EN中文

地理研究 >

2025 , Vol. 44 >Issue 7: 1755 - 1769

DOI: https://doi.org/10.11821/dlyj020240718

气候变化与地理环境

中国极端热事件的多维度演变模式研究

  • 柯杰辉 ,
  • 何汶庭 ,
  • 黄炜强 ,
  • 骆仁波
展开
  • 广州大学地理科学与遥感学院，广州 510006
骆仁波（1986-），男，湖北阳新人，讲师，博士，主要从事遥感图像处理和城市遥感研究。E-mail:

柯杰辉（2003-），男，广东茂名人，主要从事遥感图像处理和计算机视觉研究。E-mail:

收稿日期: 2024-07-23

  录用日期: 2024-11-23

  网络出版日期: 2025-07-17

基金资助

国家自然科学基金项目(41801250)

国家自然科学基金项目(42071443)

广东乡村地域系统野外科学观测研究站项目(2021B1212050026)

收起

Research on the multidimensional evolution patterns of extreme heat events in China

  • KE Jiehui ,
  • HE Wenting ,
  • HUANG Weiqiang ,
  • LUO Renbo
Expand
  • School of Geography and Remote Sensing, Guangzhou University, Guangzhou 510006, China

Received date: 2024-07-23

  Accepted date: 2024-11-23

  Online published: 2025-07-17

Fold

摘要

极端热事件对环境、农业、公共健康和社会经济可持续发展等有负面影响。深入理解其变化趋势、空间分布和驱动因素，可为应对气候变化提供科学依据。本文基于遥感技术和多种统计方法，使用中国1979—2018年逐日近地面气温数据和NCDC（美国国家气候数据中心）数据源，通过分析中国极端热事件相关指标，探讨中国极端热演变模式和温度上升的驱动因素。研究结果显示：全国范围内年极高温、年均极高温、夏日天数、热浪事件、极热事件等指标呈上升趋势，1997—1999年出现突变点。年极高温和极热事件省级增长率呈不均衡性。北京、重庆、甘肃等6个省份的年极高温增速超过全国平均水平。全国整体变暖趋势显著，极热事件地理分布范围扩大，夏日天数存在空间集聚性，范围逐渐扩展。Month（观测月份）和DPT（露点温度）对AT（空气温度）为显著正向影响，Hour（观测小时）、SLP（海平面气压）和SC（天空状况）对AT为显著负向影响。研究结论对未来研究全球气候变化、及可持续发展具有参考价值。

关键词： 极端热; 空间分布特征; 多角度分析; 驱动因子; 回归模型; 趋势分析; 省级

本文引用格式

柯杰辉 , 何汶庭 , 黄炜强 , 骆仁波 . 中国极端热事件的多维度演变模式研究[J]. 地理研究, 2025 , 44(7) : 1755 -1769 . DOI: 10.11821/dlyj020240718

Abstract

Extreme heat events have negative impact on the environment, agriculture, public health, and socio-economic sustainability. A comprehensive understanding of their trends, spatial distributions, and driving factors is crucial for providing scientific support to address climate change. This study, based on remote sensing techniques and various statistical methods, utilizes daily near-surface temperature data in China from 1979 to 2018, combined with data from the National Climatic Data Center. By analyzing indicators related to extreme heat events in China, we explore the evolution patterns of extreme heat events and the driving factors behind temperature rise. The results indicate that indicators such as annual extreme maximum temperature, annual average extreme maximum temperature, number of summer days, heatwave events, and severe heat events exhibit an overall increasing trend across the country, with a noticeable abrupt change occurring between 1997 and 1999. The provincial growth rates of annual extreme maximum temperature and severe heat events exhibit significant spatial heterogeneity. The increase in annual extreme maximum temperature in six provinces, including Beijing, Chongqing, and Gansu, exceeds the national average rate. A significant warming trend is observed across all provinces, accompanied by an expansion in the geographical range of severe heat events and an increase in spatial clustering of summer days. Observation month and DPT (dew point temperature) have a significant positive impact on AT (air temperature), while observation hour, SLP (sea level pressure), and SC (sky condition) have significant negative impacts. The conclusions of this study provide important insights for future research on global climate change and sustainability.

