粤港澳大湾区极端气候时空演变及其驱动因子研究

郭 珊，张大伟，王亚迪

(广州珠科院工程勘察设计有限公司，广东 广州 510611)

全球气候变暖背景下，极端气候时间频率增加，强度加大，持续时间延长，影响范围不断扩大[1-4]。全球增暖情况下，极端气温事件强度变化与全球增暖幅度呈正比，极端高温发生频次则与其呈非线性增长。全球每增温1℃，极端日降水事件的强度将增强7%；全球升温2℃时，100年一遇强降水时间发生频率增加45%以上[5]。水文循环过程速度增加，造成水资源时空分布更为不均衡，极端气候时间时空格局发生变化[6]。极端气候事件的频繁发生，对社会可持续发展、人类生命健康、生态系统安全等方面造成不可逆转的严重破坏。1997—2016年期间，极端气候事件造成全球52.4万人丧生，3.16万亿美元的经济损失[7]。对于中国而言，气象灾害损失占灾害经济损失的70%，而气象灾害中约80%是由于极端气候引起的[8]。

国内外众多学者对极端气候进行了广泛研究。Westra S等[9]根据全球8 326个陆基观测站降水数据统计，2/3观测站的1日最大降水量(RX1day)呈现增加趋势。在过去50～100年间，中纬度地区强降水事件发生频率普遍增加，特别是北美地区[10]。在意大利摩德纳地区，极端降水事件的强度、频率和持续时间均呈现出上升趋势[11]。伊朗大部分地区的极端降水值、降水强度和降水频率均呈现显著上升趋势[12]。根据中国693个陆基观测站降水资料，1961—2016年期间，68%的观测站极端降水量和日数呈现增加趋势，并集中在西部和东南沿海地区[13]。根据郎咸梅等[14]预测，在全球升温2℃背景下，中国大部分地区5日最大降水量平均增加5.1 mm；强降水对总降水量的贡献率增加值为6.6%。珠江流域强降水日数和降水相对指数增加，南盘江、北盘江流域连续湿润日数(CDD)增加最显著；东江流域特强降水量(R99p)增加最为明显[15]。长江中下游极端降水量和极端降水强度均有所增加，高值主要分布在鄱阳湖流域，低值主要分布在汉江流域[16]。

Alexander等[17]研究结果显示，全球超过70%的陆地极端高温、极端低温、暖夜日数增加，而冷夜日数减少。根据Sillmann等[18]模拟结果，全球极端气温事件发生的频率和强度将会增加。对于整个南美洲，极端高温、极端低温、暖昼日数、暖夜日数均呈现增加趋势，而冷昼日数、冷夜日数则呈现减少趋势[19]。中亚地区极端高温、极端低温和平均日温差均呈现增加趋势，气候倾斜率分别为0.36、0.19、0.16℃/10a[20]。章大全等[21]的研究结果表明，中国极端高温发生频率趋于增加，而极端低温发生频率则趋于降低。中国长江沿岸和长三角地区极端高温增加趋势最为显著，珠三角城市群、长三角和京津冀地区极端低温增加趋势最为显著[22]。黄土高原地区极端高温为增加趋势，其中部地区温度最高；极端低温为增加趋势，朔州北部和门源地区温度最低[23]。中国东部极端高温事件强度主要为增加趋势，黄淮地区除外，影响指数同样呈现增强趋势；极端低温事件强度和影响指数均为下降趋势[24]。各研究成果表明，频繁发生的极端气候事件对人类生活、经济发展、生态环境产生了严重的影响，但不同地区，其影响的方式、强度及稳定性不同，表现出明显的区域性差异。

粤港澳大湾区位于欧亚大陆南端，濒邻南海，处于对气候变化敏感的南海季风区，也属于低纬度气候系统脆弱区，其独特的地理优势与气候风险并存。近60年来，大湾区气候呈现暖湿化趋势，面临短历时降水强度大、登陆台风强度大、海平面上升明显等影响，气象灾情重、气候风险大。面对防灾、减灾、救灾和气候变化适应的需求，有必要加强对极端气候变化的重视，科学规划应对策略，减轻极端气候引发的各项灾害。本文以1961—2016年降水、气温数据为基础，研究粤港澳大湾区极端气候的时空分布和变化情况，分析极端气候时空分布的平稳性、趋势性及分布变化特点，了解极端气候的过程特征和演变规律，并探讨驱动因子对研究区域极端气候可能产生的影响。通过对极端气候的变化规律和驱动力探究，从而提高对粤港澳大湾区极端气候事件的预测能力，为防灾减灾，构建韧性城市，推进粤港澳大湾区建设提供科学依据和决策支撑。

