近60 年来中国主要流域极端降水演变特征

江洁 周天军 ,2 张文霞

1 中国科学院大气物理研究所大气科学和地球流体力学数值模拟国家重点实验室(LASG), 北京 100029

2 中国科学院大学地球与行星科学学院, 北京 100049

1 引言

全球增暖背景下，近年来各类极端降水事件频发。2010 年以来，北京多次发生暴雨，其中2012年7 月20 日为1951 年以来最强特大暴雨过程，造成79 人死亡，2016 月7 月20 日再次发生历史罕见的特大暴雨（甘璐等, 2017; 田付友等, 2021）。2021 年7 月20～21 日，河南中北部发生特大暴雨，位于暴雨中心的郑州城区最高小时降雨量达201.9毫米，为中国大陆小时降雨量历史最高，多条河流出现超警洪水（孙跃等, 2021）。全国各地强降水事件频发时，云南等地却连续多年发生严重干旱。2019 年晚春至初夏，云南受降水量偏少和高温影响，超过100 条河流断流，82.4 万人面临饮水困难，农作物受灾面积高达960 万亩（Lu et al., 2021）。极端降水事件及洪涝、水文干旱等次生灾害已经严重危害到了人民群众的生产生活和生命安全，给国家和社会造成了巨大的经济损失。理解极端降水事件频率、强度、持续时间的变化，对国家防灾减灾以及制定气候变化适应及减缓政策具有重要意义（孙颖等, 2015）。

政府间气候变化专门委员会（IPCC）《管理极端事件和灾害风险，推进气候变化适应》特别报告中指出，1950s 以来，陆地大部分地区极端降水事件的频率和强度均发生显著变化（Seneviratne et al., 2012）。在中国，大部分地区能观测到强降水和极端强降水事件频率增多、强度增强，并呈现出小雨减少暴雨增多的特征（Ma et al., 2017a; 贺冰蕊和翟盘茂, 2018; Li and Chen, 2021）。代表极端干旱的最大连续干旱日数（CDD）则在大多数地区呈现减少趋势（尹红和孙颖, 2019; Zheng et al.,2019）。中国极端降水的变化具有显著的区域性差异，大部分极端降水指数在我国西北、东南和长江中下游地区呈增加趋势，而在华北、东北和西南等地呈减少趋势（Zhai et al., 2005; 陈海山等, 2009; 高涛和谢立安, 2014; Ma et al., 2015; 武文博等, 2016;Zhou et al., 2016; Wang et al., 2017）。

作为最主要的自然灾害之一，极端降水频次和强度的变化可能会导致旱涝灾害（Seneviratne et al., 2012; Ivancic and Shaw, 2015; Zhang et al., 2015;Wasko and Nathan, 2019; Chen et al., 2021a）。中国洪涝灾害频发，是世界上洪涝灾害最频繁的国家之一（王艳君等, 2014）。考虑到中国极端降水变化存在显著的区域性差异，有必要明晰不同流域极端降水的时空变化特征，为理解与极端降水有关的旱涝灾害提供科学参考。目前已有工作考察了个别流域极端降水的变化情况，包括长江流域（Su et al.,2006; Dong et al., 2011; 孙惠惠等, 2018）、珠江流域（Yang et al., 2010; Zhang et al., 2012a）、淮河流域（Xia et al., 2012; 陆苗等, 2015; 潘欣等, 2019）、黄河流域（Hu et al., 2012; 贺振和贺俊平, 2014; 马佳宁和高艳红, 2019）、海河流域（Chu et al.,2010; 张兵等, 2014）和松辽流域（袭祝香等,2019）。但以往研究主要集中在东部沿海流域，不同流域的研究多基于不同的方法和不同的降水指数，关注的时间段也存在差异，各流域的结果无法直接进行比较。也有少量研究讨论了中国不同流域极端降水变化情况，但对不同流域极端降水的变化仍缺乏定论（陈峪等, 2010; Zhang and Cong, 2014）。

