江苏沿海地区极端降水的统计特征分析

Analysis of Statistical Features for Extreme Rainfall in Coastal Areas of Jiangsu

摘要: 全球变暖气候背景下极端降水事件频发，为研究江苏沿海地区极端降水统计特征，基于江苏沿海地区1961~2022年21个国家站逐日降水数据及2013~2022年21个国家站和539个区域站逐小时雨量数据筛选出符合阈值标准的雨量站次。本文选取6个极端降水指数通过MK突变检验和小波分析提取出了江苏沿海地区63a来降水变化趋势并对三个市做了分析。结果表明：(1) 所有指标在30~40a尺度下有20a左右的周期性，在20a的尺度下有10a的周期性均并且以“强弱强”分布。(2) 大部分指标集中在2013、2014年发生突变，其中SDII和R99P有显著增长趋势。(3) 对于区域极端指标，PRCPTOT、R95P、R99P呈南高北低分布，而RX1DAY、RX5DAY以及SDII呈南低北高分布。(4) 在沿海三市中，南通市的极端降水指标均增长趋势显著，而三个市所有指标的周期性与沿海地区大致相同。

Abstract: Extreme rainfall events occur frequently under the background of global warming. In order to study the statistical characteristics of extreme rainfall in the coastal areas of Jiangsu, based on the daily dataset of 21 national stations in the coastal areas of Jiangsu from 1961 to 2022 and 21 national stations and 539 regions in the coastal areas of Jiangsu from 2013 to 2022, hourly rainfall data recorded by stations is used to filter out rainfall that meet the threshold criteria. This paper selects 6 extreme indices and extracts the 63-year precipitation change trend and periodicity in the coastal areas of Jiangsu and its three cities through MK test and wavelet analysis. The results show that: (1) All indices have a periodicity of about 20 years on a 30~40 years scale, and a periodicity of 10 years on a 20 year scale, and are distributed in a “strong, weak, strong” manner. (2) Most indicators mutated in 2013 and 2014, among which SDII and R99P showed significant growth trends. (3) For regional extreme indicators, PRCPTOT, R95P, and R99P are distributed higher in the south and lower in the north, while RX1DAY, RX5DAY, and SDII are distributed lower in the south and higher in the north. (4) Among the three coastal cities, the extreme precipitation indices in Nantong all have a significant growth trend, and the periodicity of all indices in these cities is roughly the same as that of the coastal area of Jiangsu.

1. 引言

政府间气候变化专门委员会(IPCC)第六次评估报告指出，受气候变化影响，全球范围内极端天气气候事件频繁发生，且在未来几十年极端高温和极端降水事件会更加频繁[1]。近年来，在我国不同区域的极端强降水事件也时有发生，如2016年华北“7月18~20日”，2021年郑州“7.20”特大暴雨，2023年京津冀“23.7”等特大暴雨过程，危害相当严重。极端强降水事件引起了众多学者的普遍关注，并对各行政区极端降水的时空分布、形成机理和环境参数等进行了研究。Zhai等[2]通过分析近50a来中国极端强降水的变化趋势，发现我国西部地区、长江流域和东南沿海地区有上升趋势，华北地区和四川盆地有显著减弱趋势；向宇豪等[3]研究长江三角洲城市群极端降水的时空变化特征，发现极端降水指标的多年均值随纬度的增加而减少；蔡敏等[4]发现中国东部地区的极端强降水量与降水总量的分布相似，均呈从东南沿海地区向西北方向递减的特征；Wang等[5]还发现江淮地区的日最大降水量、极强降水量和日降水强度指数有显著增加趋势，且大多数指数存在2~4a的振荡周期。江苏地处淮河流域和长江流域的下游，东临黄海，海洋和大陆间的相互作用使得其东部沿海地区气候和自然环境复杂多变。目前，关于江苏地区极端降水的研究多侧重于过程分析和机理研究[6]，时空分布特征研究较少。沈伟等[7]基于小时降水量发现江苏地区短时强降水日变化存在季节内演变的阶段性特征和地域性差异；沈澄等[8]发现2008~2012年南京地区小时雨强大于50 mm的短时强降水发生次数有显著增加趋势，空间分布上有城郊差异；鞠艳等[9]利用逐日降水资料根据11个极端降水的强度、频率和持续性分析了里下河地区的时空变化特征；袁晶等[10]研究了南通地区极端降水事件的时空分布特征和分型，发现2006~2014年南通地区强降水事件有增加趋势，且沿海地区明显少于内陆。以上研究虽然对江苏区域内极端降水的变化趋势有所涉及，但针对沿海地区极端降水的时空分布特征研究并未见到。因此，本文聚焦江苏沿海地区(连云港、盐城、南通)，基于国家基本站和区域自动站1961~2022年的逐小时(日)降水量，选取6个极端降水指数并采用Mann-Kendall突变检验、滑动T检验以及小波分析对沿海地区极端降水时空分布特征开展系统分析，有利于揭示沿海地区极端强降水事件的统计特征，为短时强降水的预报预测和决策服务提供气候背景。

