遥感科学与应用技术

基于CMIP6的中国未来高温危险性变化评估

  • 郭春华 , 1, 2, 3 ,
  • 朱秀芳 , 1, 2, 3, * ,
  • 张世喆 3 ,
  • 唐明秀 3 ,
  • 徐昆 3
展开
  • 1.北京师范大学 遥感科学国家重点实验室,北京 100875
  • 2.北京师范大学 环境演变与自然灾害教育部重点实验室,北京 100875
  • 3.北京师范大学地理科学学部遥感科学与工程研究院,北京 100875
* 朱秀芳(1982— ),女,浙江天台人,博士,副教授,主要从事遥感应用与自然灾害研究。E-mail:

郭春华(1999— ),女,陕西延安人,硕士研究生,主要从事遥感应用与自然灾害研究。E-mail:

收稿日期: 2021-08-21

  修回日期: 2022-01-15

  网络出版日期: 2022-09-25

基金资助

国家重点研发计划项目(2019YFA0606900)

国家自然科学基金面上项目(42077436)

Hazard Changes Assessment of Future High Temperature in China based on CMIP6

  • GUO Chunhua , 1, 2, 3 ,
  • ZHU Xiufang , 1, 2, 3, * ,
  • ZHANG Shizhe 3 ,
  • TANG Mingxiu 3 ,
  • XU Kun 3
Expand
  • 1. State Key Laboratory of Remote Sensing Science, Jointly Sponsored by Beijing Normal University and Institute of Remote Sensing and Digital Earth of Chinese Academy of Sciences, Beijing 100875, China
  • 2. Key Laboratory of Environmental Change and Natural Disasters, Ministry of Education, Beijing Normal University, Beijing 100875, China
  • 3. Institute of Remote Sensing Science and Engineering, Faculty of Geographical Science, Beijing Normal University, Beijing 100875, China
* ZHU Xiufang, E-mail:

Received date: 2021-08-21

  Revised date: 2022-01-15

  Online published: 2022-09-25

Supported by

National Key Research and Development Program of China(2019YFA0606900)

General Program of National Natural Science Foundation of China(42077436)

摘要

评估高温灾害的危险性变化,能够为区域高温灾害风险管理和制定减灾措施提供决策依据。本研究选取高温日数、最高温度和平均高温强度3个指标,基于1961—2020年中国2517个气象站点日最高温数据和CMIP6情景模式比较计划中SSP2-4.5情景下12个气候模式提供的2031—2099年未来气候预测数据集,用核密度概率估计方法计算了4个重现期(即5、10、20和50年)下3个指标的取值,对中国未来高温危险性变化进行了评估。结果表明:① 在SSP2.4-5情景下,中国的高温日数呈现出4个危险中心,分别是:西北干旱(半干旱)地区中部、华北和华中地区的交汇区域、西南地区中部和华南地区南部,并且高温日数从这4个中心向外逐渐减少;最高温度在空间上的分布北部大于南部,东部大于西部。平均高温强度的分布则呈现出从华北地区南部、西北干旱(半干旱)地区西部和东部地区西部向我国除青藏高原地区外的其它地区减少的趋势; ② 在SSP2.4-5情景下,随着重现期年限的增长,中国地区3个高温指标均呈增长趋势且增幅较大,并且高值范围也在不断扩大;③ 3个高温指标变化值均呈现出了明显的空间聚集性,3个指标共同显示的热点区域包括西南地区北部和南部、西北干旱(半干旱)地区中部和华北、华中地区的少部分区域,这些地区发生高温灾害的可能最大,同时根据高温日数变化和最高温度变化,东部地区西部发生高温灾害可能也较大,3个指标共同显示的冷点区域包括青藏高原地区东南部、西北干旱(半干旱)地区的西部和我国东南沿海地区,这些地区几乎不会发生高温危险。

本文引用格式

郭春华 , 朱秀芳 , 张世喆 , 唐明秀 , 徐昆 . 基于CMIP6的中国未来高温危险性变化评估[J]. 地球信息科学学报, 2022 , 24(7) : 1391 -1405 . DOI: 10.12082/dqxxkx.2022.210491

Abstract

The assessment of hazard changes of high temperature can provide decision basis for regional high temperature risk management and disaster reduction measures. Based on the daily maximum temperature data from 1961 to 2020 and the future climate predictions provided by the 12 climate models in the SSP2-4.5 scenario in the CMIP6 from 2031 to 2099, three indicators were calculated and used to assess the hazard of high temperature, including the number of high temperature days, maximum temperature, and average high temperature intensity. We used the kernel density estimation to calculate the values of the three indicators under four return periods (5, 10, 20, 50 years) of historical and future climate scenarios, and then evaluated the hazard changes of high temperature. The results show that: (1) Under the SSP2.4-5 scenario, the number of high temperature days in China presented four risk centers, including the central part of the arid (semi-arid) area of Northwest China, the intersection area of North China and Central China, the central part of Southwest China, and the southern part of South China. The number of high temperature days gradually decreased outward from these four centers. The spatial distribution of the maximum temperature in the north China was greater than that in the south China, and this distribution in the east China was greater than that in the west China. The distribution of average high temperature intensity showed a decreasing trend from the southern part of North China, the western part of the arid (semi-arid) region of the Northwest China, and the western part of the eastern region to other regions in China except the Qinghai-Tibet Plateau; (2) Under the scenario of SSP2.4-5, with the increase of the return period, the three high temperature indicators in China all showed an increasing trend. The area affected by high temperature expanded, and the values of the three high temperature indicators increased significantly; (3) The changes of the three high temperature indicators showed obvious spatial aggregation. The hotspot areas jointly displayed by the three indicators were: the northern and southern parts of the Southwest China, the central part of the arid (semi-arid) area of the Northwest China, and a small part of the northern and central parts of China, which were most likely to have high-temperature disasters. The change of high temperature days and maximum temperature indicated that high temperature disasters in the western part of the eastern region may also be large. The cold spot areas shown by the three indicators were: the southeast of the Qinghai-Tibet Plateau, the western part of the arid (semi-arid) northwestern region, the western part of the Tibetan Plateau, and the southeast coastal areas of China. There was little risk of high temperature in these areas.

