基于高分辨率数据的热带气旋降水时空变化特征*

林泽群， 吴海鸥， 杨振华， 张智， 王大刚

1.中山大学地理科学与规划学院，广东 广州 510006

2.中山大学土木工程学院，广东 珠海 519082

热带气旋作为一种中尺度的天气系统，其伴随的大风天气、强降水及其引发的一系列次生灾害，包括城市洪涝、水库决堤、泥石流和滑坡等地质灾害，严重影响社会经济运行和人民的生命财产安全。受东风气流、季风槽和西太平洋副高的影响，西北太平洋上生成的热带气旋大部分会向中国大陆移动（胡媛媛等，2022），这使得我国成为受热带气旋影响最为严重的国家之一。据统计，1995—2005 年期间热带气旋平均每年造成经济损失高达292 亿元，死亡人数达438 人（秦大河，2008）；2005—2016 年期间热带气旋造成的经济损失上升到每年695亿元（吴彩铭等，2022）。作为重要的致灾因子，热带气旋引发的极端降水和强风对房屋及室内财产造成重大损失，并且可能进一步引发流域性洪水和城市内涝等问题（方伟华等，2022）。因此，研究热带气旋降水的时空变化特征，对防台减灾工作具有重要意义。

已有研究提出了多种识别热带气旋降水的方法和技术。如采用天气图人工判别的方法进行热带气旋降水的识别；任福民等（2001）提出的客观天气图分析法，在识别雨带的基础上判别热带气旋引发的降水的空间特征，从而提取出热带气旋降水；王咏梅等（2006）对客观天气图分析法进行了改进，认为其中的参数D0和D1，取值应随台风强度等级的变化而变化；Touma et al.（2019）利用热带气旋路径作为中心、700 km 为半径的缓冲区对美国地区的热带气旋降水进行识别。在识别热带气旋降水的基础上，许多学者对其时空特征、空间分布规律和变化趋势等开展了相关的研究。在我国，热带气旋降水时间上主要集中于5～7 月，其主要影响的地区为东南沿海地区以及海南省，其降水量以及对年降水量的贡献呈现出减少的趋势（Ren et al.，2002）。杨慧等（2019）利用1960—2017 年的数据研究热带气旋对降水变化的影响，发现热带气旋降水量呈现出显著下降趋势，减少的中心位于广东和海南。然而，我国东南部地区的热带气旋降水量和强度呈现增加的趋势，如Ying et al.（2011）对影响我国大陆地区的热带气旋的大风和降水进行了趋势分析，发现长江以南地区的单场热带气旋降水量和1 h 降水强度表现出增加趋势；Zhang et al.（2013）利用1965—2009 年514个气象站点数据对热带气旋降水进行研究，发现我国东南部的单场热带气旋降水量呈现出显著的增加趋势，并且这种趋势与热带气旋本身的强度没有明显关系。从已有的研究中可以发现，我国热带气旋在频次和降水量上呈现出减少的趋势，但是在东南部地区单场降水量以及降水强度则呈现出增强的趋势。

降水集中度用于表征降水在时间序列中的分布情况，常用的指标包括：降水集中度（PCD，precipitation concentration degree）、降水集中期（PCP，precipitation concentration period）、降水集中指数（PCI，precipitation concentration index）和基尼系数（GI，Gini index）等。在不同指标中，GI 因为具有去参数化和适应性强的优点，被广泛应用于降水集中度的研究中：Rajah et al.（2014）利用GI等研究了全球范围内的降水集中度及其变化趋势，发现在美国、南美洲南部和西欧呈现出增加的趋势，而在东亚地区则是下降的趋势；Monjo et al.（2016）利用GI 等降水集中度指标和日降水数据，研究降水在年内的分布情况以及空间差异，结果发现在季节性温暖的海岸地区（比如巴西、澳大利亚）和靠近沙漠的地区，比较快速的大气对流活动使得降水集中度更高；刘新有等（2007）利用GI 分析了云南省昆明市1972—2001 年降水情况和降水分布均匀度的情况，发现昆明市降水量在研究时段内呈现出增加的趋势，并且GI 的年际振幅越来越大，降水时间分布稳定性减弱，可能会进一步加剧旱涝灾害；王钰峰（2017）利用GI 对黑河莺落峡水文站的年降水集中度进行分析，发现降水在年内分布极不均匀，汛期降水集中。

