1980—2018年中国极端高温事件时空格局演变特征

doi:10.13249/j.cnki.sgs.2022.03.018

1980—2018年中国极端高温事件时空格局演变特征

杨阳^,¹^,², 赵娜^,¹^,²^,^*, 岳天祥¹^,²

1.中国科学院地理科学与资源研究所资源与环境信息系统国家重点实验室，北京 100101

2.中国科学院大学资源与环境学院，北京 100049

Spatio-temporal Variations of Extreme High Temperature Event in China From 1980 to 2018

Yang Yang^,¹^,², Zhao Na^,¹^,²^,^*, Yue Tianxiang¹^,²

1. State Key Laboratory of Resources and Environmental Information System, Institute of Geographical Sciences and Natural Resources Research, Chinese Academy of Sciences, Beijing 100101, China

2. College of Resource and Environment, University of Chinese Academy of Sciences, Beijing 100049, China

通讯作者: 赵娜。E-mail: zhaon@lreis.ac.cn

收稿日期: 2021-05-6 修回日期: 2021-08-2

基金资助:

中国科学院基础前沿科学研究计划从0到1原始创新项目(ZDBS-LY-DQC005)
中国科学院先导专项资助(XDA20030203)

Received: 2021-05-6 Revised: 2021-08-2

Fund supported:

The Chinese Academy of Sciences Basic Frontier Science Research Program From 0 to 1 Original Innovation Project(ZDBS-LY-DQC005)
Strategic Priority Research Program of the Chinese Academy of Sciences(XDA20030203)

作者简介 About authors

杨阳（1997−），男，山西晋中人，博士研究生，主要从事极端气候与城镇化研究E-mail:yangy.19s@igsnrr.ac.cn

摘要

基于全国2 419个气象站1980—2018年逐日气象观测资料，利用Mann-Kendall突变检验、滑动t检验、空间自相关及标准差椭圆等方法，选取4个典型的极端高温指数，分析了中国极端高温事件时空格局演变特征。结果表明：① 中国近40 a来夏天日数、热夜日数、暖夜日数和暖昼日数均呈显著的上升趋势，4个指数均在20世纪80、90年代偏少，2000年以后逐渐增加，4个极端高温指数均在2000年左右发生显著变化。② 4种极端高温指数的空间自相关主要是以高−高和低−低2种空间聚集形态为主，夏天日数和热夜日数的聚集性较强，近40 a来暖夜日数和暖昼日数的空间聚集性先增强后减弱，且空间聚集性分布格局由高−高包围低−低转变为低−低包围高−高。③ 4个指数变化率最大的站点均位于南方地区，其中夏天日数变化率最大的站点呈东西向分布格局，其余3个指数变化率最大的站点呈南北向分布格局，西南、西北地区交界地带夏天日数和暖昼日数在近40 a来变化率均显著高于全国其他地区，华东沿海地区暖夜日数的变化趋势方向性分布最明显，且变化趋势高于全国其他地区。

关键词： 极端高温; Moran’s I指数; 标准差椭圆

Abstract

Extreme high temperature is extremely destructive and influential, and characterizing its change over time and space can provide help to guide future efforts to mitigate impacts of climate change. Based on the daily scale observation data of 2419 meteorological stations in China, the trend analysis, the time-lapse analysis and Mann Kendall mutation test were used to study the change characteristics of extreme high temperature with time in China in the past 40 years. The trend change and distribution pattern (direction feature) of the extreme high temperature distribution pattern in the corresponding years were explored by using Moran index and standard deviation ellipse respectively. The results show that: 1) The number of summer days, hot night days, warm night days and warm days in China showed a significant upward trend. The four indexes were less in the 1980s and 1990s, and gradually increased after 2000 and commonly changed significantly circa 2000;2) The spatial autocorrelation of the four extreme temperature indices was mainly high-high and low-low. The summer days and hot night days had strong aggregation, while the spatial aggregation of warm night days and warm days first increased and then decreased in past 40 years, and the spatial distribution pattern of warm night days and warm days changed from high-high surrounding low-low to low-low surrounding high-high; 3) The most obvious points of directional distribution of change trend of Summer days, warm days and hot night days are in the north. The stations of summer days and warm days showed the southeast-northwest distribution pattern, while the stations of hot night days showed the East-West distribution pattern. The stations with the largest change trend of summer days are East-West distribution pattern, while the stations with the largest change trend of hot night days, warm night days and warm days are north-south distribution pattern. The most significant changes of the four extreme temperature indices are in southern China. The change rates of summer days and warm days in the border areas of Gansu, Sichuan, Shaanxi and Chongqing in past 40 years are higher than those in other regions of China. The directional distribution of change trend of warm night days in Zhejiang and Fujian is the most obvious, and the change trend is higher than that in other areas of China. Our results provide meaningful information for a deeper understanding of the spatiotemporal variations in temperature extremes across the mainland China.

Keywords： extreme high temperature; Moran’s I index; standard deviation ellipse

PDF (22416KB) 元数据多维度评价相关文章导出 EndNote| Ris| Bibtex 收藏本文

本文引用格式

杨阳, 赵娜, 岳天祥. 1980—2018年中国极端高温事件时空格局演变特征[J]. 地理科学, 2022, 42(3): 536-547 doi:10.13249/j.cnki.sgs.2022.03.018

Yang Yang, Zhao Na, Yue Tianxiang. Spatio-temporal Variations of Extreme High Temperature Event in China From 1980 to 2018[J]. Scientia Geographica Sinica, 2022, 42(3): 536-547 doi:10.13249/j.cnki.sgs.2022.03.018

中国气候变化蓝皮书（2020）指出，全球变暖的趋势仍在持续。2019年全球平均气温与工业化前相比，高出大约1.1℃，是有完整气象观测记录以来的第二暖年份，2015—2019年是有完整气象观测记录以来最暖的5个年份^[1]。中国近50 a地表增温速率高于全球同时期平均值，极端高温事件频次和日数在全国、北方和东南沿海地区均呈上升趋势^[2]。气候变暖所带来的问题中，最直接的是极端高温事件，而中国属于农业大国，高温干旱灾害直接影响作物生长和农业生产^[3]，不仅如此，极端高温事件还对人类健康产生了严重影响。21世纪以来，极端高温事件在法国、德国、意大利、西班牙和俄罗斯等国导致数十万人员伤亡^[4]。可见，极端高温事件不仅影响社会生产，还严重威胁着人类的健康生存。

