《Journal of Hydrology: Regional Studies》：An enhanced method for rainfall pattern recognition and its asymmetrical change in Guangdong-Hong Kong-Macao Greater Bay Area (GBA)
编辑推荐：
研究人员提出了一种用于粤港澳大湾区（Guangdong-Hong Kong-Macao Greater Bay Area, GBA）降雨模式（rainfall pattern, RP）识别及其非对称变化的增强方法。持续时间自适应识别（duration-adap
研究人员提出了一种用于粤港澳大湾区（Guangdong-Hong Kong-Macao Greater Bay Area, GBA）降雨模式（rainfall pattern, RP）识别及其非对称变化的增强方法。持续时间自适应识别（duration-adaptive recognition）提高了在不同事件持续时间下的稳定性；非对称变化在 Mode I 中尤为明显，而其他降雨模式保持相对稳定；识别点数量（identification-point number）与事件持续时间之间的不匹配降低了可靠性。
研究背景与问题：气候变化已增加降雨事件频率和强度，并放大洪水、滑坡、泥石流和城市内涝等水文气象灾害风险；降雨时间结构影响产流、洪峰时间和洪水严重性。已有研究表明降雨变化常非均匀，亚日尺度极端降雨频率和强度增加，但洪水响应还依赖事件历时、降雨集中度、时序及多种致洪机制。多数研究按历时或强度分类，长期降雨变化是否在不同降雨模式（RP）间存在系统差异仍不清楚。可靠识别降雨模式是前提。现有方法分数据驱动分类与模板分类；模板法跨区域适应性强，但存在两个问题：混合或模糊事件难以稳健归入单一典型模式；模板匹配对分类分辨率敏感，识别点数与事件历时（event duration）不匹配会扭曲事件内结构，降低稳健性。粤港澳大湾区（GBA）是人口密集、高度城市化沿海季风区，常受强降雨和洪水相关灾害影响，其 1971–2020 年小时观测为事件尺度分析提供条件。研究目的为：开发持续时间自适应降雨模式识别框架；从降雨模式视角检验非对称变化；评估分类对关键方法设置的敏感性。
研究人员开展的研究、结论与意义：研究人员基于 GBA 1971–2020 年小时降雨记录，对独立降雨事件进行模式识别，并分析雨量、历时、峰值和降水集中指数（precipitation concentration index, PCI）的时空变化。结论是：持续时间自适应框架提高不同历时下 RP 识别稳定性；非对称变化主要集中在 Mode I；识别点数量与事件历时错配会降低可靠性。其意义在于为 GBA 降雨变异、致洪降雨和气候适应研究提供更可靠基础。
关键技术方法（≤250字）：使用 GBA 23 个气象站 1971–2020 年小时降雨数据。以最小事件间隔（minimum inter-event time, MIT）6 h、干期小时雨量<0.1 mm、历时>3 h、最大小时雨量>20 mm 且剔除峰值后平均小时雨量≥1 mm 识别独立事件。核心为基于模糊模板匹配（fuzzy template matching）的持续时间自适应（duration-adaptive）RP 识别：用移动窗口选三个最接近事件原历时的识别点数 n 投票，若三者分配不同则排除不稳定事件。计算雨量、历时、峰值与 PCI，并用 Sen 斜率、反距离权重（inverse distance weighting, IDW）插值、质心位移、Mantel 检验（Mantel test）、纬度面积变化、组变化计数（Group Change Counts, GCC）、长度差（length difference, LD）、五种分类方案（M1–M5）和分层自助法（stratified bootstrap）评估敏感性。
研究结果：
3.1 分类结果对识别点数量的敏感性：研究人员用 10–200 固定 n 重复分类 8670 个事件。n 增大时 Mode III 明显减少，Modes V–VII 增加，Modes I 和 IV 相对稳定。GCC 显示稳定性随事件历时增加而下降，72–144 h 最不稳定。LD 分析显示 n 小于事件历时（LD 负）时与历时匹配参考的一致性急剧下降；n 大于事件历时（LD 正）时下降较缓。结论是识别对识别点数与事件历时不匹配敏感，识别点数少于历时引入最强不稳定。
3.2 分类方法比较与稳健性：比较 M1（n=12）、M2（n=100）、M3（n=10–100 投票）、M4（滑动窗口步长 1）、M5（滑动窗口步长 10，本研究框架）。Mode I 比例约 36% 高度一致；M1 偏差最大，Mode III 偏高、Modes V–VII 偏低；M2 与 M3 更相似，M4 与 M5 差异有限。8670 个事件中 6833 个在五方法中分配相同；M1 与其余方法差异最大。趋势估计中 M1 偏差最大，有时方向相反，尤其 Modes IV–VII。Bootstrap 显示 M1 不确定性最大，M3 对部分特征不稳定，M4 和 M5 更稳健。
