Identification of extreme precipitation thresholds in the Beijing-Tianjin-Hebei region using GEV model and evaluation of CMPAS merged precipitation products

doi:10.11755/j.issn.1006-7639-2026-02-0314

Abstract

Abstract:

Extreme precipitation events in the Beijing-Tianjin-Hebei (BTH) region have shown an increasing trend. Scientifically identifying regional extreme precipitation thresholds and further evaluating the applicability of merged precipitation products for extreme precipitation monitoring are of great significance for improving regional extreme-weather surveillance and precipitation product development. Using daily precipitation observations from 172 meteorological stations in the BTH region during 1985-2024, the generalized extreme value (GEV) distribution was applied to identify regional extreme precipitation thresholds and detect extreme precipitation events from 2021 to 2024. These events were subsequently used to analyze the spatiotemporal characteristics of extreme precipitation and to evaluate the performance of the China Meteorological Administration Multi-source Precipitation Analysis System (CMPAS) merged precipitation product. Results indicate that the statistical characteristics of extreme precipitation remain stable at 83.14% of stations, and the thresholds generally increase from northwest to southeast, with notable high-value centers in Beijing, Shijiazhuang and Xingtai. The CMPAS precipitation estimates show strong consistency with observations at the daily scale, with correlation coefficients exceeding 0.9 at 98.9% of stations; however, systematic underestimation occurs under heavy precipitation conditions. The errors exhibit a clear terrain dependence, with the highest accuracy observed in high-elevation areas, the largest errors in medium-elevation areas, and intermediate performance in low-elevation areas. Hourly CMPAS data effectively capture the temporal evolution of extreme precipitation events, particularly the development of short-duration convective precipitation in the afternoon, although peak intensity remains underestimated.

Key words: extreme precipitation, generalized extreme value （GEV） distribution, CMA Multi-source Precipitation Analysis System, product evaluation, Beijing-Tianjin-Hebei （BTH） region

摘要：

近年来，京津冀地区极端降水事件呈增多趋势，科学识别区域极端降水阈值并进一步评估融合降水产品在极端降水监测中的适用性，对区域极端天气监测和降水产品改进具有重要意义。基于京津冀地区172个气象站1985—2024年逐日降水观测资料，采用广义极值分布（Generalized Extreme Value distribution，GEV）模型识别区域极端降水阈值，并筛选2021—2024年极端降水事件，结合中国气象局多源融合降水分析系统（CMA Multi-source Precipitation Analysis System，CMPAS）融合降水产品开展极端降水时空特征及产品性能评估分析。结果表明，83.14%的站点极端降水统计特征保持稳定，北京、石家庄和邢台地区为极端降水阈值高值中心。CMPAS融合降水产品与观测数据在日尺度上高度相关，98.9%的站点相关系数大于0.9，但在强降水条件下存在系统性低估。产品误差呈现明显地形依赖性，高海拔地区精度最高、中海拔地区误差最大。CMPAS融合降水产品逐时数据能较好捕捉极端降水事件的时间演变特征，尤其对午后短时强对流过程响应较为敏感，但对峰值强度仍存在低估。

关键词: 极端降水, 广义极值分布, 中国气象局多源融合降水分析系统, 产品评估, 京津冀地区

CLC Number:

P468

XU Yiguo, WANG Rongrong, FAN Junhong, ZHAO Zengbao, WANG Rui, WANG Lan, ZHAO Ziwei. Identification of extreme precipitation thresholds in the Beijing-Tianjin-Hebei region using GEV model and evaluation of CMPAS merged precipitation products[J]. Journal of Arid Meteorology, 2026, 44(2): 314-324.

徐义国, 王蓉蓉, 范俊红, 赵增保, 王蕊, 王岚, 赵紫薇. 基于广义极值分布的京津冀极端降水阈值识别及CMPAS融合降水产品评估[J]. 干旱气象, 2026, 44(2): 314-324.