目前，国内外学者从不同角度探讨了极端高温的时空变化特征。国外研究者的实验表明：埃塞俄比亚、澳大利亚、印度、欧洲和北大西洋的极端高温均有上升的趋势^[5~9]。在国内的研究中，任国玉等学者认为，近年来中国暖夜、暖昼日数呈显著增多趋势^[10]；研究者在对京津冀地区、黄河源区、青藏高原地区、甘肃省河东区、柴达木盆地等区域极端气温的研究中表明，这些地区和流域暖指数总体呈上升趋势，区域差异明显^[11~16]。

中国是全球气候变化的敏感区和影响显著区，气候条件复杂多变，极端高温事件频繁发生，对社会发展和人类健康产生了严重影响。因此，迫切需要从不同角度全面深入地研究极端高温的时空演变格局。总体来看，国内外学者对极端高温更多集中于区域性研究，大部分研究采用趋势法分析极端高温的变化趋势或判断极端高温事件的频次变化，且对极端高温空间格局演变和空间分布形态的认识尚不透彻。本文选择表征热特征的4个极端高温指数，基于全国2 419个加密气象站点的逐日气象观测数据，利用线性趋势分析、距平分析、Mann-Kendall 突变分析等经典方法研究中国极端高温在1980—2018年的时间变化特征，并采用空间自相关（Moran’s I指数）来有效地识别极端高温空间分布模式的趋势变化，用标准差椭圆来准确地刻画极端高温的分布形态（方向特征），有利于更好地挖掘其内在的时空变化规律，以期为科学适应、减缓和应对气候变化，有效地评估极端气候事件的影响和实现社会可持续发展提供科学依据。

1 资料与方法

1.1 数据来源

本文中的气象数据为国家气象数据共享中心（http://data.cma.cn/）1980—2018年的逐日气象观测数据，该数据经过严格的校正，质量稳定可靠。当资料有缺失时，则选取前后2 a相应时段数据进行插值补齐，若1 a中缺测时段在6个月以上时，则该年数据不计入统计，本研究最终选取2 260个站点进行计算（图1）。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1 研究区及气象站点位置

审图号为GS（2019）1825号，底图无改动，未含港澳台数据，下同

Fig. 1 Location of study area and meteorological stations

1.2 极端高温指数的选取

本文在气候变化检测与极端事件指数专家组定义的极端气候指数中^[17]，选取夏天日数（SU）和热夜日数（TR）作为绝对极端暖指数，暖夜日数（TN90P）和暖昼日数（TX90P）作为相对极端暖指数，来分析中国区域极端暖指标的时空演变格局。这些极端高温指数能展现极端气候不同层面的变化，被证明具有噪声低、显著性强的特点，在相关研究中得到广泛应用^[18]。

1.3 研究方法

1.3.1 极端高温突变点检验方法

本文采用Mann-Kendall突变检验与滑动t检验结合的方法来研究4个极端高温指数是否在近40 a发生突变。Mann-Kendall突变检验是世界气象组织推荐并被用于时间序列分析的非参数检验方法^[19,20]。由于Mann-Kendall检验可能会受到时间序列自相关性的影响^[21]，本研究在Mann-Kendall突变检验的基础上进一步采用滑动t检验法来验证突变情况。统计量T值服从t($ {n}_{1} $+$ {n}_{2} $−2)分布，n为选取的子序列的长度，给出置信度α，得到临界值$ {t}_{\alpha /2} $，若统计量t的绝对值大于$ {t}_{\alpha /2} $，说明序列存在显著的差异性^[22]。

1.3.2 Moran’s I指数

空间自相关是指观测变量在空间上的依赖性，即空间位置相近的变量是否具有相似或相反的变化趋势，最常用的统计量为Moran’s I指数^[23]。本研究通过绘制不同时期的Moran散点图并计算Moran’sI指数来描述中国极端高温空间形态的演变。

1.3.3 标准差椭圆

本研究为每一类气象站点绘制标准差椭圆，长轴的方向反映站点在空间上分布的主要方向，长短轴共同反映站点的分布范围。长、短轴的比值为扁率，可以体现站点分布的形态，扁率越大，表明站点分布方向性越强^[24]。

2 结果及分析

2.1 极端高温指数时间变化特征

总体来看，夏天日数、热夜日数、暖夜日数和暖昼日数均具有显著上升趋势（P<0.01），变化速率分别为0.44 d/a、0.29 d/a、0.68 d/a和0.52 d/a（图2），其中，暖夜日数上升趋势最快，最大值（2018年）比最小值（1986年）多36.09 d。20世纪90年代后，各极端高温指数的上升趋势明显加快，在1980—1990年，夏天、热夜、暖夜和暖昼日数的上升速度分别为0.03 d/a、0.01 d/a、0.11 d/a和−0.06 d/a；而1991—2018年，4个指数的上升趋势分别达到了0.45 d/a、0.32 d/a、0.77 d/a和0.55 d/a。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2 1980—2018年中国极端高温指数变化趋势

SU为夏天日数；TR为热夜日数；TN90P为暖夜日数；TX90P为暖昼日数；未含港澳台数据

Fig. 2 Trends of China’s extreme temperature index from 1980 to 2018

表1给出了极端高温指数的年代距平变化，夏天日数、热夜日数、暖夜日数和暖昼日数在20世纪80、90年代为负距平，在2000年以后为正距平，说明夏天日数、热夜日数、暖夜日数和暖昼日数在20世纪80、90年代偏少，在2000年以后逐渐增加。

表1 1980—2018年中国极端高温指数的年代距平

Table 1 Decadal anomalies of extreme temperature index in China from 1980 to 2018

	1980—1989年	1990—1999年	2000—2009年	2010—2018年
注：参考值为1980—2018年的平均值；SU 为夏天日数； TR 为热夜日数； TN90P 为暖夜日数； TX90P 为暖昼日数；未含港澳台数据。
SU/d	−6.58	−2.42	4.37	5.15
TR/d	−4.09	−1.41	1.70	4.22
TN90P/d	−9.11	−3.74	3.22	10.69
TX90P/d	−7.59	−2.70	3.32	7.74

新窗口打开| 下载CSV

Mann-Kendall突变检验结果如图3所示，1980—2018年，夏天日数、热夜日数、暖夜日数和暖昼日数均呈上升趋势，夏天日数与热夜日数UF曲线约从2002年开始超越临界线，说明2002—2018年夏天日数与热夜日数显著增加；暖夜日数与暖昼日数UF曲线约从2000年开始超越临界线，说明2000—2018年暖夜日数与暖昼日数显著增加。根据4个极端高温指数UF与UB曲线的交点，可以初步判定暖夜指数和暖昼指数的突变年份均为2000年，夏天日数在1997年和1999年发生突变，热夜日数的突变年份为2002年。

