Assessing the Evolution of Rainfall Trends in India through Historical Analysis, Forecasting, and Comparison with the CMIP-6 SSP585 Scenario

技术摘要：通过历史分析、预测以及与 CMIP-6 SSP585 情景的比较，评估印度降雨趋势的演变

问题陈述
气候变化正在驱动极端天气事件的广泛波动，给水资源、农业和经济稳定性带来了重大挑战，尤其是在像印度这样的亚热带地区。降雨作为水文循环的基本驱动力，其不规则性日益增加，导致了干旱、洪涝和作物歉收。虽然以往的研究分析了全球或国家层面的降雨趋势，但仍需要进行综合性的、时空广泛的分析，将历史趋势检测与先进的机器学习预测以及与高排放气候情景的比较相结合。此外，传统的统计方法在处理非正态分布数据、自相关性和识别长期时间序列中的结构性断点（变点）方面往往存在困难，这可能导致误导性的结论。

研究方法
本研究对横跨 122 年（1901–2022 年）的印度降雨数据进行了严谨的分析，并将数据划分为六个同质区域（HR）和三十四个气象次级区域（MSD）。研究方法整合了四个不同的分析组件：

1. 趋势检测： 研究采用了非参数统计技术，特别是 Mann-Kendall (MK) 检验和 Sen's 斜率估计法，以识别年降水量、季节性和月降水量的单调趋势。为了解决自相关和数据同质性的局限性，作者集成了同质性检验（Pettitt、Buishand Range 和标准正态同质性检验），在进行趋势分析前检测变点（断点）。
2. 创新趋势分析 (ITA)： 为了验证并完善结果，研究利用了 ITA 方法（Şen, 2012）。这种图形化非参数技术可以处理自相关数据和异常值，且不需要对样本量或线性关系做出严格假设，从而能够检测时间序列中的子趋势和不同的趋势组合。
3. 机制分析： 为了理解观测到的变化的物理驱动因素，研究分析了 ERA5 再分析数据（1940–2022 年）。关键变量包括对流降水、低云量以及垂直积分水分辐合。研究识别出了 1956 年的一个变点，并评估了 1940–1956 年期与 1957–2022 年期之间环流模式的差异。
4. 预测与情景比较： 使用人工神经网络-多层感知器（ANN-MLP）模型，基于历史数据训练并预测至 2050 年的年降水量。模型性能通过均方根误差（RMSE）和平均绝对误差（MAE）进行优化。随后，将这些机器学习预测结果与耦合模式比较计划第六阶段（CMIP-6）在共享社会经济路径 5-8.5（SSP585）情景下的投影进行对比，该情景代表了“照常进行”的最坏情况气候轨迹。比较过程使用了由三个 CMIP-6 全球气候模型（CanESM5、BCC-CSM2-MR 和 IITM-ESM）组成的多模型集合（MME）。

主要结果

• 历史趋势： MK 检验和 ITA 显示，东北部同质区域（Northeast HR）及七个特定气象次级区域（包括阿鲁纳恰尔邦、阿萨姆梅加拉亚邦和 NMMT）的年降水量呈现显著负趋势。相反，包括安得拉海岸地区和旁遮普邦在内的九个气象次级区域表现出显著的正趋势。季节性分析显示，东北部同质区域在季风季节呈现负趋势，而安得拉海岸地区和旁遮普邦的季风降水量则呈增加趋势。
• 变点： 同质性检验表明，大多数地区在 20 世纪 50 年代后经历了降水模式的结构性断点。变点后分析证实，东北部同质区域及若干东部次级区域在过去 70 年间经历了季风降水的显著下降。
• 物理驱动因素： ERA5 分析将降水变化归因于对流降水、低云量增加以及垂直水分辐合不足的波动。具体而言，东北风的增强减少了冷空气的侵入，导致冬季降水减少；而西部和中部地区水分辐合的增加则导致了更为干燥的状况。
• 预测 (2050)： ANN-MLP 模型预测到 2050 年，全印度的年降水量将总体下降。虽然东北部同质区域预计仍将保持最高的平均降水量（约 1920 毫米），但西北部同质区域预计将面临最显著的减幅。
• 与 CMIP-6 SSP585 的比较： 一个关键发现是，所有六个同质区域以及 34 个气象次级区域中的 28 个，其 ANN-MLP 预测的降水量均低于 CMIP-6 在 SSP585 情景下的多模型集合（MME）投影。这表明，实际的未来降水量可能会比最坏情况下的气候模型预测还要低，预示着严重的缺水轨迹。仅有七个气象次级区域（主要是沿海及部分内陆地区）预计会超过 SSP585 的降水量水平。

意义与主张
作者声称，本研究通过将历史趋势分析与未来预测及气候模型验证相结合，提供了对印度降雨演变的全面、多维度的评估。将变点检测与 MK 及 ITA 方法集成，为理解非单调趋势提供了比单一传统方法更稳健的理解。

研究指出，通过将机器学习预测与 CMIP-6 SSP585 投影进行对比，提供了一个评估区域气候影响的独特框架，揭示了印度可能面临的降水赤字甚至会超过最悲观的气候模型预测。这些发现对于决策者、水文学家和农业规划者制定灌溉、水资源管理和气候韧性适应策略至关重要。作者承认了研究的局限性，指出其广泛的空间尺度（40 个区域）限制了微观层面（县/区块/村庄）的分析，且缺乏日尺度数据限制了当前趋势检测的粒度。他们建议未来的工作应采用先进的深度学习（如 LSTM）和基于网格的遥感技术来完善这些见解。