2022, Vol. 38
2. 南京信息工程大学气象灾害预报预警与评估协同创新中心, 江苏 南京 210044
2. Collaborative Innovation Center on Forecast and Evaluation of Meteorological Disasters, Nanjing University of Information Science and Technology, Nanjing 210044, China
全球变暖背景下, 根据克劳修斯-克拉伯龙方程(C-C方程), 大气储水能力(饱和水汽压)随着温度的升高而以C-C关系增强, 即温度每上升1℃水汽增多7%(7%·℃-1), 并且强降水对大气中水汽含量的变化比弱降水更加敏感[1-2]。在此热力因素影响下, 极端降水可能会增多[3]。然而, 不同区域、不同时间尺度的极端降水对全球变暖的响应并不完全相同。日极端降水的发生频次在北美、欧洲一致升高, 对总降水量的贡献也有所增大, 而亚洲季风区日极端降水却没有一致增加, 其趋势呈现正负交错的分布特征[4-7];中国夏季(JJA)极端小时降水(EXHP; 以第95百分位为阈值)在东南地区普遍上升, 但是在华中、中国西南和东北地区的趋势正负交错分布。
不同气候背景、不同温度区间的极端小时降水随温度的变化率也不尽相同, 呈现出超C-C (14%·℃-1)、C-C(7%·℃-1)和次C-C(3.5%·℃-1)关系。例如, Lenderink等[8] 较早分析荷兰中部海岸附近99年小时降水观测资料, 发现当日平均温度在12℃以下时, 极端小时降水强度随温度的增加率呈C-C关系, 而当日平均温度高于12℃时其增加率大约是C-C关系的两倍; 中国极端小时降水与地表气温之间的关系具有明显的区域间差异, 西南-华中-苏北/山东地区主要为超C-C关系, 而在我国西北、海南和华南沿海主要为近C-C和次C-C关系[9]。
全球变暖背景下极端降水变化存在上述差异的原因, 是因为降水的长期变化不仅与局地热力状况决定的大气储水能力的改变有关, 还受制于动力因素导致的大气垂直运动和水汽输送的变化[10-11]。东亚极端降水变化趋势就与其具有区域特色的多尺度物理过程有关[12], 如, 与东亚夏季风强度变化密切相关的"南涝北旱"降水年代际变化[13]、热带气旋(TC)活动改变[14]及大规模城市化的影响[15-17], 其中, TC对东亚尤其是我国东南沿海地区的极端降水的贡献较大[18-20]。TC的发生和发展受制于热带洋面热力和动力(海表温度、大气稳定度、垂直风切变等)条件, 这些洋面上条件的改变会造成TC频次和强度的变化[21-22], 进而可能影响其在东亚大陆产生的降水。最新研究表明, 20世纪中期以来西太平洋TC的移动速度出现减慢趋势, 使得TC可从暖洋面获得更多的能量、造成更大的影响[19];并且, TC发生频次从南海-菲律宾海向东海及我国大陆东部附近偏移, 其产生的总降水在我国东南地区显著增加、华南地区显著减少[23-25]。
然而, 目前仍然不清楚TC降水对我国广大地区总降水和极端降水气候平均态及其变化趋势的贡献如何, 也不清楚极端小时降水随温度的变化在TC降水与非TC降水之间有何不同。将热带气旋对极端降水变化的影响提取出来, 将有助于更好地理解东亚极端降水的长期变化及其原因。因此, 本研究利用我国东部1975-2018年暖季(5-9月)地面站逐时降水观测资料与热带气旋最佳路径数据集, 将总降水(All)分为TC降水和非TC (nonTC)降水, 从气候态和变化趋势的角度分析TC总降水(TC-P)、TC极端小时降水(TC-EXHP)、TC极端日降水(TC-EXDP)对总降水(All-P)、总极端小时降水(All -EXHP)、总极端日降水(All -EXDP)的贡献; 进一步分析TC -、nonTC -、AllEXHP随温度变化的关系。