已有热带气旋降水的研究，大部分都基于站点的日尺度数据（Ren et al.，2002，2006；Zhang et al.，2013；杨慧等，2019）；少量研究采用小时级别的降水数据（Ying et al.，2011），但空间分辨率较低（蒋贤玲等，2017；孙行知等，2017；覃皓等，2022）。热带气旋携带大量来自海洋的水汽，在地形、下垫面、大尺度环境场以及自身移向等因素的综合作用下使得登陆台风降水在短时间内可能发生剧烈变化，而且这种变化的空间异质性很强（倪钟萍等，2022）。相较于低时空分辨率数据，高时空分辨率数据能够更好地捕捉热带气旋降水的精细时空特征变化。此外，目前鲜有利用GI 分析热带气旋降水时空分布特征的研究。因此，本文旨在利用高分辨率降水产品数据、热带气旋路径数据，研究热带气旋降水的时空特征，并特别关注降水集中度的变化特征，从而更好地了解热带气旋降水的时空分布规律，为防风减灾提供参考。

1 数据与方法

1.1 研究数据

1.1.1 高分辨率降水产品数据集已有成果多采用TRMM 资料对热带气旋的结构及降水特征进行了研究（曹爱琴等，2016；丁伟钰等，2004；元慧慧等，2010），而中国区域地面气象要素驱动数据集（CMFD，China meteorological forcing dataset）是以TRMM 降水资料为背景场，融合了多种再分析数据集和站点气象观测制作而成，其降水数据相较于TRMM 数据在精度方面有所提升（He et al.，2020），本文拟采用CMFD 数据集中的降水率数据作为热带气旋降水研究的原始数据。CMFD 数据集时间跨度从1979—2018 年，空间分辨率为0.1°，时间分辨率为3 h。

1.1.2 热带气旋最佳路径数据集对于热带气旋的移动路径，本文采用中国气象局热带气旋资料中心发布的CMA 最佳路径数据集（China meteorological administration tropical cyclone database），数据集时间跨度从1949—2020 年，大部分记录的时间分辨率为6 h（2017 年后，对登陆我国的热带气旋，在登陆前24 h内，时间频次加密为3 h），数据较为完整记录了影响我国的热带气旋路径、中心最低气压（hPa）、热带气旋等级等信息（Lu et al.，2021；Ying et al.，2014）。

1.1.3 数据预处理对于降水强度数据，本文通过设置阈值（0.1 mm/h）对原始降水强度数据进行预处理（黄国如等，2021），小于阈值的降水被认为是无降水，重新赋值为0。本文采用的2 种原始数据：3 h 降水率数据（CMFD）和台风最佳路径数据（CMA 最佳路径）在时间跨度上不是完全重合的，通过选取两者的最长重叠期，将时间范围选定为1979—2018 年。此外，2 种数据的时间分辨率不同，需要进行统一。为了研究短时热带气旋降水的时空变化特征，保持降水数据的时间分辨率不变，而对热带气旋路径数据进行插值处理，将时间分辨率从6 h提高到3 h，具体处理方法如下：由前后2 个时刻的连线中点确定热带气旋中心的位置，等级沿用前一时刻的等级，其余变量取前后2个时刻的平均值。其中2017 年后登陆台风的部分时间间隔已经是3 h，这部分没有进行插值处理。

1.2 研究方法

1.2.1 热带气旋降水范围确定目前已有识别热带气旋降水的方法包括：1）人工方式识别。通过识别天气云图，确定热带气旋降水范围；2）客观天气图分析法。通过识别雨带，计算雨带中心与热带气旋的距离，从而判断是否为热带气旋带来的降水；3）缓冲区方法。认为离热带气旋中心一定距离以内的降水，是热带气旋所带来的。本文采用缓冲区方法识别热带气旋降水，以热带气旋中心为圆心，建立半径为1 100 km 的缓冲区来识别热带气旋降水（王咏梅等，2006）。当一个网格的中心距离热带气旋中心≤1 100 km 便认为受到热带气旋的影响，如果出现降水，则识别为热带气旋降水。同时为了增加结论的可信度，本文还利用半径900 km 建立缓冲区，计算的结果用于与1 100 km的结果进行比较分析。

