题目：Intensification and Changing Spatial Extent of Heavy Rainfall in Urban Areas
期刊：Earth's Future
01 研究背景
预计到2050年，全球68%的人口将生活在城市中，随着城市扩张和形态变化，洪水风险将进一步加剧。城市化不仅改变了下垫面特性，还通过影响小时尺度的降雨强度和亚公里尺度的降雨空间结构，进一步增加了洪涝威胁。然而，目前对于城市化如何具体改变降雨模式及其背后的驱动机制，仍缺乏清晰的理解。
基于此，Sentelles 等人（2024）利用高分辨率天气雷达数据，分析了欧洲和美国8个城市的降雨强度、空间分布及降雨演变模式的变化。该研究通过风暴追踪算法，评估了各城市上风区、中心区和下风区的对流降雨特性差异。此外，还考察了降雨事件的生成和消散变化，以揭示城市化对降雨模式的潜在影响。
02 研究数据与方法
2.1 研究数据
本研究采用天气雷达数据及城市热岛效应（UHI）和城市干岛效应（UDI）数据，分析了2015至2021年，欧洲和美国8个城市夏季（5月至9月/10月）的降雨特征。欧洲数据集基于C波段雷达网络，具有1公里空间分辨率和5分钟时间分辨率，数据来源包括瑞士MeteoSwiss的第四代天气雷达、德国DWD的RADKLIM数据集和英国Met Office的NIMROD产品。美国数据集则利用美国国家环境预报中心（NCEP）的MRMS降雨率产品，采用S波段雷达，空间分辨率为1公里，时间分辨率为2分钟，且通过数值天气预报模型进行校正。为了确保数据质量，研究设定雷达覆盖范围为距离城市中心不超过6公里，以避免“静音区”效应的影响。为进一步对比雷达数据，本研究还计算了各城市的UHI和UDI昼夜变化模式，气候数据来自于城市中心及周围农村地区的气象站，涵盖了气温、露点温度和相对湿度的每小时观测数据。
2.2 城市边界的划定
本研究采用了不同地区现有的城市边界划定标准。对于美国城市，使用了2020年美国人口普查局基于住房单元密度和人口标准划定的城市边界；对于其他城市，则采用了Eurostat（2020）提供的地方行政单元边界。为确保边界的准确性，所有城市边界均与局部气候区（LCZ）进行了对比（图1）。
图1: 研究区域及其局部气候区（LCZ）的地图，采用相同的比例尺。
2.3 基于风暴追踪算法的降雨轨迹识别
本研究采用Moseley等人（2019）开发的风暴追踪算法，分析降雨事件的时空演变特征。该算法通过相似性标准，识别连续两个时间步内的降雨簇，并计算它们之间的移动向量。算法识别降雨强度超过10 mm/h且覆盖面积大于9 km²的连接网格点。重叠的降雨网格对象会被合并成轨迹，并计算平均平流速度场来优化轨迹识别过程。研究根据降雨簇质心的位置，定义了上风区和下风区（图2）。若降雨簇质心位于城市中心之前，则归类为上风区，反之则为下风区。
图2: 米兰市风暴轨迹示例及上风区和下风区的定义。图中展示了两个时间点的雷达降雨场，标示了轨迹上降雨簇的质心位置。轨迹的平均移动方向用黑箭表示，垂直箭头的向量定义了上风区和下风区，二者由虚线分隔。城市中心到降雨簇的径向距离（公里）用灰色线条标示。图（a）展示了10公里宽的区域，上风区（蓝色）和下风区（绿色）为阴影区域。图（b）展示了20公里宽的区域，三个城市区域和上风控制区用红色阴影标示。
2.4 降雨单元特性变化的评估
本研究通过计算每个降雨簇相对于城市中心的径向距离，分析了上风区和下风区内降雨单元的特性变化。研究从追踪算法识别的轨迹中提取了降雨单元的多个属性，包括平均强度、最大强度和面积，并采用由Ghanghas等（2023）提出的空间均匀性（SH）指标来定量评估降雨场的空间结构。SH指标用于衡量降雨场的均匀性，计算步骤如下：
其中 P0代表窗口内的最大强度值，P288代表窗口内的最小强度值。SH值接近0表示降雨场更具局部性和对流性，接近1则表示降雨场更为均匀和层状。为计算SH指标，首先将每个降雨对象的强度场围绕其加权质心对齐到17×17网格窗口内，然后对强度值按降序排序并进行累积归一化处理。
本研究将降雨簇按径向距离划分为10公里宽的区域，比较不同区域内降雨单元的属性分布。降雨簇分为四个较大区域：一个上风控制区（40-60公里）和三个城市区域，其中一个位于城市中心，另外两个分别位于距城市中心10-30公里的上风区和下风区。研究通过计算控制区与各城市区域之间属性的最大中位数变化，并使用非参数置换检验评估变化的统计显著性及其置信区间。
