2018, Vol. 34
2. 中国气象局气象干部培训学院，北京 100081;
3. 民政部/教育部减灾与应急管理研究院，北京 100875;
4. 北京师范大学地表过程与资源生态国家重点实验室，北京 100875;
5. 武汉大学资源与环境科学学院，湖北 武汉 430079
2. Training Center, China Meteorological Administration, Beijing 100875, China;
3. State Key Laboratory of Earth Surface Processes and Resource Ecology, Beijing Normal University, Beijing 100875, China;
4. Academy of Disaster Reduction and Emergency Management, Ministry of Civil Affairs & Ministry;
5. School of Resources and Environmental Science, Wuhan University, Wuhan 430079, China
不同时空尺度的气候变化表现出极端复杂的特征，尤其是短时高强度的暴雨[1]，在时空格局上呈现出纷繁复杂的特征，造成城市内涝，威胁着安全城市的建设，已经成为区域可持续发展的主要影响因素之一[2]。
气候变暖背景下，大气温暖潮湿，稳定性降低，易于形成暴雨过程。全球变暖一方面使得水循环过程加快、海洋和陆地水面蒸发增加[1-3];另一方面使得大气持水能力增强，饱和水汽含量高，一旦发生降水，雨强趋于增强[1, 4]。区域暴雨时空格局变化相关因子的研究属于暴雨变化检测的范畴[5-7]，主要目的是识别自然和人文因子对区域暴雨变化相对贡献大小，关键是回答“区域暴雨时空格局变化在多大程度上是由人文因子引起的，自然因子在其中贡献多少”这一科学问题[9-12]。目前学界认为区域暴雨受气候因子的影响占主导作用[1-2]。从成因机制研究来看，对暴雨在内的全球气候有重要影响的因子包括大气的内部和外部因子[13]，从属性上可以分为自然和人文因子，一般可分为辐射因子、大气环流因子、下垫面因子和人类活动的影响[14-15]。暴雨作为主要的极端天气/气候事件，其呈现出局地性强、频次高、阶段性显著、区域差异大和影响范围广的特点[16]，受到多种自然和人文因素的影响，远比气温影响因子复杂得多[17-19]，因此，在研究影响暴雨相关因子的过程中需要综合考虑自然和人文因子[3]。目前针对单个自然和人文因子对降水影响的研究相对较多，但是不同学者对不同因子对不同地区降水影响的研究结果略有差异，甚至结果相反[20-28]。中国地处太平洋西岸，季风气候显著，受多种气候因子影响。以中国为中心来看，中国降水受到来自东、南、西、北和中五个方向的海气因子的影响[29]，这些海气因子相互交织[30]，在不同层面上对中国不同时间和空间的降水产生正反馈或负反馈作用[31]。IPCC AR5的第14章也明确列出了对东亚地区降水有影响的多种海气因子[2]。
不同地区、不同时间和不同因素对暴雨的影响复杂多样，导致区域暴雨归因研究存在较大难度。本文在已有研究的基础上筛选出对中国暴雨有影响的自然气候因子，诊断不同自然因子与中国暴雨的相关性，以期对不同自然因子与中国暴雨之间的关联性形成一个整体性的认识。
2 数据和方法 2.1 数据来源本文采用的降水数据来自中国气象科学数据共享服务网地面气候资料日值数据库中的日值降水数据集，根据尽量保留最多站点并保证观测时间连续的原则，对相关数据进行校验，如果某气象观测站一年内缺测超过5%，则将该年份剔除; 如果该站点总缺测超过总记录的5%则将该站点剔除。对于其中缺失的数据，先利用相邻站点代替缺测站点数据补缺; 如果相邻几个站点都缺测，则利用缺失时段相邻前后年份数据的均值补缺该日值。以上校核完成之后，参考已有的研究成果[3]，剔除日值缺测超过60年日值5%的站点，最后得到659个可用的降水站点(不包括港澳台地区)。本文采用的28个自然气候指数如表 1所示。
|
表 1 与中国区域降水相关的气候因子 |
本文根据中国气象局颁布的降水强度等级划分标准筛选暴雨事件，即取24小时降水总量超过50 mm作为暴雨阈值，在此基础上分别计算了1961—2015年逐年每个气象观测站的暴雨雨量和雨日的总和以及平均暴雨雨强。