1 研究区域与资料

1.1 研究区域

粤港澳大湾区(GBA，Guangdong-Hong Kong-Macao Greater Bay Area)地处中国华南沿海地区，位于111°21′～114°53′E，21°28′～ 24°29′N，见图1。大湾区主要包括香港、澳门、广州、深圳及其他7座城市，总面积5.6万km2，是中国最开放、经济活力最强的地区之一，在国家发展战略中具有不可替代的重要地位。大湾区位于亚热带季风气候区，大陆性季风和海洋性季风影响下，气候复杂多变。大湾区降水充沛，年降水量均值约为1 929.8 mm[25]；全年温暖，年均气温22℃[26]；年平均日照时数1 500～2 300 h[27]。

图1 粤港澳大湾区地理位置

1.2 研究资料

本文采用的日降水、日气温数据，时间序列为1961—2016年，数据源自中国气象数据服务网(http://data.cma.cn)。国家气象信息中心根据中国地面2 472站降水、气温数据进行汇编，所有数据均以0.5°×0.5°的水平分辨率进行网格化，然后使用薄板样条(TPS)进行空间插值，交叉验证和误差分析表明数据是高质量的。

大尺度气候因子主要包括太阳黑子、多元ENSO指数(MEI)和太平洋年代际振荡(PDO)。其中，太阳黑子数据可以从比利时皇家天文台世界数据中心(https://wwwbis.sidc.be/silso/datafiles)下载；MEI数据可以从http://www.esrl.noaa.gov/psd/enso/mei/table.html下载；PDO数据来自东京气候中心(http://ds.data.jma.go.jp/tcc/tcc/products/elnino/decadal/annpdo.txt)。

2 研究方法

2.1 极端气候指标

在世界气象组织(WMO)和气候变化检测指标专家组(ETCCDI)推荐的27项极端气候指标中，本文选用8项极端降水指标和6项极端气温指数对研究区极端气候进行研究。极端气候指数的计算采用RClimDex1.0软件( http://www.pcic.uvic.ca/tools-and-data/climdex) 。其中，极端降水指标包括降水量(PRCPTOT)、降水强度(SDII)、干燥指数(CDD)、湿润指数(CWD)、1日最大降水量(RX1day)、5日最大降水量(RX5day)、强降水量(R95p)和极强降水量(R99p)，指数定义见表1。

表1 极端降水指数定义

极端气温指标包括平均日较差(DTR)、日最高气温极大值(TXx)、日最低气温极小值(TXn)、夏季日数(SU25)、暖昼日数(TX90p)和暖夜日数(TN90p)，指数定义及描述见表2。

表2 极端气温指数定义

2.2 启发式分割法

目前，在气候变化研究中，检测序列变异的方法有很多种，包括秩和测试、滑动t/F 测试、MK检测等。在滑动t检验的基础上，Bernaola-Galvan和Ivannov[28]提出了启发式分割方法，将非平稳序列划分为几个固定序列，并得到广泛应用[29]。

(1)

T(i)中最大值Tm的统计显著性P(Tm)：

(2)

由蒙特卡罗模拟可以得到，δ=0.40，η=4.19lnN-11.54，ϑ=N-2,Ix(a，b)为不完全β函数。式中，N为xi的长度。设定一个临界值P0(0.5≤P0≤0.95)，其置信水平为0.95，当P(Tm)≥P0时，则认为该点为变异点，并对新序列继续进行分割，直到子序列长度小于预设时间长度l0(l0≥25)。本文中l0和P0的阈值分别设定为25和0.95。

2.3 Mann-Kendall趋势检测

Mann-Kendall(MK)趋势测试法是世界气象组织推荐的趋势测试方法。对于时间序列xi，其统计变量S为[30]：

S=∑i

(3)

假设各变量独立同分布,则统计量S近似服从正态分布，方差为[24]:

