综述：气候变化下干旱地区的降雨极端事件分析：方法与途径的系统性综述 阿姆尔·穆罕默德·阿卜杜勒卡莱克（Amr Mohamed Abdelkhalek）、 艾曼·乔治·阿瓦达拉（Ayman Georges Awadallah）和 纳比尔·艾哈迈德·阿瓦达拉（Nabil Ahmed Awadallah）

《Climate》：Rainfall Extremes Analysis in Arid Regions Under Climate Change: A Structured Review of Methods and Approaches Amr Mohamed Abdelkhalek, Ayman Georges Awadallah and Nabil Ahmed Awadallah

　　摘要：气候变化对降雨极端事件的影响在许多气候区域变得越来越明显，包括干旱地区，这些地区的极端降水事件被认为有所增加或至少加剧。气候变化由全球因素驱动，如温室气体排放、森林砍伐和工业化，增加了水文变异性，使得传统的静态模型无法准确估计不同重现期的极端降雨量。极端值分析传统上是在假设时间上统计特性恒定的情况下得出的，通常不考虑时间变异性或外部气候驱动因素（例如温度或大尺度气候指数），因此在气候变化条件下可能导致降雨分位数的估计不准确。本文对量化气候变化对极端降雨事件影响的应用方法进行了系统回顾，特别关注了干旱地区如何处理非平稳性问题，这是以往综述论文中较少关注的内容。文章回顾了相关的统计技术、极端值理论、机器学习模型和高分辨率气候模拟。从最初的340多项研究中，根据其与干旱地区气候变化引起的降雨极端事件的相关性，选出了91项进行研究。基于这些研究，分析显示在静态框架内，人们严重依赖降尺度全球气候模型（GCMs）和区域气候模型（RCMs）的趋势分析，并且在非平稳频率分析中很少整合除时间以外的其他协变量来估计与气候变化相关的值。本文指出了科学文献中关于干旱地区极端降雨影响评估的研究空白，强调了采用更稳健的混合方法、使用更适合干旱条件的统计分布、仔细处理异常值、进行区域分析以更好地理解该地区的气候行为、通过纳入额外的气候协变量来考虑对短时降雨的影响以及气候变化对次日降雨模式的影响的必要性。

1. 引言
近几十年来，气象变量如降水和温度极端事件的发生频率和强度都有所增加[1]。与过去几十年相比，当前数据显示出更大的变异性和偏离长期气候平均值的程度[2]。例如，过去一个世纪全球平均表面温度上升了约1°C，而某些地区的升温幅度甚至超过了这一平均水平。例如，沙特阿拉伯的平均温度上升速度几乎是全球平均水平的三倍，现在记录到的热浪强度也高于以往[3,4]。此外，最近的研究表明，全球变暖正在改变气候极端事件，使得历史降雨统计数据不再可靠，需要使用非平稳方法[4,5,6]。这种温度上升趋势直接预示着更强烈和更频繁的降水极端事件。参考文献[7,8]估计，全球温度每上升1°C，降水强度可能增加约7%，这突显了变暖与降水极端事件之间的强烈关联。许多最新研究表明，21世纪许多地区的极端降雨事件的频率和强度预计将发生显著变化，这对脆弱地区的水文规划和基础设施设计构成了重大挑战[6,9,10]。最新证据[11,12]进一步证实了降雨极端事件的增加趋势，同时指出静态模型在捕捉未来极端事件方面存在明显局限性。因此，量化气候变化对降雨极端事件的影响需要采用非平稳假设来考虑气候变异性[14]。

许多研究已经探讨了气候变化背后的主要驱动因素和协变量。这些驱动因素包括人类活动，特别是温室气体和气溶胶排放，它们改变了主导的气候动态（如厄尔尼诺-南方涛动（ENSO）并与自然太阳辐射变化或火山爆发相互作用[13,14]。此外，土地利用变化、快速城市化、城市热岛效应、森林砍伐和集约化农业显著改变了水文响应，加剧了气候影响，进一步复杂化了适应策略并放大了脆弱性[15,16]。受这些气候变化影响最严重的地区是干旱和半干旱地带，这些地区占地球陆地表面的近45%[15,17]。这些广阔的区域通常年降水量非常低（干旱地区少于200毫米，半干旱地区在200至500毫米之间），并且温度持续较高，导致高潜在蒸发量[18,19]。此外，干旱和半干旱地区降雨的高度空间和时间变异性，表现为短时强降水事件和不规则的空间-时间模式，限制了为湿润环境开发的方法的应用，并影响了干旱和半干旱地区的气候变化评估。基于湿润地区的方法往往无法检测到局部过程和非平稳行为，可能导致结果不准确或具有误导性[20,21,22]。

