英语原文共 22 页，剩余内容已隐藏，支付完成后下载完整资料

全球极端温度和降水的气候变化

摘要

利用逐日温度、降水资料，对极端气候事件的指数变化进行计算和分析。通过设置每一个指标的精确公式，使用专门的设计软件，对不同的国家进行分析。利用世界各地众多科学家提供的数据稀少地区的研讨会结果和高质量的台站数据，呈现出最新的全球极端温度和降水指数趋势的综合图。1951–2003年网格化的季节和年度指数，计算并测试网格化场的统计显著性。结果表明，与气候变暖相关的极端温度普遍显著变化，尤其是由日最低气温计算出来的指数。超过70%的全球陆地都显示冷夜显著减少，而暖夜明显增加，一些地区经历了超过一倍的这些指数。这意味着在全球日最低气温的分布上有一个积极的转变。日最高气温指数呈相似的变化，但幅度较小。降水量的变化有广泛而显著增加，但与温度变化相比，降水量变化在空间上的相关性要小得多。指数的概率分布来自大约200个温度和600个降水站，利用了1901–2003年近完整的数据，分析了覆盖北半球中纬度地区的一个很大的区域（包括澳大利亚降水），在1901–1950, 1951–1978和1979–2003年期间。结果显示，整个20世纪的气温显著上升。在最近两个时期以及与最低气温相关的指数之间，温度指数分布的差异尤为明显。对季节性时间序列指数的分析可显示，这些变化在四季都会发生，尽管它们通常在9月到11月是最不明显的。在整个20世纪，降水指数显示出更加潮湿的趋势。

1 引言

几十年来，大多数利用观测温度和降水资料对全球长期气候变化的分析都侧重于平均值的变化。几位德高望重的月度数据集在全球范围内提供了合理的空间覆盖率[例如，Jones and Moberg, 2003;Peterson and Vose, 1997]。然而，在分析极端变化时需要以数字形式显示数据，例如在热浪持续期间或者温度超过其长期90%的天数。不幸的是，大部分国际研究界很难得到这些数据[Folland等, 2001]。在早期的“全球”极端指数Groisman等[1999]和 Frich等[2002]分析中，大部分中南美洲、非洲和南亚地区几乎没有数据。随后的研究如Kiktev等[2003]提供了对某些指数的网格更新，但空间覆盖率仍然很低。

气候变化探测、监测和指数专家组（ETCCDMI）对世界气象组织联合委员会（CCL）（对气候）和世界气候研究计划（WCRP）（对气候变率和可预测性项目（CLIVAR））两项进行了协调互补，以便对极端事件进行全球分析。其中一项成就是发展一套侧重于极端气候变化指数的国际协调。这些指数是根据日气温和降水数据得出的。这些指数的编制，包括一个供国际研究界免费查阅的用户软件包，不仅涉及ETCCDMI成员，而且还有许多其他科学家，包括作者在内。总共定义了27个指数，并开发了两个软件包，其中一个用R编写（RClimDex），另一个用FORTRAN编写(FClimDex)。专门从事这项工作的网站http://ccma/seos.uvic.ca/ETCCDMI全面描述了所有的指数，质量控制程序的细节以及相关参考文献。它还提供了一个免费下载的软件包以及详细的用户手册。通过为每个指数设置一个精确的公式并使用相同的软件包，对不同国家、不同区域进行分析，而且可以无缝的结合在一起。

ETCCDMI的第二个成就是协调区域研讨会，为了解决以往的全球研究中数据的可用性和分析方面的差距[例如，Frich等, 2002]。在全球许多地方有足够的国家级的以数字形式的每日数据，尽管在某些地区获取日数据仍然是个问题[Page等, 2004]。另外，一些机构以各种理由不愿意分享数据。ETCCDMI提出了解决这一问题的办法，就是举办以亚太网络研讨会为模式的区域气候变化研讨会[Manton等, 2001; Peterson等, 2001; Griffiths 等,2005]。亚太网络（APN）的方法是汇集不同国家的科学家在亚太地区。这些参与者把自己的每日数据带到研讨会上。研讨会期间，在国际专家的指导下，他们对数据进行质量控制并使用一个标准程序和软件计算指数，他们的方法是为了交换指数数据。虽然有些科学家不会分享他们原始的日常数据，但他们将衍生指数系列提供给区域和全球分析。2001年举办了两次区域气候变化研讨会，分别在牙买加和摩洛哥。牙买加涵盖了加勒比地区[[Peterson等, 2002]，摩洛哥则覆盖了非洲[Easterling 等, 2003; Mokssit,2003]。由于认识到这些研讨会的成功之处和存在的问题，ETCCDMI在2004年和2005年初在南非又举行了另外5个研讨会（M. New等人，“南部和西部非洲每日极端气候趋势的证据”，提交给lsaquo;地球物理学研究杂志rsaquo;，2005）、巴西[Haylock等, 2006; Vincent 等， 2005],土耳其[Sensoy 等, 2006; Zhang 等., 2005],危地马拉[Aguilar 等, 2005] 和印度 [Peterson, 2005;Klein Tank 等, 2006]，将为非洲、南美洲、中东、中南亚提供额外的覆盖范围。