1 引言

联合国政府间气候变化专门委员会(IPCC)第六次评估报告显示,2011—2020年全球表面平均温度比1850—1900年升高了1.09(0.95~1.20)℃[1]。2019年,全球气候变暖加速,气候极端性增强,全球平均温度较工业化前水平高出约1.1℃,是有完整气象观测记录以来第二暖的年份[2]。2015—2019年是有完整气象观测记录以来最暖的5个年份[2]。20世纪80年代以来,每个连续10年都比前一个10年更暖[2]。2020年1月,全球平均气温破纪录,成为自1880年有气象记录以来的最热1月[2]。世界气象组织(WMO)2020年全球气候状况报告指出,2020年较1850—1900年变暖(1.2±0.1)℃,是自有观测记录以来的3个最暖年之一(2016、2019、2020年),而2016—2020年和2011—2020年分别是有观测记录以来最暖的5年和最暖的10年[3]。高温作为一种常见的灾害性天气,受全球气候变化的影响显著且对人类的影响直接,是气候变化研究的热点问题之一。
致灾因子的危险性评估是自然灾害风险评估中的重要内容[4]。高温作为常见的致灾因子之一,严重威胁着人类的生存环境与生命财产安全。评估高温灾害的危险性,对于做好高温防灾减灾规划、减少灾害损失极为重要[5]。目前国内外对高温危险性的评价通常从发生频率、强度、持续时间、变化趋势、空间聚集度等方面展开[6-8]。IPCC第六次报告显示,全球气候变暖使得高温天气变得更加频繁和严重[1,9],在此背景下,对高温危险性的变化评估显得更加迫切。有研究表明,统计学方法是气候变化预测中的重要方法[10],因此,基于真实气象站点数据,有学者采用线性倾向率、Mann-Kendall法等方法对多年来高温的动态特征和趋势进行分析,以评估高温危险性变化;还有学者采用概率估计方法来评估不同重现期下的高温危险性[11-13]。但是,上述研究存在过于依赖历史气象资料、不适用于预测过长时间尺度的危险性变化的不足之处。而气候模式在自然和人类活动外强迫下能够较好地模拟出过去全球变暖的主要特征[14],因此,一些研究者以历史气象数据为基准,通过未来气候模式预测数据,采用对比分析的方法得到未来可能发生高温灾害的地区[15-18]。此类研究能够充分利用未来情景模拟数据,分析出不同条件下高温危险性的变化情况。但以往的研究中选用的未来情景模拟数据大多分辨率较粗,实验设计也不够完善,以第六次国际耦合模式比较计划(Coupled Model Inter-comparison Project Phase 6, CMIP6)为数据基础的研究目前还很少,而该数据是CMIP计划实施以来参与实验的模式数量最多、实验设计最为完善、数据模拟量最为庞大的一次[19]
为此,本研究选取高温日数、最高温度和平均高温强度[20-21]3个指标,基于1961年1月1日至2020年12月31日中国2517个气象站点数据和CMIP6情景模式比较计划中SSP2-4.5情景12个气候模式提供的未来气候预测数据集,用核密度函数概率估计方法分区对中国未来高温危险性变化进行评估,以期为区域高温灾害风险管理和制定减灾措施提供决策依据。

2 数据来源和研究方法

2.1 数据来源

本文所使用的数据包括3类:历史基准期的温度数据,未来气候情景模式的温度数据和中国气候分区图。其中历史基准期的温度数据为通过数据共享方式从中国气象局得到的中国境内的2517个站点的日最高气温数据,数据起止时间是1961年1月1日至2020年12月31日,数据单位为0.1℃,时间尺度为日尺度,站点具体分布状况如图1所示。未来时期气象预测数据来源于CMIP6中12种对中国气温变化情况模拟较好的气候模式(表1[22-23]在SSP2-4.5情景下模拟得到的2031—2099年的逐日日最高气温( https:\\esgf-node.llnl.gov\search\cmip6)。在这一情景模式中,SSP 描述了在没有气候变化或者气候政策影响下,未来社会的可能发展。SSP2-4.5代表的是中等社会脆弱性与中等辐射强迫的组合[24]。中国气候分区图(图1)是Zhang等[25]基于月平均温度和月平均降水量、月平均归一化植被指数、全国的站点经纬度和高程,利用模糊C均值聚类算法确定的气候区划,将中国划分为8个气候区[26]:西部干旱(半干旱)地区、青藏高原地区、东部地区、西南地区、东北地区、华北地区、华中地区和华南地区,本研究基于该数据对中国未来高温危险性的变化进行了不同区域水平上的评价。
表1 耦合模式比较计划第六阶段(CMIP6)中12个模式信息

Tab. 1 List of 12 models in Coupled Model Intercomparison Project(CMIP6)

序号 模式名称 机构 国家 格点数
1 ACCESS-ESM1-5 CSIRO Australia 192×144
2 ACCESS-CM2 CSIRO-ARCCSS Australia 192×143
3 BCC-CSM2-MR BCC China 320×160
4 CanESM5 CCCma Canada 128×64
5 EC-Earth3 EC-Earth-Consortium Europe 512×256
6 GFDL-ESM4 NOAA-GFDL United States 288×180
7 IPSL-CM6A-LR IPSL France 144×143
8 MIROC6 MIROC Japan 256×128
9 MPI-ESM1-2-LR MPI-M Germany 192×96
10 MRI-ESM2-0 MRI Japan 320×160
11 NorESM2-LM NCC Norwegian 144×94
12 NorESM2-MM NCC Norwegian 288×190
图1 中国气象站点分布和气候分区