本文所采用的变化趋势计算方法如下：对于659个气象站点其样本量n=55的年际暴雨雨量和雨日序列xj，用tj表示所对应的时刻，建立xj与tj之间的一元线性回归方程：
|
式中a为回归常数，b为回归系数。利用最小二乘法可求出a和b。
|
回归系数的符号表示气象站点的年际暴雨雨量和雨日的线性趋势。b>0表明随时间增加年际暴雨雨量和雨日呈上升趋势，b < 0则表示呈下降趋势。b的大小反映上升或下降的速率，即表示上升或下降的倾向程度。本文将回归系数b称为年际暴雨雨量和雨日的变化趋势。
2.3 经验正交函数(EOF)地理要素空间场的自然正交展开称为经验正交展开(EOF分析)。EOF方法应用于短期气候和区域统计降尺度预测中，通过EOF各模态的PC系数预测和重建来预测未来要素场的变化。它的优点在于典型场由变量场序列本身特征来确定，而非事先人为规定，这种方法展开收敛速度快，很容易将大量资料信息浓缩集中，因而能较好地反映出场的基本结构。它能对有限区域内不规则分布的气象站点进行分解，而且分解的空间结构具有明显的物理意义。为了便于理解起见，我们将需要分解的暴雨资料矩阵HRA(659，55)和HRD(659，55)理解为55张年际暴雨图，其中每一张图由659个气象站点的观测值组成。我们的目的是需要求一张图，使得它与已知的55张图平均来讲最相似。可以证明，所求的图就是暴雨雨量HRA(659，55)和雨日HRD(659，55)进行经验正交展开时的第一空间典型场。即第一经验正交函数的物理意义是具有与所要展开暴雨资料矩阵的55张样本图最相似的空间分布格局特征。通常，第一经验正交函数可以解释为这55年的暴雨平均场，因为，平均来说，暴雨平均场总是与所平均的每个场非常相似。这时的暴雨的第一时间系数作为暴雨平均场的权重，基本上对应整个中国大尺度的暴雨空间分布格局。综上可知，自然正交函数的优点在于它经常能用相对较少的函数及其相联系的时间权重来描述复杂的暴雨空间场的变化。
3 结果与分析 3.1 中国暴雨长期气候态空间分布特征从气候态空间分布来看，1961—2015年中国暴雨雨量、雨日和雨强以黑龙江漠河至云南腾冲一线为界，呈现出东南高-西北低的空间分异格局(图 1)。从中国暴雨距海岸线距离的剖面分析来看，首先我们根据中国年代际年均暴雨雨量、雨日和雨强的站点数据，利用反距离权重(IDW)的方法进行插值，然后过点A(85 °E，50 °N)和点B(115 °E，20 °N)作剖面，从图 1曲线图可以发现，在时间上，随着年代的推移，各年代年均暴雨雨量、雨日显著增加; 暴雨雨强虽有增加，但远不如暴雨雨量和雨日显著。在空间上从西北内陆到东南沿海地区，随着距海岸线的拉近，暴雨雨量、雨日和雨强都显著增加。从气象站点距海岸线的距离空间分布来看，首先，过点B(115 °E，20 °N)作一条直线与点A(85 °E，50 °N)和点B(115 °E，20 °N)线垂直。然后，计算各个站点距该直线的距离。最后，统计距海岸线不同距离范围内各个等级暴雨雨量、雨日和雨强的站点数，结果表明，距离海岸线1 500 km以内的站点是中国年代际暴雨雨量、雨日和雨强的高值分布站点，距海岸线1 500 km的线大致与黑龙江漠河-云南腾冲一线即胡焕庸线相重合，该线以东的站点数达470个以上，占总站点数的71.32%。中国年均暴雨雨量和暴雨雨日1961—2015年，随着年代推移不断增加，而年均暴雨雨强却没有随着年代推移而表现出量级上的增加趋势。
|
图 1 距海岸线距离的中国暴雨剖面分析(1961—2015年) |
在气候态的基础上，进一步计算了1961—2015年中国暴雨雨量和雨日的变化趋势(图 2)。中国暴雨雨量和雨日变化趋势呈现出明显的“东-中-西”分异格局，即东南上升大，西北上升小，中间增减镶嵌的空间分布格局。值得注意的是中间增加镶嵌地带基本贯通自东北向西南的区域，该区域大致在胡焕庸线两边分布，也主要是中国农牧交错带的集中分布区。从站点数目统计来看，暴雨雨量和雨日呈上升趋势的站点占主导，分别占总站点数目的80.88%和79.81%(表 2)，而呈下降趋势的站点仅分别占19.12%和20.19%。
|
图 2 中国年际暴雨变化趋势 |
|
|
表 2 中国年际暴雨变化趋势站点数统计 |