Key words： extreme heat; spatial distribution characteristics; multi-perspective analysis; driving factors; regression model; trend analysis; provincial level

1 引言

近年来，随着全球气候变化的加剧，极端热事件发生的频率和强度呈显著上升趋势，对人类社会造成了严重威胁。研究表明，全球范围内破纪录的极端热事件正呈现增加趋势[1]。例如：世界气象组织报告指出，2019年全球经历了破纪录的高温频发，持续的极端热事件成为气候变化最显著的表现之一，并呈不断加速趋势[2]；2023年是有记录以来最热的一年，全球平均近地表温度比工业化前基线高出1.45℃（不确定性范围±0.12℃）[3]。Meehl等指出美国创纪录的最高温度与创纪录的最低温度之比预计将继续增加，21世纪中叶将达到约20∶1，21世纪末将达到约50∶1[4]。Fischer等指出欧洲的极端热事件频率和强度近年来显著增加，这与气候变暖增强的土地-大气相互作用直接相关[5]。Cowan等指出，澳大利亚的热浪事件在21世纪变得更加频繁且更为极端，主要原因是人为温室气体排放导致的强劲变暖，大气环流模式的放大也可能迫使热浪的强度和频率发生额外的变化[6]。此外，气候变化通过改变区域大气环流、影响陆地-大气的相互作用等机制，加剧了极端热事件的发生强度和影响范围。例如：Francis等指出，北极放大（相较中纬度更显著的北极变暖）通过减小1000~500 hPa厚度的向极梯度和500 hPa波动中山脊峰值向北延伸等方式，改变了环流模式，导致中纬度地区天气条件更加持久，从而导致包括极端热在内的极端天气[7]。Seneviratne等曾在IPCC（气候变化政府间专门委员会）第五次报告中指出，区域大气环流变化并在某种程度上会影响季风从而对极端热事件的强度和频率起到了关键作用，陆地-大气反馈机制也会加剧极端热事件的强度和持续时间[8]。
在中国，对极端热事件的研究同样得到广泛关注。已有研究发现，中国持续上升的气温趋势已导致冷冻现象的发生频率显著减少。周雅清等指出中国北方霜冻日数和结冰日数显著减少，中东部夏季炎热日夜数明显增加[9]。Li等研究表明：预计中国未来北部和寒冷地区的极端热事件将更加频繁，而南部极端低温事件则可能减少[10]。Hu等发现，中国极端热事件从南向北递增，大多数气象站在1981—2015年间记录到每年增加0.3至0.6天的热天数[11]。Zhu等指出：2003年以来，中国南方极端热事件增加，主要由PDO（太平洋年代际振荡）负位相引发的环流变化驱动，包括增强的沃克环流、热带西太平洋对流加强及中国南方的大气下沉运动和水汽辐散。这些变化减少了云量，增加了地表短波辐射，创造了更有利的高温条件[12]。尽管已有研究关注中国范围内的极端热事件的时空演变，但大多侧重于单一指标或局部地区，缺乏对全国尺度上多维度指标的综合分析。此外，当前研究较少探讨气象因子对极端热事件的驱动作用。为弥补这一不足，本研究拟通过趋势分析、空间相关性研究和气象因子的驱动作用，从多个角度探讨全国范围内极端热事件的动态特征及成因机制。本文的工作从如下三方面开展：（1）通过引入多个极端热事件相关指标，探究多指标的变化趋势和显著变化点。（2）结合空间自相关分析，系统揭示全国范围内多指标的时空格局及演化模式。（3）使用线性回归建模分析多气象因子对极端热的影响。本研究可为理解中国极端热事件的复杂性提供新的视角和更全面的见解。

