编辑推荐：
本研究通过整合主成分分析（PCA）、小波相干分析和交叉相关性，分析1901-2021年印度Krishna河流域月最大降雨极端事件与9种气候因子的关联。发现区域指标（如IVT、MATA、MITA）在30%方差解释下与极端降雨存在最强、最持续的小波相干关系，显著高于ENSO等遥连指数。交叉相关显示ENSO存在2-3个月滞后影响，而区域指标具有 contemporaneous作用。该框架为筛选具有物理意义的协变量提供方法，对气候变化下的水文风险评估具有重要启示。
作者：Shubham Dixit 和 Kamlesh K. Pandey
印度理工学院（Banaras Hindu University）土木工程系，瓦拉纳西 221005，北方邦，印度
摘要
印度的极端降雨受远距离遥相关影响和区域热力学过程的双重作用影响。然而，大多数以往的研究都侧重于大规模指数，如厄尔尼诺-南方涛动（ENSO）或印度洋偶极子（IOD），并通过小波分析单独研究它们。虽然这些方法有助于识别时间-频率关联，但忽略了协变量之间的多重共线性，也无法揭示它们之间的相互作用。为了解决这个问题，本文应用了一个统一的诊断框架，整合了主成分分析（PCA）、小波一致性和互相关方法，对印度半岛1901年至2021年的月度极端降雨九个气候协变量进行了分析。PCA将相关协变量转换为九个正交的主成分（PC）时间序列。PC1和PC2解释了九个协变量集合中约45%的方差，但它们与极端降雨的小波一致性较弱且不一致。相比之下，主要由区域指标（综合水汽输送（IVT）和最大/最小温度异常（MATA, MITA）组成的PCs解释了约30%的方差，并在超过80%的站点显示出最强和最持久的小波一致性。互相关分析显示ENSO有2-3个月的滞后，而IVT和区域温度异常则具有同时性影响。这些发现表明，在最近几十年中，区域控制作用增强，IVT和区域温度异常提供了比远距离遥相关的滞后和较弱影响更强的、更同时的、更持久的控制作用。PCA-小波框架为基于证据的极端值模型筛选物理上有意义的协变量提供了方法，这对气候变化下的水文风险评估具有重要意义。
引言
降雨是水文循环的关键组成部分，特别是在像印度这样的季风主导地区，它决定了水资源的可用性，支持农业生产，并维持了大量人口的生计。印度季风具有高度动态性，对全球和区域气候波动非常敏感，使该国容易受到干旱和洪水的影响（Krishnan等人，2020；Maharana等人，2021；Mishra等人，2024）。这种脆弱性因强烈的时空降雨变异性而加剧，这使得预测、规划和风险评估变得复杂（Gupta等人，2024；Rai等人，2020；Thomas等人，2025；Varikoden等人，2025）。近年来，气候变化已成为全球（Cheng等人，2024）和地区（Dixit和Pandey，2024）降雨变异性和极端事件变化的主要驱动因素，通过增强的大气水分可用性和相关的降水行为变化（Kalik等人，2024）。气候变化还可以改变大尺度环流模式，从而影响水分输送（水平水分供应）和对流（垂直上升），可能改变和放大影响降雨发生的时间、地点和方式的遥相关路径（Cao等人，2023；Norris等人，2022；Shrestha和Soden，2023；Trascasa-Castro等人，2023）。这些效应对南亚尤为重要，因为局部极端事件通常与远距离海洋-大气相互作用有关（Aneesh和Bódai，2024；Tang和Luo，2025；Trombini等人，2025）。因此，在变化的气候条件下理解这些遥相关对于预测水文气候风险至关重要。
近年来，极端降雨事件的频率和强度都有所增加，从短时云爆到长时间的季风降雨都有（Allan等人，2020；Clarke等人，2022；Fowler等人，2021），这对洪水风险、基础设施故障和水资源-粮食安全产生了严重后果（Grossiord等人，2020；Jaegermeyr等人，2021；Malhi等人，2021；Singh等人，2023）。这些趋势引发了人们对当前风险评估和管理实践是否充分的担忧，因为传统的水文和基础设施规划假设了稳定性，即水文气象极端事件的统计特性随时间保持不变，从而可以使用历史降雨记录来估计设计规模和重现期（Brunner等人，2021）。
然而，气候变化通过引入降雨极值的非平稳性挑战了这一假设，使得从历史观测中推断出的分布不再稳定（Dixit和Pandey，2026；Hosseinzadehtalaei等人，2020；Martel等人，2021；Slater等人，2021）。表示这种情况的一种常见方法是使用协变量驱动的极端值模型，其中分布参数随外部气候驱动因素变化，包括大规模遥相关和区域气候指标（Coles，2001；Helsel等人，2020）。在这种情况下，非平稳建模的有效性取决于选择与当地极端事件物理相关的协变量（Agilan和Umamahesh，2017）。现有文献大多依赖于遥相关指数作为协变量（Agilan等人，2021；Agilan和Umamahesh，2017；Bhere和Reddy，2024；Mondal和Mujumdar，2015）。尽管这些遥相关强烈影响了南亚的广泛季风背景，但仅使用它们可能不足以解释特定地点的极端事件。这并不是因为遥相关不重要，而是因为关键的区域大气指标经常缺失或使用不足（Faulkner等人，2020），尽管极端事件通常受即时大气环境（水分输送和汇聚以及局部热力学不稳定性）的控制。