2 资料与方法 2.1 研究区域与时段本文研究区域为中国东部(96 °E以东; 图 1)。根据地理因素及气候特征将研究区域分为四个子区域: 东北(NE)、中国中部(CC)、长江流域(YV)、华南(SC)。并且, 将115 °E以东的YV区域称为"YV东部"(在图 1中用虚线标出)。由于中国北方(38 ° N以北)仅暖季有小时降水观测, 1975年之前我国暖季小时降水资料合格率较低, 且影响中国的TC主要发生在暖季, 因此, 本文选取1975-2018年暖季(5-9月)为研究时段。从研究区域中筛选出逐年暖季资料缺失率均小于5%的站, 共1 047个, 在人口稠密、经济相对发达且受热带气旋影响更大的中国南部及东南部更密集。
|
图 1 研究区域(96 °E以东)四个子区域分区极端小时降水阈值(a)、极端日降水阈值(b) 虚线框内为长江流域东部; 阴影表示海拔高度(km)。 |
本研究使用中国大陆及海南岛的国家级地面观测站小时降水资料, 此数据集由中国气象局国家气象信息中心提供(http://www.nmic.cn/), 经过了严格的质控, 在以往的研究中得到了广泛应用[26-28]。实际业务应用中, 一般采用固定阈值, 即≥ 20 mm/h定义为短时强降水、≥ 50 mm/d定义为暴雨, 而在学术论文中往往采用相对阈值法研究极端降水的气候态及其变化趋势, 这是因为中国降水强度的空间差异较大[27], 采用相对阈值可更好考虑各地的气候背景, 更加合理。目前使用较广泛的相对阈值法有两类, 一是百分位阈值法, 二是基于极值理论的参数估算方法。由于百分位阈值法可得到有统计意义的极端降水样本数, 对极端降水长期变化趋势的研究多选用百分位阈值法[29], 其中第95百分位被广泛地应用[16, 26, 30]。本文将各站点30年(1975-2004年)5-9月小时(日)降水数据(≥ 0.1 mm/h)从弱到强进行排序, 取该站点第95百分位的强度为极端小时(日)降水的阈值(图 1)。极端小时(日)降水频次及降水量分别为该站点小时降水量超过极端小时(日)降水阈值的小时数及其累积降水量。在降水变化趋势分析中, 采用最小二乘分析和Mann-Kendall非参数检验来检验其显著性。
2.3 TC降水识别本文使用中国气象局上海台风研究所提供的西北太平洋热带气旋最佳路径数据集(http://www.typhoon.org.cn)。这套数据集给出热带气旋的编号, 以及每个热带气旋生成及行进过程中逐6小时TC强度、中心经纬度、近中心海平面最低气压、近中心最大风速等。采用任福民等[31]开发的客观天气图分析技术(Objective Synoptic Analysis Technique; 简称OSAT)识别TC降水, 进而将总降水(All)分为TC降水和nonTC降水。OSAT通过计算热带气旋中心与雨带之间的距离, 以及降水站点之间的距离和连续性, 对热带气旋影响的雨带(包括远距离影响的雨带)进行识别和追踪。该方法有较强的台风降水识别能力, 能够识别出由台风单一天气系统、双台风、台风与其他天气系统共同产生的降水。
2.4 温度与极端小时降水关系分析利用中国气象局国家气象信息中心提供的均一化日均气温数据集(http://data.cma.cn/data/online.html?t=1)分析极端小时降水随温度的变化率。将某站点或区域内小时降水(≥ 0.1 mm/h)数据与降水发生日平均的2 m气温(T2m)相匹配, 按等降水样本数划分10个温度区间, 并规定每个区间内最少需有100个样本。求取各区间内降水序列的第95百分位值为该区间的EXHP的强度, 分析其与各区间对应温度的关系。采用自助法(bootstrap)确定各个温度区间内EXHP强度的置信区间, 对每个温度区间内的降水样本随机进行10 000次抽样, 每次抽取1 000个样本并求取第95百分位降水值(P95), 将10 000次抽样所得的P95序列的第2.5百分位和第97.5百分位作为95% 置信区间范围。
