在长期趋势的检测归因研究当中，往往需要判断整个区域长期趋势是否显著，一般做法是对区域进行平均，然后对该序列进行趋势显著性判断，但是由于降水以及极端降水明显的空间差异以及低信噪比，这样会导致相反趋势相互抵消，影响对长期趋势的判断，进而影响人类活动归因的结论。一种替代做法是对区域内所有的站点单独进行显著性检验（多重检验），但是这样会增加犯第一类错误的概率。虽然也有很多方法可以用来解决多重检验问题，但是对于降水这种低信噪比变量，哪种方法能够更有效的检测到整体趋势，对于理解降水的长期趋势变化以及人类活动影响非常重要。

为此，我们对比了4种常用的整体趋势显著性方法：为降低犯第一类错误概率的Walker检验方法和错误发现率（FDR）方法，将多重检验视为多元回归显著性检验的Regression Pattern（RP）方法，以及传统的考虑站点独立性的Counting方法。为了检验四种方法检测整体趋势显著性的能力，我们利用两套大样本模式模拟资料，CanESM2-LE（50个ensembles）以及CESM-LE（40个ensembles）,构建了只受内部变率影响的降水时空场（H0），以及受相同内部变率但叠加外强迫影响的降水时空场（H1），使用统计功效的概率，也就是能够正确的拒绝错误原假设能力，来验证四种方法的统计功效，该值越大，说明该方法能够更有效的从已存在整体趋势中检测到整体趋势的显著性。结果表明，两套大样本资料得到的四种方法的统计量有明显的区别（图1），一方面验证了我们分离内部变率和外强迫方法的合理性，另一方面也说明外强迫对中国区域平均以及极端降水整体趋势的增加有重要贡献。

图1. 基于CanESM2-LE（a–d）和CESM1-LE（e–h）的平均降水，Walker检验（a, e）、FDR检验（b, f）、RP检验（c, g）和Counting检验（d, h）中，仅受内部变率（IV）影响以及受内部变率与外部强迫共同影响（IVEF）的实现所得到的统计量直方图。实线表示基于核分布的直方图平滑版本。红色（蓝色）虚线分别表示Walker和FDR检验中IVEF（IV）的5%分位数，以及RP和Counting检验中的95%分位数。

基于以上计算了四种方法的统计功效，发现传统的Counting方法的统计功效更好（图2），进一步将Counting方法应用到中国区域发现极端降水的整体趋势显著性出现的时间早于平均降水。同时本文也讨论了其余方法统计功效低的原因，Walker和FDR中对单个站点的显著性程度非常敏感并且没有考虑站点之间的依赖性，RP方法虽然考虑的依赖性由于是多元回归需要假设服从正态分布而这对降水并不适用，Counting方法不仅考虑了站点之间的依赖，还不需要正态分布假定，因此表现出较高的统计功效。因此该方法更适合应用于低信噪比变量，因为可以从存在的趋势中更有效的检测出趋势的显著性。

图2. 基于CanESM2-LE和CESM1-LE构建的平均降水场（左图）和极端降水场（右图），应用四种场显著性检验的统计功效。

论文信息：

Li, W*., B. Huang, Z. H. Jiang, et al., 2026: From local to field significance: A comparative analysis of trend detection methods for mean and extreme precipitation over China. Journal of Meteorological Research, 40(5), 1-14, doi: https://doi.org/10.1007/s13351-026-5368-2