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3 1980—2018年中国极端高温指数M-K突变检验

SU为夏天日数；TR为热夜日数；TN90P为暖夜日数；TX90P为暖昼日数；虚线为α=0.01水平下的临界线

Fig. 3 M-K test of China’s extreme temperature index from 1980 to 2018

对于Mann-Kendall检验法初步判定的突变点，用滑动t检验进行精确识别。取步长$ {n}_{1} $=$ {n}_{2} $=9，给定置信度α=0.01与α=0.05，计算相关统计量，检验结果如表2所示。夏天日数统计量t值大于α=0.01时的临界值，在20世纪90年代末期发生突变事件；暖夜日数和暖昼日数统计量t值大于α=0.05时的临界值，在21世纪初发生突变；热夜日数未发生突变。

表2 $ {n}_{1} $=$ {n}_{2} $=9时滑动t检验结果

Table 2 Sliding t-test results with $ {n}_{1} $=$ {n}_{2} $=9

指数	初始变点	临界$ {t}_{\alpha /2} $(α=0.01)	临界$ {t}_{\alpha /2} $(α=0.05)	统计量t值	显著与否
注：SU 为夏天日数； TR 为热夜日数； TN90P 为暖夜日数； TX90P 为暖昼日数；未含港澳台数据。
SU	1997年	2.92	2.12	5.3	显著(α=0.01)
	1999年	2.92	2.12	3.09	显著(α=0.01)
TR	2002年	2.92	2.12	1.54	不显著
TN90P	2000年	2.92	2.12	2.56	显著(α=0.05)
TX90P	2000年	2.92	2.12	2.26	显著(α=0.05)

新窗口打开| 下载CSV

2.2 极端高温指数的空间自相关分析

图4为4个极端高温指数的Moran散点图，Moran散点图以直角坐标系的形式呈现，散点分别落在4个象限内，每个象限都体现了某一区域与其周边区域的局部空间关系。第一象限和第三象限的空间格局呈现聚集性，第二象限和第四象限的空间格局呈现离散性。综合来看，样本点主要分布在第一和第三象限，说明4种极端高温指数的空间自相关主要是以高−高和低−低2种空间聚集形态为主，即极端高温指数值高的气象站点，其周围气象站点的极端高温指数值亦为高值，指数值低的气象站点，其周围站点的指数值为低值。少数点分布在第二和第四象限，表明少数极端高温指数的空间分布具有异质性。近40 a来，夏天日数和热夜日数空间聚集特征没有显著变化，而暖夜日数和暖昼日数空间聚集程度先增强后减弱。综合来看，1990年和2000年为极端高温指数空间聚集性最强的年份，2000年之后，聚集性在减弱，空间异质性在增强。

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4 1980—2018年中国极端高温指数Moran散点图

SU为夏天日数；TR 为热夜日数； TN90P 为暖夜日数； TX90P 为暖昼日数；未含港澳台数据

Fig. 4 Moran scatter plot of extreme temperature index in China from 1980 to 2018

表3给出了4个极端高温指数在不同年份下的Moran指数值。不同年份Z得分均高于显著性水平为0.01时的临界值2.58，具有统计学意义，这表明4种极端高温指数在全国范围内呈现空间正相关关系，且具有显著的空间聚集性，而并非随机分布。可以看出，夏天日数和热夜日数的Moran指数变化不大，且均大于0.8，表明这2种指数在1980—2018年期间具有较强的空间聚集性；而暖夜日数和暖昼日数的Moran指数具有下降趋势，结合图4可以看出，这2种指数有越来越多的样本点接近原点，呈随机分布状态，表明暖夜日数和暖昼日数的空间聚集性在逐渐减弱。

表3 1980—2018年中国极端高温指数值全局Moran指数

Table 3 Global Moran’s I of extreme temperature index in China from 1980 to 2018

		1980年	1990年	2000年	2010年	2018年
注：SU 为夏天日数； TR 为热夜日数； TN90P 为暖夜日数； TX90P 为暖昼日数；未含港澳台数据。
SU	Moran’s I	0.82	0.82	0.80	0.82	0.82
	P	<0.01	<0.01	<0.01	<0.01	<0.01
	Z	126.53	126.92	126.92	124.86	128.40
TR	Moran'sI	0.92	0.93	0.91	0.91	0.91
	P	<0.01	<0.01	<0.01	<0.01	<0.01
	Z	190.83	192.48	178.52	174.37	177.78
TN90P	Moran'sI	0.56	0.66	0.68	0.36	0.38
	P	<0.01	<0.01	<0.01	<0.01	<0.01
	Z	139.22	152.38	190.08	54.20	84.17
TX90P	Moran'sI	0.75	0.82	0.84	0.66	0.51
	P	<0.01	<0.01	<0.01	<0.01	<0.01
	Z	159.86	200.65	171.54	128.68	97.26

新窗口打开| 下载CSV

图5和图6分别展示了1980年和2018年极端高温指数的空间聚集性分布。1980年，夏天日数与热夜日数表现为西北低−低聚集，东南高−高聚集的空间分布，夏天日数有少数站点在新疆省西部和中部表现为高−高聚集，呈现空间聚集性的站点分别为1 458个和1 874个，占总站点的65%和83%；暖夜日数和暖昼日数表现为高−高聚集的站点均分布在东北、西北和南方地区，整体上呈现出高−高聚集的站点将低−低聚集的站点包围的格局，呈现空间聚集性的站点分别为1 445和1 737个，占总站点数的64%和77%。4个极端高温指数中，除夏天日数外，其余3个指数低−低聚集的站点数均高于高−高聚集的站点数。

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5 1980年中国极端高温指数空间聚集性分布

SU 为夏天日数； TR 为热夜日数； TN90P 为暖夜日数； TX90P 为暖昼日数；未含港澳台数据

Fig. 5 Spatial aggregation distribution of extreme high temperature index in China in 1980

图6

新窗口打开| 下载原图ZIP| 生成PPT

图6 2018年中国极端高温指数空间聚集性分布

SU 为夏天日数； TR 为热夜日数； TN90P 为暖夜日数； TX90P 为暖昼日数；未含港澳台数据

Fig. 6 Spatial aggregation distribution of extreme high temperature index in China in 2018