采用指数函数拟合分析某个站点EXHP强度(P)随温度(T)的变化:
| $ P=\exp (a T+b) $ | (1) |
EXHP强度随温度的变化率(r; 单位为%·℃-1)采用下式计算:
| $ r=\left\{\exp \left[\frac{\ln \left(P_{2}\right)-\ln \left(P_{1}\right)}{T_{2}-T_{1}}\right]-1\right\} \times 100 \% $ | (2) |
结合式(1)和(2), EXHP强度随温度的变化率可表示为:
| $ r=(\exp (a)-1) \times 100 \% $ | (3) |
并且, 采用均值t检验、中位数检验和KruskalWallis非参数显著性检验等方法, 判断TC-、nonTC- 和All-EXHP随温度变化率的差异是否显著。
3 TC降水对总降水气候态及变化趋势的贡献 3.1 TC降水对总降水气候态的贡献图 1显示分析区域内小时尺度和日尺度极端降水阈值的空间分布。二者大体相似, 东部平原地区普遍大于西部山区, 海南和华南沿海为最大值区域, 其值大约为14 mm/h和70 mm/d, EXHP阈值最大为19.7 mm/h, 位于海南北部, EXDP阈值最大为99.0 mm/d, 位于广西南部沿海; 次大值位于长江中下游和黄淮平原, EXHP和EXDP的阈值分别约10 mm/h和60 mm/d。其中EXHP的阈值普遍低于业务上定义的短时强降水(20 mm/h), 而EXDP的阈值在华南、长江中下游和黄淮平原地区高于业务上对于暴雨日的阈值(50 mm/d), 其余地区低于业务上对于暴雨日的定义, 特别是在东北和中国中部。
图 2显示热带气旋降水(TC-P)占总降水量(All-P)的百分比、TC-EXHP占All-EXHP降水量的百分比及TC-EXDP占All-EXDP降水量的百分比。三种空间分布大体相似, 均从东南和华南沿海向西北内陆递减, 其中, TC-P占比的大值区位于海南岛和华南沿海, 占比为35%~50%, 最大值(48.1%)位于海南岛北部; TC-EXHP占比超过35% 的大值区域沿海岸线向北扩展, 到达东南沿海浙闽丘陵一带, 占比最大值(47.2%)位于海南北部; TC-EXDP占比的大值区位于海南岛和东南、华南沿海一带, 高达50%以上, 其中海南岛几乎所有站点的占比都大于50%, 最大达到71.8%, 位于海南岛北部。区域平均而言也可看出(表 1), TC-P占All-P的比率(11.6%)与TC-EXHP占All-EXHP的比率(11.1%)大致相当, 而TC-EXDP占All-EXDP降水量的比率(15.8%)相对较高, 其百分比分别超过前两者约4.2%和4.7%, 分别占前两者各自占比的36%和42%。说明热带气旋作为强烈的大尺度天气系统, 其对日尺度极端降水的贡献超过对小时尺度极端降水和平均降水的贡献。
|
图 2 1975-2018年暖季TC-P占All-P之比(a)、TC-EXHP占All-EXHP之比(b)、TC-EXDP占All-EXDP之比(c) |
|
表 1 TC降水占总降水量的百分比 |
由图 3~图 5可见, 每种降水类型(即: All、TC或nonTC)的总降水、极端小时降水、极端日降水的降水量趋势分布较相似, 但是不同降水类型之间的差别较大。All降水在分析区域内主要呈现上升趋势(图 3a~3c), All-EXHP呈现上升趋势的站点比例(81.5%) 略微大于All -EXDP(77.6%) 和All-P (76.8%), 显著上升的站点主要集中在SC、YV东部(图 3d~3f)、NE南部和东北部, 而在YV西部、CC和NE中部则呈正负相间分布。子区域平均而言, SC和YV的All-P(All-EXHP; All-EXDP)增多的站点占比分别约91%、83%(92%、83%;79%、84%), 而NE和CC仅71%、57%(76%、71%;74%、64%)(表 2)。