2.5 城市化对降雨事件演变模式的影响
本研究通过比较控制区和城市区内不同生命周期事件（如发生、终止、分裂和合并）的频率，探讨了城市化对降雨事件演变的影响。首先，研究计算了每个区域内降雨轨迹的总发生次数，并根据区域面积进行归一化，以消除面积差异对降雨事件数量的影响。对于其他生命周期事件，研究将事件发生次数标准化为每个区域内降雨对象的总次数，以排除降雨对象数量变化对事件频率的影响。随后，使用置换检验比较了不同区域内各类生命周期事件的频率差异。此外，为评估控制区与城市中心区在不同时间段的降雨事件频率差异，研究将数据按5小时滑动时间窗口分组，并应用相同的归一化和置换检验方法进行分析。
03 主要发现
3.1 降雨区域平均强度的变化
与城市上风区域（40-70 公里）相比，靠近城市区的降雨均值和中位数有所增加，且最大增幅出现在城市中心上方（图 3）。各城市中位数降雨量从上风区（距城市中心 35-75 公里）向城市区（距城市中心 15 公里以内）增加的幅度依次为：米兰增加 4%、印第安纳波利斯 5%、亚特兰大和柏林 8%、夏洛特 9%、伯明翰和伦敦 10%，以及菲尼克斯 15%。
图3: 箱线图展示了距离城市中心不同距离的降雨簇区域平均强度分布情况。上风（下风）方向的距离为负（正）值，分别用蓝色（绿色）表示。箱体的中心线表示中位数，上（下）边界表示第25百分位（第75百分位）。每个分布的平均值用黑色三角形标记。每个城市的范围（平均直径）用红色线段表示。
除米兰外，所有城市的降雨强度变化均具有统计显著性。大城市表现出更强的降雨增强效应。例如，面积小于1,000 km²的三个城市降雨强度增加了0.9%–3.4%；而面积超过2,000 km²的三个大城市则增加了5.2%–11%。降雨增强效应与城市规模的关系较人口规模更为密切（图4）。尽管降雨效应的大小和方向存在差异，但城市规模与降雨强度增强之间仍呈显著正相关（图3）。
图4: 控制区到三个城市区间的平均降雨强度最大中位数增幅，揭示了最大中位数变化与城市规模之间的关系。散点的颜色表示上风区的平均降雨强度，大小表示人口（P），红色边框表示中位数变化在统计上显著（p < 0.05）。误差条显示中位数差异的5%–95%置信区间。
3.2 昼夜增强模式
降雨增强效应在不同时间段有显著变化（图5）。与日均强度变化相比（图4），小时尺度下的降雨增强幅度更为显著。此外，一些城市仅在特定时段出现显著变化，且不同时间段可能呈现相反效应。例如，米兰的降雨强度增强主要集中在下午，变化幅度为5%至15%；伯明翰则在夜间时段表现出增强效应，范围为5%至11%。柏林和伦敦则在不同时间段出现相反效应：柏林在傍晚至午夜及清晨时段降雨增强（4%–7%），而早晨降雨减弱（5%–10%）；伦敦在下午至夜间降雨增强（5%–10%），但在夜间降雨减弱（7%–14%）。
图5: 控制区与城市区之间降雨簇平均强度中位数变化的昼夜周期。中位数差异通过5小时滑动窗口计算得到。阴影区域表示中位数差异的5%–95%置信区间。点表示特定时间段的中位数变化在统计上显著（p < 0.05）。
3.3 降雨空间结构的变化
与控制区相比，城市区的SH指数中位数分别下降了18%和12%，降雨簇面积减少了11%（图6）。整体来看，大部分城市的降雨空间异质性有所增加，而降雨簇面积则减少或保持不变。然而，柏林和夏洛特则呈现出相反趋势，其降雨均匀性和降雨簇面积均有所增加。研究结果未发现城市特征（如城市规模和人口规模）与城市对降雨空间结构影响之间存在明显关联。
图6: 根据城市规模绘制的从控制区到城市区降雨簇空间异质性（SH指数）最大中位数变化。SH的增加（减少）表示降雨异质性的减少（增加）。散点的颜色表示乡村到城市区域降雨簇面积的中位数变化，散点的大小表示城市人口（P）。红色轮廓表示中位数降雨簇SH变化具有统计学显著性（p < 0.05）。实线（虚线）轮廓表示降雨簇中位数面积变化在统计上显著（不显著）。
3.4 降雨事件的生命周期
控制区和城市区的轨迹发生频率均呈现昼夜变化模式，夜间次数最少，傍晚最多（图7）。与全天平均值相比，控制区和城市区在不同时段的轨迹发生频率差异有所不同（图8）。其中，伦敦和亚特兰大在下午至晚间时段的差异最显著，增幅约为85%；伯明翰、印第安纳波利斯和夏洛特的最大增幅（42%至126%）出现在傍晚至晚间时段；而米兰的最大增幅（54%）则发生在夜间。