本文是为了提供全球极端温度和降水的最全面的分析。为此，我们使用各种来源的高质量日数据。它们包括（1）国际社会免费提供的数据（2）以前不可用的ETCCDMI研讨会的数据（3）只有我们的一些合作者能获得的数据。本文的结构如下，我们在第二部分详述数据，这部分包括数据来源的详细描述，数据质量控制和均匀性的测试程序以及指数的定义和计算；在第三部分，我们详细介绍了指数数据的分析，包括网格和趋势计算；第四部分是结果；第五部分对结果进行一些讨论分析；最后第六提出结论。

2数据

2.1日数据

有三个国际日数据集免费提供给研究界。他们是（1）GCOS表面网络的（GSN）数据集[Peterson等, 1997]（2）欧洲气候评估（ECA）数据集[Klein Tank 等, 2002]（3）每日全球历史气候网（GHCN-Daily）数据集[Gleason 等,2002]。在此次分析中，ECA数据用于欧洲，而GHCN-Daily数据用于美国和巴西，GSN数据用于补充这些数据的来源，主要在非洲。用来自研讨会的指数数据来掩盖以前没有可用数据地区。研讨会数据在有关报告或论文中有详细的描述，包括亚太网（APN）的数据。

作者的机构还为世界某些地方提供了数据，这些地区的数据来源不详或质量较差。尽管高质量数据集的发展水平因国而异，但我们有最佳的数据集。加拿大为210个台站提供了直至2003年的均匀日温度[Vincent 等, 2002]和高质量降水数据集[Mekis and Hogg，1999]。通过考虑不同部分的分布不连续性幅度，澳大利亚的温度记录已经根据每日时间尺度的不均匀性进行了调整[Trewin,2001]。由于最近的研究[例如Peterson,2003; Parker, 2004; Peterson and Owen, 2005]表明城市化效应对大尺度温度趋势影响不大，排除了可能受城市化影响的台站。澳大利亚的降水数据也来自一个高质量的降水数据集[Haylock和Nicholls, 2000]。美国的温度数据选自GHCN-Daily站，其站最高温度和最低温度在统计均匀性上没有发现任何的不均匀性[Menne 和Williams, 2005]。前苏联的降水资料进行了均匀性调整[Groisman和Rankova, 2001]。对于那些预选数据集的国家，都没有现成的资料，例如阿根廷[Rusticucci 和Barrucand, 2004]，中国 [Zhai 等, 2005],印度，伊朗[Rahimzadeh 和 Asgari, 2003]和墨西哥，作者根据他们对本国最好台站的了解或最近的分析选择台站。其余的数据主要来自GHCN-Daily数据集，例如巴西和哈德利中心档案。在各种情况下，至少一位作者可以访问原始记录，以便在分析过程中，出现质量问题时可以随时查阅原始数据。

2.2数据质量和同质性

在大多数情况下，作者提供的数据都是在本次研究之前使用标准软件进行质量控制和指数计算的。质量控制的水平因国家而异（见上文），但在所有情况下试图用最好的数据源。从研讨会提供的数据，采用了RClimDex中的质量控制程序。质量控制程序的主要目的是识别数据处理中的错误，如手动按键错误。如果日最高气温低于日最低气温，则消除日降水量负值，并将日最高和最低气温均设置为缺失值。这样，日最高和最低温度的异常值也能识别出来。这些值超出了用户定义的范围。而在本次研究中的范围定为气候平均值的四个标准差（STD）为值，即[平均plusmn;4STD]。超出此范围的每日温度值是由熟知自己数据的研讨会参与者逐个手动检查和编辑。

统计检验通常不适用于在研讨会上分析的降水数据，而是人工通过仔细检查图表能发现任何明显的异常值。从研讨会外来的数据同样也仔细进行了测试异常值分析，但方法因来源而异。统计检验，当地知识，台站的历史调查或与邻近站的比较都可以用来确定外围降水值是否错误。更重要的是，要查明在逐日降水记录中可能出现错误的多日积累降水[Viney 和Bates, 2004]。当累计降水量被报告为日总降水量时，会发生这些情况。例如，在缺少观测之后，如果降水量大于1毫米，巴西从GHCN-Daily提取的数据就会被拒绝[Haylock 等, 2006]。即使对数据进行整理研究，也会再次评估每个观测站的年总降水量和日温度范围的时间序列，以便识别在初始质量控制程序中可能漏掉的异常值。