注:该图为基于自然资源部标准地图服务网站下载的审图号为GS(2020)4632号的标准地图制作,底图无修改。由于数据获取困难,本次研究不包括香港、台湾和澳门。

Fig. 1 Distribution of meteorological stations and climate zones in China

2.2 研究方法

2.2.1 所选模式模拟能力的验证

由于CMIP6情景模式对历史数据的模拟截止到2014年,本文所定义的历史基准期从1961年开始,因此取二者交集,使用1961—2014年的2517个站点实测日最高气温数据和CMIP6的12个模式的日最高气温数据,通过计算每个站点54年的日最高气温平均值,得到14组序列,其中1组为历史观测日最高气温平均值,12组为模式模拟日最高气温平均值,还有1组为12个模式模拟值的日最高气温平均值的均值,然后计算所有站点的历史观测值和12组模式模拟值以及模式模拟均值之间的空间相关系数、标准差比值、中心均方根误差,并基于此绘制观测得到的和CMIP6模拟得到的日最高气温平均值的泰勒图[22,27-28]

2.2.2 高温指标提取

为了方便提取高温指标,本研究首先对未来情景预测数据集进行预处理,将该数据集中的华氏温度转化为摄氏温度。然后是高温指标的提取:由于我国国家气象局将日最高气温35℃定义为一个高温日[29],所以本研究采用绝对阈值法,以35℃为阈值,分别从历史气象站点数据和未来情景数据中提取各个站点(格点)上的高温日数(每年日最高气温达到高温阈值的天数)、最高温度(每年内日最高气温的最大值)和平均高温强度(每年日最高气温超过高温阈值的累积数除以高温日数的值)。

2.2.3 核密度函数拟合与重现期计算

研究表明,通过已有数据,采用合适的随机变量概率分布模型来计算不同发生概率(即重现期)下的气象灾害强度,可以在一定程度上反映灾害发生潜在危险[30]。概率分布函数有参数估计法和非参数估计法两种。固定参数估计法需假设所有站点符合同种分布,但温度数据有着随机变量的特性,采用此种方式必然会带来误差。核密度估计方法对数据分布不做任何假定,是一种从数据样本本身出发研究数据分布特征的方法,因此逐站点进行非参数核密度估计是更可选的方法。
得到各个高温指标后,逐点(栅格点或站点)拟合各个高温指标的核密度函数,对应每个栅格点或者每个站点都能得到3个高温指标的累积概率,然后针对每个高温指标逐点计算4种不同发生概率(即5年一遇、10年一遇、20年一遇和50年一遇)下的高温指标的数值。对应未来气候情景,得到了12个模式在4个重现期下的3个高温指标(高温日数、最高温度和平均高温强度)分布图。为减少未来情景数据的不确定性,分别计算4个重现期下的3个指标在12个模式下的数据平均值,得到12幅高温指标分布图。

2.2.4 高温危险性分析

本文对高温指标的分析主要从区域间和区域内2个方面展开。为了体现不同气候区间的高温危险性差异,文中分别计算了高温日数、最高温度和平均高温强度在每个重现期每个气候区下的平均值。而为了体现不同气候区内部的高温危险性差异,文中分别计算了高温日数、最高温度和平均高温强度在每个重现期每个气候区下的极差。
此外,目前大多数研究均通过对高温指标的线性运算来评估综合高温危险性,这样的方法存在权重难以确定、分级标准不统一等问题。很少有学者从空间自相关角度出发,利用热点分析研究综合高温危险性。通过空间热点分析方法(Getis-Ord Gi*),能够更准确直观的地表示出研究区内不同级别的高温事件发生区域性聚集的特征。因此本文创新引入热点分析Gi*统计,从空间自相关的角度来挖掘高温危险性的空间特征。
为了方便对比分析未来气候情景和历史基准期的高温危险性,同时最大程度降低站点密度对分析的影响,本研究首先借助ArcGIS “Interpolation”插值工具,采用反距离加权法(固定插值距离为站点0.703125°半径范围内)对中国区域历史基准期的4种典型重现期条件下的高温天数、最高温度和平均高温强度进行插值[31],并将无站点分布的区域设置为无值区,对无值区后续不做高温危险性变化分析。对于未来气候情景数据,借助ENVI IDL,使用双线性插值方法重采样,将所有数据统一到0.703125°×0.703125°的空间分辨率上。再将未来情景下与对应历史基准期的高温危险性指标做差,得到不同重现期下的高温指标变化图。在此基础上对3个高温指标的变化图进行热点分析,得到危险性变化的冷/热点分布图。最后,在8个气候区对比分析高温危险性的变化情况。技术路线图如图2所示。
图2 高温危险性变化评估技术路线

Fig. 2 Technical flowchart of high temperature hazard change assessment

3 结果和分析

3.1 模式模拟能力的验证

图3为观测得到的和CMIP6中12个模型模拟得到的日最高气温平均值的泰勒图。空间相关系数越高,标准差比值越接近1,中心均方根误差越接近0,数据模拟效果越好(泰勒图中表现为模拟的数据点与Observation点的距离越小越好)。从泰勒图中可以得到,模型均值与观测值距离最小,模拟效果最接近观测值(图中红色正方形处)。此外,以往研究结果一致认为单个模型的模拟结果很难保证大范围的模拟能力都很好,即便评价完了,也很难基于一个模型模拟结果开展研究。综上考虑,本文直接使用了多个模型模拟的结果综合进行分析,在模型的选择上参考了已有文章,前文中对此也做了具体说明。
图3 观测的和CMIP6模拟的日最高气温平均值之间的泰勒图

注:圆心角代表空间相关系数;黑色弧线代表标准差比值;绿色弧线代表中心均方根误差;Observation代表标准参考数据站点数据。

Fig. 3 Taylor program for the observed and CMIP6 simulated mean daily maximum temperature

