CHENXingwei^1,2,3, CHENYing^1,2,3, LIUMeibing^2,3
1. Institute of Geography, Fujian Normal University, Fuzhou 350007, China
2. College of Geographical Science, Fujian Normal University, Fuzhou 350007, China
3. Fujian Provincial Engineering Research Center for Monitoring and Assessing Terrestrial Disasters, Fuzhou 350007, China
通讯作者:高路(1983-), 男, 湖北当阳人, 副研究员, 主要从事水文气象与自然灾害等方面的研究.E-mail: l.gao@foxmail.com
收稿日期:2015-08-28
修回日期:2015-11-23
网络出版日期:2016-01-31
版权声明:2016《地理学报》编辑部本文是开放获取期刊文献，在以下情况下可以自由使用：学术研究、学术交流、科研教学等，但不允许用于商业目的.
基金资助:福建省科技厅省属公益类科研专项(2014R1034-6);国家自然科学基金项目(41301031, 41501106);教育部留学回国人员科研启动基金(2014-1685);福建省教育厅A类项目(JA14083)
作者简介:
-->作者简介:黄婕(1990-), 女, 安徽合肥人, 硕士, 主要从事极端气候等方面的研究.E-mail: rubycat1990@sina.com



展开

摘要
选取东南沿海五省(市)(上海,浙江,福建,广东和海南)79个站点1960-2012年前汛期(4-6月)的降水极值序列,将广义可加模型(GAMLSS)引入非平稳降水频率分析中,分析了降水极值的变化特征;运用主成分分析法分别构建综合气候指数和以温室气体排放量为代表的人类活动指数,同时考虑两类指数对降水极值序列变化特征的影响,运用贡献分析法和GAMLSS模型分析了气候因子和人类活动因子对降水极值变化的影响机制.结果表明:① 东南沿海降水极值增加趋势显著,变异性明显增强的区域主要集中在浙江东北部,广东中北部和西部沿海,福建东部等地区;② 人类活动的加剧与降水极值的变化显著相关,尤其在社会经济发达地区,在社会经济快速发展阶段(1986-2012年)人类活动对极端降水的贡献要明显大于发展缓慢阶段(1960-1985年),浙江和广东两省尤为突出;③ 浙江省东北部,福建省大部,广东西部沿海以及中北部地区是极端降水的高风险区,需加强对极端降水及其次生灾害的风险防范.

关键词：极端降水;非平稳性;前汛期;灾害风险;东南沿海
Abstract
This study analyzed the variation of extreme precipitation by introducing Generalized Additive Models in Location, Scale, and Shape (GAMLSS) Model in the non-stationary frequency analysis based on the precipitation extreme series in the first rainy season (April, May, June) in the period of 1960-2012 derived from 79 meteorological stations in the southeast coastal region of China which covers Shanghai, Zhejiang, Fujian, Guangdong and Hainan. The greenhouse gas emissions index represented by human activities and comprehensive climatic index were built by principal component analysis (PCA). Simultaneously, contribution analysis method and GAMLSS model are applied to identify the impact of climate change and human activities on precipitation extremes considering both factors. The results show that: (1) The areas with significant increase and strong enhanced variation of precipitation extremes are mainly located in the northeast of Zhejiang, central-northern and western coastal Guangdong, and eastern Fujian. (2) There is a significant correlation between human activity increase and precipitation extreme variability, especially in the developed areas. The contribution of human activity to precipitation extremes in the stage of rapid socio-economic development (1986-2012) is much greater than that in the stage of slow socio-economic development (1960-1985), especially in Zhejiang and Guangdong provinces. (3) The northeast of Zhejiang, much of Fujian and the central-northern and western coastal Guangdong are high risk areas in terms of extreme precipitation. Thus, we should strengthen the risk prevention for extreme precipitation and its secondary disasters.

Keywords：extreme precipitation;non-stationary;first rainy season;disaster risk;the southeast coastal region of China

-->0
PDF (1078KB)元数据多维度评价相关文章收藏文章
本文引用格式导出EndNoteRisBibtex收藏本文-->
黄婕, 高路, 陈兴伟, 陈莹, 刘梅冰. 东南沿海前汛期降水极值变化特征及归因分析[J]. , 2016, 71(1): 152-165 https://doi.org/10.11821/dlxb201601012
HUANG Jie, GAO Lu, CHEN Xingwei, CHEN Ying, LIU Meibing. Variation of extreme precipitation and its causes during the first rainy season in the southeast coastal region of China[J]. 地理学报, 2016, 71(1): 152-165 https://doi.org/10.11821/dlxb201601012

