EN中文

Arid Land Geography >

2025 , Vol. 48 >Issue 7: 1153 - 1166

DOI: https://doi.org/10.12118/j.issn.1000-6060.2024.461

Climatology and Hydrology

Spatiotemporal evolution characteristics of extreme precipitation events on the Loess Plateau from 1960 to 2023

  • Xinhan ZHANG , 1 ,
  • Wenting ZHAO 1 ,
  • Juying JIAO , 1, 2 ,
  • Xiaowu MA 1 ,
  • Bo YANG 2 ,
  • Qi LING 1
Expand
  • 1. College of Soil and Water Conservation Science and Engineering (Institute of Soil and Water Conservation), Northwest A & F University, Xianyang 712100, Shaanxi, China
  • 2. State Key Laboratory of Soil Erosion and Dryland Agriculture in the Loess Plateau, Institute of Water and Soil Conservation, Ministry of Water Resources, Chinese Academy of Sciences, Xianyang 712100, Shaanxi, China

Received date: 2024-08-03

  Revised date: 2024-09-21

  Online published: 2026-03-11

Fold

Abstract

The Loess Plateau of China has been experiencing an increase in extreme climate events due to global warming. Understanding the spatiotemporal characteristics of extreme precipitation events in this region is crucial for disaster prevention. This study analyzes daily precipitation data from 111 meteorological stations across the Loess Plateau, spanning the years 1960 to 2023. Using detrended fluctuation analysis (DFA), we established thresholds for extreme precipitation events and examined their spatiotemporal characteristics through the Mann-Kendall test and other methods. The findings reveal the following. (1) Extreme precipitation thresholds at meteorological stations vary between 27.4 mm and 89.1 mm, with 54% of the stations exceeding a threshold of 50 mm. The average threshold values across different ecological regions range from 35.0 mm to 59.6 mm, exhibiting a gradient that is lower in the northwest and higher in the southeast. (2) The amount and intensity of extreme precipitation events increase from 10.6 mm·a-1 and 33.0 mm·d-1 in the northwest to 71.5 mm·a-1 and 133.0 mm·d-1 in the southeast, respectively. The frequency of their occurrence increases from 0.3 d·a-1 in the north to 0.8 d·a-1 in the south. The number of extreme precipitation days closely aligns with heavy rain days, particularly in the loess hilly gully B2 sub-region. (3) The loess tableland gully, earth-rocky mountainous, and river valley plain regions are identified as high-risk areas for extreme precipitation events and should be prioritized for disaster prevention and control. (4) Over the past 64 years, extreme precipitation events have shown distinct interannual variability, with an overall increase observed, particularly in July and August. (5) In the last decade, the loess tableland gully and loess hilly gully regions have seen increased precipitation amounts and frequencies of extreme events. By contrast, the declining trend of extreme precipitation events in the sandy land and irrigated agricultural regions has slowed, whereas both the earth-rocky mountainous and river valley plain regions experienced a sudden spike in extreme precipitation events in 2020. This study serves as a reference for disaster prevention and mitigation regarding extreme precipitation events across the different ecological regions of the Loess Plateau.

Key words： extreme precipitation threshold; extreme precipitation events; temporal and spatial changes; ecological regionalization; Loess Plateau

Cite this article

Xinhan ZHANG , Wenting ZHAO , Juying JIAO , Xiaowu MA , Bo YANG , Qi LING . Spatiotemporal evolution characteristics of extreme precipitation events on the Loess Plateau from 1960 to 2023[J]. Arid Land Geography, 2025 , 48(7) : 1153 -1166 . DOI: 10.12118/j.issn.1000-6060.2024.461

通常来说，极端降水事件是指在整体降水分布中出现严重偏离平均态的不易发生的小概率降水事件，往往呈现突发性强、不确定性大、致灾性强等特征[1]。确定极端降水的阈值是探究极端降水事件的前提和关键。常用的极端降水事件阈值确定方法可分为绝对阈值法和相对阈值法[2]。绝对阈值法即在固定时间内降水量大于某个固定值时可被定义为极端降水，该方法易于计算，但不能反映降雨空间分布的差异[3]。相对阈值法一般通过重现期和百分位法实现，其中百分位法是当今应用最为广泛的极端降水阈值确定方法，常用的百分位有第90、95、99百分位，由于尚未有统一的百分位选择标准，因此难以确定合理的阈值。以上方法主要从统计角度出发，未考虑系统或数据本身变化的特性，因为在复杂气候系统中许多信号是非平稳的[4]。去趋势波动分析（DFA）法广泛用于分析非平稳时间序列的长程相关性[5]。虽然涉及复杂的计算过程[6]，但DFA法是目前评估非平稳时间序列的长程相关性的最佳方法，可以更好地描述区域降水模式的统计影响及物理背景，已被成功用于确定极端降水阈值[7-9]。
在全球气候变暖背景下，大气水循环动力加强，极端事件的发生频率、强度和影响范围均显著提升[10]。而极端降水事件的出现往往伴随着滑坡、泥石流、洪涝等灾害的发生，造成严重的经济损失或人员伤亡。2021年10月2—7日山西出现持续时间久、波及范围广、降水强度大的极端降水事件，崩塌、滑坡、泥石流、洪涝等灾害频发，造成11市、76县（市、区），175余万人受灾，造成直接经济损失约50×108元[11]。虽然不同区域的极端降水指标在空间上缺乏一致性，但极端降水事件在全球大致呈增加的趋势[12]。例如，美国的极端降水呈现出多种变化趋势，西部极端降水呈增长趋势，而中部则表现为减少趋势，但美国的极端降水总体增多[13]。从我国情况来看，1961—2016年的极端降水事件明显增多，华东地区的极端降水量增长最多，西北地区的极端降水日数增长趋势最快，而华北和西南地区的连续性极端降水事件不显著下降[14]。极端降水事件的变化呈现很强的区域性特征，因此根据不同地区的情况分析极端降水事件更有实际价值[15-16]。
在全球变暖背景下，黄土高原的极端降水事件频发，且当前已成为经生态治理后的黄土高原产生严重水土流失的主要诱因[17]。目前，该地区已有许多相关研究，主要表现在极端降水的时空变化、成因分析及阈值的确定方法等方面[18-20]，但对极端降水事件的时空分布研究较为欠缺。因此，本研究基于1960—2023年黄土高原111个气象站点的日降水数据，在采用DFA法确定极端降水阈值的基础上，识别极端降水事件，明晰黄土高原及其生态分区的极端降水事件在时间和空间上的分布特征及演变规律，为划定极端降水发生的风险区域、预估区域极端降水事件的未来趋势提供参考依据，以制定应对极端降水灾害的防控策略。

