佛山市南海区汛期降水特征的分析

利用佛山市南海区1961—2010年逐月降水量资料,采用趋势性分析、Morlet小波分析和Mann-Kendall法进行气候变化趋势和突变分析。结果表明:近50年南海区汛期(前、后汛期)降水总量呈上升趋势。20世纪90年代到2005年后汛期降水增加明显,而总汛期降水量在20世纪90年代以来偏多。20世纪80年代到90年代初期汛期降水量下降最为明显。汛期(前、后汛期)降水量偏少集中在20世纪80年代中期到90年代前期,而总汛期和后汛期在20世纪60年代前期和20世纪90年代中期到2005年降水偏多。汛期存在准2、准4和7~8年尺度的周期;前汛期存在3~4、准2和准4年时间尺度的周期振荡;后汛期存在3~4、准2和7~8年周期。突变检测确定1992年为汛期和后汛期降水量的突变年份。     

广东省前汛期大到暴雨频数的时空变化特征

利用实测降水量资料研究了广东前汛期大到暴雨频数的时空分布特征,分析结果表明：广东前汛期大到暴雨频数与同期雨量的空间分布具有很好的一致性,基本可以表征前汛期的旱涝程度,通过REOF可将其分为4个区：粤东区、珠江三角洲区、粤西北区和雷州半岛区;前汛期大到暴雨频数的年际变化明显,主要有准2～3a、6～10a周期,1985年后各区周期均有缩短趋势,以4～5a短周期为主;珠江三角洲及以南地区前汛期大到暴雨频数有增多趋势,其中珠江三角洲中心区域增多显著,6月份变化最明显。     

1959～2011年潮阳前后汛期降水的对比分析

根据潮阳气象站1959～2011年逐日降水资料,研究了近53年来潮阳区降水的变化特征,结果表明,前汛期和后汛期各个降水指数变化规律存在很大区别:(1)前汛期降水量、降水强度、降水频率和暴雨日数均呈下降趋势,而后汛期降水量、降水强度和暴雨日数呈上升趋势;(2)前汛期存在8年和3年的短周期,后汛期周期变化不明显;(3)前汛期极端降水量发生突变,分别是1965年和1985年,20世纪90年代后极端降水量呈明显下降趋势,而后汛期极端降水量在20世纪90年代后呈上升趋势.     

近58年柳州市汛期降水特征分析

利用柳州市1951～2008年的月降水量资料,采用线性倾向估计和小波分析方法,分析了近58a柳州市汛期（4～9月）降水的变化特征。结果表明：近58a来柳州市汛期降水主要呈波动性变化,线性趋势变化不明显,但前汛期降水总体呈上升趋势,降水量约增加87mm;后汛期降水量总体呈下降趋势,约减少了89mm。因此,前汛期有变涝趋势,后汛期有变旱趋势。近58年柳州市汛期降水年代际变化的主要周期为20～25a,20世纪80年代以后,汛期降水存在周期10-15a的年代际变化。20世纪80年代以前,柳州市汛期降水主要的年际变化周期2～4a,以后的年际变化周期是4～8a。     

临安市近50年降水量变化特征分析

利用临安1959—2008年50年降水资料,对临安降水量进行统计分析。结果表明:临安20世纪60年代和21世纪初期年降水量有明显减少趋势,20世纪80、90年代降水量增加趋势明显;临安降水量年内变化大,降水量月分配不均匀,全年降水量主要集中在汛期5—9月,降水最多的月份为6月;临安的降水有丰枯交替变化的规律,降水量出现了42年左右的变化周期。并对临安年、季、汛期进行线性趋势分析,分析表明:临安年、夏季和冬季降水量有增加趋势,其中夏季增加趋势最明显;春季、秋季和汛期降水量有减少趋势,其中秋季减少趋势最明显。     

丽水汛期降水多时间尺度演变特征

根据1953—2008年丽水汛期逐月降水量资料,在利用趋势分析和Morlet连续小波变化对汛期降水时频变化特征进行分析的基础上,利用功率谱及Mann-Kendall检验等方法对丽水汛期降水的周期性特征及突变性进行检验。结果表明:20世纪90年代前,汛期旱涝交替周期为16～20a,90年代后,交替周期缩短为4～6a。近56a来,丽水汛期总降水量呈下降趋势,5月和9月降水量减少较显著,但夏季降水量则有所增加,其中以8月最为明显;丽水汛期降水量存在不同尺度的周期分量,并且各周期强度有所不同,其中5a和18a的周期振荡通过功率谱检验。Mann-Kendall检验显示丽水汛期降水在20世纪80年代减少最为显著,1962年是降水减少的突变点。     

