本文所需气象资料：1961~2022年江苏省沿海地区21个国家基本站的逐日降水数据，2013~2022年21个国家基本站和539个区域自动站逐小时降水数据( 图1 )，均来自江苏省气象信息中心，1:25万的基础地理信息数据来自国家基础地理信息中心。

从ETCCDI推荐的26个指数(网址： http://etccdi.pacificclimate.org/list_27_indices.shtml )中选取6个与降水有关指数( 表1 )进行时空特征分析。

极端强降水事件的识别标准采用杨霞等 [11] 利用的百分位阈值法来定义：把每个站点暖季非零小时降水量按升序排列，取其第X个百分位的降水量作为该站点极端强降水的阈值。当该测站降水量超过阈值，就认为该时次出现了极端强降水事件。 表2 给出了基于第95分位降水阈值作为江苏沿海地区1961~2022年极端小时强降水阈值。

线性趋势分析可以说明数据的长期变化趋势，并预测未来发展方向 [12] 。将气象要素的变化趋势用一次线性方程表示，公式中的 $x_i$表示样本量为n的要素变量值，用 $t_i$表示 $x_i$所对应的时间，建立 $x_i$和 $t_i$之间的一元线性回归方程：

$x_i=a+b{t}_i,i=1,2,3,\cdots ,n$(1)

回归系数b表示气候变量x的发展趋势：当 $b>0$时，表明随时间t的增加降水量呈上升趋势；当 $b<0$时则相反。b值越大，表示降水变化趋势越明显。

Mann-Kendall在气象学上常用于判断变化趋势以及是否发生突变的非参数统计检验方法。该方法不需要样本遵循一定的分布，也不受少数异常值的干扰，且计算简便 [13] [14] 。

假设降水序列是随机且独立的，可以定义统计量

$U{F}_k=\frac{{\text{d}}_k-E\left({\text{d}}_k\right)}{\sqrt{\mathrm{var}\left({\text{d}}_k\right)}},k=1,2,\cdots ,n$(2)

其中：

$E\left(d_k\right)=k\left(k-1\right)/4$(3)

$\mathrm{var}\left(d_k\right)=k\left(k-1\right)\left(2k+5\right)/72$(4)

给定显著性水平α，若UF > 0，则表示序列呈上升趋势；反之，则呈下降趋势。若 $\left|U{F}_k\right|>U_{\alpha }$，即曲线 $U{F}_k$超过显著性水平线，表明序列的上升或下降趋势显著；若 $U{F}_k$与 $U{B}_k$相交且交点位于临界线内，那么交点对应的时间即为突变开始时间，若两者存在多个交点，则突变年份无法确定；若交点位于临界线外，说明交点没有通过显著性检验，不具有突变性。

滑动T检验 [15] [16] 是考察两组样本平均值差异是否显著的一种统计方法，用于检验突变。通过比较某一段气象序列的两个子序列的平均值之间有无显著差异来判断两个样本有无显著差异。 该方法是对可能的突变点进行检验，通过与M-K突变检验以确定在该点是否发生突变。如果两个子序列的均值差异超过了一定的显著性水平，则认为在该点发生了突变。

Morlet小波分析可以解析出随机分布时间序列的多种周期变化，还可以定性评估出未来趋势 [17] [18] 。小波函数变化公式为：

$W_f\left(a,b\right)={\left|a\right|}^{-1/2}\Delta t{\displaystyle \underset{k}{\overset{N}{\sum }}f\left(k\Delta t\right)\bar{\phi }\left(\frac{k\Delta t-b}{a}\right)}$(5)

小波方差公式为：

${\delta }^2={\displaystyle \int {\left|W_f\left(a,b\right)\right|}^2}\text{d}b$(6)

式中， $W_f\left(a,b\right)$为变化函数；a为尺度因子；b为时间因子。

通过小波系数实部等值线图可以确定样本序列的变化周期，并通过小波方差图确定序列的主、次周期。

2013~2022年，江苏沿海地区共发生549站次的极端强降水事件。其中南通地区极端强降水事件较多，大部分地区超过1次，其中海门、启东和吕泗的局部地区超过3次，最多达17次(启东合作镇志良站)；盐城和连云港的大部分地区极端强降水事件小于等于1次，仅射阳、响水、盐都区、建湖、灌云、灌南、东海和赣榆东部极端强降水事件超过1次、局部3~6次( 图2 )。进一步年际分析发现，2013年以来，沿海地区极端强降水事件年际波动较大( 图3 )，最多年份为2021年(93站次)，最少年份为2022年(18站次)。