1 数据与方法

1.1 研究区概况

黄土高原（33°41′~41°16′N，100°52′~114°33′E），地形复杂、气候多变，在我国社会发展和生态保护中有着重要地位[21-22]。黄土高原海拔高度800~3000 m，整体地势东南低、西北高，属于典型的大陆季风气候特征，雨热同期，降水空间分布严重不均。为探究黄土高原地域、地形和气候等差异带来的影响，采用根据国家发展改革委要求制定的生态分区对黄土高原极端降水事件的分布特征进行研究。生态分区包括：黄土高塬沟壑区（A）、黄土丘陵沟壑区（B）、沙地和农灌区（C）、土石山区及河谷平原区（D），由于A和B分区内的地形、气候等因素差异仍然较大，又将A区以六盘山为界划分为A1、A2副区，将B区以毛乌素沙漠南缘为界划分为B1、B2副区[23]（图1）。
图1 黄土高原生态分区及气象站点分布

注：基于资源环境科学与数据平台（https://www.resdc.cn/data.aspx?DATAID=140）的黄土高原空间范围数据制作。A1为黄土高塬沟壑区A1副区；A2为黄土高塬沟壑区A2副区；B1为黄土丘陵沟壑区B1副区；B2为黄土丘陵沟壑区B2副区；C为沙地和农灌区； D为土石山区及河谷平原区。下同。

Fig. 1 Ecological regionalizations and distribution of meteorological stations on the Loess Plateau

1.2 数据来源及处理

本研究采用的降水资料来源于中国气象科学数据中心（http://data.cma.cn）。为确保降水资料的完整性，剔除数据缺失较多以及观测年限不足的气象站点，且由于周边区域可能与黄土高原边缘地区的气候相互影响，最终选取黄土高原及周边区域的111个站点（图1），并对各站点1960—2023年的逐日降水观测数据进行统计，建立稳定且连续的降水序列。

1.3 研究方法

1.3.1 极端降水阈值的确定

本研究采用DFA法确定极端降水阈值。DFA法旨在寻找一个临界日降水量值作为极端降水阈值，该阈值满足以下条件：当低于临界值的降水数据点的位置保持不变时，高于临界值的降水数据点位置不论如何变化，将不会对整个序列的DFA指数产生影响[5]。对长度为n的降水序列 x i , i = 1 ,   2 , ⋯ ,   n，DFA法确定极端降水阈值可分为6个步骤[5-6]：
（1） 确定 { x i }的最大值 （ x m a x ）和最小值 （ x m i n ）。
（2） 确定序列 { x i }的中间点 （ x R ）， x R值可以是平均值 （ x a v e ）或者介于最大值与最小值之间的某一中值 （ x m e d ）。
（3） 从 { x i }的最大值 （ x m a x ）开始，依次舍去 { x i ， x i ≥ x m a x - d × k }数据区间的数据点，直到 x i = x R，依次得到新序列 Y J， J = x m a x - d × k，其中d为区间间隔， k = 1 ,   2 , ⋯ , x m a x - x R d。
（4） 从 { x i }的最小值 （ x m i n ）开始，依次舍去 { x i ， x i ≤ x m i n + d × k }数据区间的数据点，直到 x i = x R，依次得到新序列 Y J， J = x m i n + d × k，其中d为区间间隔， k = 1 ,   2 , ⋯ ,   x R - x m i n d。
（5） 计算每个新序列 Y J的长程相关性指数 （ D J ），得到其随区间J的变化关系。对于长度为N的降水序列 Y J = x j ， j = 1 ,   2 , ⋯ ,   N，其长程相关性指数计算如下：
① 计算降水时间序列 { x j ， j = 1 ,   2 , ⋯ ,   N }的累积离差。
y ( j ) = ∑ j = 1 N x j - x - x - = 1 N ∑ j = 1 N x j ，   j = 1 ,   2 , ⋯ ,   N
式中： x -为序列均值。
② 将 y ( j )划分为长度为s的不重叠等长度子区间，长度为N的序列共被分为 N s = i n t ( N / s )个子区间。由于序列长度N可能未被子区间长度s整除，为了确保原始序列信息不丢失，再将 y ( j )的逆序进行上述步骤，得到 2 N s个子区间。
通过多项式回归对各子区间 v （ v = 1 ,   2 , … ,   2 N s ）中的数据进行拟合，得到局部趋势函数 [ y v ( j ) ]。消除各子区间的趋势，并计算其平均方差 [ F 2 ( v , s ) ]。
F 2 ( v , s ) = 1 s ∑ j = 1 s { y [ ( v - 1 ) s + j ] - y v ( j ) } 2 ， j = 1 ,   2 , ⋯ ,   N s
F 2 ( v , s ) = 1 s ∑ i = 1 s { y [ N - ( v - N s ) s + j ] - y v ( j ) } 2 ， j = N s + 1 ,   N s + 2 , ⋯ ,   2 N s
确定全序列的q阶波动函数 [ F q ( s ) ]。
F q ( s ) = 1 2 N s ∑ v = 1 2 N s [ F 2 ( v , s ) ] q 2 1 q
式中：q取任意非零实数。q=0时，式（4）变为：
F 0 ( s ) = e x p 1 4 N s ∑ v = 1 2 N s l n [ F 2 ( v , s ) ]
根据双对数坐标图 F q ( s ) ∝ s α的关系可分析获得波动函数的标度指数 （ α ），研究表明 α即为DFA指数。
l o g 10 F q ( s ) ∝ α l o g 10 s
（6） 当不同降水序列 Y J的DFA指数序列 D J的变化开始趋于平缓且收敛于数据 { x i }的原始降水序列的DFA指数时，取此时的J值作为数据 { x i }极端事件的阈值。

