基于两套资料集的海南岛热带气旋降水特征对比

冯 箫，施 萧，李 勋

（1.海南省气象台，海南 海口 570203；2.海南省南海气象防灾减灾重点实验室，海南 海口 570203；3.西昌卫星发射中心，四川 西昌 615000）

引 言

热带气旋是引发暴雨的最强天气系统［1］，受热带气旋暴雨影响，农田受淹、城市内涝、水库坍塌，甚至洪涝、泥石流、山体滑坡等灾难性事件也多有发生［2－4］，且受灾程度往往超过其强风之灾［5］，严重威胁到当地人民的生命财产与安全。

热带气旋的生成依赖于温暖潮湿的海洋环境，在当前全球变暖趋势下热带气旋降水变化已成为气象界关注的焦点之一。2010年，世界气象组织（WMO）项目小组指出，21世纪全球强热带气旋活动频率将增加2%～11%，且距热带气旋中心100 km范围内降水将增加20%［6－7］，但不同国家或地区的热带气旋降水特性及其变化规律不尽相同［8－11］。KHOUAKHI等［12］对全球18 607个站点降水量统计指出，东亚是热带气旋降水量（年均大于400 mm）和极端降水量最多的区域，其次为澳大利亚和美国。CHANG等［13］研究发现，除了南太平洋海盆外，全球大部海域都具有热带气旋强度越强，其中心附近150 km范围内极端降水越显著的特征。在我国，热带气旋降水主要分布在中东部广大地区，且自东南沿海向西北内陆逐渐减少［14］。研究发现，1957—2004年我国处于热带气旋影响减弱阶段，热带气旋降水量及其占年降水量的比例、极端降水频率均呈显著下降趋势［15－17］。

海南位于中国最南端，地势中部高四周低，是我国受热带气旋影响最多的省份之一，年平均约7个，登陆约2～3个，热带气旋降水占年降水量的30%［18］。近10 a间，受强台风“纳沙”（2011）、超强台风“威马逊”（2014）和强热带风暴“电母”（2016）的影响，海南局地日降水量连续打破常年极值。另外研究发现，1969—2014年海南岛250 mm及以上的热带气旋日降水量呈现弱增长趋势［19］；海南岛极端降水与热带气旋的降水性质［20］、自身强度［21］以及地形强迫［22－24］密切相关。因此，了解热带气旋过程中平均降水、极端降水及其频率的空间分布特征对灾害预测预警有重要意义。

受限于稀疏且分布不均的站点条件，过去研究多采用岛上18个常规国家基本气象站观测资料［19，25－27］，这 18个台站大多分布在地势平坦的沿海或内陆，而复杂山区站点数量严重偏少，无法准确评估海南岛热带气旋降水分布特征，尤其是降水极值分布，极易造成局地降水的统计偏差。鲁小琴等［28］研究指出，不同疏密测站统计的降水极值及其空间分布结果略有不同，基于稀疏测站方案得到的热带气旋降水极值比未稀疏化的测站方案结果略小；WU等［29］研究表明，自动站统计的降水特征比常规国家气象站更能体现热带气旋影响下台湾中部山区极端降水情况。可见，站点的稀疏和布点位置对热带气旋降水的描述差异明显。基于此，本文利用加密自动站降水资料对2009—2018年海南岛热带气旋降水特征，包括降水的站点平均值、极值、空间形态、变化趋势等进行统计分析，并与传统稀疏的国家气象站结果进行对比，评估两套资料的异同。

1 资料与方法

1.1 资料及站点数量

使用海南岛上18个国家级气象台站（简称C＿P）和数百个加密自动站（简称T＿P）逐小时降水资料。由于海南省自动站建设起步较晚，2009年之后资料的收集与质量控制较为可靠，因此研究时段选为2009—2018年。

图1是2009、2018年海南省气象站点分布及数量变化。从图1（a）和图1（b）看出，除了18个国家级气象台站，2009年布设并正式使用了298个自动站，随后的几年站点数量鲜少变化，至2017年自动站突增至489个，2018年无新增站点；从站点分布可见，中部地形复杂的山区站点较为稀疏，四周沿海和中北部内陆地势平坦的区域站点较为稠密。