1.2.2 降水时空集中度指标热带气旋降水GI计算方法（Rajah et al.，2014）如下：将每一个网格作为独立样本，其中从网格进入热带气旋降水范围作为起始状态，持续到网格脱离降水范围，在这期间的数据作为一个完整的计算序列。首先将序列中缺省值去除，然后按递增的顺序排列，计算排列后的累计降水量，除以序列总降水量得到累计降水百分比，构建洛伦兹曲线，GI 则是该曲线和45°标准线之间面积的2倍，计算公式为

式中n为序列长度，也就是网格在热带气旋降水范围以内的总时段数，i为数据在递增序列中的次序，yi为累计降水百分比，计算得到的GI 范围为0～1，其中0 代表热带气旋降水在时段内分布均匀，1 代表降水分布非常不均匀，降水集中在序列中的某一个时段。在计算过程中发现，部分位于影响范围边缘的网格受影响时段数较少，计算得到的GI并不准确，因此将受热带气旋影响的总时段数＜ 3的网格认为是无效网格，在计算GI时不予考虑。

本文不仅计算了时间上的GI（以进入热带气旋降水范围和脱离降水范围的持续时段作为计算序列），而且参考相关研究中使用的空间集中度指标（Long et al.，2021），计算了空间基尼系数（GIs，space Gini index）。如图1 所示，对于GIs，其研究对象是热带气旋的累计降水量，得到的结果表征热带气旋降水在空间上的分布情况。计算步骤为：① 计算热带气旋事件的累计降水量；② 确定累计降水中心（累计降水量最大的网格）。如果出现多个累计降水中心，则分别计算对应的GIs，取最大值作为本场热带气旋降水的空间集中度；③ 计算区域内其余任何一个网格与累计降水中心的距离，根据距离从远到近排列；④ 设定距离区间阈值k，将其设置为10 km（Long et al.，2021），计算每个距离区间内网格的累计降水量的平均值，从而得到一个按照从远到近排列的累计降水空间序列；⑤ 计算得到GIs，

图1 GIs计算示意图（以1986年热带气旋Abby为例）Fig.1 Schematic diagram of space Gini index calculation(Take tropical cyclone Abby in 1986 as an example)

式中n代表距离区间的总数，i代表距离区间编号（按照离累计降水中心从远到近编号），yi代表各距离区间的累计降水百分比。计算得到的GIs的数值范围为0～1，其中0 代表热带气旋降水在空间上均匀分布，区域内的热带气旋累计降水量没有差别；1 代表降水在空间上全部集中于中心分布，呈现高度聚集的情况。

1.2.3 线性回归法线性回归法是一种常用的趋势识别方法，通过构建一元线性回归方程，估算变量的长期变化趋势，构建的方程为

式中x(t)为需要计算的变量，t为x(t)所对应的年份；a为截距，b为斜率，两个参数通过最小二乘法算出，得到的回归系数b反映了变量的变化速率，正负则代表增减变化趋势。同时，以0.01 作为回归显著性检验的标准，当p＜0.01 时认为趋势具有显著性。计算变化速率的变量包括：年热带气旋影响频次、年热带气旋降水量和GI 等，由于热带气旋路径具有随机性，部分地区并不是每年都受热带气旋影响，因此将变量缺失年份＜10%的地区仍纳入趋势计算范围，从而获得变化趋势的空间分布图。

2 结果与讨论

为了研究短时热带气旋降水的时空变化特征，本文拟从区域角度上，研究受热带气旋影响情况、降水特征（降水量和降水集中度）及变化趋势；在热带气旋事件角度上，分析所有热带气旋事件的降水特征随时间的变化规律及其内在联系，并对典型热带气旋事件进行具体分析，以发现降水的时空分布不均匀性及空间分布规律。

