青藏高原强降水量变化特征分析

Analysis of the Characteristics of Heavy Precipitation Changes in the Qinghai-Tibet Plateau

摘要: 青藏高原具有独特的地形地貌和地表特征，研究该地区极端降水变化特征对指导当地防灾减灾具有重大意义。本文利用CHM_PRE数据集，通过百分位阈值法计算极端降水阈值，并将阈值与极端降水指数强降水量(R95P)定义结合，计算出强降水量，运用线性倾向估计法、滑动t检验、M_K突变检验以及小波分析，对青藏高原区域的极端降水变化特征进行分析。主要结论如下：1) 青藏高原的极端降水平均阈值为12.43 mm，其空间分布呈现出自东南向西北递减的趋势。阈值最大的区域位于林芝市察隅县，阈值最低的区域主要分布在柴达木盆地和昆仑山地区。2) 青藏高原地区年和春夏秋季的强降水量空间分布与极端降水阈值的空间分布相近，都是由东南向西北递减。3) 近51年青藏高原年和夏季强降水量表现明显的年际变化，整体呈上升趋势，其他季节的变化趋势较小。4) 近51年青藏高原年、春、夏和秋季的强降水量变化趋势空间分布基本一致，呈增加趋势的区域大于呈减少趋势的区域。青藏高原东部、中部偏南的小部分区域基本呈减少趋势，其余区域则为增加趋势。5) 近51年青藏高原年和春季的强降水量变化周期以17年左右为主。夏季强降水量主要的变化周期是17年左右，此外，还存在26年左右的周期变化。秋季强降水量则存在25年、12年和3年三种周期，其中25年左右的周期最显著。6) 通过进行M_K突变检验和滑动t检验，得到近51年青藏高原地区的年强降水量在2012年发生突变；春季在2002年发生了突变；夏季在2012年发生突变；秋季在1999年发生突变。

Abstract: The Qinghai-Tibet Plateau possesses unique topographical features and surface characteristics. Investigating the characteristics of extreme precipitation variations in this area holds significant importance for local disaster risk reduction efforts and socio-economic development. In this study, we employed the CHM_PRE dataset to compute extreme precipitation thresholds using the percentile threshold method. These thresholds were then integrated with the extreme precipitation index R95P to derive corresponding values. Utilizing linear trend estimation, wavelet analysis, M_K abrupt change tests, and sliding t-tests, we conducted an in-depth analysis of the spatiotemporal patterns of extreme precipitation across the Qinghai-Tibet Plateau region. Our key findings are summarized as follows: 1) The average threshold for extreme precipitation in the Qinghai-Tibet Plateau is 12.43 mm, with a spatial distribution that decreases from southeast to northwest. The area with the highest threshold is located in Chayu County, Nyingchi City, while the areas with the lowest thresholds are mainly distributed in the Qaidam Basin and the Kunlun Mountain region. 2) The spatial distribution of strong precipitation in the Qinghai-Tibet Plateau during the annual and spring-summer-autumn seasons is similar to that of the spatial distribution of extreme precipitation thresholds, both decreasing from southeast to northwest. 3) Over the past 51 years, the annual and summer R95P on the Tibetan Plateau have shown significant interannual variability, with an overall upward trend, while other seasons exhibit less pronounced trends. 4) Over the past 51 years, the spatial distribution of the trend in strong precipitation amounts during the annual, spring, summer, and autumn seasons in the Qinghai-Tibet Plateau has been largely consistent, showing an increasing trend in areas where it is more prevalent than in areas where it is decreasing. A small part of the eastern and south-central regions of the Qinghai-Tibet Plateau generally show a decreasing trend, while the rest of the areas exhibit an increasing trend. 5) Over the past 51 years, the Tibetan Plateau’s annual and spring R95P cycles are primarily 17 years long. The summer cycle is similar, with an additional 26-year period. Autumn shows cycles of 25, 12, and 3 years, with the 25-year cycle being the most significant. 6) By conducting Mann-Kendall mutation tests and sliding t-tests, it was found that over the past 51 years, the annual heavy precipitation in the Qinghai-Tibet Plateau region underwent a mutation in 2012; the spring season experienced a mutation in 2002; the summer season had a mutation in 2012; and the autumn season had a mutation in 1999.