1.3.2 极端降水事件筛选及指标计算

当某站的日降水量高于其极端降水阈值时，记为一次极端降水事件，利用阈值筛选出各站的极端降水事件，并计算逐年的极端降水量、日数及强度。同时，选取世界气象组织（WMO）定义和推荐的5个极端降水指数（表1），利用RClimDex 1.0软件计算各站逐年的极端降水指数并建立时间序列，与上述基于极端降水阈值确定的极端降水事件指标进行对比分析。
表1 极端降水指标及定义

Tab. 1 Extreme precipitation indicators and definitions

极端降水指标 定义 单位
极端降水事件指标

 极端降水量 年内超过极端降水阈值的降水量总和 mm
极端降水日数 年内发生极端降水事件的日数 d
极端降水强度 极端降水量与极端降水天数的比值 mm·d-1
极端降水指数



 连续降水日数（CWD） 年内日降水量≥1 mm的最长持续时间 d
大雨日数（R25mm） 年内日降水量>25 mm的总日数 d
暴雨日数（R50mm） 年内日降水量>50 mm的总日数 d
日最大降水量（RX1day） 年内日降水量最大值 mm
连续5 d最大降水量（RX5day） 年内连续5 d降水量最大值 mm

1.3.3 统计分析

（1） Sen斜率估计（Theil-Sen Median）法是一种非参数趋势估算方法[24]，可以得到序列的平均变化率。
S i = x j - x k j - k ，   i = 1 ,   2 , ⋯ ,   N
式中： x j和 x k为第j个和第k个样本的时间序列值 （ j k ）； S i 为 2 个 样 本 之 间 的 斜 率 ；N为样本数据组数， N = n ( n - 1 ) 2。
S m e d = S n + 1 2 ,                       N 为 奇 数 S n 2 + S n + 2 2   2 , N 为 偶 数
式中： S m e d为斜率的中位数，即Sen斜率的估计值。 S m e d可以判断时间序列趋势的涨跌，当 S m e d>0时，时间序列呈上升趋势；当 S m e d<0时，时间序列呈下降趋势。
（2） Mann-Kendall（M-K）检验法由于不需要数据遵循特定的分布等优点，被气象数据的趋势和突变检验广泛运用[25]。极端降水指标的M-K趋势检验是通过标准正态统计量Z判断其变化趋势是否通过90%置信度（|Z|≥1.64），若通过即为显著变化趋势。计算公式如下：
S = ∑ i = 1 n - 1   ∑ k = i + 1 n s g n ( x k - x i )
s g n ( θ ) =     1 , θ 0     0 , θ = 0 - 1 , θ 0
V a r ( S ) = n ( n - 1 ) ( 2 n + 5 ) - ∑ t ( t - 1 ) ( 2 n + 5 18
Z = S - 1 V a r ( S ) , S 0 0 ,                           S = 0 S + 1 V a r ( S ) , S 0
式中：S为时间序列中上升与下降趋势的差异总和； V a r ( S )为S的方差； x k和 x i为时间序列中的第k个和第i个样本；n为时间序列中的样本个数；t为序列中出现重复数据的次数。Z为正值时表示上升趋势，Z为负值时表示下降趋势。
M-K突变检验则是通过构造正序列 （ U F k ）和逆序列 （ U B k ）判断降水序列的突变特征。当 U F k或 U B k为正值时，说明序列呈上升趋势，反之则呈下降趋势。若 U F k、 U B k曲线在临界线之间出现交点，该交点所对应的时间即为开始突变的时间。
（3） 变异系数 （ C v ）是概率分布离散程度的归一化量度指标，用于判断各观测值的变异程度。计算公式如下：
C v = S x - = 1 x - 1 n ∑ i = 1 n ( x i - x - ) 2
式中： x -为样本均值； x i为第i个样本值。 C v值越大，表示样本的年际变化幅度越大。当 C v≤0.1时，为弱变异；当0.1< C v≤1时，为中度变异；当 C v>1时，为强变异[26]。

2 结果与分析

2.1 极端降水阈值

由DFA法确定的1960—2023年黄土高原极端降水阈值的空间分布规律与年均降水量大致相同（图2），呈西北低东南高的变化特征。各站的极端降水阈值介于27.4~89.1 mm之间，高值主要分布在东南部，有54%站点的极端降水阈值大于50 mm，超过国家规定的暴雨等级（50 mm·d-1）。黄土高原各生态分区的极端降水阈值差异明显（表2），其中A1副区的极端降水阈值最小，所有站点均未超过50 mm；A2副区和B2副区的极端降水平均阈值接近，分别为51.6 mm和50.6 mm；而D区各站的阈值范围跨度大（35.7~89.1 mm），平均阈值最大，为59.6 mm。
图2 黄土高原各站点极端降水阈值及年均降水量的空间分布

Fig. 2 Spatial distributions of extreme precipitation thresholds and annual average precipitation at each station on the Loess Plateau

表2 不同生态分区的极端降水阈值

Tab. 2 Extreme precipitation thresholds in different ecological regionalizations

分区 雨量站数量/站 阈值范围/mm 平均值±标准误/mm
A1 26 27.4~49.1 35.0±1.1
A2 12 42.4~59.0 51.6±1.5
B1 10 53.3~61.2 57.1±0.7
B2 8 41.8~62.6 50.6±2.8
C 17 34.1~57.2 44.5±1.8
D 38 35.7~89.1 59.6±2.2