Figures/Tables 10

References 49

[1]	陈海山, 张耀存, 张文君, 等, 2025. 中国极端天气气候研究:“地球系统与全球变化”重点专项项目2024年度最新进展[J]. 大气科学学报, 48(2):177-206.
[2]	崔丹阳, 李亚飞, 姚慧茹, 等, 2025. 京津冀极端降水时空分布特征及其对城市排水压力的影响[J]. 暴雨灾害, 44(3):322-331.
[3]	东高红, 刘黎平, 2012. 雷达与雨量计联合估测降水的相关性分析[J]. 应用气象学报, 23(1):30-39.
[4]	段旭, 王曼, 张杰, 等, 2010. 低纬高原地区多元信息综合变分分析试验[J]. 高原气象, 29(3):712-718.
[5]	樊星, 徐洁, 刘兆旭, 2026. 新疆短时强降水时空分布与地理气象因子的相关性[J]. 干旱区研究, 43(3):478-486. DOI
[6]	郭军, 熊明明, 黄鹤, 2019. 京津冀地区暖季降水日变化特征分析[J]. 海洋气象学报, 39(2):58-67.
[7]	洪国平, 2020. 区域性暴雨过程评价指标在湖北的本地化修订与应用[J]. 暴雨灾害, 39(5):470-476.
[8]	候启, 师春香, 盛春岩, 等, 2024. 多源融合降水实况产品在日照市暴雨过程中的适用性[J]. 气象研究与应用, 45(1):56-63.
[9]	胡嘉缨, 董春卿, 操俊伟, 2023. 山西复杂地形下CMA-MESO 3 km系统降水预报检验及订正[J]. 暴雨灾害, 42(4):384-394.
[10]	旷兰, 田茂举, 李强, 等, 2023. 川渝地区汛期逐小时降水融合产品误差分析[J]. 中国农业气象, 44(10):953-963.
[11]	李建, 宇如聪, 孙溦, 2013. 中国大陆地区小时极端降水阈值的计算与分析[J]. 暴雨灾害, 32(1):11-16.
[12]	李梦, 竹利, 张悦含, 2025. 四川盆地一次极端暴雨过程的演变及成因分析[J]. 干旱气象, 43(2):242-253. DOI
[13]	李梦军, 董春卿, 李树文, 等, 2025. 两类融合降水实况分析产品在山西地区的评估与对比[J]. 沙漠与绿洲气象, 19(1):147-156.
[14]	李显风, 周自江, 李志鹏, 等, 2017. 基于江西省水文资料对中国融合降水产品的质量评估[J]. 气象, 43(12):1534-1 546.
[15]	李叶晴, 任晓炜, 邓悦, 2023. 台风“三巴”期间多种降水融合实况产品适用性评估[J]. 气象研究与应用, 44(4):23-28.
[16]	李莹, 于长文, 许康, 2024. 1961—2021年河北省降水变率特征及其影响因子分析[J]. 气象与环境学报, 40(3):91-96.
[17]	刘菊菊, 赵强, 井宇, 等, 2024. CMPAS融合产品在陕西短时强降水监测中的适用性评估[J]. 干旱气象, 42(2):263-273. DOI
[18]	刘姝, 周煜, 王福侠, 等, 2025. 太行山地形与水汽特征对“23·7”河北中部极端降水形成的影响机制[J]. 气候与环境研究, 30(1):24-38.
[19]	刘婷婷, 申高航, 谢晓华, 2024. 1981—2020年沂沭河流域极端降水事件特征及环流背景[J]. 沙漠与绿洲气象, 18(3):69-77.
[20]	刘威, 杨煜达, 张森, 等, 2025. 1668年多台风及华北地区台风远距离暴雨事件研究[J]. 地理科学进展, 44(5):1060-1 071.
[21]	刘晓阳, 杨洪平, 李建通, 等, 2010. 新一代天气雷达定量降水估测集成系统[J]. 气象, 36(4):90-95.
[22]	刘扬, 唐健, 王铸, 等, 2022. 基于CMA区域集合预报的暴雨灾害风险预估研究:以“21·7”河南暴雨为例[J]. 气象与环境科学, 45(2):14-19.
[23]	龙柯吉, 师春香, 韩帅, 等, 2019. 中国区域高分辨率温度实况融合格点分析产品质量评估[J]. 高原山地气象研究, 39(3):67-74.
[24]	罗露花, 陈铭杰, 杨树文, 等, 2024. 基于高时空分辨率数据的上栗县植被NPP估算及分析[J]. 西北林学院学报, 39(2):115-122.
[25]	牛淑贞, 张一平, 王迪, 等, 2021. 河南省分类强对流天气概率预报方法研究与应用[J]. 气象与环境科学, 44(1):1-12.
[26]	潘旸, 谷军霞, 宇婧婧, 等, 2018. 中国区域高分辨率多源降水观测产品的融合方法试验[J]. 气象学报, 76(5):755-766.
[27]	彭子豪, 侯伟, 冉迎风, 等, 2026. 京津冀地区生态系统抵抗力变化及其影响因子阈值[J]. 生态学报, 46(4):1903-1 915.
[28]	师春香, 潘旸, 谷军霞, 等, 2019. 多源气象数据融合格点实况产品研制进展[J]. 气象学报, 77(4):774-783.
[29]	孙帅, 师春香, 潘旸, 等, 2020. 中国区域三源融合降水产品的改进效果评估[J]. 水文, 40(6):10-15.
[30]	吴浩然, 兰甜, 陈永勤, 等, 2025. 基于非平稳GEV模型的城市化进程对极端降水事件的影响[J]. 人民珠江, 46(1):23-31.
[31]	肖渝, 孙若辰, 王倩, 等, 2024. 不同降水驱动的SWAT模型参数不确定性研究[J]. 河海大学学报:自然科学版, 52(2):43-52.
[32]	许冠宇, 李琳琳, 田刚, 等, 2020. 国家级降水融合产品在长江流域的适用性评估[J]. 暴雨灾害, 39(4):400-408.