1 引言

降水的时空变化特征一直以来是气候变化的研究热点,综合众多****在不同区域的研究案例发现,尽管年均降水量,各等级降水量和降水日数的变化趋势各不相同,但是极端降水的强度和极端降水量都呈现了不同程度的增加^[1-6].IPCC第五次评估报告也明确指出极端降水事件增多,强度加大是一个全球性的趋势.究其原因,报告认为是自然因素和人为因素的共同作用^[7].极端降水事件与大气环流及天气过程关系复杂,特别在东亚地区,由于东亚季风,ENSO,太平洋环流的多重影响,这种复杂性更为显著^[8].热带太平洋和印度洋的海温异常都会强烈影响东亚地区的降水强度甚至台风路径^[9-11].Chan等^[12]研究发现太平洋年代际震荡指数(PDO)和厄尔尼诺/南方涛动指数(ENSO)与中国南方5-6月季风降水的丰枯特征明显相关.Wan等^[13]的研究表明南方涛动(SO)与中国大部分地区的极端月降水破纪录概率存在显著相关性.除了气候变化,人类活动也是影响降水的另一重要因素.丁一汇^[14]指出人类活动对气候变化的影响主要体现在化石燃料燃烧,农业和工业活动产生的温室气体,土地利用变化以及向大气排放的气溶胶.秦大河等^[15]亦指出,温室效应会使中国南方地区降水量增加,极端降水事件增多.Gao等^[16]通过模拟发现,大气中CO₂浓度增加时,长江流域冬季和夏季降水量,降水强度可能明显增加.邹用昌等^[17]利用耦合模式控制试验和CO₂增长试验发现,随着CO₂浓度加倍,中国东部多数地区春夏极端降水频次增加,强度加强.土地利用变化通过改变大气湿度和生态系统能量平衡影响着全球和区域气候变化^[18-20].纵观以往的极端降水研究,大多集中在降水现象,时空特征等方面,尚缺乏对极端降水的形成机理,影响因子及作用机制等方面的深入探讨.
以往的水文和气象分析大多建立在平稳性假设的基础上,但在变化环境下,平稳性特征发生改变,基于传统假设的统计分析结果受到质疑.因此,平稳性假设在水资源风险评价和水利工程设计等的适用性需要严格检验^[21-22].如何考虑水文和气象序列的非平稳性特征,目前已有国内外****进行了初步探索.Rigby等^[23]提出了能够模拟多变量条件下响应变量和解释变量间的线性和非线性及参数和非参数关系的广义可加模型(GAMLSS模型),该模型已经成功运用于水文气象领域.例如,Villarini等^[24]和江聪等^[25]分别将GAMLSS模型应用于罗马地区长期的降水,气温序列和长江宜昌站的年径流序列趋势分析中,取得了较好的拟合效果.Villarini等^[26]还运用GAMLSS模型分析了美国北卡罗来纳州的河流Little Sugar Creek从1957到2007年峰值流量序列的均值和方差以及极端流量重现期的变化特征,并得到了人口数量变化与洪水频率的关系.Zhang等^[27]在GAMLSS模型中将北极涛动(AO),北太平洋涛动指数(NPO),太平洋年代际震荡指数(PDO),南方涛动指数(SOI)作为气候解释变量,将水库指数作为人类活动解释因子,探讨了气候变化和人类活动对东江流域年最大流量的联合影响.
中国东南沿海的上海,浙江,福建,广东,海南5省(市)位于亚欧大陆和太平洋之间海陆过渡带的前缘地带,海陆热力对比强烈,是典型的季风气候影响区.改革开放以来,东南沿海地区经济快速发展,人口和财富高度集中,但该地区各类自然灾害频发,已经进入一个高增长,高风险并存的时期^[28].暴雨洪涝灾害作为东南沿海地区春夏季节的主要灾害已经得到广泛重视,但对于极端降水的危险性以及极端降水事件风险的影响机制尚缺乏深入探讨,尤其是受到非平稳条件下气候因素和人类活动因素的双重影响.东南沿海各地汛期集中在4-9月,根据降水形成的机理不同,分为前汛期和后汛期.前汛期4-6月的降水以锋面雨为主,后汛期7-9月以热带气旋降水为主.前后汛期降水成因各异,极端降水时空变化特征也不尽相同,其影响因素也存在明显差异.因此,本文将前汛期东南沿海5省(市)的降水极值序列作为研究对象,考虑降水的非平稳特性,运用GAMLSS模型,将气候变化和人类活动作为影响因子,探讨东南沿海地区前汛期极端降水风险演变规律及其形成原因,以期为自然灾害风险评估,水资源评价以及水利工程设计提供科学依据.

