英语原文共 12 页，剩余内容已隐藏，支付完成后下载完整资料

不同阈值定义方法对珠江流域极端降水时空特征分析的影响

刘秉军¹bull;陈秀红¹bull;陈俊凡¹bull;陈晓红²

摘要：极端降水事件少见，多发生在局地相对较小的地区，在分析其特征时存在明显的不确定性。本文使用1959-2009年62个月的日降水量数据，采用百分位法（PM）和绝对临界值法（ACVM）确定极端降水事件（EPT），分析了它们对极端降水事件时空分布的不同影响。 本研究结果表明：（1）采用Kmeans聚类算法，根据降水指数和各站地形，经度和纬度，可将整个流域划分为8个降水区。（2）PM计算的极端降水频率、极端降水比例和极端N日降水比例等极端指数显着高于ACVM 50年的计算结果，这在降水量低的地区尤其明显，如果EPT由PM定义，那么盆地的西北部由于更多的日降水事件被视为极端降水区。（3）这两种方法分别计算的极端频率在整个流域内的空间分布差异很大。 由ACVM计算的极端频率的空间分布显示出高值中心在东南沿海地区，低值中心在西北山区。但由PM计算出的极端频率在盆地上分布均匀，这与实际明显不一致，实际上降水量大的地区一般具有较高的极端降水频率，反之亦然。

关键词：极端降水 阈值 绝对临界值 法百分位数法

1介绍

随着全球变暖，近几十年来极端降水量的总体增加引起越来越多的关注，因为它对经济，社会和生态系统的影响往往很大（Wang et al。2011; Wan等人2014; 哈特曼和布坎南2014）。 然而，由于低频率的客观性和复杂的地理、气象条件的影响，如何选择“正确”的方法来确定极端降水，没有国际标准。因此，定义EPT各种方法的差异以及这些方法对极端降水事件特征分析结果的影响是至关重要的（Roy和Balling2004; Zhang等人2014).在确定EPT的几种方法中，通常使用绝对临界值法（ACVM）和百分位数法（PM）。ACVM由世界气象组织气候学委员会（CCI / WMO）推荐，使用绝对日降水强度来定义极端天气事件。PM采用概率统计并选择一定百分位作为极值（Zhang et al。2012）。Kozaric和Picek（2006），使用了绝对临界值100天^-1作为EPT来分析极端降水的气象特征和影响亚得里亚海北部极端降水事件的因素。（ 陈等人。（2011）以50 mm天^-1作为极端阈值，研究了1956-2008年中国十大流域极端降水事件的时空变化特征。Bell et al。（2004）选择了极端强降水事件的第95百分位来分析。卡利 -fornia.王和周（2005）在分析中国年极端降水事件的趋势时选择了第97.5百分位作为阈值。虽然以前的许多研究已经广泛讨论了定义EPT的方法，但阈值的选择通常基于研究人员的专家判断并涉及相当大的主观性（Begueria2004）。 Easterling和Evans（2000）使用20毫米天^-1作为东欧的大雨门槛，而Anagnos-topoulou和Tolika（2012）定义阈值为25毫米天^-1。Tzavelas等人，（2010）采用了第80,85,90和95百分点的日降雨量观测值的回归水平图来确定雅典地区极端降水量的适当阈值。 他们的研究结果表明，基于第90个最高值的返回水平函数描述的数据优于第80,85和95个最高值。 根据Waylen和Woo在欧洲报道的每年1.2到3次事件的极端频率（1983），Irvine和Waylen（1986）和Lang等人（1999），Anag-nostopoulou和Tolika（2012）确定了欧洲各站的EPT。 使用两个气候标准（每年的极值频率和选定的阈值），这些工作人员评估了第95和第99百分位的表现。 他们的研究表明，第99百分位的结果令人满意。 在黑河流域合适的阈值选择中，年平均出现次数（AAON）等于1〜2（Jiang et al。2009; Si等人2012），Li等人 （2014）计算了每日降雨观测值的第90,95,97.5和99个百分点作为备用阈值，并使用阈值以上的数据集的AAON来选择合适的降水阈值。 他们发现97.5％和99％的百分位数比较适合大多数台站的降水门限选择。Roth等人（2014）比较了第95,95.5和98.5分降雨观测值，选择了荷兰和德国西北部POT模型的阈值; 将97.5％和98.5％的分位数作为日平均降水量为2.08 mm天^-1和夏季均值2.46毫米天的降水量^-1。很明显，定义EPT的不同方法可能对分析时间 -极端降水事件的空间特征。 虽然许多以前的研究，如我们以前的研究（刘等人。2013a）进行了不同方法定义的EPT的不确定性，不同方法对极端降水时空分布的影响及其潜在原因尚未综合研究。 在这种情况下，利用珠江流域62个站1959-2009年的逐日降水资料，选择PM和ACVM两种方法来定义EPT，它们对极端降水时空分布的不同影响是在这项研究所要分析的。

研究领域和数据

• 1. 学习区域

珠江（如图1所示）1）是中国第二大河流（根据河流流量），流域面积为4.42 9 10²km²（PRWRC 1991）。 其主要支流是西江，东江，北江。 珠江流域位于97°39⁰E和117°18⁰E和纬度3°41⁰N和29°15⁰N之间。 西部地形高，包含云贵高原山区，中部和东南部地区较低，其中包括广西山和珠江三角洲河。 在气候特征方面，珠江流域气候温暖，降水充沛，以热带和亚热带气候为主，东亚季风也有较强影响。年平均气温在14至22°C之间，年平均降水量在1000至2200毫米之间。

• 1. 数据和指标

本研究使用珠江流域83个国家降水测量站的每日降水观测资料。这些观测数来自中国气象局（CMA）国家气候中心（NCC），该中心负责收集和发布水文资料。 使用由加拿大环境部气候研究部的王和冯开发的软件包做RH测试（http://etccdi.pacificclimate.org/software.shtml），对83个台站降水序列的均匀性进行了检验。 最终，62个站（图.1）的数据（缺失数据小于总的日降水数据的1%）被选定。定义雨日为日降水量大于0.1毫米，而极端降水日定义为连续n（n = 1,2,3 ...）天每天的降水全部超过极端降水门槛值。

在本研究中，极端降水指数包括年极端降水频率，极端降水比例，极端正日降水比例和极端降水发生频率。此外，其他指标如年降雨天数，年平均降水量和年降水强度也列在表中1（钱和林2005; 敏和钱2008; Zhang等人2012).