|
图 3 1975-2018年暖季总降水量线性趋势空间分布 a. 暖季总降水量; b. 总极端小时降水量; c. 总极端日降水量; d. 长江流域东部暖季总降水量; e. 长江流域东部总极端小时降水量; f. 长江流域东部总极端日降水量。黑圈表示通过至少0.10的M-K显著性检验。 |
|
图 4 同图 3, 但是TC降水的线性趋势 a. TC总降水量; b. TC极端小时降水量; c. TC极端日降水量; d. 长江流域东部TC总降水量; e. 长江流域东部TC极端小时降水量; f. 长江流域东部TC极端日降水量。 |
|
图 5 同图 3, 但是nonTC降水的线性趋势 a. nonTC总降水量; b. nonTC极端小时降水量; c. nonTC极端日降水量; d. 长江流域东部nonTC总降水量; e. 长江流域东部nonTC极端小时降水量; f. 长江流域东部nonTC极端日降水量。 |
|
|
表 2 四个子区域及YV东部降水量上升和其中显著上升的站点占比(%) |
TC-P主要在YV东部(图 4d~4f)呈现出一致的显著上升趋势, 最大值位于浙江、福建沿海一带(图 4a), TC极端降水也具有类似特征(图 4b、4c), 并且显著上升的站点更集中在海岸线附近, 尤其是TC-EXDP, 这或许是由于海岸附近更好的水汽条件和相对更强的热带气旋更有助于TC极端降水显著升高。NE南部沿海地区也以正趋势为主, 但仅部分站点通过了显著性检验(图 4a~4c)。在SC地区, TC-P以减少为主(57.5%的站点), 华南沿海和海南岛降低幅度较大, 仅海南岛西北部和珠三角地区有少数站点呈现上升趋势, 虽然通过显著性检验的站点寥寥无几(图 4a), 然而, TC极端降水具有显著上升趋势的站点数目相对TC-P多一些(图 4b、4c)。另外, 位于内陆的CC地区TC降水主要为负趋势(图 4a~4c)。从表 2可看出, TC降水在YV东部呈现上升趋势的站点占比高达97.6%, 远远超过在SC和CC的占比(42.5% 和20.2%)。TC降水变化的这些区域间差异在一定程度上改变了我国降水变化趋势的空间分布, 并且与近三十年西太平洋热带气旋发生频次在南海附近减少而在东海和日本海附近升高相一致[32], 表明热带气旋发生频次的变化已经对我国TC降水的变化产生了重要影响。
与热带气旋降水趋势分布截然不同, nonTC降水量趋势在SC、江南地区、NE东北部和南部呈现较一致的显著上升趋势, 其余地区呈正负相间分布(但仍以上升趋势为主)(图 5, 表 2), 其中, YV东部的情况(图 5d~5f)与TC降水(图 4d~4f)区别很大, 这可能与复杂下垫面强迫(如城市热岛)导致的局地气候变化有关[15-17]。分析区域内nonTCEXHP上升趋势站点所占比例高达79.8%, 略大于nonTC-EXDP(75.6%)与nonTC-P(73.0%)。与All降水趋势和TC降水趋势的对比可见, All降水呈现较一致显著上升趋势的区域主要集中于SC、华东沿海(包括YV东部和NE南部)和NE东北部, 其中SC、NE南部和东北部主要来自于nonTC的贡献, 而TC对YV东部(115 °E以东)降水增多的贡献较大, YV东部区域平均而言All-P、All-EXHP、All-EXDP变化的49.1%、33.4%、28.9% 来自于TC的贡献(TC降水趋势除以All降水趋势)。