3.3 不同降雨模式的分布特征：总体单峰模式占主导，Mode I 占 36.12%，Mode III 占 25.20%，Mode II 占 16.25%；双峰较少，Mode VI 占 7.55%，Mode VII 占 2.42%，另有 21 个事件归为 NULL，占 0.24%。站尺度上单峰主导但空间变化：GBA 南部 Mode I 与 Mode III 差距缩小、Mode II 较高；多数站 Mode VI 为最常见双峰，南部沿海若干站 Mode IV 超过 Mode VI。分位数分析显示低分位 Mode IV 和 VII 雨量较高，第 99 分位 Mode III 最高；低分位 Mode VII 历时较长，上尾 Mode II 最高，Mode IV 中高历时较大。峰值和 PCI 在低分位差异较小，高分位单峰通常高于均匀和双峰；Mode I 雨量和历时较低但峰值和 PCI 高，呈短而集中结构，Mode III 上端雨量最高。
3.4 降雨模式与降雨特征的时间变化：全事件分位趋势显示雨量、历时和 PCI 跨分位非对称，低分位负或近零，高分位正；峰值多数为正且向高分位增大。模式特定分析显示，Mode I 的雨量和峰值由低分位弱负或近零转为高分位正，历时和 PCI 增加趋势向高上尾增强；Modes II 和 III 分位依赖较小，雨量和峰值下降趋势向上尾减弱；Mode IV 雨量和峰值较稳定，历时和 PCI 呈适度非对称；双峰模式变化较弱且不连贯。结论是最强非对称集中在单峰模式，尤其 Mode I。
3.5 降雨特征的空间变化：第 10 与第 99 分位的空间分布显示雨量和峰值空间型相似，东部和沿海较高；历时和 PCI 差异明显，历时第 10 分位偏东北，第 99 分位东移，PCI 第 10 分位偏西北，第 99 分位偏南。纬度面积变化表明，第 10 分位雨量、历时和 PCI 净减少，中纬 22.5°N–23.5°N 最明显；峰值混合，中高纬净减、南缘局部增。第 50 分位雨量、历时和峰值增加超过减少，PCI 混合但增益大。第 99 分位四特征多数纬度面积增加，仅峰值和 PCI 在南部 21.5°N–22.5°N 附近有限减少。质心位移中位数近零，无持续方向漂移；雨量和峰值从第 10 到第 99 分位离散扩大，历时和 PCI 低分位位移范围更宽；位移距离对雨量和峰值随分位增加，对历时和 PCI 下降。方向类总体平衡，雨量和峰值上分位东北、东南成分更频繁。模式特定分析显示单峰位移范围更大、分位依赖更强，双峰较弱；经向变率大于纬向，Mode I 低分位历时位移最大。相似性分析显示雨量与历时正相关最强，纬度方向更强；PCI 与雨量和历时负相关；峰值关系弱且可变。特征轨迹与模式特定轨迹的 Mantel 关联稀疏，特征间空间协同更强。
讨论总结与结论翻译：讨论指出，持续时间自适应识别必要，因为固定 n 对长短事件施加不同有效时间分辨率，n 小于历时会压缩结构，n 远大于历时会过分割；识别点与历时不匹配是结构性不确定性来源。持续时间自适应框架提高模式分配和趋势估计稳健性，但模板分析仍可视为尺度匹配问题。GBA 的非对称变化并非所有模式共享，Mode I 最清晰，表现为事件结构再分配而非简单全面增强；模式依赖变化具有水文学意义，因降雨模式影响径流和洪水。空间上雨量和峰值上分位质心位移更广，历时和 PCI 低分位更可变，应理解为时空重构。局限包括站点观测和年插值面不能完全解析精细风暴结构或中尺度对流组织，预定义模板可能不能捕捉混合事件，且未直接归因物理驱动；未来应整合高分辨率数据、过程归因和水文–水动力模拟。结论部分翻译：本研究开发了持续时间自适应降雨模式识别框架，以减少识别点数量与事件历时之间的不匹配。利用 GBA 1971–2020 年小时降雨观测，研究人员分类独立降雨事件并检验不同降雨模式下降雨特征的时空变化。结果表明，降雨模式识别对识别点数量敏感，识别点数小于事件历时导致更强不稳定；与固定 n 方案相比，持续时间自适应框架给出更稳定的模式分配和更稳健的趋势估计。分类事件中单峰模式占主导，Mode I 最频繁。模式间差异具有分位依赖：均匀和双峰模式在低分位雨量和历时较大，单峰模式在上尾峰值和集中度更突出。时间变化也强烈依赖模式，雨量、历时和 PCI 跨分位非对称，低分位减弱、高分位增强，而峰值在多数分布中增加；该非对称在 Mode I 最强，在双峰模式弱得多。空间上雨量和峰值高分位质心位移更广，历时和 PCI 低分位更可变；雨量与历时正空间协同，PCI 与二者负关联。仍有限制，站点插值和预定义模板不能完全解析精细风暴结构或混合模式，模式依赖变化的物理驱动未明确归因；未来应整合更高分辨率降水数据、过程归因和水文–水动力模拟。总体而言，降雨模式识别不只是技术预处理，而是影响长期降雨变化解释的重要不确定性来源；GBA 非对称变化并非均匀，而受降雨模式强烈制约。基于降雨模式的框架可补充传统历时或强度分析，为随机降雨生成、致洪风暴诊断和城市洪水风险评估提供更可辩护基础。
