基于主成分分析与层次聚类的白鹤滩水电站坝区暴雨事件分类研究

《Water》：Principal Component Analysis and Hierarchical Clustering of Heavy-Rainfall Events in the Baihetan Hydropower Station Dam Area

　　

暴雨相关灾害频繁威胁白鹤滩水电站——中国西南部的一个重大水利枢纽，因此需要对降雨事件进行客观表征，以支持坝区的防灾减灾工作。基于2012–2022年坝区11个气象站的小时降水观测数据，本研究开发了一个整合主成分分析（Principal Component Analysis, PCA）与层次聚类（hierarchical clustering）的暴雨特征分析与分类框架。共选取15个特征指标，归入极端性、强度、时间分布和空间分布四个维度。PCA将其降维至6个主成分，解释了总方差的87.49%；随后采用肘部法确定最优聚类数，并通过层次聚类将42次暴雨事件划分为三类相对稳健的类型和一组罕见极端案例组：偏北向中等尺度降水型（占69.05%）、偏南向暴雨型（占14.29%）、偏北向长历时局地降水型（占11.90%）以及异常站点集中型牛眼降水事件（占4.76%，n=2，仅为探索性分析）。后者因样本量极小，未被视为统计上稳定的类型。这四类在主成分空间中可区分，并表现出不同的时空模式；偏南向暴雨事件主要集中在2020–2021年，而两次罕见的牛眼事件分别发生在2015年和2021年，可能与大规模环流异常有关。所提出的分类框架具有良好的适用性和可解释性，为白鹤滩坝区暴雨风险评估和预警指标设计提供了方法论参考。

论文解读：基于主成分分析与层次聚类的白鹤滩水电站坝区暴雨事件分类研究

一、研究背景与问题提出

短历时极端降雨事件是引发山洪的主要诱因，气候变化进一步增加了此类事件的频率和强度。白鹤滩水电站作为中国西南部的重大水利枢纽，近年来频繁遭受暴雨灾害，亟需建立科学的暴雨风险评估体系以提高防灾减灾的精准性与有效性。

尽管已有大量针对金沙江流域降水气候背景、暴雨天气系统以及降水结构非平稳性的研究，但仍存在两个关键空白：一是对金沙江干热河谷复杂地形条件下暴雨类型的定量划分研究匮乏；二是暴雨类型在不同站点网络变化及异常年份下的稳定性尚未得到系统评估。此外，现有研究普遍受限于主观指标选择、灾害导向维度设置不足以及权重方法不一致等问题，且对区域暴雨事件时空连续性的关注不够，常将多核、快速移动的暴雨过程误判为孤立事件。

因此，本研究旨在整合主成分分析与层次聚类方法，构建一个适用于白鹤滩坝区暴雨特征分析与分类的综合框架，为暴雨灾害风险评估和防洪决策提供科学依据与方法论参考。

二、主要技术方法

研究人员采用了以下关键技术方法：

1. 1.
   暴雨事件识别：基于2012–2022年白鹤滩坝区11个地面气象站（站点来源为四川省凉山彝族自治州气象服务中心）的小时降水数据，采用中国气象局2019年发布的《区域性重要过程监测和评价（暴雨）》业务规定中的标准，定义单站日降水量≥50mm为暴雨站日，经去重后获得42次独立暴雨事件。
2. 2.
   特征指标体系构建：从极端性、强度、时间分布和空间分布四个维度，提取了15个暴雨特征标量指标，包括单站最大累积降水量、最大1小时雨强、暴雨站平均降水量、所有站平均降水量、降水持续时间（小时）、峰值时刻、暴雨站数量及其占比、质心经纬度、最大降水站经纬度、质心与最大降水站距离、暴雨集中度和加权方向性等。
3. 3.
   主成分分析（PCA）：对标准化后的15个特征进行PCA降维，依据累计方差贡献率≥85%的准则，提取前6个主成分，保留了原始变量87.49%的信息。
4. 4.
   层次聚类：采用Ward最小方差连接准则和欧氏距离，对6个主成分得分进行凝聚式层次聚类，通过肘部法确定最优聚类数为4，最终将42次暴雨事件分为四类。

三、研究结果

3.1 PCA降维结果

PCA结果显示，前6个主成分累计解释方差达87.49%，满足常用标准。其中，PC1主要反映整体强度和空间范围信息，其最高载荷对应暴雨站数量、暴雨站百分比和所有站平均降水量；PC2表征暴雨的空间位置特征，尤其是纬度方向及其与雨强的关联；PC3描述局地强度和集中程度。后续主成分（PC4–PC6）分别承载了最大1小时雨强、峰值时刻和持续时间等信息。保留6个主成分确保了关键时间和强度变量未被排除。