2 方法与数据

2.1 方法介绍

通过将构建的综合气候指数和人类活动指数作为GAMLSS模型的解释变量,模拟东南沿海地区前汛期降水极值变化趋势,并运用Mann-Kendall(MK)趋势检验法分析其时空变化特征.运用贡献分析法和GAMLSS模型综合探讨气候变化和人类活动对研究区前汛期降水极值变化趋势的影响机制.
2.1.1 综合气候指数和人类活动指数的构建
因为气候变化的复杂性和温室气体的多样性,为更全面分析降水极值变化的气候成因和人类活动的影响,采用主成分分析法对多个气候因子和多种温室气体排放数据分别构建综合气候指数和人类活动指数^[29],方法如下:
以累计贡献率大于80%作为标准选取前n个主成分,则各站点的综合气候指数为:
CI=a1x1r1+a2x2r2+?+amxmrm×Z1+a1x1r1+a2x2r2+?+amxmrm×Z2+?a1x1r1+a2x2r2+?amxmrm×Zn(1)
式中:CI为综合气候指数;a₁, et al.a_m为各主成分中各因子的权重系数;x₁, et al.x_m为各因子的标准化值;r₁, et al.r_m为各因子与各站点降水极值序列的线性相关系数;Z₁, et al.Z_n为各主成分贡献率.
同理,可计算各站点的人类活动指数如下:
HI=a1x1+a2x2+?+amxm×Z1+a1x1+a2x2+?+amxm×Z2+?a1x1+a2x2+?amxm×Zn(2)
式中:HI为人类活动指数;其他参数意义同上.
2.1.2 广义可加模型(GAMLSS模型)
GAMLSS模型能够同时加入多个解释变量,通过拟合得到响应变量和解释变量之间的线性,非线性,参数,非参数函数关系^[23].因此,本研究利用计算得到的综合气候指数和人类活动指数作为模型解释变量来拟合东南沿海地区各站点的降水极值,以此分析研究区极端降水风险变化特征.GAMLSS模型原理 如下:
假设具有y_i个独立观测值,i = 1, 2, , et al.n,且服从分布F_y(Y_i|θ_i),其中,θ_iT =(θ_i1, θ_i2, , et al., θ_ip)表示具有p个参数(位置,尺度,形状参数)的向量,p的数量通常小于4.本文运用半参数的广义可加模型:
gkθk=?kβk+∑j=1mhjkxjk(3)
式中:θ_k是一个长度为n的向量; ?k是一个n × m的解释变量矩阵;β_k是一个长度为m的参数向量.h_jk(.)代表分布参数和解释变量x_jk之间的函数关系.这里选择三次样条函数作为参数和解释变量之间的联系函数.选取多种参数个数少于4的分布函数,包括:Gamma(GA),Lognormal(LOGNO),Generalized Gamma(GG),Inverse Gamma(IGAMMA),Inverse Gaussian(IG),Skew Normal Type 2(SN2),Reverse Gumbel(RG)等,并通过计算每次拟合的AIC值寻找最优分布.
2.1.3 影响因子对降水极值相对贡献计算
基于Karl等^[30]提出的降水增量贡献分析方法,通过计算相对贡献率,分析气候因子和人类活动因子对降水极值增量的相对贡献率,以此对比验证GAMLSS模型模拟得到的气候因子和人类活动因子对降水极值的影响.方法如下:
bc=pm(Tc)(4)
式中:b_c为气候变化引起的降水极值序列变化的趋势增量;T_c为综合气候指数趋势值;p_m为降水极值序列变化的平均值.
因此,人类活动对降水极值序列变化的增量贡献通过下式得到:
bh=b-bc(5)
式中:b_h为人类活动因子引起降水极值序列变化的趋势增量;b为降水极值序列变化的总趋势增量.比较气候因子与人类活动因子对降水极值变化的贡献大小,用如下公式得到:
r=bc-|bh|pm×100%(6)
式中:r为差值百分数,r为正,表示气候因子贡献大于人类活动因子对降水极值变化的贡献,负值则意义相反.

2.2 数据来源

根据前人研究^{[12-13, 31-33]},西太平洋指数(WP),北太平洋涛动(NPO),太平洋年代际震荡(PDO),北极涛动(AO),南方涛动(SOI)和东热带太平洋海洋表层温度距平指数(Nino 3)等气候因子和代表人类活动程度的温室气体排放量对中国东部及华南地区春,夏降水均有显著影响.因此,本研究选取WP,NPO,PDO,AO,SOI和Nino 3作为影响降水极值变化的气候因子,选取CO₂,CH₄,SO₂,N₂O 4种温室气体的排放量代表东南沿海地区人类活动影响因子,探讨气候和人类活动对东南沿海地区降水极值变化的联合影响.其中,气候因子数据来源于CMIP5数据库,人类活动因子来源于EDGAR数据库^[34]的全球0.1°经纬网格温室气体排放数据.本研究中的降水数据来源于中国气象局中国气象科学数据共享服务网.考虑到远离陆地的南海岛屿站点受人类活动的影响程度较弱,本研究只选择了上海市,浙江省,福建省,广东省,海南省陆域及各省市近海岛屿的79个站点1960-2012年的逐日降水资料(图1).所有站点的数据经过了严格筛选,剔除了数据缺省的站点,保证了资料的连续性和完整性.提取79个站点4-6月前汛期的最大1日降水量构建降水极值序列,作为GAMLSS模型的响应变量.
显示原图|下载原图ZIP|生成PPT
图1研究区及气象站点分布
-->Fig. 1Study area and distribution of the meteorological stations
-->