(4)

根据它与期望置信水平下标准正态变量的关系，检验时间序列的变化趋势。当Z为正数时，时间序列为增加趋势；Z为负数时，时间序列为降低趋势。本文中，Z0取值为1.96。

2.4 交叉小波

小波分析可以获取时间序列的时间频率特征，是目前分析时间序列的有效工具。与傅里叶变换相比，交叉小波变换具有很强的信号耦合和分辨能力，它可以很容易地描述时频域中耦合信号的分布模式和相位关系[31-33]。为了克服交叉小波分析可能无法在时间上完全局部化的缺点，引入影响锥(COI)作为一个区域来克服这一缺陷[34]。

定义2个时间序列Xi和Yi的小波交叉谱为：

(5)

交叉小波能量谱能够反映两个序列经过小波变换后的相同能量谱区域，从而揭示两序列在不同时频域上相互作用的显著性[35]。相关代码可从http://www.pol.ac.uk/home/research/waveletcoherence/获取。

3 研究结果与讨论

3.1 极端降水

3.1.1时空变化

a)非平稳性分析。根据1961—2016年粤港澳大湾区极端降水指标，本文采用启发式分割法对研究区极端降水指标序列非平稳性进行检验，结果见图2。根据结果，总降水量(PRCRTOT)检测出Tm出现在2015年，但P值为0.93，小于阈值Po，因此认为PRCRTOT序列具有平稳性，未出现变异点。降水强度(SDII)、干燥指数(CDD)、湿润指数(CWD)和1日最大降水量(RX1day)对应的P值均小于Po，因此上述几项指标时间序列未检测出突变点，具有平稳性。5日最大降水量(RX5day)序列在2012年时T值最大，对应的P值为0.98，大于阈值，并满足进行第二次分割的条件。在第二次分割中，Tm对应的P值为0.77，小于Po，未检测出突变点。强降水量(R95p)和极强降水量(R99p)的Tm对应的P分别为0.39和0.91，认为2项指标不存在突变点，序列具有平稳性。

图2 粤港澳大湾区极端降水指标非平稳性计算结果

b)趋势性分析。研究期内，粤港澳大湾区极端降水指数变化趋势见表3。总降水量(PRCPTOT)、降水强度(SDII)和干燥指数(CDD)序列Z值均为正值，呈现出上升趋势，但变化趋势并不显著。湿润指数(CWD)序列Z值为负值，呈现不显著下降趋势。1日最大降水量(RX1day)、5日最大降水量(RX5day)和强降水量(R95p)序列均为不显著上升趋势，而极强降水量(R99p)序列则为不显著下降趋势。

表3 粤港澳大湾区极端降水指标变化趋势

c)空间分布分析。1961—2016年期间，研究区极端降水指标空间分布情况见图3。总降水量(PRCRTOT)在1 311～1 957 mm，整体呈现由西向东降水量逐渐增加的分布规律。同时，西南沿海地区降水量明显高于其他地区，特别是深圳、香港地区。降水强度(SDII)在9～15 mm/d范围内变化，整体呈现西北—东南分布情况，西北地区降水强度较低，而东南地区则降水强度较高。值得注意的是，南部地区降水强度相对较高，而该地区纬度较小，高程较低。干燥指数(CDD)在27～46 d范围内变化，沿海地区干燥指数明显高于内陆地区。干燥指数最大值出现在南部地区，最小值则出现在西北部地区。湿润指数(CWD)主要在14～19 d范围内分布，中部及西北部地区数值较小，东部地区数值较大。1日最大降水量(RX1day)、5日最大降水量(RX5day)空间分布情况相似，由西北向东南，降水量逐渐增大，而南部沿海地区降水量也较高。不过，前者数值范围为70～137 mm，后者数值范围为133～217 mm。强降水量(R95p)空间分布在330～597 mm；极强降水量(R99p)空间分布在101～193 mm。两者空间分布特点相似，西部地区降水较少，南部及西南地区降水较多。

