引言
以增暖为主要特征的全球气候变化使得地表蒸散发与水循环加剧，不仅增加了强降水引发的洪涝灾害，同时在许多地区造成了强干旱（张翔等，2021；安琳莉等，2022）。气候变化对降水影响的总体趋势是高纬度地区降水增加、副热带地区整体降水减少、季风区整体降水增加，具体表现因地区而异（IPCC，2021；Li et al.，2016；Goswami et al.，2006）。降水量时空分布的非均匀性易导致旱涝灾害的形成（叶笃正和黄荣辉，1996；水利部长江水利委员会，2002），如长江流域的洪涝灾害主要由暴雨导致，洪水出现时间与暴雨季节基本一致（张录军和钱永甫，2004）。已有研究表明，气候变化背景下降水非均匀性特征不仅具有空间差异，还存在时间变化。从空间上看，中国大陆年平均降水集中度整体南北低、中间高（刘向培等，2021）。其中，降水较少的西北地区年平均降水处于中高集中度范围，且降水集中度由西北向东南逐渐增大，降水集中期由北向南逐渐推迟（苗运玲等，2021；张克新等，2021）；东部地区降水集中期表现出东西反相形势，东部降水集中期越推迟（或提前），西部降水集中期越提前（或推迟）（高颖会等，2021；晏德莉等，2020）；东北地区降水集中度东低西高（刘向培等，2020；袭祝香等，2019；刘红等，2018）。从时间上看，中国大陆年平均降水集中度整体呈东南升高、西北降低的变化趋势（水利部长江水利委员会，2002）。其中，西北地区降水集中度呈微弱下降趋势，集中期呈提前趋势，且集中度存在6.0、15.0 a左右的周期变化，集中期存在12.0 a左右的周期变化（苗运玲等，2021；张克新等，2021）；东北地区降水集中度存在明显的年代际变化特征（袭祝香等，2019），降水年内分配不均匀性降低、年际变化幅度增大，降水集中期提前、集中度发生由大到小的突变，降水集中指数存在3.0 a左右的周期变化（刘红等，2018）。研究指出，大气环流是影响区域降水集中程度的重要因素，但降水集中指数与环流因子在不同时域的相关性存在差异（刘向培等，2021；苗运玲等，2021；张克新等，2021）。因此，在全球变暖背景下开展不同时域降水集中程度的时空分布特征及影响因素研究对于防灾减灾意义重大。
黑龙江作为农业大省，在我国农业生产中占有举足轻重的地位，它地处中温带、寒温带季风气候区，受季风气候、地形及全球气候变化影响，降水时空分布不均，汛期夏季（6—8月）降水量约占年降水量的65%，汛期旱涝、冰雹等气象灾害发生频繁，极端天气事件不断，近10 a来有加重倾向，如2011年黑龙江东南部夏秋连旱、2013年黑龙江干流特大洪水、2016年黑龙江西部盛夏干旱、2021年黑龙江和嫩江大水，旱涝造成的损失随社会经济发展越来越大。以往关于黑龙江降水研究多集中在降水量气候态及变化趋势（赵志鹏等，2012；张健和李永生，2019；康恒元等，2022）、极端降水（王晓宁等，2020；高永刚，2012）方面，而在描述降水量时间分配特征及其集中程度上存在局限性（段亚雯等，2014），尤其对降水时间非均匀性特征研究不足。因此，本文基于日尺度降水数据，对比筛选最具意义的降水集中度和集中期计算方法，结合趋势分析、相关分析和Morlet小波分析等方法，对黑龙江夏季降水的非均匀性、周期性特征进行分析，并探讨与环流和海温的关系，为汛期降水预报预测、防汛抗旱提供参考。
1 数据
所用资料包括黑龙江省1951—2020年75个气象观测站（图1）逐日降水量资料和国家气候中心业务服务的130个气候指数资料（http://cmdp.ncc-cma.net/）。由于各气象站开始观测时间不一致，空间分析时使用无缺测的1961—2020年数据，而趋势分析时使用1951—2020年数据。气候基准期选取1981—2010年；夏季（汛期）为气象业务规定的6—8月。黑龙江省及其市（区）行政边界是基于国家基础地理信息中心网站下载的审图号为GS（2019）1822号的标准地图制作，底图无修改。
图1
图1
黑龙江气象观测站分布及气候分区与代表站
Fig.1
The distribution of meteorological observation stations and the climatic zoning and corresponding representative stations in Heilongjiang Province
2 方法
2.1 降水集中期与集中度计算
2.1.1 降水集中期
基于气候基准期黑龙江75个台站夏季逐日降水量数据，采用矢量法和滑动法分别得到2个降水集中期时间序列。分析发现，2个降水集中期序列存在极显著的正相关（相关系数为0.702，通过α=0.001的显著性检验），且空间分布较为一致，降水集中期西南部偏早、东北部偏晚（图2）；矢量法相对于滑动法偏差最大的2个站分别为双城（偏晚12 d）和五常（偏早14 d）。