图1 2009年（a）和2018年（b）海南省气象站点和地形（阴影，单位：m）分布以及不同海拔范围内国家站和自动站所占比例（c）Fig.1 Spatial distribution of meteorological stations and topography（shadows，Unit：m）in 2009（a）and 2018（b），and the proportion of national and automatic stations to total stations in different elevation ranges（c）

统计不同海拔高度范围内国家站和自动站所占比例［图1（c）］，发现国家站和自动站都主要分布在300 m以下，占比分别约89%、95%，2009—2018年100 m以下的自动站增加135个，其300 m以下的占比稍有下降（94%），相比国家站，自动站具有更为密集的低海拔站点分布；海南省山区面积较小，300 m以上的站点数量极少，2009年以前有2个国家站，2009年新增了16个自动站，至2018年自动站增至27个（6%），较国家站在山区的比例（11%）偏小。

1.2 热带气旋资料及降水统计方法

采用不同时间分辨率的两套热带气旋资料：中国气象局上海台风研究所整编的逐6 h热带气旋最佳路径数据集（简称资料①）；中国气象局台风逐小时业务定位资料（简称资料②）。考虑到热带气旋外围雨带的影响，结合WU等［29］和CHANG等［13］的研究成果，仅统计强度达到热带风暴及以上的热带气旋，且当其中心距离海南岛最近海岸线小于或等于150 km时，则记录影响时长、过程降水量、站点平均降水量、最大风速、路径特征等参数（表1）。过程降水量为所有影响时次降水之和，站点平均降水量为过程降水量与站点数之比。影响时长（时间分辨率为1 h）可通过资料②获得，而路径特征、最大风速是利用资料①获得。

表1 2009—2018年影响海南省强度达热带风暴及以上的热带气旋参数统计Tab.1 Statisitics of parameters of tropical cyclones with intensity of tropical storm level and above affecting Hainan during 2009－2018

2 T＿P与 C＿P时域特征对比

2.1 最大降水值与站点平均降水值

表2是27个热带气旋最大降水量（用T＿Pmax、C＿Pmax表示）以及降水排名前5%、前10%、前15%、前25%、前50%站点和全部站点平均的站点平均降水量（用 T＿Pavg、C＿Pavg表示）及相应的站点数。可以看出，最大降水值 T＿Pmax＞C＿Pmax，偏差较大（DEP＝C＿Pmax－T＿Pmax＝－143.56 mm），这种负偏差在 27个热带气旋中具有共性，即T＿Pmax普遍高于C＿Pmax，其中最大负偏差（DEP＝－354.5 mm）发生在“天鹅”（2009），最小负偏差（DEP＝－35.9 mm）出现在“桑卡”（2017）期间。前5%、前10%、前15%站点的平均降水偏差随着C＿P、T＿P站点数的增加逐渐减小，且都具有DEP＜0的特征，表明C＿P相比T＿P更易低估热带气旋带来的极端降水情况；前25%、前50%和全部站点的C＿Pavg与T＿Pavg偏差均为正，且随着站点数的增加偏差逐渐增大，说明当C＿P站点数足够，且热带气旋降水极端性降低时，C＿P反而比T＿P更易高估站点平均降水量。

T检验可用来评估两组样本的差异性。从表2看出，C＿P、T＿P最大降水值T检验的 P值为0.001，说明两套资料存在显著差异；前5%、前10%、前15%站点的P值均较大，未通过0.05的显著性检验，表明3种情况下两套资料无显著差异，且前15%站点的P值接近1，此情况下T＿P和C＿P具有极高的相似性；前25%、前50%和全部站点的P值均较大，未通过显著性检验，表明两套资料差异不大。