3 结果分析

3.1 东南沿海前汛期降水极值变化特征分析

降水极值序列的均值和方差是体现变化趋势稳定性和变异性的重要指标.因此,本研究主要借助分析降水极值序列的均值和方差变化来探究降水极值的变化特征.GAMLSS模型得到降水极值序列均值和方差的变化趋势,通过MK检验发现(图2),均值增加趋势稳定且显著性达到0.01的站点主要集中在广东珠江口地区,广东北部和西部沿海,福建西部的宁化,中部的九仙山以及东部的平潭,浙江省中部的义乌,东北部的嵊县及岛屿站点嵊泗.位于浙江北部嘉兴市的平湖站和福建东南沿海的厦门站降水极值的增加趋势也达到了0.05显著水平,表现出了较为稳健的增加趋势.相反,海南省,广东东部和福建北部的部分站点均值减少显著,上海市郊的宝山站也表现出减少趋势.降水极值序列方差增加达到0.01显著水平的站点主要位于广东西南部的阳江和高要,广东北部的南雄和东部的大埔等地,福建东部沿海的仙游,福建西北部的浦城,浙江东北部的杭州,湖州,慈溪以及中部的义乌.这些站点降水极值主要表现为变异性的加强,使降水极值事件更趋于极端化,从而导致极端降水风险增加.总体来说,前汛期东南沿海地区79个站点中超过半数站点的降水极值存在稳定的变化趋势,并且已有一些站点的降水极值方差显著增加.降水极值增加趋势稳定和变异性显著增强的站点普遍集中在浙江东北部,福建东部,广东中部和西南沿海等经济发达,人口稠密的区域,因而这些区域面临着更加严重的极端降水灾害的威胁.
显示原图|下载原图ZIP|生成PPT
图2东南沿海降水极值均值和方差变化趋势的MK检验空间分布
-->Fig. 2Spatial distribution of MK trends for mean and variance of precipitation extreme series in the southeast coastal region
-->

显示原图|下载原图ZIP|生成PPT
图3东南沿海综合气候指数和人类活动指数分布
-->Fig. 3Spatial distribution of comprehensive climate index and human activity index in the southeast coastal region
-->

3.2 东南沿海前汛期降水极值变化的影响机制分析

表1比较了各气候指数和综合气候指数与降水极值的相关性.总体上,综合气候指数与降水极值的相关性较好,线性相关达到0.1显著水平的站点有25个,远优于单一气候指数.因此,用综合气候指数代替单一气候指数,能够较为全面的考量多种气候指数对极端降水的影响,同时能够降低模型维数,提高运行效率.由综合气候指数和人类活动指数趋势分布(图3)可知,综合气候指数在上海及浙闽沿海,海南岛,浙江和福建内陆,广东大部呈现增加趋势;人类活动指数在大多数地区都呈现出增加趋势,沿海发达地区较内陆欠发达地区增加更为显著,能够反映该地区人类活动强度的分布规律.
Tab. 1
表1
表1东南沿海各气候指数和综合气候指数与降水极值相关性比较
Tab. 1Comparison of correlation between precipitation extremes and individual climate index as well as comprehensive climate index

气候指数	WP	NPO	PDO	AO	SOI	Nino 3	综合指数
最小相关系数	-0.39	-0.29	-0.35	-0.32	-0.30	-0.28	0.03
最大相关系数	0.29	0.33	0.25	0.29	0.41	0.52	0.50
相关性显著站点个数	6	5	4	7	7	7	25

新窗口打开
为揭示不同时期人类活动对降水极值变化的影响,将时间序列划分为1960-1985年和1986-2012年两个阶段,前者代表人类活动增加缓慢期,后者代表人类活动快速增加期.计算两个阶段气候变化和人类活动对降水极值序列均值和方差变化趋势的相对贡献率,可以发现,总体上后一阶段相对前一阶段降水极值受到了更广泛的人类活动影响(图4).从降水极值的均值来看,浙江省前一阶段的人类活动影响集中在北部沿海,而后阶段人类活动影响扩散至中部,西部以及整个沿海;广东省的人类活动影响高值区从北部扩展至西部沿海;海南省西部沿海的人类活动影响增加明显;福建省西南部后阶段受到较多的人类活动影响.就降水极值方差而言,从上海至浙江北部,人类活动的影响逐步大于气候变化,尤其在浙江北部和东北部的后阶段人类活动贡献率比气候变化贡献率多出8%以上;广东人类活动贡献高值区向西南沿海集中;海南省北部和南部的人类活动贡献明显增加.以上气候变化和人类活动贡献率的空间变化总体上与东南沿海地区经济社会发展的空间变化相匹配,由于经济社会的快速发展,后阶段人类活动贡献较大的区域范围普遍大于前一阶段,尤其在浙江和广东这种变化特征更加明显,人类活动的影响趋于增强.另外,比较影响范围发现,人类活动更易对降水极值方差产生影响.
显示原图|下载原图ZIP|生成PPT
图41960-1985年和1986-2012年东南沿海气候变化和人类活动对降水极值的相对贡献率空间分布
-->Fig. 4Spatial distribution of the relative contribution of climatic change and human activity to precipitation extremes in 1960-1985 and 1986-2012 in the southeast coastal region
-->

