EN中文

地球信息科学学报 >

2023 , Vol. 25 >Issue 11: 2204 - 2217

DOI: https://doi.org/10.12082/dqxxkx.2023.230084

地理空间分析综合应用

气候干湿冷暖化复合类型的识别与量化方法

  • 成星露 , 1, 2, 3, 4 ,
  • 孙永华 , 1, 2, 3, 4, * ,
  • 张王宽 1, 2, 3, 4 ,
  • 王一涵 1, 2, 3, 4 ,
  • 曹许悦 1, 2, 3, 4 ,
  • 王衍昭 1, 2, 3, 4
展开
  • 1.首都师范大学水资源安全北京实验室，北京 100048
  • 2.首都师范大学资源环境与旅游学院，北京 100048
  • 3.首都师范大学城市环境过程与数字模拟国家重点实验室培育基地，北京 100048
  • 4.教育部三维信息获取与应用重点实验室，北京 100048
*孙永华（1982— ），男，山东临沂人，副教授，主要研究方向为高光谱遥感。E-mail:

成星露（1999— ），女，云南丽江人，硕士生，主要研究方向为遥感地物分类。E-mail:

收稿日期: 2023-02-22

  修回日期: 2023-03-23

  网络出版日期: 2023-11-02

基金资助

北京市卓越青年科学家计划项目(BJJWZYJH01201910028032)

国家重点研发项目(2018YFC1508902)

国家重点研发项目(2017YFC0406006)

国家重点研发项目(2017YFC0406004)

收起

Method to Identify and Quantify Compound Dry(Wet) -Cool(Warm) Climate Trend

  • CHENG Xinglu , 1, 2, 3, 4 ,
  • SUN Yonghua , 1, 2, 3, 4, * ,
  • ZHANG Wangkuan 1, 2, 3, 4 ,
  • WANG Yihan 1, 2, 3, 4 ,
  • CAO Xuyue 1, 2, 3, 4 ,
  • WANG Yanzhao 1, 2, 3, 4
Expand
  • 1. Beijing Laboratory of Water Resources Security, Capital Normal University, Beijing 100048, China
  • 2. College of Resources Environment and Tourism, Capital Normal University, Beijing 100048, China
  • 3. State Key Laboratory of Urban Environmental Processes and Digital Simulation, Capital Normal University, Beijing 100048, China
  • 4. Key Laboratory of 3D Information Acquisition and Application, Ministry of Education, Beijing 100048, China
*SUN Yonghua, E-mail:

Received date: 2023-02-22

  Revised date: 2023-03-23

  Online published: 2023-11-02

Supported by

Beijing Outstanding Young Scientists Program(BJJWZYJH01201910028032)

National Key Research and Development Project(2018YFC1508902)

National Key Research and Development Project(2017YFC0406006)

National Key Research and Development Project(2017YFC0406004)

Fold

摘要

气候变化是21世纪的重大环境问题之一，气温和降水的长期变化趋势作为评估气候变化的重要指标，对研究气候变化模式及程度有着重要意义。基于长时序GPM降水数据及ERA5-Land再分析气温数据，提出了一种复合干（湿）-冷（暖）化类型（包括干-冷化、湿-冷化、干-暖化和湿-暖化）的判定方法，同时，创建了复合干（湿）-冷（暖）化强度指数（DCTII）定量评估复合趋势的变化程度。应用上述方法，探讨了黄淮海平原2001—2021年复合趋势的时空特征。结果表明：① 复合干（湿）-冷（暖）化类型识别及量化方法不仅同时兼顾了干湿结构和冷暖结构的变化模式及变化程度，并且结合了降水在时间中的分布特征，在验证结果中可靠度达到了85%;② 从时间上看，黄淮海平原2007—2018年逐渐从较为干-冷化转变为明显的湿-暖化趋势，并且近年来湿-暖化程度不断增加;③ 从空间上看，2001—2021年黄淮海平原主要呈湿-暖化，部分干-暖化地区集中在黄河以南;④ DCTII结合趋势稳定性及离散度评估得出，强趋势及低离散度趋势大部分位于黄淮海平原东部及沿海地区，稳定趋势则大部分位于北部地区。在3个流域中，黄河流域趋势最强，海河流域内湿-暖化趋势强度要高于干-暖化趋势强度，淮河流域趋势稳定性更为显著。复合干（湿）-冷（暖）识别与量化方法的构建，旨在全球气候变暖的条件下，为干湿/冷暖结构长期变化研究提供思路。

关键词： 长时间序列; 气候变化; 降水集中度; 遥感; 时空分析; 趋势分析; 黄淮海平原

本文引用格式

成星露 , 孙永华 , 张王宽 , 王一涵 , 曹许悦 , 王衍昭 . 气候干湿冷暖化复合类型的识别与量化方法[J]. 地球信息科学学报, 2023 , 25(11) : 2204 -2217 . DOI: 10.12082/dqxxkx.2023.230084

Abstract

Climate change has been one of the most important environmental concerns in the 21st century. Temperature and precipitation are two of the most important variables for evaluating the magnitude and pattern of climate change. Assessing changes in long-term temperature and precipitation trends has important implication for understanding the underlying mechanisms of climate change and developing effective strategies to mitigate its impacts. In this study, we propose a method to identify and quantify compound Dry(wet)-Cool(warm) Trends (DCT) of climate, which include drying-cooling, wetting-cooling, drying-warming, and wetting-warming trends. We use long-term Global Precipitation Measurement (GPM) precipitation data and Fifth Generation European Reanalysis (ERA5-Land) temperature data to test this method. We also create a compound Dry(wet)-Cool(warm) Trend Intensity Index (DCTII) to quantitatively evaluate the magnitude of change in compound trends, which provides a useful tool for analyzing the strength and direction of trends in compound dry(wet)-cool(warm) trends over time. To test the effectiveness of this method, we apply it to analyze the temporal and spatial characteristics of compound trends in the Huang-Huai-Hai Plain, one of the most important agricultural regions in China, from 2001 to 2021. Our results show that: (1) the compound dry(wet)-cool(warm) identification and quantification method not only considers the change pattern and magnitude of dry-wet and cold-warm structures but also integrates the distribution characteristics of precipitation over time. The validation results show a reliability of 85%; (2) temporally, the Huang-Huai-Hai Plain gradually shifted from drying-cooling to wetting-warming from 2007 to 2018, and the wetting-warming trend has been increasing in recent years; (3) spatially, the long-term trend in the Huang-Huai-Hai Plain over the past 20 years was dominated by wetting-warming and drying-warming trends, with most of the areas experiencing wetting-warming trends, mainly distributed in the north of the Yellow River and the southernmost area of the plain; (4) the DCTII combined with trend stability and dispersion evaluation show that the strong trend in the Huang-Huai-Hai Plain is mainly located in the eastern and coastal areas. Among the three basins, the Yellow River Basin has the strongest trend; the intensity of the wetting-warming trend in the Haihe River Basin is higher than that of the drying-warming trend; and the trend stability in the Huaihe River Basin is more significant. Overall, our study highlights the importance of considering both temperature and precipitation in the analysis of climate change. The method we propose offers a useful framework for understanding long-term changes in dry-wet/cold-warm structures under the context of global warming. The findings provide valuable insights into the impact of climate change on the Huang-Huai-Hai Plain, which could help inform future climate change adaptation and mitigation strategies.

