确定影响中国大陆热浪事件的主要因素及其贡献

　　转载 地研联
　　研究背景
　　热浪通常是指温度超过规定阈值的持续时间，极端热浪对人类健康、社会经济发展和自然生态系统有很大的负面影响。气候变化和人类活动的影响被广泛认为是热浪发生的主要原因，具体来说，全球平均温度和辐射的上升会导致热浪发生频率的增加。此前的研究普遍表明，城市化等人类活动导致了中国各地热浪的增加，而且其贡献仍在随着时间的推移而增加，城市化效应的主要原因是地面不透水从而导致城市地区吸收了更多的太阳能。此外，大气模式也通过调节背景气候在热浪的形成中发挥了重要作用，云和大气气溶胶物理性质的变化对辐射平衡也有很大影响，同时影响局部地区和循环空气温度。总的来说，热浪的成因及其物理机制是复杂的。然而，由于主要影响变量及其与热浪的关系的复杂性，我们目前对热浪的主要因素的理解仍然有限。一般来说，可以通过不同的指标来估计热浪，包括强度、频率、持续时间等，这取决于应用的部分。例如，公共卫生学者往往更关注热浪强度，而农业部门更关注热浪的发生时间、频率和持续时间。因此，对不同热浪指标(包括强度、频率、持续时间和发生时间)在各行业的应用进行综合评价具有重要意义。尽管一些研究曾经探索了一些影响因素对热浪的相对贡献，包括气候变化，大气环流和人为活动，而这些研究更关注一些驱动因素与单一热浪之间的关系。因此，深入研究不同的热浪指标与影响因子之间的关系，对我们今后了解热浪的成因有很大的帮助。由于快速城市化和气候变化，自20世纪80年代中期以来，热浪席卷中国的频率和强度显著增加。1951-2006年，中国平均地表温度增加了约1.35℃，20世纪90年代以来，夏季热浪的范围和频率显著增加。此外，中国东南部的热浪造成了巨大的经济损失，2013年共造成42亿美元的损失。因此，提高对中国热浪时空变化及其驱动因素的认识具有现实意义。
　　研究方法
　　热浪的定义和度量
　　在本研究中，余热因子(the Excess Heat Factor，EHF)被用于识别热浪。EHF是利用气候学和过去30天的平均气温计算出来的，它具有考虑历史平均水平和当前情况的优点。在之前的研究中，它被广泛用于识别热浪，计算EHF的两个指标如下:
　　式中，Tm为最高和最低气温的日平均值，i表示有关日期和前几天。EHIsig是1960-2019年期间前3天平均值和气候第90百分位之间的差值，EHIacc是1960-2019年期间前3天平均值和前30天平均值的差值。则EHF的计算公式为：
　　EHF的正数值代表第i天的类似热浪的情况，如果EHF连续3天或3天以上大于零，则确定为热浪事件的开始。基于上述标准，本研究基于六个指标考察了不同的热浪特征。具体来说，HWM是一年内所有热浪事件的日均强度。HWA是每年最热事件中最热的一天(或峰值)的EHF。HWN是每年热浪的次数。HWD是最长的年度事件的长度(以天为单位)。HWF是每年满足定义标准的参与热浪日数的总和。高温天气是首个年度热浪事件的第一天。
　　变更趋势检测
　　在本研究中，Mann-Kendall(MK)趋势检验和Theil-Sen中间斜率来分析变化趋势。进一步的过程称为无趋势预白(trend-free prewhitening, TFPW)被用来消除自相关对MK检验的影响。TFPW包括四个步骤：（1）根据原始数据估算森氏斜率；（2）去除趋势，得到有趋势的时间序列；（3）去除滞后1自相关，生成有趋势的预白化时间序列；（4）将趋势相加，生成处理后的时间序列。在TFPW-MK检验中，标准化检验统计量Z的计算方法如下:
　　其中S为Mann-Kendall统计量(S)。如果Z值为正，则表示趋势上升，如果Z值为负，则表示趋势下降。趋势采用双尾检验，显著性水平为α。
　　相关性和解释率
　　计算潜在影响因素与热浪指标之间的皮尔逊相关性，以确保因素与热浪指标之间存在显著关系。利用多元线性回归(multiple linear regression, MLR)估计了气候变化、人类活动、陆地表面过程和大气环流四个类别的解释率。因此，对于每个热浪指标，本文在1985-2018年的年度时间步上进行了4次MLR测试。在MLR中，构建了以下模型:
　　变量筛选法
　　在评估RC之前，进行了一个变量选择程序，以找到关键变量，从而可以大大提高模型的性能(Blanchet et al, 2008;熊等人，2020)。逐步多元线性回归(SMLR)可用于具有非正态分布的数据集，并可扩展到更广义的模型。
　　本研究将SMLR与随机森林(randomforest, RF)相结合，以识别有效的热浪相关变量。首先，对每个因子分别用SMLR和RF进行排序，得到两个排序分数;其次，将两个等级分数相加，得到每个因素的总分。最后，为了确保每个类别(气候变化、人类活动、陆地表面过程和大气环流)中至少有一个驱动因子，选择总分最小的前8个因子作为热浪的输入驱动因子，并用于计算贡献。
　　研究结果
　　温度和热浪的时间趋势
　　所有估计的暖季温度变化趋势如图1所示。总体而言，最大、最小和平均趋势分别为0.068、−0.036和0.014°C/年。54.4%的站点气温呈上升趋势，最高为0.068℃/年，最低为0.005℃/年。相比之下，温度下降的趋势在-0.036至-0.011°C/年之间。空间上，正向趋势主要集中在S、NE、WAS和QT，分别占站点数量的70.2%、92.7%、72.8%和82.3%。特别是中部地区的气温变化趋势明显低于其他地区，有28.1%的温度计显示出上升趋势。此外，N和SW的温度变化趋势表现出显著的南北向分布空间异质性，两个地区分别为39.4%和42.1%。
　　图1：1960-2019年中国各尺度暖季气温变化趋势，交叉表示在0.05水平趋势显著。
　　从图2可以看出，1960-1984年至1985-2019年期间，6个指标的变化方向不同。在以往关于中国极端气温和降水特征的研究中，通常采用1985年作为变化日期。为了揭示HW趋势的阶段性变化，本文还将1960-2019年分为两个时期(1960-1984年和1985-2019年)进行HW特征分析。在本研究的HW特征分析中，由于1985年的趋势相反，可以将整个时期分为两个时期。具体来说，1960年至1984年期间，热浪的频率、持续时间和强度略有下降，而HWT则有所上升(图2a)。然而，1985年之后，所有指标的值都显著增加，尤其是HWN(图2c)、HWF(图2d)和HWD(图2e)。1985-2019年，HWN、HWF和HWD的变化趋势分别为0.05事件/年、0.39天/年和0.17天/年。1985-2019年高温温度显著降低，全年首波热浪出现的时间趋向于每年提前0.36天。
　　图2：1960-2019年中国HWA (a)、HWM (b)、HWN (c)、HWF (d)、HWD (e)和HWT (f)的时间变化。红线是与数据的线性吻合，虚线黑线是1985年。
　　图3为1960-1984年、1985-2019年和1960-2019年期间各站点热浪指标的概率密度分布。1985-2019年除HWT外，HWA、HWM、HWN、HWF和HWD的平均值均高于1960-1984年(图3a-e)，平均事件数分别为10.37°C2、3.90°C2、2.13个事件数、12.66天、7.04天。1960-1984年HWN、HWF和HWD的分布曲线较为均匀(图3c-e)，表明1984年以后的数值更加集中，更多站点的热浪频率更高。对于HWT，1985-2019年的台站平均值比1960-1984年少4.39天(图3f)。
　　图3：1960-1985年(红色)、1986-2019年(绿色)和1960-2019年(黄色)各台站指标的概率分布。用高斯曲线拟合，并用Levenberg-Marquardt法优化。内嵌点图表示各站点热浪指标的相应分布，黑线表示三个区间(75%、50%和25%)
　　热浪度量趋势的空间模式