虽然一些研究确实提供了综述贡献，但它们对方法论的覆盖范围相对有限，对关键问题的评估也不全面。例如，参考文献[23,24]仅回顾了动态降尺度和允许对流模型的技术能力，而没有将其完全整合到概率频率分析中。参考文献[25]讨论了1951年至2020年间开发的全球范围内的静态和非静态IDF模型，但没有考虑气候模型的输出。参考文献[26]回顾了由于气候变化而更新IDF的方法，强调了这些方法如何纳入与气候模型、统计降尺度技术、数据时间分辨率、理论分布选择等相关的不确定性。

大多数关于气候变化对降雨极端影响的相关科学文献集中在湿润或温带地区，包括北美[27]、欧洲[28]或季风主导的地区，如中国南部[29]和印度[25]。这些文献缺乏对干旱地区特定过程的综合分析。实际上，近年来发表的许多与干旱地区相关的研究在方法和考虑的方面存在差异，且未能关注干旱地区的降雨特征，如高变异性和局部对流极端事件，这些在粗分辨率的全球气候模型（GCMs）中往往未能得到解决。我们还注意到，关于干旱地区气候变化影响的综述论文数量非常有限。这些综述论文要么只关注一个国家（例如卡塔尔或沙特阿拉伯），未能涵盖全球干旱地区的变化；要么依赖单一研究数据库（例如Scopus），缺乏全面的覆盖[22]。这些不足表明，以往关注干旱和半干旱地区的综述忽视了一些有效方面，或者没有在综合框架内提供全面的评估。这些空白表明需要更多全球性、结构化、全面且以气候区域为重点的研究。

2. 综述方法
本研究采用的综述方法旨在评估干旱地区气候变化对降雨极端事件影响的相关研究。所回顾的91项研究分布在19个有干旱地区的国家。图1展示了综述过程的示意图以及选择出版物的标准。在第一阶段，通过全面搜索，确定了340篇作为初始样本的文章。在此阶段，使用了Web of Science、Scopus和Science Direct数据库来收集这些作品。搜索字符串中使用了与气候变化、降雨极端事件、频率分析和干旱地区相关的关键词，并使用了布尔运算符（AND、OR）。搜索字符串的替代词包括：“气候变化”或“全球变化” AND (“降雨极端事件”或“降水极端事件”) AND (“频率分析”或“非平稳”或“极端值分析”) AND (“干旱地区”或“半干旱地区”)。根据数据库特定的搜索界面进行了少量语法修改，同时保持了概念一致性。

在收集所有重叠作品后，进行了相关性检查，以排除标题和摘要不相关的出版物。基于此，排除了166篇文章，剩余记录数量减少到231篇。随后进行了资格验证，又排除了57篇文章，因为它们的方法不合适、缺乏对干旱地区的关注或输出与主题无关。在第三阶段，对剩余的文章进行了全文审查。最终从117篇文章中选出了91篇，因为它们与气候变化下的降雨极端事件直接相关，适用于干旱和半干旱地区，并且采用了明确且可比较的方法论。在最后阶段，系统地审查了这91篇文章（见附录A中的表A1），以提取关键发现并识别主要的研究空白。

图2显示了基于干旱指数的全球干旱地区分布，干旱指数定义为年平均降水量与年平均潜在蒸发量的比率。气候区域被分为湿润（干旱指数>0.65）、干燥半湿润（0.5–0.65）、半干旱（0.2–0.5）、干旱（0.05–0.2）和超干旱（<0.05）[30]。本研究仅关注干旱和超干旱地区，因为它们的水文和气象行为对气候变化评估有显著影响。地图显示了主要的干旱区域，包括北非、中东延伸至伊朗、美国西部、中亚部分地区和澳大利亚。科学文献从多个方面进行了分析，包括研究区域、非平稳参数的应用、采用的协变量、频率分析、IDF生成、使用的气候模型和调查的气候情景、降尺度技术、气候数据的时间分辨率以及其他报告的方法和发现。这一框架为全面综述提供了清晰的计划，明确了与干旱地区未来降雨极端事件气候变化影响相关的方法和考虑的方面。

3. 文献综述发现
附录A中的表A1总结了91项研究，这些研究是本次综述的重点，系统地考虑了所有关键要素，包括应用的气候模型（例如GCMs和RCMs）、频率分析中非平稳性的纳入、降雨输出的时间分辨率（例如每日、每月或每年），以及除了应用的时间分解技术之外还包括的气候相关协变量。这种结构化和全面的评估使得研究之间的比较更加一致，突出了当前趋势、发现、方法论限制以及干旱地区气候变化影响评估方法中的空白。