a)PRCPTOT

b)SDII

c)CDD

d)CWD

e)RX1day

f)RX5day

j)R95p h)R99p

d)空间变化分析。研究区1961—2016年，极端降水指标气候倾斜率分布情况见图4。总降水量(PRCRTOT)气候倾斜率在-3.60～30.43 mm/10a，东部地区呈现降水减少变化，而中部地区则呈现降水增加趋势，特别是中南地区。降水强度(SDII)在0.05～0.26 mm/(d·10a)范围内变化，西部、中部和东部地区降水变化趋势为减少、增加和减少。干燥指数(CDD)气候倾斜率在-0.88～1.64 d/10a范围内变化，西北部地区天数增多，东部地区天数减少。湿润指数(CWD)气候倾斜率主要在-1.14～0.56 d/10a，东、西部地区变化相反，西部地区天数增加，东部地区天数减少。1日最大降水量(RX1day)、5日最大降水量(RX5day)气候倾斜率分布情况相似，由北向南，降水量呈现增加-减少-增加的变化。不过，前者数值范围为-5.18～4.84 mm/10a，后者数值范围为-6.06～8.61 mm/10a。强降水量(R95p)气候倾斜率在-3.67～30.72 mm；极强降水量(R99p)气候倾斜率在-26.70～13.43 mm/10a。前者呈现北部地区增大，南部地区减少的变化情况；后者呈现中部和西北部地区增加，其他地区减少的变化情况。

a)PRCPTOT b)SDII

c)CDD d)CWD

e)RX1day f)RX5day

j)R95p h)R99p

3.1.2驱动因子

大尺度气候因子与降水关系密切，大尺度气候因子变化可能对年代际尺度上的极端降水形成与影响至关重要，选用的大尺度气候因子，包括太阳黑子、多元ENSO指数(MEI)和太平洋年代际振荡(PDO)。由于极端降水指标众多，本文主要从总降水量(PRCPTOT)、降水强度(SDII)、1日最大降水量(RX1day)和特强降水量(R99p)4项指标来进行研究。极端降水与大尺度气候因子的计算结果见图5。图中箭头方向反映两者的相位关系，箭头向右表示同相位，箭头向左表示反相位，箭头垂直向上或垂直向下表示两者滞后或超前关系。黑色粗实线圈闭的值通过了95%置信水平的红噪声检验，黑色细实线包络区为影响锥，右侧彩条表示小波能量。

图5所示，总降水量(PRCPTOT)与太阳黑子具有显著的相关性。在1973—2001年期间，两者出现明显共振，周期为7.49～13.29 a。1990年之前，箭头近乎垂直向上，说明两者存在滞后关系；1990年之后，箭头向左，表示两者为负相关关系。1990—2001年，太阳黑子活动增强时，降水量可能降低；太阳活动减弱时，降水量可能增加。1961—2016年期间，PRCPTOT与MEI出现4次共振：1966—1968年，共振周期为3.58～4.05 a；1971—1973年，共振周期为2.40～2.93 a；1984—1996年，共振周期为11.02～12.52 a；1986—2003年，共振周期为3.44～5.75 a。1966—1968、1984—1996、1986—2003年，两者主要为显著正相关关系，当ENSO事件强度增大时，降水量增加；当ENSO事件强度减弱时，降水量减少。PRCPTOT与PDO在1988—2011年，共振周期为3.93～5.40 a；2001—2003年，共振周期为5.99～6.45 a。值得注意的是，前者为显著正相关关系，后者负相关关系明显。

图5所示，与其他气候因子相比，降水强度(SDII)、1日最大降水量(RX1day)和特强降水量(R99p)与太阳黑子关系最为密切。SDII与太阳黑子关系较为复杂，共振周期小于8 a时，两者前期为负相关，后期为正相关；共振周期大于8 a时，则主要体现出滞后性。RX1day和R99p与太阳黑子的关系较为相似，无论在共振出现时间、共振周期，还是相关性方面。MEI对降水强度的影响较大，并主要表现为显著正相关关系；对1日最大降水量的影响存在超前性和正相关性；对特强降水量的影响集中在1992—2002年，两者为正相关性。PDO与降水强度、1日最大降水量和特强降水量关系依次表现出正相关性、滞后性和负相关性。