气候场主分量逐步回归模型预测粤中西部汛期降水

运用热带海温资料、500hPa高度场等建立气候场,对此气候场均取前6个因子,共建立1248个因子的物理因子场。将粤中西部10个县(市)前汛期和后汛期降水量场进行EOF分解,得出前四个主分量;分别用这四个主分量与1248个气候场主分量因子进行相关计算,最后选取10个因子进入逐步回归方程,对前四个主分量进行预测,从而可以预测肇庆市前、后汛期降水的空间分布;再经过反算拟合,得出前、后汛期降水量的预报结果。检验表明,这种方法可以预测区域未来的降水空间分布与降水量,预报效果较好;物理意义上,可以揭示多个气候背景场的空间分布与某区域气候场的空间分布之间的联系,为小区域的短期气候预测提供物理依据。     

近35年德令哈市降水量日数的特征分析

根据德令哈市国家基本气象站1981—2015年的降水资料,采用统计法、降水倾向法,对德令哈市降水量的变化特征分别从年代际、年际、季节、月际4个时间尺度上进行分析。结果显示,德令哈市各年代平均降水量变化较大,21世纪前10年降水量最多,20世纪90年代降水量最少,整体上年代际平均降水量呈现增多趋势。35年降水量以15.604mm/10年的速率增多。四季降水量变化差异明显,春节降水量呈减少趋势,而夏秋冬三季降水量均呈增多趋势,尤其以夏季降水量的增多最为明显。各月降水量分布不均匀,7月份降水量最多,11月份降水量最少。汛期降水量以17.006mm/10年的速率增多。夏半年不同等级降水量日数均呈增多趋势,等级为5.0~9.9mm的降水日数增多最为明显;冬半年不同等级降水量日数变化均不明显。     

气候场主分量逐步回归模型预测粤中西部汛期降水

运用热带海温资料、500hPa高度场等建立气候场,对此气候场均取前6个因子,共建立1248个因子的物理因子场。将粤中西部10个县（市）前汛期和后汛期降水量场进行EOF分解,得出前四个主分量;分别用这四个主分量与1248个气候场主分量因子进行相关计算,最后选取10个因子进入逐步回归方程,对前四个主分量进行预测,从而可以预测肇庆市前、后汛期降水的空间分布;再经过反算拟合,得出前、后汛期降水量的预报结果。检验表明,这种方法可以预测区域未来的降水空间分布与降水量,预报效果较好;物理意义上,可以揭示多个气候背景场的空间分布与某区域气候场的空间分布之间的联系,为小区域的短期气候预测提供物理依据。     

深圳市强降水的气候变化趋势及突变特征

基于深圳市1961～2008年遥测站整点自记小时雨量,对强降水变化趋势、突变和周期特征进行分析。结果表明:(1)48年来,强降水量(≥20 mm/h)主要出现在汛期,占年强降水量93.6%。月值变化呈双峰型分布,峰值为6月和8月。(2)汛期强降水量20世纪60年代先下降后上升;70、80年代持续上升,趋势不显著;90年代以来显著增长。降水时数60年代末开始出现持续上升趋势,分别在70年代和21世纪初达到α=0.05显著性水平,趋势显著。(3)汛期强降水量在1992年发生突变,而强降水时数有2个突变点为1965和1991年。降水时数的突变早于降水量的突变。(4)汛期强降水存在以6～8年和1～2年为主周期的多时间尺度的震荡;6～8年的震荡有4个明显的高值中心,分别是20世纪60年代末、80年代中期、90年代中期和21世纪初。最后未闭合的高值中心表明未来几年强降水将处于一个较丰富的阶段。     

1961—2014年广东小时强降水的变化特征

利用1961—2014年广东32个气象观测站逐小时降水资料,采用线性趋势分析、Mann Kendall检验、功率谱分析、计算趋势系数等统计诊断方法,分析了广东小时强降水在年以及前、后汛期的气候特征及变化。结果表明,广东年、前、后汛期多年平均小时强降水的次数、强度、降水量和贡献率的空间分布均呈沿海向内陆递减。近54年来,广东平均小时强降水的次数、强度、降水量和贡献率在年以及前、后汛期的时间尺度上均为显著上升的趋势,与同期广东年暴雨次数和年降水变化不明显有明显差异。广东大部分测站小时强降水量均呈增加的趋势,其中珠三角增加最为显著。近54年来广东年和前汛期小时强降水次数存在3.7年和22年、后汛期存在3年左右的显著周期震荡。广东年和后汛期小时强降水次数在1993—1994年发生增加的突变,前汛期小时强降水次数没有突变发生。     