2 数据来源与研究方法

2.1 数据来源和处理

本研究使用的主要数据为由方舒等构建的高空间分辨率（0.1°）的中国近地表气温数据集，该数据集涵盖了1979年至2018年的连续气温记录[13]。数据集针对不同气象条件构建不同的气温重建模型，并通过区域校准方程确保了较高准确性，适用于气候变化与极端天气研究。本文所有分析数据均通过自动化的数据处理程序获得。该程序利用上述数据集，结合不同的参数设置，逐像元提取每日气温数据，并通过空间叠加方法将结果汇总到省级尺度。根据不同的研究需求，调整相关阈值和分析范围，以生成所需的指标数据。随后，所得数据经过进一步整理与统计分析，最终用于制作相关图表，展示中国极端热演变的模式。此外，我们使用NCDC的高时空分辨率数据，涵盖中国观测站点的多种气象要素，如SC（天空状况）、WD（风向）、WS（风速）等，通过多元线性回归模型，分析了这些气象因子对因变量（AT）的影响。首先，将多个自变量（气象因子）与AT进行关联。建模过程中，我们采用逐步回归的方法，通过设定显著性水平阈值，逐步剔除对AT影响不显著的变量，最终确定了最优的回归模型。该模型使我们能够深入分析AT的驱动机制。

2.2 研究方法

2.2.1 Mann-Kendall突变检验

在本文的研究中，我们采用了Mann-Kendall突变检验的方法来研究近40年来的多个指标的趋势和是否存在突变。Mann-Kendall突变检验作为世界气象组织推荐的非参数检验方法，在多个领域得到广泛应用[14-16]。它通过比较数据的顺序排列来评估趋势的方向性，而不依赖于数据的分布假设，在时间序列分析中被广泛采用。

2.2.2 全局Moran's I

莫兰首次在1950年提出了Moran's I的概念[17]。全局Moran's I是衡量整个研究区域空间数据的总体空间自相关性常用的指标。它考虑了整个区域的数据分布情况，可以用来判断数据是否在空间上呈现出集聚或者离散的趋势。

2.2.3 局部Moran's I

Anselin等曾介绍了局部空间关联指标（LISA）的概念和计算方法[18]。局部Moran's I是衡量空间数据中局部区域之间空间相关性常用的指标。它针对每一个位置都计算了其与周围邻近位置的空间相关性。局部Moran's I能够提供对于空间相关性在不同地区的局部分布情况的认识，因此可以发现局部空间集聚或者离散现象。

2.2.4 多元线性回归模型

多元线性回归是一种用于探究一个连续因变量与多个预测变量间相互关系的统计技术。它通过拟合一个线性方程来描述自变量与因变量之间的联动效应[19]，其中各个自变量都配有一个系数来量化其对因变量的作用力度。该模型的核心优点在于它能并行地审视多重自变量对单一因变量的共同效应。该模型也提供了各个自变量的系数估计、拟合优度、显著性检验等统计指标，有助于对数据进行解释和预测。

2.2.5 使用的指标

在本研究中，为了全面描述极端热事件的多维度特征，定义了5个核心指标，如表1所示。这些指标从不同角度反映了极端热事件的强度、频率和持续性。年极高温和年均极高温分别衡量了单日和全年平均的极端热强度，夏日天数则反映了温暖天气的持续性；热浪事件侧重于长时间持续高温的累积效应，而极热事件表明了超高温天气的频率。通过对这些指标的分析，能够更精细地揭示极端热事件在不同时间和空间上的变化特征，从而为气候变化及其区域影响提供更深入的理解。
表1 极端热事件相关指标说明

Tab. 1 Description of indicators related to extreme heat events

指标名称 定义 单位
年极高温 全年年度单日最高温度 ℃
年均极高温 全年每天最高气温的平均值 ℃
夏日天数 全年单日最高气温≥25℃的次数 次
热浪事件 全年连续3天温度超过≥35℃的次数 次
极热事件 全年单日最高气温超过≥35℃的次数 次

2.3 研究区概况

本研究覆盖的中国区域，包括全国31个省（自治区、直辖市）和香港特别行政区、澳门特别行政区及台湾地区，在地理和气候条件上展现出多样性。由于中国幅员辽阔，气候类型从寒温带到亚热带不等，形成了丰富的气候特征。这种多样性也使得中国各地对气候变化的响应差异显著。近年来，随着全球气候变暖，极端热事件频发，尤其是在不同气候区的表现愈发引人关注。研究表明，气候变化所引起的平均温度上升[20]正导致极端天气事件的频率和强度增加[21]，给当地的公共卫生健康和生态环境造成了严重威胁。因此，本研究将深入探讨中国极端热事件的演变模式，分析其空间自相关特征及气象因子的作用机制，为适应气候变化提供科学依据。