　　在空间上，观测站6个指标的变化趋势如图4所示。总体而言，所有指标在C、N和SW交界区域(包括华北平原和四川盆地的部分地区)的变化均不显著(p>0.05)。HWA的升高趋势主要表现在S、C、EA、QT和WAS，分别占站量的38.2%、44.3%、30.7%、37.5%和31.5%(图4a)。S、EA、NE、QT和WAS的HWN、HWF和HWD也有明显的增加趋势(图4c-e)。特别是S和C地区的HWM增加趋势最为普遍，为31.7%和24.7%的站点(图4b)。除N、C和SW外，所有子区域的HWT值均显著下降(图4f)。此外，我们还调查了QT中热浪的频率和持续时间，发现分别有37.5%、69.8%、78.1%、76.0%和31.2%的站点的HWA、HWN、HWF、HWD和HWT显著增加。
　　图4：1960-2019年中国各站平均日压(a)、平均日压(b)、平均日压(c)、平均日压(d)、平均日压(e)和平均日压(f)变化趋势交叉表示0.05水平的显著性。
　　六种热浪指标在所有子区域的时间变化如图5所示。对于HWN、HWF和HWD(图5c-e)，在1960-2019年不同子区域均出现了正趋势。1990年以后，除C区外，所有子区域的HWT都呈下降趋势(图5f)。然而，对于HWA和HWM，子区域之间的差异大于其他指标(图5a和b)。具体而言，S、SW和C的HWA波动比其他区域更平滑，标准差较小，分别为0.87、1.27和1.80。S和C的HWM也存在同样的现象，标准差分别为0.20和0.36。
　　图5：基于5年滑动窗口的1960-2019年不同子区域HWA (a)、HWM (b)、HWN (c)、HWF (d)、HWD (e)和HWT (f)的时间变化
　　HW与驱动因素的关系
　　中国大陆15个变量与MLR解释率(调整R2)的相关分析结果如图6所示。对于HWA、HWN、HWF和HWD，四个类别中气候因子的解释率最高，分别为36%、86%、83%和68%(图6a,c-e)。而陆面过程因子对HWA、HWN、HWF和HWD的解释率最低，分别为9%、33%、40%和47%。只有一个地表过程因子(SOM)与除HWM外的所有热浪指标显著相关。人类活动与HWA、HWN、HWF和HWD呈显著正相关。此外，HWT与TEM、URB、AOD和AMO呈负相关(相关系数分别为-0.72、-0.62、-0.43和-0.53)(图6f)。HWM中所有相关系数均不显著(p>0.05)，四个类别对HWM的解释率最低(图6b)。此外，图S5-S6给出了相关分析和在C，EA，N，NE，QT，S，SW和WAS地区的MLR。热浪的成因主要受气候变化因素的影响。
　　图6：变量与中国内地指标的相关系数。蓝色列表示四个变量类别(分别为气候变化、人类活动、陆地表面过程和大气环流)的MLR结果解释率。＂+＂、＂x＂和粗体＂x＂分别代表在0.05、0.01和0.001处有统计学意义。
　　不同次区域主要驱动因素的贡献
　　基于SML和RF模型，量化了不同变量对热浪指标的重要性，RC评价的输入变量如表S2所示。对于EA、N、NE、QT和S中的所有热浪指标，AO、URB、SPEI和AOD被视为RC分析中的解释变量。基于射频，各变量在不同子区域的RC如图7所示。对于EA、N、NE、SW和WAS的HWA和HWM, URB的RC范围在6.8%到21.0%之间(图7a和b)。同时，对于HWA和HWM，SPEI的RC范围在9.7%到25.1%之间AOD的RC值分别为11.5%-38.0%。AOD是东北地区HWA和HWM的主要解释变量，RC分别为29.6%和38.0%。对于HWN和HWF，URB具有主要影响，NE、EA和QT的RC为32.8%至38.9%(图7c和d)。在C、N和S，HWN和HWF的TEM RC为25.9%至32.2%。与其他热浪指标相比，HWD主要受AO、URB和SPEI的调节，且AO对NE地区HWD的影响较大(RC为31.4%)(图7e)。对于高温，东北地区TEM的RC为33.9%，西南地区AOD对热浪发生时间的RC为42.9%(图7f)。
　　图7：1985-2018年中国不同子区域影响因子对HWA (a)、HWM (b)、hwwn (c)、HWF (d)、HWD (e)和HWT (f)的相对贡献(RC)