为了验证中国暴雨长期气候态的变化趋势，本文采用EOF分析来检测1961—2015年中国年际暴雨雨量和雨日变化的主要模态。采用低通滤波将站点年际暴雨雨量时间序列信息中的年际高频部分剔除，即在本研究中以50 mm/d作为暴雨阈值，考察中国年际暴雨雨量的低频信息变化，剔除掉10年以下的年际暴雨雨量的高频部分，得到了10年以上的年际暴雨雨量的低频部分，对659个站点的年际暴雨雨量的低频部分做EOF分析，并对年际暴雨雨量第一模态的结果进行插值得到其空间分布。中国暴雨雨量的EOF分析结果如图 3所示，图 3a是暴雨雨量的空间格局特征向量，图 3b是对应的时间系数的长期趋势，直线是时间系数的线性趋势。中国年际暴雨雨量EOF分析的第一模态在中国中部和南部地区有统一较高的正异常中心，这个高值从南方向北方递减; 暴雨雨量第一模态的方差解释率达到39.96%。与此同时，在1961—2015年对应的年际暴雨雨量的时间系数在波动中呈现出增加趋势。中国暴雨雨量的空间格局及其时间系数一起清楚地表明，暴雨雨量的第一模态在中国中部和南部的增加贡献了主要的方差解释和最重要的空间变化特性。依照相同的方法对中国年际暴雨雨日也做了EOF分析，结果如图 4所示，图 4a是暴雨雨日的空间格局特征向量，图 4b是对应的时间系数的长期趋势，直线是时间系数的线性趋势。中国年际暴雨雨日EOF分析的第一模态在中国中部和南部地区有统一较高的正异常中心，这个高值从南方向北方递减; 暴雨雨日第一模态的方差解释率达到40.16%。与此同时，在1961—2015年对应的年际暴雨雨日的时间系数在波动中呈现出增加趋势。暴雨雨日的空间格局及其时间系数一起清楚地表明，暴雨雨日的第一模态在中国中部和南部的增加贡献了主要的方差解释和最重要的空间变化特性。可见中国暴雨确实呈现出增加趋势，且东南地区增加最显著。
|
图 3 中国年际暴雨雨量EOF分析的第一模态 a.空间格局特征向量; b.时间系数的长期趋势。 |
|
图 4 中国年际暴雨雨日EOF分析的第一模态 a.空间格局特征向量; b.时间系数的长期趋势。 |
全球气候系统是一个复杂的系统，其影响气候的因子主要包括大尺度大气环流因子、遥相关因子和区域大气环流因子。已有研究将影响中国降水的主要因素归纳为东、西、南、北、中五个方面，据此我们制作如图 5所示降水影响因素空间分布图。东面反映海洋热状况异常，主要包括ENSO现象等; 西面反映青藏高原热状况异常，主要包括积雪和位势高度异常; 南面反映亚洲季风及热带和南半球大气环流异常; 北面反映东亚阻塞高压和中高纬度大气环流，即冷空气活动异常。中面反映西太平洋副热带高压，即副热带大气环流异常。在IPCC发布的第五次报告第十四章中，在全球尺度和区域尺度上介绍了众多影响全球降水、极端降水变化的气候因子，其中对东亚地区影响较大的因子为：AMO(Atlantic Multi-decadal Oscillation; 北大西洋年代际振荡)、Blocking(Blocking events; 中纬度阻塞事件)、ENSO(El Ni?觡o-Southern Oscillation; ENSO振荡)、IOD(Indian Ocean Dipole pattern; 印度洋偶极子模)、PDO(Pacific Decadal Oscillation; 太平洋年代际振荡)和QBO(Quasi-Biennial Oscillation; 准两年振荡)等。据此，在对IPCC和已有研究对中国区域降水有影响的自然气候因子进行梳理后，最终选取了表 1中的28个影响中国区域降水的自然因子。我们分别计算28个气候因子与逐个站点的暴雨雨量、暴雨雨日和暴雨雨强的相关系数，以此来表征不同气候因子对中国暴雨影响在空间上的差异性。
|
图 5 全球影响气候的主要自然系统 |
为了反映28个气候因子与中国暴雨的关联性，我们采用线性相关的方法，计算每个站点与28个气候因子的相关系数。1961—2015年中国不同地区年际暴雨雨量与不同气候因子在不同区域呈现出错综复杂的相关性特征(图 6，表 3)。正相关说明气候指数的增强对应着年际暴雨雨量的增加，反之亦然。暴雨雨量与AAO在全国有556个站点呈正相关，占总站点的84.37%，仅在东北东部、华北、淮河流域、长江流域、四川和云南地区有部分站点呈现出负相关，且零散分布，正负镶嵌。