4 极端小时降水随温度的变化图 6显示四个子区域极端小时降水强度随温度的变化曲线, All-EXHP(图 6a~6d)与nonTCEXHP(图 6e~6h)在四个区域之间均比较相似, 在温度5~16℃(NE、CC约17℃; YV与SC约15℃) 时, 极端小时降水强度以低于0.5倍C-C率缓慢上升, 在17~26℃之间以约双倍C-C率快速上升, 随着温度继续升高至30℃, 极端小时降水强度或几乎不变(NE和CC)或缓慢上升(SC)或缓慢降低(YV)。而TC-EXHP强度随温度的变化(图 6i~6l) 与前二者截然不同, 在温度低于21℃时, TC -EXHP强度超过nonTC-EXHP, 以约0.5倍C-C率随温度升高而上升, 而温度高于25℃时, TC-EXHP强度又低于nonTC-EXHP, 随温度升高反而急剧下降, 当温度接近30℃时趋于平缓。由于TC环流从洋面获得水汽供应, 从而使得TC-EXHP对局地大气自身储水能力的敏感度较低, 并且TC造成降水的持续时间较长, 降水蒸发冷却和TC云系遮挡太阳辐射能量会使近地面降温, 造成TC-EXHP在25 ~26℃随温度继续升高反而下降的现象。
|
图 6 四个子区域各温度区间极端小时降水强度随温度的变化曲线 a~d. 总极端小时降水; e~h. non-TC极端小时降水; i ~l. TC极端小时降水。从上到下分别是东北(NE)、中国中部(CC)、长江流域(YV)和华南(SC)。灰色、黑色、红色虚线分别为0.5、1、2倍C-C率。阴影为自助法(bootstrap)求得的0.05显著性区间。 |
图 7显示各站点极端小时降水强度随温度的变化率(r, 计算方法见2.4节), 图中仅展示EXHP记录数大于1 000的站点, All-EXHP的r大值区位于四川盆地, 超过了14%·℃-1, 次大值区位于华北平原北部地区, 约10%·℃-1, 低值区位于华南沿海, 普遍低于4%·℃-1, 其中, 海南南部和广东广西南部沿海部分地区甚至为负值(图 7a)。nonTCEXHP的r分布(图 7b)与总EXHP的(图 7a)较相似, 但在长三角地区All-EXHP的变化率相比于nonTC-EXHP有所减小, 这是由于TC-EXHP的r值与nonTC-EXHP很不相同, TC-EXHP在东南沿海地区的r相对较小, 普遍低于C-C率(图 7c)。另外, 虽然TC-EXHP随温度变化的最小值同样位于华南沿海地区, 但是r相对nonTC-EXHP的更小, 在整个海南岛及华南沿海部分站点为负值。
|
图 7 极端小时降水随温度的变化率的空间分布 a. 总极端小时降水; b. nonTC极端小时降水; c. TC极端小时降水。 |
由于TC-EXHP在NE和CC子区域满足条件(各温度区间的样本量>100)的站点数目几乎为零(图 7c), 故只显示YV和SC子区域内所有满足条件站点的r值小提琴图(图 8), 以及这两个区域内All-、TC-、nonTC-EXHP两两之间的r值统计学差异(表 3)。两地区r值大小差别很大, YV地区站点r值普遍高于SC地区, 且这两个区域r的中值、均值及分布差异均通过了显著性检验。在YV地区, TC-、nonTC-、All-EXHP的r无论均值、中位数和概率密度分布均两两显著不同(表 3), 并且TC-EXHP和All-EXHP的r的中位数(6.1%·℃-1和8.2%·℃-1) 小于nonTC-EXHP的(8.7%·℃-1); 在SC地区, TCEXHP与nonTC-EXHP强度随温度的变化率之间也呈现显著差异。这些结果表明, 在我国YV与SC地区, TC显著影响了极端小时降水强度随温度的变化率, 即在研究极端小时降水随温度的变化率时, 如果不排除TC的影响, 用All-EXHP的r表示极端小时降水对局地大气温度变化的响应, 那么这种响应在YV和SC地区均会被低估。这些分析结果再次表明, 在研究极端降水随温度的变化时, 有必要考虑不同天气系统的影响。
|
图 8 长江流域(YV, a)和华南地区(SC, b)极端小时降水随温度的变化率小提琴图 从左到右为总极端小时降水、nonTC极端小时降水、TC极端小时降水。灰色虚线分别为0%·℃-1、7%·℃-1、14%·℃-1。 |
|
|
表 3 All-、TC-、nonTC-EXHP强度随温度的变化率的统计学差异 |