本文运用GAMLSS模型得到综合气候指数和人类活动指数对降水极值序列位置参数和尺度参数的拟合系数,以此表征两类因子对降水极值序列均值和方差变化的影响.当综合气候指数作为解释变量时,绝大部分站点的系数为正(图5),说明气候变化与降水极值的均值变化趋势普遍呈现正相关,而综合气候指数与降水极值方差的相关关系则无明显空间规律.人类活动因子对降水极值均值产生正向影响的站点主要集中于广东西部沿海和中部地区,浙江省东部沿海和中部,福建省东部及东南沿海(图6).就方差变化而言,人类活动指数可解释的区域较少,仅在广东省西南沿海,珠江口东岸和北部以及福建西部和东部,浙江北部存在少量站点降水极值的方差随人类活动影响的变化而发生变化.总体上,人类活动因子影响降水极值趋势的站点集中在东南沿海地区人口和经济高度集中的地区,包括广东中部和南部沿海,福建东部沿海及浙江东北部地区.
显示原图|下载原图ZIP|生成PPT
图5综合气候指数在GAMLSS模型中的拟合系数空间分布
-->Fig. 5Spatial distribution of the fitting coefficients for comprehensive climate index in GAMLSS model
-->

显示原图|下载原图ZIP|生成PPT
图6东南沿海人类活动指数在GAMLSS模型中的拟合系数空间分布
-->Fig. 6Spatial distribution of the fitting coefficients for human activity index in GAMLSS model in the southeast coastal region
-->

3.3 东南沿海前汛期极端降水风险变化时空特征分析

选取2年一遇(位于50百分位上的降水量)和100年一遇(位于99百分位上的降水量)降水事件分别代表高频降水事件和低频降水事件,运用GAMLSS模型拟合得到两种降水事件的重现雨量.由图7可知,浙江省2年一遇和100年一遇降水事件降水量都呈现由西南向东北递减的规律,从变化趋势上来看,两种降水事件的降水量在浙江东北部都有非常显著的增加.对福建而言,2年一遇高频降水事件的降水量基本呈现西多东少的特征,最高值区位于福建省西北部,一般在100 mm以上;而100年一遇极端降水事件的降水量则具有西北和东南两个高值区,大约300 mm;降水量变化趋势表明,福建西北部和西南地区的一些站点高频和低频降水事件的降水量均有显著增加趋势,中部和东南沿海一些站点的100年一遇降水事件强度增加趋势达到0.01显著水平,福建全省面临极端降水风险增加的威胁.广东是东南沿海各省市降水量的最高值区,2年一遇和100年一遇降水事件的降水量都集中在该省西南沿海及中部.广东北部是2年一遇高频降水事件的次高值区,雷州半岛是广东100年一遇极端降水事件的又一高值区.从变化趋势来看,广东西南沿海,中部和北部地区的极端降水事件强度还在持续增强.总体而言,极端降水事件的降水量明显增加区域与经济社会发展程度有较强的空间关联性,表明应在该区域加强对极端降水及其次生灾害的风险防范.
显示原图|下载原图ZIP|生成PPT
图7东南沿海2年一遇和100年一遇降水事件的降水量空间分布
-->Fig. 7Spatial distribution of precipitation amount for the 2-year return period event and 100-year return period event in the southeast coastal region
-->

显示原图|下载原图ZIP|生成PPT
图8东南沿海代表站点2年一遇与100年一遇降水事件的降水量时间变化
-->Fig. 8Temporal variation of precipitation amount for the 2-year return period event and 100-year return period event at the representative stations in the southeast coastal region
-->

根据模型结果,进一步选取能够代表极端降水风险增加最为显著,且由于城镇化程度较高或者地质条件脆弱容易形成较大灾情的6个代表站点,分别是浙江的杭州,福建的浦城,广东的韶关,增城,阳江和高要.图8为6个代表站点2年一遇和100年一遇降水事件降水量的模拟结果,表2给出了GAMLSS的拟合参数以及拟合残差(Filliben系数)和残差的分布矩,Filliben系数均大于0.98,代表了模型拟合残差均较好地服从正态分布,说明模型拟合效果较好^[27].由图8可知,6个站点100年一遇极端降水事件的降水量增加显著,其中,阳江站的降水极值从1960年的200 mm左右增加到2005年的700 mm,增幅达3倍以上.2年一遇高频降水事件的降水量在广东省韶关,增城,阳江,高要也明显增加.
Tab. 2
表2
表2东南沿海代表站点GAMLSS模型拟合参数及拟合残差
Tab. 2Fitting parameters and residuals of GAMLSS model at the representative stations in the southeast coastal region