2.1 热带气旋路径分析

为了研究1979—2018 年区域热带气旋降水的情况，首先需要根据CMA 最佳路径集插值后的热带气旋路径和影响半径，提取出所有影响我国的热带气旋路径图（图2）。从发源地来看，影响我国的热带气旋大多数是从西太平洋发源，只有少部分发源于南海地区。从移动方向来看，热带气旋的移动路径具有随机性，但是其主要的移动方向主要西北方向和东北方向；从登陆情况来看，热带气旋可以分为登陆和未登陆热带气旋，前者的等级在登陆前后发生明显变化，登陆后迅速减弱，而向东北移动的未登陆热带气旋则减弱较慢。

图2 1979—2018年影响中国地区的热带气旋路径Fig.2 Tropical cyclone tracks affecting China from 1979 to 2018

每个地区受热带气旋影响的频次由热带气旋的路径及影响半径所决定。在热带气旋路径分析的基础上，在区域尺度分析热带气旋的影响频次及其变化趋势，有助于了解热带气旋对各个地区的总体影响。从图3（a）可以发现，热带气旋的影响频次在空间分布上表现出明显的规律性：从东南向西北减少，台湾岛的年影响频次最高。年热带气旋影响频次超过4 次的地区主要集中在我国东南沿海地区，包括长江下游地区和粤港澳大湾区等人口稠密地区，这些地区是台风灾害防御的重点关注地区。我国东南部大部分地区年热带气旋影响频次的变化趋势为减少（图3（b）），其中广东省中部地区的下降趋势相比于其他地区更快（＞1.2/10a），并且通过显著性检验。对比影响半径为900 km 的结果（见图4），不同之处在于半径为1 100 km（图3）的热带气旋影响范围更广，影响频次和下降的趋势更大且空间分布统一，但是两个半径下的影响频次空间分布规律一致，整体趋势均表现为减少。

图3 年热带气旋影响频次及变化趋势的空间分布（图中黑色点表征网格通过显著性检验）Fig.3 Spatial distribution of annual tropical cyclone impact frequency and trend(The black points represent the pixels that pass the significance test at the 1% significance level)

图4 年热带气旋影响频次及变化趋势的空间分布图（影响半径取900 km，黑色点表征网格通过显著性检验）Fig.4 Spatial distribution of annual tropical cyclone impact frequency and trend(The influence radius is 900 km and the black points represent the pixels that pass the significance test at the 1% significance level)

区域的年热带气旋降水量直观地反映热带气旋带来的水汽总量，同时有助于研究热带气旋水汽在空间分布上的规律。通过统计每个区域在1979—2018 年期间产生影响的热带气旋的累计降水量之和，计算多年平均值，获得年热带气旋降水量空间分布图。如图5（a）所示，年热带气旋降水量的空间分布规律与影响频次相似，均是从东南向西北减少，在台湾岛、海南岛中部和东南沿海地区取得高值。然而热带气旋降水在空间上表现出不同趋势（图5（b）），长江下游地区和台湾岛热带气旋降水呈现增加趋势，其中台湾东南部显著增加且速率超过15 mm/a，结合影响频次的减少趋势，说明这些地区单场热带气旋事件的降水将会增大，可能会带来更加严重的灾害。而广东地区及海南岛的热带气旋降水则表现出不显著的下降趋势。在影响半径为900 km 的条件下（图6），年热带气旋降水量明显减少，变化趋势主要以增加为主，呈现减少趋势的地区明显减少。然而，2 个影响半径产生的年热带气旋降水量高值区域分布保持一致，台湾岛东南部的显著增加趋势也高度相似。

图5 年热带气旋降水量及变化趋势的空间分布图（黑色点表征网格通过显著性检验）Fig.5 Spatial distribution of annual precipitation and trend of tropical cyclones(The black points represent the pixels that pass the significance test at the 1% significance level)

图6 年热带气旋降水量及变化趋势的空间分布图（影响半径取900 km，黑色点表征网格通过显著性检验）Fig.6 Spatial distribution of annual tropical cyclone precipitation and trend(The influence radius is 900 km and the black points represent the pixels that pass the significance test at the 1% significance level)