图5 极端降水与大尺度气候因子的交叉小波功率谱

3.2 极端气温

3.2.1时空变化

a)非平稳性分析。根据1961—2016年粤港澳大湾区极端气温指标，本文采用启发式分割法对研究区极端气温序列非平稳性进行检验，结果见图6。平均日较差(DTR)序列具有非平稳性，共进行了3次分割，检测出2个变异点，分别出现在1972年和2011年。最高气温极大值(TXx)序列在2次分割中，检测出1个突变点，出现在2002年，该序列具有非平稳性。最低气温极小值(TXn)未检测出突变点，序列平稳。夏季日数(SU25)序列具有非平稳性，突变点出现在1996年。暖昼日数(TX90p)和暖夜日数(TN90p)序列均进行了3次分割，变异点均出现在1986年和1997年，2项指数均为非平稳序列。

图6 粤港澳大湾区极端气温指标非平稳性计算结果

b)趋势性分析。研究期内，粤港澳大湾区极端气温指数变化趋势见表4。平均日较差(DTR)序列Z值均为-2.35，呈现显著下降趋势。最高气温极大值(TXx)、夏季日数(SU25)、暖昼日数(TX90p)和暖夜日数(TN90p)序列均呈现显著上升趋势；最低气温极小值(TXn)序列同样呈现上升趋势，但变化趋势并不显著。

表4 粤港澳大湾区极端气温指标变化趋势

c)空间分布分析。1961—2016年，研究区极端气温指标空间分布情况见图7。平均日较差(DTR)在6～9℃，整体呈现由南向北，温度逐渐降低的分布。最高气温极大值(TXx)、最低气温极小值(TXn)分布情况相似，整体呈现由南向北，温度逐渐升高的分布情况。不过，前者数值范围为31～38℃，后者数值范围为1～9℃。夏季日数(SU25)范围为119～241 d，北部地区天数较少，东南地区天数较多。暖昼日数(TX90p)范围为18.92～19.18 d，中部、西北以及东部地区天数较多，而西部、中东以及南部地区天数较少。暖夜日数(TN90p)范围为18.64～19.17 d，最大值出现在中南地区，最小值出现在东北地区。

d)空间变化分析。研究区1961—2016年期间，极端气温指标气候倾斜率分布情况见图8。平均日较差(DTR)气候倾斜率在-0.17～0.01℃/10a，中部地区DTR增大，而西北、西南和东部地区DTR减少。最高气温极大值(TXx)气候倾斜率在0.07～0.37℃/10a，中南地区增幅较大，西北地区增幅较少。最低气温极小值(TXn)气候倾斜率在0.06～0.25℃/10a，西部地区增幅较大，东部地区增幅较小。夏季日数(SU25)气候倾斜率在1.58～5.62 d/10a，增幅最大区域出现在中南部，增幅最小区域出现在东北部。暖昼日数(TX90p)气候倾斜率在2.08～6.53 d/10a，增幅最大区域出现在中部，增幅最小区域出现在西北部。暖夜日数(TN90p)气候倾斜率在3.52～7.29 d/10a，整体来看，由南向北，天数增幅逐渐增大。

图7 粤港澳大湾区极端气温指标空间分布情况

图8 粤港澳大湾区极端气温指标空间变化情况

3.2.2驱动因子

大尺度气候因子可能对研究区极端气温有着重要的影响。本章主要从平均日较差(DTR)、最高气温极大值(TXx)、最低气温极小值(TXn)和暖昼日数(TX90p)4个指标来进行分析。如图9，平均日较差(DTR)与太阳黑子相关性明显。在1977—1997年，两者共振周期为7.28～12.67 a，并随着时间的推移，两者相互关系从超前性逐渐转变为正相关性。特别是在1990年后，正相关性明显。当太阳黑子活动增强时，平均日较差增大；反之亦然。1969—1974年，平均日较差与MEI共振周期为2.27～3.42 a；1995—2002年，共振周期为3.22～4.39 a。第一次出现共振时，两者体现出超前性关系；第二次共振时，两者为正相关关系。1973—1977年，平均日较差与PDO为正相关关系，共振周期为2.30～3.21 a。当PDO增强时，平均日较差随之增大；当PDO减弱时，平均日较差随之减少。