站点	最优分布	AIC值	均值	方差	偏态系数	峰度系数	Filliben系数
杭州	IGAMMA	487.63	0.003	1.01	-0.03	1.88	0.984
浦城	IGAMMA	514.22	0.008	1.01	-0.18	2.29	0.992
韶关	IG	516.03	-0.015	1.01	-0.10	2.37	0.996
增城	IG	517.38	0.006	1.02	0.03	2.04	0.984
阳江	SN2	620.74	-0.151	1.17	0.34	2.15	0.983
高要	IG	531.01	0.017	1.03	0.15	2.29	0.995

新窗口打开

4 讨论

不少****对变化环境下水文气象要素的非平稳性特征进行了研究,并证实了传统的平稳性假设可能导致结果的不确定性^[21-22].极端降水序列在非平稳条件下的变化特征及其归因的探讨目前还很缺乏.本文选取能够客观反映东南沿海气候条件的气象站点,探讨了极端降水的区域变化特征;从气候变化和人类活动两个方面,分析了极端降水趋势变化的影响机制及其灾害风险,为揭示极端气候事件与全球气候变化及区域发展之间的相互关系提供了有益的思路和方法,为变化环境下的灾害风险评估以及水利工程设计提供了科学依据.
鉴于降水影响机制的复杂性,本文筛选的79个站点相对于研究区站点密度较低,也未考虑数据资料非均一性的影响.本文暂未对研究区站点进行归类,以此区分各影响因子对不同站点的效应差别.已有研究表明,随着城镇化的快速发展,在同一地区内部可能形成特殊的局地气象环境,导致极端降水变化特征在同一区域内的显著差异^[35-37].因此,为了从更加微观和局地的角度研究极端降水变化特征,需要更多高质量高密度的气象站点做支撑.本文着重分析了前汛期的降水极值序列,而东南沿海地区后汛期(7-9月)极端降水更为复杂,包括非热带气旋降水和热带气旋降水等多种类型.因此在未来的研究中,需要同时考虑多种降雨类型下的极端降水变化特征及其影响机制.

5 结论

(1)运用GAMLSS模型模拟东南沿海地区1960-2012年前汛期(4-6月)降水极值的均值和方差序列,通过MK趋势检验发现降水极值序列具有稳定增加趋势,降水极值的年际变异性明显增强的区域主要集中在浙江东北部,广东中部和西南沿海,福建东部等.
(2)运用贡献分析法和GAMLSS模型分析降水极值变化的原因发现,1986-2012年社会经济快速发展阶段人类活动贡献更为显著的区域明显大于1960-1985年社会经济发展缓慢阶段,尤其在浙江和广东两省,并且人类活动对降水年际变异性的增量贡献较大.GAMLSS模型结果表明,气候变化与降水极值均值的变化主要呈正相关;人类活动对降水极值的均值和方差趋势产生正向影响的站点与降水极值增加趋势显著的站点具有较好的一致性,在东南沿海经济社会发展迅速的地区降水极值的显著变化与人类活动的增强有明显关联.
(3)通过GAMLSS模型模拟2年一遇和100年一遇降水事件的降水量发现,广东中部和西部沿海是东南沿海地区最高值区.趋势检验表明,浙江省东北部,福建省大部分地区,广东西部沿海以及中北部地区2年一遇和100年一遇降水事件都显著增强,灾害高风险和经济高增长并存,需要加强该区域的灾害风险防范.
The authors have declared that no competing interests exist.