图2
图2
基于矢量法（a）和滑动法（b）的1981—2010年黑龙江平均夏季降水集中期空间分布
（粗实线为均值线，实线和虚线分别大于、小于均值线。下同）
Fig.2
Spatial distribution of average summer PCP in Heilongjiang Province from 1981 to 2010 based on vector method （a） and sliding method （b）
（The thick solid isoline is mean value line， while the values of the solid and dotted isolines are more than and less than the mean value， respectively. the same as below）
为进一步对比矢量法和滑动法，对两种方法计算的黑龙江夏季降水集中期差异最大的2站进行分析。从图3可见，矢量法（反映一年中最大候降水量出现时段）计算的夏季PCP对应降水序列二次多项式拟合最大值，而滑动法计算的夏季PCP正是实际多雨时段，表明滑动法描述的夏季降水集中期与实际更相符。故本文采用滑动法计算夏季PCP，其计算步骤：夏季日序按Julian Day（Hatcher，1984）方法计数，6月1日为第1天，6月2日为第2天，…，8月31日为第92天，对92 d的逐日降水量做15 d滑动平均统计，得到15 d滑动序列（n=78），每个序列值为当天开始的15 d降水量滑动平均；然后，从滑动序列中筛选最大值，其对应的日序即为降水集中期。
图3
图3
1981—2010年夏季黑龙江双城（a）和五常（b）平均日降水序列及不同方法计算的降水集中期
Fig.3
The mean daily precipitation series and PCP calculated by different methods in summer in Shuangcheng （a） and Wuchang （b） of Heilongjiang Province from 1981 to 2010
2.1.2 降水集中度
降水集中度（Precipitation Concentration Degree，PCD）计算方法常用的有5种：一是矢量法（张录军和钱永甫，2004）；二是基于信息熵概念定义的指标（Q）（王睆等，2015），通过逐日降水贡献率表征降水集中程度；三是通过降水量在某时段内分配的集中指数（Precipitation Concentration Index，PCI）反映降水分布的集中程度（Oliver，1980）；四是SUN法（Sun et al.，2006），是以某时段内67%的降水量降落的天数描述降水集中程度；五是占比法（李吉顺等，1999），是以各旬降水量占总降水量的百分比作为集中系数表征降水集中程度。结合占比法和滑动法，定义了滑动占比法，即以滑动15 d降水量占总降水量的百分比最大值来表征降水集中程度。
基于气候基准期黑龙江各台站夏季逐日降水量数据，采用矢量法、Q、PCI、滑动占比、SUN法，分别得到5个夏季降水集中度空间分布（图4）。以全省均值为界，当台站降水集中度高于（SUN法低于）均值，即认为台站夏季降水相对集中；反之，当台站降水集中度低于（SUN法高于）均值，即认为台站夏季降水相对分散。可以看出，5种方法得到的夏季降水集中区都在黑龙江西南部和东北部，特别是西南部降水更为集中，分散区在北部和中部，但范围和大值中心差异明显。其中，矢量法[图4（a）]和滑动占比法[图4（d）]的夏季降水集中区范围较大，前者北至大兴安岭中部，东至张广才岭，后者仅出现在大兴安岭中部，但分散区均在小兴安岭、松嫩平原、三江平原的接壤地带；Q[图4（b）]、PCI[图4（c）]和SUN[图4（e）]的夏季降水集中度从北部到西南部都较低（PCI法大兴安岭南部除外），分散区范围较大，其中大兴安岭北部集中度更低。
图4
图4
基于不同方法的1981—2010年黑龙江平均夏季降水集中度空间分布
（a）矢量法，（b）Q，（c）PCI，（d）滑动占比，（e）SUN
Fig.4
Spatial distribution of average summer PCD in Heilongjiang Province from 1981 to 2010 based on different method