暴雨雨量与AMO SM和AMO US呈现出明显的东南-西北分异格局，包括新疆、西藏在内的西北地区与暴雨雨量呈现出一致性的正相关，分别占总站点的61.00%和63.13%，且暴雨雨量与AMO SM的相关系数普遍高于AMO US; 而在胡焕庸线以东的东南地区则是正负镶嵌; 负相关集中分布在华北、山东半岛、四川东部、云南和华南地区。暴雨雨量与AO的正相关站点占总站点的44.46%，其中在西北地区正负相关性较低，主要分布在新疆、青海、西藏的地区; 而在这些以东地区的相关性正负镶嵌，正相关的区域主要分布在陕西、四川东部、湖南、贵州、广西和海南; 负相关的区域则主要分布在黑龙江中部、辽宁和华北地区。暴雨雨量与ENSO DFJ呈正相关的站点占总站点的72.69%，其中在西北地区正负相关性偏低，而在西北以东的地区以正相关为主，环渤海、甘肃南部-陕西-四川和长江中下游地区呈现高正相关性。暴雨雨量与ENSO MAM呈正相关的站点占总站点的34.14%，其中在西北、华北和环渤海地区呈现负相关; 而在其它区域以正相关为主，且正负镶嵌。暴雨雨量与ENSO JJA和ENSO SON呈正相关的站点分别占总站点的21.85%和19.73%，其中在西北、华北、环渤海、长三角、广东和海南地区呈较高的负相关，尤其广大西北地区呈一致性高负相关，而在其它区域相关性正负交替。暴雨雨量与NAO和NINO3.4分别以负和正相关为主，分别占总站点的55.54%和55.84%，在西北的正负相关性低，在西北以东正负交替，其中在环渤海和江淮区域呈负相关; 而其它区域正相关分散分布。暴雨雨量与PDO以负相关为主，占总站点比例的57.81%，其中在西北和华北的呈高负相关，在南方地区以正相关为主，东北地区正负交替。暴雨雨量与Pacific Warmpool在全国以正相关为主，占总站点比例的80.27%，其中负相关主要在东南地区零散分布。暴雨雨量与WPSH SA和WPSH ANNUAL在全国以正相关为主，分别占总站点比例的80.27%和81.03%，尤其是在西北地区呈现出一致性的高正相关，东部地区增减镶嵌，负相关的地方主要分布在四川东部和山东半岛地区。值得注意的是暴雨雨量与WPSH SA的正相关程度普遍高于WPSH ANNUAL。暴雨雨量与EASMI和SCSSMI在全国以负相关为主，分别占总站点的69.04%和79.09%，尤其长江流域地区是高的负相关聚集区; 正相关则主要分布在东北和沿海地区。暴雨雨量与SASMI和NHPVII则以负相关为主，分别占总站点的65.55%和61.31%，其中在西北地区呈现一致性的负相关，而在东部地区则以正相关为主，尤其是在华北和江淮、云南和广东地区呈现正相关。暴雨雨量与Blocking以正相关为主，占总站点的53.87%，其中在西北地区相关性低，在东北大部和华南以正相关为主，在华北、江淮和长江中下游正负镶嵌，且以负相关略微为主。暴雨雨量与IOD ANNUAL以负相关为主，占总站点的62.06%，其空间分布与Blocking类似，只是在广东地区呈负相关。暴雨雨量与IOD MAM、IOD JJA、IOD SON以正相关为主，分别占总站点的61.76%、58.27%和53.57%，而与IOD DJF以负相关为主，占总站点的59.48%，其中在西北相关低，在长江中下游地区与IOD MAM、IOD SON和IOD DJF以负相关为主，而与IOD JJA则正负交替，且正相关占多数。暴雨雨量与QBO以负相关为主，占总站点的62.22%，尤其在西北和长江中下游地区负相关站点聚集; 而与Tibet 1、Tibet 2和Sunspots以正相关为主，分别占总站点的72.38%、74.05%和61.91%，尤其在西北地区正相关站点聚集，东南则正负交替，而与Sunspots在环渤海地区呈负相关。暴雨雨日和暴雨雨强与28个气候因子相关性的空间分布基本与暴雨雨量相一致，只是在局部区域略微有所差别。
|
图 6 中国年际暴雨雨量和气候指数相关关系的空间分布 |
|
|
表 3 中国年际暴雨和气候指数相关性的站点统计 |
同时，采用东北、华北、华中、华东、华南、西北和西南七大分区(不包含港澳台地区)进行统计与分区暴雨呈正相关和负相关的主要气候因子。各分区所包含的省份、地理特征和站点数如表 4所示。由于中国年际暴雨雨量、雨日、雨强与28个气候因子相关的空间分布类似，因此，采用暴雨雨量与28个气候因子的相关进行分类统计，结果如表 5所示。既有对七个分区都有影响的气候因子，如AAO、Pacific Warmpool等，也有仅对某些特定分区有影响的气候因子，表现出明显的区域差异特征。这也反映了不同气候因子在不同区域作用的异质性。