注：A1为黄土高塬沟壑区A1副区；A2为黄土高塬沟壑区A2副区；B1为黄土丘陵沟壑区B1副区；B2为黄土丘陵沟壑区B2副区；C为沙地和农灌区；D为土石山区及河谷平原区。下同。

2.2 极端降水事件的空间分布特征

基于DFA阈值得到的极端降水量、日数及强度3个极端降水事件指标中，极端降水量和极端降水强度大致呈西北向东南的递增趋势，而极端降水日数更符合北低南高的空间规律。极端降水量与年降水量的空间分布特征基本相同，大致以400 mm等雨量线为分界线，其西北部的极端降水量小于25 mm·a-1（图3a、图2b）。极端降水日数从北部的0.3 d·a-1增至南部的0.8 d·a-1，尤其以西北部的极端降水日数最少（图3b）。而极端降水强度的低值区位于黄土高原西部，高值区则位于东南部地区（图3c）。
图3 各极端降水指标多年平均的空间分布

注：CWD为连续降水日数；R25mm为大雨日数；R50mm为暴雨日数；RX1day为日最大降水量；RX5day为连续5 d最大降水量。下同。

Fig. 3 Spatial distributions of multi-year average extreme precipitation indicators

而WMO的5个极端降水指标中，除连续降水日数（CWD）外，大雨日数（R25mm）、暴雨日数（R50mm）、日最大降水量（RX1day）和连续5 d最大降水量（RX5day）普遍呈自西北向东南的递增规律。CWD则呈较为明显的北低南高趋势，高值主要集中在南部的中间区域（图3d）。R25mm、R50mm、RX1day和RX5day的空间分布特征相似（图3e~h），均与年降水量的分布规律吻合（图2f）。全区仅有14%站点的R50mm≥1 d·a-1，且超过一半站点（57%）的RX1day均值低于50 mm。综合发现，黄土高原六盘山以西地区的极端降水事件标准远低于暴雨标准（50 mm·d-1）。
基于各站点的极端降水指标值，将区域多站点的平均值±标准误作为各分区的极端降水指标值（表3）。结果显示，A1副区的CWD最长，极端降水日数仅低于D区，但其极端降水强度最小。而同属黄土高塬沟壑区的A2副区的极端降水情况和A1副区差异较大，8个极端降水指标值均相对较高。B1、B2副区与A2副区的极端降水指标值差异较小，其中B1副区的多个指标为第二高值。C区的8个极端降水指标值均较小，极端降水事件频率在所有分区中最低。而D区除CWD外的其余各指标皆为最高值，极端降水事件的降水量多、频率高且强度大。
表3 不同生态分区的极端降水指标值

Tab. 3 Extreme precipitation indicator values in different ecological regionalizations

极端降水指标 生态分区
A1 A2 B1 B2 C D
极端降水事件指标

 极端降水量/mm 22.83±1.71 33.75±2.22 35.37±2.18 30.09±1.74 21.08±1.81 42.94±2.34
极端降水日数/d 0.50±0.03 0.49±0.03 0.48±0.03 0.46±0.03 0.34±0.02 0.53±0.02
极端降水强度/mm·d-1 45.17±1.68 68.35±2.11 74.99±1.23 66.40±4.24 59.91±2.40 79.91±3.33
极端降水指数



 CWD/d 7.22±0.34 7.06±0.27 6.27±0.18 5.73±0.17 4.35±0.13 6.80±0.14
R25mm/d 1.64±0.19 3.59±0.34 3.84±0.20 2.94±0.15 1.48±0.19 4.77±0.29
R50mm/d 0.14±0.03 0.58±0.06 0.70±0.05 0.50±0.06 0.26±0.04 0.96±0.10
RX1day/mm 33.81±1.41 50.53±1.89 54.27±1.27 48.30±2.12 38.10±1.91 59.64±2.43
RX5day/mm 54.92±2.58 79.56±4.11 85.16±3.10 74.51±3.18 52.18±3.25 95.92±3.83
对比极端降水事件指标和WMO极端降水指数发现，所有分区的RX1day均远低于极端降水强度，其中C区和D区的2个指标均值的差值超过了20 mm。A1副区、B2副区和C区的极端降水日数介于R25mm和R50mm之间，相比R25mm，各生态分区的极端降水日数要更接近于R50mm，特别是B2副区的极端降水日数均值（0.46 d）与R50mm均值（0.50 d）最为接近（表3）。

2.3 极端降水事件的时间变化特征

2.3.1 极端降水事件的趋势变化

各站点极端降水事件的降水量、日数、强度有相似的变化趋势。在0.1显著性水平下，有4个站点的极端降水量表现为显著上升趋势（图4a）。极端降水日数的变化趋势可以直接反映极端降水事件频率的变化趋势。全区约有60%的站点呈现出极端降水事件增多的趋势（图4b）。极端降水强度的均值为66.9 mm·d-1，超过了中国降水强度标准中的暴雨级别，呈增大的站点（54%）多于减小的站点（46%）。极端降水量和极端降水日数的变异系数分别为0.40、0.39，达到中度变异水平，表明黄土高原极端降水事件的降水量和频率具有明显的年际波动特征（表4）。此外，极端降水事件主要集中在每年的夏季，尤其在7、8月出现最多（图5）。
图4 各气象站点极端降水指标的变化趋势

Fig. 4 Variation trends of extreme precipitation indicators at each meteorological station

表4 黄土高原全区的极端降水指标统计检验结果

Tab. 4 Statistical test results of extreme precipitation indicators on the whole Loess Plateau

极端降水指标 平均值 最大值 最小值 变异系数 Z值 Sen斜率
极端降水事件指标

 极端降水量/mm 32.4 76.7 7.5 0.40 1.40 0.128
极端降水日数/d 0.5 0.9 0.1 0.39 1.49 0.001
极端降水强度/mm·d-1 66.9 90.9 54.5 0.10 0.25 0.009
极端降水指数