图7: 控制区和城市区降雨轨迹发生频率的昼夜变化周期。使用5小时滑动窗口进行移动平均计算。每个区间的发生次数按区域面积进行标准化处理。背景填充颜色表示每小时的标准化城市热岛效应（UHI）均值。
当使用相对湿度（RH）数据计算UHI时，其昼夜变化模式与UDI相似（图8）。然而，使用露点温度（TD）计算UDI时，城市的最大湿度赤字出现在下午至傍晚，而非夜间。控制区与城市区的轨迹发生差异峰值并未出现在UHI高峰时段或乡村与城市相对湿度差异最大时（图7）。对于亚特兰大、夏洛特和印第安纳波利斯，最大轨迹发生差异出现在湿度赤字最大时段，而伦敦则在城市湿岛效应最弱的时段出现了最大差异。
图8: 控制区与城市区轨迹发生频率差异的昼夜变化周期。通过5小时滑动窗口进行移动平均计算。阴影区域表示差异的5%–95%置信区间。图中的点表示特定时间段的差异具有统计显著性（p < 0.05）。背景填充颜色表示每小时均值标准化的城市热岛效应（UHI）值。
04 主要结论
本研究利用高分辨率气象雷达数据，对八个具有不同地理特征和气候类型的城市区域进行了气候学分析，探讨城市地区夏季强降雨（对流型降雨）的时空变化特征。研究通过风暴追踪算法跟踪降雨事件，识别城市对降雨特性的影响。结果显示，城市及其周边区域的降雨强度普遍较高，且这一效应随城市规模增大而增强，即城市越大，降雨强度越强。城市降雨的空间结构趋于更加不均匀，降雨表现出更显著的局部性和空间集聚性。此外，城市区域内强降雨事件的发生频次也较高，尤其集中在下午至晚间时段。研究表明，随着城市化进程的加快，夏季强降雨的变化趋势将显著加剧，大城市的洪水风险可能会超出预期。
05 引发思考
降雨空间结构的变化，尤其是由均匀降雨向局部集中的转变，可能对城市水资源管理和排水系统设计提出新的挑战。因此，有必要深入研究不同城市特征如何影响降雨的空间分布，并探索更高适应性的城市规划策略和气候适应计划，以减轻极端降雨带来的潜在不利影响。
编者注
以上总结仅代表个人对论文的理解，仅供研究参考所用，不用于商业用途。若上述理解内容有误，请以论文原文为主。
原文出处
Torelló‐Sentelles, H., Marra, F., Koukoula, M., Villarini, G., & Peleg, N. (2024). Intensification and Changing Spatial Extent of Heavy Rainfall in Urban Areas. Earth’s Future, 12(9), e2024EF004505. https://doi.org/10.1029/2024EF004505.
参考文献
Census Bureau. (2022). 2020 Census qualifying urban areas and final criteria clarifications [Dataset].https://www.federalregister.gov/documents/2022/12/29/2022-28286/2020-census-qualifying-urban-areas-and-final-criteria-clarifications.
Ghanghas, A., Sharma, A., Dey, S., & Merwade, V. (2023). How is spatial homogeneity in precipitation extremes changing globally? Geophysical Research Letters, 50(16), e2023GL103233. https://doi.org/10.1029/2023GL103233.
Moseley, C., Henneberg, O., & Haerter, J. O. (2019). A statistical model for isolated convective precipitation events. Journal of Advances in Modeling Earth Systems, 11(1), 360–375. https://doi.org/10.1029/2018MS001383.
文字来源：谷天顺
图片来源：https://agupubs.onlinelibrary.wiley.com
编辑：谷天顺
审核：谷天顺 马轶杨