极端降水的变化是气候系统内部变率和外强迫共同作用的结果。其中，气候系统内部变率是指气候系统自身固有的变化，是气候系统各圈层相互作用的结果（陆静文等, 2020）。外强迫则包括太阳活动、火山气溶胶等自然外强迫，以及温室气体、人为气溶胶排放等人为外强迫（Myhre et al.,2014）。检测归因结果表明，中国极端降水频率和强度的变化，以及降水谱的偏移与外强迫有关（Chen and Sun, 2017; Li et al., 2017; Ma et al.,2017a; Li and Chen, 2021; Chen et al., 2021b）。也有研究指出，厄尔尼诺—南方涛动（El Niño-Southern Oscillation，简称ENSO）、太平洋年代际振荡（Pacific Decadal Oscillation，简称PDO）等气候系统内部变率也会影响中国极端强降水的变化（Fu et al., 2013; Cao et al., 2021）。目前关于中国极端降水检测归因的分析研究较为有限，且多关注中国整体降水变化原因（Ma et al., 2017a; Li et al., 2018; Li and Chen, 2021; Lu et al., 2020）。

世界气象组织（WMO）气候委员会（CCI）、世界气候研究计划（WCRP）及海洋学和海洋气象学联合技术委员会（JCOMM）联合成立的气候变化检测和指数专家组（ETCCDI）定义了27 个具有代表性和全球适用性的极端气候指数（Zhang X B et al., 2011; 尹红和孙颖, 2019），其中的10 个是与降水有关的气候指数。本文拟基于台站观测资料，利用ETCCDI 定义的10 个降水指数，考察并比较中国九大流域极端降水变化情况，并重点回答以下关键科学问题：（1）1960s 以来中国平均降水、极端降水如何变化？这种变化在内部变率范围内还是与外强迫有关？（2）各流域平均降水、极端降水的长期变化是否存在差异？不同流域降水变化的主要特征是什么？

2 资料和方法介绍

2.1 研究区域

本文选取全国及九大流域片作为研究区域，如图1 所示。其中九大流域片依照中国科学院地理科学与资源研究所资源环境科学与数据中心的标准，划分为：内陆河片、西南诸河片、东南诸河片、珠江流域片、长江流域片、黄河流域片、淮河流域片、海河流域片和松辽河流域片。

图1 九大流域片及624 个台站分布，数字代表每一流域片的台站数Fig. 1 The distributions of nine river basins and 624 stations. The number of stations for each river basin is also shown

2.2 观测资料

本文所使用的观测资料为中国气象局（CMA）提供的中国地面气候资料日值数据集V3.0，其中包含839 站经过严格质量控制的逐日降水资料（杨溯和李庆祥, 2014）。本文利用台站逐日降水资料计算了ETCCDI 定义的10 个降水指数。ETCCDI要求计算极端气候指数的原始数据具有较高的时间覆盖度，具体为：若某年（月）降水数据缺测1 月（3 日）以上，则该年（月）极端气候指数设为缺测值；若某年降水数据缺测15 日以上，该年极端气候指数也会设为缺测值（Zhang X B et al., 2011;Zhang and Zhou, 2019）。本文依照该标准进行筛选，1961～2017 年期间每一年均有极端降水指数记录的有效台站数共624 个。有效台站地理分布及每个流域片拥有的有效台站数如图1 所示。

2.3 分析方法

2.3.1 降水指数

ETCCDI 定义的10 个降水指数如表1 所示，包括年降水量（PRCPTOT）、降水强度（SDII）和8 个极端降水指数（Rx5day、Rx1day、R95p、R99p、R10mm、R20mm、CWD 和CDD）。

表1 气候变化检测和指数专家组（ETCCDI）定义的10 个降水指数Table 1 Information for 10 precipitation indices defined by ETCCDI (Expert Team on Climate Change Detection and Indices)

2.3.2 趋势及显著性检验

考虑到台站资料的覆盖度，本文关注1961～2017 年各降水指数的变化趋势，计算趋势所用的方法为Theill-Sen 趋势估计，该非参数方法对测量误差和离散数据不敏感，已被广泛用于计算长时间序列的趋势（Ohlson and Kim, 2015）。

本文采用Mann-Kendall 非参数检验法来检验降水指数是否具有显著变化趋势，该方法不对数据的分布进行假设，被广泛用于极端气候指数变化趋势的显著性检验（Kendall, 1955）。本文中，当趋势落在零假设分布的双侧尾部各2.5%范围及零假设以外时，认为该降水指数显著增加或减少。