3 结果分析

本研究中定义的5个核心指标涵盖了强度、频次及持续性等方面。然而我们并未在所有的分析中使用全部指标。这是基于以下考虑：不同指标对极端热事件的反映侧重点各异。某些分析中，使用个别关键指标可以更清晰地揭示极端热事件的空间或时间特征，避免冗余信息的干扰，确保分析的精准性与可解释性。

3.1 年极高温与极热事件增长速率的时空分析

21世纪以来，持续时间在20 d和30 d以上的区域性高温事件占过去61年中总量的比例分别为46.8%和50.0%，反映出近20年高温事件持续日数增多[22]。为更准确地展示极端热事件的时空变化趋势，本部分聚焦年极高温和极热事件这两个最能直接反映超高温强度和频率的关键指标，从而确保分析的精确性和可解释性。图1展示了各行政区年极高温和极热事件的最高、最低和平均增长率（以百分比表示），反映了各地区多年间的增幅差异。首先依据公式（1）计算逐年增长率，并通过公式（2）、（3）和（4）分别求得其最大、最小和平均值。
r t = X t - X t - 1 X t - 1 × 100 %
式中： r t是第t年的增长率， X t是第t年的指标值， X t - 1是第 t - 1年的指标值。
r m a x = m a x   ( r 1 ,   r 2 ,   … ,   r n )
r m i n = m i n   ( r 1 ,   r 2 ,   … ,   r n )
r a v g = 1 n ∑ t = 1 n r t
式中：n为总年份数。
图1 年极高温和极热事件增幅分布

注：此图基于自然资源部地图技术审查中心标准地图服务网站下载的审图号为GS（2020）4619号的标准地图制作，底图边界无修改。

Fig. 1 Distribution of the increases in annual extreme maximum temperature and severe heat events

全国范围内年极高温最高增长率为正（图1a），较大值分布于黑龙江到西藏的东北—西南方向呈条带状，西藏的增长率最高，于2003年达26.17%，由39.24℃升至49.52℃；贵州最低，于2010年达5.57%，由38.85℃升至41.01℃。最低增长率全国范围为负（图1b），广西的负增长率最大，于1989年达-5.56%，由42.47℃降至40.11℃；较小值出现在东北和西藏等地区。平均增长率只有山西和云南为负，分别为-0.04%和-0.08%（图1c）。全国范围内极热事件最高增长率均为正值（图1d），较大值与年极高温分布类似，分布于黑龙江到西藏的东北—西南方向的条带状，吉林的增长率最高，于1994年达1500%，由1次升至16次；新疆的增长率最小，于1986年达16.07%，由112次升至130次。最低增长率全国范围同样为负（图1e），较小值同样出现在东北和西藏等地区；新疆的值最大，于2014年达-15.97%，由144次降至121次。平均增速较大的区域集中在京津和东北地区，唯一负增长的是青海（图1f），为-7.67%。这种现象反映了全国范围内年极高温和极热事件增长的不均衡性。

3.2 多指标趋势与突变点分析

本节通过对定义的5个指标的时间序列及其突变点进行综合分析，以确保能够充分反映极端热事件的整体趋势和关键模式。通过分析各个关键指标，可以更准确地揭示极端热事件的演变规律。

3.2.1 多指标时间序列的整体趋势

图2为Mann-Kendall（M-K）检验的时间序列趋势分析结果，对各项指标进行了M-K检验，用以分析这些指标的趋势变化。各子图右下角的线性趋势方程表示时间序列的增长速率，p值均小于0.01，低于常规显著性置信水平α=0.05，表明结果在统计学上具有高度显著性。分析结果显示，年极高温、年均极高温、热浪事件、极热事件和夏日天数其值多年来总体呈上升趋势。此外Kendall's Tau统计量均大于0.4，其是一种非参数相关性指标，常用于评估时间序列中趋势的一致性与方向性。其值越接近1或-1，表示序列的单调上升或下降趋势越显著[23]，这表明其上升趋势具有统计显著性。尤其是年极高温的增长，对健康、基础设施和短期人类活动有直接影响，可能导致热浪、森林火灾、农作物失收等问题[24,25]。
图2 基于M-K检验的时间序列趋势