3.1 不同重现期下的高温日数分布及变化

图4图5中展示了SSP2-4.5情景下的高温日数在不同重现期下的空间分布情况,以及相对于历史基准期,SSP2-4.5情景下的高温日数在不同重现期下的变化值的空间分布情况。总体来看,中国的高温日数呈现出4个危险中心,分别是:西北干旱(半干旱)地区中部、华北和华中地区的交汇区域、西南地区中部以及华南地区南部。其中,西北干旱(半干旱)高温日数可以达到69.93 d(5年一遇)~83.02 d(50年一遇)。8个气候区中,极差最大的地区也为西北干旱(半干旱)地区,可达68.83 d(5年一遇)~80.29 d(50年一遇),极差最小的地区为东北地区,为16.25 d(5年一遇)~27.48 d(50年一遇)。从均值来看,8个气候区的高温日数均值由大到小依次是:西北干旱(半干旱)地区>华中地区>华北地区>华南地区>东部地区>西南地区>东北地区>青藏高原地区。随着重现期的增加,各气候区(除青藏高原)的高温日数都有明显增加。
图4 SSP2-4.5情景中4个重现期下的高温日数分布及变化

注:该图为基于自然资源部标准地图服务网站下载的审图号为GS(2020)4632号的标准地图制作,底图无修改。由于数据获取困难,本次研究不包括香港、台湾和澳门。

Fig. 4 Distribution map and change map of the number of high temperature days under the four return periods in the SSP2-4.5 scenario

图5 SSP2-4.5情景中4个重现期下的高温日数分布及变化统计

Fig. 5 Statistical diagram of the distribution and change of the number of high temperature days under the four return periods in the SSP2-4.5 scenario

相对于历史基准期,除华南和华中部分地区外,中国大部分地区高温日数具有显著增加的趋势,东部和华北大部分地区的高温日数增长达到10 d以上;华南和华中地区交汇区域的高温日数表现出显著的减少趋势,其中华南地区的高温日数减少可达20 d。随着重现期的增长,各个气候区高温日数变化的均值和极差在不断增大。8个气候区中,极差最大的地区为西北干旱(半干旱)地区,在5、10、20、50年一遇重现期下分别为109.21、113.41、116.59、119.40 d。而极差最小的地区为东北地区,在5、10、20、50年一遇重现期下分别为16.73、21.52、25.59、30.45 d。从均值来看,8个气候区的高温日数变化的均值由大到小依次是:华北地区>东部地区>西北干旱(半干旱)地区>华中地区>西南地区>东北地区>青藏高原地区>华南地区。

3.2 不同重现期下的最高温度分布及变化

图6图7展示了最高温度的分布和变化。结果显示,SSP2-4.5情景下,中国的最高温度整体来说北部大于南部,东部大于西部。在5年一遇和10年一遇的情况下,最高温度在35~37 ℃之间的地区主要位于东北地区,其余地区的最高温度几乎均大于37 ℃;在20年一遇和50年一遇的情景下,最高温度在35~37 ℃之间的地区范围逐渐缩小,最高温度大于40℃的地区范围逐渐扩大。在4个重现期下,所有高温日中最高温度的最大值均出现在西北干旱(半干旱)地区,温度达到了47.19 ℃(5年一遇)~49.43 ℃(50年一遇);极差最大的地区是西北干旱(半干旱)地区,在5年、10、20、50年一遇重现期下分别为:12.03、12.84、13.65、14.35℃,极差最小的地区是东北地区,在5、10、20、50年一遇重现期下分别为:6.31、7.00、7.44、8.00 ℃。从均值来看,8个气候区的高温日最高温度的均值由大到小依次是:华北地区>西北干旱(半干旱)地区>东部地区>华中地区>华南地区>西南地区>东北地区>青藏高原地区。
图6 SSP2-4.5情景中4个重现期下的最高温度分布及变化

注:该图为基于自然资源部标准地图服务网站下载的审图号为GS(2020)4632号的标准地图制作,底图无修改。由于数据获取困难,本次研究不包括香港、台湾和澳门。

Fig. 6 Distribution map and change map of maximum temperature under the four return periods in the SSP2-4.5 scenario

图7 SSP2-4.5情景中4个重现期下的最高温度分布及变化统计

Fig. 7 Statistical diagram of the distribution and change of maximum temperature under the four return periods in the SSP2-4.5 scenario

相对于历史基准期,中国大部分地区最高温度具有显著增加的趋势,其中最高温度增长最多的区域位于西北干旱(半干旱)地区,该地区大部分区域的最高温度增长达到了2 ℃以上。随着重现期年限的增长,各个区域的最高温度增长和极差变化并不明显。8个气候区中,极差最大的地区为西北干旱(半干旱)地区,在5、10、20、50年一遇重现期下分别为:24.05、24.11、24.19、28.82 ℃,而极差最小的地区为东北地区,在5、10、20、50年一遇重现期下分别为:9.30、9.06、8.85、8.88℃。从均值来看,5年一遇的情景下,8个气候区的高温日最高温度变化的均值由大到小依次是:东部地区>华北地区>西北干旱(半干旱)地区>华南地区>东北地区>西南地区>华中地区>青藏高原地区,10、20、50年一遇的情景下,8个气候区的高温日最高温度变化的均值由大到小依次是:东部地区>华北地区>华南地区>东北地区>西北干旱(半干旱)地区>西南地区>华中地区>青藏高原地区。

3.3 不同重现期下的平均高温强度分布及变化

同上,图8图9展示了平均高温强度的空间分布和变化。结果显示,SSP2-4.5情景下,中国的平均高温强度呈现出由华北地区南部、西北干旱(半干旱)地区西部和东部地区西部向我国除青藏高原地区外的其它地区蔓延的趋势。在5年一遇的情况下,只有西北干旱(半干旱)地区与东部地区的交汇区域和华北与华中地区的交汇区域平均高温强度达到了35 ℃高温阈值,平均高温强度最大值和极差最大的区域出现在西北干旱(半干旱)地区,极差最小的区域出现在华中地区。随着重现期的增加,平均高温强度达到高温阈值的区域逐渐扩大,平均高温强度也有所提升。在4个重现期下,青藏高原地区的平均高温强度均未达到阈值。
图8 SSP2-4.5情景中4个重现期下的平均高温强度分布图及变化