[33]	杨荣芳, 幺伦韬, 刘文忠, 等, 2024. CMPAS融合降水产品对河北省“23·7”极端暴雨的表征能力分析[J]. 气候与环境研究, 29(4):405-418.
[34]	于杨, 于凡越, 吴芳妮, 等, 2024. 多源融合分析产品在辽宁地区的检验与适用性评估[J]. 气象与环境学报, 40(5):84-91.
[35]	宇婧婧, 沈艳, 潘旸, 等, 2013. 概率密度匹配法对中国区域卫星降水资料的改进[J]. 应用气象学报, 24(5):544-553.
[36]	张春燕, 郑艳萍, 王沛东, 等, 2023. 多源融合实况分析1 km网格降水产品在广东省暴雨过程中的准确性评估[J]. 暴雨灾害, 42(6):679-691.
[37]	张天宇, 王雨潇, 孙营营, 等, 2023. 1998—2020年三峡库区小时极端降水时空变化特征分析[J]. 高原气象, 42(1):108-115. DOI
[38]	周秀美, 张万诚, 朱莉, 等, 2025. 滇东南一次单站极端强降水水汽特征分析[J]. 高原山地气象研究, 45(3):86-93.
[39]	朱凯莉, 赖成光, 王兆礼, 等, 2023. 城市化背景下长三角核心城市群汛期降水时空演变特征分析[J]. 水资源保护, 39(6):95-103.
[40]	庄园煌, 陈宏, 余文韬, 等, 2024. 多源融合降水实况分析产品在海河流域的适用性评估[J]. 气候与环境研究, 29(1):25-35.
[41]	AGILAN V, UMAMAHESH N V, 2017. What are the best covariates for developing non-stationary rainfall Intensity-Duration-Frequency relationship?[J]. Advances in Water Resources, 101: 11-22. DOI URL
[42]	COLES S, 2001. An introduction to statistical modeling of extreme values[M]. London: Springer London.
[43]	CONG J, LIU H J, NING G C, et al, 2024. Comparing the mechanisms of two types of summer extreme precipitation in Beijing-Tianjin-Hebei region, China: Insights from circulation patterns and moisture transports[J]. Atmospheric Research, 302, 107304. DOI:10.1016/j.atmosres.2024.107304.
[44]	COOLEY D, 2013. Return periods and return levels under climate change[M]//AGHAKOUCHAK A, EASTERLING D, HSU K, et al, Extremes in a changing climate: Detection, analysis and uncertainty. Dordrecht: Springer Netherlands: 97-114.
[45]	FIELD C B, BARROS V, STOCKER T F, et al, 2012. Managing the risks of extreme events and disasters to advance climate change adaptation: Special report of the intergovernmental panel on climate change[M]. Cambridge: Cambridge University Press.
[46]	IPCC, 2021. Climate change 2021: The physical science basis[R]. Cambridge: Cambridge University Press.
[47]	LAI Y C, LI J F, LEE T C, et al, 2024. A 131-year evidence of more extreme and higher total amount of hourly precipitation in Hong Kong[J]. Environmental Research Letters, 19(3): 034008. DOI: 10.1088/1748-9326/ad21b1.
[48]	SEO D J, BREIDENBACH J P, 2002. Real-time correction of spatially nonuniform bias in radar rainfall data using rain gauge measurements[J]. Journal of Hydrometeorology, 3(2):93-111. DOI URL
[49]	XU Y G, TIAN L Q, CUI T R, et al, 2025. Spatiotemporal characteristics of Universal Thermal Climate Index during five-year return period extreme heat events in the Beijing-Tianjin-Hebei region[J]. Atmospheric and Oceanic Science Letters, 18(3), 100612. DOI:10.1016/j.aosl.2025.100612.