Fig. 2 Time series trend based on M-K test

3.2.2 M-K统计量突变点分析

图3显示了UF-UB统计量曲线及其交点，其中红色曲线为UF（前向序列）统计量，蓝色曲线为UB（后向序列）统计量，交点用于确定指标首次发生突变的时间点。UB和UF曲线分别反映时间序列数据的下降和上升趋势，若交点位于显著性水平边界内，则表明该时刻数据趋势发生了显著变化。图3的结果显示，年均极高温在1998年发生突变，年极高温、极热事件和热浪事件在1999年，夏日天数在1997年。其中极热事件和热浪事件的Z值为2.58，其余指标的Z值为1.96。突变的年份较接近表明1997至1999年间可能发生了某种共同的气候或环境事件，影响了多个气象指标，导致这5个指标都发生了显著变化。赵宗慈等指出，1997—1998年出现了较强的厄尔尼诺现象，全球都会出现气候异常现象和极端天气，且随后在1998年5月份开始出现强拉尼娜现象，这会引发极端天气的叠加和区域性气候异常[26]。Hu等指出，与1979—1999年相比，整个热带太平洋气候系统，包括海洋和大气，在2000年左右转向较低的变率状态，并且ENSO（厄尔尼诺-南方涛动）的频率变得不那么规则，更接近于白噪声过程[27]。Wang等指出，1997—1998年的ENSO事件通过太平洋-东亚遥相关机制显著影响了东亚气候系统，包括东亚冬季风减弱、气候更温暖湿润以及降水模式异常，特别是ENSO激发的西太平洋反气旋在连接ENSO与东亚气候异常中发挥了关键作用[28]。这一系列研究结果表明，1997—1999年期间的气候异常现象可能是影响极端热事件变化的重要因素之一，与本研究的观察结果一致。
图3 UF-UB统计量曲线及交点

Fig. 3 UF-UB statistic curve and intersection point

3.3 省级年极高温趋势与极热事件时空演变分析

3.3.1 省级年极高温趋势分析

本部分选取年极高温作为唯一指标，重点分析省级尺度下极端热事件的长期变化趋势。年极高温能够直接反映各省级的温度极值变化，有助于聚焦最具破坏性的高温事件，并为政策制定提供关键参考。表2显示，福建、广东、广西等12个省份和香港特别行政区的分析结果未通过显著性检验（p > 0.05），表明这些地区的温度上升趋势可能是偶然的。其余省份和澳门特别行政区则表现出显著上升趋势，提示这些地区可能正经历显著的气候变化，需引起政策制定者和科学家对其适应与减缓措施的重点关注。对于未达显著性的行政单元，虽然指标未显示显著上升，但这可能受限于样本量或气温波动，未来更长期的数据可能揭示真实趋势。剔除不显著的地区后，北京、重庆、甘肃等6个省份的年极高温的增速高于全国平均水平。
表2 基于M-K检验的行政区年极高温增长趋势显著性与增速分析

Tab. 2 Trend significance and growth rate analysis of annual extreme maximum temperature in administrative regions of China based on the M-K test

行政区 p值 趋势斜率 行政区 p值 趋势斜率
安徽 0.008 0.043 北京 0.002 0.088
重庆 0.002 0.076 甘肃 <0.001 0.111
贵州 <0.001 0.073 江苏 0.001 0.052
澳门 0.026 0.024 吉林 0.020 0.078
内蒙古 0.004 0.070 宁夏 <0.001 0.078
上海 <0.001 0.077 青海 0.048 0.046
陕西 <0.001 0.057 山西 0.020 0.042
台湾 <0.001 0.087 四川 0.001 0.060
新疆 <0.001 0.129 天津 0.037 0.047
西藏 0.002 0.070 浙江 0.019 0.037
海南 0.408 0.009 福建 0.258 0.011
广东 0.08 0.021 广西 0.187 0.021
河北 0.616 0.020 黑龙江 0.477 0.025
河南 0.060 0.037 香港 0.521 0.003
湖北 <0.001 0.083 湖南 0.095 0.022
辽宁 0.632 0.027 江西 0.070 0.029
山东 0.462 0.015 云南 0.239 0.015

