非统一趋势的空间增加观察到的印度降水极端情况的变化外文翻译资料

英语原文共 6 页，剩余内容已隐藏，支付完成后下载完整资料

非统一趋势的空间增加观察到的印度降水极端情况的变化

Subimal Ghosh¹, Debasish Das², Shih-Chieh Kao³ and Auroop R. Ganguly⁴

最近的研究不同意印度的降水极端情况在过去半个世纪以来^1-4，空间和时间都有所变化，以及所观察到的变化是否归因于全球升温^5,6或区域城市化⁷的观点。虽然大家一致认为适量的降雨在减少，但是对暴雨的趋势却缺乏一致意见，造成这种情况的部分原因在于极值的特征和空间平均的不同。这里我们用极值理论^8-15研究在长期，低频变化的背景下，过去半个世纪以来印度降雨的趋势。我们认为，当广义极值理论^8,16-18被应用于印度无统计学意义的年均最大降雨量时一种与以前使用不同的方法进行的研究^2-4相同的趋势就显现了。进一步的，我们通过对回归水平点的时空回归分析去增加印度极端降水的空间变异性。我们的研究结果主要系统的研究了基于全球和区域驱动下的印度极端降雨趋势，这项研究也可能有助于对该区域的洪水预防和水资源管理工作。

近期的文献中多在讨论在印度极端降水的时空趋势的本质^1-3，他们将其归因于全球变化，特别是全球气候变化^5,6与区域城市化⁷。以前的研究人员已经根据1951-2003年的1°times;1°的印度雨季期间的日降水资料（或类似的资料）得出了各种各样的关于极端降水趋势的结论。这些结论的差异可能归结于相应的极端的定义以及空间聚集和区域覆盖范围。在一个12°times;10°的区域内，例如印度中心区域使用固定阈值表明了在极端降水增加的同时适量降水减少的趋势导致没有明显的净趋势。然而，以对每个1°times;1°格点计算可变百分数位为基础的阈值的使用²，基于不均匀区域进行分析³和基于百分位数定义对极端降水的频率和强度的分析⁴表明在印度的极端降水中，没有明显的空间统一趋势。从统计意义上讲，基于区域分析的测试不支持大雨事件增加的趋势^2-3，以及在参考文献1中被标记的印度中心在气象意义上可能是非均匀的¹⁹。然而，其他的研究资料（例如参考文献5中19012004的数据）证实了，当极端的定义，空间聚集和区域覆盖范围相同的条件下，可以得到与参考文献1一样的发现。对于印度降水事件，近期文献中经常出现的相互矛盾的见解就指出了极端特征的重要性，尤其是在理解和传达其相关影响和政策方面的重要性。

这里我们显示，印度的降水极端情况并没有显现出来空间统一的趋势，与一些研究一致^2-4，但与其他出版的文献相反¹。 相反，它们似乎在空间异质性方面呈现出显着的增长趋势。这里提出的见解遵循极值理论（EVT）。 EVT方法²⁰是基于良好的统计理论推断人口尾部行为（即“真实”分布）的手段，例如100年回报水平（或1％概率风暴）。

这里使用的方法，具体来说，从年度最大值估计广义极值（GEV）分布的参数以及相应的30年（气候时标）移动窗口的回报水平，然后计算这些回报水平的趋势， 被广泛应用于气候应用^17-21。虽然在文献中已经开发了其他基于EVT的方法，例如峰值阈值（POT）或变量^11,12（即，GEV参数被表示为协变量的函数，其又可以包括时间或辅助变量）， 但是在本研究中没有考虑。基于文献的优先级¹⁷，本研究采用灵活的移动窗口方法。

首先，我们研究过去半个世纪的“全印度季风降水”（AIMR;见方法定义）的趋势，这些趋势在慢性变化趋势和低频变异性的背景下。 用于此分析的数据集是印度气象部门的产品1°分辨率降水数据²²，其产品来自于印度的1803个观测站的观测值，在分析期间（1951-2003;见数据集的补充说明）观测值至少有90％的数据是可用的。（数据来源：印度热带气象研究所，浦那，印度，数据存档。）

过去150年的AIMR平均时间序列显示了低频周期性模式，通过30年移动平均线过滤（图1a）变得明显。 这个循环模式也在参考文献23中进行了使用，并且还观察到大西洋多时代耦合的电联。 30年移动平均AIMR的平均时间序列在过去半个世纪有所下降，但需要根据长期趋势和周期性进行解释。

根据印度所有网格计算的年度最大值（图1b）的空间平均值显示统计学显着的增长趋势（当数据为 时间退化时，使用回归参数的置信区间计算显着性水平为1％），而年度最大值的网格时间均值（图1c）显示了地理异质性。 每个格点的年度最大降雨模式（图1e）显示印度以外的任何地方除了几个孤立的格点之外，没有明显的增长或减少的趋势。 从空间平均值计算的30年移动时间方差（图1d）显示出统计学上显着的下降趋势。