出于需要评估结合远距离遥相关指数、全球变暖指标和区域大气指标的协变量集对降雨极端事件的影响的动机，本研究旨在测试哪一类驱动因素随时间与当地降雨极端事件显示出最一致的联系。由于气候对极端事件的影响可能是间歇性的且依赖于时间尺度，因此使用小波一致性来识别每个协变量何时（在时间上）以及在哪些时间尺度上与极端降雨表现出一致性（即一起变化）。虽然小波研究通常逐一分析协变量，但这可能会掩盖许多此类气候协变量之间的相互依赖性和统计冗余性，这可能导致在多变量极端值设置中协变量效应识别不准确和参数估计不稳定（Das等人，2020；Kurths等人，2019；Raghuvanshi和Agarwal，2024；Rathinasamy等人，2019）。为了评估相关驱动因素如何共同作用，对标准化协变量集应用了主成分分析（PCA）以获得正交分量，即主成分（PCs）。每个PC是原始协变量的线性组合，载荷量量化了每个协变量对该分量的贡献程度。由于PCs相互不相关，每个PC都捕捉了协变量集合中的不同共变模式（Hotelling，1933）。因此，每个PC的载荷结构表明了哪个协变量类别对给定分量的贡献最大。然后对这些主成分应用小波一致性分析，以检查它们与降雨极端的组合关系随时间和时间尺度的演变。最后，为了考虑延迟的协变量影响，使用互相关来估计降雨极端事件与每个协变量之间的主导领先-滞后关系。这有助于通过区分近乎同步的关系和作为延迟调节器的关系来进行解释（DeWalle等人，2016；Olden和Neff，2001；Pei等人，2017）。上述框架应用于印度半岛一个河流流域的月度最大降雨量，以评估哪个协变量类别最一致地捕捉了降雨极端的变化。
研究区域
克里希纳河流域位于印度半岛，气候复杂且水文意义重大，非常适合研究降雨变异性及其气候驱动因素。该流域覆盖马哈拉施特拉邦、卡纳塔克邦和安得拉邦，面积约为258,948平方公里，经度范围从73°17′E到81°9′E，纬度范围从13°10′N到19°22′N。克里希纳河发源于马哈拉施特拉邦Jor村附近的西高止山脉，向东流约1400公里
分析工作流程概述
方法工作流程（图2）首先将降雨和协变量数据时间同步到月度分辨率（第3.2节）。然后在23个地点应用小波一致性（WTC），以量化月度最大降雨与每个标准化气候协变量之间的时间和时间尺度依赖性关联（第3.3.1节）。同时，对去季节化和预白化的月度总降雨和协变量序列进行互相关分析，以估计
气候协变量与降雨之间的小波一致性
在克里希纳河流域的23个地点评估了月度最大降雨与九个气候协变量之间的小波一致性（WTC），以表征时间和时间尺度依赖的关联（图3、图4、图5）。结果按协变量类别总结：海洋-大气遥相关指数（SOI、SST、DMI）、全球温度异常指数（GTA、NTA、STA）和区域气候指标（MATA、MITA、IVT），完整的站点级WTC对比见补充材料
讨论
本研究的主要挑战是建立一个透明的基础，以确定哪些气候协变量最有助于表征非平稳的降雨极端事件。以往的研究通常基于先例采用了一组固定的全球指数，但这种方法可能会包括冗余或相关性较弱的驱动因素（Benoit等人，2018；Chebana和Ouarda，2021；Chen等人，2021；Goyal等人，2022；Mondal和Mujumdar，2015；Xiong等人，2015）。
结论
本研究使用结合小波一致性、互相关和主成分分析（PCA）的统一框架，研究了大规模气候协变量和区域气候指标对印度半岛河流流域月度降雨极端事件的影响演变。这种方法能够评估不同时间尺度上单个协变量的影响，并通过主成分评估它们的综合信号。
得出了几个关键见解。
CRediT作者贡献声明
Shubham Dixit：撰写 – 审稿与编辑，撰写 – 原稿，可视化，验证，软件，资源，方法论，正式分析，数据管理，概念化。Kamlesh K. Pandey：撰写 – 审稿与编辑，验证，监督，方法论，概念化。
写作过程中使用生成式AI和AI辅助技术的声明
在准备这项工作时，作者使用了OpenAI GPT来使语言更清晰，便于理解和校对。使用该工具/服务后，作者根据需要审查和编辑了内容，并对出版物的内容负全责。
未引用的参考文献
Roy和Chintalacheruvu，2024
利益冲突声明
作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文所述的工作
致谢
Shubham Dixit衷心感谢印度教育部通过总理研究奖学金（PMRF ID: 1102013）提供的财政支持。