 CWD/d 6.4 9.5 5.0 0.13 -1.63 -0.009
R25mm/d 3.2 5.1 1.4 0.22 1.85 0.010
R50mm/d 0.6 1.2 0.2 0.35 1.37 0.001
RX1day/mm 48.0 61.3 32.2 0.12 0.74 0.035
RX5day/mm 75.3 90.7 47.5 0.14 0.57 0.036
图5 1960—2023年黄土高原极端降水事件月分布

Fig. 5 Monthly distribution of extreme precipitation events on the Loess Plateau from 1960 to 2023

1960—2023年黄土高原超过73%的站点的CWD呈下降趋势，其中16个站点为显著下降（图4d），整体下降速率为0.009 d·a-1。全区的R25mm显著增多，呈增多趋势的78个站点中有12%具有显著性（图4e），上升趋势较其他指标明显。R50mm的变异系数为0.35，年际变化明显，有58%的站点的R50mm增多（图4f）。RX1day表现为增长趋势的站点数占全区的58%，显著增长的站点多集中于中西部（图4g）。RX5day呈显著增长和显著下降的站点数分别有4个和5个，整体以0.036 mm·a-1的速率增长（图4h）。

2.3.2 极端降水事件的突变分析

1960—2023年黄土高原全区的极端降水事件的降水量、频率及强度均不显著增大。对各分区的极端降水事件指标（极端降水量、日数及强度）进行M-K突变检验（图6），结果如下：
图6 不同生态分区极端降水事件指标的Mann-Kendall突变检验

Fig. 6 Mann-Kendall mutation test of extreme precipitation events in different ecological regionalizations

A1副区的极端降水量于20世纪60年代年发生下降突变后至1991年后趋势减缓，于2015年又发生了上升突变。A2副区在1993年发生突变后极端降水量一直呈上升趋势。B1副区和B2副区的极端降水量均在2012年发生了突变现象，近10 a分别表现为上升趋势和下降减缓趋势。C区的极端降水量在1980年左右发生突变后一直波动下降。而D区的极端降水量则在2020年突变转为上升趋势。
A1副区的极端降水日数自1974年后一直在负值区变化，2016左右突变后减少趋势放缓。A2副区的极端降水日数在20世纪初转为增多趋势，于2017年发生突变。B1副区的极端降水日数在1996—2002年减少趋势显著，2016年前后发生了由少到多的突变现象。B2副区的极端降水日数自20世纪60年代初突变后持续减少且1985年后减少趋势更明显。C区的极端降水日数在近64 a内没有突变现象，20世纪80年代后均呈减少趋势。D区的极端降水日数同样在20世纪80年代开始减少，2020年左右出现上升突变。
各区的极端降水强度的 U F k和 U B k曲线在64 a间均存在多个交点，其中A1副区的曲线在0值线附近波动且交点过多，没有明显突变现象。A2副区和B2副区的极端降水强度分别于1977年和1968年突变后呈现增长，而B1副区在1969年出现减小突变。C区的极端降水强度在2002年左右突变后均在负值区变化。D区的极端降水强度则分别在1974年和2020年发生过突变现象。

3 讨论

3.1 极端降水事件的空间分布

极端降水事件预测难度大，而黄土高原地形和气候条件差异较大，该区域极端降水事件评估的复杂性也随之增加[17,27]。本研究对1960—2023年黄土高原极端降水事件的空间特征研究发现，黄土高原南部（黄土高塬沟壑区、土石山区及河谷平原区）更易受到极端降水的影响。黄土高塬沟壑区的极端降水事件发生频率较高，其中A2副区的极端降水事件强度较大，加之该区地表破碎，土层深厚且疏松，抗蚀性差，是黄河现阶段泥沙的主要来源[28]。在极端降水条件下，各类侵蚀强烈发育，产生大量泥沙，进而引发严重侵蚀灾害[29]。而土石山区及河谷平原区虽然植被覆盖度较高、下垫面条件较好，但该区的极端降水事件发生率和强度都是所有生态分区中最高的，大大增加了洪涝等自然灾害的发生风险，因此该区也应作为防灾的重点区域。例如，2021年10月，受持续强降水影响，北洛河渭南大荔段出现决口，造成23.9×104人受灾，农作物受灾面积49.1×104 hm2[30]。鉴于极端降水灾害的诱发是自然与社会多因素的综合作用，还需对各区进行系统的风险评估，进一步把握黄土高原地区的极端降水致灾规律。
以往研究多用WMO推荐的极端降水指数来描述极端降水特征，且对极端事件的定义尚未达成一致，导致对极端降水事件的描述较少[31]。国际通用的极端降水指数也许可以更直观地将不同地区的极端降水特征进行比较，但其中一些指标无法表征极端降水事件。如RX5day和CWD指标能体现出降水的持续性，但这些降水可能并未达到极端降水事件标准。本研究通过极端降水指标间的对比发现，黄土高原各分区的年均RX1day均低于极端降水阈值，说明极端降水事件在多数年份并未出现，这与各区的年均极端降水日数低于1 d·a-1的结果所对应。黄土丘陵沟壑区B2副区的极端降水日数与R50mm十分接近，说明该区域的极端降水阈值与国家暴雨等级标准最吻合，可以采用极端降水指数对该区的极端降水事件进行简单描述。