1. 引言

1.1. 研究背景

政府间气候变化委员会(Intergovernmental Panel on Climate Change, IPCC) 2023年发布的第六次综合报告指出，在全球变暖的背景下，全球各地都面临着前所未有的气候系统挑战，包括海平面的持续上升、极端天气事件的频繁发生以及海冰的迅速消融，气温的进一步上升则会进一步加剧这些变化，会导致各类自然灾害频发，风险增加[1] [2]。相较于整体的气候变化，极端事件破坏力更明显更强大，不仅威胁到了人类的生存和社会的稳定，同时也对全球生态系统的平衡和生物多样性产生了深远影响[3]。

水循环在全世界范围内速率加快，这导致降水的空间分布模式发生显著变化，一些地区的降水量较历史平均水平有所增加，从而提升了这些地区极端降水事件的可能性。根据全球尺度的研究，只有少数地区观测到极端降水事件的减少，而大多数地区则显示出极端降水事件频率呈现上升趋势[2] [4]。自21世纪初，气候变化引发的异常现象不断加剧，极端降水的不稳定性日益增强。中国作为受气候变化影响显著的国家之一，每年由于洪水灾害引发的经济损失接近千亿元人民币，并且这一损失呈现出持续增长的趋势[5]。因此，研究青藏高原地区极端降水变化特征对指导当地防灾减灾以及促进社会经济和民生的可持续发展，具有重大意义。

1.2. 研究现状

国内外学者广泛关注极端降水的研究。从全球视角来看，自上世纪40年代以来，极端降水所发生的区域明显增多，变化趋势呈现增加的区域也明显增多[6]，例如北美[7]、亚洲[8]以及欧洲地区[9]，研究表明，北美的总降水量变化并不显著，然而极端降水量有上升的趋势；东亚的极端降水量变化则呈现出从南到北的“增–减–增”的纬度分布特征，而南亚地区的极端降水量同样显示出增长的趋势[10] [11]；在北欧地区，无论是极端降水还是总降水量，都显示出了增长的态势；在南欧地区，无论是在冬季还是夏季，降水量也都呈现出上升趋势。

中国对极端降水的关注和研究主要集中在从区域差异的角度出发，分析在气候变化影响下极端降水的未来走向。这些研究不仅预测了极端降水的变化幅度，还对这些变化的严重性进行了评估和分析[9]。在1951~2000年这50年中，中国长江中下游地区的极端强降水事件的发生频率显著增加[8] [12]。西南地区的极端降水具有明显的变化趋势，该地区降水强度在增加，但总降水量在减少[13]。与此同时，华北地区的极端强降水事件发生频率显著降低[8] [12]。对于青藏高原地区极端降水事件的相关研究，旦增尼玛等[14]搜集1961~2015年青藏高原逐日格点降水数据，通过计算6个反映降水强度、频率和持续期的极端降水指标，研究了在气候变暖的大背景下，这55年间青藏高原极端降水的时空分布特征。马伟东等[2]依据1961至2017年的逐日降水数据，运用百分位阈值法来界定极端降水的阈值，并据此计算极端降水指数。研究结果表明，青藏高原整体的极端降水量和降水日数均呈现上升趋势。曹瑜等[15]的研究揭示了青藏高原极端降水在季节和年代尺度上的变化趋势。研究指出，青藏高原的极端降水事件主要发生在夏季，其中西藏东部夏季的极端降水呈现下降趋势，而其他地区则主要呈现上升趋势。赵金鹏[16]通过分析青藏高原67个气象台站从1961年到2016年的逐日气温和降水数据，依据10个极端降水指标，发现强降水量和极端强降水量的增长占到了总降水量增加的一半以上，成为青藏高原降水量增长的主要驱动力。马伟东[17]利用1961至2017年间青藏高原气象站点的逐日降水数据和历史洪涝灾害记录，研究了青藏高原极端降水事件与洪涝灾害之间的关系，并计算了洪涝灾害的临界降水量。研究结果表明，大多数洪涝灾害的发生与降水有直接关联。

1.3. 研究意义

青藏高原，全世界海拔最高的高原，因其独特的地形地貌而闻名，有“世界屋脊”之称。该区域拥有丰富的冰川、积雪和冻土资源，构成了中低纬度地区高海拔地区永久冻土和山地冰川的典型代表，与南极和北极并列，被誉为“地球第三极”。青藏高原的冰川和冻土在全球气候变化研究中具有重要的指示意义[18]。

当前，青藏高原降水变化的研究多聚焦于长时段降水特征的演变，而对于该地区季节性及年度极端降水事件的空间分布特征、周期性以及突变点的探讨则相对匮乏。本研究采用时间尺度和空间尺度的综合分析手段，以青藏高原为主要研究对象，依托于该区域降水的长期序列数据，深入探讨极端降水事件的时空变异规律。该研究旨在揭示青藏高原极端降水的空间分布特性及其随时间的演变趋势，为该地区的灾害预防和减灾工作提供科学依据，具有理论和实践价值。