EVT计算的30年和100年回报水平（图2a，b）显示了地理上相干的模式，尽管空间异质性在视觉上是显而易见的。 在Deccan半岛上，观察西部高速公路西部较东部和西部高加索地区更有意义。 与印度其他国家相比，孟加拉国和东北部和古吉拉特邦地区的回报水平相对较大。使用引导方法计算与这些回报水平相关的不确定性^17,21,24（补充方法和图S7S9）。 回报水平与年度最大值的地理对应关系也是如预期的那样明显。 在30年或100年的回报水平（图2c，d），通过30年移动窗口审查趋势时，没有空间统一或连贯的趋势。 然而，在凭借观察可以发现趋势的地方，它们似乎是稍微积极而不是消极的，连同分散的网格（偶尔的空间一致性）显示积极的趋势。 然而，趋势（如果有的话）看起来很小，而印度所有分区域的空间异质性占主导地位。 顺便说一句，确定系数虽然是空间异质性，但在几个网格上似乎相当大（补充图S1）。测定系数是线性趋势线近似于实际数据点的统计量度。 趋势的空间异质性（值从零到一致;补充图S1）可能反映了降雨的固有空间变异性和随机性，几个网格中的高值反映了回归水平趋势的一定程度的信心计算。

降水极端的空间差异是以30年和100年回归水平的30年重叠窗口计算的。 年度最大降水量（图3a）以及30年和100年回归水平（图3b，c）的空间差异显示出统计学上显着的增长趋势。 然而，不同气象均匀区域的空间变异趋势不相似³（补充图S2）。 回归水平的空间变异趋势特别大，表明过去半个世纪以来极端地区的极端地域异质性迅速增加。 当没有显着的均匀趋势甚至任何空间一致的趋势的情况下，回归水平的空间异质性的快速增长表明了降水极端频率和强度变化的区域驱动因素。 箱形图的扩大（图3d-f）进一步证实了空间异质性，尤其是回报水平。 此外，虽然存在偏离的价值观，返回水平的空间变异性显着增加趋势的通用观点似乎不是单纯的偏离价值的伪装（补充方法）。 我们还注意到，过去半个世纪以来印度的台站密度没有变化显着，不太可能导致空间异质性的增长。文中已经提

图1 全印度季风降水（AIMR）与30年重叠时间窗口的时空趋势和变率。 a，AIMR时间序列

（30年移动平均线）从1813年到2006年，表明过去半个世纪的平均趋势下降可能需要放在低频变化。 b，年度最大降雨量的空间平均值。 c，年度最大降水量的时间均值的空间分布。d，空间均值的时间方差。在b和d中，粗线是趋势线，虚线是其1％显着性水平的边界。该空间平均（b）呈现增长趋势，空间均值（d）的时间方差呈现下降趋势，在1％水平上具有统计显着性。 e，空间分布趋势在年度最大值，表明只有几个站有趋势在1％水平上具有统计显着性。除a之外，所有地块的数据涵盖1951-2003年期间，空间分布基于1°格距。

出了极端降雨事件的全球增长，这是造成大气和海洋变暖的人为温室气体排放的结果^25,26。 然而，印度降水极端空间异质性的增加可能是由于当地的影响而产生的强迫地形，不均匀的人口增长和城市化（补充讨论）。

我们使用EVT作为我们的工具选择基于其统计严格。我们已经表明，当使用EVT分析时，以前研究人员对使用的数据产生不同的见解。我们还注意到，关于降雨极端情况的见解可能

图2 印度降水极端的回归期和波动及其30年的趋势。 a，b，1° 基于空间网格的30年（a）和100年（b）回报水平，使用1951-2003数据。这些地图都显示出空间变异性。30年和100年的回报水平被解释为预期强度分别为3.3％和1％。c，d，30年（c）和100年（d）回报水平的基于网格的趋势。 没有统一的趋势降水极端情况明显，空间异质性似乎占主导地位。

会有很大的不同，这取决于极端特征的方式。例如，全印度（图4a-f（上图））和中印度¹（图4a-f（底图））的网格比例显示降水极端情况的增加，减少或没有趋势，这取决于度量的选择：年度最大值，固定阈值，变量阈值或基于EVT的30年和100年回报水平。但是，