3.2 极端降水事件的时间变化

不同于气温的大范围上升，极端降水的长期演变呈现出更为复杂的时空格局。黄土高原各气象站的极端降水指标呈现出不同的变化规律，趋势差异在经过处理后互相抵消，使其整体变化不显著。总体而言，1960—2023年黄土高原的极端降水事件存在不显著增多趋势。
目前，针对黄土高原极端降水时空变化的相关研究大多从省域或土壤侵蚀类型区等较小尺度进行研究，如杨东等[32]的研究结果表明1960—2011年甘肃黄土高原地区极端降水减小的区域较多，基本集中于西南部；李双双等[33]研究发现1970—2017年陕北地区的强降水增多，降水趋向极端化；黎珩等[34]发现1970—2020年黄土高原水蚀风蚀交错区的极端降水事件在中部和西南部显著发生。以上研究区中，甘肃黄土高原地区的西南部位于黄土高塬沟壑区A1副区，陕北地区主要位于黄土高塬沟壑区A2副区和黄土丘陵沟壑区B1副区，其变化与本研究各区相应时段的极端降水变化趋势基本一致。而王国桢等[20]却发现1960—2017年黄土高原极端降水量和日数下降，极端降水强度上升，与本研究结果存在差异。这可能是由于降水资料、观测数据空间分辨率及极端降水阈值等选择的不同导致的[35]。黄土高原各区域的极端降水事件在不同时期的变化趋势差异明显，这可能是自然因素和人为干扰共同作用的结果。
从极端降水事件指标的突变曲线可以发现，各生态分区在20世纪80、90年代均出现极端降水下降趋势，其中沙地和农灌区的极端降水量在1980年左右突变后一直波动下降。自20世纪80年代一系列生态工程大规模实施以来，黄土高原植被覆盖率显著增加[36]，黄土高原植被恢复会影响该地区的年内降水分配[37]，可能对极端降水事件有间接影响，但存在何种关系，还需综合考虑多种因素和长期的研究来深入理解。此外，各分区的极端降水事件在近10 a基本开始呈增加态势。这可能是由于21世纪以来，大量温室气体排放导致地球表面平均温度不断上升，黄土高原地区的气候呈现暖湿化特征[38]，影响了水资源的季节性循环，从而增加极端降水事件的可能性[39]。综合来看，极端降水事件的变化主要是近年来气候变暖和人类活动干扰所致[27,40]。
本研究探讨了1960—2023年的极端降水事件的时空变化，这是基于历史时期数据的分析结果，但未来黄土高原的极端降水事件将如何演变，气候变化与人类活动对黄土高原极端降水事件的影响如何，仍需进一步研究。

4 结论

（1） 1960—2023年黄土高原极端降水阈值在空间上呈西北低、东南高的分布特征。其中，在站点尺度上，极端降水阈值介于27.4~89.1 mm之间，其中有54%的站点的极端降水阈值大于50 mm；在生态分区尺度上，黄土高塬沟壑区A1副区的平均阈值仅35.0 mm，土石山区及河谷平原区的阈值最高，平均阈值为59.6 mm。
（2） 3个极端降水事件指标中，极端降水量和极端降水强度大致呈从西北向东南的递增变化，极端降水日数则表现为南高北低的空间特征。各生态分区的极端降水事件存在显著差异，黄土高塬沟壑区、土石山区及河谷平原区作为极端降水事件的高发区，应作为重点区域加强灾害防范。
（3） 5个WMO极端降水指数中，除CWD呈北低南高特征外，R25mm、R50mm、RX1day和RX5day均呈现出自西北向东南的递增规律。其中，黄土丘陵沟壑区B2副区的极端降水日数与R50mm十分接近，其RX1day与极端降水阈值也很接近，可以采用极端降水指数对该区的极端降水事件进行简单描述。
（4） 近61 a的极端降水事件具有明显的年际波动特征，全区的极端降水事件增多，极端降水量及强度分别以0.128 mm·a-1、0.009 mm·d-1·a-1的速率增加。极端降水事件主要在7、8月出现。
（5） 近10 a来，黄土高塬沟壑区、黄土丘陵沟壑区的极端降水事件的降水量及频率与21世纪初相比有所增多；沙地和农灌区的极端降水事件仍呈下降趋势但趋势开始减缓，而土石山区及河谷平原区的极端降水事件的降水量、频率及强度均在2020年发生突变且增多。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
江志红, 丁裕国, 陈威霖. 21世纪中国极端降水事件预估[J]. 气候变化研究进展, 2007, 3(4): 202-207.

[ Jiang Zhihong, Ding Yuguo, Chen Weilin. Projection of precipitation extremes for the 21st century over China[J]. Climate Change Research, 2007, 3(4): 202-207. ]

[2]
袁文德, 郑江坤, 董奎. 1962—2012年西南地区极端降水事件的时空变化特征[J]. 资源科学, 2014, 36(4): 766-772.

[ Yuan Wende, Zheng Jiangkun, Dong Kui. Spatial and temporal variation in extreme precipitation events in southwestern China during 1962—2012[J]. Resources Science, 2014, 36(4): 766-772. ]

[3]
Liu B J, Chen J F, Chen X H, et al. Uncertainty in determining extreme precipitation thresholds[J]. Journal of Hydrology, 2013, 503: 233-245.

[4]
Watters P A, Martin F. A method for estimating long-range power law correlations from the electroencephalogram[J]. Biological Psychology, 2004, 66(1): 79-89.

[5]
杨萍, 侯威, 封国林. 基于去趋势波动分析方法确定极端事件阈值[J]. 物理学报, 2008, 57(8): 5333-5342.

[ Yang Ping, Hou Wei, Feng Guolin. Determining the threshold of extreme events with detrended fluctuation analysis[J]. Acta Physica Sinica, 2008, 57(8): 5333-5342. ]

[6]
刘丙军, 伍丽丽, 陆文秀. 基于DFA方法的珠江流域极端降水阈值研究[J]. 中山大学学报(自然科学版), 2013, 52(1): 136-141.

[ Liu Bingjun, Wu Lili, Lu Wenxiu. Researches on DFA-based extreme precipitation threshold in the Pearl River Basin[J]. Acta Scientiarum Naturalium Universitatis Sunyatseni, 2013, 52(1): 136-141. ]

[7]
郑祚芳, 张秀丽, 曹鸿兴, 等. 用去趋势涨落分析研究北京气候的长程变化特征[J]. 地球物理学报, 2007(2): 420-424.

[ Zheng Zuofang, Zhang Xiuli, Cao Hongxing, et al. Characteristics of long-term climate change in Beijing with detrended fluctuation analysis[J]. Chinese Journal of Geophysics, 2007(2): 420-424. ]

[8]
郑腾飞, 郭建茂, 尹继福, 等. 基于DFA法的江苏省极端降水时空分布特征研究[J]. 自然灾害学报, 2012, 21(4): 76-83.