青藏高原雪盖与东亚季风异常对华南前汛期降水的影响

应用华南25个站1954~1998年4~6月降水量资料以及有关青藏高原雪盖异常年份资料和东亚季风强度指数, 通过典型旱涝年前期对比诊断与相关分析, 指出青藏高原雪盖对华南前汛期降水的影响相当显著, 前冬春多 (少) 雪年有利于前汛期雨涝 (干旱); 典型旱、涝年前冬500 hPa中高纬环流特征显然不同, 主要表现在典型旱 (涝) 年北半球极涡强度显著偏弱 (强)、东亚大槽强度偏强 (弱); 东亚季风, 特别是冬季风的强弱变化, 对前汛期降水具有较强的指示意义。同时还发现, 在青藏高原西侧的伊朗高原及邻近地区冬季500 hPa高度升降变化, 可作为华南前汛期降水一个强的前期征兆信号。     

福建前汛期持续性强降水的大气低频特征分析

本文采用福建1979—2010年66个气象站逐日降水资料和NCEP再分析资料和OLR资料,揭示了福建前汛期降水的低频特征,分析了福建前汛期持续性强降水同期的大气低频特征以及前期低频信号的演变特征,结果表明:(1)福建前汛期降水存在显著的低频周期,出现频率较高的前三个低频周期分别为:10~20、30~60和20~30 d;约63%的年份出现两种以上显著的低频周期;10~90 d低频变化占前汛期降水总方差的20%~30%;(2)前汛期总雨量与降水低频信号的强度呈显著正相关关系,持续性强降水的强度和持续时间与降水的低频特征关系密切,以BWO(ISO)为主的年份,持续性强降水的持续时间较短(长)。(3)福建前汛期持续性强降水期间日本以东、索马里以东和南海三个关键区皆为低频反气旋,日本至渤海湾南下的冷空气与索马里越赤道气流、南海南部越赤道气流在福建上空持续相遇形成低频气旋,导致福建上空低层低频辐合、高层低频辐散,对流活跃。(4)福建前汛期持续性强降水与热带及副热带大气低频变化密切相关,热带MJO的东传以及东亚西北太平洋地区低频信号的北传对福建持续性强降水过程的延伸期预报具有一定的指示意义。     

河南省汛期降水的天气季节特征

通过多年汛期逐日降水量场的ＥＯＦ分析,探讨了河南省汛期降水的天气季节特征。河南省主汛期出现在江淮梅汛之后,称暑汛较合适。暑汛期降水出现明显的南北与东西方向上的反相振荡;尤其是从小暑到大暑,季风雨带从沙河以南,北跃到黄河沿岸及其以北地区,是东亚季风重要的气候特征,表明梅雨结束后,中国东部的主要雨带不是一跃而至黄河以北,而是阶段性地逐次向北跳跃的。对暑汛降水气候的分析研究,有助于加深对东亚季风活动的认识     

南海夏季风北推时间及相关环流变化特征

利用1958—2004年NCEP/NCAR逐日再分析资料和我国730站降水资料分析了南海夏季风爆发后影响到华南地区的时间差异及其环流变化特征。结果表明:南海夏季风向北推进影响到华南地区的时间存在明显差异，最早的可以1 d就推进影响到华南地区，最晚的却要42 d，并且这种变化具有明显的年代际变化特征，即20世纪70年末以前，南海夏季风影响到华南地区的时间总体上要偏早，而70年代末以后，南海夏季风影响到华南地区的时间总体上要偏晚；当南海夏季风建立后，若东亚大槽较深，冷空气活动较活跃，索马里越赤道气流形成的西南风、110°~120°E地区越赤道气流形成的偏南风以及副热带高压西侧边缘的偏南风均偏弱，南亚高压和东亚地区急流位置偏南，就会使得南海夏季风影响到华南地区的时间偏晚，反之，则偏早；南海夏季风推进影响到华南地区的时间偏晚（早）年期间，索马里、105°E和130°E越赤道气流输送的水汽通量和西太平洋副热带高压南部的东南气流水汽输送均较弱（强），华南地区前汛期的锋面降水较强（弱）。     