图3 30年重叠时间窗口计算的降水极端空间变异趋势。 a-c，基于空间变异性的趋势包含印度的所有格点的1951-2003年年度最大降雨量（a）和30年（b）和100年（c）回报水平的数据。 d-f，箱式图相应分别给a-c。所有区域都有统计上显着的增长趋势。在a-c中，粗线是趋势线，虚线是他们的在1％的显着性水平上。在箱式图中，每个框的底部和顶部分别表示25%和75%百分位数（下和上四分位数），箱子中间的部分总是50%百分位数（中位数）。晶须（栅栏）的末端最低基准仍然在四分位数以下的四分之一范围的1.5倍（IQR，数据的25％和75％百分位数之间），最低基准仍在上半部分的1.5 IQR之内。异常值由红色加号（C）表示。鉴于拟议的基础GEV分布，与a重的上尾，许多这些明显的异常值可能实际上是潜在的极端降水分布的系统特征，而不是真实的出乎意料的异常值。

我们注意到，在大多数情况下，大多数网格没有显示出显着的趋势，或者平均的网格显示出不断增长的趋势。在图4c中，50％的网格点呈现上升趋势，30％呈现下降趋势趋势，20％显示30年回报水平在显着性水平为1％时没有明显趋势。这种趋势的变化也指向地理异质性，部分支持我们的结论，从图3可以看出，半个世纪以来，在印度的降水极端空间异质性的变化缺乏空间统一的趋势。图3（a-c）中的引导置信界限表明这些结果不是随机的产物。

我们对印度地区的考察认为气象同质化³进一步支持降水极端地域异质性日益增长的趋势。 GEV的应用导致相当大的领域具有显着趋势的，这种应用是一个具有理论约束的统计模型，并且此应用在实际上揭示了一种显著的趋势。 另一方面，随机事件不太可能表现出

图4参考文献1中定义的印度中部和全印度的平均和异常降水趋势的多尺度检验。根据过去半个世纪的30年移动窗口，所有网格点在一系列指标中呈上升，下降或没有明显趋势，全印度（上图）和中印度（下图）。指标是季风降水（a），年度最大降雨量（b），30年（c）和100年（d）回报水平，高于固定（100mmd^-1）阈值（e）的超额水平和超过变量（99％百分位数）的阈值（f）。公式的选择强烈地影响了对异常降雨趋势的判断。结果将极值理论定义与以前研究人员通常用于表征印度严重降雨及其趋势的其他指标进行比较。中印度的趋势与全印度趋势呈现强烈的相似之处。计算基于1951-2003年的数据。

显着的趋势。

我们的研究结果表明，政策制定者需要意识到极端的不同特征，极端特征需要解释性和统计学意义。对于印度，具体来说就是：（1）过去半个世纪以来，平均降水量的降低需要放在低频自然变率的背景下；（2）降水极端回归水平的空间异质性显着增加的趋势，以及空间统一趋势的缺乏，表明区域而不是全球驱动因素占主导地位。印度的洪水灾害和水资源管理²⁷可能要通过适应日益增长的极端降水区域变率而不是统一增长的趋势来更好地定位。减缓战略可能需要侧重于城市化和土地利用变化以及全球变暖和温室气体排放等区域问题。^28-30关于二十世纪下半叶印度降水极端地域异质性增加的调查结果，我们对其根源进行了深入的分析。回归水平的空间方差的增加也可能与空间最大值的演化相关;在未来的研究中应该分析的可能性。全球变暖以及相关的海洋和大气变暖可能导致印度夏季风降水的总体趋势¹，而空间异质性的趋势可能是由城市化，毁林或其他土地利用因素等因素的变化引起的（补充讨论）。 假设指导的研究可以增强对人为气候变化可能贡献的理解。这种研究是基于气候模型模拟和观测分析的结合。与相关海洋和大气变暖相比，人为气候变化指的是包括在土地利用和城市化模式中的区域变化。根本原因分析的结果进一步解释了我们的发现可能对指导排放政策，区域规划决策，以及通报国家适应和区域备灾有所帮助。

方法

“全印度季风降水”是指印度在6月，7月，8月和9月的季风月份降雨量的平均值。这个计算结果来自29个分区，每个分区的降雨量是平均值组成区的降雨量。区域降雨量为依次计算平均区内所有测站得到的结果。

GEV分布用于每日降雨量的年度最大值，以获得每个格点的30年和100年回报水平。参考文献8描述了一般的适合年度最大时间序列的GEV分布的细节。而参考文献17提供了一个应用于气候模式的基于时间序列的温度和降水的时间序列。参考文献16描述了GEV分布以及位置，尺度和形状参数。形状参数的正，零或负值分别导致经典EVT中使用的GEV分布的三个特殊情况，特别是Frechet，Weibull和Gumbel分布。 n年回报水平是根据形状和比例参数计算的并表示（1 / n）％的超概率。因此，30年和100年的回报水平被解释为3.3％和

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[27698]，资料为PDF文档或Word文档，PDF文档可免费转换为Word