热带气旋降水时间分布的不均匀性可以用降水集中度表征，降水集中度高的地区，其热带气旋降水在受影响的时间段内，分布更为集中，就越有可能出现短时强降水，对当地造成更严重的灾害。通过统计1979—2018 年区域所有热带气旋事件的GI，计算多年平均，得到GI 多年平均值的空间分布（图7（a））。热带气旋降水集中度在空间上的分布规律仍然是从东南向西北减少，东南部地区GI ＞ 0.7，表明对于我国东南部地区，热带气旋带来的降水在时间上比起其他地区更加集中，这也更有可能导致台风灾害。同时GI ＞ 0.8 的地区主要集中在广东省北部、江西省南部、云南省东部和福建省西北部的部分地区，表明这些地方热带气旋降水分布最为集中。GI 在大部分地区都呈现出显著增加的趋势（图7（b）），表明热带气旋降水在时间上越来越趋向于集中分布，其中在云南省和湖北省的部分地区出现了超过0.05/10a的变化趋势，在广东中部以及海南岛中部的变化趋势大于0.03/10a。在影响半径为900 km 的结果中（图8），随着半径的减小，GI 相比于1 100 km 的结果有所减小，但是其增加趋势的速率增大，在江西省中部地区出现超过0.06/10a的趋势，表明该地区的热带气旋降水在时间分布上变得更加集中。不同半径计算得到的结果具有高度的相似性，包括GI 的空间分布规律和显著增加的趋势，表明对于热带气旋的降水集中度而言，选取的半径并不会导致结论出现较大的差异，基于1 100 km 影响半径得到的结论是可信的。

图7 GI的多年平均和变化趋势空间分布图（黑色点表征网格通过显著性检验）Fig.7 Spatial distribution of multi-year average and trend of Gini index(The black points represent the pixels that pass the significance test at the 1% significance level)

图8 GI的多年平均和变化趋势空间分布图（影响半径取900 km，黑色点表征网格通过显著性检验）Fig.8 Spatial distribution of multi-year average and trend of Gini index from 1979 to 2018(The influence radius is 900 km and the black points represent the pixels that pass the significance test at the 1% significance level)

2.2 热带气旋事件的降水特征

由于热带气旋事件具有很强的随机性，不同热带气旋事件的等级、强度、路径和降水特征具有很大的差异，为了从中找到具有普适性的规律，本文从事件的角度对热带气旋降水进行研究，并探讨降水特征之间的联系。

将研究时段（1979—2018 年）内所有的热带气旋事件分成2 个事件区间：1979—1998 年和1999—2018年，计算逐场热带气旋事件的6个特征变量（场均影响时长、场均降水时长、场均面降水量、场均降水强度、场均GI 和GIs），按照每个特征变量的范围分为9 个区间，统计前后20 年逐场6个特征变量分别在9个区间内的频率。值得注意的是，这里的场均面降水量是将一场热带气旋降水范围内的所有网格的累计降水量求和，然后除以范围内的总网格数，表征的是受到热带气旋影响地区的面降水量，有助于全面评估受热带气旋影响地区的降水量情况。而场均降水强度则是对一场热带气旋事件中所有存在降水的网格计算降水强度，然后求平均，表征热带气旋事件的平均降水速率。场均影响时长、降水时长、面降水量在前后20年都表现出右偏的数据分布（图9（a，b，c）），表明热带气旋出现相应的极端情况（场均影响时长超过156 h、场均降水时长超过52 h 和场均面降水量超过1.8 mm）频率很小，但是极端情况对应的值很大，可能导致严重的台风灾害，值得深入关注。而从前后20 年对比来看，1999—2018 年热带气旋的场均影响时长在92、156 和188 h 区间内的频率明显增加，而短影响时长（区间中心值为28 和60 h）的热带气旋事件出现的频率明显下降。相似的还有场均面降水量，在1999—2018 年期间，场均面降水量在1.0 mm 区间内的频率明显上升。场均降水时长则呈现出相反的规律，1999—2018 年期间短降水时长（区间中心值为16 h）的热带气旋事件出现的频率明显上升，其他降水时长的热带气旋事件频率则相比于1979—1998 年期间有明显下降。这也导致了场均降水强度较高的热带气旋在后20 年出现的频率增加，同时1999—2018 年场均降水强度的数据分布与1979—1998 年出现较大差别（图9（d））。从图9（e）可以发现，GI 在1999—2018 年在高值区的频率增加，中心值为0.84 的区间的频率增加最为明显，远高于前20 年的频率，表明热带气旋降水在1999—2018 年相比于1979—1998 年在时间上的分布更加不均匀。而GIS在高值区（区间中心值为0.90）的频率在后20 年也有所增加（图9（f）），但是幅度远远小于GI 变化的幅度，表明热带气旋降水在空间分布上的变化较小。本文也尝试了利用900 km 作为影响半径（图10），基于2个不同影响半径的6个特征变量在前后20年的变化规律高度相似。