全球变暖背景下, 我国暖季总降水、极端小时降水和极端日降水(P、EXHP、EXDP)气候平均态及其变化趋势的区域差异明显, 其中热带气旋的贡献尚不明确。本文利用中国东部(96 °E以东) 1 047个站点1975-2018年暖季(5-9月)逐小时降水资料, 采用30年(1975-2004年)第95百分位的小时(日)降水强度作为极端降水的阈值, 从降水(P)中提取出极端小时降水与极端日降水, 并通过OSAT方法将总降水(All)分离成热带气旋(TC)降水与非热带气旋(nonTC)降水, 从气候态和变化趋势角度, 分析了1975-2018年热带气旋降水对All降水量(包括总降水、极端小时降水、极端日降水) 及其变化趋势的贡献, 并进一步分析了All-、TC-、nonTC-三种类型的极端小时降水随温度的变化。
(1) 三类热带气旋降水量(包括总降水、极端小时降水、极端日降水)占总降水量之比空间上均从东南和华南沿海向西北内陆快速递减, 但是热带气旋极端日降水占总极端日降水之比的大小则普遍高于前两者, 区域平均而言, 热带气旋总降水占总降水量之比与热带气旋极端小时降水占总极端小时降水之比均约11%, 而热带气旋极端日降水占总极端日降水之比约15.8%。表明热带气旋作为产生持续性降水的大尺度天气系统, 其对日尺度极端降水的贡献超过小时极端降水和平均降水。
(2) 每种降水类型(即All、TC或nonTC)各自的总降水、极端小时降水、极端日降水降水量变化趋势的空间分布较相似。All降水呈现较一致显著上升趋势的区域主要集中于华南、华东沿海以及我国东北地区的东北部。热带气旋降水变化存在明显的区域间差异, 其在长江流域东部上升趋势最大且呈较一致的显著上升趋势, 并对长江流域东部总降水增多的贡献高达49%。热带气旋降水变化的这种空间分布, 与我国东部地区水汽含量增加、华南东南沿海地区垂直运动增强[25]直接有关, 也与西太热带气旋频次从南海-菲律宾海向东海及我国东部偏移的长期变化趋势[32]相吻合。而nonTC降水的趋势呈现较明显的正负交错分布的特征, 可能是局地下垫面(如局地地形、城市热岛效应)等因素的影响。
(3) 热带气旋极端小时降水强度随温度的变化与非热带气旋极端小时降水截然不同, 在温度低于21℃时, 热带气旋极端小时降水强度超过非热带气旋极端小时降水, 以约0.5倍C-C率随温度升高而增强, 而温度高于25℃时, 热带气旋极端小时降水强度又低于非热带气旋极端小时降水, 随温度升高反而急剧减弱, 当温度接近30℃时趋于平缓。
(4) 总极端小时降水与非热带气旋极端小时降水强度随温度变化率(r)的空间分布大体相似, 热带气旋极端小时降水的r值在华南和东南沿海明显低于非热带气旋极端小时降水, 尤其在华南有更多站点为负值, 这造成非热带气旋极端小时降水和总极端小时降水随温度变化率在这两个地区产生差异, 在长江流域差异显著。在研究极端小时降水随温度的变化率时, 如果不排除热带气旋的影响, 用总极端小时降水的r表示极端小时降水对局地大气温度变化的响应, 那么这种响应在长江流域和华南地区均会被低估。
上述研究结果表明, 在研究极端降水趋势及其随温度的变化的归因分析时, 有必要考虑热带气旋等不同天气系统的影响。未来可进一步研究影响东亚地区的热带气旋路径、强度、持续时间的变化及其原因, 还可借助对流可分辨数值模拟预估热带气旋对21世纪末东亚地区极端降水变化的可能影响。
| [1] |
IP CC. Climate change 2013:the physical science basis. Contribution of working group i to the fifth assessment report of the intergovernmental panel on climate change[M]. Cambridge and New York: Cambridge University Press, 2013.