2. 数据来源与方法

2.1. 数据来源

本文所需气象资料：1961~2022年江苏省沿海地区21个国家基本站的逐日降水数据，2013~2022年21个国家基本站和539个区域自动站逐小时降水数据(图1)，均来自江苏省气象信息中心，1:25万的基础地理信息数据来自国家基础地理信息中心。

Figure 1. Terrain and station distribution in coastal area of Jiangsu Province

图1. 江苏省沿海区地形及站点分布

从ETCCDI推荐的26个指数(网址：http://etccdi.pacificclimate.org/list_27_indices.shtml)中选取6个与降水有关指数(表1)进行时空特征分析。

Table 1. Extreme precipitation index

表1. 极端降水指数

代码	名称	定义	单位
PRCPTOT	年降水总量	日降水量 > 1 mm的年降水总量	mm
R95P	强降水总量	日降水量 > 95%分位值的年累积降水量	mm
R99P	极端降水总量	日降水量 > 99%分位值的年累积降水量	mm
RX1day	最大1 d降水量	年最大日降水量	mm
RX5day	最大5 d降水量	年最大连续5 d降水量	mm
SDII	日降水强度	降水量 ≥ 1 mm的总量与日数之比	mm/day

2.2. 极端降水事件识别

极端强降水事件的识别标准采用杨霞等[11]利用的百分位阈值法来定义：把每个站点暖季非零小时降水量按升序排列，取其第X个百分位的降水量作为该站点极端强降水的阈值。当该测站降水量超过阈值，就认为该时次出现了极端强降水事件。表2给出了基于第95分位降水阈值作为江苏沿海地区1961~2022年极端小时强降水阈值。

Table 2. Extreme precipitation threshold of each station in Jiangsu coastal area

表2. 江苏沿海地区各站极端降水阈值

台站名	1小时降水量(mm)
连云港市	76.9
东海	51.7
赣榆	68.4
西连岛	60.2
灌云	63.1
灌南	60.2
盐城市	49.7
响水	67.5
滨海	62.3
阜宁	66.3

2.3. 研究方法

2.3.1. 线性趋势分析

线性趋势分析可以说明数据的长期变化趋势，并预测未来发展方向[12]。将气象要素的变化趋势用一次线性方程表示，公式中的$x_i$ 表示样本量为n的要素变量值，用$t_i$ 表示$x_i$ 所对应的时间，建立$x_i$ 和$t_i$ 之间的一元线性回归方程：

$x_i=a+b{t}_i,i=1,2,3,\cdots ,n$ (1)

回归系数b表示气候变量x的发展趋势：当$b>0$ 时，表明随时间t的增加降水量呈上升趋势；当$b<0$ 时则相反。b值越大，表示降水变化趋势越明显。

2.3.2. Mann-Kendall (MK)突变检验

Mann-Kendall在气象学上常用于判断变化趋势以及是否发生突变的非参数统计检验方法。该方法不需要样本遵循一定的分布，也不受少数异常值的干扰，且计算简便[13] [14]。

假设降水序列是随机且独立的，可以定义统计量

$U{F}_k=\frac{{\text{d}}_k-E\left({\text{d}}_k\right)}{\sqrt{\mathrm{var}\left({\text{d}}_k\right)}},k=1,2,\cdots ,n$ (2)

其中：

$E\left(d_k\right)=k\left(k-1\right)/4$ (3)

$\mathrm{var}\left(d_k\right)=k\left(k-1\right)\left(2k+5\right)/72$ (4)

给定显著性水平α，若UF > 0，则表示序列呈上升趋势；反之，则呈下降趋势。若$\left|U{F}_k\right|>U_{\alpha }$ ，即曲线$U{F}_k$ 超过显著性水平线，表明序列的上升或下降趋势显著；若$U{F}_k$ 与$U{B}_k$ 相交且交点位于临界线内，那么交点对应的时间即为突变开始时间，若两者存在多个交点，则突变年份无法确定；若交点位于临界线外，说明交点没有通过显著性检验，不具有突变性。