注：全国平均趋势斜率为0.060

3.3.2 省级极热事件演变格局分析

极热事件能直接反映极端热事件的频率，是衡量极端热事件持续性和广泛性的关键指标且能更清晰展现极端热的空间扩展及对各省级行政区的影响，适合分析区域间极端气候的变化格局。图4展示了极热事件的时空分布变化，呈现了过去40年每10年期间该指标的多个频次等级增速（高频、次高频、中低频和低频）和分布变化情况。结果表明：1980—1990年间极高频（红色区域）的数量减少，增速为-0.2 d/a，之后数量增加，2010—2018年增速达0.625 d/a，表明区域扩展加速；整体增速为0.230 d/a，扩展从南部向中西部蔓延。次高频（橙色区域）在1980—1990年增速为0.8 d/a，1990—2000年减速至-0.3 d/a，2000年后趋于稳定，整体增速为0.105 d/a。低频（深绿区域）和中低频（浅绿区域）的数量整体增速为负值，这表明低频和中低频地区不断减少。极高频和次高频地区整体上持续增加，部分次高频地区也转向高频，整体呈现出向内陆和北部拓展的趋势，由东南沿海逐步扩展到华中、华北以及西部内陆地区，这表明极热事件的影响范围逐渐扩大和频次显著增加。这一现象为极端气候适应和减缓措施的制定提供了重要参考。
图4 极热事件时空分布变化

注：此图基于自然资源部地图技术审查中心标准地图服务网站下载的审图号为GS（2020）4619号的标准地图制作，底图边界无修改。

Fig. 4 Changes in the spatiotemporal distribution of severe heat events in China

3.4 空间自相关与分布模式分析

考虑所选指标在时间上的延续性和周期性，本研究采用每10年分析一次的方法，以更清晰地揭示长期趋势。此外，为减小异常年份对分析结果的影响，我们通过结合相邻年份的分析结果取平均，平滑可能因气候波动引起的偏差，从而提升分析结果的稳定性与准确性。

3.4.1 全局空间自相关分析

目前为止，最常用的空间相关性检验是基于Moran's I统计量的检验方法[29]。因年均极高温主要反映全年平均情况，难以揭示超高温天气的时空演变特征。本部分选用更能反映极端热事件频次、强度和空间变化的除年均极高温外的四个指标。Moran's I用于评估空间自相关性，p值和Z值用于确定其显著性。表3可见以下4个指标的分析结果。
表3 全局Moran's I分析结果

Tab. 3 Global Moran's I analysis results

年份 1980 1990 2000 2010 2018
年极高温 Moran's I 0.073 0.040 0.185 0.149 0.112
p 0.46 0.605 <0.01*** <0.05** <0.10*
Z 1.361 0.917 2.821 2.360 1.890
热浪事件 Moran's I 0.126 0.207 0.025 0.203 0.118
p <0.10* <0.01*** 0.52 <0.01*** <0.10*
Z 1.947 2.945 0.300 2.880 1.839
极热事件 Moran's I 0.132 0.214 0.031 0.203 0.118
p <0.10* <0.01*** 0.46 <0.01*** <0.10*
Z 2.022 3.031 0.776 2.883 1.836
夏日天数 Moran's I 0.379 0.361 0.380 0.371 0.373
p <0.01*** <0.01*** <0.01*** <0.01*** <0.01***
Z 5.064 4.859 5.083 4.951 4.970