全球范围内普遍认为，在气候变化的影响下，降雨极端分位数预计将增加[31,32]。这种增加将显著影响降水极端的强度和频率[33]。因此，需要付出更多努力来开发反映这些变化的更新后的IDF曲线，确保其适用于设计目的[34]。然而，在许多国家，这些更新尚未得到解决，国家指南应不断修订以纳入与气候变化驱动的变异性相关的新发现[26]，以及未来时空降雨变异性的影响[35]。由于研究有限、数据稀缺和不可靠性，这些挑战更加复杂。

根据图3a所示的空间分布，全球对干旱和半干旱地区气候变化对降雨极端事件影响的兴趣集中在少数几个地理区域。澳大利亚记录的贡献最多，超过20篇，反映了其在量化干旱和极端降雨脆弱性方面的研究议程。此外，美国（如亚利桑那州和德克萨斯州）和伊朗的干旱地区也有超过10项关于极端降雨的气候变化影响研究。其他研究活动类似的地区包括西班牙、沙特阿拉伯、中国北部和北非，每个地区都有4到10项研究。全球分布模式还表明，数据可用性和机构优先事项可能会影响研究数量，这强调了加强代表性不足的干旱地区研究能力的必要性。

图3. (a) 综述研究的分布；(b) 每年的研究数量。图3b显示了与干旱地区极端降雨气候影响相关的研究数量随时间的指数级增长。2020年之前，干旱地区的研究平均每年大约有四项，而在最近的一个时期，这一数字增加了一倍，达到每年约八项。大约50%的研究是在2021年之后发表的，这表明过去五年的研究活动有了明显且实质性的增长。附录B中的图A1提供了对所审查文献的全面文献计量学概述，结合了多个分析维度来突出研究兴趣。关键词分析（图A1a）显示了主导的主题群集以及气候变化与极端降雨之间的强烈关联。趋势主题的时间分析（图A1b）表明，近年来对非平稳分析、气候模型集成和降尺度技术的关注度有所增加。此外，顶级出版期刊的频率分布（图A1c）表明，少数高影响力期刊在该领域的研究传播中占据主导地位。最后，图A1d展示了这些期刊之间的引用网络，反映了塑造当前研究方向的主要来源。

3.2 统计和频率分析方法
降雨频率分析为预测设计降雨量和开发IDF曲线提供了基础。在关于气候变化对极端降雨影响的审查研究中，广义极值（GEV）分布是年度最大值序列（AMS）方法中最常用的模型。实际上，世界气象组织（WMO）将GEV视为理论标准，因为其位置、尺度和形状参数可以用来显示不同的尾部行为。这使得将Gumbel、Fréchet和Weibull家族结合到一个框架中成为可能[29]。这种灵活性使其特别适合模拟各种水文极端事件。然而，一个关键的局限性在于形状参数的估计，它对样本大小非常敏感，并且在短记录中往往不稳定，导致回报水平估计不现实或高度不确定[36]。还应该注意的是，许多降雨频率分析的研究论文（即使与气候变化影响评估没有直接关系）使用了不同的统计分布，如Gamma/Pearson家族和对数正态分布[37,38,39,40,41]。
参数估计方法包括L-矩和概率加权矩（PWM），由于其稳健性、减少的偏差以及对降雨数据序列小样本量的更好性能而受到广泛青睐[42]。相比之下，最大似然估计（MLE）虽然在理论上对大样本有效，但在应用于有限数据序列时常常会导致不稳定和收敛问题，有时会产生不现实的设计降雨深度[9]。为了选择合适的模型，通常会应用拟合优度检验，如Kolmogorov–Smirnov（K–S）和Anderson–Darling（A–D）检验，后者对分布尾部的差异特别敏感，因此更适合极值分析[43,44]。一般来说，选择最佳统计分布需要专家意见，特别是在以其重尾分布而闻名的干旱地区。这表明使用适当的统计分布以及区域参数估计对于提供准确的降雨深度估计，从而进行经济和安全的雨水工程设计至关重要。