考虑到不同区域降水指数量级存在差异，为对不同区域极端降水指数变化进行比较，本文采用了相对气候态的变化趋势，其中气候态定义为1961～2017 年平均值。

2.3.3 空间场显著性检验

为考察降水指数在一定空间范围内是否具有显著增加或减少趋势，换句话说，降水指数的变化是在内部变率范围内还是在受到外强迫作用，本文采用了基于区域同号变化比例的空间场显著性检验（von Storch and Zwiers, 1999; Kiktev et al., 2003;Wilks, 2006; Westra et al., 2013）。具体步骤为：

（1）计算原始降水指数呈显著增加或减少趋势的台站数，将其与总台站数之比作为实际观测值；

（2）在原始数据[时间长度（T）×站点数（N）]的时间维上进行T次可重复的随机再取样（即bootstrap 取样），产生一组新的时间维（长度为T），所有的台站数据同时采用再取样后的时间维，而原有的空间维次序保持不变，可生成一组新的数据[时间长度（T）×站点数（N）]；

（3）重复步骤（2）1000 次，产生1000 组bootstrap 样本，每组样本可视为气候系统内部变率产生的一种可能情形；

（4）计算1000 组bootstrap 样本降水指数呈显著增加或减少趋势的台站数占总台站数之比，构成零假设分布，代表气候系统内部变率导致的可能变化；

（5）比较实际观测值与零假设分布，若观测值落在尾部5%范围及以外，则认为实际观测到的降水指数变化空间分布型在0.05 的显著性水平上不可能仅由气候系统内部变率解释。

当bootstrap 取样次数为5000 次和10000 次时，本文结果不变（图略）。该方法已被广泛用于不同区域极端气候事件长期变化的研究（Kiktev et al.,2003; Westra et al., 2013; Zhang and Zhou, 2019; Li and Chen, 2021）。

2.3.4 区域平均

本文在分析不同流域极端降水指数长期变化时，使用了区域平均结果。考虑到站点分布的不均匀，首先将站点资料插值至0.5°×0.5°格点上。由于部分地区台站资料较为稀疏，例如内陆河片南侧及西南诸河片西侧的高原地区，为避免插值方法带来的不确定性，本文将落入某一格点的台站资料平均值作为该格点中心的量值，不包含台站的格点设为缺省值。该方法已广泛应用于季风区、干旱区甚至全球台站资料的插值（Westra et al., 2013; Hu et al.,2018; Zhang and Zhou, 2019）。最后，对插值至格点的台站资料采用纬度加权计算区域平均值结果。文中图2 至图8 结果基于未插值的台站资料，图9和图10 结果基于插值后的格点资料。

3 结果分析

3.1 全国降水变化

首先考察年平均降水和降水强度的时空分布特征。图1 为PRCPTOT 和SDII 指数在1961～2017年间的气候态和长期变化趋势。气候态尺度上，PRCPTOT 和SDII 呈现相似的空间分布特征，具体表现为自东南沿海向西北内陆递减（图2a-b）。珠江流域片和东南流域片降水总量最大，个别站点年平均降水超过2000 mm，降水强度超过20 mm d-1；内陆河片降水总量和强度均最低，大多数站点年平均降水低于300 mm，降水强度低于8 mm d-1。PRCPTOT 和SDII 的长期变化趋势则略有差异（图2c-d）。全国范围内有55.24%的站点PRCPTOT呈现增多趋势，略多于减少的站点（44.75%）。PRCPTOT 显著增多的站点（9.70%）也多于显著减少的站点（2.50%），前者主要位于内陆河片和东南沿岸的流域片，后者主要分布在我国西南和东北地区（图2c）。SDII 增强的站点约占71.67%，其中有15.02 %的站点显著增强，主要位于东南地区的流域片及内陆河片。约28.32%的站点SDII 减弱，仅有0.78%的站点呈显著减弱趋势，主要位于我国东北的松辽河流域片及海河流域片（图2d）。