图9 热带气旋场均特征变量的频率直方图（影响半径取1 100 km）Fig.9 Frequency histograms of eigenvectors of tropical cyclones (The influence radius is 1 100 km)

图10 1979—2018年热带气旋场均特征变量的频率直方图（影响半径取900 km）Fig.10 Frequency histograms of eigenvectors of tropical cyclones from 1979 to 2018(The influence radius is 900 km)

为揭示热带气旋降水的时序特征，在分析2个时期降水特征变化的基础上，对6个特征变量进行时间序列分析（图11）。场均影响时长、场均面降水量以及GIs的时间序列没有表现出明显的趋势，但是年际之间存在差异，整体序列呈现波动性（图11（a，c，f））。而场均降水时长表现出下降的趋势，在1997年下降并在新的范围内波动（图11（b））。而场均GI和场均降水强度表现出明显的增加趋势（图11（e，d）），说明影响我国的热带气旋在场均面降水量没有明显变化趋势的情况下，场均降水时长减少，从而导致降水集中度和降水强度方面都有增强，更有可能在短时间内造成严重的台风灾害，值得有关部门关注并做出相应的应对措施。从影响半径为900 km 的结果（图12）可以发现，随着半径的减小，场均影响时长和降水时长有所减少。在时间序列的趋势方面，场均面降水量呈现波动性，但是没有明显的变化趋势，场均降水时长表现出下降趋势，从而导致了场均降水强度和GI 呈现出明显的增加趋势，与影响半径为1 100 km（图11）条件下得出的结论一致。

图11 热带气旋场均特征变量的时间序列箱型图（影响半径取1 100 km）Fig.11 Time series box diagram of eigenvectors of tropical cyclones ( The influence radius is 1 100 km)

本文利用影响半径为900 km 的结果（图4、6、8、10、12）与1 100 km 的结果（图3、5、7、9、11）进行比较，总体而言，影响半径的变化使得热带气旋的影响频次、降水量、降水时长、面降水量和降水强度在空间覆盖范围和数值上有所变化，但是空间分布规律、变化趋势、前后20 年的变化规律等方面保持一致，说明了选取1 100 km 作为影响半径是合理的。

为研究热带气旋降水特征变量之间的相互关系，计算6 个特征变量间的相关系数（表1）。可以看到GI 与影响时长有最强的正相关关系（0.62），表明热带气旋场均影响时间越长，其范围内的降水在时间上的分布将变得更加集中。面降水量和降水强度也表现出了较高的正相关性（0.57）。GIS与影响时长、降水时长、降水强度都表现出显著的相关，但是相关系数均＜0.5，其影响因素仍有待进一步研究。

2.3 典型热带气旋事件分析

对4 场典型热带气旋事件的降水分布（图13）、集中度情况（图14）以及两者与中心路径的关系（图15）进行研究，包括2005年热带气旋海棠、2005年热带气旋泰利、2007 年热带气旋圣帕和2013 年热带气旋尤特，从而提高研究的可信度。热带气旋的累计降水量主要集中分布在中心路径周围，距离路径越远的地方累计降水量越小（图13）。对于热带气旋泰利和尤特，累计降水量高值区域均位于中心路径的右侧，与路径并不是完全重合（图13（b，d）），表明热带气旋降水并不是沿着中心路径简单分布，而是呈现出非对称结构，并受到不同因子的影响（温冠环等，2020）。对于热带气旋降水的空间分布不均匀性而言，相比于其他3个热带气旋事件的降水量高值区在空间上的松散分布（图13（b，c，d）），热带气旋海棠的降水在空间上表现最为集中，主要集中分布在台湾岛，其GIs为0.78，明显高于其他3个事件，表明热带气旋海棠相比其他3个事件更具有危害性，会对降水集中的地区造成更严重的破坏（薛根元等，2006）。