|
| [2] |
TRENBERTH K E. Conceptual framework for changes of extremes of the hydrological cycle with climate change[J]. Climatic Change, 1999, 42(1): 327-339. DOI:10.1023/A:1005488920935 |
| [3] |
ZHANG X, ZWIERS F W, LI G, et al. Complexity in estimating past and future extreme short-duration rainfall[J]. Nature Geoscience, 2017, 10(4): 255-259. DOI:10.1038/ngeo2911 |
| [4] |
WANG Y, ZHOU L. Observed trends in extreme precipitation events in China during 1961-2001 and the associated changes in large-scale circulation[J]. Geophys Res Lett, 2005, 32(9): 1-4. DOI:10.1029/2005GL022574 |
| [5] |
ZHAI P M, ZHANG X B, WAN H, et al. Trends in total precipitation and frequency of daily precipitation extremes over China[J]. J Climate, 2005, 18(7): 1 096-1 108. DOI:10.1175/JCLI-3318.1 |
| [6] |
ALEXANDER L V, ZHANG X, PETERSON T C, et al. Global observed changes in daily climate extremes of temperature and precipitation[J]. J Geophys Res Atmos, 2006, 111(5): 1-22. DOI:10.1029/2005JD006290 |
| [7] |
MIN S K, ZHANG X B, FRANCIS W Z, et al. Human contribution to more-intense precipitation extremes[J]. Nature: International Weekly Journal of Science, 2011, 470(7334): 10.1038/nature 09763.
|
| [8] |
LENDERINK G, MOK H Y, LEE T C, et al. Scaling and trends of hourly precipitation extremes in two different climate zones-Hong Kong and the Netherlands[J]. Hydrology and Earth System Sciences, 2011, 15(9): 3 033-3 041. DOI:10.5194/hess-15-3033-2011.407 |
| [9] |
GUO J, YAN Y, CHEN D, et al. The response of warm-season precipitation extremes in China to global warming: an observational perspective from radiosonde measurements[J/OL]. Climate Dynamics, 2020, 54(9-10): 3 977-3 989. DOI: 10.1007/s00382-020-05216-3.
|
| [10] |
ALLEN M R, INGRAM W J. Constraints on future changes in climate and the hydrological cycle[J]. Nature, 2002, 419(6093): 224-232. |
| [11] |
TRENBERTH K E, DAI A G, RASMUSSEN R M, et al. The changing character of precipitation[J]. Bull Am Meteor Soc, 2003, 84(9): 1 205-1 218. DOI:10.1175/BAMS-84-9-1205 |
| [12] |
LUO Y, LI L, JOHNSON R H, et al. Science and prediction of monsoon heavy rainfall[J/OL]. Science Bulletin, 2019, 64(21): 1 557-1 561. https://doi.org/10.1016/j.scib.2019.09.005. DOI: 10.1016/j.scib.2019.09.005.
|
| [13] |
DING Y H, WANG Z Y, SUN Y, et al. Inter-decadal variation of the summer precipitation in East China and its association with decreasing Asian summer monsoon. Part Ⅰ: Observed evidence[J]. Int J Climatol, 2008, 28(9): 1139-1161. DOI:10.1002/joc.1615 |
| [14] |
CHANG C P, YANG Y T, KUO H C, et al. Large increasing trend of tropical cyclone rainfall in Taiwan and the roles of terrain[J/OL]. J Climate, 2013, 26(12): 4 138-4 147[2019-10-27]. http://journals.ametsoc.org/doi/abs/10.1175/JCLI-D-12-00463.1. DOI: 10.1175/JCLI-D-12-00463.1.