注:该图为基于自然资源部标准地图服务网站下载的审图号为GS(2020)4632号的标准地图制作,底图无修改。由于数据获取困难,本次研究不包括香港、台湾和澳门。

Fig. 8 Distribution map and change map of average high temperature intensity under the four return periods in the SSP2-4.5 scenario

图9 SSP2-4.5情景中4个重现期下的平均高温强度分布及变化统计

Fig. 9 Statistical diagram of the distribution and change of average high temperature intensity under the four return periods in the SSP2-4.5 scenario

此外,平均高温强度变化显示,中国平均高温强度增长较大的区域主要集中在西南地区的北部和南部。随着重现期的增长,平均高温强度的增长值在逐渐增大。在5年一遇的情况下,中国大部分地区的平均高温强度呈降低趋势,青藏高原地区的平均高温强度增长在0~5℃之间,平均高温强度增长大于30℃的单元在各个地区零星分布,在西南地区分布较为集中。随着重现期增加,平均高温强 度增长的区域逐渐扩大。在4种重现期下,平均高温强度增长的最大值和极差在各个气候区差别不大。

3.4 高温危险性综合分析

图10分别展示了4个重现期下3个高温指标(高温日数、最高温度和平均高温强度)变化的冷热点分布情况。可以看出,随着重现期年限的增长,3个指标变化的热点区域略有扩大,冷点区域略有缩小,但整体变化不大。高温日数变化和最高温度变化显示的热点区域较为一致,二者显示的热点区域与平均高温强度变化的热点区域差异较大。而对于冷点区域,3个指标显示的冷点区域虽不一致,但3者的冷点区域均主要集中在我国边界地区和青藏高原地区。
图10 4个重现期下3个高温指标变化的冷/热点分布

注:该图基于自然资源部标准地图网站下载的审图号为GS(2020)4632号的标准地图制作,底图无修改。由于数据获取困难,本次研究不包括香港、台湾和澳门。

Fig. 10 Distribution map of cold/hot spots of the three high temperature index changes in the four return periods

图11展示了3个高温指标变化情况在4个重现期下的累积冷热点数目分布。图例中,数值0~4表示重现期数,正值表示热点,负值表示冷点。若某个位置在4个重现期下均表现为热点区域,则将该点的累积热点数记为4;若某个位置在4个重现期下均表现为冷点区域,则将该点的累积冷点数记为-4;若某个位置在4个重现期下均表现为无显著集聚,则将该点的累积冷/热点数记为0。
图11 4个重现期下3个高温指标变化的冷/热点累积数量分布

注:该图为基于自然资源部标准地图服务网站下载的审图号为GS(2020)4632号的标准地图制作,底图无修改。由于数据获取困难,本次研究不包括香港、台湾和澳门。

Fig. 11 Distribution map of the cumulative number of cold/hot spots of the three high temperature index changes in the four return periods

可以看出,高温日数变化的热点区域主要集中在东部地区西部、华北和华中地区的交界部分、华南和西南地区南部的少部分区域以及西北干旱(半干旱)地区的少部分区域;冷点区域主要集中在青藏高原地区、华中和华南地区的交汇区域以及西南地区、西北干旱(半干旱)地区和东北地区的少部分区域。最高温度变化的热点区域分布与高温日数变化基本一致,并较之略向东北地区扩大;冷点区域主要集中在西北干旱(半干旱)地区边缘和青藏高原地区及其周边。平均高温强度变化的热点区域主要分布在西南地区南部和北部、青藏高原地区东北角、华中地区中部和其余地区的少部分区域;冷点区域则主要分布在青藏高原地区、华南地区、西北干旱(半干旱)地区、东北地区以及其余地区的少部分区域。

4 讨论

目前国内外关于高温危险性的众多研究中,各高温指标值均整体呈现增加的趋势这一结论基本已经达成共识,但由于研究数据、方法的不同,在不同研究中各地区高温风险的时空分布仍然有所差异(表2)。例如,贺山峰等[16]应用PRECIS模式模拟的气候情景数据,通过高温日数和热浪日数,预估了未来我国高温致灾危险性的时空格局,指出中国高温日数危险性始终较高的地区位于新疆中部,此外,随着时间的推移,本来位于东南部的危险性高值区逐渐南移,转为华南高值区。董思言等[17]利用CMIP5中22个全球气候模式模拟结果对RCP8.5情景下中国未来3个时段高温灾害致灾危险度的变化趋势进行了定量预估,结果表明:中国未来不同时期高温致灾危险度显著增加的地区主要位于新疆、河南、湖南及广西。向竣文等[22]基于偏差校正后的EC-EARTH3模式,选取了5个极端气候指标:极端最高气温、极端最低气温、气温日较差、冷夜日数和暖昼日数,对4种未来情景下的极端气温进行了预估,结果表明:在4种SSP情景下,年平均最高气温均表现出明显的上升趋势。李柔珂等[32]基于CMIP5的17个模式,通过高温日数(SU)指数和极端最高温度(TXx)2个极端高温指数分析了不同重现期下未来高温事件的可能趋势和空间分布特征。结果表明,在RCP4.5和RCP8.5情景下,SU呈现出“南高北低”的分布格局,且相对于基准期,增幅较大的区域主要集中在西南南部、华南大部分地区,西北地区东部增幅较大,青藏高原增幅较小。而TXx的高值区与基准期分布相似,位于西北西部、华北、黄淮和华南西部地区,华南西部在21世纪中期和后期温度更高。随时间变化,RCP4.5和RCP8.5情景的TXx值均呈现增加的变化趋势,并且RCP8.5情景的变化数值更大。而本研究在上述的基础上,增加了高温强度这一指标用来描述高温的累加效应,试图更加全面地评估中国高温的危险性。研究表明,在SSP2.4-5情景下,未来中国地区3个高温指标均呈增长趋势且增幅较大,并且高值范围也在不断扩大,这与向俊文等[22]的研究结论相符。同时,本文还研究了高温日数和最高温度的分布格局和变化趋势,最高温度的分布和变化趋势分布与李柔珂等[32]的结果类似,而高温日数的分布与变化却与贺山峰等[16]的研究结果较为类似,与李柔珂等[32]的研究结果有较大差异,在本研究中,SSP2.4-5情景下,中国的高温日数分布呈现出4个高值中心,分别是西北干旱(半干旱)地区中部、华北和华中地区的交汇区域、西南地区中部以及华南地区南部,相比历史基准期,增幅大值区主要集中在华北地区和华中的交界地区、东部地区、西北干旱(半干旱)地区和西南地区南部,而华南和华中地区交汇区域的高温日数表现出显著的减少趋势。造成研究结论有所差异的原因可能有:模式假设的温升情景不同、选取的模式不同、各个模式的模拟能力不同等,还可能与高温阈值的选取有关,在李柔珂等[32]的研究中,将高温日数定义为每年日最高气温大于25 ℃的全部天数,而在本文中,高温的阈值定义为35 ℃。此外,本研究发现中国的平均高温强度在空间上的分布呈现出由华北地区南部、西北干旱(半干旱)地区西部和东部地区西部向我国除青藏高原地区外的其它地区蔓延的趋势,增长较大的区域主要集中在西南地区的北部和南部。大部分研究忽略了这一指标,导致西南地区的高温灾害危险性被低估。最后,综合热点分析的结果,我们发现未来中国高温危险性较高的区域主要有:西南地区北部和南部、西北干旱(半干旱)地区中部和华北、华中地区的少部分区域,与董思言[17]等的研究结论相比,危险性高的区域范围有所扩大。
表2 已有相关研究