2.3.3. 滑动T检验

滑动T检验[15] [16]是考察两组样本平均值差异是否显著的一种统计方法，用于检验突变。通过比较某一段气象序列的两个子序列的平均值之间有无显著差异来判断两个样本有无显著差异。 该方法是对可能的突变点进行检验，通过与M-K突变检验以确定在该点是否发生突变。如果两个子序列的均值差异超过了一定的显著性水平，则认为在该点发生了突变。

2.3.4. Morlet小波分析

Morlet小波分析可以解析出随机分布时间序列的多种周期变化，还可以定性评估出未来趋势[17] [18]。小波函数变化公式为：

$W_f\left(a,b\right)={\left|a\right|}^{-1/2}\Delta t{\displaystyle \sum _k^{N}f\left(k\Delta t\right)\overline{\phi }\left(\frac{k\Delta t-b}{a}\right)}$ (5)

小波方差公式为：

${\delta }^2={\displaystyle \int {\left|W_f\left(a,b\right)\right|}^2}\text{d}b$ (6)

式中，$W_f\left(a,b\right)$ 为变化函数；a为尺度因子；b为时间因子。

通过小波系数实部等值线图可以确定样本序列的变化周期，并通过小波方差图确定序列的主、次周期。

3. 结果分析

3.1. 极端强降水事件

2013~2022年，江苏沿海地区共发生549站次的极端强降水事件。其中南通地区极端强降水事件较多，大部分地区超过1次，其中海门、启东和吕泗的局部地区超过3次，最多达17次(启东合作镇志良站)；盐城和连云港的大部分地区极端强降水事件小于等于1次，仅射阳、响水、盐都区、建湖、灌云、灌南、东海和赣榆东部极端强降水事件超过1次、局部3~6次(图2)。进一步年际分析发现，2013年以来，沿海地区极端强降水事件年际波动较大(图3)，最多年份为2021年(93站次)，最少年份为2022年(18站次)。

Figure 2. Spatial distribution of extreme hourly precipitation frequency in coastal areas during 2013~2022

图2. 2013~2022年沿海地区极端小时强降水次数空间分布

Figure 3. Extreme hourly precipitation frequency in coastal areas during 2013~2022

图3. 2013~2022年沿海地区极端小时强降水站次

3.2. 极端降水指数时间变化

计算1961年以来沿海地区6个极端降水指数的区域平均值(图略)，均呈逐年上升趋势。其中，PRCPTOT指数年平均值在534.2~1000 mm，每10年增加13.73 mm；R95P指数和R99P指数的年均值分别为62.5~553.8 mm、8.7~246.3 mm，每10年增加12.32 mm和7.34 mm；RX1DAY指数和RX5DAY指数的年均值分别为55.5~158.8 mm、87.1~239 mm，10年增幅分别为1.85 mm和2.08 mm；SDII的年均值为9.8~16.2 mm/day，其10年增幅为0.22 mm/day。

进一步对沿海地区6个极端降水指数做MK突变检验(图4)。经显著性检验，R99P和SDII的增加趋势达到显著水平，剩余指标趋势不显著。结合滑动T检验(图5)，RX5DAY无突变，其余5个指数的突变主要集中在2013和2014年。

小波分析(图6)结果显示指标在30~40a和20a的时间尺度下具有周期性。其中在30~40a的尺度下指标具有20a左右的周期性，在20a的尺度下有10a左右的周期性并且都以“强弱强”分布。另外R95P和R99P还在10a左右的尺度下存在4a的周期性。

Figure 4. MK test of 6 extreme precipitation indices

图4. 6个极端降水指数的突变检验

Figure 5. Sliding T test of extreme precipitation indices

图5. 极端降水指数的滑动T检验

Figure 6. Wavelet transform contour of extreme precipitation indices

图6. 极端降水指数的小波变换等值线

3.3. 极端降水指数的空间分布和趋势

1961~2022年沿海地区各极端降水指标空间分布特征明显。PRCPTOT指数呈纬向递减，高值区位于南通市大部分地区，其中通州站年均值最大，约1100 mm，低值区位于连云港市东海站，年均值约880 mm，仅南通市有50%的站点呈上升趋势(图7(a))，其他地区趋势不明显。R95P指数的高值区在盐城南部、南通市，低值区主要位于盐城市建湖县、射阳县部分地区以及连云港市西部地区，年均值在266 mm左右，通州站和启东站有上升趋势(图7(b))。R99P指数的高值区仍位于盐城南部和南通市，低值区相对于R95P范围明显缩小，最小值为73.1 mm (图7(c))。可见以上3个指数的空间分布趋势相似，均呈南高北低分布。与之相反，RX1DAY指数、RX5DAY指数和SDII指数的空间分布大致为南低北高特征(图7(d)~(f))，但是有增长趋势的站点仍然位于南通市。