（a） vector method，（b） Q method，（c） PCI method，（d） sliding ratio，（e） SUN method
另外，统计了上述5种方法计算的夏季PCD序列的偏相关系数（表1），发现滑动占比法的相关系数和及显著正相关占比均最大。因此，下面以滑动占比法为参考进行对比分析。
表1 不同方法计算的夏季降水集中度间的相关统计
Tab.1
| 方法 | 相关系数和 | 显著正相关占比/% |
|---|---|---|
| 矢量法 | 161.2 | 57.0 |
| Q | 138.2 | 63.8 |
| PCI | 149.8 | 67.3 |
| 滑动占比 | 175.3 | 74.0 |
| SUN | 121.0 | 60.5 |
选取与滑动占比法计算结果相反的2个典型台站作比较，矢量法选取伊春和木兰站，对应的夏季降水分别表现为集中和分散，而滑动占比法则分别表现为分散和集中；Q、PCI、SUN法选取富锦和巴彦站，对应结果均分别表现为集中和分散，而滑动占比法则分别表现为分散和集中。
另外，夏季降水量逐日演变（图5）显示，伊春夏季降水主要在第40~80天较多，其他时段相对较少，而木兰夏季降水则在第40~60天较多，第5~15天和第81~90天次多，表明伊春（木兰）在长（短）时间尺度上降水相对更集中，即木兰夏季降水较伊春相对更集中；同样，巴彦降水相对集中，富锦降水相对分散。从15 d滑动平均降水量上也看到同样的结论。从抗旱防涝角度，滑动占比法计算结果更有现实意义，故本文采用滑动占比法计算夏季降水集中度，PCD值域为0~100。
图5
图5
1981—2010年黑龙江典型站夏季降水量平均日序列
（灰色柱形为15 d滑动平均降水量）
Fig.5
The average daily series of precipitation at typical stations of Heilongjiang Province in summer from 1981 to 2010
（the gray columns for the 15-day sliding average precipitation）
2.2 气候分区
采用EOF（Empirical Orthogonal Function）和REOF（Rotated EOF）方法（吴洪宝和吴蕾，2005），根据黑龙江汛期气候基准期降水集中期时间序列的变异性进行气候分区，得到前5个特征向量的累积方差贡献率达62.0%，且通过North独立性检验（North et al.，1982），旋转前后的方差贡献率如表2所示。经核查，序列长度30 a、显著性水平0.05的相关系数临界值为0.349，故分区的临界相关系数定为0.4，即将REOF载荷向量值大于0.4的区域划为1个降水集中程度气候区，并选取各分区载荷向量较大且序列较长的台站作为代表站。经计算，黑龙江全省可分为5个气候区（图1）：西北区（代表站为嫩江）、松嫩平原西部区（代表站为齐齐哈尔）、东北区（代表站为佳木斯）、松嫩平原东部区（代表站为哈尔滨）、东南半山区（代表站为牡丹江）。基于降水集中度时间序列得到的气候分区与图1的空间分布相似，为便于分析与比较，文中统一使用此分区。
表2 黑龙江省汛期降水集中期标准化场前5个EOF和REOF特征向量的方差及累积方差贡献率
Tab.2
| 序号 | 特征值 | EOF | REOF | ||
|---|---|---|---|---|---|
| 方差贡献率/% | 累积方差贡献率/% | 方差贡献率/% | 累积方差贡献率/% | ||
| 1 | 19.5 | 26.0 | 26.0 | 18.6 | 18.6 |
| 2 | 9.6 | 12.8 | 38.8 | 14.6 | 33.2 |
| 3 | 7.3 | 9.8 | 48.6 | 10.4 | 43.6 |
| 4 | 5.3 | 7.1 | 55.7 | 9.3 | 52.9 |
| 5 | 4.7 | 6.3 | 62.0 | 9.1 | 62.0 |
3 结果与分析
3.1 夏季PCP、PCD空间分布
相关分析发现，黑龙江夏季PCP与PCD呈显著负相关，相关系数为-0.465（通过α=0.05的显著性检验），集中期偏早，集中度易偏大；强降水早发区，前期降水易偏多、后期降水易偏少。夏季PCP与纬度呈不显著正相关，PCP南部偏早、北部偏晚；PCD、PCP均与经度显著相关，随经度增大（东移），黑龙江夏季降水集中度减小、集中期推迟。