[ Zheng Tengfei, Guo Jianmao, Yin Jifu, et al. DFA-based research on spatiotemporal distribution of extreme precipitations in Jiangsu Province[J]. Journal of Natural Disasters, 2012, 21(4): 76-83. ]

[9]
Chi X X, Yin Z E, Wang X, et al. Spatiotemporal variations of precipitation extremes of China during the past 50 years (1960—2009)[J]. Theoretical and Applied Climatology, 2016, 124(3-4): 555-564.

[10]
Wang L Y, Chen S F, Zhu W B, et al. Spatiotemporal variations of extreme precipitation and its potential driving factors in China’s north-south transition zone during 1960—2017[J]. Atmospheric Research, 2021, 252: 105429, doi: 10.1016/j.atmosres.2020.105429.

[11]
新华网. 山西严重洪涝灾害已致175万余人受灾[EB/OL]. [2021-10-10].

[ Xinhua News Agency. Severe floods and waterlogging in Shanxi have affected more than 1.75 million people[EB/OL]. [2021-10-10].

[12]
Alexander L V, Tapper N, Zhang X, et al. Climate extremes: Progress and future directions[J]. International Journal of Climatology: A Journal of the Royal Meteorological Society, 2009, 29(3): 317-319.

[13]
Mass C, Skalenakis A, Warner M. Extreme precipitation over the west coast of North America: Is there a trend?[J]. Journal of Hydrometeorology, 2011, 12(2): 310-318.

[14]
卢珊, 胡泽勇, 王百朋, 等. 近56年中国极端降水事件的时空变化格局[J]. 高原气象, 2020, 39(4): 683-693.

[ Lu Shan, Hu Zeyong, Wang Baipeng, et al. Spatio-temporal patterns of extreme precipitation events over China in recent 56 years[J]. Plateau Meteorology, 2020, 39(4): 683-693. ]

[15]
景丞, 陶辉, 王艳君, 等. 基于区域气候模式CCLM的中国极端降水事件预估[J]. 自然资源学报, 2017, 32(2): 266-277.

[ Jing Cheng, Tao Hui, Wang Yanjun, et al. Projection of extreme precipitation events in China based on regional climate model CCLM[J]. Journal of Natural Resources, 2017, 32(2): 266-277. ]

[16]
王志福, 钱永甫, 林惠娟, 等. 区域海气耦合模式对我国极端降水模拟分析[J]. 高原气象, 2008, 27(1): 113-121.

[ Wang Zhifu, Qian Yongfu, Lin Huijuan, et al. Analysis of numerical simulation on extreme precipitation in China using a coupled regional ocean-atmosphere model[J]. Plateau Meteorology, 2008, 27(1): 113-121. ]

[17]
Zhang J J, Gao G Y, Fu B J, et al. A universal multifractal approach to assessment of spatiotemporal extreme precipitation over the Loess Plateau of China[J]. Hydrology and Earth System Sciences, 2020, 24(2): 809-826.

[18]
卢珊, 胡泽勇, 付春伟, 等. 黄土高原夏季极端降水及其成因分析[J]. 高原气象, 2022, 41(1): 241-254.

[ Lu Shan, Hu Zeyong, Fu Chunwei, et al. Characteristics and possible causes for extreme precipitation in summer over the Loess Plateau[J]. Plateau Meteorology, 2022, 41(1): 241-254. ]

[19]
李志, 郑粉莉, 刘文兆. 1961—2007年黄土高原极端降水事件的时空变化分析[J]. 自然资源学报, 2010, 25(2): 291-299.

[ Li Zhi, Zheng Fenli, Liu Wenzhao. Analyzing the spatial-temporal changes of extreme precipitation events in the Loess Plateau from 1961 to 2007[J]. Journal of Natural Resources, 2010, 25(2): 291-299. ]

[20]
王国桢, 晏宏, 刘成程, 等. 1960—2017年黄土高原极端降水的时空演化及其对环流变化的响应[J]. 地球环境学报, 2023, 14(5): 588-602.

[ Wang Guozhen, Yan Hong, Liu Chengcheng, et al. Spatio-temporal evolution of extreme precipitation in Loess Plateau during 1960—2017 and its response to atmospheric circulation changes[J]. Journal of Earth Environment, 2023, 14(5): 588-602. ]

[21]
周晓红, 赵景波. 黄土高原气候变化与植被恢复[J]. 干旱区研究, 2005, 22(1): 116-119.

[ Zhou Xiaohong, Zhao Jingbo. Climatic change and vegetation restoration on the Loess Plateau[J]. Arid Zone Research, 2005, 22(1): 116-119. ]

[22]
裴宏泽, 赵亚超, 张廷龙. 2000—2020年黄土高原NEP时空格局与驱动力[J]. 干旱区研究, 2023, 40(11): 1833-1844.

[ Pei Hongze, Zhao Yachao, Zhang Tinglong. Analysis of spatial and temporal patterns and drivers of local regional NEP in the Loess Plateau from 2000 to 2020[J]. Arid Zone Research, 2023, 40(11): 1833-1844. ]

[23]
杨艳芬, 王兵, 王国梁, 等. 黄土高原生态分区及概况[J]. 生态学报, 2019, 39(20): 7389-7397.

[ Yang Yanfen, Wang Bing, Wang Guoliang, et al. Ecological regionalization and overview of the Loess Plateau[J]. Acta Ecologica Sinica, 2019, 39(20): 7389-7397. ]

[24]
Sen P K. Estimates of the regression coefficient based on Kendall’s Tau[J]. Journal of the American Statistical Association, 1968, 63(324): 1379-1389.

[25]
Hirsch R M, Slack J R. A nonparametric trend test for seasonal data with serial dependence[J]. Water Resources Research, 1984, 20(6): 727-732.

