我们使用了来自两个完全独立的网络运营商的雨量计数据：（1）奥地利的联邦地质，地球物理 ，气候和气象服务（以前称为ZentralanstaltfürMeteorologie und Geodynamik） ，在奥地利各地运营了近300个雨水量规站；（2）联邦农业，林业 ，地区和水管理部 ，I/3局，水平平衡（水文服务 ，缩写为1000多个雨量计站。根据最低数据的标准 ，选择了每小时的数据（请参阅下面的63个GSA站，50个小时的GSA站 ，779个每日hyd站和163个小时的HYD站 ，选择了由于每小时和每日的每日记录，都有883个站点 。
GSA网络的录音量表主要是1980年代之前的漂浮设备 。根据制造商 ，这些逐渐被PAAR AP23小费桶取代（10-S采样频率 ，0.1毫米分辨率，分辨率为0.1毫米，精度为±1％）。2000年后 ，一些电台更改为总雨量称重系统（TRWS）-MP ，称重仪，具有500 cm2收集区域（1分钟采样频率 ，0.06毫米H-1 H-1分辨率 ，0.01毫米（深度）和0.01毫米（0.01毫米）min-1（强度）（强度）分辨率，分辨率为制造商） 。HYD网络的录音量表主要包括顶级（OTT）PLUVIO2和SOMMER NIWA-505称量仪 ，其收集面积为200、400或500 cm2 。倾倒桶较少（主要是Sommer MR3） ，其收集区域（1-S采样频率，0.1毫米的精度）和光传感器（主要是OTT Parsivel2）。在1980年代之前 ，录音仪通常在一年中的寒冷月份（10月至4月）中失效 ，从而导致数据差距 。此外，手动雨量测量值（即弹药仪）正在运行 。扩展数据图3显示了在研究期间每种类型的站点数量的演变 ，表1给出了每个注册系统的车站年。
大降雨的测量受风漂移和注册系统引起的错误影响 。由于注册系统在观察期发生了变化 ，因此必须考虑变化分析中后一种错误类型 。来自不同自动降雨量测量值的错误特性已在许多现场和实验室实验中进行了广泛的评估，并且在注册类型61,62之间有所不同。如下所述，我们评估了每种注册类型的合理错误（表2） 。对于膜计 ，我们选择±0％ ，因为这些是手动测量值，观察者通常会意识到任何观察误差 。尽管没有用于浮动器的文献 ，但网络运营商的轶事证据表明 ，该系统的虹吸管经常出现问题，因此选择了相对较大的-5％误差（低估）。对于小费桶类型 ，世界气象组织（WMO）研究62（附件AP23 PAAR ，实验室测试表图形图形和现场校准表）在50-80 mm H -1的研究区域中，典型的大降雨强度的误差为-3％ ，并且假定为50-80 mm H -1的误差 ，并且假定为-2.5％的误差为-2.5％。对于称重量规类型，WMO研究62（附件PLUVIO OTT和TRWS-MP ，实验室测试表图形和现场校准表）的误差为-1％（TRWS-MPS）和±0％（PLUVIO OTT）的误差相同强度 。在这里 ，我们选择了所有称重量规的误差为-1％，并且假定每天降雨的误差为-0.5％ 。对于光学传感器类型，WMO研究62（附件Parsivel OTT ，比较比较测量表 ，上图图）的误差为相同强度的误差为 +20％，即大量高估。
大雨分析的重点是温暖季节（5月至9月） ，因为在寒冷的季节没有进行浮动仪表 。鉴于温暖季节的大雨远高于寒冷的季节16,17 ，结果也代表了全年 。大雨定义为雨天降雨时间序列的第99个百分点（大于降水量的0.2 mm D -1）和湿小时（大于0.2 mm H -1 OF沉淀）。第99个百分位数是在21年的鲁棒性移动窗口中估计的，并在中场绘制 。在系列的开始和结束时 ，窗户被允许较短 ，至少11年（第一年和接下来的10年，去年和前10年） 。灵敏度分析表明 ，修改窗户大小仅略微改变了大降雨的演变。为了最大程度地减少丢失数据的效果 ，我们仅估计那些移动的窗户的百分位数，而窗口中任何一个月中的任何一个月都从未超过50％的丢失数据的阈值 ，这会导致每小时和每日时间序列分别为36和72的估计百分比估计百分比 。此外 ，排除了1981 - 2010年参考期内有效百分位数估计值少于20个有效百分位数的站点，导致883个站 。大雨异常是根据移动窗口的百分位数以及参考期内这些百分位数的平均值计算得出的，除以每个站的平均值。通过随机进行研究区域的站点进行的灵敏度分析表明 ，站密度对大降雨异常的影响很小（扩展数据图4） 。为了量化每日和每小时大雨的共同发生 ， 我们计算了在1981 - 2010年参考期间超过第99个百分位的几天的比例 。共发生很少（平均为9.0±0.4％的天数）。
我们通过两种方式在空间上对大降雨异常进行了分层。第一个分层是进入47.6°N的北部和南部，代表了欧洲阿尔卑斯山以北和南部的大雨的气候政权 。
一般的气候分裂与主要高山山脊（奥地利47°N）相吻合18,19 ，而夏季大雨的分裂线却较远 ，北部为8,23,63 。第二个分层是按高度划分的，将电台分为低地（小于或等于海平面以上800 m（A.S.L.））和山区（超过800 m a.s.l.）站。