Key words： long time series; climate change; precipitation concentration index; remote sensing; spatiotemporal analysis; trend analysis; Huang-Huai-Hai plain

1 引言

从二十世纪中叶开始，人类活动致使大气中温室气体的浓度不断增加，从而导致全球变暖及气候均值的长期变化[1-2]。根据政府间气候变化专门委员会（IPCC）的第六次报告，2011—2020年比1850—1900年高出约1.09（0.95~1.20） ℃[3]。气候变化极大地改变了许多国家的降水和气温模式[4]。这些模式的变化进一步改变了干湿、冷暖状况，并直接影响到水文、农业、生态系统等[5⇓-7]。当务之急是对气候变化的区域变化模式和程度进行评估[8]。而气温变化、降水强度和持续时间的时空分布是气候变化的重要指标[9]。准确估计全球及区域气温和降水的长期趋势，对于发现、确定及预测气候变化至关重要。
降水和气温数据通常来源于气象站观测数据、基于卫星的数据集和大气再分析数据集。其中卫星产品和大气再分析数据集，具有空间覆盖范围广、时间尺度连续、时空分辨率高等优点[10]。相比气象站观测数据，可以弥补台站数据有限和不均匀，以及难以到达山区和海洋的空间限制[11⇓-13]。
在基于降水与气温的干湿/冷暖化研究中，通常将这两种趋势单独讨论。采用平均值或极值计算趋势大小和显著性，并倾向于改进趋势算法提高评估精度。其中使用最多的是Mann-Kendall检验[14⇓-16]和Theil-Sen[4,17⇓⇓⇓⇓-22]。或是通过指数对趋势进行评定，例如使用SPI、SPEI等降水指数[23]，AI、IAI、PET等干旱、蒸散指数[24⇓-26]。除此之外，也有研究通过统计事件频次、持续时间，作为干湿/冷暖时期的变化依据[27-28]。但降水和气温的关系密不可分，气温升高导致大气可携带的最大水蒸汽量增加，导致降水特征(如频率和强度)的改变，使强降雨事件加剧[29-30]。同时气温升高会使得蒸散量增加导致干旱的发生。干湿状况和气温之间存在着显著的相关性，所以在气候变化的研究中，将气温和降水作为两个独立的变量进行研究是片面的[31]。因此，将干湿化和冷暖化结合讨论，可以更全面地分析区域干湿/冷暖状况的变化模式。
前人对干湿化结构的研究集中于改进趋势检验方法和使用不同的气候指数，缺乏考虑同样的降水量在时间段上不同集中程度的情况。气候变化导致全球普遍降水量增加，同时也改变了降水结构，这一改变不仅体现在空间上，同时也发生在时间分布上[32-33]。降水集中度的时空变化与区域旱涝结构相互关联[34]。单纯的分析平均降水量的趋势，已经不能满足当下的气候状况。
本研究基于长时序GPM降水产品和ERA5-Land再分析数据，提出了一种识别并量化复合干（湿）-冷（暖）化的方法。该方法结合讨论了干湿化和冷暖化2种变化趋势，补充了对降水时间特征的研究。应用上述方法，分析黄淮海平原2001—2021年复合干（湿）-冷（暖）化时空分布特征。旨在为干湿/冷暖长期趋势研究提供思路，并为黄淮海地区农业灌溉、生态环境保护等的合理规划提供科学依据。

2 研究方法

本研究的工作主要分为4个部分（图1）：① 利用降水产品计算降水集中度指数，利用标准化距平、移动周期等方法对数据集进行预处理;② 结合降水及降水集中度计算干湿化指数（Drying/Wetting Index，DWI），识别复合干（湿）-冷（暖）化类型;③ 其次对不同的趋势类型，计算干（湿）-冷（暖）化强度指数（Dry (wet) -Cool (warm) Trend Intensity Index，DCTII），量化趋势的变化程度;④ 分析复合趋势的时空分布特征，并在移动周期的基础上，进行趋势稳定性和离散度评估。
图1 技术路线

Fig. 1 Technology road map

复合趋势识别及量化方法有以下改进和优点：① 同时考虑了干湿化和冷暖化2种趋势，将其分为干-冷化、湿-冷化、干-暖化、湿-暖化4种类型; ② 利用降水集中度（Q指数），将降水的时间特征融入干湿化分析中;③ 利用移动周期的方式，量化复合趋势的变化强度，一定程度上减弱了特定时间段对趋势拟合的影响。并且可在此基础上，评估趋势稳定性和离散度，进一步丰富趋势特征分析。

2.1 数据预处理

在进行复合干（湿）-冷（暖）化类型识别前，需要对长时序降水产品和气温再分析数据进行预处理。具体步骤包括：① 利用降水数据计算Q指数;② 基于Z-score标准化距平方法对降水（R）、气温（T）和Q指数（Q）长时序数据进行标准化处理; ③ 利用移动周期计算Sen's斜率。

2.1.1 Q指数

Q指数用于反映特定时段内一定总量的日降水量的集中程度。基于Shannon熵的概念，降水集中度Q指数可定义为[35]：
Q = 1 - H ( X ) = 1 + ∑ i = 1 N 1 l n N P ( x i ) ∙ l n P ( x i )
式中：H(X)为熵;N为总天数;i为计算当天; P ( x i )指日降水量在某一年总降水量中所占的比例。根据Shannon熵的概念，如果当降水在每一天都是等概率时，不确定性达到最高，H(X)最大;如果降水集中在一天，则视为没有不确定性，H(X)为0。式中 P ( x i )的计算公式为：
P ( x i ) = R i R
式中： R i为每日降水量;R为总降水量。 P ( x i )在 0~1之间变化，某一年（月/季） P ( x i )的总和等于1。当 P ( x i )=0时，表明第i天没有降水;当 P ( x i )=1时，意味着该年（月/季）的所有降水都集中在同一天。
通过Q指数可以分析降水在时间上的分布情况，获得集中程度数据。结合降水集中度和降水量可以对区域内的降水分布及变化做具体的解释。当Q指数较低（接近于0）时，表明降水分散到更多的雨天。如果总降雨量大（小），Q值越低，表示雨季（旱季）越多。当Q指数较高（接近1）时，表明降水集中在少数几个雨天。如果总降雨量大（小）， Q值越高，意味着更多的大雨天数（干旱时期）[35]。