[26]
井乐, 李建平, 张翼, 等. 黄土高原不同土地利用方式下土壤干层差异[J]. 草业科学, 2018, 35(8): 1829-1835.

[ Jing Le, Li Jianping, Zhang Yi, et al. Study on dry soil layers under different land-use systems in the Loess Plateau[J]. Pratacultural Science, 2018, 35(8): 1829-1835. ]

[27]
赵安周, 朱秀芳, 潘耀忠. 1965—2013年黄土高原地区极端降水事件时空变化特征[J]. 北京师范大学学报(自然科学版), 2017, 53(1): 43-50.

[ Zhao Anzhou, Zhu Xiufang, Pan Yaozhong. Spatiotemporal variations of extreme precipitation events in the Loess Plateau from 1965 to 2013[J]. Journal of Beijing Normal University (Natural Science Edition), 2017, 53(1): 43-50. ]

[28]
王万忠, 焦菊英, 魏艳红, 等. 近半个世纪以来黄土高原侵蚀产沙的时空分异特征[J]. 泥沙研究, 2015, 40(2): 9-16.

[ Wang Wanzhong, Jiao Juying, Wei Yanhong, et al. Spatial-temporal differentiation characteristics of erosion sediment yield on the Loess Plateau during the recent half century[J]. Journal of Sediment Research, 2015, 40(2): 9-16. ]

[29]
张光辉. 从土壤侵蚀角度诠释泥沙连通性[J]. 水科学进展, 2021, 32(2): 295-308.

[ Zhang Guanghui. Understanding sediment connectivity from soil erosion perspective[J]. Advances in Water Science, 2021, 32(2): 295-308. ]

[30]
央视网. 陕西大荔持续降雨致49.1万亩农田被淹紧急转移1.8万余名群众[EB/OL]. [2021-10-10].

[ CCTV network. Continuous rainfall in Dali, Shaanxi Province has caused 491000 mu of farmland to be flooded and urgently evacuated over 18000 people[EB/OL]. [2021-10-10].

[31]
杜世雄, 吴瑞英, 孙怀卫, 等. 中巴经济走廊极端降水事件分析[J]. 农业工程学报, 2022, 38(增刊1): 152-160.

[ Du Shixiong, Wu Ruiying, Sun Huaiwei, et al. Analysis of extreme precipitation events along the China-Pakistan economic corridor[J]. Transactions of the Chinese Society of Agricultural Engineering, 2022, 38(Suppl. 1): 152-160. ]

[32]
杨东, 程军奇, 李小亚, 等. 甘肃黄土高原各级降水和极端降水时空分布特征[J]. 生态环境学报, 2012, 21(9): 1539-1547.

[ Yang Dong, Cheng Junqi, Li Xiaoya, et al. The variation characteristic of different levels of precipitation and extreme precipitation in Loess Plateau of Gansu Province region in recent 52 years[J]. Ecology and Environmental Sciences, 2012, 21(9): 1539-1547. ]

[33]
李双双, 孔锋, 韩鹭, 等. 陕北黄土高原区极端降水时空变化特征及其影响因素[J]. 地理研究, 2020, 39(1): 140-151.

[ Li Shuangshuang, Kong Feng, Han Lu, et al. Spatiotemporal variability of extreme precipitation and influencing factors on the Loess Plateau in northern Shaanxi Province[J]. Geographical Research, 2020, 39(1): 140-151. ]

[34]
黎珩, 朱冰冰, 边熇, 等. 1970—2020年黄土高原水蚀风蚀交错区极端降水时空变化研究及驱动因素分析[J]. 干旱区地理, 2024, 47(4): 539-548.

[ Li Heng, Zhu Bingbing, Bian He, et al. Temporal and spatial changes in extreme precipitation and its driving factors in the water-wind erosion crisscross region of the Loess Plateau from 1970 to 2020[J]. Arid Land Geography, 2024, 47(4): 539-548. ]

[35]
高涛, 谢立安. 近50年来中国极端降水趋势与物理成因研究综述[J]. 地球科学进展, 2014, 29(5): 577-589.

[ Gao Tao, Xie Li’an. Study on progress of the trends and physical causes of extreme precipitation in China during the last 50 years[J]. Advances in Earth Science, 2014, 29(5): 577-589. ]

[36]
刘国彬, 上官周平, 姚文艺, 等. 黄土高原生态工程的生态成效[J]. 中国科学院院刊, 2017, 32(1): 11-19.

[ Liu Guobin, Shangguan Zhouping, Yao Wenyi, et al. Ecological effects of soil conservation in Loess Plateau[J]. Chinese Academy of Sciences, 2017, 32(1): 11-19. ]

[37]
张宝庆, 田磊, 赵西宁, 等. 植被恢复对黄土高原局地降水的反馈效应研究[J]. 中国科学: 地球科学, 2021, 51(7): 1080-1091.

[ Zhang Baoqing, Tian Lei, Zhao Xining, et al. Study on the feedback effect of vegetation restoration on local precipitation on the Loess Plateau[J]. Science China (Earth Sciences), 2021, 51(7): 1080-1091. ]

[38]
安彬, 肖薇薇, 刘宇峰, 等. 1955—2021年黄土高原地区相对湿度时空演变规律[J]. 干旱区地理, 2023, 46(12): 1939-1950.

[ An Bin, Xiao Weiwei, Liu Yufeng, et al. Temporal and spatial evolution of relative humidity in the Loess Plateau during 1955—2021[J]. Arid Land Geography, 2023, 46(12): 1939-1950. ]

[39]
Tabari H. Climate change impact on flood and extreme precipitation increases with water availability[J]. Scientific Reports, 2020, 10(1): 13768, doi: 10.1038/s41598-020-70816-2.

[40]
卢燕. 2021年全球气候不能承受之变[J]. 绿色中国, 2021(23): 16-21.

[ Lu Yan. Unbearable changes in global climate in 2021[J]. Green China, 2021(23): 16-21. ]

Options
Outlines

/

〈 〉