|
|
表 4 中国七大地理分区特征[32] |
|
|
表 5 中国不同地区年际暴雨主要气候影响因子 |
(1) 在长期气候态时空分布和演变上，1961—2015年中国暴雨雨量、雨日和雨强大致以胡焕庸线为界，呈现东南高西北低的空间分布格局，暴雨雨量和雨日随年代推移从内陆向沿海剖面不断增加。
(2) 在空间变化趋势上，1961—2015年中国暴雨雨量和雨日从东南沿海向西北内陆依次出现增-减-增的空间分布格局，仅在胡焕庸线周边与农牧交错带走向一致的条带中国暴雨呈现增减镶嵌的分布格局。中国暴雨雨量和暴雨雨日呈增加站点分别占80.88%和79.81%，减少趋势的站点仅分别占19.12%和20.19%。
(3) 通过采用高通滤波后的1961—2015年暴雨雨量和雨日的EOF第一模态表明中国年际暴雨确实呈现出从东南增加大，西北增加小的趋势，都随着时间推移在波动中呈上升趋势，且暴雨雨量和暴雨雨日的第一模态方差解释率分别为39.96%和40.16%。
(4) 1961—2015年与暴雨雨量以正相关为主的气候因子有15个，分别是AAO、AMO SM、AMO US、ENSO DFJ、NINO3.4、Pacific Warmpool、WPSH SA、WPSH ANNUAL、Blocking、IOD MAM、IOD JJA、IOD SON、Tibet 1、Tibet 2和Sunpots; 以负相关为主的气候因子有13个，分别是AO、ENSO MAM、ENSO JJA、ENSO SON、NAO、PDO、EASMI、SCSSMI、SASMI、NHPVII、IDO ANNUAL、IOD DJF和QBO。暴雨雨日和雨强与气候因子的相关性大致与暴雨雨量相类似。表明不同气候因子与不同区域暴雨的相关有着显著差别，且同一气候因子在不同月份与暴雨也有着显著的差异。
(5) 七大分区的相关性统计也表明既有全局性的年际暴雨影响因子，如AAO、Pacific Warmpool等; 也有针对特定区域的影响因子，且更多的是表现出不同影响因子在空间上的异质性特征，进一步表明分区研究暴雨影响因子的重要性。
4.2 讨论和展望越来越多的观测数据表明极端强降水事件在增多，而增多的背后受到人类活动和自然因子的双重影响，到底何种因素在不同区域扮演着何种角色，是目前极端降水研究领域极为重要的问题。针对本文研究结果以及未来研究方向，仍有以下几方面亟待讨论和深入开展研究。
(1) 不同自然影响因子交叉作用的甄别。本文根据IPCC及已有成果筛选出的28个气候因子与中国暴雨进行相关分析，结果表明不同自然因子在不同地区的作用有着显著的差别，即使同一因子在不同时间段与中国暴雨也有着显著的时空关联异质性。值得注意的是从不同时间尺度来看，自然因子与中国暴雨的关联性有可能存在不同方向的关联性，即已知的自然因子在短期可能对暴雨的正向关联性，但放在长期来看却可能呈现反向关联性。尤其值得讨论的是不同自然因子之间本身存在着千丝万缕的关联性，尤其是全球性的大气和海洋涛动在一定程度上影响着甚至决定着区域海气因子，反过来，区域海气因子也会影响全球性的海气因子。但目前学界还无法清晰系统地甄别出这些因子之间的关联性，因此，诊断何种自然因子对暴雨起主导作用，以及不同自然因子对暴雨变化的独立贡献，是有待未来进一步研究的方向。
(2) 不同尺度暴雨时空变化的归因分析。不同尺度应包含同一区域不同时间尺度和同一时间不同空间尺度。为了进一步诊断不同时间尺度下的暴雨变化，需要诊断同一区域世纪、年代际、年际、季节甚至日暴雨变化，并需要定量诊断相应时间段的自然和人文因子对区域暴雨的贡献[1-2]。同时，我们需要诊断不同空间尺度下的暴雨变化，即诊断同一时间段的全球、大洲、区域和局地暴雨变化，并定量诊断相应空间尺度的自然和人文因子对暴雨的贡献。与此同时，我们还需要诊断不同强度暴雨在不同时间尺度和不同空间尺度的变化。