注：*、**、***分别表示结果在90%、95%和99%的置信水平下达到显著性。

年极高温：1980年和1990年的Moran's I无显著的空间相关性。2000年和2010年，Moran's I为正且p值小于0.05，Z值显著，表明这两个年份存在显著的空间集聚性。尽管2018年的p值满足显著性水平，但由于Z值小于1.96，该年份不存在显著空间集聚性。热浪事件：根据p值和对应的Z值，1990年和2010年存在显著空间集聚性，1990年尤为突出（Z值高达2.945）；2000年无显著空间集聚性；1980年和2018年即使p值显著，但由于Z值小于1.96，因此不存在显著空间集聚性。极热事件：p值和Z值的分布与热浪事件高度相似，反映了二者在空间集聚性趋势上的相似性，表明环境变化、城市化等因素对二者的影响模式相似。不同的是，1980年由于Z值显著，该指标显示出显著空间集聚性。夏日天数：所有年份Moran's I均为正，p值均远小于0.01，Z值远高于2.58，显示出持续的显著空间集聚性。

3.4.2 局部空间自相关与聚类分析

前文表明只有夏日天数始终为显著的空间正相关性。基于这一发现，我们针对夏日天数进行深入分析，以确保研究聚焦于具备统计显著性的结果。图5展示了夏日天数的聚类分布，利用空间关联的局部指标（LISA）进行局部空间自相关分析，识别该指标的集聚或离散现象。结果显示：中国西南和南部形成高-高集聚区，呈现高值集群，表明这些地区及邻近区域具有较多的夏日天数。低-低集聚区主要位于北部和东北部，显示低值集群，意味着这些地区及其周边的天数较少。在1980、2000和2010年重庆和湖南等地出现了低-高离散群点，显示这些区域天数较少但周围较高。
图5 夏日天数聚类分布

注：此图基于自然资源部地图技术审查中心标准地图服务网站下载的审图号为GS (2020) 4619号的标准地图制作，底图边界无修改。

Fig. 5 Cluster distribution of summer days in China

值得注意的是，1980年和2010年，低-高离散区域将低-低集聚区与高-高集聚区间接相连，可能暗示着环境过渡区的存在，导致接壤地区天数的差异。整体上，相关性在空间上表现为连片分布。全国范围内低-低集聚区包围高-高集聚区，北部和东北部的低值区对南部的高值区形成一定包围态势。

3.4.3 Moran's散点图分析

图6展示了各年份的夏日天数的Moran's散点图，纵坐标表示该单元的滞后值，即周围相邻地区的夏日天数的空间加权平均值；斜线为回归拟合线，用于指示数据的整体趋势。结果显示：各年份的散点主要集中在第一象限（高-高型）和第三象限（低-低型），表明全国范围内夏日天数显著存在空间自相关性，反映了各省级行政区夏日天数的空间集聚特征。相比之下，第二象限（低-高型）和第四象限（高-低型）的散点数量较少，说明高-低夏日天数混合分布的区域较少。图表散点分布总体变化不大，表明夏日天数的空间自相关性在这些年份保持稳定。尽管存在自然环境变化，如干旱区覆盖面积的增大[30]、寒区萎缩[31]，但夏日天数的空间集聚特征在较长时间内未发生显著改变，表明影响其的地理和气候因素具有较强的持续性和稳定性。这一结果与3.4.2节的结果一致。
图6 夏日天数Moran's散点图