3.3 非平稳建模方法
由于气候变化条件的变化，非平稳降雨频率分析已成为近年来水文学研究的关键要求，因为这些变化违反了平稳性的假设[45]。这些方法允许统计分布的参数（如广义极值分布（GEV）或GAMLSS框架）根据某些协变量（如时间或其他物理意义上的协变量，如温度和大规模气候指数（例如ENSO、PDO））而变化[9,46,47,48]。最近的证据表明，平稳模型低估了极端降雨（可能高达12-25%），这对基础设施系统的设计有直接影响[6,49,50]。通过非线性地结合协变量来估计模型参数，非平稳方法可以产生更现实的高分位数估计[48,51]。然而，这些优势也伴随着一些局限性。非平稳模型通常对影响协变量的选择非常敏感。考虑时间作为协变量的基于时间的模型，由于忽略了影响降雨变化所需的协变量，可能会产生不准确的结果[52,53]。此外，参数的变化，特别是在高阶参数（如形状参数）方面，仍然是一个主要挑战[9,54]；而且检测非平稳性受到研究区域局部水文特征的影响，特别是在短持续时间降雨估计中[46,49,55]。通过更先进的框架，如贝叶斯层次模型，可以实现稳健的不确定性量化并提高空间一致性，调整它们以适应区域尺度的应用。然而，这些方法计算要求高，且经常面临收敛问题[56,57,58]。同样，灵活的方法如GAMLSS可以有效地捕捉非线性关系，但它们可能会过拟合并降低模型的简洁性[59]。通过信号分解技术（例如基于小波的方法和集合经验模态分解（EEMD））可以进一步增强多尺度变异性检测，尽管它们可能会引入不准确的模式并且缺乏明确的物理解释[59,60]。
如表1所总结的，审查研究中使用的针对干旱地区的方法被分为一般方法和统计方法，每种方法都有其不同的优势和局限性。一般方法，如趋势分析和气候模型预测，由于其简单性和易用性而被广泛采用，但它们通常缺乏对真实降雨非平稳性的表示。频率分析方法提供了更多的灵活性，并允许明确地结合协变量；然而，它们对数据可用性和模型不确定性非常敏感。总体而言，虽然非平稳方法提供了对变化中的极端降雨更现实的表示，但其实际应用受到模型不确定性和协变量选择策略的限制，特别是在数据稀缺的干旱地区。

3.4 基于气候模型的方法
基于气候模型的方法在评估极端降雨方面有了显著的发展，从粗分辨率的全球模拟过渡到高分辨率的对流允许框架。基于气候系统的数值表示，全球环流模型结合了不同温室气体浓度下的大气、海洋和地表过程[43,64]。GCMs的主要目标是描述对辐射强迫的大规模气候响应，并提供对气候影响研究至关重要的长期预测。气候预测是为标准化排放情景生成的，例如耦合模型比较项目第5阶段和第6阶段（CMIP5和CMIP6）[53,62,65]。GCMs的关键局限性是空间分辨率粗糙（从100到500公里），不足以解析局部对流过程和复杂地形，而这些是干旱地区极端降雨的主要驱动因素。这种粗糙的分辨率低估了极端降雨，最大日降雨量的偏差高达两倍[26,62,66]，限制了模型结果在工程设计中的直接适用性。根据GCMs的边界条件，RCMs利用动态降尺度技术，提供更高分辨率的模拟（通常为5-50公里），以解决上述尺度限制[67]。这种方法增强了地形效应和中尺度大气动力学的模拟，从而改善了区域降水模式的模拟。然而，RCMs增加了额外的复杂性。它们仍然计算要求高，并且更严重的是，它们继承了其父GCMs的结构偏差，导致不确定性增加。为了提供现实的极端降雨估计并避免在水文应用中的不准确估计，仍需对RCM结果应用适当的局部偏差校正技术[53,68]。
区域气候建模中最先进的贡献是对流允许模型（CPMs）的发展，这些模型在小于5公里的网格分辨率下运行，并且不依赖于参数化方案来明确解析对流过程[69]。CPMs在干旱地区捕捉中尺度对流系统方面变得至关重要，因为它提供了高分辨率的模拟。例如，4公里分辨率的CPM在中国西北部显著优于12公里参数化的RCM模拟，能够准确捕捉降水强度和频率[70]。在阿拉伯半岛（沙特阿拉伯和阿联酋），预测的CPMs表明极端降雨指数有所增加，即使总体平均降水量可能减少[69,71,72]。另一个CPM的重要技术突破是模拟高强度、短持续时间的降雨事件，这对城市排水和基础设施设计至关重要。正如[73]在非洲多年评估（包括半干旱的萨赫勒地区）中所展示的，这些高分辨率模型真实地捕捉了小时降雨特征和极端事件，而传统模型依赖于对流参数化，常常系统性地低估了这些事件。尽管CPMs在分辨率和短持续时间降雨方面具有优势，但其高计算需求以及广泛的数据要求限制了其在干旱地区的应用。事实上，最近针对阿拉伯半岛等地区的气候预测研究仍然依赖于粗糙的GCM输出，而不是对流允许的集合[73]。如表2所示，GCMs在干旱地区的气候变化研究中占主导地位（54%的审查研究），无论其空间分辨率如何。RCMs占审查研究的20%。CPMs提供了最高的物理真实性；然而，它们相对较新的出现、计算限制和广泛的数据需求限制了它们的使用比例，不到3%。

