基于机器学习揭示1960—2019年中国热带气旋降水的时空特征

《Geomatics, Natural Hazards and Risk》：Spatiotemporal characteristics of tropical cyclone precipitation in China from 1960 to 2019 based on machine learning

　　

摘要 热带气旋诱发的极端降水对沿海和内陆地区均构成严重威胁。然而，现有关于热带气旋降水的研究往往受限于空间覆盖稀疏、时间记录有限以及数据分辨率粗糙等问题。为克服上述局限，研究人员开发了一种基于机器学习（machine learning, ML）的模型，通过整合关键气旋特征与环境因子来重建热带气旋诱发降水。该模型被应用于模拟1960—2019年中国登陆热带气旋降水。基于重建的热带气旋降水数据，研究分析了中国历史热带气旋诱发降水的时空特征。结果表明，1960—2019年间，年平均热带气旋降水量（Average Annual Tropical Cyclone Precipitation, AATCP）、平均热带气旋降水量（Mean Tropical Cyclone Precipitation, MTCP）以及平均最大3小时热带气旋降水量（Mean Maximum 3-hour Tropical Cyclone Precipitation, 3h-MMTCP）均呈现波动下降趋势，而最大3小时热带气旋降水极值（Maximum 3-hour Tropical Cyclone Precipitation Extremum, 3h-MTCPE）则呈现上升趋势。在中国东南沿海地区，热带气旋总降水量有所减少，但极端降水强度显著增强。而包括中国东北在内的内陆地区，其趋势在经过多重检验校正后大多不具有统计学显著性。上述发现表明，有必要关注北部和内陆地区极端热带气旋降水的风险，并应针对这些区域潜在的热带气旋影响开展进一步深入研究。

基于机器学习重建的中国热带气旋降水时空特征研究（1960—2019）论文解读

一、研究背景与意义

热带气旋（Tropical Cyclone, TC）是全球最具破坏性的自然灾害之一。统计数据显示，2000—2017年间，热带气旋造成的经济损失约占全球自然灾害经济损失的三分之一，是最为昂贵的灾害类型。西北太平洋约有一半的热带气旋在东亚登陆，中国东南沿海地区尤其易受影响。热带气旋产生极端降水是其破坏性的核心机制之一，常引发洪水、滑坡、泥石流等次生灾害，并与沿海强风和风暴潮叠加，造成显著的社会经济影响和人员伤亡。

然而，现有热带气旋降水研究面临多重制约：1980年以前中国气象站密度不足、时间分辨率有限；卫星影像和再分析数据等降水数据集存在时空分辨率粗糙和时间覆盖范围有限的问题；部分新开发的热带气旋降水数据集缺乏1979年以前中国区域的覆盖。这些数据缺口严重限制了中国热带气旋降雨的长期、高分辨率研究。因此，获取高质量的历史热带气旋降水记录对于稳健的降水建模、洪水预测和综合风险评估至关重要。

过去二十年间，热带气旋研究领域逐渐发展了参数化模型、物理模型和机器学习等方法，以弥补局部历史样本的不足。参数化模型计算效率高但考虑参数较少，对极端降水表征能力较差；物理模型能够考虑摩擦、地形、斜压性和涡旋拉伸等影响机制，但因计算限制无法完全解析降水过程，必须依赖参数化方案，导致模拟降水的空间分布存在偏差。机器学习技术凭借优于传统统计和物理模型的预测性能与泛化能力，为气候科学开辟了新可能。本研究正是基于这一背景，利用机器学习方法重建中国1960—2019年登陆热带气旋的高时空分辨率降水数据，并分析其时空特征，旨在为该区域提供长期热带气旋降水数据，为热带气旋诱发洪水灾害模拟提供关键参数，并为中国灾害风险建模的改进提供基础。