图2 1961～2017 年（a、c）降水量（PRCPTOT）和（b、d）降水强度（SDII）指数（a、b）气候平均态和（c、d）变化趋势空间分布。（c、d）中蓝色（红色）圆点代表降水指数呈增加（减少）趋势，实心圆点代表趋势通过0.05 显著性水平检验，左下角数字代表呈某一趋势的台站数占总台站数百分比Fig. 2 Spatial pattern of (a, b) climatology and (c, d) trend in (a, c) PRCPTOT (total wet-day precipitation) and (b, d) SDII (simple daily precipitation intensity) during 1961-2017. (c-d) The blue (red) dots indicate the increasing (decreasing) trends in precipitation indices; the solid dots indicate the trends are significant at the 95% level; the percentage of stations with different conditions are shown in the bottom left

进一步考察观测中全国范围内PRCPTOT 和SDII 呈现出显著变化趋势的站点比例是否在气候系统内部变率范围内。基于空间场显著性检验，图3 给出了1000 个bootstrap 样本构成的气候系统内部变率引起的台站显著变化范围。可以看到，PRCPTOT 和SDII 呈显著增大趋势的台站数均落在零假设分布的尾部5%或以外，表明观测到的PRCPTOT 和SDII 指数呈显著增大趋势的台站占比不可能仅由气候系统内部变率引起，外强迫起到了一定的作用。相反，观测到的PRCPTOT 和SDII 指数呈显著减小趋势的台站占比仍在内部变率范围内，无法归因为外强迫的影响。Li and Chen（2021）基于更严格的质量控制、更少的台站数能够得到类似的全国范围内PRCPTOT 和SDII 指数增加与外强迫有关的结论。

图3 （a）1961～2017 年（a、c）PRCPTOT、（b、d）SDII 指数呈现（a、b）显著增加、（c、d）显著减少趋势的台站百分比，其中横坐标表示呈现显著增加/减少趋势的台站百分比，直方图代表1000 个bootstrap 样本中不同台站百分比对应的发生频率，灰色直线代表零假设分布尾部5%的范围，圆点代表台站观测结果Fig. 3 Percentage of stations with (a, b) significant increasing and (c, d) decreasing trends in (a, c) PRCPTOT and (b, d) SDII. The x-axis represents the percentage of stations with significant increasing/decreasing trends, the histograms denote the distributions of results from 1000 bootstrap samples,the gray line marks the upper 5% probability distribution, the dot denotes the observed value

图4 给出了Rx5day、Rx1day、R95p 和R99p的气候态及长期变化趋势空间分布，极端强降水与连续强降水强度与洪涝灾害密切相关。上述四类极端降水指数气候态空间分布与PRCPTOT 空间分布基本一致，呈现出自东南向西北递减的特征，内陆河片最低（图4 左列）。这四类极端降水指数的长期变化趋势空间分布也与PRCPTOT 类似，内陆河片、珠江流域片、东南诸河片和长江流域片东侧的台站多呈现增加趋势，西南至东北一带台站多呈现减少趋势（图4 右列）。在全国范围内，呈增加趋势的站点超过呈减少趋势的站点，对于Rx5day、Rx1day、R95p 和R99p 而言，分别有53.36%、61.03%、64.79%和65.57%的站点呈增加趋势，且分别有7.04%、7.67%、12.83%和9.70%的站点呈显著增加趋势。降水事件极端性越强则表现为增多趋势的台站占比越多。空间场显著性检验结果表明，观测中，Rx5day、Rx1day、R95p 和R99p 呈显著增强趋势的台站数比例显著区别于气候系统内部变率范围，与外强迫作用有关；而呈显著减弱趋势的台站数占比仍在气候内部变率范围内（图5a-d）。

图4 1961～2017 年九大流域片极端降水指数（a、b）Rx5day、（c、d）Rx1day、（e、f）R95p 和（g、h）R99p 气候态（左列，单位：mm）和变化趋势[右列，单位：(10 a)-1]空间分布。右列中蓝色（红色）圆点代表降水指数呈增加（减少）趋势，实心圆点代表趋势通过95%显著性检验，左下角数字代表呈某一趋势的台站数占总台站数百分比Fig. 4 Spatial pattern of climatology (left column, units: mm) and trend [right column, units: (10 a)-1] in extreme precipitation indices over nine river basins during 1961-2017: (a, b) Rx5day; (c, d) Rx1day; (e, f) R95p; (g, h) R99p. The blue (red) dots in the right columns indicate the increasing(decreasing) trends in precipitation indices; the solid dots indicate the trends are significant at the 95% level, the percentage of stations with different conditions are shown in the bottom left