2018年，夏天日数与热夜日数聚集性的空间分布与1980年相似，呈现空间聚集性的站点分别有1 645和1 875个，占总数的73%和83%。暖夜日数与暖昼日数聚集性的空间分布与1980年相反，在空间上表现为低−低聚集的站点将高−高聚集的站点包围，在空间上呈现聚集性的站点分别为1 315和1 520个，分别占总数的58%和67%。与1980年不同的是，2018年4个极端高温指数中呈现高−高聚集的站点数量均大于呈现低−低聚集的站点数量。

整体上看，夏天日数和热夜日数表现为西北低−低聚集，东南高−高聚集的特征；而暖夜日数和暖昼日数的聚集形态在近40 a由南北部的高−高聚集和中部的低−低聚集转变为相反的空间分布格局。1980—2018年，4个指数在空间上呈现聚集性的站点数量也发生了较大改变，夏天日数表现为上升，暖夜日数和暖昼日数表现为下降，热夜日数基本不变。在全球变暖的大背景下，夏天日数这一绝对指数在上升，分布范围也进一步扩大，而暖夜指数和暖昼指数空间异质性在增强，导致呈现聚集状态的站点数量在下降，这一特征可能与局地人类活动增强有关。

2.3 极端高温指数空间分布特征

中国近40 a极端高温指数平均值空间分布如图7所示，在4个极端高温指数中，夏天日数和热夜日数的空间分布具有相似变化特征，华中、华南和华东地区明显高于全国其他地区，夏天日数和热夜日数最大值均出现在海南省，分别为333.1 d和291.1 d；暖夜指数在西部地区高于东部地区，最大值出现在云南省西南部，为40.7 d，最小值出现在广东省，为34.2 d；暖昼指数在西南地区和东南沿海地区高于全国其他地区，最大值出现在云南省西南部，为41.7 d，最小值出现在广东省西南部，为34.6 d。综合来看，夏天日数和热夜日数的平均值在低纬度、低海拔地区大于全国其他地区，符合地域分异规律。

图7

新窗口打开| 下载原图ZIP| 生成PPT

图7 1980—2018年中国极端高温指数空间分布

SU 为夏天日数； TR 为热夜日数； TN90P 为暖夜日数； TX90P 为暖昼日数；未含港澳台数据

Fig. 7 Spatial distribution of extreme temperature index in China from 1980 to 2018

图8为1980—2018年4个极端高温指数变化趋势的空间分布。夏天日数整体表现为上升趋势，全国平均上升趋势为4.4 d/10a，超过平均变化率的区域约占全国面积的45%，上升速率最快的地方出现在云南省西南部，约为24 d/10a；呈下降趋势的区域出现在西藏自治区和海南省，其面积约占全国面积的0.2%。在青海和西藏部分地区，热夜日数呈下降趋势，该区域面积约占全国的9.9%，全国平均上升速率为2.9 d/10a，约有47.6%的区域上升速率超过平均水平，云南省南部上升趋势最快，约为15 d/10a；暖夜指数和暖昼指数在全国范围内均呈上升趋势，平均上升速率分别为6.8 d/10a和5.2 d/10a，超过平均变化率的区域分别占全国总面积的45.9%和46.8%，上升速率最快的地方均出现在云南省西南部，分别为15 d/10a和12.5 d/10a。

图8

新窗口打开| 下载原图ZIP| 生成PPT

图8 1980—2018年中国极端高温指数变化趋势空间分布

SU 为夏天日数； TR 为热夜日数； TN90P 为暖夜日数； TX90P 为暖昼日数；未含港澳台数据

Fig. 8 Spatial distribution of the change rate of extreme temperature index in China from 1980 to 2018

2.4 极端高温指数变化率的空间格局分析

根据各气象站点空间位置及每一种极端高温指数变化趋势，基于K-NN分类法将气象站点分为4类（4种颜色点），如图9所示。夏天日数变化率平均值为0.66的气象站点最多（1 091个），占所有气象站点的48%，主要分布在中国南方地区，变化率平均值为0.34的气象站点最少（111个），占所有气象站点的5%，主要分布在贵州省东部，少量分布在湖南省西部；热夜日数变化率平均值为0.59 d/a的气象站点最多（972个），占所有气象站点的43%，分布在中国东南部，变化率平均值为0.45 d/a的气象站点最少，数量为208个，占所有气象站点的9%，主要分布在山西、陕西、河南和湖北四省份交界处；暖夜日数变化率平均值为0.55 d/a的气象站点最多（1 077个），占所有气象站点的48%，主要分布在中国华北和东北地区，变化率平均值为0.32 d/a的气象站点最少，数量为59个，占所有气象站点的3%，主要分布在湖南省北部，少量分布在贵州省东北部和重庆市南部；暖昼日数变化率平均值为0.47 d/a的气象站点最多，数量达1 010个，占所有气象站点的45%，主要分布在中国华北和东北地区，变化率平均值为0.50 d/a的气象站点最少，数量为215个，占所有气象站点的10%，主要分布在中国西部地区。夏天日数、暖昼日数和热夜日数变化趋势方向性最明显的站点均位于北方地区，其中夏天日数、暖昼日数对应站点呈东南−西北分布格局，而热夜日数对应站点呈东西分布格局；浙江、福建两省暖夜日数的变化趋势方向性分布最明显，对应站点呈东北−西南格局。

图9

新窗口打开| 下载原图ZIP| 生成PPT

图9 1980—2018年中国极端高温指数变化率标准差椭圆

SU 为夏天日数； TR 为热夜日数； TN90P 为暖夜日数； TX90P 为暖昼日数；a~d中4种颜色的站点对应分类结果；未含港澳台数据

Fig. 9 Standard deviation ellipse of the change rate of extreme temperature index in China from 1980 to 2018

结合标准差椭圆分析得出（图9e），夏天日数变化趋势最大的站点呈东西分布格局，热夜日数、暖夜日数和暖昼日数变化趋势最大的站点呈南北分布格局。4个指数变化趋势最显著的地区均位于南方，其中浙江、福建两省的夏天日数、热夜日数和暖夜日数的变化率均高于全国其他地区；甘肃、四川、陕西三省和重庆市交界地带，夏天日数和暖昼日数变化趋势均显著高于全国其他地区。