与数据不均匀性相关的问题相比，数据质量是一个相对容易解决的问题。因台站的位置，观测程序和实践、仪器变化等引起了错误的异常值和人为步长变化。[Aguilar等，2003]进行趋势分析不可靠，而且并不总是有一致的方法来处理数据的不均匀性[Peterson等，1998]。由于这个原因，RClimDex可以串联一个叫RHtest的软件包一起使用，该软件包可以识别站温时间序列中的变化。RHtest是建立在一个具有线性趋势的两阶段回归模型的基础上[Wang，2003]。除了最初几个研讨会的数据外，使用了一个基于类似技术的略有不同的程序，RHtest被用于测试本研究中使用的大多数台站的温度不均匀性。其他异常包括使用Wijngaard等人定义的最均匀的台站。[2003]关于非洲经委会的气温和降水数据，确定使用Menne和Williams[2005]为美国设定的同质台站。

]如果站台数据被确定为不均匀，那么它们就被排除在分析之外。由于以下两个主要原因，不均匀的数据没有得到调整(尽管注意到一些数据源已经调整，例如Groisman和Rankova[2001]和Vincent等[2002]在列入本研究报告之前)。第一，迄今为止，在调整日温度方面取得的成就有限[例如，Vincent等，2002]。第二，由于我们拥有的大多台站覆盖了许多不同的气候，温度的调整将是一项极其复杂的任务，很难做好[Aguilar等，2003]。一些步骤的更改可能是真实的，而不是数据的不均匀性问题。这突出了我们通常缺乏访问站台数据的重要性。

不均匀性不同于步骤变化，如不考虑温度的逐渐变化。这种不均匀性可能是通过城市化发生的，尽管Peterson和Owen[2005]表明，与实际气候变率和变化幅度相比，城市化对整个台站网平均数据的影响是最小的。而这种不均匀性的问题也很难解决，尽管它可以通过比较邻近站点的数据来解决。但是，我们的站网通常不够密集，不能采用这种方法。

图1显示了本研究中使用的2223个气温和5948个降水站的位置。虽然降水站较多，但其分布一般不如温度站均匀。在对各项指数进行网格划分时，所有站点都使用。然而，在计算趋势时，我们只选择考虑网格框，在所考虑的时间段内的数据至少完成80%，而且不早于1999年结束。在20世纪后半叶，大多数为本研究贡献数据的台站网都有很好的时间覆盖，因此我们主要集中在这一时期。然而，大约200个温度站(取决于指数)和608个降水站有足够的数据供整个20世纪的变化使用，以便至少对其中一个指数进行分析。我们将利用这些监测站把最近的变化放在一个世纪的长期尺度上。这些监测站主要设在北美洲、欧亚大陆和澳大利亚，但也有几个监测站设在巴西和斯里兰卡。

图1.用于本研究的(A)温度和(B)降水站的位置。各种颜色代表在文中描述的不同数据源，美国和巴西部分地区的数据是作者从GHCN-Daily数据集中获得的。括号内的数字表示台站总数。

2.3指数

ETCCDMI推荐的27项指数中有16项与温度有关，11项与降水有关，它们是由日最高气温和最低气温以及日降水量得出的。指数的完整描述可从http://cccma.seos.uvic.ca/ETCCDMI/list_27_indices.html网站上获取，其中一个指数有一个用户相关的阈值，我们在本研究中不进行分析。这些指数主要用于评估全球气候变化的许多方面，包括温度和降水事件的强度、频率和持续时间的变化。它们代表每季度或一年发生几次的事件，使它们比极值的度量更有说服力，而极值的距离足够远，以致于在某些年份内无法观测到。这些指数可分为以下5种：

1.按百分位计算的指数包括：冷夜(TN10p)、暖夜(TN90p)、冷昼(TX10p)、暖昼(TX90p)、潮湿日(R95p)和极潮湿日(R99p)的出现。基于温度百分位数的指数由最高和最低温度的最冷和最热的十分值进行抽样，使我们能够评估极端变化的程度。这类降水指数代表降雨量超过第九十五(R95p)和第九十九(R99p)百分位数，但不限于一年中最极端的降水事件。

2.绝对指数表示一个季节或一年内的最大值或最小值。包括年内日最高气温(TXx)、年内日最低气温极大值(TNX)、年内日最高气温极小值(TXN)、年内日最低气温(TNN)、1日最大降水量(RX1天)和5日最大降水量(RX5天)。

3.阈值指数是指气温或降水值低于或高于固定阈值的日数，包括每年发生的霜冻日(FD)

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[21600]，资料为PDF文档或Word文档，PDF文档可免费转换为Word