二、主要技术方法

研究人员采用中国气象局（China Meteorological Administration, CMA）提供的西北太平洋热带气旋最佳路径数据集，将原始6小时间隔记录时间插值为3小时间隔；降水数据采用多源加权集合降水（Multi-Source Weighted-Ensemble Precipitation, MSWEP）再分析数据集，该数据集提供1979年至今0.1°空间分辨率、3小时间隔的全球降水记录；地形数据源自航天飞机雷达地形测绘任务（Shuttle Radar Topography Mission, SRTM）90米数字高程模型（Digital Elevation Model, DEM），重采样至0.1°分辨率并计算坡度与坡向。模型选取11个预测变量，包括气旋中心纬度、最大风速、移速、移动方向、季节、距海岸线距离、海陆掩膜、距气旋中心距离，以及海拔、坡度、坡向三个地形因子。降水场以气旋中心为原点、1000公里半径内划分为8个45°方向扇区，每个扇区进一步划分为20个50公里间隔的同心环。研究人员采用随机森林（Random Forest, RF）、极端梯度提升（eXtreme Gradient Boosting, XGBoost）和支持向量机（Support Vector Machine, SVM）三种机器学习方法构建模型，按70%训练、30%测试比例随机划分样本，基于均方根误差（Root Mean Square Error, RMSE）、决定系数（R2）和平均绝对误差（Mean Absolute Error, MAE）评估模型性能。

三、研究结果

3.1 基于机器学习的TC降水模型训练与选择

研究人员使用2000—2020年MSWEP数据训练模型，选择同期落入中国海岸线500公里缓冲区内的热带气旋中心进行验证比较。测试结果显示，XGBoost在陆地和海洋区域均表现最优：在陆地地区，RF、XGBoost和SVM的平均测试RMSE分别为3.06、2.44和4.23，对应平均R2分别为0.72、0.82和0.49。泰勒图分析进一步确认了XGBoost的优越预测能力。为评估模型对近期条件的适用性，研究人员将训练模型应用于2021—2025年登陆中国的18个独立台风进行验证，结果呈现明显的强度依赖性模式：超强台风的扇区平均R2范围为0.21—0.49，最大扇区R2达0.45—0.70；强台风的扇区平均R2范围为0.16—0.38，最大值为0.34—0.59；较弱台风的性能较为有限。18个验证台风中有13个最大扇区R2超过0.4，8个超过0.5，其中几乎全部为超强台风或强台风。散点图分析显示，当观测降水超过50毫米时，模型倾向于低估降雨量。预测变量重要性分析表明，距气旋中心距离是最重要的预测因子，其次为最大风速、纬度、移动方向和移速。针对1960—1999年期间，研究人员利用独立雨量站观测进行了额外验证，三个代表性历史台风（6208、7220和8217号）的绝对偏差在10毫米以内的站点比例分别为78.1%、80.3%和89.8%，表明重建结果能够合理表征2000年以前台风诱发的最大3小时降水特征。

3.2 累积TC降水格局分析

利用验证后的模型，研究人员重建了1960—2019年西北太平洋每个热带气旋的过程降水量，并按六个连续十年区间（1960—1969、1970—1979、1980—1989、1990—1999、2000—2009、2010—2019）计算相关统计量。年平均热带气旋降水量（AATCP）的空间分布在不同时期保持一致的格局，但量值有所变化。AATCP总体呈下降趋势，500—700毫米降水区域随时间显著缩减，其中2000—2009年记录了最低的AATCP。平均热带气旋降水量（MTCP）从东南沿海向内陆地区呈递减趋势，台湾省和海南岛东部降水最高（超过30毫米），其次为广东省、福建省、广西东南部、浙江东南部和海南西部（15—30毫米）。2000年以后中国各地区MTCP较2000年前有所下降。趋势分析显示，1960—2019年间AATCP在中国大部分地区呈下降趋势，仅渤海沿岸和东北地区例外，下降幅度从沿海向内陆递减，最大降幅达3毫米/年，出现在海南东部、广东、福建和台湾西部，且这些地区大多具有显著趋势。