2. 资料与方法

2.1. 研究区概况

青藏高原，有“世界屋脊”之称，平均海拔超过4000米，约占对流层平均厚度的三分之一。它位于中国西部，横跨亚欧大陆中南部，包括西藏、青海以及新疆、四川、甘肃、云南部分地区。青藏高原西起帕米尔高原，东至横断山脉，北靠昆仑山、祁连山，南接喜马拉雅山。东西长约3000千米，接近大气长波的半波长；南北宽约1600千米，与大气长波的振幅相近。总面积超过200万平方公里，约占中国总面积的25%。青藏高原的地形极为复杂，拥有众多高耸的山脉、湍急的河流、星罗棋布的湖泊和盆地。地表性质多样，既有广布的冰川和冻土，也有寒漠、盐碱地，甚至还有湿润的热带雨林。这丰富的冰川、积雪和冻土资源构成了中低纬度地区高海拔地区永久冻土和山地冰川的典型代表，与南极和北极并列，因此被誉为“地球第三极”[19]。另外，从青藏高原与全球大气–海洋–陆地–水文相互耦合的视角出发，Xu et al. [20]提出了“大气水塔”理论，这一理论强调了青藏高原在大气水分循环中的关键作用。

这种独特的地形地貌和地表特征，使得青藏高原成为全球气候变化研究的重要区域，对全球的天气和气候系统以及水分循环具有重要的影响，本研究旨在揭示青藏高原极端降水的空间分布特性及其随时间的演变趋势[18] [21] [22]，为该地区的灾害预防和减灾工作提供科学依据，具有理论和实践价值(图1)。

Figure 1. Overview of the study area

图1. 研究区概况图

2.2. 资料概况

本研究主要对青藏高原地区1970~2020年的极端降水变化特征进行分析，资料来源于国家青藏高原科学数据中心(https://data.tpdc.ac.cn/)。CHM_PRE数据集汇集了自1961年至今，中国及其周边地区2839个气象站点的日降水观测记录。在构建该数据集时，除了采用了传统的降水背景场与降水比值场相结合的方法，还引入了月降水量的限制和地形因素的调整。此外，数据集的准确性通过与中国境内约4万个高密度站点2015至2019年的日降水量插值数据进行比较评估，对CHM_PRE数据集的精确度进行了验证。验证结果显示，CHM_PRE数据集能够有效地反映降水的空间差异性，其与高密度站点观测数据的相关性中位数达到0.78，均方根误差中位数为8.8 mm/d，KGE值中位数为0.69，与现有主要降水数据集(如CGDPA, CN05.1, CMA V2.0)显示出良好的一致性。该数据集的空间分辨率为0.25˚ × 0.25˚ [23]。

2.3. 研究方法

2.3.1. 极端降水指数(表1)

Table 1. Precipitation index and its definition

表1. 降水指数及定义

指数	缩写	定义	单位
强降水量	R95P	日降水量大于95% 分位值的累积量	mm

2.3.2. 降水倾向率法

即构建了强降水量R95P与时间序列的一元线性关系[24]：

$x_i=a+b{t}_i$ (1)

$i=1,2,3,\cdots ,n$ 。x_i与t_i相对应，n为样本数。a为线性回归常数，b为线性倾向系数，定义b的值放大10倍为降水倾向率(单位为mm/10a)，a和b通过最小二乘法计算得到：

$b=\frac{{\displaystyle \sum _{i=1}^n{x}_i{t}_i}-\frac{1}{n}\left({\displaystyle \sum _{i=1}^n{x}_i}\right)\left({\displaystyle \sum _{i=1}^n{t}_i}\right)}{{\displaystyle \sum _{i=1}^n{t}_i^2}-\frac{1}{n}{\left({\displaystyle \sum _{i=1}^n{t}_i}\right)}^2}$ (2)

公式中b值符号的大小表示气候变化的线性趋势变化，b > 0代表随着时间序列的变化该气候变量是呈上升的趋势，b < 0代表随着时间序列的变化该气候变量是呈下降的趋势。判定气候变量x_i随时间变化显著性用它们之间的线性相关系数r来判定，即：给定显著性水平α，r_α可经过相关系数表查得，是一个常数，若|r| > r_α，就说明在显著性水平α下，气候变量x_i随时间序列的变化趋势显著，也就是通过了α的显著性检验，否则表示变化趋势不显著。一般而言，α取0.01，0.05，0.001三个值为显著性水平，α值越小，则r_α值越大，变化趋势越显著。