2.1.2 Z-score标准化距平

因研究区内几种数据的单位不统一，为消除量纲影响，通常使用标准化使各类数据处于同一数量级，以进行下一步对比和运算。但数据出现的一些异常值具有特殊意义，比如较大或较小的Q或R都会导致当地的洪涝或干旱的发生。Z-score标准化距平将特定数据点与同一样本中的其他数据点，或与参考总体进行比较，是评估数据正常或异常程度的一种便捷方法。为了保留异常数据特征，本研究通过Z-score标准化距平对Q、R、T时间序列 x = ( x 1 , x 2 , ⋯ , x n )进行数据预处理，公式如下：
Z = ( x - x ¯ ) σ
式中： x ¯为所有样本的平均值; σ为所有样本数据标准差。Z为经过标准化距平后的数值，当Z>1，对应的标准正态分布的累积分布函数值为0.841 3，即该数值高于84.13%的数据，Z<1则代表低于84.13%的数据，Z ϵ(-1~1)代表数值在序列中较接近平均值[36-37]。

2.1.3 移动周期Sen's斜率

序列趋势通常是在指定时间段的基础上计算的，结果在很大程度上取决于开始和结束时的数值，计算所得的趋势只在这一时间段内是正确的[38]。换言之，序列趋势的计算结果受到时间段的强烈影响，不同的时间段会导致不同的计算结果[39]。因此本文使用移动周期的方法，计算Q、R、T标准化后的变化趋势值。将移动周期斜率的平均值作为整体时间段的趋势斜率。通过逐个分析移动周期的线性趋势，可以得出各移动周期的趋势特征，在此基础上进一步研究趋势稳定性和离散度（具体公式在3.4详述）。
其中，移动周期斜率平均值的公式如下：
S = ∑ i = 1 Y - a + 1 s Z i , Z i + 1 ⋯ , Z i + a - 1 / n
式中： Y为总年份数; a为移动周期;s为Sen's斜率（式（5））;n为周期数;Z为Z-score标准化距平后的时间序列 Z = ( Z 1 , Z 2 , ⋯ , Z Y )。Sen's斜率的计算公式为：
s Z = M e d i a n Z j - Z i j - i , ∀ j > i
式中：Median为取中值函数; Z j、 Z i分别为标准化距平序列在第j年和第i年的值。

2.2 复合干湿冷暖化类型识别方法

2.2.1 干湿化指数

Q指数的增高会导致年内或月内的降水分布不均匀，使得干旱和洪涝的发生概率增加;而降水量的增加和减少将直接影响气候趋于干燥或是潮湿。基于Q指数和降水量的这一关系构建干湿化指数（DWI）。
DWI的公式如下：
D W I = e S Q × S R × a
式中： S Q、 S R分别为 Z Q、 Z R移动周期计算Sen's斜率的平均值（式（4），式（5））;a为移动周期。当DWI越大时，该时间段内趋于湿润化且更易发生洪涝灾害;而当DWI越小时，则趋于干燥化且更易发生 干旱。

2.2.2 识别步骤

结合DWI和气温的移动周期斜率平均值（ S T），对复合干（湿）-冷（暖）化的类型判定。完整步骤如下所示（包含预处理）：
（1） 将月、年尺度的Q、R、T通过Z-score进行预处理（Z-Score的计算过程如式（3）所示）;
（2） 利用 Z Q、 Z R、 Z T，计算移动周期斜率平均值（ S Q、 S R、 S T）;
（3） 使用 S Q、 S R计算DWI;
（4） 通过表1判定的方法对研究区复合干（湿）-冷（暖）化的类型进行识别。
表1 复合干（湿）-冷（暖）化类型识别及DCTII表达式

Tab. 1 DCT Identification and DCTII Expression

条件 类型 DCTII 计算公式 公式编号 变量含义
D W I > 0 a n d S T > 0 湿暖化 D C T I I = ( e ( S Q ) × S R + S T ) × a （7） S Q、 S R、 S T分别为 Z Q、 Z R、 Z T移动周期计算Sen's斜率的平均值; a为移动周期年数
D W I > 0 a n d S T < 0 湿冷化 D C T I I = ( e ( S Q ) × S R - S T ) × a （8）
D W I < 0 a n d S T > 0 干暖化 D C T I I = ( e ( S Q ) × S R - S T ) × a （9）
D W I < 0 a n d S T < 0 干冷化 D C T I I = ( e ( S Q ) × S R + S T ) × a （10）

2.3 复合干湿冷暖化强度指数

构建DCTII以量化复合干（湿）-冷（暖）化的强度，当DCTII的数值越大则代表趋势的强度越强。DCTII的计算公式如表1所示。为了使DCTII的数值更加可观，通过对DCTII数值统计累积概率密度，对变化趋势程度进行分级[39]。计算各个像元的DCTII数值，绘制得到累积概率密度曲线（图2）。这里将DCTII分为4个等级，概率分别为90%~100%、60%~90%、30%~60%和0%~30%，分别代表趋势程度强、次强、中和弱。
图2 DCTII数值累积概率密度曲线

Fig. 2 DCTII numerical cumulative probability density curve

2.4 趋势稳定性及离散度

2.4.1 趋势稳定性

利用Mann-Kendall方法（以下称为M-K）评估趋势显著性，计算得到显著性水平p值。当p≤0.05时为高显著性趋势，当0.05<p≤0.1时为显著趋势，当0.1<p≤0.2时为低显著趋势，当p>0.2时则不存在显著趋势[40]。本文采用M-K方法评估移动周期趋势显著性，统计高显著、显著和低显著性趋势的周期所占百分比，用于表示趋势稳定性[38-39]。
趋势稳定性的公式如下：
T S = n p n × 100 %
式中：n为周期数; n p为通过M-K趋势检验的周期个数;TS为趋势稳定性[39]：当0% ≤ T S <25%时为不稳定趋势，当25% ≤ T S <60%时为稳定趋势，当 T S≥ 60%时为强稳定趋势。