计算1961年以来沿海地区6个极端降水指数的区域平均值(图略)，均呈逐年上升趋势。其中，PRCPTOT指数年平均值在534.2~1000 mm，每10年增加13.73 mm；R95P指数和R99P指数的年均值分别为62.5~553.8 mm、8.7~246.3 mm，每10年增加12.32 mm和7.34 mm；RX1DAY指数和RX5DAY指数的年均值分别为55.5~158.8 mm、87.1~239 mm，10年增幅分别为1.85 mm和2.08 mm；SDII的年均值为9.8~16.2 mm/day，其10年增幅为0.22 mm/day。

进一步对沿海地区6个极端降水指数做MK突变检验( 图4 )。经显著性检验，R99P和SDII的增加趋势达到显著水平，剩余指标趋势不显著。结合滑动T检验( 图5 )，RX5DAY无突变，其余5个指数的突变主要集中在2013和2014年。

小波分析( 图6 )结果显示指标在30~40a和20a的时间尺度下具有周期性。其中在30~40a的尺度下指标具有20a左右的周期性，在20a的尺度下有10a左右的周期性并且都以“强弱强”分布。另外R95P和R99P还在10a左右的尺度下存在4a的周期性。

图4. 6个极端降水指数的突变检验

图5. 极端降水指数的滑动T检验

图6. 极端降水指数的小波变换等值线

1961~2022年沿海地区各极端降水指标空间分布特征明显。PRCPTOT指数呈纬向递减，高值区位于南通市大部分地区，其中通州站年均值最大，约1100 mm，低值区位于连云港市东海站，年均值约880 mm，仅南通市有50%的站点呈上升趋势( 图7(a) )，其他地区趋势不明显。R95P指数的高值区在盐城南部、南通市，低值区主要位于盐城市建湖县、射阳县部分地区以及连云港市西部地区，年均值在266 mm左右，通州站和启东站有上升趋势( 图7(b) )。R99P指数的高值区仍位于盐城南部和南通市，低值区相对于R95P范围明显缩小，最小值为73.1 mm ( 图7(c) )。可见以上3个指数的空间分布趋势相似，均呈南高北低分布。与之相反，RX1DAY指数、RX5DAY指数和SDII指数的空间分布大致为南低北高特征( 图7(d)~(f) )，但是有增长趋势的站点仍然位于南通市。

对1961年来南通市的全区域平均极端降水指标序列进行分析，发现其趋势皆呈显著上升( 图8 )。其中PRCPTOT每10年增加37.68 mm，全区域均值在561~1867.3 mm；R95P和R99P的均值范围分别在93.8~889.1 mm及0~424.75 mm，每10年增加24.5 mm和14.5 mm；RX1DAY和RX5DAY的指数年均值分别为56.35~178.72 mm及81.8~243 mm，每10年它们的增长幅度是3.5 mm和6.4 mm；SDII每10年增长0.3 mm/day。结合滑动T检验显示(图略) 6个极端降水指标的突变年份集中在2007~2009年。

图7. 极端降水指数的空间分布及其趋势

图8. 南通极端降水指数的MK突变检验

在对各极端指数序列进行小波分析后得到其周期分析图( 图9 )，其中6个指标都存在以20a和30~40a

图9. 南通极端降水指数的小波变换等值线

尺度下的周期性，其长度分别为10a和20a且均以“强弱强”分布；R95P和R99P还存在以10a尺度下的4a左右的周期性。

将沿海三市的结果进行对比后可见(图略)，连云港、盐城的6个极端降水指标均无明显的变化趋势且大部分指标在过去的63年无突变发生。在对三个城市进行周期分析后可见其第一主周期均在30~40a的时间尺度下，其中PRCPTOT在连云港存在着明显的交替。盐城的R95P、R99P、RX1DAY在10a和20a尺度下的周期性最明显。RX5DAY在三个城市中的周期性相似并且在南通的特征变化最明显，SDII的周期变化中南通和连云港最为相近。