2.3.3小波分析法

小波变换技术以其时频局部化分析能力而受到推崇，能够精确地识别强降水序列中的多尺度变化特征。这种方法有助于揭示降水数据在各个时间尺度上的关键变动周期，并为未来的模式预测提供依据。在本研究中，我们选择了一种特定的小波变换——复数Morlet小波变换，它的数学表达式为[24]：

$W_f\left(a,b\right)=\frac{1}{\sqrt{a}}{\displaystyle {\int }_{R}f\left(t\right){\text{e}}^{ic\left(\frac{t-b}{a}\right)}{\text{e}}^{\frac{t}{a}{\left(\frac{t-b}{a}\right)}^2}\text{d}t}$ (3)

式中$W_f\left(a,b\right)$ 是小波变换系数；a为尺度因子，表示小波的周期时间尺度；b为时间因子，含义为时间上的平移。

$W_f\left(a,b\right)$ 能够同时表示参数a和b的特性，并随两者变化。绘制以b为横坐标，a为纵坐标，关于$W_f\left(a,b\right)$ 的小波系数实部图，通过考察二维等值线的闭合中心的正负及其零点，我们可以捕捉到强降水序列的变化趋势和突变。此外，我们采用不同时间尺度作为横坐标，并以该时间尺度下的小波方差作为纵坐标，构建小波方差图。通过观察图中的峰值，可以确定出强降水序列的主要变化周期。

2.3.4 Mann-Kendall突变检验法

Mann-Kendall (M_K)检验是一种由H. B. Mann和M. G. Kendall共同提出并发展的时间序列趋势分析方法，它被世界气象组织认可为一种高效的分析工具[25] [26]，用于识别序列中的变化趋势。M_K检验的优势在于它能够忽略个别异常值的影响，从而更客观真实地揭示时间序列的内在趋势，并且已经在全球气候变化研究和水文数据分析中得到广泛应用。通过分析M_K检验得到的UF和UB序列，可以精确地确定序列中出现显著变化的特定时间和区域[26] [27]。计算方法如下：

$\begin{array}{l}{s}_k={\displaystyle \sum _{i=1}^k{r}_i}\\ r_i=\{\begin{array}{l}1,x_i>x_j\\ 0,x_i\le x_j\end{array}\begin{array}{c}j=1,2,\cdot \cdot \cdot ,i\end{array}\end{array}$ (4)

在公式(4)中，秩序列$s_k$ 是第i时刻数值大于j时刻数值个数的累计数，例如k = 1时，s₁ = 0。在时间序列随机独立的假定下，定义统计量：

$U{F}_k=\frac{s_k-E\left(s_k\right)}{\sqrt{Var\left(s_k\right)}},k=1,2,\cdot \cdot \cdot ,n$ (5)

$UF1=0$ ，$E\left(s_k\right)$ ，$Var\left(s_k\right)$ 是累计数$s_k$ 的均值和方差，在$x_1,x_2,\cdots ,x_n$ 相互独立，并且由相同连续分布时，可计算：

$E\left(s_k\right)=\frac{n\left(n-1\right)}{4},Var\left(s_k\right)=\frac{n\left(n-1\right)\left(2n+5\right)}{72}$ (6)

UF为标准正态分布，它是按时间序列x顺序$x_1,x_2,\cdots ,x_n$ 计算出的统计量序列。按时间序列x逆序再重复上述过程，构造逆序列UB。

当UF值呈现正值时，意味着序列显示出上升趋势；若为负值，则表示下降趋势。一旦UF值超出了置信水平界限，这暗示了趋势的变化具有统计显著性，而超出界限的区间标志着趋势转变的时间段。此外，UF与UB曲线的相交点，若位于置信界限之内，该交点所指的时间即为趋势变化的起点。

2.3.5. 滑动t检验法

在数学统计领域，滑动t检验的方法是对目标数据序列逐点进行分析。设滑动点前后，$F_1\left(x\right)$ 与$F_2\left(X\right)$ 分别是前后两个子序列的分布函数，从总体$F_1\left(x\right)$ 、$F_2\left(X\right)$ 中分别抽取容量为$n_1$ 、$n_2$ 的2个样本，要求进行检验原假设：$F_1\left(x\right)=F_2\left(X\right)$ ，

$T=\frac{{\overline{x}}_1-{\overline{x}}_2}{s_w\sqrt{\left(\frac{1}{n_1}+\frac{1}{n_2}\right)}}$ (7)

其中：

${\overline{x}}_1=\frac{1}{n_1}{\displaystyle \sum _{t=1}^{n_1}{x}_t},{\overline{x}}_2=\frac{1}{n_2}{\displaystyle \sum _{t=n_1+1}^{n_1+n_2}{x}_t}$