(3) 城市化进程对暴雨洪涝的影响机制研究。影响极端降水的因子众多，包括自然和人文因子，常常形成多因子的共同作用和非线性叠加，导致不同时间尺度的剧烈震荡。在研究人类活动对气候变化的影响中，所面临的一个重要问题就是如何区分气候变化中的自然变化和人类活动的作用。由于人类活动强度的不断增大，改变地表的程度加剧，形成了连绵成片的城市群，对降水产生了不可忽视的影响。因此，在进行区域暴雨时空格局变化相关因子研究时需要同时考虑自然变化和人类活动的双重影响。人口的持续增加，人口趋向于资源集中的城市地区，加快了城市化进程。快速的城镇化进程使得城市不透水面积急剧增大，改变了城市水循环过程，使得径流系数和径流量增加，城市暴雨洪涝风险增大[33]。暴雨引发的城市防洪排涝已成为中国防洪排涝体系的一个突出短板，严重影响了城市人民生命财产安全，对城市形象也造成了极为负面的影响。可见人类活动也对区域暴雨产生显著影响，尤其是城市化进程在一定程度上加剧了暴雨洪涝灾害。但目前对此影响过程和机理认识还不全面，亟需系统深化研究。
(4) 集成人类活动影响的地球系统模式的发展和改进。为了验证不同因子对中国暴雨变化的影响，需要采用模式模拟的方法，以现有的地球系统模式为基础，结合次网格物理参数化方案，提高模式空间分辨率，特别是在陆地表面的运行分辨率，提高对于小尺度人类活动，包括城市群、生态和国家工程等的描述能力，扩展地球系统模式对于人类活动的模拟能力; 同时结合统计/动力尺度转换方法，增强模式对于暴雨的模拟水平，改善对区域社会经济具有重大影响的气候系统要素的模拟预估能力; 耦合分布式水文模型，刻画气候变化和人类活动对于频繁极端降水下陆地径流和水电能源的影响，同时反映土壤侵蚀对陆地生态系统碳循环及其对大气CO2浓度的影响; 这些改进均旨在完善地球系统模式对于人类活动的模拟方案，提高地球系统模式对于关键气候变化要素的模拟能力，为评估气候变化影响，实现与综合评估模型耦合奠定基础。
| [1] | IPCC SREX. Managing the risks of extreme events and disasters to advance climate change adaptation[M]. London: Cambridge University Press, 2012. |
| [2] | IPCC AR5. Intergovernmental panel on climate change climate change 2013 fifth assessment report (AR5)[M]. Cambridge, UK: Cambridge University Press, 2013. |
| [3] | WU X, WANG Z, ZHOU X, et al. Observed changes in precipitation extremes across 11 basins in China during 1961-2013[J]. Int J Climatol, 2015, 36(6): 1382-1 390. |
| [4] | ZHANG X, WANG S, ZHANG J, et al. Temporal and spatial variability in precipitation trends in the Southeast Tibetan Plateau during 1961-2012[J]. Climate of the Past Discussions, 2015, 11(1): 447-487. DOI:10.5194/cpd-11-447-2015 |
| [5] | 陈杨瑞雪, 罗亚丽. 不同边界层参数化方案和陆面过程参数化方案对一次梅雨锋暴雨显式对流模拟的影响分析[J]. 热带气象学报, 2016, 32(5): 656-667. |
| [6] | 徐道生, 陈子通, 戴光丰, 等. 不同水汽分析场对一次华南前汛期暴雨预报的影响分析[J]. 热带气象学报, 2016, 32(2): 155-162. |
| [7] | 史培军, 孔锋, 方佳毅. 中国年代际暴雨时空变化格局[J]. 地理科学, 2014, 34(11): 1 281-1 290. |
| [8] | 李净, 张晓. TRMM降水数据的空间降尺度方法研究[J]. 地理科学, 2015(9): 1 164-1 169. |
| [9] | 李红莉, 崔春光, 徐祥德, 等. 风云静止卫星资料在一次暴雨云分析中的应用[J]. 热带气象学报, 2016, 32(1): 51-62. |
| [10] | 唐亦汉, 陈晓宏. 近50年珠江流域降雨多尺度时空变化特征及其影响[J]. 地理科学, 2015(4): 476-482. |