图1 珠江流域台站

3 方法

3.1 两种确定EPT的方法

在本研究中用于确定EPT的PM和ACVM都是非参数方法，每日使用固定降水值作为阈值，当其每天的降雨量超过阈值时，将降水事件定义为极端事件。中国的降水分级系统（Sun2000）将0-10毫米的日常降水分为细雨，10-25毫米为中雨，25-50毫米为暴雨，50-100毫米为暴雨。 在这项研究中，使用ACVM时，每天50毫米被选为EPT。在1959年至2009年间，将每个台站日降水序列的第95个百分位评估为使用PM时的EPT（Plummer et al。1999），计算方法如下：

其中从1959年到2009年的气候时间序列的长度是l，并且X₁，X₂，...，X_j，...，X_L按照升序排列，j是由j = Int [p（L 1）]定义X_j的序列号，A是由A = p（L 1）-j定义的权重系数，p是95 ％。

表1 降水指数的定义及其单位

3.2 K-means聚类分析方法

珠江流域主要有广泛的经度和复杂的地形（如高山，高原，丘陵和平原），并且受季风影响，降水的气候模式与年平均降水量在空间上从1000到2200毫米不等。更理性揭示了极端降水在不同均匀带中的空间特征，即K均值聚类分析（Sonmez和Komuscu2011）被用来将邻近的气象站聚类成一个具有相似降水特征的地带（Asong et al。2015）。K均值聚类分析是一种常见的非均匀分布，具有较高计算效率的层次聚类算法，适用于处理大型数据集（麦奎1967），主要由四个过程组成：（1）随机设置样本量为N的可观测序列的K个初始聚类中心，（2）比较剩余样本与所有聚类中心的相似度矩阵，并将样本点归入具有近似相似度矩阵的聚类中，（3 ）重建聚类中心和相应的相似性矩阵，（4）诊断下一个样本点，直到所有样本数据被分类到K个聚类中。

3

3.2.1 确定最佳分类号码

K均值聚类分析的结果随着初始聚类中心和聚类数目的不同而不同选择。 在这项研究中，轮廓系数（SC）（考夫曼和Rousseeuw1990）被用来评估集群质量通过表示的凝聚力样本在一个群集和样本分离一个集群来自其他集群中的集群。 对于第i采样点，轮廓值由下式估计，H的值由下式给出其中a（i）是第i个样本与同一集群中其他成员的平均距离，b（i，k）是第i个样本与第k个集群成员的平均距离。SC范围从-1到 1，SC值越高，分类越好。 当SC是否定的，表示样本可能被错误地分类。 当SC的平均值达到最大值并且负SC值达到最小值时，获得最佳分类号。

3.2.2 异质性测量

异质性测量H（Hosking和Wallis1997）在这里被引入来评估a的不均匀程度。由K均值聚类分析划分的一组地点。 异质性度量比较样本L矩之间的现场变异并计算H以评估每个群集的异质性。 给一个小组有N个站点，并且记录的第i个站点的长度是n_iL矩是s^eth;iTHORN;，s^eth;iTHORN;，s^eth;iTHORN;。 在这种情况下，该组平均值与年平均降水量空间一致，L矩（sR，sR，sR）计算为：

为了拟合群体平均L矩，本研究使用具有分位数函数的四参数卡伯分布。 四参数kappa分布可以避免对于计算合成对应物的特定父母分布的任何义务，并且因此比较常见的三个参数分布对分布形状的假设更少（Saf2010）。 使用方程5, 6，和7，在每个模拟区域中计算加权标准差V₁，V₂和V₃，并且也可以获得平均值lv和标准偏差r：

H值由下式给出：

（9）

一个区域可以被认为是“可接受的同质的”，当H lt; 1时，“可能是异质的”，当1 lt;H lt;2时，以及当Hgt;=2时是“非常不均匀的”。

4 结果

4.1 珠江流域降水分区

聚类带由K-means算法根据降水指数形成，如年平均降水量，年降水强度和极端降水频率以及地形，经度和本研究中各站的纬度。 表中的SC值2对于不同数量的分类，从5到10表明，当珠江流域划分为八个群时，SC最大值达到0.32，没有台站不一致; 也就是说，区域化的聚类数量最好是8，这与其他研究基本一致（Yang et al。2010; 刘等人。2013b）。表中的H值3 表明八个区域的划分被验证为均匀性，因为八个群集的H值都小于1.如图.2所示,是每个地区降水的特征。

1. I区位于珠江流域西北部南盘河上游地区。由于云开山，柳湾山，大贵山的屏障作用，南海的暖湿空气受到进一步北移的限制， 这导致该区域的降水量低于1100 mm / a。
2. 二区覆盖珠江流域中西部红河上游地区。 典型的低平地形为这个地区提供了畅通无阻的水汽通道。 因此，该地区年平均降水量仅为1100-1400毫米。
3. 三区位于盆地西

   剩余内容已隐藏，支付完成后下载完整资料

   ---

   资料编号：[21475]，资料为PDF文档或Word文档，PDF文档可免费转换为Word