2.4.2 趋势离散度

通过计算移动周期斜率的标准差值，分析复合趋势的离散度（D），公式如下：
D = S D Q + S D R + S D T
S D = ( s 1 - S ) 2 + ( s 2 - S ) 2 + ⋯ + ( s i - S ) 2 / n 2
式中： S D Q、 S D R、 S D T分别为Q、R和T的移动周期斜率标准差值; s i为逐移动周期的Sen's斜率;S为移动周期斜率的平均值;n为周期数。D值越大，则表示变化趋势离散程度越大;D值越小，则表示离散程度越小。

2.5 验证方法

为验证本文复合干（湿）-冷（暖）化类型识别方法的可靠性，利用气象站数据，计算月尺度气温线性趋势，用于验证复合干（湿）-冷（暖）化类型中冷暖化的判别结果;月尺度标准化降水指数（Standard Precipitation Index，SPI）线性趋势用于验证干湿化的判别结果。
其中SPI[41]是用于表征某时段降水量出现概率的指标。该指标适用于月以上尺度相对当地气候状况的干旱检测与评估，能较好的反映干旱强度和持续时间，而且适用于多时间尺度应用[42]。

3 研究区概况与数据来源

3.1 研究区概况

黄淮海平原位于中国东部沿海地区，自北向南跨域北京、河北等7个省（/直辖市），如图3（a）所示。平原整体地势低平，大部分地区海拔在50 m以下，由黄河、淮河和海河冲积平原及部分丘陵山区组成，如图3（b）所示。黄淮海平原具有大面积适合种植的地形、土壤和水源。此外，它属于暖温带半湿润季风气候，使黄淮海平原成为中国重要的粮食产区。在全球变暖的情况下，干旱至半湿润地区因其易受极端气候（干旱、洪水等）的影响而受到更多关注[43⇓⇓-46]。因此，加强黄淮海平原地区干湿/冷暖结构的变化检测可以将更好地应对气候变化，减少人员伤亡和财产损失。
图3 黄淮海平原示意

Fig. 3 Map of the Huang-Huai-Hai Plain

3.2 数据来源

3.2.1 遥感降水产品

使用的降水产品为2001—2021年GPM IMERG月尺度降水数据集[47]。该数据集来源于NASA Goddard 地球科学数据和信息服务中心（https://disc.gsfc.nasa.gov/）。GPM IMERG在中国范围内与TRMM、CMORPH、PERSIANN等传统降水产品相比，精度更高，更接近于基准降水产品[48-49]。并且该数据被证明在京津冀区域日、月时间尺度具有良好的检测能力，可以更好地支持长期时序分析[50]。

3.2.2 气温再分析数据集

月尺度平均气温数据选择了2001—2021年ERA5-LAND的2 m气温再分析数据集[51]，来源于欧洲气象中心（http://apps.ecmwf.int/datasets/）。ERA系列再分析数据（ERA reanalysis datasets）为全球再分析数据集。其中，ERA5是目前最新、最高时空分辨率的数据集，并且其气温数据在山东及其周边地区有较好的适用性[10]。ERA5-LAND作为地面观测增强数据集与ERA5的差异并不明显[51]。ERA5-LAND融合了大量卫星资料，地面及高空等常规观测资料，由通过温度梯度校正的ERA5大气参数驱动，以更高的分辨率提供了1980年以来地面气候变量演变的观察结果。研究表明，ERA5-LAND气温数据在中国地区有较好的适用性，尤其在地势平坦的地区（包括东南部及东部地区）[52]。

3.2.3 验证数据

验证过程将气象站月平均气温、总降水量作为检测数据。这些数据来自中国气象数据网（http://data.cma.cn/）的中国地面气候资料日值数据集V3.0。从该数据集中选择了黄淮海平原地区20个气象站点2001—2020年的日气温、降水数据。并将其预处理为月平均气温与月总降水量（气象站点的分布如图3所示）。

4 结果及分析

4.1 降水、气温的时空格局

根据降水量、Q指数、平均气温的标准化距平的时间序列和线性趋势，得到这3种要素的时间变化特征。从图4（a）中可以看出，黄淮海平原2001—2021年期间年降水量呈增加趋势，在时间段前期和近期有异常低值和高值的出现。Q指数呈一定上升趋势，这表明这一时间段降水集中程度的增加，更有可能造成极端降水事件的发生。平均气温呈明显的上升变化。图4（b）—图4（d）表明，在3个流域中，海河流域的降水量和Q指数上升速度最快，黄河流域的气温上升趋势最强。
图4 2001—2021年黄淮海平原降水量、气温和Q指数变化趋势

Fig. 4 The trend of precipitation, temperature and Q index in the Huang-Huai-Hai Plain from 2001 to 2021

4.2 干湿化分析

根据气象站降水资料的SPI线性趋势验证DWI的可靠性。具体步骤为：使用研究区内20个气象站点2000—2020年的月尺度数据，计算每个站点SPI的线性趋势;利用皮尔森相关性系数检验SPI线性拟合结果与相应站点DWI的相关度（气象站分布如 图3（b）所示）。图5（a）为DWI与SPI皮尔森相关性检验散点图。结果显示，相关性系数达到了0.796 2，为强相关性，由此验证了DWI的可靠性。分析DWI时空分布可知（图5（b）），黄淮海平原67%区域的干湿化表现为湿润化，其中正值主要分布在北部。这表明，研究区大部分地区为湿润化表现，位于北部及最南部。这一结果与郭斌等[53]的研究结论一致。
图5 DWI相关性检验与空间分布

Fig. 5 DWI correlation test and spatial distribution

4.3 复合干湿冷暖化类型识别

4.3.1 可靠性验证

利用气象站资料，验证复合干（湿）-冷（暖）化类型的识别方法。首先，基于黄淮海平原20个气象站月尺度平均气温和总降水量资料，计算2000—2020年气温和月尺度SPI的线性趋势。将气温线性趋势用于验证复合干（湿）-冷（暖）化类型中冷暖化的判别结果;月SPI线性趋势用于验证干湿化的判别结果。由表2所示，表中列出了所有站点的验证结果。气象站月气温趋势显示，所有站点均为暖化趋势，这与判别结果一致。而在干湿化的结果验证中，宿迁、宿州和盐城的SPI趋势为湿润化，这与结果类型有所出入。最终有85%的站点通过了可靠性检验。
表2 干（湿）-冷（暖）化类型判断检验结果