3 结论

1）从时间变化趋势上看，1980—2018年，夏天日数、热夜日数、暖夜日数和暖昼日数分别以4.4 d/10a、2.9 d/10a、6.8 d/10a和5.2 d/10a的趋势增加，4个指数均在20世纪80、90年代偏少， 2000年以后逐渐增加。

2）综合极端指数的时间序列特征及突变检验结果得到，夏天日数在20世纪90年代末发生突变事件，暖夜日数与暖昼日数在21世纪初发生突变，而热夜日数未发生突变。

3）4种极端高温指数的空间自相关主要是以高−高和低−低2种空间聚集形态为主，近40年来，夏天日数和热夜日数的聚集性较强，暖夜日数和暖昼日数的空间聚集性先增强后减弱。1980—2018年，夏天日数和热夜日数的空间聚集性呈现出西北低−低聚集，东南高−高聚集的格局，而暖夜指数和暖昼指数则由高−高聚集包围低−低聚集转变为低−低聚集包围高−高聚集的格局。

4）夏天日数变化趋势最大的站点呈东西分布格局，热夜日数、暖夜日数和暖昼日数变化趋势最大的站点呈南北分布格局，且该4个极端高温指数变化最显著的区域均位于中国南方地区。甘肃、四川、陕西三省和重庆市交界地带夏天日数和暖昼日数在近40 a来变化率均显著高于全国其他地区。夏天日数、暖昼日数和热夜日数变化趋势方向性最明显的站点均位于北方地区，其中夏天日数、暖昼日数对应站点呈东南−西北分布格局，而热夜日数对应站点呈东西分布格局；浙江、福建两省暖夜日数的变化趋势高于全国其他地区，且变化趋势方向性分布最明显。

4 讨论

本研究一方面肯定了之前一些学者对于中国极端高温的研究结果，如本研究表明全国范围内4个极端高温指数均呈上升趋势，这与其他学者的研究结果一致，如吴国雄等分析了青藏高原地区极端气候事件，发现大部分地区极端高温事件呈上升趋势^[25]；根据年代距平分析，4个极端高温指数在20世纪80、90年代的平均值均低于1981—2018年均值，2000年之后均高于近40 a均值，Mann-Kendall突变检验也发现4个极端高温指数在2000年附近发生显著变化，这表明2000年以后4个极端高温指数的变化率增大，这可能与进入21世纪人类活动增强^[26]、城市热岛效应加剧^[27]有关。

另一方面，本研究在极端高温的空间分布格局上得出了一些新的认识：4种极端高温指数主要以高−高和低−低两种空间聚集形态为主；暖夜日数和暖昼日数空间聚集程度和聚集性分布格局均发生了显著变化：在近40 a，其聚集程度先增强并在2000年之后呈现减弱趋势；其空间聚集性分布格局由南北部的高−高聚集和中部的低−低聚集转变为南北部低−低聚集和中部的高−高聚集状态，这可能与21世纪以来人类活动以及城镇化进程区域差异^[28]有关。此外，本研究中还发现近40 a暖夜日数和暖昼日数的平均值分布具有较强的空间异质性，一些高纬度、高海拔地区比低纬度、低海拔地区更“暖”，极有可能是因为人类活动增强，产生更多的污染气体和粉尘，如现阶段较严重的气候问题——雾霾，其中的气溶胶粒子通过散射和吸收地表长波辐射起到一定的保温作用^[29]；另外，城市化进程中不透水地表面积的变化，也会引起地表辐射和能量分配方式的显著变化，改变局地或区域气候^[30]。随着城市化迅速发展，人类活动和下垫面特征的改变等对气候变化的影响越来越不可忽视^[31]，未来研究将注重对极端气候区域分异影响因素的探索。

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[1]

CMA Climate Change Centre. Blue book on climate change in China (2020)[M]. Beijing: Science Press, 2020.

[本文引用: 1]

[2]

闫慧敏, 陈伟娜, 杨方兴, 等.

过去50年内蒙古极端气候事件时空格局特征

[J]. 地理研究, 2014, 33(1): 13-22.

DOI:10.11821/dlyj201401002 [本文引用: 1]

Yan Huimin, Chen Weina, Yang Fangxing et al.

The spatial and temporal analysis of extreme climatic events in Inner Mongolia during the past 50 years

[J]. Geographical Research, 2014, 33(1): 13-22.

DOI:10.11821/dlyj201401002 [本文引用: 1]

[3]

刘凯, 聂格格, 张森.

中国1951—2018年气温和降水的时空演变特征研究

[J]. 地球科学进展, 2020, 35(11): 1113-1126.

[本文引用: 1]

Liu Kai, Nie Gege, Zhang Sen.

Study on the spatiotemporal evolution of temperature and precipitation in China from 1951 to 2018

[J]. Advances in Earth Science, 2020, 35(11): 1113-1126.

[本文引用: 1]

[4]

陈威霖, 江志红, 黄强.

基于统计降尺度模型的江淮流域极端气候的模拟与预估

[J]. 大气科学学报, 2012, 35(5): 578-590.

DOI:10.3969/j.issn.1674-7097.2012.05.008 [本文引用: 1]

Chen Weilin, Jiang Zhihong, Huang Qiang.

Projection and simulation of climate extremes over the Yangtze and Huaihe River Basins based on a Statistical Downscaling Model

[J]. Transactions of Atmospheric Sciences, 2012, 35(5): 578-590.

DOI:10.3969/j.issn.1674-7097.2012.05.008 [本文引用: 1]

[5]

Abadi B, Gebre H, Walelign W et al.

Trends in extreme temperature and rainfall indices in the semi-arid areas of WesternTigray, Ethiopia

[J]. Environmental Systems Research, 2020, 9(9): 1-15.

[本文引用: 1]

[6]

Alexander L V, Arblaster J M.

Historical and projected trends in temperature and precipitation extremes in Australia in observations and CMIP5

[J]. Weather and Climate Extremes. 2017, 15: 34-56.

[7]

王岱, 游庆龙, 江志红, 等.

基于均一化资料的中国极端地面气温变化分析

[J]. 高原气象, 2016, 35(5): 1352-1363.

DOI:10.7522/j.issn.1000-0534.2016.00019

Wang Dai, You Qinglong, Jiang Zhihong et al.

Analysis of extreme temperature changes in China based on the homogeneity-adjusted data

[J]. Plateau Meteorology, 2016, 35(5): 1352-1363.

DOI:10.7522/j.issn.1000-0534.2016.00019

[8]

Kothawale D R, Revadekar J V, Kumar K R.

Recent trends in pre-monsoon daily temperature extremes over India

[J]. Journal of Earth System Science, 2010, 119(1): 51-65.