3.2 聚类结果分析

层次聚类将42次暴雨事件划分为四类：

• •
  偏北向中等尺度降水型（Type 1）：共29次事件（占69.05%），为坝区主导暴雨类型。该类型在主成分空间分布较广，PC2呈明显正偏态，表明降水空间结构具有一致的偏北特征。暴雨中心集中在27.20°N附近，每年均有发生，平均暴雨站降水量范围为50.0–78.3mm，最大单站累积降水量为97mm（2020年9月6日）。
• •
  偏南向暴雨型（Type 2）：共6次事件（占14.29%），PC1高正值而PC2极低负值，指示降水空间格局强烈偏向南方。暴雨中心集中在27.03°N–27.13°N之间，平均纬度约27.08°N，显著低于其他三类，可能关联独特的环流背景或局地地形触发机制。
• •
  偏北向局地长历时型（Type 3）：共5次事件（占11.90%），PC1显著负值，PC6（峰值时刻和持续时间）正分较高，呈现“北部区域、夜间、长历时、高强度”特征。降水峰值高度集中于20:00–24:00，具有强“夜雨”特征，持续时间通常超过6小时。
• •
  异常站点集中型牛眼降水事件（Type 4）：仅2次事件（占4.76%），PC3极高（均值4.42），主要指示局地“牛眼”模式，表现为站点尺度极端降水、高集中度和西向偏好。暴雨站24小时平均降水量高达89.35mm，最大连续6小时累积降水占总量的76.0%–83.9%，但影响范围极为有限，周围站点无明显响应。

3.3 年际与月际分布

暴雨事件无显著线性趋势，主要集中在5–10月。偏北向中等尺度降水型年际波动较大，2014年最多（5次），2018–2019年较少。偏南向暴雨型主要出现在2020–2021年（分别为5次和1次），这一分布模式的显著转变暗示2020–2021年影响本区域的天气系统或水汽条件可能与往年不同。偏北向局地长历时型年际分布不规则。异常站点集中型牛眼事件分别发生于2015年和2021年。

3.4 聚类结果的敏感性分析

为检验空间指标是否受站点网络变化影响，研究人员选取2018–2021年连续运行的6个固定站点子集，对15次事件重新进行PCA和层次聚类。结果显示，两套分类方案的调整兰德指数（Adjusted Rand Index, ARI）为0.46，归一化互信息（Normalized Mutual Information, NMI）为0.62，80.0%的事件保持原有类型。Type 2最为稳健（5/6事件落入同一子集簇），Type 1弱稳健，Type 3和Type 4在缩减站点网络下不稳定，其空间指标应视为探索性结果。

四、讨论与结论总结

讨论部分要点：

本研究识别的四种暴雨类型与金沙江流域的区域降水格局基本一致。偏北向中等尺度降水型作为主导类型代表了流域典型区域暴雨模式，而其余三种较少见类型反映了更局地或极端的生成机制。偏南向暴雨型在2020–2021年的集中出现，与研究报道的2021年初北半球平流层极涡异常和极端冷事件以及河南“7·20”特大暴雨相关的异常副热带高压和暖湿输送在时间上吻合，但因果归因需专门的白鹤滩地区天气学和水汽通量诊断分析。

研究局限性包括：（1）样本量仅42次事件，Type 4仅含2次事件，被视为探索性罕见案例组而非统计稳定类型；（2）对于金沙江干热河谷等复杂地形区域的短历时强降水定量研究仍稀缺；（3）日降水变率和环流异常对暴雨分类边界的影响未系统讨论；（4）本研究为回顾性分类表征分析，未与实测洪水记录、预警提前时间或虚警率进行验证；（5）11站网络虽针对坝区防洪部署，但空间密度有限，未来应整合天气雷达和卫星降水数据。

结论部分翻译：

（1）在保留原始变量87.49%方差的同时，PCA将15个原始暴雨特征降维至6个主成分，有效降低了数据复杂性，同时保留了原始暴雨特征指标体系中的主要信息。

（2）层次聚类将白鹤滩坝区42次暴雨事件分为四类：偏北向中等尺度降水型（69.05%）、偏南向暴雨型（14.29%）、偏北向局地长历时型（11.90%）和异常站点集中型牛眼降水事件（4.76%）。四类在主成分空间中清晰可辨，并展现出不同的空间、强度和持续时间特征。

（3）偏南向暴雨型的质心纬度显著偏南，而偏北向中等尺度降水型聚集在27.20°N附近，表明不同暴雨类型的空间生成机制存在显著差异。偏北向局地长历时暴雨呈现明显的夜雨特征，降水峰值集中在20:00–24:00，持续时间一般超过6小时。相比之下，异常站点集中型牛眼降水事件表现为高强度、短历时的集中降水过程，提示高降水效率，需进一步开展大气水汽分析。

（4）对于2018–2021年的15次事件，PCA和Ward聚类得到ARI=0.46、NMI=0.62。Type 1和Type 2基本得以保留，空间差异并非源于站点网络变化；而Type 3被拆分，Type 4仅保留一次事件，因此其空间指标应谨慎解读。

（5）暴雨类型的年际分布呈现阶段性特征，2020–2021年偏南向暴雨显著增多，可能与北半球大尺度气候异常有关。