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 HUANGJie, GAOLu, CHENXingwei, CHENYing, LIUMeibing. 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
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: (1) 式中:CI为综合气候指数;a1, et al.am为各主成分中各因子的权重系数;x1, et al.xm为各因子的标准化值;r1, et al.rm为各因子与各站点降水极值序列的线性相关系数;Z1, et al.Zn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: (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yi个独立观测值,i = 1, 2, , et al.n,且服从分布Fy(Yi|θi),其中,θiT =(θi1, θi2, , et al., θip)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: (3) 式中:θk是一个长度为n的向量; 是一个n × m的解释变量矩阵;βk是一个长度为m的参数向量.hjk(.)代表分布参数和解释变量xjk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: (4) 式中:bc为气候变化引起的降水极值序列变化的趋势增量;Tc为综合气候指数趋势值;pm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: (5) 式中:bh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: (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
(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.
WangBaolong, ZhangMingjun, WeiJunlin, et al.The change in extreme events of temperature and precipitation over northwest China in recent 50 years. , 2012, 27(10): 1720-1733.
YuanWende, ZhengJiangkun, DongKui.Spatial and temporal variation in extreme precipitation events in Southwestern China during 1962-2012. , 2014, 36(4): 766-772.
LiuR, Liu SC, Ralph JC, et al.Trends of extreme precipitation in eastern China and their possible causes. , 2015, 32(8): 1027-1037.
[6]
Zhang DD, Yan DH, Wang YC, et al.Changes in extreme precipitation in the Huang-Huai-Hai River basin of China during 1960-2010. , 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]
OhbaM, KadokuraS, YoshidaY, et al.Anomalous weather patterns in relation to heavy precipitation events in Japan during the Baiu Season. , 2015, 16(2): 688-701. [本文引用: 1]
[9]
OhbaM.Important factors for long-term change in ENSO transitivity. , 2013, 33(6): 1495-1509. [本文引用: 1]
[10]
Xie SP, Hu KM, HafnerJ, et al.Indian Ocean capacitor effect on Indo-western Pacific climate during the summer following El Nino. , 2009, 22(3): 730-747.
[11]
DuY, YangL, Xie SP, et al.Tropical Indian Ocean in?uence on Northwest Pacific tropical cyclones in summer following strong El Nino. , 2011, 24(1): 315-322. [本文引用: 1]
[12]
Chan J CL, ZhouW. PDO, ENSO and the early summer monsoon rainfall over south China. , 2005, 32, L08810. doi: 10.1029/2004GL022015. [本文引用: 2]
[13]
Wan SQ, Hu YL, You ZY, et al.Extreme monthly precipitation pattern in China and its dependence on Southern Oscillation. , 2013, 33(4): 806-814. [本文引用: 2]
Gao XJ, Zhao ZC, Ding YH, et al.Climate change due to greenhouse effects in China as simulated by a regional climate model. , 2001, 18(6): 1224-1230. [本文引用: 1]
[17]
ZouYongchang, YangXiuqun, PanZhixiang, et al.Effect of CO2 doubling on extreme precipitation in eastern China. , 2008, 4(2): 84-89. [本文引用: 1]
Fu CB.Potential impacts of human-induced land cover change on East Asia monsoon. , 2003, 37(3/4): 219-229. [本文引用: 1]
[19]
LiuJiyuan, ShaoQuanqin, YanXiaodong, et al.An overview of the progress and research framework on the effects of land use change upon global climate. , 2011, 26(10): 1015-1022.
SalazarA, BaldiG, HirotaM, et al.Land use and land cover change impacts on the regional climate of non-Amazonian South America: A review. , 2015, 128: 103-119. [本文引用: 1]
[21]
Gilroy KL, McCuen R H. A nonstationary ?ood frequency analysis method to adjust for future climate change and urbanization. , 2012, 414: 40-48. [本文引用: 2]
[22]
Milly P CD, BetancourtJ, FalkenmarkM, et al. Climate change - Stationarity is dead: Whither water management? , 2008, 319(5863): 573-574. [本文引用: 2]
[23]
Rigby RA, Stasinopoulos DM.Generalized additive models for location, scale and shape. , 2005, 54(3): 507-554. [本文引用: 2]
[24]
VillariniG, Smith JA, NapolitanoF.Nonstationary modeling of a long record of rainfall and temperature over Rome. , 2010, 33(10): 1256-1267. [本文引用: 1]
[25]
JiangCong, XiongLihua.Trend analysis for the annual discharge series of the Yangtze River at the Yichang hydrological station based on GAMLSS. , 2012, 67(11): 1505-1514. [本文引用: 1]
VillariniG, Smith JA, SerinaldiF, et al.Flood frequency analysis for nonstationary annual peak records in an urban drainage basin. , 2009, 32(8): 1255-1266. [本文引用: 1]
[27]
ZhangQ, Gu XH, Vijay PS, et al.Evaluation of ?ood frequency under non-stationarity resulting from climate indices and reservoir indices in the East River basin, China. , 2015, 527: 565-575. [本文引用: 2]
[28]
WangJing'ai, ZhouHongjian, YuanYi, 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]
WangShuai, PanBenfeng, ZhangJianhui, et al.Comparision study on the calculation methods of ambient air quality comprehensive index. , 2014, 30(6): 46-52. [本文引用: 1]
WangLin, ChenWen, FengRuiquan, 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. , 2011, 35(3): 393-402.
HuGuifang, ZouJin, ZhangXuan.Influences of Nino3 SST rising in the second half year on East Asia spring general circulation and Shandong spring precipitation. , 2005, 16(6): 772-778. [本文引用: 1]
Joint Research Center. Global emissions EDGAR v4.2 (November 2011) [R/OL]. 2011 [2012-7-25]. .URL [本文引用: 1]
[35]
Huff FA, Changnon SA.Climatological assessment of urban effects on precipitation at St. Louis. , 1972, 11(5): 823-842. [本文引用: 1]
[36]
RosenfeldD.Suppression of rain and snow by urban and industrial air pollution. , 2000, 287(5459): 1793-1796.
[37]
LiangPing, DingYihui, HeJinhai, et al.The study on relationship between urbanization speed and the spatial distribution of precipitation in Shanghai. , 2011, 27(4): 475-483. [本文引用: 1]