---

参考文献文献选项 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]	Wang Zhifu, Qian Yongfu.Frequency and intensity of extreme precipitation events in China. Advances in Water Science, 2009, 20(1): 1-9. [本文引用: 1] [王志福, 钱永甫. 中国极端降水事件的频数和强度特征 . 水科学进展, 2009, 20(1): 1-9.] [本文引用: 1]
[2]	Wang Baolong, Zhang Mingjun, Wei Junlin, et al.The change in extreme events of temperature and precipitation over northwest China in recent 50 years. Journal of Natural Resources, 2012, 27(10): 1720-1733. [汪宝龙, 张明军, 魏军林, 等. 西北地区近50a气温和降水极端事件的变化特征 . 自然资源学报, 2012, 27(10): 1720-1733.]
[3]	Yuan Wende, Zheng Jiangkun, Dong Kui.Spatial and temporal variation in extreme precipitation events in Southwestern China during 1962-2012. Resources Science, 2014, 36(4): 766-772. [袁文德, 郑江坤, 董奎. 1962-2012年西南地区极端降水事件的时空变化特征 . 资源科学, 2014, 36(4): 766-772.]
[4]	Ren Zhengguo, Zhang Mingjun, Wang Shengjie, et al.Changes in precipitation extremes in South China during 1961-2011. Acta Geographica Sinica, 2014, 69(5): 640-649. [任正果, 张明军, 王圣杰, 等. 1961-2011年中国南方地区极端降水事件变化 . 地理学报, 2014, 69(5): 640-649.]
[5]	Liu R, Liu S C, Ralph J C, et al.Trends of extreme precipitation in eastern China and their possible causes. Advances in Atmospheric Sciences, 2015, 32(8): 1027-1037.
[6]	Zhang D D, Yan D H, Wang Y C, et al.Changes in extreme precipitation in the Huang-Huai-Hai River basin of China during 1960-2010. Theoretical and Applied Climatology, 2015, 120(1): 195-209. [本文引用: 1]
[7]	IPCC. Climate Change 2013: The Physical Science Basis: The Summary for Policymakers of the Working Group I Contribution to the Fifth Assessment Report. Cambridge, UK: Cambridge University Press. [本文引用: 1]
[8]	Ohba M, Kadokura S, Yoshida Y, et al.Anomalous weather patterns in relation to heavy precipitation events in Japan during the Baiu Season. Journal of Hydrometeorology, 2015, 16(2): 688-701. [本文引用: 1]
[9]	Ohba M.Important factors for long-term change in ENSO transitivity. International Journal of Climatology, 2013, 33(6): 1495-1509. [本文引用: 1]
[10]	Xie S P, Hu K M, Hafner J, et al.Indian Ocean capacitor effect on Indo-western Pacific climate during the summer following El Nino. Journal of Climate, 2009, 22(3): 730-747.
[11]	Du Y, Yang L, Xie S P, et al.Tropical Indian Ocean in?uence on Northwest Pacific tropical cyclones in summer following strong El Nino. Journal of Climate, 2011, 24(1): 315-322. [本文引用: 1]
[12]	Chan J C L, Zhou W. PDO, ENSO and the early summer monsoon rainfall over south China. Geophysical Research Letters, 2005, 32, L08810. doi: 10.1029/2004GL022015. [本文引用: 2]
[13]	Wan S Q, Hu Y L, You Z Y, et al.Extreme monthly precipitation pattern in China and its dependence on Southern Oscillation. International Journal of Climatology, 2013, 33(4): 806-814. [本文引用: 2]
[14]	Ding Yihui.Human activity and the global climate change and its impact on water resources. China Water Resources, 2008(2): 20-27. [本文引用: 1] [丁一汇. 人类活动与全球气候变化及其对水资源的影响. 中国水利, 2008(2): 20-27.] [本文引用: 1]
[15]	Qin Dahe, Chen Yiyu, Ding Yihui, et al.Climate and Environment Changes in China (Volume 1). Beijing: Science Press, 2005. [本文引用: 1] [秦大河, 陈宜瑜, 丁一汇, 等. 中国气候与环境演变(上卷): 气候与环境的演变及预测. 北京: 科学出版社, 2005.] [本文引用: 1]
[16]	Gao X J, Zhao Z C, Ding Y H, et al.Climate change due to greenhouse effects in China as simulated by a regional climate model. Advances in Atmospheric Sciences, 2001, 18(6): 1224-1230. [本文引用: 1]
[17]	Zou Yongchang, Yang Xiuqun, Pan Zhixiang, et al.Effect of CO2 doubling on extreme precipitation in eastern China. Advances in Climate Change Research, 2008, 4(2): 84-89. [本文引用: 1] [邹用昌, 杨修群, 潘志祥, 等. CO2倍增对我国东部极端降水的影响 . 气候变化研究进展, 2008, 4(2): 84-89.] [本文引用: 1]
[18]	Fu C B.Potential impacts of human-induced land cover change on East Asia monsoon. Global and Planetary Change, 2003, 37(3/4): 219-229. [本文引用: 1]
[19]	Liu Jiyuan, Shao Quanqin, Yan Xiaodong, et al.An overview of the progress and research framework on the effects of land use change upon global climate. Advances in Earth Science, 2011, 26(10): 1015-1022. [刘纪远, 邵全琴, 延晓冬, 等. 土地利用变化对全球气候影响的研究进展与方法初探 . 地球科学进展, 2011, 26(10): 1015-1022.]