鉴于上述局限性，多模型集合（MMEs）被广泛采用来管理气候预测中固有的结构和情景不确定性[67,68]。集合方法提供了一系列可能的未来条件，通常被解释为气候不确定性的概率表示。然而，MMEs并非没有局限性。缺乏标准的模型选择和加权策略框架仍然是一个关键挑战，包含非独立模型可能导致变异性范围的人为减少。此外，集合平均可能会掩盖极端但合理的预测，这对于设计有韧性的基础设施尤为重要[49,66]。这些局限性的实际影响在图4a中得到了明显体现，该图显示大约一半的审查研究不依赖于气候模型输出。这表明了一个重要的方法论差距，特别是在干旱地区，模型的局限性（如粗糙的分辨率和无法捕捉局部对流风暴）降低了基于模型的预测的信心[50,76,77]。因此，许多研究依赖于观测[历史]趋势分析方法，如Mann–Kendall和Sen的斜率方法，这些方法对数据限制更为稳健，并能可靠地检测历史变化[61,77]。然而，这些方法仅限于过去条件，无法外推以捕捉未来的气候强迫。

图4a显示了应用的气候模型分布，图4b显示了应用的气候情景分布。图4a揭示了模型选择的碎片化策略。尽管存在已知偏差，如HadCM3等传统模型仍然占主导地位，包括低估降雨强度和预测趋势的不一致性[63,78]。相比之下，CanESM2、CSIRO、HadGEM2和NCAR-CCSM等模型的使用频率相对较低[22,43]，表明缺乏系统的模型选择标准。这种不一致性降低了研究之间的可比性，并限制了综合结果的稳健性。同样，图4b突出了气候情景使用的明显不平衡，其中大量研究依赖于不显式结合未来气候情景的方法[10]。虽然这些方法有助于检测历史趋势并支持基于大规模气候驱动因素的非平稳建模（例如[11,79]），但它们没有完全考虑未来的强迫机制，从而限制了它们在变化气候条件下的预测能力[42]。
从图4b可以看出，代表性浓度路径（RCP）情景应用最为广泛（32%），实际上是向CMIPs等更现代版本过渡的中间阶段[49]。特别报告中的排放情景（SRES）在30%的案例中被使用，与CMIP5一致（例如[21,58]）。此外，与CMIP6一致的共享社会经济路径（SSP）仅在有限的案例中被应用（4%）。例如，CMIP6已在美国亚利桑那州得到应用[50]。仍在使用CMIP6但关注应用模型的情况下，Hadley全球环境模型（HadGEM2）与加拿大地球系统模型（CanESM2）结合使用[43]，而国家大气研究中心（NCAR）被纳入了双模型应用[80]。区域模型如Hadley Centre Regional Model（PRECIS-HadRM3P）在干旱地区提供了精确的尺度模拟[81]。为了更准确地估计气候变化对降雨极端事件的影响，未来的研究应仅关注CMIP6/SSPs的最新情景。除了模型选择之外，还应严格评估模型再现历史降雨极端事件的能力，以寻求更稳健的标准化偏差校正方法。未来的研究应优先考虑结合多模型集合、高分辨率建模和稳健偏差校正的综合框架，并进行系统的模型评估，以提高降雨极端事件预测的可靠性。

3.5. 降尺度和时间分解方法
降尺度和时间分解技术对于克服粗分辨率气候模型输出与水文影响评估和城市排水设计所需的精确空间和时间尺度之间的差距至关重要。在干旱和半干旱地区，这一需求尤为突出，因为这些地区的极端降雨具有高度的空间和时间变异性，正如澳大利亚南部和中国北部的研究所指出的[47,60]。降尺度方法可以分为动力降尺度和统计降尺度。动力降尺度通过区域气候模型（RCM）实现，它包含了气候驱动因素（如中尺度环流、陆海对比和地形效应）的物理表示，而这些在通用气候模型（GCM）中并未体现，澳大利亚墨尔本的一项研究对此进行了说明[55]。这种方法为区域气候预测提供了更一致的物理基础。然而，由于计算需求高以及全球模型驱动因素带来的偏差传播，限制了RCM的应用范围。这些继承的误差通常需要进一步校正后才能可靠地用于水文应用[26,53]。