表3统计了1981—2010年黑龙江夏季逐旬降水量占夏季降水量的百分比。整体来看，7月降水量占比最大为32.9%~46.4%（平均41.1%），8月次之，占比28.0%~41.2%（平均34.1%），6月占比最小为21.2%~30.4%（平均24.8%）；6—7月降水逐旬增加，7月下旬降水最多，8月以后降水逐旬减少。从空间分布（图6）上看，6月上旬降水占比西部小、东部大，中旬中南部和东北部降水占比较小，下旬降水占比北部和中部较大；7月上旬降水占比由西南向东北逐渐递减，中旬南部和北部大兴安岭降水占比较大，下旬中北部降水占比较大，而中南部、中东部和大兴安岭北部降水占比较小；8月上旬西部和东南部降水占比较小，中旬自中南部向西北纬向延伸至大兴安岭一带大部降水占比较小，下旬西部降水占比较小。综上可见，夏季PCP开始日期最早7月6日，西南部偏早、东北部偏晚，与实际相符；西南部7月降水占比较大、6月和8月降水占比较小，与PCD西部偏大相符。
表3 1981—2010年黑龙江夏季逐旬降水量占比 单位：%
Tab.3
| 统计量 | 6月 | 7月 | 8月 | ||||||
|---|---|---|---|---|---|---|---|---|---|
| 上旬 | 中旬 | 下旬 | 上旬 | 中旬 | 下旬 | 上旬 | 中旬 | 下旬 | |
| 最小值 | 5.3 | 6.6 | 7.0 | 9.0 | 9.3 | 10.6 | 9.6 | 9.2 | 7.9 |
| 最大值 | 10.0 | 10.7 | 11.8 | 15.7 | 15.4 | 19.9 | 14.7 | 15.0 | 15.0 |
| 平均值 | 7.3 | 8.7 | 8.8 | 12.2 | 12.5 | 16.4 | 12.1 | 11.1 | 10.9 |
图6
图6
1981—2010年黑龙江平均夏季逐旬降水量占比空间分布（单位：%）
（a）6月上旬，（b）6月中旬，（c）6月下旬，（d）7月上旬，（e）7月中旬，（f）7月下旬，（g）8月上旬，（h）8月中旬，（i）8月下旬
Fig.6
Spatial distribution of percentage of average ten-day precipitation to summer precipitation in Heilongjiang Province from 1981 to 2010 （Unit： %）
（a） early June，（b） middle June，（c） late June，（d） early July，（e） middle July，（f） late July，（g） early August，（h） middle August，（i） late August
3.2 不同气候区夏季PCP和PCD变化
图7是1951—2020年黑龙江5个气候区夏季降水集中期和集中度年际变化。可以看出，近70 a黑龙江各气候区夏季PCP和PCD整体上均无显著变化趋势，但存在阶段性变化特征，松嫩平原西部区和东部区尤为明显。松嫩平原西部区夏季PCP在1980年代以前波动下降，而后持续上升，1990年代后处于波动状态；夏季PCD在1970年代中期至1990年代中期偏小，其他时段接近常年。松嫩平原东部区夏季PCP在1950—1970年代偏早，1980—2000年代依次呈现偏晚、偏早、偏晚、偏早的周期变化；夏季PCD在1950—1970年代偏大，1970年代中期至1990年代中期和2000—2010年代中期偏小。
图7
图7
1951—2020年黑龙江不同气候区夏季降水集中期（a）和集中度（b）年际变化
（直虚线为气候平均态）
Fig.7
The inter-annual change of summer PCD （a） and PCD （b） in different climatic regions of Heilongjiang Province from 1951 to 2020
（the straight dotted line for the climatic mean state）
1951—2020年，黑龙江夏季PCP为6月1日至8月17日，不同气候区PCP最早、最晚、平均开始日期不同（表4），最早开始日期最大相差3 d、最晚开始日期相差1 d，平均开始日期最大相差5 d，其中西北区平均开始日期最早为7月13日，依次是松嫩平原西部区、东南半山区、东北区、松嫩平原东部区；松嫩平原东部区夏季PCP年际波动最小，东北区年际波动最大。另外，各气候区一半以上年份夏季PCP出现在7月中旬以后，东北区最多46 a，松嫩平原东部区最少36 a，其中出现在8月的年份东南半山区最多24 a，松嫩平原东部区最少12 a；PCP出现在6月的年份相对较少，西北区和东北区14 a，松嫩平原东部区10 a，东南半山区和松嫩平原西部区分别6 a和8 a（表略）。近70 a来，夏季PCD为24.9~76.1，PCD年际波动较大，且存在区域性差异。其中，平均PCD东南半山区最小且年际波动也最小，松嫩平原西部区最大且年际波动也最大。