$s_w^2=\frac{\left(n_1-1\right)s_1^2+\left(n_2-1\right)s_2^2}{n_1+n_2-2}$

$s_1^2=\frac{1}{n_1-1}{\displaystyle \sum _{t=1}^{n_1}{\left(x_t-{\overline{x}}_1\right)}^2}$

$s_2^2=\frac{1}{n_2-1}{\displaystyle \sum _{t=n_1+1}^{n_1+n_2}{\left(x_t-{\overline{x}}_2\right)}^2}$

T服从$t\left(n_1+n_2-2\right)$ 分布，临界值$t_a$ 可以通过t分布表查得：当T的绝对值大于$t_a$ 时，拒绝原假设，结果揭示了所抽取的两个样本之间具有统计学上的显著差异即该时刻存在突变；当T的绝对值小于$t_a$ 时，接受原假设，表明抽取的两个样本之间不存在显著差异。

滑动t检验和M_K突变检验互补，在M_K突变检验时可能会存在多个疑似突变点，所以M_K检验需要与其他方法互相确认。

3. 研究结果

3.1. 极端降水量阈值

依据百分位阈值法的计算步骤，首先将青藏高原地区1970~2020年的非零日降水数据升序排列，后取其累计百分比达到95%的降水值定义为该格点极端降水事件的阈值。青藏高原的极端降水平均阈值为12.43 mm。如图2所示，其空间分布图呈现出从东南向西北递减的模式。极端降水阈值最大的区域位于林芝市察隅县，阈值最低的区域主要分布在柴达木盆地和昆仑山地区。根据计算所得的阈值，当日降水量超过此数值即可被视为极端降水事件，随后通过统计结果来分析极端降水指数强降水量(R95P)的时空分布特征。

Figure 2. The spatial distribution of extreme precipitation thresholds

图2. 极端降水量阈值空间分布

3.2. 强降水量空间分布特征

如图3所示，根据年均强降水量R95P的空间分布，发现其与极端降水阈值的空间分布相近，呈现出自东南向西北递减的趋势，年R95P的高值区域主要集中在青藏高原的西南部、雅鲁藏布江的下游地区、高原的东南部、四川省西部、怒江中下游地区、巴颜喀拉山脉以东的松潘地区，以及三江源地区；而低值区域则多位于祁连山以南、青海湖周边、柴达木盆地、喜马拉雅山脉北坡、羌塘高原，以及帕米尔高原的西部。根据统计分析，青藏高原地区的年均R95P值介于2.98至480.32毫米之间，这与姚彦伶等[28]所指出的年强降水量空间分布特征一致。

在1970~2020年高原春夏秋三季R95P空间分布中，呈现自东南向西北递减的分布态势，与年均的R95P空间分布和极端降水阈值呈现相似的分布特征。在一年中，夏季的R95P (图4(b))表现出较高水平，表明夏季的R95P对年R95P贡献较大。对比春季(图4(a))和秋季(图4(c))的R95P分布，秋季的R95P范围更广，强度更大。另外，四季中冬季的强降水量几乎为0，因此本篇论文不对冬季进行讨论研究。

Figure 3. The spatial distribution of the average annual heavy precipitation (R95P) from 1970 to 2020

图3. 1970~2020年年均强降水量(R95P)空间分布

Figure 4. The spatial distribution of seasonal heavy precipitation (R95P) from 1970 to 2020: (a) Spring, (b) Summer, (c) Autumn

图4. 1970~2020年季节强降水量(R95P)空间分布(a) 春季，(b) 夏季，(c) 秋季

3.3. 强降水量时间变化特征

如图5所示，在1970~2020年青藏高原地区年均R95P的年际变化及趋势中，得到青藏高原年R95P 51年的均值为64.42 mm，并且表现出了明显的年际震荡，年强降水量最低的是2006年，仅为45.59 mm；2018年的年强降水量最大为89.69 mm。且可以在图中看出，青藏高原夏季强降水偏多，51年的平均每年春季强降水量为5.3 mm，夏季为49.75 mm，秋季为8.89 mm，冬季为0.49 mm。综上所述，夏季强降水量在一年中占大部分比例，其次是秋季、春季和冬季。

青藏高原地区年和四季的R95P的年际倾向率是根据式(2)计算得来，从长期变化的线性趋势来看，年强降水量呈现出显著上升的趋势，倾向率为3.49 mm/10 a。春夏冬的R95P总体也都呈增加趋势，其中夏季R95P显著增加趋势明显，倾向率为2.95 mm/10a，和年强降水量的变化趋势有较好的一致性，相比之下，春季和冬季上升速率较微弱，春季通过了显著性检验但冬季未通过检验。秋季有减少的趋势，未通过显著性检验。