相比之下，统计降尺度方法被认为是一种计算效率更高的替代方案，因为它建立了大尺度大气预测因子与局部尺度变量之间的经验关系。统计降尺度模型（SDSM）和完美预测（PP）方法可以提供区域降尺度结果，而模型输出统计（MOS），包括分位数映射（QM），则考虑了降水分布的表示，正如阿联酋的一项研究所显示的[71]。与动力降尺度相比，这些方法更容易实施且计算要求较低。然而，它们假设气候是平稳的，而在变化的气候条件下这一假设可能不成立，这是该方法的主要缺陷之一。此外，MOS方法可能会破坏变量间的物理一致性，而增量变化方法未能很好地模拟降雨极端事件的变化和变异性，可能导致高强度降雨事件的低估[82]。

随机天气生成器，包括LARS-WG和Neyman–Scott矩形脉冲（NSRP）模型，通过生成合成降雨序列来推断历史序列，提供了一种不同的技术。这些技术的主要能力之一是生成适合概率风险评估和极值分析的长期数据集。此外，NSRP模型能够保持多个时间尺度上的降雨特征。然而，除非仔细考虑大尺度气候驱动因素，否则这些模型难以再现低频变异性和罕见极端事件。此外，简单的发生-量模型，如LARS-WG，在未来气候条件下发生频率发生变化时可能会引入平均降雨量的偏差，沙特阿拉伯的一项研究对此进行了说明[69]。

时间分解技术对于将气候模型的24小时降雨输出转换为高分辨率的次日数据至关重要，这些数据是城市排水设计和雨洪风险评估所必需的，特别是在缺乏连续雨量记录的地区[25]。如表3所示，只有10%的综述研究涉及分解方法，涵盖了从简单经验方法到先进的随机和数据驱动模型的各种方法。基于经验的方法和比率方法，如印度气象组织（IMD）公式或其他固定的降雨深度比率，因其简单性而被广泛使用[25]。基于缩放的方法，包括简单的缩放理论和多分辨率技术，试图建立日常和次日降雨特征之间的数学关系，从而推导出短时强度[25]。随机模型提供了更一致的物理表示，例如Bartlett–Lewis（在Hyetos软件2.1中实现）、Neyman–Scott矩形脉冲模型和多重分形级联模型，它们将降雨模拟为聚集的风暴过程，并保留了极端事件的关键统计特性[78,83,84]。此外，非参数方法如K最近邻方法和基于距离的分解依赖于历史高分辨率观测数据来再现真实的时间模式[85]。

然而，所有这些基于固定比率或历史模式的分解方法都无法真实反映降雨的分布，因为它们隐含地假设了过去条件的持续性[86]。此外，这些方法未能捕捉到由温度升高驱动的短时极端事件的增强[48]，在这种情况下，降水增加量超过了Clausius–Clapeyron率（约7%/°C），由于额外的热力学和动态效应，这一比率可能达到14–23%/°C[5]。这些限制强调了需要结合温度和气候相关协变量的分解技术，以更准确地表示次日尺度上的降雨增强和再分布[5,46,47,48]。

另一方面，值得注意的是，大多数综述研究最初并未应用分解方法，而是提供了每日时间分辨率（约40%）的输出结果。月度（约2%）和年度（约10%）分辨率主要用于长期气候评估，但缺乏极端事件分析所需的时间细节。

降尺度和时间分解对于极端降雨数据估计至关重要；然而，它们的能力受到平稳性假设、模型偏差以及数据可用性和验证的限制。为了解决这些限制，越来越多地建议在混合方法中整合动力、统计和随机方法，以更好地表示非平稳性、不确定性和气候驱动的极端事件，从而实现更可靠的基础设施设计。

3.6. 气候预测的偏差校正方法
气候模型（GCM和RCM）的输出通常与观测数据存在系统性偏差。这些偏差是由于模型物理、数值离散化和粗空间分辨率的限制造成的，这会显著影响水文影响评估的可靠性[50,87,88]。因此，在计算之前运行适当的偏差校正方法被认为是关键步骤[54,68]。

偏差校正方法可以根据其在极端降雨影响评估中的应用进行分类。这些方法包括在提取极值之前校正连续时间序列、校正派生的极端序列（如年最大序列AMS或部分持续时间序列PDS），以及校正最终设计降雨分位数[73,87]。其中一些研究表明，直接对提取的极端值（例如AMS）进行偏差校正可以在再现观测到的极端降雨空间模式方面取得更好的效果[73]。