图6 为R10mm、R20mm、CWD 和CDD 气候态和长期变化趋势空间分布，其中，CWD 和CDD是水文干旱、气象干旱的重要指示因子。R10mm、R20mm 和CWD 气候态空间分布与PRCPTOT 一致，自东南向西北递减（图6 左列）。东南沿海的流域片最大连续湿润天数可达10～15 天，西南诸河片部分站点连续湿润天数可达15～20 天（图6e）。CDD 气候态空间分布显著区别与其它极端降水指数，位于中国北部的内陆河片、黄河流域片、海河流域片和松辽河流域片量值最大，最大连续干旱日数超过30 天甚至40 天，长江流域片量值最小，最大连续干旱日数在20 天以下（图6g）。

上述四类极端降水指数不具有统一的长期变化特征，且有部分站点无变化趋势（图6 右列黑点）。对R10mm、R20mm 而言，分别有44.13%和64.32%的站点无变化趋势，其余站点表现为东南和西北大多数站点增多、西南至东北一带大多数站点减少的空间分布特征（图6b 和d）。其中，R10mm 呈现增多趋势的站点（27.85%）与呈减少趋势的站点（28.02%）数目相当，R20mm 呈现增多趋势的站点（23.32%）明显大于呈减少趋势的站点（12.36%）。R10mm 和R20mm 呈显著增多或减少趋势的站点都低于6%，仍在气候系统内部变率范围以内（图5ef）。对于CWD 而言，有84.04 %的站点无变化趋势，剩余站点多表现为连续湿润天数减少，且主要位于黄河流域片、长江流域片和西南诸河片（图6f）。对于CDD 而言，大多数站点表现为最大连续干旱日数减少，呈减少趋势的站点（71.52%）明显多于呈增加趋势的站点（13.61%），呈显著减少趋势的站点（17.37%）也明显多于呈显著增加趋势的站点（0.79%）。空间场显著性检验结果表明，观测中CDD 和CWD 呈显著减少趋势的台站数比例显著区别于气候系统内部变率，与外强迫作用有关；而呈显著增加趋势的台站数比例仍在气候系统内部变率范围内（图5g-h）。

图5 1961～2017 年极端降水指数（a）Rx5day、（b）Rx1day、（c）R95p、（d）R99p、（e）R10mm、（f）R20mm、（g）CWD 和（h）CDD 呈现显著增加（蓝色）和减少（红色）趋势的台站百分比。其中横坐标表示呈现显著增加或减少趋势的台站百分比，直方图代表1000 个bootstrap 样本中不同台站百分比对应的发生频率，红色和蓝色直线分别代表对应零假设分布尾部5%的范围，红色和蓝色圆点分别代表对应的台站观测结果Fig. 5 Percentage of stations with significant increasing (blue) and decreasing (red) trends in extreme precipitation indices: (a) Rx5day, (b) Rx1day,(c) R95p, (d) R99p, (e) R10mm, (f) R20mm, (g) CWD, and (h) CDD. The x-axis represents the percentage of stations with significant increasing or decreasing trends, the histograms denote the distributions of results from 1000 bootstrap samples, the lines mark the upper 5% probability distribution,the dots denote the observed values.

图6 1961～2017 年九大流域片极端降水指数（a、b）R10mm、（c、d）R20mm、（e、f）CWD 和（g、h）CDD 气候态（左列，单位：d）和变化趋势[右列，单位：(10 a)-1]空间分布。右列中蓝色（红色）圆点代表降水指数呈增加（减少）趋势，其中实心圆点代表趋势通过0.05 显著性水平检验，黑色圆点则代表无变化趋势，左下角数字代表呈某一趋势的台站数占总台站数百分比。Fig. 6 Spatial pattern of climatology (left column, units: mm) and trend [right column, units: (10 a)-1] in extreme precipitation indices over nine river basins during 1961-2017: (a, b) R10 mm, (c, d) R20mm, (e, f) CWD, and (g, h) CDD. The blue (red) dots in the right columns indicate the increasing(decreasing) trends in precipitation indices, with solid dots denoting the trends are significant at the 95% level; the black dots indicate no trends in precipitation indices, the percentage of stations with different conditions are shown in the bottom left