我们使用了来自奥地利63个站点 ，GSA和HYD网络的每日空气温度记录 ，以随着空气温度的变化而瞬时缩放大雨 。我们使用了来自奥地利66个站点的每月空气温度记录，该记录来自大高山区（Histalp）数据库的历史仪器气候表面时间序列 ，这些数据库已检查 ，质量检查，校正和均质 。每年 ，在参考期（1981- 2010年）中 ，每个站的平均值（5月至9月）的平均值均通过其平均值进行标准化，然后在整个研究域中平均在整个研究域中取平均值，以在研究域中获得年度时间序列的空气温度异常。这个时间序列均用于气候变化 ，并通过空气温度变化以及大降雨和空气温度之间的相关性分析来缩放大雨 。
瞬时缩放基于分位数回归 ，估计了每小时的第99个百分位数与每日降雨（因变量）和气温（自变量）的对数之间的线性关系，将所有站点（自变量）汇总 ，将所有站点汇总 。对离群值的分位数回归比集合温度更为常见的回归模型更强大40,64,65。通过引导模型的系数进行引导（图2D和扩展数据表3中的数字）来评估不确定性 。为了可视化 ，大降雨是按月归入的（图2D中的线） 。对于气候缩放，在两个21年的亚周期（1950-1970和2003-2023）中平均所有大降雨异常的空间平均值平均 ，并评估了每小时和每天的大降雨的异常差异。对于组织气温计算了相似的差异 。两者之间的比率表示气候缩放66,67（图2E中的数字和扩展数据表3） 。通过自举估计不确定性。
在本研究20中 ，使用了中欧大气流条件（子午线和持久性）的两个指数，这些指标基于每日循环类型分类68,69。循环类型分类具有七个分区 ，三个（东北 ，冷漠；东部，冷漠；北环）被认为是子午类型的 ，因为它们表现出强烈的北流量成分 ，在整个域70中具有低压梯度，而两个（西部 - 西部，环境 ，环形 ，旋风，平坦的压力；北欧洲的平坦压力；北部的压力均强大） ，因为它们是零型的 ，因为它们的质量强大了 。其余两种表示纯旋风/反流行循环类型 。
子午线指数是在1900 - 2023年期间的平均值缩放的子午线和区域循环类型的频率之间的差异。为了可比性，该指数在1981 - 2010年参考期间调整为零平均值 。正子离指数表明参考期间子午流的优势 。对于七种循环类型中的每一种 ，任何一天的循环类型与前一天的循环类型相同。持久性指数是每年71,72的七种循环类型的这些概率的平均值 ，已调整为单位差异，在参考期间的平均值为零 。持久性指数表明持久性比参考期的平均值更强 。与大降雨相同的21年平均窗口被应用于子午线和持久性指数 ，以突出长期波动。
其他信息包括基于在1960 - 2017年期间通过其起源和路径（6小时的时间步长）检测到63个旋风的方案 ，并根据其起源和路径（6小时的时间步长）进行分类 。我们挑出了两个田径群 - VB和X-N，代表北奥地利的大雨 ，X-S代表了奥地利南部的大雨 。第一个旋风轨道指数是每年在1981 - 2010年参考期间按平均值标准化的VB和X-N轨道的频率 ，并缩放为单位方差，第二个是X-S轨道的等效索引。两个指数都应用了一个21年的移动平均窗口 。
为了探索对大雨的其他影响，我们使用了两个硫酸盐气溶胶浓度的数据集 。第一个是从意大利Alps74中的Colle Gnifetti冰盖的冰芯进行了下片解决的重建 ，第二个是从奥地利Alps75的sonnblick天文台附近的冰川田野上的冬季雪堆中从冬季雪堆的冬季雪堆中解决的重建。
洪水数据是从泛欧洲洪水数据库52,76,77获得的。该数据集由每个日历年的排放量最高（每日平均值或瞬时放电）组成 ，从欧洲的8,023河仪表组成 。在这里，我们使用了来自奥地利内部有693个集水区的洪水数据 ，或者在奥地利境外不超过30公里 ，在1981 - 2010年参考期间至少有10年的数据 。流域的尺寸从1到250,000 km2不等。
洪水异常是通过将每个系列的年度最大排放除以1981 - 2010年参考期间的平均值，从中减去统一 。然后 ，使用一个集中的移动平均窗口将洪水异常平滑 。我们选择一个比21年窗口更长的窗户来进行大雨 ，因为洪水的时间波动更大，目的是以可比的方式代表年代阶段的变化。在扩展数据图8中 ，我们使用了全年的最大洪水峰 ，而在图3中，我们使用了温暖季节的最大洪水峰 ，再次使用了与大雨的可比性 。在整个研究区域中 ，夏季的大部分最大年度出院都是由降雨引起的，雪融化仅占夏季活动的5％（Merz andBlöschl，2003年） 。在将洪水排放与大雨相关的地方 ，我们将一个分类用于小于50 km2且大于500 km2的集水区。敏感性分析表明 ，时间洪水降临的相关性仅对选择集水区尺寸阈值的敏感性有些敏感 。
我们使用Spearman的等级相关分析来估计大降雨异常与其潜在驱动因素（子午线指数，持久性指数 ，空气温度）之间的关系强度 ，以及大降雨和洪水之间的关系 。我们之所以选择Spearman的相关性，是因为并非所有关系都是线性的。在估计相关性的重要性时 ，我们解释了最近开发的方法58的移动平均窗口加剧异常的自相关 。
本文来自作者[admin]投稿，不代表东辰文化立场，如若转载，请注明出处：http://www.mzwhys.cn/cshi/202506-2886.html
评论列表（4条）
我是东辰文化的签约作者“admin”！
希望本篇文章《在洪水变化中反映的奥地利每小时大雨增加》能对你有所帮助！
本站[东辰文化]内容主要涵盖：生活百科,小常识,生活小窍门,知识分享
本文概览： 我们使用了来自两个完全独立的网络运营商的雨量计数据：（1）奥地利的联邦地质，地球物理，气候和气象服务（以前称为ZentralanstaltfürMeteorologie u...