图9 极端气温与大尺度气候因子的交叉小波功率谱

如图9，最高气温极大值(TXx)、最低气温极小值(TXn)和暖昼日数(TX90p)与太阳黑子关系更加密切。太阳黑子与上述3项指标均为正相关关系，当太阳活动增强时，最高气温极大值、最低气温极小值均增大，暖昼日数随之增多。值得注意的是，TXx、TXn和TX90p与太阳黑子的共振周期虽然相似，但出现时期不尽相同。MEI与最高气温极大值存在超前和正相关关系；与最低气温极小值存在超前、正相关和负相关关系；与暖昼日数主要为正相关关系。PDO与最高气温极大值主要为负相关关系，与最低气温极小值主要为正相关关系，与暖昼日数则依次体现出正相关、负相关关系。

3.3 讨论

从流域角度来看，珠江流域降水强度增加[36]，极端降水量级呈现上升趋势[37]。从区位角度来看，中国华南地区极端降水时间主要呈现增加趋势，但持续湿润日数呈现下降趋势，且极端气温均存在空间差异[38]。该结论与本文主要结果相似。值得注意的是，该文极强降水量为增加趋势，本文结果与之相反。出现这一不同结果，可能是因为研究区和时间序列不完全相同。伍红雨等[39]的研究中表明，大湾区年降水量呈现不显著增加趋势，与本文结果相似。在白盛楠的研究中，极强降水量则为不显著下降趋势，5日最大降水量增长趋势不显著，与本文结果相同[40]。

珠江流域平均气温呈现显著上升趋势[41]，最高气温极大值、最低气温极小值、暖昼日数和暖夜日数均呈现增加趋势[42]。华南地区平均气温同样呈现增加趋势[43-44]。华南地区除气温日较差呈现下降趋势外，其余极端气温指标呈现显著增加趋势，包括最高气温极大值、最低气温极小值、夏季日数、暖昼日数和暖夜日数[45]。大湾区年平均气温增加趋势显著，升温速率为0.22℃/10a[39]。大湾区热夜指数、最高气温极大值、最低气温极小值均呈现增加趋势[40]，与本文结果相同。

太阳黑子和大尺度气候因子对全球气候变化有着重要影响。太阳活动可以通过动力过程和热力过程对全球气候产生影响[46]。太阳辐射是气候系统的主要能源和基本动力。太阳黑子的变化，意味着太阳辐射的改变，一方面导致大气压强和地表气温改变，造成气压梯度和温度梯度变化，大气活动异常；另一方面引起的水分蒸散发变化，大气中水分含量改变[47]。在两者的相互作用下，水文循环过程改变，引起降水异常[48]，最终影响极端降水的时空分布和变化趋势。全球气温变化和与全球平均海面温度异常(SSTA)均受到太阳活动的影响[49-51]。一方面，太阳活动可以增强地磁能量，进而通过地热流对气温变化造成影响[52]；另一方面，太阳活动对地球磁场的影响会引起地球自转速度变化，进而影响全球气温[46]。太阳黑子在对全球气温产生作用的同时，对极端气温也会造成影响，而且在不同地区产生的影响可能存在不同[53]。

ENSO是由大规模海洋-大气相互作用形成的，这些相互作用会引起全球气候发生异常改变。作为全球海洋和大气相互作用最强的信号，ENSO的发生和发展对全球不同纬度地区的气候有着重要影响，特别是赤道和低纬度地区。ENSO是影响中国气候变化的重要因子，它对东亚季风环流、西太平洋副高和南亚季风环流有着不容忽视的影响[54]。ENSO信号可以通过太平洋-东亚型遥相关传播到亚洲，通过太平洋温度和气压影响亚洲季风，影响水汽输送，造成降水异常[55-56]，进而对极端降水产生影响[57]。天气波动异常会对极端温度事件造成影响[58-59]。大气环流与气温变化关系密切，环流变化是极端气温事件发生的气候背景。气温和对流层会受到遥相关作用的影响[60]，ENSO信号可以通过低纬度的太平洋-东亚型遥相关作用于东亚大气环流[61]，影响亚洲热量输送[56]，进而影响极端气温的分布与变化。