上文分析结果表明，内陆河片以及中国东南部的流域片各降水指数变化最为显著，且多呈增加趋势。内陆河片大部分地区属于干旱区，在气候态尺度上平均降水和强降水最少、干旱持续时间最长。但1961 年以来，内陆河片可以观测到显著的降水指数的变化。除CWD 和CDD 以外，其余降水指数呈增多趋势的台站数均比呈减少趋势的台站数多（图7）。空间场显著性检验结果表明，PRCPTOT、SDII、Rx5day、Rx1day、R95p、R99p 呈显著增强趋势的台站占比（16.12%～46.24%）显著区别于内部变率范围，与外强迫有关（图8 左边两列）。CDD 呈减少趋势的台站数（93.54%）远超过呈增加趋势的台站数，呈显著减少趋势的台站占比（53.76%）显著区别于气候系统内部变率，表明受外强迫作用大多数站点连续干旱日数减少。

图7 九大流域片降水指数呈现（a）增加和（b）减少趋势的台站百分比。（c, d）同（a, b），但为呈现变化趋势通过95%显著性检验的台站百分比Fig. 7 Percentage of stations with (a) increasing and (b) decreasing trends in precipitation indices for nine river basins. (c, d) as (a, b), but for stations with trends significant at the 95% level

图8 1961～2017 年极端降水指数呈现显著增加（蓝色）和减少（红色）趋势的台站百分比。其中横坐标表示呈现显著增加或减少趋势的台站百分比，直方图代表1000 个bootstrap 样本中不同台站百分比对应的发生频率，红色和蓝色直线分别代表对应零假设分布尾部5%的范围，红色和蓝色圆点分别代表对应的台站观测结果。左边两列是内陆河片结果，右边两列是长江流域片、珠江流域片和东南诸河片结果Fig. 8 Percentage of stations with significant increasing (blue) and decreasing (red) trends in extreme precipitation indices. The x-axis represents the percentage of stations with significant increasing or decreasing trends, the histograms denote the distributions of results from 1000 bootstrap samples,the lines mark the upper 5% probability distribution, the dots denote the observed values. The left two columns are the results for continental rivers; the right two columns are the results for the Yangtze River basin, Pearl River basin, and southeastern rivers

3.2 不同流域片降水变化

进一步基于插值后的台站资料，计算了内陆河片区域平均结果（图9）。与未插值的台站结果基本一致，除CDD 以外，其余降水指数区域平均结果显著增多[0.79% (10 a)-1～6.42% (10 a)-1]，CDD则显著减少[-5.58% (10 a)-1]。且降水指数的极端性越强，其增加趋势越大，Rx1day、R95p 和R99p每10 年相对气候态增长2.59 %、5.44 %和6.41 %。值得注意的是，内陆河片平均降水和各极端降水指数相对于气候态的增长幅度远超其它流域，内陆河片也是唯一一个CWD 显著增多[1.71% (10 a)-1]的流域。有研究指出，1980s 以前该地区最大连续降水日数基本在1～3 天左右，但1980s 以后最大连续降水日数以3～8 为主，降水连续性增强（Zhang Q et al., 2011; Zhang et al., 2012b）。作为中国最干旱的流域片, 1961 年以来内陆河片平均降水、降水强度、极端强降水和连续性强降水均增强，连续湿润日数增加，连续干旱日数减少，这可能会导致洪涝等气象灾害。近年来，有不少研究基于不同的指标都指出位于内陆河片范围内的新疆在1950s 以后能够观测到降水量、降水频率、降水强度的增加（Zhang et al., 2012c; Jiang et al., 2013; 慈晖等,2014; 谢培等, 2017; Hu et al., 2021）。局地暴雨引发的洪水及衍生的地质灾害已经成为新疆地区主要的气象灾害（谢泽明等, 2018; Yang et al., 2018）。

图9 九大流域片降水指数（a）PRCPTOT、（b）SDII、（c）Rx5day、（d）Rx1day、（e）R95p、（f）R99p、（g）R10mm、（h）R20mm、（i）CWD 和（j）CDD 区域平均变化趋势。绿色（黄色）代表该流域区域平均结果增加（减少），深绿色（棕色）代表该流域区域平均结果显著增加（显著减少）；数值为区域平均结果相对于该流域气候态变化趋势，单位：% (10 a)-1Fig. 9 Trends in area-averaged extreme precipitation indices in nine river basins: (a) PRCPTOT, (b) SDII, (c) Rx5day, (d) Rx1day, (e) R95p, (f)R99p, (g) R10mm, (h) R20mm, (i) CWD, and (j) CDD. Green (yellow) shadings indicate increasing (decreasing) trends, dark green (brown) indicate significant increasing (significant decreasing) trends. The numbers denote the area-averaged trends relative to related climatology, units: % (10 a)-1

