利用尺度行为预警极端降水事件

为何突发性强降雨重要

山洪、滑坡和城市内涝往往不是由连续几天的降雨引发，而是由几小时的强降水突发引起。然而，这类短时、强烈的降雨仍然是最难预测的天气事件之一。本研究提出了一个简单却有力的问题：是否能在极端小时降雨发生的时间模式中发现隐含信号，在不依赖复杂数值天气模式的情况下提前预警下一次强降雨？

雨中的隐秘节律

研究人员分析了东部中国1,729个站点、为期五年的高质量小时雨量计数据，该地区经常遭受季风暴雨、台风和锋面性降水。他们不只关注降水量的多少，而是重点研究极端小时事件发生的时序及其持续时间。利用时间序列分析工具，研究团队检验了降雨记录是否表现出长期持久性——换言之，湿润或干燥期是否会“记住”数小时或数天前的状况，而非像随机抛硬币那样无记忆。他们发现小时降雨在时间上有两段明显尺度：短尺度（约半天到五天）表现出强烈的持久性，而较长尺度（超过约五天）则记忆性明显减弱。

成群到来的风暴

在此背景下，团队转向极值事件：那些降雨量异常高的少数小时。他们测量了两个基本特征——极端事件之间的间隔以及每次极端过程一旦开始时的持续时间。如果极端事件是随机的，它们之间的间隔将遵循简单模式，类似放射性衰变或泊松过程。相反，观测到的间隔呈“伸展”分布，短间隔和长间隔都比随机情形更多，这意味着强降雨倾向于成簇出现，簇与簇之间是较为平静的时段。极端过程的持续时间也显示出比随机数据更高的长时持续概率。当科学家打乱数据顺序以破坏长程记忆但保持短期结构时，聚集现象消失了，证明这种记忆是暴雨成簇的关键驱动因素。

昨日风暴如何影响明日风险

为了把这种联系具体化，作者们计算了每次极端事件对随后短时间内再现极端概率的影响强度。他们使用了“风险函数”（hazard function）：给定一场极端小时发生在t小时之前，那么在接下来的短时间间隔内再发生极端的概率是多少？在真实降雨数据中，这种风险在极端发生后短时间内很高，然后以近似幂律的方式衰减，持续约四天左右，此后过往事件的影响变得微弱。构造的具有相同长期持久性的人为数据表现出几乎相同的行为，而完全打乱的数据则给出平坦的风险曲线，表明没有记忆。这些结果表明，降雨的多尺度结构——在短时间尺度上存在强记忆——直接决定了极端事件在时间上的聚集方式。

将模式转化为早期预警

基于这一洞见，研究者提出了一种简单的统计预警方法。对每个站点利用历年小时数据估计风险函数，然后逐小时将自上次极端以来的时间转换为当前风险水平。如果估计风险超过预设阈值，系统就发出即将发生极端事件的警报。他们用预报学中常用的受试者工作特征（ROC）曲线评估性能，该曲线权衡系统正确预报极端的频率与正确识别非极端小时的频率。各站点总体预警效率在约0.69到0.93之间，平均为0.76，在降雨短期记忆最强的地区效果最好。与一个领先的全球数值天气预报系统相比，他们的纯统计方法在六小时前置时间的预警上略逊一筹，但仍具竞争力。

对未来防洪安全的意义

这项工作表明，东部中国的极端小时降雨并非随机发生：它们倾向于在时间上成簇出现，而这种聚集可追溯到风暴在数小时到数天尺度上的持续性。通过量化每次极端事件后新一轮强降雨风险的升降，作者证明了相对简单的数据驱动方法可以提供有用的早期预警，作为复杂数值天气模式的补充。就实际应用而言，城市、农户和水利管理者未来可以利用此类基于模式的工具，更好地判断何时进入山洪或内涝的“危险窗口”，在一个随着变暖而强降雨可能增多的世界中增加一层保护。

引用: Yang, L., Yuan, N. & Chen, B. Forewarning extreme precipitation events using scaling behaviors. Sci Rep 16, 10795 (2026). https://doi.org/10.1038/s41598-026-45565-3

关键词: 极端降水, 小时降雨, 暴雨聚集, 早期预警, 气候变率