表4 1951—2020年黑龙江不同气候区夏季降水集中期和集中度统计
Tab. 4
| 气候区 | PCP | PCD | |||||||
|---|---|---|---|---|---|---|---|---|---|
| 平均 | 最早 | 最晚 | 标准差 | 平均 | 最小 | 最大 | 标准差 | ||
| 西北区 | 7月13日 | 6月3日 | 8月17日 | 21.8 | 39.9 | 24.9 | 64.0 | 8.6 | |
| 松嫩平原西部区 | 7月14日 | 6月3日 | 8月17日 | 19.1 | 43.9 | 26.0 | 76.1 | 9.0 | |
| 东北区 | 7月18日 | 6月1日 | 8月17日 | 23.3 | 40.1 | 25.0 | 64.5 | 7.7 | |
| 松嫩平原东部区 | 7月17日 | 6月3日 | 8月16日 | 18.4 | 39.9 | 26.4 | 62.4 | 8.1 | |
| 东南半山区 | 7月15日 | 6月4日 | 8月17日 | 20.4 | 39.3 | 27.7 | 57.2 | 6.3 | |
3.3 不同气候区夏季PCP和PCD周期特征
为探究黑龙江不同气候区夏季降水集中期和集中度的周期特征，对1951—2020年序列做Morlet小波变换。从小波功率谱（图8）看出，黑龙江各气候区夏季PCP和PCD主要表现为年际尺度振荡，以2.0~4.0 a周期为主，PCP的显著时段西北区在1980年代末以后，松嫩平原西部区在2000年以后，东北区在1980年前后和1990年代以后，松嫩平原东部区在2010年以后，东南半山区则是除1960年代外都显著；PCD的显著时段西北区和东南半山区在2000年以前，松嫩平原西部区在2000年代中期以前，而东北区（松嫩平原东部区）除1990（1980）年代外都显著。此外，松嫩平原西部区PCP在1961—1975年和1990年代还存在显著的7.0 a周期振荡，而PCD则在1965—1975年和1990年代以后还存在显著的5.8 a周期振荡；东北区PCP在1970—1980年代5.8 a的周期振荡也显著。
图8
图8
1951—2020年黑龙江不同气候区夏季降水集中期（a）和集中度（b）小波功率谱
（“U”型黑实线为影响锥曲线，橘色、黑色虚线通过0.05显著性水平的红噪声检验）
Fig.8
Wavelet power spectrums of summer PCP （a） and PCD （b） in different climatic regions of Heilongjiang Province from 1951 to 2020
（The black solid line with the U-shaped is the cone of influence （COI） curve， and the orange and black dashed lines designate the 0.05 significance level against red noise）
3.4 黑龙江夏季PCP和PCD的影响因素
为探析其影响，统计2000年以来黑龙江夏季降水集中期和集中度与前期、同期130个气候指数的相关系数，发现黑龙江夏季PCP和PCD受前期、同期大气环流和海温影响明显，但不同气候指数相关性与显著相关的区域不同。图9给出相对独立且相关性显著的6个指数，其中与夏季PCP显著相关（序列长度20、显著性水平0.05的相关系数临界值为±0.423）的是5月北美区极涡面积指数和850 hPa西太平洋信风指数、8月斯堪的纳维亚遥相关型指数，而与夏季PCD显著相关的是夏季850 hPa中太平洋信风指数、6月北非—北大西洋—北美副高脊线位置指数、7月东部型ENSO指数。
图9
图9
黑龙江夏季降水集中期（a、b、c）和集中度（d、e、f）与显著相关的气候指数的相关系数空间分布
（a）5月北美区极涡面积指数，（b）5月850 hPa西太平洋信风指数，（c）8月斯堪的纳维亚遥相关型指数，（d）夏季850 hPa中太平洋信风指数，（e）6月北非—北大西洋—北美副高脊线位置指数，（f）7月东部型ENSO指数
（蓝、红色圆圈分别表示正、负相关，圆圈直径表示相关系数值，实心圆通过α=0.05的显著性检验）
Fig.9