与内陆河片不同，长江流域片、东南诸河片和珠海流域片位于我国东南沿海，气候态平均降水多、降水强度大、极端强降水和连续性强降水多。1961 年以来，这三个流域片能观测到一致的极端降水变化趋势，除CWD、CDD 和R10mm 以外，其余降水指数呈增加趋势的台站数均多于呈减少趋势的台站数。其中，长江流域片有超过70%的台站SDII、Rx1day、R95p 和R99p 呈增加趋势；东南诸河片有超过90%的台站PRCPTOT、SDII、R95p 和R99p 呈增加趋势；珠江流域片有超过90%的台站SDII 呈增加趋势，有超过70%的台站R95p 呈增加趋势。区域平均结果与台站结果类似，这三个流域片PRCPTOT、SDII、Rx5day、Rx1day、R99p、R95p 和R20mm 均显著增多。考虑到这三个流域片降水指数变化基本一致，为增加样本数，同时对三个流域片进行空间场显著性检验。结果表明，这三个流域片SDII、Rx5day、Rx1day、R95p 和R99p 的增加与外强迫有关，而PRCPTOT和R20mm 的增加仍在内部变率范围内（图9 右边两列）。总体而言，长江流域片、东南诸河片和珠海流域片年平均降水、降水强度、极端强降水和连续性强降水均增强，这势必会引起洪涝等气象灾害。近几十年来东南沿海省市洪涝灾害频次增多，每年因洪涝导致的受灾人数增加、经济损失增多（Kundzewicz et al.，2019）。三个流域片当中，珠海流域片的强降水变化趋势[0.69% (10 a)-1～2.38% (10 a)-1]要弱于长江流域片[1.38% (10 a)-1～3.34% (10 a)-1]和东南诸河片[2.36% (10 a)-1～5.83% (10 a)-1]。

除上述流域片以外，其它流域片站点多无显著变化趋势或不同站点差异大。淮河流域片、海河流域片和松辽河流域片降水指数多呈减少趋势，整体呈现出平均降水、降水强度、极端强降水的减弱，但区域平均结果大多并不显著（图9）。其中，海河流域片Rx1day 相对于气候态每10 年显著减少3.86%，松辽河流域片CDD 每10 年显著减少5.18%。在黄河流域片，包括Rx1day、R95p 和R99p 在内的极端强降水指数区域平均结果均显著增加[0.07% (10 a)-1～0.58% (10 a)-1]，但变化趋势远小于内陆河片及东南沿海流域片，CDD 则呈显著减少趋势[-3.95% (10 a)-1]。西南诸河片与黄河流域片类似，Rx1day、R95p 和R99p 区域平均结果均显著增加[0.45% (10 a)-1～1.49% (10 a)-1]。值得注意的是，西南诸河片是九大流域片中唯一一个CDD 呈增加趋势的站点数（57.89%）超过呈减少趋势站点数（26.32%）的流域片（图9），表明该地区有干旱增加的风险。1979 年以来，西南诸河片干旱频发，干旱强度、持续时间均呈加重趋势，严重影响当地人民的生产生活，给当地带来巨大的经济损失（张万诚等, 2013; 付奔等, 2014; Ma et al.,2017b; Lu et al., 2020）。受限于样本容量，且上述流域片多无显著变化趋势，故未进一步进行空间场显著性检验。

4 小结和讨论

近年来，极端降水事件的频发及有关的旱涝灾害严重影响了人民的生产生活和社会稳定，造成了巨大的经济财产损失。本文利用中国台站日降水资料，基于ETCCDI 建议的10 个降水指数，系统评估了1961～2017 年中国及九大流域片降水的变化情况，并利用空间场显著性检验考察了不同降水指数的显著变化是在内部变率范围内还是受到了外强迫的作用。九大流域片降水变化的概况如图10 所示，主要结论归纳如下：