最广泛使用的偏差校正技术之一是分位数映射（QM），也称为分布映射。该方法使用传递函数调整模拟变量的累积分布函数（CDF），使其与观测值相匹配，从而校正整个值范围内的偏差[89,90]。这种方法的变体包括经验分位数映射（QUANT）、稳健经验分位数（RQUANT）和平滑样条方法（SSPLIN），这些方法提高了其适应观测分布特性的能力和稳健性[91]。最近的一些改进用于处理某些问题，例如低估低降雨频率和处理极端值的异常值，适用于高极端事件的频率和幅度[71]。

除了基于分布的方法外，还广泛应用了简单的方法，如增量变化方法。该方法使用来自气候模型的变化信号（通常表示为未来和历史模拟之间的差异或比率）来修改观测时间序列[71]。尽管这些方法效率高，但它们假设历史序列的特征在未来将保持不变，这在气候变化条件下可能不成立。使用加性或乘性因子缩放模型数据序列的统计矩（例如均值和方差）是另一种单变量缩放技术。

更先进的方法包括基于回归的方法和多尺度校正方法。基于回归的偏差校正应用统计关系（如多项式函数）来调整模型数据和观测数据之间的残差差异[92]。多尺度和集合方法，如ISIMIP2b和多变量递归嵌套偏差校正（MRNBC），旨在在纠正多个时间尺度上的偏差的同时保持气候趋势，从而改善短期和长期极端事件的表示[93,94]。此外，还开发了诸如极值分位数匹配（QME）、等距分位数匹配（EQM）和分布映射（DM）等方法，以改善低频和高影响事件的表示。表4总结了最常用的偏差校正方法，提供了它们的假设及其在干旱地区最近气候变化研究中的典型应用。

偏差校正方法是必需且广泛应用的；然而，它们存在一些局限性，需要认识到这些局限性。平稳性假设实际上是隐含的，这意味着历史时期识别的偏差被假设在未来也会以相同的方式外推，气候变化引起的降雨是根据识别的历史偏差校正的。然而，最近记录的高幅度和频繁事件表明这一假设可能不成立，澳大利亚的一项关于气候模型偏差校正的研究指出了这一点[95]。此外，许多偏差校正方法是独立应用于单个变量的，这可能会破坏气候变量之间的物理一致性并改变时间依赖结构[89,90,91,94,95,96,97,98]。

另一个重要限制是，偏差校正方法没有考虑气候模型中固有的反馈机制和守恒原理，从而降低了结果的物理正确性[73]。因此，偏差校正不应单独应用，而应与稳健的降尺度技术和多模型集合方法结合使用，以确保更可靠的气候数据预测。

3.7. 机器学习和软计算方法
机器学习（ML）和软计算方法被认为是比传统统计降尺度方法更先进和强大的替代方案，它们能够在不遵循平稳性或线性假设的情况下，对大尺度气候预测因子和局部降雨极端事件之间的复杂非线性关系进行建模[100,101]。由于干旱地区的降雨变异性高且难以用传统方法模拟，因此依赖ML至关重要，因为它可以在短时间内提供更准确的结果。

在一些最近的研究中，降维技术（如监督主成分分析（PCA）与其他模型（如支持向量回归（SVR）和相关向量机（RVM）结合使用，RVM由于其稀疏贝叶斯框架而提高了性能，能够考虑气候预测因子的高维度[101]。此外，人工神经网络（ANN），特别是径向基函数（RBF）模型，已成功用于直接从气候变量估计降雨强度[102]。ML的另一种应用是模拟极值分布的非平稳参数（如GEV），这已经使用概率ML框架实现[51]。

ML技术在时间分解方面也显示出强大的潜力，其中随机森林（RF）等方法可以有效模拟时空依赖性，并生成工程设计所需的次日降雨估计[103,104]。表5总结了最常用的ML和软计算技术及其在研究中的应用示例。