海温是最主要大气下垫面热力强迫，可以引起上空热源异常变化。太平洋年代际振荡(PDO)是北太平洋的海温异常现象，对气候自然变率起着调控作用[62]。热量和水汽的输送与配置是引发极端事件的根本原因[63]。PDO可以通过海气相互作用，改变亚洲季风区海平面气压，影响水汽输送，引发降水变化，进而对极端降水产生影响。例如，PDO对中国东部[24]、蒙古高原地区极端降水的影响得到验证[64]。近百年全球气温变化与PDO位相变化相关性显著[62]。PDO处于正相位时，热带中东太平洋异常暖，阿留申低压加强，赤道中东太平洋偏暖，改变大气环流；反之亦然[65]。PDO对中国冬季极端低温[66]、安徽省极端气温[67]的影响得到验证。值得注意的是，PDO对ENSO起着不容忽视的调制作用[68]，PDO对东亚季风同样有着重要影响[69]，进而影响着极端降水和极端气温的产生与发展。

4 结论

对1961—2016年粤港澳大湾区极端气候的时空演变特征进行分析，并研究了太阳黑子和大尺度气候因素对极端气候可能产生的影响，主要结论如下。

a)在时间序列平稳性方面，极端降水指数一致性良好，总降水量(PRCRTOT)、降水强度(SDII)、干燥指数(CDD)、湿润指数(CWD)、1日最大降水量(RX1day)、强降水量(R95p)和极强降水量(R99p)序列具有平稳性，而5日最大降水量(RX5day)具有非平稳性，并在2012年发生突变。极端气温指数主要表现出非平稳性，最低气温极小值(TXn)序列除外。平均日较差(DTR)、暖昼日数(TX90p)和暖夜日数(TN90p)序列检测出2个突变点，出现年份不同；最高气温极大值(TXx)和夏季日数(SU25)序列检测出1个变异点，分别出现在2002年和1996年。

b)在变化趋势方面，极端降水指数主要呈现增加趋势，包括总降水量(PRCPTOT)、降水强度(SDII)和干燥指数(CDD)、1日最大降水量(RX1day)、5最大日降水量(RX5day)和强降水量(R95p)6项指数，但变化趋势不显著。而湿润指数(CWD)和极强降水量(R99p)则为不显著下降趋势。极端气温指数变化趋势不一致，平均日较差(DTR)序列呈现显著下降趋势；最高气温极大值(TXx)、夏季日数(SU25)、暖昼日数(TX90p)和暖夜日数(TN90p)序列显著上升；最低气温极小值(TXn)序列上升趋势不显著。

c)在空间分布上，极端降水指数空间分布存在异质性，大部分指数整体呈现由南向北逐渐递减的分布情况，湿润指数(CWD)除外，但各项指数分布特点并不相同。极端气温指数空间分布同样存在差异性，最高气温极大值(TXx)、最低气温极小值(TXn)、夏季日数(SU25)和暖夜日数(TN90p)呈现由北向南逐渐增大的分布趋势，平均日较差(DTR)反之。

d)在空间变化方面，极端降水指标空间变化特征存在差异，各项指标气候倾斜率正负值同在，降水强度(SDII)除外。气候倾斜率变化幅度各有特点，极强降水量(R99p)变化幅度最大，降水强度(SDII)变化幅度最小。极端气温指标空间变化特征不同，极端气温指标气候倾斜率主要为正值，平均日较差(DTR)除外。其中，暖昼日数(TX90p)变幅最大，平均日较差(DTR)变幅最小。

e)太阳黑子和大尺度气候因子可能对研究区极端气候变化存在影响。太阳黑子的影响最大，与极端降水主要呈现正相关性，与极端气温主要呈现负相关性，共振周期主要在8.16～11.59 a。多元ENSO指数(MEI)和太平洋年代际振荡(PDO)对极端气候的影响不完全相同，特别是在正负关系、共振出现时期和共振周期方面。

通过本文研究发现，极端降水和气温变化与自然界大尺度气候振荡存在潜在联系。通过掌握极端天气，尤其是极端高温天气的时空分布特征和变化规律,对及时、准确地做出防灾减灾预报、预警具有重要意义。气候变化对城市建设和发展将持续产生重大影响，在对粤港澳大湾区气候变化的研究，需要关注珠江流域和典型区域气候变化的影响评估。随着极端天气事件的增加，针对流域极端事件的研究尚不多见，需加强流域极端天气发生机理、风险评估与对策研究，以期为大湾区应对暴雨、洪涝、热浪等极端气候事件变化决策、防灾减灾、生态环境可持续发展等提供参考，减轻极端气候事件带来的危害。