为了探明统计全部站点时DEP＞0的原因，将C＿Pavg与自动站的T＿P做差值（用 dep表示），统计dep≥20、50、80 mm的自动站站数，计算它们占 T＿P总站数的比例。从图2看出，3种阈值下站点数的比例Ratio与DEP均存在显著正相关，相关系数R分别为0.513、0.554、0.606，均通过 0.05的显著性检验，表明DEP随着降水低值点的比例增大而增大，且相关性随着阈值的增大而增强。可见，T＿Pavg＜C＿Pavg与T＿P中大量的降水低值点有密切联系，这些降水低值点使前25%、前50%和全部站点的T＿P站点平均降水量小于 C＿P，加密自动站的 T＿P资料能够更好地反映降水的空间不均匀性。

表2 两套资料统计的最大降水值与站点平均降水值及相应的站点数Tab.2 The maximum and station－average precipitation and their corresponding station based on two different datasets

图2 DEP（单位：mm）与dep不同阈值下站数比（单位：%）变化以及两者的相关系数RFig.2 The change of DEP（Unit：mm）and station ratio（Unit：%）with different thresholds of dep and their correlation coefficients R

2.2 降水变化趋势

图3是T＿P、C＿P最大降水值与站点平均降水值的时间序列。可以看出，T＿Pavg、C＿Pavg呈现一致的缓慢下降趋势，气候倾向率分别为 －1.4373、－0.6092 mm·a－1；T＿Pmax、C＿Pmax反映的极端降水下降幅度更明显，气候倾向率分别为 －3.3296、－2.2422 mm·a－1。虽然两套资料最大降水值存在显著差异，但变化趋势一致，且T＿P的下降幅度比C＿P偏大。

3 T＿P与 C＿P空间分布对比

3.1 平均降水场与极端降水场

从图4、图5可知，T＿P、C＿P的平均降水场和极端降水场都具有西高东低的空间分布形态，但两套资料平均降水的大值中心、极端降水大值中心强度并不相同。T＿P平均降水量有4个主要的降水中心（T1、T2、T3和 T4），T1、T2和 T3分布在山区，T4位于儋州西北部［图4（a）］，而 C＿P仅有2个降水中心（C1和 C2），C1位于西部沿海，C2地处山区中部［图4（b）］。从两套资料差值场（C＿P－T＿P，下同）［图4（c）］可知，C＿P高估了西部沿海和内陆的平均降水，低估了山区东部和西南部的平均降水。就极端降水而言，T＿P、C＿P极端降水中心位置相同，均位于西部沿海，但中心强度差异大［图5（a）和图5（b）］，两者差值最大可达200 mm左右。此外，T＿P在中部内陆还有3个局地的弱极端降水中心，而C＿P未出现。总之，C＿P低估了海南岛西部沿海、中部内陆的降水极端性，却高估了西部内陆的降水极值［图5（c）］。另外，远离降水中心的东北角、东南沿海、西南沿海区域（黑色方框）的平均降水、极端降水均易被C＿P高估。

图3 T＿P、C＿P资料最大降水量与站点平均降水量的变化及趋势Fig.3 The change and trend of maximum and station－average precipitation of T＿P and C＿P datasets

图4 T＿P（a）、C＿P（b）平均降水及两者差值（c）空间分布（单位：mm）（黑色实线为中部山区，黑色框内C＿P存在高估现象，下同）Fig.4 The spatial distribution of average precipitation of T＿P（a）and C＿P（b）and their difference（c）（Unit：mm）（The mountainous areas located inside black line，and precipitation in black boxes was overestimated by C＿P，the same as below）

图5 T＿P（a）、C＿P（b）极端降水及两者差值（c）空间分布（单位：mm）Fig.5 The spatial distribution of extreme precipitation of T＿P（a）and C＿P（b）and their difference（c）（Unit：mm）

3.2 极端降水频率

图6统计了不同级别极端降水出现频率，频率f≥0.1、0.2、0.3分别表示频次达 3次、5次、8次以上。可以看出，随着降水级别增大，频率f≥0.1的站点自东向西逐步减少，呈现西高东低的分布形态；高频强降水（≥250 mm）分布在西部沿海，山区西北部迎风坡、儋州西北部为高频中心（黑色方框），与平均降水的T1、T4中心相对应；东北角、东南沿海、西南沿海是极端降水的低频区，其中东南沿海频率最低（150 mm以上强降水基本空白），当极端降水量超过200 mm时，东北角、西南沿海的站点数锐减。