图10 九大流域片降水指数变化概况。平均降水/降水强度为基于PRCPTOT 和SDII 的综合评估结果，极端强降水为基于Rx1day、R95p和R99p 的综合评估结果，连续性强降水基于Rx5day 得到，气象干旱基于CDD 得到；图中结果为对应的降水指数区域平均变化趋势在0.05 的水平下显著，若结果基于多个指数则不同指数变化趋势一致，至少有一个指数变化趋势在0.05 的水平下显著。西南诸河片区域平均CDD 在0.05 的水平下不显著，但其大部分站点呈增加趋势，故标为气象干旱增加。图标来源：https://www.flaticon.com/authors/freepik [2021-01-26]Fig. 10 Changes in precipitation across nine river basins. The results of mean precipitation/precipitation intensity are based on PRCPTOP and SDII,the results of extremely heavy precipitation are based on Rx1day, R95p, and R99p, the results of continuous heavy precipitation are based on Rx5day,results of meteorological drought are based on CDD. The results shown in the figure are for the trends in area-averaged precipitation indices significant at the 95% level. If the results are based on more than one index, all indices increase or decrease, and the trends for at least one index are significant at the 95% level. The trend of area-averaged CDD for southwestern rivers is insignificant at the 95% level, but the CDD increases for most stations,which is marked as an increase of meteorological drought. Icon sources: https://www.flaticon.com/authors/freepik [2021-01-26]

（1）全国范围内，年降水量、降水强度、极端强降水和连续性强降水（PRCPTOT、SDII、Rx1day、Rx5day、R99p、R95p）呈增多趋势的台站数多于呈减少趋势的台站数。上述降水指数呈显著增强趋势的台站占比不可能仅由气候系统内部变率引起，还受到外强迫影响，而呈显著减弱趋势的台站占比仍在气候系统内部变率范围内。此外，中国大部分站点连续干旱日数（CDD）减少，也与外强迫有关。描述降水日数的有关指数（CWD、R10mm、R20mm）在大多数站点无显著变化趋势甚至无趋势，这可能是由于不同强度的降水呈现出不同的变化特征（Li and Chen, 2021）。

（2）基于降水指数的变化，九大流域片可分为四类：（一）内陆河片：可以观测到年降水量、降水强度、极端强降水和连续强降水的增多以及连续干旱日数的减少，有洪涝灾害增多的风险，且上述变化与外强迫有关；（二）长江流域片、东南诸河片和珠海流域片：这三个流域片主要表现为年降水量、极端强降水和连续性强降水的增强，其中强降水的变化与外强迫作用有关，年降水量显著增多的台站占比仍在内部变率范围内。与内陆河片不同，这三个流域片连续湿润天数（CWD）减小，与外强迫作用有关，连续干旱日数无显著变化；（三）西南诸河片：该流域片极端强降水增强，但大部分站点连续干旱日数呈增加趋势，有干旱增多的风险；（四）黄河流域片、海河流域片、淮河流域片、松辽河流域片：大部分站点及区域平均结果中，降水指数多无显著变化趋势。

本文基于台站资料，利用空间场显著性检验考察了各降水指数的变化是否在内部变率范围内，指出全国范围内年降水量、降水强度、极端强降水和连续性强降水的增强和增多与外强迫有关。前人基于分离强迫试验和最优指纹法也有类似的结论。例如，Li et al.（2017）指出中国Rx1day 和Rx5day的变化与人为外强迫尤其是温室排放有关。Ma et al.（2017a）指出中国东部暴雨事件更加频繁、小雨事件减少与温室气体排放有关。Chen and Sun（2017）指出温室气体排放导致极端强降水相对于气候态增加13%。此外，也有不少研究利用分离强迫试验指出近年来中国一些破历史记录的极端降水或干旱事件与人为外强迫有关（如Burke et al., 2016; Sun and Miao, 2018; Zhang and Zhou, 2019;Zhang L X et al., 2020; Zhang W X et al., 2020; Lu et al., 2021）。与分离强迫试验相比，空间场显著性检验只能判别观测中的变化是否在内部变率范围内，无法对历史变化进行进一步的归因。但分离强迫试验的结果依赖于模式性能以及给定外强迫的真实性。不同方法相互印证，能够帮助我们更好地理解人类活动对极端降水的影响。