[20]	Salazar A, Baldi G, Hirota M, et al.Land use and land cover change impacts on the regional climate of non-Amazonian South America: A review. Global and Planetary Change, 2015, 128: 103-119. [本文引用: 1]
[21]	Gilroy K L, McCuen R H. A nonstationary ?ood frequency analysis method to adjust for future climate change and urbanization. Journal of Hydrology, 2012, 414: 40-48. [本文引用: 2]
[22]	Milly P C D, Betancourt J, Falkenmark M, et al. Climate change - Stationarity is dead: Whither water management? Science, 2008, 319(5863): 573-574. [本文引用: 2]
[23]	Rigby R A, Stasinopoulos D M.Generalized additive models for location, scale and shape. Journal of the Royal Statistical Society Series C: Applied Statistics, 2005, 54(3): 507-554. [本文引用: 2]
[24]	Villarini G, Smith J A, Napolitano F.Nonstationary modeling of a long record of rainfall and temperature over Rome. Advances in Water Resources, 2010, 33(10): 1256-1267. [本文引用: 1]
[25]	Jiang Cong, Xiong Lihua.Trend analysis for the annual discharge series of the Yangtze River at the Yichang hydrological station based on GAMLSS. Acta Geographica Sinica, 2012, 67(11): 1505-1514. [本文引用: 1] [江聪, 熊立华. 基于GAMLSS模型的宜昌站年径流序列趋势分析 . 地理学报, 2012, 67(11): 1505-1514.] [本文引用: 1]
[26]	Villarini G, Smith J A, Serinaldi F, et al.Flood frequency analysis for nonstationary annual peak records in an urban drainage basin. Advances in Water Resources, 2009, 32(8): 1255-1266. [本文引用: 1]
[27]	Zhang Q, Gu X H, Vijay P S, et al.Evaluation of ?ood frequency under non-stationarity resulting from climate indices and reservoir indices in the East River basin, China. Journal of Hydrology, 2015, 527: 565-575. [本文引用: 2]
[28]	Wang Jing'ai, Zhou Hongjian, Yuan Yi, et al. Regional Disaster System and the Risk Prevention Mode of Typhoon Disaster Chain: A Case Study of Guangdong. Beijing: China Environmental Science Press, 2013: 31-36. [本文引用: 1] [王静爱, 周洪建, 袁艺, 等. 区域灾害系统与台风灾害链风险防范模式: 以广东为例. 北京: 中国环境出版社, 2013: 31-36.] [本文引用: 1]
[29]	Wang Shuai, Pan Benfeng, Zhang Jianhui, et al.Comparision study on the calculation methods of ambient air quality comprehensive index. Environmental Monitoring in China, 2014, 30(6): 46-52. [本文引用: 1] [王帅, 潘本锋, 张建辉, 等. 环境空气质量综合指数计算方法比选研究 . 中国环境监测, 2014, 30(6): 46-52.] [本文引用: 1]
[30]	Karl T R, Knight R W.Secular trends of precipitation amount, frequency, and intensity in the United States. Bulletin of the American Meteorological Society, 1998, 79(2): 231-241. [本文引用: 1]
[31]	Gong Daoyi.Arctic oscillation's significance for precipitation of East Asian summer monsoon rainfall. Meteorological Monthly, 2003, 29(6): 3-6. [本文引用: 1] [龚道溢. 北极涛动对东亚夏季降水的预测意义 . 气象, 2003, 29(6): 3-6.] [本文引用: 1]
[32]	Wang Lin, Chen Wen, Feng Ruiquan, et al.The seasonal march of the North Pacific Oscillation and its association with the interannual variations of China's climate in boreal winter and spring. Chinese Journal of Atmospheric Sciences, 2011, 35(3): 393-402. [王林, 陈文, 冯瑞权, 等. 北太平洋涛动的季节演变及其与我国冬春气候异常的联系 . 大气科学, 2011, 35(3): 393-402.]
[33]	Hu Guifang, Zou Jin, Zhang Xuan.Influences of Nino3 SST rising in the second half year on East Asia spring general circulation and Shandong spring precipitation. Journal of Applied Meteorological Science, 2005, 16(6): 772-778. [本文引用: 1] [胡桂芳, 邹瑾, 张璇. 下半年Nino3区海表升温对东亚春季大气环流及山东春季降水的影响 . 应用气象学报, 2005, 16(6): 772-778.] [本文引用: 1]
[34]	Joint Research Center. Global emissions EDGAR v4.2 (November 2011) [R/OL]. 2011 [2012-7-25]. .URL [本文引用: 1]
[35]	Huff F A, Changnon S A.Climatological assessment of urban effects on precipitation at St. Louis. Journal of Applied Meteorology, 1972, 11(5): 823-842. [本文引用: 1]
[36]	Rosenfeld D.Suppression of rain and snow by urban and industrial air pollution. Science, 2000, 287(5459): 1793-1796.
[37]	Liang Ping, Ding Yihui, He Jinhai, et al.The study on relationship between urbanization speed and the spatial distribution of precipitation in Shanghai. Journal of Tropical Meteorology, 2011, 27(4): 475-483. [本文引用: 1] [梁萍, 丁一汇, 何金海, 等. 上海地区城市化速度与降水空间分布变化的关系研究 . 热带气象学报, 2011, 27(4): 475-483.] [本文引用: 1]