Figure 5. Interannual Variation and Trend of R95P in the Qinghai-Tibet Plateau Area from 1970 to 2020 (^***, ^**, ^*indicate the significance at 99%, 95% and 90% confidence levels respectively)

图5. 1970~2020年青藏高原地区R95P年际变化及趋势(^***, ^**, ^*分别表示通过0.01，0.05和0.1的显著性水平)

3.4. 强降水量趋势空间分布特征

青藏高原地区因其海拔差异显著和地形地貌多样，加之受西南涡旋和高原涡旋等天气系统的作用，导致降水以及其空间变化差异较大。因此，对1970至2020年青藏高原全年及季节的R95P趋势空间分布特征进行深入分析是必要的。从图6、图7可以看出，在51年的研究期内，研究区的年、春夏秋季的R95P趋势空间分布基本一致。

在全年R95P的趋势空间分布图(图6)中，气候倾向率为−6.5~6.01 mm/a。大部分地区呈现增加的趋势，显著增加的区域多分布在羌塘高原、青藏高原东北部、西北部部分区域以及川西地区。青藏高原中南部呈现显著性减少，柴达木盆地的北部、羌塘高原西部、三省交界处、喜马拉雅山北麓、青藏高原东部少部分地区呈不显著减少的趋势。

夏季(图7(b)) R95P的趋势空间分布特征与全年R95P更为相似，气候倾向率为−6.39至6.07 mm/a，绝大部分区域呈增加趋势，显著增加的区域主要位于高原东北部、川西东部、青藏高原西北部少部分地区和羌塘高原地区，而呈现趋势显著性减少的区域位于柴达木盆地的西北部和青藏高原中南部少部分地区。春季(图7(a))，气候倾向率为−3.21~1.46 mm/a，呈现显著增加的地区较为分散，在川西地区的东部、西藏西部、柴达木盆地西部、藏南谷地少部分地区呈显著性增加的趋势，少部分地区呈现不显著减少的趋势。秋季(图7(c))，气候倾向率为−2.27~0.81 mm/a，在四川青海西藏三省交界处和新疆南部呈现显著性增加，在青藏高原中南部少部分地区呈现显著性减少。

由于青藏高原台站多分布于中东部，青藏高原西部通过模型插值得出的结果较为平缓，会导致青藏高原西部通过显著性检验地区较多。

Figure 6. Spatial distribution of the trend in heavy precipitation changes from 1970 to 2020 (black dots indicate the significance at 95% confidence level)

图6. 1970~2020年强降水量变化趋势空间分布(阴影区域通过α = 0.05的显著性水平)

Figure 7. Spatial distribution of the trend in the seasonal heavy precipitation changes from 1970 to 2020, (a) spring, (b) summer, (c) fall (black dots indicate the significance at 95% confidence level)

图7. 1970~2020年季节强降水量变化趋势空间分布(a) 春季，(b) 夏季，(c) 秋季 (阴影区域通过α = 0.05的显著性水平)

3.5. 强降水量的周期分析

在小波方差图中，较大的方差对应于更长的时间尺度。在小波实部等值线图中，不同等值线之间的颜色深浅反映了周期性振荡信号的强度，颜色越深意味着信号越强烈。暖色调表示R95P的正值较强，而冷色调则表示R95P的负值较弱。

如图8(a)、图8(b)所示，在1970~2020年期间，青藏高原年R95P变化周期以17年为主，该信号较为强烈。年R95P小波实部分布图上表明(图8(a))，青藏高原地区年R95P在17年左右的周期较为明显，在研究期间均有很强的信号，期间经历两个完整的周期，1985年、2002年、2019年为R95P强中心，1977年、1994年、2011年为弱中心，2020年之后处于R95P强周期中后期；在更短时间尺度上，年R95P整体周期特征不明显，主要表现为阶段性特征，略明显的有10年和4年的时间尺度。

如图8(c)、图8(d)所示，在1970~2020年期间，青藏高原春季R95P存在一个显著周期，以17年周期信号最为强烈。春季R95P小波实部分布图上表明(图8(c))，青藏高原地区春季R95P在17年周期最为明显，在1970-2020年期间均有很强的信号，期间经历三个完整的周期，春季R95P强中心位于1971年、1988年、2006，春季R95P弱中心位于1979年、1996年、2014，2020年之后处于春季R95P强周期发展阶段；在更短时间尺度上，春季R95P整体周期特征不明显，主要表现为阶段性特征，略明显的有10年和3年周期。