The spatial distribution of correlation coefficient of summer PCP （a， b， c） and PCD （d， e， f） in Heilongjiang Province with significantly correlative climate indices
（a） North American polar vortex area index in May，（b） western Pacific 850 hPa trade wind index in May，（c） Scandinavia teleconnection pattern index in August，（d） central Pacific 850 hPa trade wind index in summer，（e） North African-North Atlantic-North American subtropical high ridge position index in June，（f） eastern Pacific ENSO index in July
（The blue and red cycles represent positive and negative correlations， respectively， the diameter of cycles represents the value of correlation coefficient， and the solid cycles pass the significance test with 0.05 level）
黑龙江大部分站点夏季PCP与5月北美区极涡面积指数呈正相关，显著正相关的站点绝大部分在西北区[图9（a）]，即当5月北美区极涡面积偏大时，黑龙江西北区降水集中期易偏晚；而与5月850 hPa西太平洋信风指数和8月斯堪的纳维亚遥相关型指数呈负相关，显著负相关的站点前者绝大部分在松嫩平原东部区[图9（b）]，后者则分散在松嫩平原西部区和东北区[图9（c）]，即当5月850 hPa西太平洋信风偏弱时，松嫩平原东部区集中降水易偏晚，而当8月斯堪的纳维亚遥相关型负位相时，黑龙江东北区和松嫩平原西部区集中降水易偏晚。大部分站点夏季PCD与夏季850 hPa中太平洋信风指数呈正相关[图9（d）]，显著正相关的站点大部在松嫩平原西部区，即当夏季850 hPa中太平洋信风偏强时，松嫩平原西部区降水易集中；而与6月北非—北大西洋—北美副高脊线位置指数[图9（e）]和7月东部型ENSO指数[图9（f）]呈负相关，显著负相关的站点前者大部在东北区，后者则分散在各区，即当6月北非—北大西洋—北美副高脊线位置偏南时，黑龙江东北区降水易集中，而当7月东部型ENSO偏弱时，黑龙江西北区、松嫩平原降水易集中。
4 结论
降水时空分布的非均匀性易导致旱涝灾害，在全球气候变暖背景下我国降水时空分布格局变化存在显著差异。黑龙江省是我国农业大省，其夏季降水约占全年65%，旱涝灾害发生频繁，基于夏季降水量日尺度数据，选用对抗旱防涝更有意义的滑动统计方法，探讨黑龙江夏季降水的非均匀性、周期性特征及其与环流、海温的关系。主要结论如下：
（1）黑龙江夏季降水集中期西南部偏早、东北部偏晚，最早是双城（7月6—20日），最晚是佳木斯（8月10—25日）；夏季降水集中度西部大而中北部、西北部和东南边缘小，最小是小兴安岭与三江平原过渡带的汤原，最大是松嫩平原的明水。集中期偏早，集中度易偏大，在强降水早发区夏季降水易前期偏多、后期偏少。
（2）黑龙江不同气候区夏季降水集中期平均开始日期不同，西北区最早（7月13日），依次是松嫩平原西部区（7月14日）、东南半山区（7月15日）、东北区（7月17日）和松嫩平原东部区（7月18日）。不同气候区平均夏季降水集中度也不同，东南半山区最小（39.3），依次是西北区和松嫩平原东部区（39.9）、东北区（40.1）、松嫩平原西部区（43.9）。
（3）1951—2020年，黑龙江夏季降水集中度和集中期无显著变化趋势，且年际尺度的周期振荡明显，以2.0~4.0 a周期为主，但不同气候区周期振荡显著时段存在差异。
（4）黑龙江夏季降水集中度和集中期受前期、同期大气环流和海温影响明显，整体上夏季降水集中期与5月北美区极涡面积指数显著正相关，而与5月850 hPa西太平洋信风指数和8月斯堪的纳维亚遥相关型指数显著负相关；夏季降水集中度与夏季850 hPa中太平洋信风指数显著正相关，而与6月北非—北大西洋—北美副高脊线位置指数、7月东部型ENSO指数显著负相关，但不同气候指数显著相关区域存在差异。
参考文献
中国北方旱区陆地水储量变化特征及其归因分析
[J].