Tab. 2 Previous studies

文献 数据 方法/指标 结论
贺山峰等[16] PRECIS模式情景数据 高温日数和热浪日数 中国高温日数危险性始终较高的地区位于新疆中部,此外,随着时间的推移,本来位于东南部的危险性高值区逐渐南移,转为华南高值区
董思言等[17] CMIP5 、RCP8.5情景22个模式数据 高温日数和热浪日数 中国未来不同时期高温致灾危险度显著增加的地区主要位于新疆、河南、湖南及广西
向竣文等[22] 偏差校正后的EC-EARTH3
模式数据
5个表示发生频率的极端气候指标 在4种SSP情景下,年平均最高气温均表现出明显的上升趋势
李柔珂等[32] CMIP5 的17个
模式
高温日数(SU)和极端最高温度(TXx) 在RCP4.5和RCP8.5情景下,SU增幅较大的区域主要集中在西南南部和华南大部分地区,而TXx的高值区与基准期分布相似。随时间变化,RCP4.5和RCP8.5情景的TXx值均呈现增加的变化趋势,并且RCP8.5情景的变化数值更大
此外,本文的研究也存在如下需要进一步完善的地方:
(1)尽管全球气候模式较过去已有较大程度的发展,但仍存在不确定性,模拟未来中国地区极端高温事件变化的不确定性更大[33]。因此本研究使用了CMIP6中12个模式在SSP2-4.5情景下的数据,将12个模型的数据作了平均以期尽量减少结果的不确定性。此外,研究中采用双线性内插方法将不同分辨率下的模式数据重采样到统一分辨率,插值过程可能引入一定不确定性,在今后的研究中,将尝试采用更加严谨的手段对多种气候模式数据进行处理,以减少模型本身对模拟结果的影响。
(2)目前学界有关高温的定义并不统一。本研究使用24 h温度达到35 ℃作为阈值提取高温,对于常年温度较低的地区,该阈值下的危险性无明显变化,不利于该地区的高温预警和风险管理,而对于常年温度较高地区的地区,得到的危险性又整体较高,在后续研究中,可以考虑改变阈值以及分区域设定阈值来细化研究结果。
(3)高温的风险不仅仅要考虑致灾因子(高温)危险性的变化,还要考虑承灾体(人口、植被等)的变化,对于承灾体的预测的不确定性更大,相关工作也相对更少。因此,本研究目前只是关注了高温的危险性,并没有对未来的高温的风险进行评估。随着相关研究的深入和未来承灾体数据集的增加,未来将综合考虑多个因素来评估高温的风险变化。

5 结论

本文基于历史气象站点数据和CMIP6中12个模式在SSP2-4.5情景下的数据,采用核密度估计方法计算了高温日数、最高温度和平均高温强度3个指标在不同重现期下的取值,然后将未来情景与历史基准期的高温指标进行对比,进而进行热点分析,对中国未来高温危险性的变化进行了评估,得到以下结论:
(1)在SSP2.4-5情景下,随着重现期年限的增长,中国地区3个高温指标均呈增长趋势且增幅较大,并且高值范围也在不断扩大,说明2031—2099年,中国出现高温事件的可能性大、强度强、范围广。特别是华北地区、东部地区和西北干旱(半干旱)地区的高温危险性等级更高,需要加强高温防范,而西南地区除了做好高温防范措施外,还需警惕极端高温和高温累加效应导致的其他问题,如农业干旱、城市用电用水增加等。
(2)8个气候区中,气候区内部危险性变化差异最大的区域为西北干旱(半干旱)地区,而差异最小的地区为东北地区。在西北干旱(半干旱)地区,高温危险性变化东部大于西部,南部大于北部。明确气候区内部高温危险性变化的差异,既可以帮助当地政府提前部署,提升抵抗高温风险的能力,还能为区域的产业规划与经济发展规划提供参考。
(3)3个高温指标变化值均呈现出了明显的空间聚集性。3个指标共同显示的热点区域有:西南地区北部和南部、西北干旱(半干旱)地区中部和华北、华中地区的少部分区域,这些地区发生高温灾害的可能较大。3个指标共同显示的冷点区域有:青藏高原地区东南部、西北干旱(半干旱)地区的西部和我国东南沿海地区,这些地区几乎不会发生高温危险。此外,高温日数变化和最高温度变化显示,东部地区西部也是发生高温灾害的热点区域,该区域也需加强防范高温风险。
[1]
IPCC. Climate Change 2021:The Physical Science Basis. Contribution of working group I to the sixth assessment report of the intergovernmental panel on climate change[M]. Cambridge, U K: Cambridge University Press, 2021:In Press.