| [11] | 刘洁, 陈晓宏, 许振成, 等. 降雨变化对东江流域径流的影响模拟分析[J]. 地理科学, 2015(4): 483-490. |
| [12] | 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[J]. 地理学报, 2014, 69(5): 640-649. DOI:10.11821/dlxb201405007 |
| [13] | 林爱兰, 谷德军, 郑彬, 等. 6月广东持续性暴雨过程概念模型的建立[J]. 热带气象学报, 2015, 31(3): 289-299. |
| [14] | WANG H. The weakening of the Asian monsoon circulation after the end of 1970's[J]. Adv Atmos Sci, 2001, 18(3): 376-386. DOI:10.1007/BF02919316 |
| [15] | YOU Q, KANG S, AGUILAR E, et al. Changes in daily climate extremes in China and their connection to the large scale atmospheric circulation during 1961-2003[J]. Clim Dyn, 2011, 36(11): 2 399-2 417. |
| [16] | WANG R, LI C. Spatiotemporal analysis of precipitation trends during 1961-2010 in Hubei province, central China[J]. Theor Appl Climatol, 2015, 124(1): 1-15. |
| [17] | CHEN W, CHEN C, LI L, et al. Spatiotemporal analysis of extreme hourly precipitation patterns in Hainan Island, South China[J]. Water, 2015, 7(5): 2 239-2 253. |
| [18] | YANG T, SHAO Q, HAO Z C, et al. Regional frequency analysis and spatio-temporal pattern characterization of rainfall extremes in the Pearl River Basin, China[J]. J Hydrolo, 2010, 380(3): 386-405. |
| [19] | CHEN Y, ZHANG Q, XIAO M, et al. Precipitation extremes in the Yangtze River Basin, China: regional frequency and spatial-temporal patterns[J]. Theor Appl Climatol, 2014, 116(3): 447-461. |
| [20] | GAO T, XIE L. Multivariate regression analysis and statistical modeling for summer extreme precipitation over the Yangtze River Basin, China[J]. Adv Meteo, 2014, 2014(1): 1-8. |
| [21] | 吴滨, 文明章, 李玲, 等. 福建省不同短历时暴雨时空分布特征[J]. 暴雨灾害, 2015(2): 153-159. |
| [22] | 严昇. 我国大型城市暴雨特性及雨岛效应演变规律[D]. 东华大学, 2015. |
| [23] | OLDENBORGH G J V, BURGERS G. Searching for decadal variations in ENSO precipitation teleconnections[J]. Geophys Res Lett, 2005, 32(15): 297-318. |