|
| [15] |
LIANG P, DING Y. The long-term variation of extreme heavy precipitation and its link to urbanization effects in Shanghai during 1916-2014[J]. Adv Atmos Sci, 2017, 34(3): 321-334. DOI:10.1007/s00376-016-6120-0 |
| [16] |
WU M, LUO Y, CHEN F, et al. Observed link of extreme hourly precipitation changes to urbanization over coastal South China[J]. J Appl Meteor Climatol, 2019(August): 1799-1819. DOI:10.1175/jamc-d-18-0284.1 |
| [17] |
JIANG X, LUO Y, ZHANG D L, et al. Urbanization enhanced summertime extreme hourly precipitation over the Yangtze River Delta[J]. J Climate, 2020, 33(13): 5 809-5 826. DOI:10.1175/jcli-d-19-0884.1 |
| [18] |
REN F, GLEASON B, EASTERLING E, et al. Typhoon impacts on China's precipitation during 1957-1996[J]. Adv Atmos Sci, 2002, 19(5). |
| [19] |
CHEN L S, LI Y, CHENG Z Q. An overview of research and forecasting on rainfall associated with landfalling tropical cyclones[J]. Adv Atmos Sci, 2010, 27(5): 967-976. DOI:10.1007/s00376-010-8171-y |
| [20] |
SU Z, REN F, WEI J, et al. Changes in Monsoon and Tropical Cyclone Extreme Precipitation in Southeast China from 1960 to 2012[J]. Tropical Cyclone Research and Review, 2015, 4(1): 12-17. DOI:10.6057/2015TCRR01.02 |
| [21] |
赵晓彤, 余锦华, 廖桉桦, 等. 北大西洋热带气旋生成频数变化对海温异常响应特征的研究[J]. 热带气象学报, 2020, 36(2): 208-218. |
| [22] |
杜新观, 余锦华. ENSO发展年与衰减年夏季环境要素对热带气旋生成频数变化的贡献[J]. 热带气象学报, 2020, 36(2): 244-253. |
| [23] |
ZHAO J, ZHAN R, WANG Y, et al. Untangling impacts of global warming and Interdecadal Pacific Oscillation on long-term variability of North Pacific tropical cyclone track density[J]. Science Advances, 2020, 6(41): p. eaba6813. DOI:10.1126/sciadv.aba6813 |
| [24] |
WU L, WANG B, GENG S. Growing typhoon influence on east Asia[J]. Geophys Res Lett, 2005, 32(18): 1-4. DOI:10.1029/2005GL022937 |
| [25] |
LIU L, WANG Y. Trends in landfalling tropical cyclone-induced precipitation over China[J]. J Climate, 2020, 33(6): 2 223-2 235. DOI:10.1175/JCLI-D-19-0693.1 |
| [26] |
ZHANG H, ZHAI P M. Temporal and Spatial Characteristics of Extreme Hourly Precipitation over Eastern China in the Warm Season[J]. Adv Atmos Sci, 2011, 28(5): 1 177-1 183. DOI:10.1007/s00376-011-0020-0 |
| [27] |
YU R, XU Y, ZHOU T, et al. Relation between rainfall duration and diurnal variation in the warm season precipitation over central eastern China[J]. Geophys Res Lett, 2007, 34(13): 10-13. DOI:10.1029/2007GL030315 |
| [28] |
LUO Y, WU M, REN F, et al. Synoptic situations of extreme hourly precipitation over China[J]. J Climate, 2016, 29(24): 8 703-8 719. DOI:10.1175/JCLI-D-16-0057.1 |
| [29] |
李建, 宇如聪, 孙溦. 中国大陆地区小时极端降水阈值的计算与分析[J]. 暴雨灾害, 2013, 32(1): 11-16. |
| [30] |
XIAO C, WU P, ZHANG L, et al. Robust increase in extreme summer rainfall intensity during the past four decades observed in China[J]. Scientific Reports, 2016, 6(38 506): 1-9. DOI:10.1038/srep38506 |
| [31] |
REN F M, GLEASON B AND EASTERLING D. A numerical technique for partitioning cyclone tropical precipitation[J]. J Trop Meteor, 2001, 17(3): 308-313. |
| [32] |
刘通易, 吴立广, 张娇艳, 等. 1965-2010年7-9月影响中国的热带气旋降水变化趋势分析[J]. 气象学报, 2013, 71(1): 63-75. |