[2]
中国气象局气候变化中心. 中国气候变化蓝皮书[R]. 北京, 2020.

[ Climate Change Center of China Meteorological Administration. Blue Book on Climate Change in China[R]. Beijing, 2020. ]

[3]
WMO. WMO report on the state of the global climate 2020[R]. Geneva:WTO, 2021:38.

[4]
李大卫, 石树中, 杨福平, 等. 自然灾害风险评估综述[J]. 价值工程, 2014, 33(26):322-325.

[ Shi S Z, Yang F P, et al. Summary of natural disaster risk assessment[J]. Value Engineering, 2014, 33(26):322-325. ] DOI: 10.3969/j.issn.1006-4311.2014.26.173

DOI

[5]
武夕琳, 刘庆生, 刘高焕, 等. 高温热浪风险评估研究综述[J]. 地球信息科学学报, 2019, 21(7):1029-1039.

DOI

[ Liu Q S, Liu G H, et al. Risk assessment of heat waves: A review[J]. Jouranl of Geo-information Science, 2019, 21(7):1029-1039. ] DOI: 10.12082/dqxxkx.2019.180544

DOI

[6]
张婷, 程昌秀. 顾及空间集聚程度的中国高温灾害危险性评价[J]. 地球信息科学学报, 2019, 21(6):865-874.

DOI

[ Cheng C X. Assessment of China's high-temperature hazards: Accounting for spatial agglomeration[J]. Geo-Information Science, 2019, 21(6):865-874. ] DOI: 10.12082/dqxxkx.2019.180580

DOI

[7]
杨红龙, 潘婕, 张镭. SRESA2情景下中国区域性高温热浪事件变化特征[J]. 气象与环境学报, 2015, 31(1):51-59.

[ Pan J, Zhang L. Characteristics of regional high temperature and heat wave events over China under SRES A2 scenario[J]. Journal of Meteorology and Environment, 2015, 31(1):51-59. ] DOI: 10.3969/j.issn.1673-503X.2015.01.008

DOI

[8]
Perkins S E, Alexander L V, Nairn J R. Increasing frequency, intensity and duration of observed global heatwaves and warm spells[J]. Geophysical Research Letters, 2012, 39(20):20714. DOI: 10.1029/2012GL053361

DOI

[9]
Sun Y, Zhang X B, Zwiers F W, et al. Rapid increase in the risk of extreme summer heat in Eastern China[J]. Nature Climate Change, 2014, 4(12):1082-1085. DOI: 10.1038/nclimate2410

DOI

[10]
Zwiers F W, Von Storch H. On the role of statistics in climate research[J]. International Journal of Climatology, 2004, 24(24):665-680. DOI: 10.1002/joc.1027

DOI

[11]
Yin Z E, Yin J, Zhang X W. Multi-scenario-based hazard analysis of high temperature extremes experienced in China during 1951-2010[J]. Journal of Geographical Sciences, 2013, 23(3):436-446. DOI: 10.1007/s11442-013-1020-z

DOI

[12]
张校玮. 我国极端气候时空特征及风险分析[D]. 上海: 上海师范大学, 2012.

[ Zhang X W. Spatial-temporal characteristics and risk analysis of Extreme Climate in China[D]. Shanghai: Shanghai Normal University, 2012. ]

[13]
Li C L, Wang J, Liu M, et al. Scenario-based hazard analysis of extreme high-temperatures experienced between 1959 and 2014 in Hulunbuir, China[J]. International Journal of Climate Change Strategies and Management, 2019, 11(1):2-17. DOI: 10.1108/IJCCSM-05-2017-0098

DOI

[14]
Zhou T J, Yu R C. Twentieth-century surface air temperature over China and the globe simulated by coupled climate models[J]. Journal of Climate, 2006, 19(22):5843-5858. DOI: 10.1175/JCLI3952.1

DOI

[15]
雷杨娜, 龚道溢, 孙娴, 等. 基于全球模式对中国21世纪夏季高温的变化预估[J]. 北京师范大学学报(自然科学版), 2010, 46(1):85-91,115,111.

[ Lei Y N, Gong D Y, Sun X, et al. Evaluating the simulation by GCMS of summer high-temperatures in China[J]. Journal of Beijing normal university (natural science), 2010, 46(1):85-91,115,111. ] DOI: CNKI:SUN:BSDZ.0.2010-01-023

DOI

[16]
贺山峰, 戴尔阜, 葛全胜, 等. 中国高温致灾危险性时空格局预估[J]. 自然灾害学报, 2010, 19(2):91-97.

[ He S F, Dai E F, Ge Q S, et al. Pre-estimation of spatio temporal pattern of extreme heat hazard in China[J]. Journal of natural disasters, 2010, 19(2):91-97. ] DOI: CNKI:SUN:ZRZH.0.2010-02-015

DOI

[17]
董思言, 徐影, 周波涛, 等. 基于CMIP5模式的中国地区未来高温灾害风险预估[J]. 气候变化研究进展, 2014, 10(5):365-369.

[ Dong S Y, Xu Y, Zhou B T, et al. Projected risk of extreme heat in China based on CMIP5 models[J]. Advances in climate change research, 2014, 10(5):365-369. ] DOI: 10.3969/j.issn.1673-1719.2014.05.008

DOI

[18]
齐庆华. 未来气候情景下中国东部极端降水和气温的危险性特征[J]. 气象与减灾研究, 2020, 43(4):256-266.

