淮河流域极端降水事件特征

极端降水是造成洪涝灾害的重要原因，因此极端降水的变化趋势是气候变化研究十分关注的问题。但是由于随机扰动的存在和有限的样本数量，极端降水趋势的可检测性往往很小。在对单个测站的估计中，常常只有几个测站的趋势可以通过显著性检验，而大量测站的趋势都是不显著的，这样就无法回答极端降水趋势在区域尺度上是否存在的问题。为了对区域尺度上极端降水趋势的显著性进行检验，以往的方法都是先求区域平均之后再估计其趋势。淮河流域是我国洪涝灾害和暴雨的多发地区，对这一地区极端降水变化趋势的研究尤其重要。不同的研究方法所得出的淮河流域梅雨期极端降水趋势结果有很大差异。

目前对区域性极端降水趋势的估计大都采用线性回归法或非参数的趋势估计法，一方面，极端降水往往是偏态分布的，无法满足线性回归法要求的残差为正态分布的假设；另一方面，上述两种方法在对极端事件风险的评估上存在不足。为此，采用参数化的趋势估计法，将广义线性回归的方法运用到广义帕累托分布（GPD）函数上，从而使线性回归的残差不被限制为正态分布，以此来估计极端降水的变化趋势。GPD是一种随机变量的概率密度分布函数，近年来被广泛地用于对极端事件的概率拟合上，并且取得了较好的结果。蒙特卡洛检验表明，相比传统的线性回归法和非参数的趋势估计法，广义线性回归法对随机序列的趋势有更高的可检测性和拟合精度。(https://www.daowen.com)

为了避免区域平均后区域极端降水趋势估计的不确定性，必须对单个测站分别估计其趋势，然后再对趋势场进行显著性检验，以判断趋势是否存在于一定的区域尺度上。二维Hurst系数H 2可以表征分布于二维空间随机变量场的空间分布形态特征，以此为统计量，可以用蒙特卡洛法对趋势场的显著性进行假设检验。考虑到已有的许多种估计H 2的方法都是基于格点数据，不适用于空间随机分布的站点数据，现基于一维Hurst系数的估计方法提出了一种新的估计二维Hurst系数的算法。本章用以上参数化趋势估计法估计了淮河流域极端降水的变化趋势，分析了未来极端降水风险的分布形态，同时检验了这一趋势场的显著性。