ML方法在模拟非线性方面非常强大，但在气候和水文应用中可能存在几个关键限制。例如，支持向量回归（SVR）、随机森林（RF）和各种人工神经网络（ANNs）等模型需要比气候模型所拥有的更大的、一致性的数据集，它们难以表示不确定性之间的相互作用，并且无法可靠地推断出训练数据之外的情况，这限制了它们在非平稳气候条件下的应用。4. 结论与建议 4.1. 结论与研究空白 早期综述中的一个重要局限性是对干旱地区及其降雨特征如何影响气候变化影响评估方法适用性的分析不足。本综述特别强调了在干旱地区进行的研究，并对其方法进行了批判性评估，指出了在高变异性、数据稀缺性和局部降雨过程背景下的优点和局限性。以下以结构化的方式列出了关键的研究空白。本研究全面回顾了所使用的方法，包括气候模型和未来情景、统计分析、降尺度处理、偏差校正以及机器学习技术。综述发现，关于干旱地区极端降雨变化的研究相对于气候模型的发展和采用的未来情景来说已经过时，只有不到5%的研究使用了高分辨率的对流允许模型、最新的共享社会经济路径情景，或识别出短时间间隔内降雨强度的加剧。综述还确认，传统的平稳模型越来越不适合未来的预测，因为它们假设降雨的统计特性随时间不变，而在人为气候变化的情况下这种假设被打破。已知大规模的气候振荡（如厄尔尼诺-南方涛动）会在未来气候中受到影响，它们引入了非线性的变异性，而平稳的降雨频率分析无法捕捉到这些变化。实证证据表明，平稳模型系统性地低估了设计降雨强度，特别是对于短时间事件，低估幅度可达12-23%，可能会使基础设施故障风险在典型项目寿命内增加多达25%。最近的研究中，在干旱地区使用非平稳频率分析的情况有所增加，尤其是那些包含基于物理的协变量的方法。尽管时变模型仍然被广泛使用，但选择正确的协变量对于找到与强降雨相关的热力学和遥相关驱动因素更为重要。研究人员经常使用全球平均温度作为协变量，但其他变量可能更能反映克劳修斯-克拉佩龙缩放后的大气湿度限制。尽管有这些好处，但仍不到25%的研究使用了这种先进的非平稳频率分析方法。这表明研究人员仍然依赖可能无法准确预测未来风险的简单方法。以往的研究普遍忽视了在基于气候模型的降雨极端分析中比较偏差校正技术的重要性。尽管偏差校正技术在提高预测极端值的可靠性方面至关重要，但与之相关的不确定性却很少被讨论。此外，以往的研究往往缺乏对降雨极端分析中使用的统计分布的比较评估。虽然经常提到GEV等统计分布，但对其在不同气候条件下的适用性讨论有限。本综述建议使用其他分布，或者至少系统地比较常用的统计分布，并确定它们在干旱地区的适用性，特别是在非平稳条件下。4.2. 未来研究方向与建议 基于本综述中进行的比较分析以及识别出的研究空白，可以提出几项关键建议来改进气候变化下的降雨极端分析，特别是在干旱地区。首先，研究应优先考虑最新一代的RCM模型，特别是那些结合了CMIP6和更新的共享社会经济路径（SSPs）的模型，因为这些模型比仍然广泛使用的旧模型提供了更好的大规模气候过程表示。此外，应更加重视系统性的模型选择和多模型集合的使用，以更好地捕捉结构不确定性。在计算资源和数据可用的前提下，应采用对流允许模型（CPMs）来明确解决导致短时间极端事件的对流过程。在没有CPM输出的情况下，应使用适当的时间分解技术来推导次日降雨量，同时保持与温度升高相关的物理一致性。然而，当CPM输出可用时，可以直接提供高分辨率的降雨数据，从而显著减少对传统分解方法的依赖，更好地捕捉对流动态。在这方面，新兴的机器学习方法在改进降尺度和分解方面具有很大的潜力，因为它们能够捕捉复杂的非线性关系，并增强对次日降雨变异性的表示，超越了传统方法的限制。应重新考虑选择适当的统计分布。由于干旱地区历史降雨的厚尾特性，能够有效表示不对称性和变异性的分布更为合适。尽管GEV分布在湿润和亚湿润气候中的气候变化影响评估中被广泛使用，但在干旱地区的应用应谨慎对待[57,115]。Gamma分布和Pearson Type III分布已在干旱地区降雨极值的统计特征捕捉方面显示出更大的灵活性[22,80]。实际上，强烈建议对多种分布（包括Gamma和Pearson Type III）进行比较评估，而不是依赖单一的标准模型。异常值的处理仍然是降雨极端分析中的一个关键问题。干旱地区的极端降雨事件通常是错误的观测结果。因此，未来的研究应专注于开发能够适应这些极端情况的稳健统计方法，而不扭曲整个模型的行为。此外，需要从单站分析转向区域分析。同时分析多个站点可以捕捉气候变化的区域行为，并提高统计推断的可靠性，特别是在数据稀缺的干旱地区。因此，应优先考虑区域频率分析和空间连贯的建模框架。最后，未来的研究应致力于建立降雨极端与气候驱动因素之间的稳健关系。建立极端降雨与温度和大规模气候指数（如ENSO、IOD）等变量之间的统计和物理上一致的关系，可以显著提高预测能力，并改善对非平稳行为的解释。