[ Qi Q H. Risk characteristics of precipitation and temperature extremes over Eastern China under future climate scenario[J]. Meteorology and disaster reduction research, 2020, 43(4):256-266. ] DOI: 10.12013/qxyjzyj2020-037

DOI

[19]
辛晓歌, 吴统文, 张洁, 等. BCC模式及其开展的CMIP6试验介绍[J]. 气候变化研究进展, 2019, 15(5):533-539.

[ Xin X G, Wu T W, Zhang J, et al. Introduction of BCC models and its participation in CMIP6[J]. Advances in climate change research, 2019, 15(5):533-539. ] DOI: 10.12006/j.issn.1673-1719.2019.039

DOI

[20]
张明. 基于多指标、多尺度的中国极端高温事件时空分析[D]. 上海: 上海师范大学, 2016.

[ Zhang M. Temporal and spatial analysis of extreme heat events in China based on multi-index and multi-scale[D]. Shanghai: Shanghai Normal University, 2016. ]

[21]
任国玉, 陈峪, 邹旭恺, 等. 综合极端气候指数的定义和趋势分析[J]. 气候与环境研究, 2010, 15(4):354-364.

[ Ren G Y, Chen Y, Zou X K, et al. Definition and Trend Analysis of an Integrated Extreme Climatic Index[J]. Climate and environmental research, 2010, 15(4):354-364. ] DOI: 10.3878/j.issn.1006-9585.2010.04.02

DOI

[22]
向竣文, 张利平, 邓瑶, 等. 基于CMIP6的中国主要地区极端气温/降水模拟能力评估及未来情景预估[J]. 武汉大学学报(工学版), 2021, 54(1):46-57,81.

[ Xiang J W, Zhang L P, Deng Y, et al. Projection and evaluation of extreme temperature and precipitation in major regions of China by CMIP6 models[J]. Engineering Journal of Wuhan University, 2021, 54(1):46-57,81. ] DOI: 10.14188/j.1671-8844.2021-01-007

DOI

[23]
魏萌, 舒启, 宋振亚, 等. CMIP6气候模式对21世纪初全球增暖减缓现象模拟能力评估与归因分析[J]. 中国科学:地球科学, 2021, 51(6):947-961.

[ Wei M, Shu Q, Song Z Y, et al. Could CMIP6 climate models reproduce the early-2000s global warming slowdown?[J]. Science China Earth Sciences, 2021, 51(6):947-961. ]DOI: 10.1360/N072020-0268

DOI

[24]
张丽霞, 陈晓龙, 辛晓歌. CMIP6情景模式比较计划(ScenarioMIP)概况与评述[J]. 气候变化研究进展, 2019, 15(5):519-525.

[ Zhang L X, Chen X L, Xin X G. Short commentary on CMIP6 Scenario Model Intercomparison Project(ScenarioMIP)[J]. Advances in climate change research, 2019, 15(5):519-525.] DOI: 10.12006/j.issn.1673-1719.2019.082

DOI

[25]
Zhang Q, Kong D D, Vijay P. Singh, et al. Response of vegetation to different time-scales drought across China: Spatiotemporal patterns, causes and implications[J]. Global and Planetary Change, 2017, 152:1-11. DOI: 10.1016/j.gloplacha.2017.02.008

DOI

[26]
Xiao M Z, Zhang Q, Vijay P. Singh, et al. Regionalization-based spatiotemporal variations of precipitation regimes across China[J]. Theoretical and Applied Climatology, 2013, 114(1):203-212. DOI: 10.1007/s00704-013-0832-1

DOI

[27]
Wang Y, Li H X, Wang H J, et al. Evaluation of CMIP6 model simulations of extreme precipitation in China and comparison with CMIP5[J]. Acta Meteorologica Sinica, 2021, 79(3):369-386. DOI: 10.11676/qxxb2021.031

DOI

[28]
TAYLOR K E. Summarizing multiple aspects of model performance in a single diagram[J]. Journal of Geophysical Research, 2001, 106(D7):7183-7192. DOI: 10.1029/2000JD900719

DOI

[29]
黄小梅, 赵旋, 肖丁木. 1961—2016年四川盆地夏季高温热浪变化特征分析[J]. 高原山地气象研究, 2019, 39(2):14-22.

[ Huang X M, Zhao X, Xiao D M. Characteristics of Climate Change of Summer Heat Waves in Sichuan Basin during 1961-2016[J]. Acta Meteorologica Sinica, 2014, 39(2):14-22. ]DOI: 10.3969/j.issn.1674-2184.2019.02.003

DOI

[30]
王静爱, 史培军, 朱骊. 中国主要自然致灾因子的区域分异[J]. 地理学报, 1994, 49(1):18-26.

DOI

[ Wang J A, Shi P J, Zhu L. A research on regional distribution of major natural hazards in China[J]. Acta Geographica Sinica, 1994, 49(1):18-26. ] DOI: 10.11821/xb199401003

DOI

[31]
Jiang Q, Li W, Fan Z, et al. valuation of the ERA5 reanalysis precipitation dataset over Chinese Mainland[J]. Journal of Hydrology, 2020, 595:125660. DOI: 10.1016/j.jhydrol.2020.125660

DOI

[32]
李柔珂. CMIP5模式对气候变化背景下中国地区未来气候灾害风险预估研究[D]. 兰州: 兰州大学, 2017.

[ Li R K. Prediction of future climate disaster risk in China under the background of climate change by CMIP5 model[D]. Lanzhou: Lanzhou University, 2017. ]

[33]
Xu J Y, Shi Y, Gao X J, et al. Projected changes in climate extremes over China in the 21st century from a high resolution regional climate model(RegCM3)[J]. Chinese Science Bulletin, 2013, 58(12):1443-1452. DOI: 10.1007/s11434-012-5548-6

DOI

文章导航

/