DOI:10.1007/s12040-010-0008-7

[9]

Choi G, Collins D, Ren G Y et al.

Changes in means and extreme events of temperature and precipitation in the Asia-Pacific Network region, 1955-2007

[J]. International Journal of Climatology, 2009, 29(13): 1906-1925.

DOI:10.1002/joc.1979 [本文引用: 1]

[10]

任国玉, 封国林, 严中伟.

中国极端气候变化观测研究回顾与展望

[J]. 气候与环境研究, 2010, 15(4): 5-7.

[本文引用: 1]

Ren Guoyu, Feng Guolin, Yan Zhongwei.

Retrospect and prospect of observational research on China’s extreme climate change

[J]. Climate and Environmental Research, 2010, 15(4): 5-7.

[本文引用: 1]

[11]

郝振纯, 王加虎, 李丽, 等.

气候变化对黄河源区水资源的影响

[J]. 冰川冻土, 2006, 28(1): 1-7.

[本文引用: 1]

Hao Zhenchun, Wang Jiahu, Li Li et al.

Impact of climate change on water resources in the source region of the Yellow River

[J]. Journal of Glaciology and Geocryology, 2006, 28(1): 1-7.

[本文引用: 1]

[12]

周玉科.

1960—2012年青藏高原极端气候时空动态与变异研究

[J]. 资源与生态学报, 2019, 10(4): 397-414.

DOI:10.5814/j.issn.1674-764x.2019.04.007

Zhou Yuke.

Characterizing the spatio-temporal dynamics and variability in climate extremes over the Tibetan Plateau during 1960-2012

[J]. Journal of Resources and Ecology, 2019, 10(4): 397-414.

DOI:10.5814/j.issn.1674-764x.2019.04.007

[13]

张延伟, 葛全胜, 姜逢清, 等.

北疆地区1961—2010年极端气温事件变化特征

[J]. 地理科学, 2016, 36(2): 296-302.

Zhang Yanwei, Ge Quansheng, Jiang Fengqing et al.

Evolution characteristics of the extreme high and low temperature events in north Xinjiang during 1961-2010

[J]. Scientia Gegraphica Sinica, 2016, 36(2): 296-302.

[14]

黄浩, 张勃, 黄涛, 等.

近30 a甘肃省河东地区极端高温指数时空变化特征及趋势预测

[J]. 干旱区地理, 2020, 43(2): 319-328.

Huang Hao, Zhang Bo, Huang Tao et al.

Quantifying and predicting spatial and temporal variations in extreme temperatures since 1990 in Gansu Province, China

[J]. Arid Land Geography, 2020, 43(2): 319-328.

[15]

格根巴图, 魏巍, 张晓, 等.

柴达木盆地极端气候时空趋势及周期特征

[J]. 干旱区研究, 2020, 37(3): 304-313.

Gegen Batu, Wei Wei, Zhang Xiao et al.

Spatiotemporal trends and periodic features of climate extremes over the Qaidam Basin, China, during 1960-2014

[J]. Arid Zone Research, 2020, 37(3): 304-313.

[16]

Zhao N, Jiao Y M, Ma T et al.

Estimating the effect of urbanization on extreme climate events in the Beijing-Tianjin-Hebei region, China

[J]. Science of the Total Environment, 2019, 688: 1005-1015.

DOI:10.1016/j.scitotenv.2019.06.374 [本文引用: 1]

[17]

尹红, 孙颖.

基于ETCCDI指数2017年中国极端温度和降水特征分析

[J]. 气候变化研究进展, 2019, 15(4): 363-373.

[本文引用: 1]

Yin Hong, Sun Ying.

Characteristics of extreme temperature and precipitation in China in 2017 based on ETCCDI indices

[J]. Climate Change Research, 2019, 15(4): 363-373.

[本文引用: 1]

[18]

申红艳, 马明亮, 王冀, 等.

青海省极端气温事件的气候变化特征研究

[J]. 冰川冻土, 2012, 34(6): 1371

[本文引用: 1]

Shen Hongyan, Ma Mingliang, Wang Ji et al.

Variation characteristics of extreme air temperature events in Qinghai Province

[J]. Journal of Glaciology and Geocryology, 2012, 34(6): 1371

[本文引用: 1]

[19]

P Z Seenu, K V Jayakumar.

Comparative study of innovative trend analysis technique with Mann-Kendall tests for extreme rainfall

[J]. Arabian Journal of Geosciences, 2021, 14(7). Doi:

DOI:10.1007/s12517-021-06906-w [本文引用: 1]

[20]

Zhang P F, Ren G Y, Xu Y et al.

Observed changes in extreme temperature over the global land based on a newly developed station daily dataset

[J]. Journal of Climate, 2019, 32(24): 8489-8509.

DOI:10.1175/JCLI-D-18-0733.1 [本文引用: 1]

[21]

章诞武, 丛振涛, 倪广恒.

基于中国气象资料的趋势检验方法对比分析

[J]. 水科学进展, 2013, 24(4): 490-496.

[本文引用: 1]

Zhang Danwu, Cong Zhentao, Ni Guangheng.

Comparison of three Mann-Kendall methods based on the China’s meteorological data

[J]. Advances in Waret Science, 2013, 24(4): 490-496.

[本文引用: 1]

[22]

Du R S, Shang F H , Ma N.

Automatic mutation feature identification from well logging curves based on sliding t test algorithm

[J]. Cluster Computing, 2019, 22(6).

[本文引用: 1]

[23]

李颉, 郑步云, 王劲峰.

2008—2018年中国手足口病时空分异特征

[J]. 地球信息科学学报, 2021, 23(3): 419-430.

DOI:10.12082/dqxxkx.2021.190778 [本文引用: 1]

Li Jie, Zheng Buyun, Wang Jinfeng.

Spatial-temporal heterogeneity of Hand, Foot and Mouth Disease in China from 2008 to 2018

[J]. Journal of Geo-information Science, 2021, 23(3): 419-430.

DOI:10.12082/dqxxkx.2021.190778 [本文引用: 1]

[24]

熊俊楠, 赵云亮, 程维明, 等.

四川省山洪灾害时空分布规律及其影响因素研究

[J]. 地球信息科学学报, 2018, 20(10): 1443-1456.

DOI:10.12082/dqxxkx.2018.180193 [本文引用: 1]

Xiong Junnan, Zhao Yunliang, Cheng Weiming et al.