Tab. 2 The DCT type identification test

站点 气温趋势(°/10a) 类型 SPI趋势(/10a) 类型 干湿化指数 类型 验证结果
北京 0.027 8 暖化 0.080 0 湿润化 0.919 5 湿暖化 √
德州 0.036 3 0.022 6 0.589 6 √
东营 0.060 0 0.052 2 0.382 6 √
衡水 0.034 9 0.010 6 0.427 7 √
淮安 0.047 9 0.011 4 0.084 6 √
淮北 0.024 2 0.006 6 0.005 4 √
天津 0.041 9 0.041 3 0.630 4 √
宿迁 0.048 5 暖化 0.011 1 湿润化 -0.047 6 干暖化 ×
宿州 0.031 5 0.009 2 -0.138 6 ×
盐城 0.044 9 0.021 5 -0.381 6 ×
毫州 0.028 2 暖化 -0.020 5 干旱化 -0.444 2 干暖化 √
阜阳 0.042 8 -0.016 2 -0.267 0 √
菏泽 0.057 9 -0.022 4 -0.226 1 √
济宁 0.052 5 -0.030 7 -0.305 4 √
开封 0.062 6 -0.044 2 -0.109 0 √
漯河 0.046 8 -0.057 8 -0.341 4 √
濮阳 0.065 3 -0.004 3 -0.044 2 √
商丘 0.041 8 -0.013 5 -0.516 4 √
信阳 0.038 0 -0.012 5 -0.311 0 √
周口 0.061 4 -0.050 0 -0.421 5 √

4.3.2 复合干湿冷暖化类型变化

通过移动周期和复合干（湿）-冷（暖）化类型识别方法，对2001—2021年12个周期4种复合类型的面积占比进行分析（图6）。前6个周期，湿-暖化和干-暖化面积占比较低。与之相较，干-冷化和湿-冷化类型占大部分面积。而这样的现象在2006—2015和2007—2016周期之间发生了转变。湿-暖化自2007—2016周期以后，面积占比飞速增加。在最近的2012—2021周期，仅剩湿-暖化一种复合趋势类型。
图6 2001—2021年复合干（湿）-冷（暖）化移动周期面积占比

Fig. 6 Compound DCT type window-by-window area ratio from 2001 to 2021

4.4 复合干湿冷暖化类型及强度的时间序列变化

根据黄淮海平原及各流域DCTII移动周期的时间序列，讨论各时间段复合干（湿）-冷（暖）化类型及强度的时间特征。从整体来看，黄淮海平原在2007—2018年由干-冷化转变为湿-暖化，近年来湿-暖化程度不断上升（图7（a））。海河流域在2007—2017年由湿-冷化转变为湿-暖化（图7（b））。黄河流域的复合趋势变化与研究区整体变化相似，但趋势强度较弱（图7（c））。淮河流域在2006—2016年由干-冷化转变为湿-暖化，2007年后6个周期的湿-暖化程度快速增强（图7（d））。
图7 2001—2021年移动周期DCTII变化折线图

Fig. 7 DCTII window-by-window line chart from 2001 to 2021

前人研究表明，黄淮海平原所在地区近年有逐渐湿润化的趋势[54⇓-56]，气温在1998—2010年变暖趋势不明显，在2010年左右出现气温低值[57-58]。且黄淮海平原的旱涝化由降水量的变化主导[59],近年降水量的极值分布使得湿-暖化程度不断增加（图7），这一结论与上文分析一致。

4.5 复合干湿冷暖化趋势特征空间分布

根据DCTII、趋势稳定性和趋势离散度3种特征的空间分布及分流域数值统计，分析复合趋势的空间特征，如图8所示。由图8（a1）可知，黄淮海平原在近20年长时序中表现有湿-暖化和干-暖化2种复合趋势类型。其中湿-暖化主要分布黄河以北和33° N以南地区;而干-暖化集中在黄河以南，强趋势大部分位于东部及沿海地区。在研究区34°N以上大部分地区为不稳定趋势，没有地区达到强稳定性（图8（b1））。结合DCTII空间分布图得知，干-暖化趋势稳定性要强于湿-暖化。研究区东部的趋势离散度要强于西部，且高离散度地区集中在淮河流域。这代表东部趋势变异的可能性更高（图8（c1））。
图8 2001—2021年黄淮海平原复合干(湿)-冷(暖)化的空间分布和数值分布

Fig. 8 Spatial distribution and numerical distribution of DCT in the Huang-Huai-Hai Plain from 2001 to 2021

通过统计各流域像元数值，进一步分析复合干（湿）-冷（暖）化特征空间分布。图8（a2）、（b2）、（c2））分流域统计了近20年研究区内各复合干（湿）-冷（暖）化类型的像元数值范围。由图中得知，3个流域中湿-暖化类型占比最多。其中黄河流域的趋势强度数值最高，其干-暖化的趋势稳定性要高于湿-暖化趋势;淮河流域的趋势稳定性最好,但同时其趋势的离散程度也最高;海河流域的趋势稳定性最差，区域内湿-暖化趋势强度要远高于干-暖化趋势强度。
黄河流域的趋势强度要高于其他2个流域，根据图4（c）分析可知，这是因为黄河流域的气温变化率最高，气温升高导致大气可携带的最大水蒸汽量增加[30]，使得黄河流域的湿-暖化趋势强度较大。同时，降水异常分布影响气候趋势的稳定性和变异性。降水集中度越高则代表降水在时间上分布不均。由图4（b）所示，海河流域的降水和降水集中度的变化趋势在3个流域中最大，这导致海河流域稳定性较差。