图13 四场热带气旋的累计降水量空间分布图Fig.13 Spatial distribution of accumulated precipitation of four tropical cyclones

图14 四场热带气旋的GI空间分布图Fig.14 Spatial distribution of Gini index of four tropical cyclones

图15 四场热带气旋累计降水量和降水集中度随离中心距离变化的关系图Fig.15 The relationship between accumulated precipitation/precipitation concentration and the shortest distance with tropical cyclone center for four tropical cyclones

而从降水时间分布情况来看（图14），热带气旋降水呈现出集中分布的情况，大部分网格的GI大于0.7。但是GI的空间分布则较为分散，高值区（0.9～1.0）主要分布在离中心路径一定距离的地区，而中心路径周围地区，GI 相对较小。这表明对于热带气旋事件，靠近中心路径的网格降水相较于其他网格在时间分布上表现得更为均匀。

为更好研究热带气旋事件的累计降水量和降水集中度在空间上的变化规律，通过计算影响范围内的网格距中心路径的最短距离，并以30 km 为固定步长，将不同网格分为若干组，在组内求对应网格的平均累计降水量和GI，得到的结果如图15 所示。从图中蓝色线可以看到，热带气旋的累计降水量随着最短距离的增加而剧烈减小，表明热带气旋降水主要集中在中心路径周围。同时从热带气旋海棠和泰利的结果可以发现（图15（a，b）），在0～200 km 内，累计降水量下降幅度较小，甚至随最短距离的增加而略有增加，表明在这两个热带气旋事件中，气旋降水主要集中在眼墙的结构内（林青，2014）。GI的变化规律则较为一致，在0～800 km 内呈现上升的趋势，表明降水随最短距离增加而在时间上分布得更加集中，在800 km后则剧烈下降，降水呈现均匀分布。总体而言，对于4 场热带气旋事件，距离中心路径200 km 以内为主要降水区域，降水量大，在时间上分布均匀，表示该范围内主要以长时间的大雨或者暴雨为主。而200～800 km 范围内，降水量迅速下降，但是在时间上愈发呈现集中分布态势，以短时的强降水为主，但是总体降水量相比于200 km 以内的地区则较小；800～1 100 km范围内则情况较为复杂，GI可能快速下降（图15（a，c）），伴随累计降水量基本不变或者有略微上升；GI 也可能在下降后再次上升，伴随降水量的增加（图15（d）），这可能是由于地区处在热带气旋边缘，受到多种不同因素的影响，从而导致多种情况的发生。

3 结 论

本文利用高分辨率降水产品数据和热带气旋最佳路径数据，基于GI、GIS和线性回归法的方法，对1979—2018 年影响我国的热带气旋降水时空变化特征进行了分析，得出以下主要结论：

1） 对于影响我国的热带气旋事件，在影响频次上有比较明显的下降，特别是粤港澳大湾区，其下降的趋势大于1.2/10a 并具有显著性，而年热带气旋降水量的趋势则呈现出空间差异性，广东、广西和云南等地区呈现下降趋势，长江下游地区和台湾地区呈现增加的趋势。

2） 热带气旋场均降水强度和GI，在1995 年后均表现出明显上升趋势；GI 在我国东南部呈现出明显的上升趋势，表明热带气旋降水在强度增强的同时分布更加集中。

3） 典型热带气旋事件的分析表明，距离中心路径200 km内的地区为热带气旋主要降水区域，以长时间大雨或者暴雨为主，降水量大，时间分布均匀；而在200～800 km 范围内，以短时强降水为主，降水量随距离增加而迅速减少，在时间分布上变得更加集中；热带气旋降水在空间上分布得越集中，其危害性越大，越有可能造成严重的台风灾害。