Temporal-spatial distribution and the influencing factors of mountain-flood disasters in Sichuan Province

[J]. Journal of Geo- information Science, 2018, 20(10): 1443-1456.

DOI:10.12082/dqxxkx.2018.180193 [本文引用: 1]

[25]

吴国雄, 段安民, 张雪芹, 等.

青藏高原极端天气气候变化及其环境效应

[J]. 自然杂志, 2013, 35(3): 167-171.

[本文引用: 1]

Wu Guoxiong, Duan Anmin, Zhang Xueqin et al.

Extreme weather and climate changes and its environmental effects over the Tibetan Plateau

[J]. Chinese Journal of Nature, 2013, 35(3): 167-171.

[本文引用: 1]

[26]

罗鑫玥, 陈明星.

城镇化对气候变化影响的研究进展

[J]. 地球科学进展, 2019, 34(9): 984-997.

DOI:10.11867/j.issn.1001-8166.2019.09.0984 [本文引用: 1]

Luo Xinyue, Chen Mingxing.

Research progress on the impact of urbanization on climate change

[J]. Advances in Earth Science, 2019, 34(9): 984-997.

DOI:10.11867/j.issn.1001-8166.2019.09.0984 [本文引用: 1]

[27]

Griffiths G M, Chambers L E, Haylock M R et al.

Change in mean temperature as a predictor of extreme temperature change in the Asia-Pacific region

[J]. International Journal of Climatology, 2005, 25(10): 1301-1330.

DOI:10.1002/joc.1194 [本文引用: 1]

[28]

Wang Z, Jiang Y J, Wan H et al.

Detection and attribution of changes in extreme temperatures at regional scale

[J]. Journal of Climate, 2017, 30(17): 7035-7047.

DOI:10.1175/JCLI-D-15-0835.1 [本文引用: 1]

[29]

曹畅, 李旭辉, 张弥, 等.

中国城市热岛时空特征及其影响因子的分析

[J]. 环境科学, 2017, 38(10): 3987-3997.

[本文引用: 1]

Cao Chang, Li Xuhui, Zhang Mi et al.

Correlation analysis of the urban heat island effect and its impact factors in China

[J]. Environmental Science, 2017, 38(10): 3987-3997.

[本文引用: 1]

[30]

王茹, 张艳芳, 张洪敏, 等.

城市新区不透水地表盖度与人为热的关系研究——以陕西省西咸新区为例

[J]. 国土资源遥感, 2020, 32(1): 247-254.

[本文引用: 1]

Wang Ru, Zhang Yanfang, Zhang Hongmin et al.

Study on the relationship between surface impervious coverage and artificial heat in new urban districts: A case study of Xixian New District, Shaanxi Province

[J]. Remote Sensing for Land and Resources, 2020, 32(1): 247-254.

[本文引用: 1]

[31]

Sun Y, Hu T, Ting H, Zhang X B et al.

Contribution of global warming and urbanization to changes in temperature extremes in Eastern China

[J]. Geophysical Research Letters, 2019, 46(20): 11426-11434.

DOI:10.1029/2019GL084281 [本文引用: 1]

... 中国气候变化蓝皮书（2020）指出，全球变暖的趋势仍在持续.2019年全球平均气温与工业化前相比，高出大约1.1℃，是有完整气象观测记录以来的第二暖年份，2015—2019年是有完整气象观测记录以来最暖的5个年份^[1].中国近50 a地表增温速率高于全球同时期平均值，极端高温事件频次和日数在全国、北方和东南沿海地区均呈上升趋势^[2].气候变暖所带来的问题中，最直接的是极端高温事件，而中国属于农业大国，高温干旱灾害直接影响作物生长和农业生产^[3]，不仅如此，极端高温事件还对人类健康产生了严重影响.21世纪以来，极端高温事件在法国、德国、意大利、西班牙和俄罗斯等国导致数十万人员伤亡^[4].可见，极端高温事件不仅影响社会生产，还严重威胁着人类的健康生存. ...

过去50年内蒙古极端气候事件时空格局特征

2014

过去50年内蒙古极端气候事件时空格局特征

2014

中国1951—2018年气温和降水的时空演变特征研究

2020

中国1951—2018年气温和降水的时空演变特征研究

2020

基于统计降尺度模型的江淮流域极端气候的模拟与预估

2012

基于统计降尺度模型的江淮流域极端气候的模拟与预估

2012

Trends in extreme temperature and rainfall indices in the semi-arid areas of WesternTigray, Ethiopia

2020

... 目前，国内外学者从不同角度探讨了极端高温的时空变化特征.国外研究者的实验表明：埃塞俄比亚、澳大利亚、印度、欧洲和北大西洋的极端高温均有上升的趋势^[5~9].在国内的研究中，任国玉等学者认为，近年来中国暖夜、暖昼日数呈显著增多趋势^[10]；研究者在对京津冀地区、黄河源区、青藏高原地区、甘肃省河东区、柴达木盆地等区域极端气温的研究中表明，这些地区和流域暖指数总体呈上升趋势，区域差异明显^[11~16]. ...

Historical and projected trends in temperature and precipitation extremes in Australia in observations and CMIP5

2017

基于均一化资料的中国极端地面气温变化分析

2016

基于均一化资料的中国极端地面气温变化分析

2016

Recent trends in pre-monsoon daily temperature extremes over India

2010

Changes in means and extreme events of temperature and precipitation in the Asia-Pacific Network region, 1955-2007

2009

中国极端气候变化观测研究回顾与展望

2010

中国极端气候变化观测研究回顾与展望

2010

气候变化对黄河源区水资源的影响

2006

气候变化对黄河源区水资源的影响

2006

1960—2012年青藏高原极端气候时空动态与变异研究

2019

1960—2012年青藏高原极端气候时空动态与变异研究

2019

北疆地区1961—2010年极端气温事件变化特征

2016

北疆地区1961—2010年极端气温事件变化特征

2016

近30 a甘肃省河东地区极端高温指数时空变化特征及趋势预测

2020

近30 a甘肃省河东地区极端高温指数时空变化特征及趋势预测

2020

柴达木盆地极端气候时空趋势及周期特征

2020

柴达木盆地极端气候时空趋势及周期特征

2020

Estimating the effect of urbanization on extreme climate events in the Beijing-Tianjin-Hebei region, China

2019

基于ETCCDI指数2017年中国极端温度和降水特征分析

2019

... 本文在气候变化检测与极端事件指数专家组定义的极端气候指数中^[17]，选取夏天日数（SU）和热夜日数（TR）作为绝对极端暖指数，暖夜日数（TN90P）和暖昼日数（TX90P）作为相对极端暖指数，来分析中国区域极端暖指标的时空演变格局.这些极端高温指数能展现极端气候不同层面的变化，被证明具有噪声低、显著性强的特点，在相关研究中得到广泛应用^[18]. ...