2012年广东省前汛期气候特点及其成因初步分析

2012年前汛期(4～6月),我省平均气温较常年偏高0.9℃,降水量较常年偏多13.2%。前汛期主要气候特点表现在:4月降水异常偏多71.4%,5月下旬至6月中旬的龙舟水明显偏少,强对流天气频发,热带气旋影响偏早、总体灾情轻。大气环流仍然表现为对前期结束的拉尼娜事件的滞后响应,西太平洋副高强度偏弱、面积偏小、西伸脊点偏东,有利于北方弱冷空气南下与异常旺盛的西南暖湿气流在华南地区汇合,是前汛期内降水偏多的主要原因。     

夏季青藏高原大气热源与西南地区东部旱涝的关系

利用1959～2006年西南地区东部20个测站逐日降水量资料和NCEP/NCAR再分析月平均资料,分析了夏季青藏高原大气热源特征,指出了影响西南地区东部夏季旱涝的热源关键区域,并就关键区大气热源对该区域夏季旱涝的影响进行了诊断,得出了以下主要结论:西南地区东部夏季降水与高原主体东南部的热源变化关系密切,当该区域(该区域...     

广东区域性暴雨过程的定量化评估及气候特征

利用1961—2017年广东86个地面气象观测站逐日降水资料,定义广东区域性暴雨过程的标准,构建了综合考虑区域暴雨过程持续时间、暴雨范围、最大日降水量和最大过程降水量4个指标的广东区域性暴雨过程综合强度评估方法,由此分析近57年广东区域性暴雨过程次数、强度、雨涝年景等特征和变化。结果表明:近57年来,广东共出现1211次区域性暴雨过程,平均每年21.2次,主要出现在4—9月,单次过程平均持续时间是2.3 d;广东区域性暴雨过程的次数和强度存在明显的月际、年际和年代际变化,次数最多出现在5月,强度最大出现在6月;广东雨涝年景指数以0.17/（10 a）的速率显著上升;强和较强等级的广东区域性暴雨过程次数呈显著增加趋势,较弱等级区域性暴雨次数呈显著减少趋势。评估得到广东强雨涝年有5年:2008年、2001年、1973年、1994年、1993年,其中有4年出现在1990年以后。     

前期高度场和海温场变化对我国汛期降水的影响

利用1952～2001年我国160个测站汛期降水和前期500 hPa高度场和太平洋海温场资料以及三因子最佳子集回归求最大复相关系数的方法,把前期不同时间步长、不同时段的高度场和海温场同时作为预报因子与汛期降水求相关.结果发现:前期两个场共同作为预报因子比把其中某场单独作为预报因子的相关要好.并且存在着较好的"隔多季度相关"现象.预报因子具有实际预报意义的最佳时段为上一年的6～9月.影响我国汛期降水的最佳预报因子主要集中于高度场和海温场具有重要天气气候意义的关键区域.汛期降水可预报性在北方和长江以南均较好.     

Trend analysis for rainfall in Delhi and Mumbai, India

Urbanisation has burdened cities with many problems associated with growth and the physical environment. Some of the urban locations in India are becoming increasingly vulnerable to natural hazards related to precipitation and flooding. Thus it becomes increasingly important to study the characteristics of these events and their physical explanation. This work studies rainfall trends in Delhi and Mumbai, the two biggest Metropolitan cities of Republic of India, during the period from 1951 to 2004. Precipitation data was studied on basis of months, seasons and years, and the total period divided in the two different time periods of 1951–1980 and 1981–2004 for detailed analysis. Long-term trends in rainfall were determined by Man-Kendall rank statistics and linear regression. Further this study seeks for an explanation for precipitation trends during monsoon period by different global climate phenomena. Principal component analysis and Singular value decomposition were used to find relation between southwest monsoon precipitation and global climatic phenomena using climatic indices. Most of the rainfall at both the stations was found out to be taking place in Southwest monsoon season. The analysis revealed great degree of variability in precipitation at both stations. There is insignificant decrease in long term southwest monsoon rainfall over Delhi and slight significant decreasing trends for long term southwest monsoon rainfall in Mumbai. Decrease in average maximum rainfall in a day was also indicated by statistical analysis for both stations. Southwest monsoon precipitation in Delhi was found directly related to Scandinavian Pattern and East Atlantic/West Russia and inversely related to Pacific Decadal Oscillation, whereas precipitation in Mumbai was found inversely related to Indian ocean dipole, El Ni?o- Southern Oscillation and East Atlantic Pattern.