如图8(e)、图8(f)所示，在1970~2020期间，青藏高原夏季R95P存在变化周期为17年左右和26年左右，其中17年左右的较为显著。夏季R95P小波实部分布图上表明(图8(e))，青藏高原地区夏季R95P在17年周期最为明显，51年的研究期内均有很强的信号，期间经历三个完整的周期，1985年、2001年、2019年为夏季R95P强中心，1976年、1993年、2010年为弱中心，2020年处于夏季R95P 17年强周期中后期；此外还存在26年左右的周期变化，这一时间尺度在研究期内信号较为强烈，2020年处于夏季R95P的26年强周期中后期。

如图8(g)、图8(h)所示，在1970~2020期间，青藏高原秋季R95P存在25年、12年和3年三种周期，其中25年左右的周期最显著。秋季R95p小波实部分布图上表明，青藏高原地区春季R95p在25年周期最为明显，在1970~2020年期间均有很强的信号，期间经历一个完整的周期，秋季R95p强中心位于1983年、2010年，秋季R95p弱中心位于1996年，2020年之后处于秋季R95p弱周期发展阶段；此外还存在12年次周期，这一时间尺度在1996~2020年信号较为强烈，2020年处于秋季R95p 12年强周期中期；在更短时间尺度上，秋季R95p还存在3年周期。

3.6. 强降水量的突变分析

对青藏高原地区1970~2020年间的年R95P进行M_K突变检验分析(图9(a))，研究表明1970~1984年UF < 0，年R95P呈下降趋势，且在1977年研究区的下降趋势超过了−1.96的置信度。1984~2020年UF > 0，年R95P呈上升趋势，2012年UF与UB在置信水平线之间出现交点，突变发生。在2015年研究区的年R95P的上升趋势超过临界置信水平线，表明2015~2020年的年R95P显著上升。

在青藏高原地区1970~2020年间的春季R95P进行M_K突变检验分析中(图9(b))，1999年以前UF < 0，春季R95P呈下降趋势，且在1981~1987年间研究区呈现显著下降趋势。1999~2020年UF > 0，春季R95P呈上升趋势，且在2015年后研究区的春季R95P呈显著上升。2002年、2004年、2005年、2014年UF与UB两线多次相交。

在青藏高原地区1970~2020年间的夏季R95P进行M_K突变检验分析中(图9(c))，经历了“减少–增加–减少–增加”4个趋势变化阶段，发生的时间段分别为1970~1984年、1985~1993年、1994~1998年、1999~2020年。2016年后夏季R95P增加趋势显著，疑似突变年份是2012年。

Figure 8. Wavelet coefficient contour map of heavy precipitation on the Tibetan Plateau (left) and variance map (right)

图8. 青藏高原强降水量小波系数等值线图(左)和方差图(右)

在青藏高原地区1970~2020年间的秋季R95P进行M_K突变检验分析中(图9(d))，1970~2020年期间青藏高原的秋季R95P有过两次增加趋势(1978~1994年和2008~2012年)和三次减少趋势(1970~1977年、1995~2007年和2013~2020年)。在这51年间UF和UB两曲线交点出现在1975年、1976年、2000年、2001年、2016年、2018年附近，且交点均位于1.96两临界线之间。

为进一步确定青藏高原年和春夏秋季的R95P的突变年份，现给定显著性水平 = 0.05，使用滑动t检验对长时间序列的年和春夏秋季的R95P进行分析(图10)，在滑动t检验中人为因素会存在一定的影响，检验步长step由自己设置，所以在突变检验过程中，会进行多次不同步长的尝试，并与M_K突变检验结果比对选择合适步长[29]。

年强降水量滑动t检验如图10(a)所示，经过对比选择步长4进行绘图分析，图中表明发生突变的年份为1977年与2015年，虽与M_K得出的突变年份2012年不同，但M_K检验的结果比较清晰且只存在一个交点，故青藏高原年强降水量在2012年发生突变；春季强降水量滑动t检验如图10(b)所示，经过对比选择步长10进行绘图分析，图中表明春季R95P发生突变的年份为2002年，结合M_K得出的疑似突变点，得到2002年为研究期内春季R95P的突变年份；夏季强降水量滑动t检验如图10(c)所示，经过对比选择步长8进行绘图分析，图中显示1997年和2012年作为为突变点，结合M_K检验中2012年为交点，得到2012年是研究期内夏季R95P的突变年份；秋季强降水量滑动t检验如图10(d)所示，经过对比选择步长3进行绘图分析，在图中得到突变年份是1999年，与M_K突变检验的得到的疑似突变点结合分析，得到1999年为研究期内秋季R95P的突变年份。