上述分析可见，极端降水T＿P与C＿P呈现相似的频率分布特征，但随着极端降水频率级别升高，C＿P与T＿P的差值逐渐增大，C＿P偏向于高估高频极端降水的范围。

图6 极端降水量达150 mm（a）、200 mm（b）、250 mm（c）及以上的频率（红色、蓝色符号分别代表国家站、自动站；蓝色、红色数字分别为不同频率下T＿P、C＿P站点数占总站数的比例，黑色数字为两者差值，黑色方框为高频中心）Fig.6 The frequencies of extreme precipitation equal to or more than 150 mm（a），200 mm（b），250 mm（c）（Red and blue symbols represent the national and automatic weather stations，respectively，the blue and red values are the proportion of stations with different frequencies to total stations for T＿P and C＿P，respectively，while the black values are their difference，and the black box for the centre of high frequency）

3.3 降水低值点

前文分析指出，T＿Pavg＜C＿Pavg是大比例的降水低值点所致。为了探讨降水低值点的分布情况，挑选了T＿Pavg排名前6的热带气旋，得到其降水空间分布（图7），发现 C＿Pavg与 T＿P差值（dep）大于或等于80 mm的降水低值点普遍分布在海南岛东北角、东南沿海和西南沿海，这些地区同时也是降水平均场、极端场及极端降水频率的低值区。另外，最大降水点附近往往分布着多个降水排名前10的站点。因此，T＿P统计得到的最大降水值并非是测站误差或降水空间分布的偶然性所致，其具有的高密度站点特性可以捕捉到C＿P监测不到的极端降水，这是最大降水值T＿P明显大于C＿P的原因。

4 T＿P降水时空分布特征

采用经验正交函数分解（EOF）对 T＿P进行时空分解，得到EOF1、EOF2的解释方差分别为46.9%、16.4%。从图8看出，T＿P第一空间模态呈“西高东低”型，存在2个大值中心，分别位于山区西北部、儋州西北沿海，与T1、T4强降水中心相对应，此外，山区东部还存在2个相邻的弱降水中心；第二空间模态为“南北相异”型，3个正位相中心分布在山区南侧。显然，高密度的T＿P资料可分解出比 C＿P［25－26］更多的局地强降水信息，这些强降水中心都偏向于山区迎风坡的位置（红色方框），这与地形增幅有密切关系［30－33］。

分别挑选出EOF1时间系数序列前7名［图8（c）］、EOF2时间系数正位相前7名和负位相后7名［图8（d）］的热带气旋，统计不同降水形态下热带气旋移动路径特征。从图9看出，“西高东低”型的 EOF1，其热带气旋移动路径除“天鹅”（2009）外，主要在海南岛山区以北的内陆或近海向西或西北方向移动，而降水分布呈“南少北多”的EOF2（－），其路径特征与EOF1相似。然而，降水分布呈“南多北少”的EOF2（＋），其路径特征相对复杂，有北路“启德”（2012）、南路“山神”（2012）、中路“鲸鱼”（2015）。总体而言，当热带气旋偏向山区或其南侧时，降水易呈现“南多北少”的分布。

图7 T＿Pavg排名前6的热带气旋降水空间分布（阴影，单位：mm）（黑色＋、·标识号分别为降水低值的国家站和自动站，蓝色＋、○标识号分别为排名前10的强降水国家站和自动站，其中△为最大降水值）Fig.7 The spatial distribution of precipitation at automatic weather stations for the top six T－Pavg tropical cyclones（shadows，Unit：mm）（The black crosses and dots represent national and automatic weather stations with low precipitation，respectively，while the blue crosses and circles represent national and automatic weather stations with the top ten strong rainfall，respectively，and the precipitation at stations with blue triangle is the maximum）