4. 极端降水的个例分析

文章前期研究结果表明，在整个江苏沿海地区，发生在南通境内的极端降水事件较盐城和连云港明显偏多，且多项极端降水指数的高值区都涉及到南通地区。因此我们将对南通市极端降水进行突变分析以及周期分析并将结果与其它两市进行比较。

4.1. 南通市极端降水趋势及突变分析

对1961年来南通市的全区域平均极端降水指标序列进行分析，发现其趋势皆呈显著上升(图8)。其中PRCPTOT每10年增加37.68 mm，全区域均值在561~1867.3 mm；R95P和R99P的均值范围分别在93.8~889.1 mm及0~424.75 mm，每10年增加24.5 mm和14.5 mm；RX1DAY和RX5DAY的指数年均值分别为56.35~178.72 mm及81.8~243 mm，每10年它们的增长幅度是3.5 mm和6.4 mm；SDII每10年增长0.3 mm/day。结合滑动T检验显示(图略) 6个极端降水指标的突变年份集中在2007~2009年。

(a) PRCPTOT (b) R95P

(c) R99P (d) RX1DAY

(e) RX5DAY (f) SDII

Figure 7. Spatial distribution and trend of extreme precipitation indices

图7. 极端降水指数的空间分布及其趋势

Figure 8. MK test of extreme precipitation indices in Nantong

图8. 南通极端降水指数的MK突变检验

4.2. 南通市极端降水周期变化

在对各极端指数序列进行小波分析后得到其周期分析图(图9)，其中6个指标都存在以20a和30~40a

Figure 9. Wavelet transform contour of extreme precipitation indices in Nantong

图9. 南通极端降水指数的小波变换等值线

尺度下的周期性，其长度分别为10a和20a且均以“强弱强”分布；R95P和R99P还存在以10a尺度下的4a左右的周期性。

4.3. 沿海三市对比分析

将沿海三市的结果进行对比后可见(图略)，连云港、盐城的6个极端降水指标均无明显的变化趋势且大部分指标在过去的63年无突变发生。在对三个城市进行周期分析后可见其第一主周期均在30~40a的时间尺度下，其中PRCPTOT在连云港存在着明显的交替。盐城的R95P、R99P、RX1DAY在10a和20a尺度下的周期性最明显。RX5DAY在三个城市中的周期性相似并且在南通的特征变化最明显，SDII的周期变化中南通和连云港最为相近。

5. 结论与讨论

利用江苏沿海地区21个国家基本站和539个区域自动站的逐日(时)降水数据，研究了基于小时降水量的极端强降水事件的时空特征，选取6个极端降水指数分析了江苏沿海地区63a来降水变化趋势，并应用MK检验及小波分析对极端降水进行统计分析。主要结论如下：

(1) 2013~2022年，江苏沿海地区共发生549站次的极端强降水事件，其中南通地区极端强降水事件最多，大部分地区超过1次，海门、启东和吕泗的局部地区超过3次，最多达17次；盐城和连云港地区的射阳、响水、盐都区、建湖、灌云、灌南、东海以及赣榆东部地区极端强降水事件超过1次、局部3~6次。江苏沿海地区极端强降水事件年际间波动较大，最多达93站次(2021年)，最少18站次(2022年)。

(2) 江苏沿海地区6个极端降水指数年际间波动上升趋势明显。其中，PRCPTOT、R95P和R99P的空间分布一致，呈南高北低分布。RX1day、RX5day和SDII的空间分布相似，呈南低北高分布。6个指数突变发生在2009~2013年。

(3) 南通市6个极端降水指标的突变时间早于沿海地区且其上升趋势明显快于沿海地区水平。盐城、连云港的6个指标无显著趋势及突变且周期性上三市与沿海地区大致相同。

(4) 本文不仅利用了沿海地区国家基本站逐日降水资料分析6个极端降水指数时空变化，还使用区域自动站降水资料去揭示沿海地区极端强降水事件的时空分布特征，这样能更加准确、精细地捕捉到该区域极端降水特征。当然，本文仅使用了小时降水量去识别极端强降水事件，并未涉及其他时长的极端强降水，未来可进一步分析。

致 谢

感谢江苏省气象局科研指导性项目基金对本论文的支持，感谢给予引用的所有文章作者，感谢同门在论文写作中的帮助。

基金项目

2024年江苏省气象局科研指导性项目(ZD202432)。

NOTES

^*通讯作者。