5 讨论

通过比较DCTII和以往研究常用方法对干湿/冷暖结构变化趋势的评估情况，讨论DCTII在相关性和空间性上的表现与不足。选取常用降水指数与气温评估指标，计算其2000—2020年黄淮海平原20个不同城市气象站点的线性趋势。其中降水指数选用降水距平百分率（PAP）、SPI和SPEI;气温评估指标则选用十年尺度的平均气温趋势斜率（ATS）和高温天数趋势斜率（HTDS）。其中，高温天数定义为最高气温高于90%历史平均值。为了保证比较不受数据误差的影响，DCTII与比较方法都使用站点数据进行趋势评估。
（1）相关性比较。在与降水指数的相关性比较中，SPI与其他指数的相关性最高，与PAP和SPEI的皮尔逊相关性系数分别为0.992 3、0.918 1。 DCTII与PAP、SPI、SPEI线性趋势相关性系数都达到了强相关，分别为0.887 1、0.862 8和0.758 2。而与气温指标的相关性比较中， DCTII与ATS和HTDS的相关性系数为0.711 4、0.802 8，略高于ATS与HTDS的相关系数（0.655 8）。这证明了DCTII不仅与各常用指标相关性良好，且可以同时反映降水和气温的变化特征。
（2）空间性比较。在图9中，将站点由上到下，纬度由低到高排列，通过空间分布信息分析DCTII与已有方法的联系与不同。从图9（a）中可以看出，DCTII中的干-湿化趋势在黄淮海平原北部地区的表现与PAP和SPI相似，沿纬度的大体走势基本一致。但是在部分站点（淮北—宿州）趋势程度不明显时，与其他指数趋势方向的评估结果略有出入。通过分析图9（b），可以得出DCTII可以较好的反映ATS和HTDS的变化趋势，沿纬度的趋势强度走势介于ATS和HTDS之间。结合分析降水指数和气温指标，发现在濮阳—商丘的站点中DCTII与SPEI都表现出较高的干化趋势程度，而这些站点在同一时间段的气温趋势评估中呈现了较高的趋势强度（图9（b）），这2种指数在评估降水趋势过程中都同时使用了降水和气温数据，结合站点气温的变化规律会与单要素降水指数的评估结果有所差异。
图9 不同城市DCTII与常见降水指数、气温评估指标变化趋势空间性对比

Fig. 9 Spatial comparison of DCTII with common precipitation index and temperature evaluation index in different cities

区域内干湿/冷暖状况变化的已有研究，主要是通过降水和气温获取干湿/冷暖状况的特征要素，再利用趋势拟合获取变化特征。且针对干湿结构、冷暖结构、极端事件、干旱高温等灾害评估，鲜有研究结合干湿和冷暖结构，评估复合变化趋势。针对过去研究方法的局限和盲点，提出的判定复合干（湿）-冷（暖）化的方法及变化强度的量化指数（DCTII），不仅结合了降水在时间上的分布特征，且同时考虑了干湿化和冷暖化2种变化特征。DCTII能够更好的反映降水与气温的变化特征，但是忽略了气温在时间上的累积状况。怎样获取气温在时间上的分布特征和累积状况是当下研究的一个薄弱之处，包括对气温指数建立和应用相关的研究也相对较少。在气候变暖的背景下，及时准确的获取气温变化规律是未来研究的重要方向。

6 结论

降水和气温的异常分布及变化，影响着各地区的干湿和冷暖状况，并影响着异常气候现象的发生。在当下全球气候异常变化的情况下，如何结合降水、气温的时空分布及趋势，对气候变化模式和变化幅度进行评估是一个需要关注的科学问题。本文通过降水量和气温的长时序遥感产品和再分析数据集，提出了识别复合干（湿）-冷（暖）化类型的方法;并构建了DCTII指数，定量化评估了复合干（湿）-冷（暖）化的趋势强度。该方法结合了降水集中度指数获取了降水在时间上的分布特征，能够同时反映区域干湿结构和冷暖结构的变化模式及变化程度。
应用上述方法，研究得出黄淮海平原2001—2021年复合干（湿）-冷（暖）化的时空变化特征：
（1）随时间的变化特征：黄淮海平原在2007—2018年由干-冷化转变为湿-暖化趋势，并且近年来湿-暖化趋势强度不断上升。黄河流域与黄淮海整体的变化趋势相似。海河流域在2007—2017年，由湿-冷化转变为湿-暖化，整体来看复合趋势的强度呈增加的趋势。淮河流域在2006—2016年由干-冷化直接转变为湿-暖化，并且近年来湿-暖化趋势快速增强。
（2）空间分布特征：黄淮海平原近20年长期序列表现为湿-暖化和干-暖化2种复合类型，其中大部分地区为湿-暖化，主要分布在黄河以北和平原最南部地区。
（3）复合趋势特征：黄淮海平原强趋势大部分位于东部及沿海地区。在3个流域中，黄河流域趋势强度最强，其大部分DCTII数值达到了次强及以上等级;海河流域的趋势稳定性最差，区域内湿-暖化趋势强度要远高于干-暖化趋势强度;淮河流域内干-暖化趋势强度高于湿-暖化，同时大部分地区属于稳定趋势范围。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
National Academies Of Sciences E A M. Attribution of extreme weather events in the context of climate change[M]. Washington, DC: The National Academies Press, 2016.

[2]
Usgcrp. Climate science special report fourth National Climate Assessment[M]. Washington, DC:U.S. Global Change Research Program, 2017:470.

[3]
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, UnitedKingdom and New York, NY, USA: Cambridge University Press, 2021.

[4]
Guo L D, Xia Z Q. Temperature and precipitation long-term trends and variations in the Ili-Balkhash Basin[J]. Theoretical and Applied Climatology, 2014, 115(1):219-229. DOI:10.1007/s00704-013-0883-3

[5]
Fischer T, Gemmer M, Liu L L, et al. Temperature and precipitation trends and dryness/wetness pattern in the Zhujiang River Basin, South China, 1961-2007[J]. Quaternary International, 2011, 244(2):138-148. DOI:10.1016/j.quaint.2010.08.010

[6]
Rebetez M, Mayer H, Dupont O, et al. Heat and drought 2003 in Europe: A climate synthesis[J]. Annals of Forest Science, 2006, 63(6):569-577. DOI:10.1051/forest:20060 43

[7]
Zhang Q, Xu C Y, Zhang Z X. Observed changes of drought/wetness episodes in the Pearl River Basin, China, using the standardized precipitation index and aridity index[J]. Theoretical and Applied Climatology, 2009, 98(1):89-99. DOI:10.1007/s00704-008-0095-4

[8]
Paeth H, Steger C, Merkenschlager C. Climate change - it’s all about probability[J]. Erdkunde, 2013, 67(3):203-222. DOI:10.3112/erdkunde.2013.03.01

[9]
Ahmed M. Introduction to modern climate change. andrew E. dessler: Cambridge university press, 2011, 252, ISBN-10:0521173159[J]. Science of the Total Environment, 2020, 734:139397. DOI:10.1016/j.scitotenv.2020. 13 9397

[10]
孟宪贵, 郭俊建, 韩永清. ERA5再分析数据适用性初步评估[J]. 海洋气象学报, 2018, 38(1):91-99.