图8 EOF分解的热带气旋降水 T＿P第一（a、c）和第二（b、d）特征向量（等值线，a、b）及对应的时间系数（c、d）（蓝色圆点、三角点分别对应时间系数为正值前7和负值后7的热带气旋；红色方框为大值中心；阴影为地形高度，单位：m）Fig.8 The first（a，c）and the second（b，d）eigenvectors（lines，a，b）of T＿Pof tropical cyclones and corresponding time coefficients（b，d）decomposed by EOF（The blue dots and triangles are the top seven tropical cyclones with positive coefficients and the last seven tropical cyclones with negative coefficients，respectively，red boxes for the phase centers，and the shadows for topographic height，Unit：m）

图9 不同降水分布形态下的热带气旋移动路径（a）EOF1，（b）EOF2（＋），（c）EOF2（－）Fig.9 The moving tracks of tropical cyclones under different distribution patterns of precipitation（a）EOF1，（b）EOF2（＋），（c）EOF2（－）

5 T＿Pavg与热带气旋影响时长、强度的关系

图10是T＿Pavg与热带气旋影响时长、强度（用中心最大风速表征）的关系。可以看出，所有热带气旋影响下T＿Pavg与影响时长呈显著正相关（R＝0.388，通过0.05的显著性检验），而与排名前10的热带气旋影响时长的相关系数显著下降（R＝0.146）。由此可知，极端T＿Pavg与影响时长无明显关系。另外，所有热带气旋影响下T＿Pavg与强度呈显著正相关（R＝0.361，通过0.05的显著性检验），且与排名前10的热带气旋强度的相关性更大（R＝0.562），而与剩余的热带气旋强度关系不明显（R＝0.023）。综上可得，热带气旋极端降水与强度的关系更加密切。

图10 站点平均降水量与热带气旋影响时长（a）、强度（b）的关系（蓝色圆点为27个热带气旋，红色方框表示前10个热带气旋，黑三角为剩余的17个热带气旋）Fig.10 The relationship between station－average precipitation and impact time（a），intensity（b）of tropical cyclones（the blue dots for 27 tropical cyclones，the red boxes for the top 10 tropical cyclones，and the black triangles for the rest）

6 结论与讨论

（1）T＿P与C＿P的最大降水值存在显著差异，且 T＿Pmax＞C＿Pmax，差值较大；T＿P与 C＿P的站点平均降水值无显著差异，且 T＿Pavg＜C＿Pavg（差值较小），这由东北角、东南沿海、西南沿海占比较大的降水低值点所致。

（2）2009—2018年，T＿P与 C＿P两套资料最大降水值、站点平均降水值均一致呈现下降趋势，其中降水极值下降幅度较站点平均值略大，且T＿P下降幅度较C＿P偏大。

（3）两套资料的平均降水、极端降水及其频率均呈现相似的“西高东低”空间分布特征，但大值中心及中心强度有所差别，其中东北角、东南沿海、西南沿海低海拔地区是平均降水、极端降水及其频率的低值区。C＿P高估了西部沿海和内陆的平均降水以及西部内陆的极端降水，低估了山区东部和西南部的平均降水以及西部沿海、中部内陆的极端降水。此外，C＿P对高频强降水站点的范围易高估。

（4）T＿P的第一、第二模态分别表现为“西高东低”、“南北相异”型，且在山区迎风坡处有多个降水大值中心。当热带气旋经过中部山区以北区域时，易造成EOF1“西高东低”和EOF2“南少北多”的降水分布；当热带气旋经过山区或其南侧时，易造成EOF2“南多北少”的降水分布。

（5）近10 a，海南省热带气旋降水与影响时长、强度存在显著正相关，排名前10的热带气旋降水与强度的相关性更显著，而与降水时长无明显关系。

基于不同密度站点资料的最大降水值存在显著差异，且前5%、前10%、前15%站点的极端降水值也具有T＿P＞C＿P的特征。可见，高密度的站点资料能够获得更多局地强降水信号。然而，极端降水中心易出现在地形复杂的山区，但山区自动站相对于平原、沿海地区严重偏少，因此，还需要进一步加大对山区自动站的建设，这对进一步认识热带气旋极端降水特征，做好热带气旋强降水监测预警与防灾减灾具有重要意义。