| [24] | CHEN G. Interdecadal variation of tropical cyclone activity in association with summer monsoon, sea surface temperature over the western North Pacific[J]. Chinese Science Bulletin, 2009, 54(8): 1 417-1 421. |
| [25] | SILVESTRI G E, VERA C S. Antarctic Oscillation signal on precipitation anomalies over southeastern South America[J]. Geophys Res Lett, 2003, 30(30): 1-4. |
| [26] | LóPEZ-MORENO J I, VICENTE-SERRANO S M, MORáN-TEJEDA E, et al. Effects of the North Atlantic Oscillation(NAO) on combined temperature and precipitation winter modes in the Mediterranean mountains: Observed relationships and projections for the 21st century[J]. Global & Planetary Change, 2011, 77(1): 62-76. |
| [27] | ANEESH G, TEEGAVARAPU R S V. Individual and coupled influences of AMO and ENSO on regional precipitation characteristics and extremes[J]. Water Resources Research, 2014, 50(6): 4 686-4 709. DOI:10.1002/2013WR014540 |
| [28] | NOH Y, JEONG J, KIM B, et al. Systematic variation of wintertime precipitation in East Asia by MJO-induced extratropical vertical motion[J]. J Clim, 2010, 21(21): 788-801. |
| [29] | HUANG D, ZHU J, ZHANG Y, et al. Assessment of summer monsoon precipitation derived from five reanalysis datasets over East Asia[J]. Q J Roy Meteor Soc, 2015, 142(694): 108-119. |
| [30] | SOUSA P M, BARRIOPEDRO D, TRIGO R M, et al. Impact of Euro-Atlantic blocking patterns in Iberia precipitation using a novel high resolution dataset[J]. Clim Dyn, 2016, 46(7): 2 573-2 591. |
| [31] | XU Z, GONG T, LI J. Decadal trend of climate in the Tibetan Plateau-regional temperature and precipitation[J]. Hydrological Processes, 2008, 22(16): 3 056-3 065. DOI:10.1002/hyp.v22:16 |
| [32] | 王静爱. 中国地理教程[M]. 北京: 高等教育出版社, 2007. |
| [33] | 方建, 杜鹃, 徐伟, 等. 气候变化对洪水灾害影响研究进展[J]. 地球科学进展, 2014, 29(9): 1 085-1 093. |