Meng X G, Guo J J, Han Y Q. Preliminarily assessment of ERA5 reanalysis data[J]. Journal of Marine Meteorology, 2018, 38(1):91-99. ] DOI:10.19513/j.cnki.issn2096-3599.2018.01.011

[11]
Tan M L, Gassman P W, Cracknell A P. Assessment of three long-term gridded climate products for hydro-climatic simulations in tropical river basins[J]. Water, 2017, 9(3):229. DOI:10.3390/w9030229

[12]
Gao L, Wei J H, Wang L X, et al. A high-resolution air temperature data set for the Chinese Tian Shan in 1979-2016[J]. Earth System Science Data, 2018, 10(4):2097-2114. DOI:10.5194/essd-10-2097-2018

[13]
He W P, Zhao S S. Assessment of the quality of NCEP-2 and CFSR reanalysis daily temperature in China based on long-range correlation[J]. Climate Dynamics, 2018, 50(1):493-505. DOI:10.1007/s00382-017-3622-0

[14]
Khan N, Shahid S, Bin Ismail T, et al. Spatial distribution of unidirectional trends in temperature and temperature extremes in Pakistan[J]. Theoretical and Applied Climatology, 2019, 136(3):899-913. DOI:10.1007/s00704-018-2520-7

[15]
Basistha A, Arya D S, Goel N K. Analysis of historical changes in rainfall in the Indian Himalayas[J]. International Journal of Climatology, 2009, 29(4):555-572. DOI:10.1002/joc.1706

[16]
Ragatoa D S, Ogunjobi K O, Okhimamhe A A, et al. A trend analysis of temperature in selected stations in Nigeria using three different approaches[J]. Open Access Library Journal, 2018, 5(2):1-17. DOI:10.4236/oalib.110 43 71

[17]
Yacoub E, Tayfur G. Spatial and temporal of variation of meteorological drought and precipitation trend analysis over whole Mauritania[J]. Journal of African Earth Sciences, 2020, 163:103761. DOI:10.1016/j.jafrearsci.2020. 103761

[18]
Caloiero T, Caloiero P, Frustaci F. Long-term precipitation trend analysis in Europe and in the Mediterranean Basin[J]. Water and Environment Journal, 2018, 32(3):433-445. DOI:10.1111/wej.12346

[19]
Valdes-Abellan J, Pardo M A, Tenza-Abril A J. Observed precipitation trend changes in the western Mediterranean region[J]. International Journal of Climatology, 2017, 37:1285-1296. DOI:10.1002/joc.4984

[20]
Yao J Q, Yang Q, Mao W Y, et al. Precipitation trend-Elevation relationship in arid regions of the China[J]. Global and Planetary Change, 2016, 143:1-9. DOI:10.1016/j.gloplacha.2016.05.007

[21]
Westra S, Alexander L V, Zwiers F W. Global increasing trends in annual maximum daily precipitation[J]. Journal of Climate, 2013, 26(11):3904-3918. DOI:10.1175/jcli-d-12-00502.1

[22]
Sayemuzzaman M, Jha M K. Seasonal and annual precipitation time series trend analysis in North Carolina, United States[J]. Atmospheric Research, 2014, 137:183-194. DOI:10.1016/j.atmosres.2013.10.012

[23]
Wang Q, Zhai P, Qin D. New perspectives on ‘warming-wetting’trend in Xinjiang, China[J]. Advances in Climate Change Research, 2020, 11(3):252-260. DOI:10.1016/j.accre.2020.09.004

[24]
Yang J H, Zhang Q, Lu G Y, et al. Climate transition from warm-dry to warm-wet in eastern northwest China[J]. Atmosphere, 2021, 12(5):548. DOI:10.3390/atmos12050548

[25]
Singh H, Pirani F J, Najafi M R. Characterizing the temperature and precipitation covariability over Canada[J]. Theoretical and Applied Climatology, 2020, 139(3):1543-1558. DOI:10.1007/s00704-019-03062-w

[26]
Li Y P, Chen Y N, Li Z. Dry/wet pattern changes in global dryland areas over the past six decades[J]. Global and Planetary Change, 2019, 178:184-192. DOI:10.1016/j.gloplacha.2019.04.017

[27]
Abatzoglou J T, Marshall A M, Lute A C, et al. Precipitation dependence of temperature trends across the contiguous US[J]. Geophysical Research Letters, 2022, 49(4). DOI:10.1029/2021GL095414

[28]
Anandhi A, Hutchinson S, Harrington J, et al. Changes in spatial and temporal trends in wet, dry, warm and cold spell length or duration indices in Kansas, USA[J]. International Journal of Climatology, 2016, 36(12):4085-4101. DOI:10.1002/joc.4619

[29]
Mishra V, Wallace J M, Lettenmaier D P. Relationship between hourly extreme precipitation and local air temperature in the United States[J]. Geophysical Research Letters, 2012, 39(16). DOI:10.1029/2012gl052790

[30]
Chou C A, Lan C W. Changes in the annual range of precipitation under global warming[J]. Journal of Climate, 2012, 25(1):222-235. DOI:10.1175/jcli-d-11-00097.1

[31]
He B, Wang H L, Wang Q F, et al. A quantitative assessment of the relationship between precipitation deficits and air temperature variations[J]. Journal of Geophysical Research: Atmospheres, 2015, 120(12):5951-5961. DOI:10.1002/2015jd023463

[32]
Thackeray C W, Hall A, Norris J, et al. Constraining the increased frequency of global precipitation extremes under warming[J]. Nature Climate Change, 2022, 12(5):441-448. DOI:10.1038/s41558-022-01329-1

[33]
Dong Q, Wang W G, Kunkel K E, et al. Heterogeneous response of global precipitation concentration to global warming[J]. International Journal of Climatology, 2021, 41(S1). DOI:10.1002/joc.6851

[34]
Guo E L, Wang Y F, Jirigala B, et al. Spatiotemporal variations of precipitation concentration and their potential links to drought in mainland China[J]. Journal of Cleaner Production, 2020, 267:122004. DOI:10.1016/j.jclepro.2020. 122004

[35]
Li H, Zhai P M, Lu E, et al. Changes in temporal concentration property of summer precipitation in China during 1961-2010 based on a new index[J]. Journal of Meteorological Research, 2017, 31(2):336-349. DOI:10.1007/s13351-017-6020-y

[36]
Wackerly D, Mendenhall W, Scheaffer R L. Mathematical statistics with applications[M].Duxbury Press, 2007.

[37]
Ross S M. Introduction to probability and statistics for engineers and scientists[M]. Amsterdam: Academic Press, 2009.