(a) (b)

(c) (d)

Figure 9. Statistical change diagram of the Mann-Kendall mutation test for heavy precipitation in the Tibetan Plateau region from 1970 to 2020 ((a) Annual R95P; (b) Spring R95P; (c) Summer R95P; (d) Autumn R95P)

图9. 1970~2020年青藏高原地区强降水量Mann-Kendall突变检验法统计变化图((a) 年R95P；(b) 春季R95P；(c) 夏季R95P；(d) 秋季R95P)

(a) (b)

(c) (d)

Figure 10. Sliding t-test results for heavy precipitation in the Tibetan Plateau region from 1970 to 2020 ((a) Annual R95P; (b) Spring R95P; (c) Summer R95P; (d) Autumn R95P)

图10. 1970~2020年青藏高原地区强降水量滑动t检验结果((a) 年R95P；(b) 春季R95P；(c) 夏季R95P；(d) 秋季R95P)

4. 结论与展望

4.1. 主要结论

本文利用空间分辨率为0.25˚ × 0.25˚的CHM_PRE数据集，通过百分位阈值法计算了极端降水阈值，并将阈值与极端降水指数强降水量(R95P)定义结合，计算出强降水量R95P。运用线性倾向估计法、滑动t检验、M_K突变检验以及小波分析，对青藏高原区域的极端降水变化特征进行分析。主要结论如下：

1) 青藏高原的极端降水平均阈值为12.43 mm，其空间分布呈现出从东南向西北递减的趋势。阈值最大的区域位于林芝市察隅县，阈值最低的区域主要分布在柴达木盆地和昆仑山地区。

2) 青藏高原地区年和春季夏季秋季的强降水量的空间分布与极端降水阈值的空间分布相近，都是由东南向西北递减，东南部是高值区，数值最大的区域位于雅鲁藏布江河谷地带。

3) 1970至2020年间青藏高原年均强降水量为64.42 mm，表现出明显的年际变化，2006年降水量最低(45.59 mm)，2018年最高(89.69 mm)。长期趋势显示年强降水量呈上升趋势，倾向率为3.49 mm/10 a。在各个季节中，春季和夏季的倾向率是增加的，夏季的倾向率特别显著，为2.95 mm/10 a，而秋季则有减少趋势但未通过显著性检验。

4) 近51年青藏高原年、春、夏和秋季的强降水量变化趋势空间分布基本一致，呈增加趋势的区域大于呈减少趋势的区域。青藏高原东部、中部偏南的小部分区域基本呈减少趋势，其余区域则为增加趋势。

5) 近51年青藏高原年和春季的强降水量变化周期以17年左右为主。夏季强降水量的变化周期是17年左右和26年左右。秋季强降水量则存在25年、12年和3年三种周期，其中25年左右的周期最显著。

6) 通过进行M_K突变检验和滑动t检验，得到近51年青藏高原地区的年强降水量在2012年发生突变；春季在2002年发生了突变；夏季在2012年发生突变；秋季在1999年发生突变。

4.2. 存在的问题与展望

本文对青藏高原的极端降水的分布特征进行分析，所选用的极端降水指数只有强降水量R95P，并不能完全适应高原特殊的降水分布特征，存在片面性。在小波分析周期时，未充分考虑是否存在边界效应，可能会导致分析结果与真实结果存在误差。由于青藏高原西部无人区站点稀少，在本研究中CHM_PRE数据集所用的插值方法可能会影响可靠性。

未来可以针对高原西部地区的多种遥感降水数据通过合理的降尺度方法进行误差比较以及偏差订正。也会更加深入了解其他的极端降水指数并进行分析对比，进一步结合大气环流等，分析极端降水变化的机理。

致 谢

自此，论文告一段落，大学生涯也要结束了，本以为还久，却没想到这么快就要毕业了。

在这里，我想借用宫崎骏老先生的一段话，人生就是一列开往坟墓的列车，路上有很多站，很难有人可以自始至终陪着走完。当陪你的人要下车时，即使不舍也该心存感激，然后挥手告别，祝福即可。

感谢我的导师赖老师的指导以及粟瑜学姐的帮助。感谢我的家人对我的关爱与支持。感谢好友草儿姐姐、凤姐、大颖子这些年的陪伴，很庆幸我们没有走散。感谢新朋友007、静儿、燕燕姐、tt姐、咕咕姐、雨雨姐、胡胡姐以及家里的新成员小黑，你们的陪伴让我的大学生活充满乐趣，感谢大学四年中所有的相遇。

成都信息工程大学，我们再会！