	类型	位置参数	尺度参数	特点
Model 1	平稳	μ	σ	参数固定不随时间变化，提供一个无趋势背景下的参考框架，用于判断后续非平稳模型的必要性与显著性。
Model 2	非平稳	μ=μ₀+μ₁·s	σ=exp（σ₀+σ₁·s）	参数随时间线性变化，检测极端降水是否存在长期线性增强或减弱的最直接方法。
Model 3	非平稳	μ=μ₀+μ₁·e^s	σ=exp（σ₀+σ₁·e^s）	参数对时间的敏感度呈非线性放大，以反映时间对极端降水的非线性加速驱动效应，捕捉快速增强型的极端降水演变特征。
Model 4	非平稳	μ=μ₀+μ₁·s^η	σ=exp（σ₀+σ₁·s^η）	以幂函数形式描述参数随时间的变化，该形式兼具线性与非线性特征，能更准确地描述观测数据的复杂变化，提升模型对不同演变形态的适应性。
Model 5	非平稳	μ=μ₀（s+μ₁）^η	σ=exp[σ₀（s+σ₁）^η]	经验公式，支持参数耦合非线性变化，构建更灵活的统计框架，探索极端降水演变的复杂模式，为模型选择提供更丰富的候选方案。

	类型	位置参数	尺度参数	特点
Model 1	平稳	μ	σ	参数固定不随时间变化，提供一个无趋势背景下的参考框架，用于判断后续非平稳模型的必要性与显著性。
Model 2	非平稳	μ=μ₀+μ₁·s	σ=exp（σ₀+σ₁·s）	参数随时间线性变化，检测极端降水是否存在长期线性增强或减弱的最直接方法。
Model 3	非平稳	μ=μ₀+μ₁·e^s	σ=exp（σ₀+σ₁·e^s）	参数对时间的敏感度呈非线性放大，以反映时间对极端降水的非线性加速驱动效应，捕捉快速增强型的极端降水演变特征。
Model 4	非平稳	μ=μ₀+μ₁·s^η	σ=exp（σ₀+σ₁·s^η）	以幂函数形式描述参数随时间的变化，该形式兼具线性与非线性特征，能更准确地描述观测数据的复杂变化，提升模型对不同演变形态的适应性。
Model 5	非平稳	μ=μ₀（s+μ₁）^η	σ=exp[σ₀（s+σ₁）^η]	经验公式，支持参数耦合非线性变化，构建更灵活的统计框架，探索极端降水演变的复杂模式，为模型选择提供更丰富的候选方案。

分级	1 h降水量/mm	24 h降水量/mm
1	0.1~1.9	0.1~9.9
2	>1.9~4.9	>9.9~24.9
3	>4.9~9.9	>24.9~49.9
4	>9.9~19.9	>49.9~99.9
5	>19.9	>99.9~249.9
6		>249.9

分级	1 h降水量/mm	24 h降水量/mm
1	0.1~1.9	0.1~9.9
2	>1.9~4.9	>9.9~24.9
3	>4.9~9.9	>24.9~49.9
4	>9.9~19.9	>49.9~99.9
5	>19.9	>99.9~249.9
6		>249.9

降水等级/（mm·d^-1）	ME/（mm·d^-1）	MAE/（mm·d^-1）	MRE/%	RMSE/（mm·d^-1）	R	TS	PO
0.1~9.9	0.42	0.69	18.59	1.60	0.88**	0.99	0.01
>9.9~24.9	0.42	1.80	10.57	3.77	0.76**	0.99	0.01
>24.9~49.9	-0.94	2.77	7.69	5.46	0.78**	1.00	0
>49.9~99.9	-0.67	3.85	5.30	6.96	0.89**	1.00	0
>99.9~249.9	-3.07	7.18	5.18	19.35	0.84**	1.00	0
>249.9	-14.62	16.73	5.90	26.41	0.59**	1.00	0