[38]
Lupikasza E. Spatial and temporal variability of extreme precipitation in Poland in the period 1951-2006[J]. International Journal of Climatology: A Journal of the Royal Meteorological Society, 2009, 30(7):991-1007. DOI:10.1002/joc.1950

[39]
Wu C, Huang G, Yu H, et al. Spatial and temporal distributions of trends in climate extremes of the Feilaixia catchment in the upstream area of the Beijiang River Basin, South China[J]. International Journal of Climatology, 2014, 34(11):3161-3178. DOI:10.1002/joc.3900

[40]
Rapp J. Konzeption, Problematik und ergebnisse klimatologischer Trendanalysen für Europa und Deutschland[M].Deutscher Wetterdienst Offenbach am Main, 2000.

[41]
Mckee T B, Doesken N J, Kleist J. The relationship of drought frequency and duration to time scales[C]. Boston:1993.

[42]
韩海涛, 胡文超, 陈学君, 等. 三种气象干旱指标的应用比较研究[J]. 干旱地区农业研究, 2009, 27(1):237-241, 247.

[ Han H T, Hu W C, Chen X J, et al. Application and comparison of three meteorological drought indices[J]. Agricultural Research in the Arid Areas, 2009, 27(1):237-241,247. ]

[43]
Zhang T, Yuan Y, Wei W, et al. A tree-ring based precipitation reconstruction for the Mohe region in the northern Greater Higgnan Mountains, China, since AD 1724[J]. Quaternary Research, 2014, 82(1):14-21. DOI:10.1016/j.yqres.2014.01.007

[44]
Fang K Y, Davi N, D'Arrigo R. A reconstruction of the Asia-Pacific Oscillation Index for the past 1500 years and its association with the Asian summer monsoon[J]. International Journal of Climatology, 2014, 34(7):2505-2514. DOI:10.1002/joc.3856

[45]
Cai Q, Liu Y, Zhang H, et al. Evolution of the dry-wet variations since 1834 CE in the Lüliang Mountains, North China and its relationship with the Asian summer monsoon[J]. Ecological Indicators, 2021, 121:107089. DOI:10.1016/j.ecolind.2020.107089

[46]
Zhang R, Qin L, Yuan Y, et al. Radial growth response of Populus xjrtyschensis to environmental factors and a century-long reconstruction of summer streamflow for the Tuoshigan River, northwestern China[J]. Ecological Indicators, 2016, 71:191-197. DOI:10.1016/j.ecolind.2016.06.035

[47]
Huffman G J, Stocker E F, Bolvin D T, et al. GPM IMERG final precipitation L3 half hourly 0.1 degree x 0.1 degree V06[Z]. Goddard Earth Sciences Data and Information Services Center (GES DISC), 2019. DOI:10.5067/GPM/IMERG/3B-HH/06

[48]
Guo H, Chen S, Bao A M, et al. Early assessment of integrated multi-satellite retrievals for global precipitation measurement over China[J]. Atmospheric Research, 2016, 176/177:121-133. DOI:10.1016/j.atmosres.2016.02.020

[49]
孔宇. 中国大陆GPM/IMERG产品的精度评估[D]. 南京: 南京信息工程大学, 2017.

[ Kong Y. Evaluation of the accuracy of GPM/IMERG over the mainland of China[D]. Nanjing: Nanjing University of Information Science & Technology, 2017. ]

[50]
Sun W, Sun Y H, Li X J, et al. Evaluation and correction of GPM IMERG precipitation products over the capital circle in northeast China at multiple spatiotemporal scales[J]. Advances in Meteorology, 2018, 2018:1-14. DOI:10.1155/2018/4714173

[51]
Muñoz-Sabater J, Dutra E, Agustí-Panareda A, et al. ERA5-Land: A state-of-the-art global reanalysis dataset for land applications[J]. Earth System Science Data, 2021, 13(9):4349-4383. DOI:10.5194/essd-13-4349-2021

[52]
Huang X L, Han S, Shi C X. Multiscale assessments of three reanalysis temperature data systems over China[J]. Agriculture-Basel, 2021, 11(12):1292. DOI:10.3390/agriculture11121292

[53]
郭斌, 邢文雪, 李云, 等. 基于TRMM 3B43产品的1998—2016年黄淮海平原降水时空特征研究[J]. 地理科学, 2021, 41(7):1285-1294.

DOI

Guo B, Xing W X, Li Y, et al. Temporal and spatial characteristics of precipitation based on TRMM 3B43 product in the Huang-Huai-Hai Plain during 1998-2016[J]. Scientia Geographica Sinica, 2021, 41(7):1285-1294. ] DOI:10.13249/j.cnki.sgs.2021.07.019

[54]
王胜杰, 赵国强, 王旻燕, 等. 1961—2020年黄河流域气候变化特征研究[J]. 气象与环境科学, 2021, 44(6):1-8.

Wang S J, Zhao G Q, Wang M Y, et al. Characteristics of climate change in the Yellow River Basin from 1961 to 2020[J]. Meteorological and Environmental Sciences, 2021, 44(6):1-8. ] DOI:10.16765/j.cnki.1673-7148.2021.06.001

[55]
李翔翔, 居辉, 刘勤, 等. 基于SPEI-PM指数的黄淮海平原干旱特征分析[J]. 生态学报, 2017, 37(6):2054-2066.

Li X X, Ju H, Liu Q, et al. Analysis of drought characters based on the SPEI-PM index in Huang-Huai-Hai Plain[J]. Acta Ecologica Sinica, 2017, 37(6):2054-2066. ] DOI:10.5846/stxb201511102274

[56]
Yang R T, Xing B. Evidence for intensification in meteorological drought since the 1950s and recent dryness-wetness forecasting in China[J]. Atmosphere, 2022, 13(5). DOI:10.3390/atmos13050745

[57]
Li L H, Zhang Y L, Liu Q H, et al. Regional differences in shifts of temperature trends across China between 1980 and 2017[J]. International Journal of Climatology, 2019, 39(3):1157-1165. DOI:10.1002/joc.5868

[58]
He B, Bao Q, Li J D, et al. Influences of external forcing changes on the summer cooling trend over East Asia[J]. Climatic Change, 2013, 117(4):829-841. DOI:10.1007/s10584-012-0592-4

[59]
Xu J Q, Wang D D, Qiu X F, et al. Dominant factor of dry-wet change in China since 1960s[J]. International Journal of Climatology, 2021, 41(2):1039-1055. DOI:10.1002/joc.6728

Options
文章导航

/

〈 〉