基于ETCCDI指数2017年中国极端温度和降水特征分析

2019

青海省极端气温事件的气候变化特征研究

2012

青海省极端气温事件的气候变化特征研究

2012

Comparative study of innovative trend analysis technique with Mann-Kendall tests for extreme rainfall

2021

... 本文采用Mann-Kendall突变检验与滑动t检验结合的方法来研究4个极端高温指数是否在近40 a发生突变.Mann-Kendall突变检验是世界气象组织推荐并被用于时间序列分析的非参数检验方法^[19,20].由于Mann-Kendall检验可能会受到时间序列自相关性的影响^[21]，本研究在Mann-Kendall突变检验的基础上进一步采用滑动t检验法来验证突变情况.统计量T值服从t(

$ {n}_{1} $

$ {n}_{2} $

−2)分布，n为选取的子序列的长度，给出置信度α，得到临界值

$ {t}_{\alpha /2} $

，若统计量t的绝对值大于

$ {t}_{\alpha /2} $

，说明序列存在显著的差异性^[22]. ...

Observed changes in extreme temperature over the global land based on a newly developed station daily dataset

2019

$ {n}_{1} $

$ {n}_{2} $

−2)分布，n为选取的子序列的长度，给出置信度α，得到临界值

$ {t}_{\alpha /2} $

，若统计量t的绝对值大于

$ {t}_{\alpha /2} $

，说明序列存在显著的差异性^[22]. ...

基于中国气象资料的趋势检验方法对比分析

2013

$ {n}_{1} $

$ {n}_{2} $

−2)分布，n为选取的子序列的长度，给出置信度α，得到临界值

$ {t}_{\alpha /2} $

，若统计量t的绝对值大于

$ {t}_{\alpha /2} $

，说明序列存在显著的差异性^[22]. ...

基于中国气象资料的趋势检验方法对比分析

2013

$ {n}_{1} $

$ {n}_{2} $

−2)分布，n为选取的子序列的长度，给出置信度α，得到临界值

$ {t}_{\alpha /2} $

，若统计量t的绝对值大于

$ {t}_{\alpha /2} $

，说明序列存在显著的差异性^[22]. ...

Automatic mutation feature identification from well logging curves based on sliding t test algorithm

$ {n}_{1} $

$ {n}_{2} $

−2)分布，n为选取的子序列的长度，给出置信度α，得到临界值

$ {t}_{\alpha /2} $

，若统计量t的绝对值大于

$ {t}_{\alpha /2} $

，说明序列存在显著的差异性^[22]. ...

2008—2018年中国手足口病时空分异特征

2021

... 空间自相关是指观测变量在空间上的依赖性，即空间位置相近的变量是否具有相似或相反的变化趋势，最常用的统计量为Moran’s I指数^[23].本研究通过绘制不同时期的Moran散点图并计算Moran’sI指数来描述中国极端高温空间形态的演变. ...

2008—2018年中国手足口病时空分异特征

2021

四川省山洪灾害时空分布规律及其影响因素研究

2018

... 本研究为每一类气象站点绘制标准差椭圆，长轴的方向反映站点在空间上分布的主要方向，长短轴共同反映站点的分布范围.长、短轴的比值为扁率，可以体现站点分布的形态，扁率越大，表明站点分布方向性越强^[24]. ...

四川省山洪灾害时空分布规律及其影响因素研究

2018

青藏高原极端天气气候变化及其环境效应

2013

... 本研究一方面肯定了之前一些学者对于中国极端高温的研究结果，如本研究表明全国范围内4个极端高温指数均呈上升趋势，这与其他学者的研究结果一致，如吴国雄等分析了青藏高原地区极端气候事件，发现大部分地区极端高温事件呈上升趋势^[25]；根据年代距平分析，4个极端高温指数在20世纪80、90年代的平均值均低于1981—2018年均值，2000年之后均高于近40 a均值，Mann-Kendall突变检验也发现4个极端高温指数在2000年附近发生显著变化，这表明2000年以后4个极端高温指数的变化率增大，这可能与进入21世纪人类活动增强^[26]、城市热岛效应加剧^[27]有关. ...

青藏高原极端天气气候变化及其环境效应

2013

城镇化对气候变化影响的研究进展

2019

城镇化对气候变化影响的研究进展

2019

Change in mean temperature as a predictor of extreme temperature change in the Asia-Pacific region

2005

Detection and attribution of changes in extreme temperatures at regional scale

2017

... 另一方面，本研究在极端高温的空间分布格局上得出了一些新的认识：4种极端高温指数主要以高−高和低−低两种空间聚集形态为主；暖夜日数和暖昼日数空间聚集程度和聚集性分布格局均发生了显著变化：在近40 a，其聚集程度先增强并在2000年之后呈现减弱趋势；其空间聚集性分布格局由南北部的高−高聚集和中部的低−低聚集转变为南北部低−低聚集和中部的高−高聚集状态，这可能与21世纪以来人类活动以及城镇化进程区域差异^[28]有关.此外，本研究中还发现近40 a暖夜日数和暖昼日数的平均值分布具有较强的空间异质性，一些高纬度、高海拔地区比低纬度、低海拔地区更“暖”，极有可能是因为人类活动增强，产生更多的污染气体和粉尘，如现阶段较严重的气候问题——雾霾，其中的气溶胶粒子通过散射和吸收地表长波辐射起到一定的保温作用^[29]；另外，城市化进程中不透水地表面积的变化，也会引起地表辐射和能量分配方式的显著变化，改变局地或区域气候^[30].随着城市化迅速发展，人类活动和下垫面特征的改变等对气候变化的影响越来越不可忽视^[31]，未来研究将注重对极端气候区域分异影响因素的探索. ...

中国城市热岛时空特征及其影响因子的分析

2017

中国城市热岛时空特征及其影响因子的分析

2017

城市新区不透水地表盖度与人为热的关系研究——以陕西省西咸新区为例

2020

城市新区不透水地表盖度与人为热的关系研究——以陕西省西咸新区为例

2020

Contribution of global warming and urbanization to changes in temperature extremes in Eastern China

2019

〈

〉