3.3 最大TC降水格局分析

研究人员还重建了1960—2019年热带气旋的最大降水量。最大3小时热带气旋降水极值（3h-MTCPE）在20—50毫米范围的区域随时间显著扩大：1960—1969年间，除台湾和海南外，仅广东东南部和闽浙交界地区3h-MTCPE超过20毫米；而2010—2019年间，广东、福建、浙江全省及广西南部3h-MTCPE均超过20毫米。中国北部大部分地区1960—2019年累积和最大热带气旋降水均无显著趋势，但2000—2019年期间北方3h-MTCPE较前40年有所增加。平均最大3小时热带气旋降水量（3h-MMTCP）在2000—2019年间普遍低于2000年以前。区域平均3h-MTCPE呈现波动上升趋势，而3h-MMTCP呈现波动下降趋势，表明登陆热带气旋诱发的极端降水有所增加，同时最大降水的不确定性也在增大。趋势图显示，大致以黑河—腾冲线为界，东南部大部分地区3h-MTCPE呈上升趋势，西北部大部分地区呈下降趋势，其中台湾省、浙江福建沿海地区和海南西部为显著增加区域。

四、讨论与结论

讨论部分指出，中国热带气旋降水变化存在显著的空间异质性：AATCP在大部分地区（尤其是东南沿海）呈下降趋势，而3h-MTCPE在东南部分地区和若干内陆地区呈上升趋势，表明累积降水与短时极端降水的变化可能不同步，灾害评估需同时关注总降水量和短时极端降水的变化。东北部分地区AATCP和3h-MTCPE均呈上升趋势（虽未达统计显著），与热带气旋活动向极地迁移的证据一致，提示历史上受热带气旋影响较小的中纬度地区未来可能面临增加的热带气旋降水风险。模型方面，XGBoost模型整体性能良好（测试集R2=0.82），但对超过50毫米的3小时降雨存在系统性低估，可能导致模拟的3h-MTCPE趋势估计偏保守，真实极端事件的增强幅度可能大于估计值。模型主要依赖动力学属性（移速、移动方向、最大风速、距气旋中心距离）和静态地形因子（海拔、坡度、坡向），未显式包含水汽和热力学相关预测因子，这是物理完整性与实际应用性之间的权衡。八个方向扇区的独立建模能够捕捉热带气旋降雨的空间不对称性，但可能在扇区边界附近引入不连续性。

研究结论如下：基于3小时MSWEP降水数据集和中国气象局提供的最佳路径数据，研究人员提取了2000—2019年影响中国的历史热带气旋降水事件作为机器学习模型的输入特征，采用随机森林（RF）、XGBoost和支持向量机（SVM）三种方法构建模型，最终选择XGBoost建立热带气旋降水预测模型，并据此重建1960—2019年中国热带气旋降水数据。1960—2019年的降水空间变化趋势表明，除渤海地区和东北外，中国大部分地区年平均累积热带气旋降水量（AATCP）呈下降趋势，降幅从沿海向内陆递减，最大降幅超过3毫米/年，出现在海南东部、广东、福建和台湾西部，长江以北降幅小于0.5毫米/年。对于最大3小时热带气旋降水极值（3h-MTCPE），大致以黑河—腾冲线为界，东南部大部分地区呈上升趋势，西北部大部分地区呈下降趋势，台湾省、浙江福建沿海地区和海南西部为显著增加区域。中国北部大部分地区1960—2019年累积和最大热带气旋降水均无显著趋势，但2000—2010年期间北方两项指标均较前40年有所增加。重建数据集为考察中国热带气旋降水变率提供了长期、空间连续的基础，尤其填补了高分辨率卫星降水产品出现之前的历史空白期，有助于弥合历史热带气旋降水分析与大规模热带气旋相关灾害评估之间的鸿沟，支持长期洪水风险和灾害风险建模研究。