基于重力反演与气候实验(Gravity Recovery and Climate Experiment, GRACE)卫星观测数据分析中国北方旱区近20 a的陆地水储量变化,并结合多种观测和模式数据分析其变化特征和原因。结果表明,2002—2020年中国北方旱区陆地水储量以每年17.80±1.72 Gt的净速率下降。地下水、根区土壤水和表层土壤水均不同程度减少。归因分析发现:在中国北方旱区,地表升温和人为耗水等因素造成蒸散大量增加。蒸散的负向贡献超过同期降水的正向贡献,使得区域净水储量持续减少,区域水资源压力攀升。因此,需要在中国北方旱区采取更有效的节水措施和建立全面的水资源监测系统。
黑龙江省1967年至2007年极端气温与降水综合强度的时空特征分析
[J].利用黑龙江省73个气象站1967年-2007年的逐日气温和降水量资料, 基于极端气候事件综合强度模型方法, 分析了黑龙江省极端气温与降水事件的时空变化特征。研究表明:①极端高温事件综合强度在年代际变化上夏与秋季总体呈增强趋势, 20世纪90年代后增强更为显著。极端低温事件综合强度在年代际变化上春与冬季总体呈明显减弱趋势, 其中冬季减弱趋势较显著;②极端降水事件综合强度在年代际变化上春秋两季呈减弱趋势, 夏冬两季呈增强趋势, 其中秋季减弱较显著, 冬季增强较显著;③极端高温事件综合强度夏秋两季影响较重区域为松嫩平原西部和三江平原地区;极端低温事件综合强度春冬两季影响较重区域为三江平原地区、牡丹江地区北部和哈尔滨地区西北部;④极端降水事件综合强度春秋两季从西到东递增, 夏季中部地区较强, 冬季中部与东部地区较强;四季综合强度影响较重区域为大兴安岭最北端的漠河县、小兴安岭地区、三江平原东部边缘局部区域和牡丹江半山区。
Increasing trend of extreme rain events over India in a warming environment
[J].Against a backdrop of rising global surface temperature, the stability of the Indian monsoon rainfall over the past century has been a puzzle. By using a daily rainfall data set, we show (i) significant rising trends in the frequency and the magnitude of extreme rain events and (ii) a significant decreasing trend in the frequency of moderate events over central India during the monsoon seasons from 1951 to 2000. The seasonal mean rainfall does not show a significant trend, because the contribution from increasing heavy events is offset by decreasing moderate events. A substantial increase in hazards related to heavy rain is expected over central India in the future.
Simple formulae for Julian day numbers and calendar dates
[J].
AR6 Climate Change 2021: the Physical Science Basis
[EB/L]. https://www.ipcc.ch/report/ar6/wg1/#FullReport.
Within-season yield prediction with different nitrogen inputs under rain-fed condition using CERES-Wheat model in the northwest of China
[J].
Sampling errors in the estimation of empirical orthogonal functions
[J].
Monthly precipitation distribution: a comparative index
[J].
How often does it rain?
[J].Daily precipitation data from worldwide stations and gridded analyses and from 18 coupled global climate models are used to evaluate the models' performance in simulating the precipitation frequency, intensity, and the number of rainy days contributing to most (i.e., 67%) of the annual precipitation total. Although the models examined here are able to simulate the land precipitation amount well, most of them are unable to reproduce the spatial patterns of the precipitation frequency and intensity. For light precipitation (1–10 mm day−1), most models overestimate the frequency but produce patterns of the intensity that are in broad agreement with observations. In contrast, for heavy precipitation (>10 mm day−1), most models considerably underestimate the intensity but simulate the frequency relatively well. The average number of rainy days contributing to most of the annual precipitation is a simple index that captures the combined effects of precipitation frequency and intensity on the water supply. The different measures of precipitation characteristics examined in this paper reveal region-to-region differences in the observations and models of relevance for climate variability, water resources, and climate change.