Fig. 6 Moran's scatter plot of summer days

3.5 气象因子的驱动效应

本次实验使用NCDC数据源中国区域观测站点的数据，并选取了反映AT变化的多维驱动因素，如DPT、WS、SC等气象因子进行分析。DPT反映湿度条件，WS与大气动力过程相关，SC与云量遮挡程度相关。通过这些因子的整合，我们能够更全面地揭示AT变化的驱动机制并提升模型的解释力和预测精度。为优化模型，我们进行了两次建模。显著性水平的阈值设置为α=0.05。
据表4，模型一我们使用9个核心气象指标，共55,604,652条数据，模型显著（R-squared=0.840），其中Month和DPT为显著的正相关因子，Hour和SLP为显著的负相关因子。模型二我们使用11个核心气象指标，共15,848,486条数据，R-squared提高到0.852，模型的解释力进一步增强。Month和DPT仍为显著的正相关因子，Hour、SLP和SC为显著的负相关因子。最终模型通过整合多个关键气象因子，成功解释了85.2%的模型变异。模型结果表明，Month和DPT是显著的正相关因子，AT会随着月份的增加（通常是夏季）和湿度的上升而升高，这与实际的季节性气候和水汽的保温作用是一致的。Hour、SLP和SC均为显著的负相关因子，特别是SC（Coef=-3.803）对AT的负向调节作用最为显著，表明云量对阳光遮挡作用显著抑制了AT的上升。SLP的负相关性表明，随着气压升高，通常伴随高压系统和冷空气的影响，AT会下降。这种现象在气象学中常见，尤其是在冷锋过境时，高压系统带来晴朗但较冷的天气。Hour反映了日间AT随时间推移的自然下降，符合日夜温差的普遍规律。
表4 回归模型系数及显著性检验结果

Tab. 4 Regression model coefficients and significance test results

α=0.05 Const
（常量）		 Year
（观测年份）		 Month 观测日期（Day） Hour DPT SLP WD WS SC LPD6HD
（6小时降水深度）
Coefi（系数）（模型一） 3119.108 0.161 1.145 0.006 -1.604 0.649 -0.330 0.031 0.286 —
Coefi
（模型二）		 2610.489 0.092 0.762 -0.006 -0.711 0.722 -0.266 0.036 0.296 -3.803 -0.075
p <0.001 <0.001 <0.001 <0.001 <0.001 <0.001 <0.001 <0.001 <0.001 <0.001 <0.001

注：模型公式：AT = Const + Coefi ∗ xi（9≤i≤11）

4 讨论与结论

4.1 讨论

首先，本研究验证了前人关于中国极端热演变趋势的研究发现。例如：卫仁娟等得出了四川省的极端热、干旱及复合事件在川东盆地山地区、川西高山高原区和川西南山地区3个分区均呈上升趋势的结论[32]；郑小华等指出陕西的极端热指数增长趋势显著[33]。这与本文研究的多个极端热指标呈上升趋势的结果相一致。在M-K突变检验下，5个极端热指标在20世纪末发生显著变化，这可能与1997—1999年期间的全球气候异常现象有关[26-28]，也可能与进入21世纪，人类的活动增强，城市化加剧导致的热岛效应[34]有关。
本文的研究也提出了一些新的认识：1979—2018年来，全国大部分省级行政区的极热事件和年极高温的平均增长率呈正值，这可能是全球气候持续变暖背景下整体气温升高的直接体现，但也存在一定的区域差异。例如青海、山西和云南的增长率为负值，表明气温变化存在空间异质性。青海和山西极端降水量的显著增加趋势[35,36]，可能通过增强云层覆盖和提高大气湿度，间接起到了调节和抑制气温快速上升的作用；而云南由于省内降水具有较强的空间差异性，部分区域降水增多而其他区域降水减少，云量的遮挡作用及局部降水差异可能导致了温度的空间异质性，从而抑制了气温的快速上升。本研究还发现，有6个省份的年极高温的增速高于全国平均水平，这提示相关地区可能受到更为显著的气候变暖和人类活动共同驱动的影响。极热事件极高频和次高频分布区域以2.7 d/10a 和 0.99 d/10a 不断扩大，这一趋势除可能由全球变暖引起外，也可能与工业化、土地利用变化等人类活动影响导致的极端热事件频发有关[38]。在空间集聚方面，夏日天数呈现出南方高-高集聚、北方低-低集聚的分布格局。这一现象可能与南北方在气候类型、降水量、土壤湿度等方面的显著差异有关。例如，北方干燥、降水偏少，地表易升温但持续时间较短；南方湿润、降水丰富，则在一定程度上增强了湿热叠加效应。同时，不同地区城市化进程的不均衡也可能进一步加剧了热环境差异，尤其是在城市化率高的地区，由于建筑密度大、植被覆盖少和人为热排放等因素，易形成城市热岛现象[39]，导致了不同地区空间集聚性的差异。最后，从气象因子角度看，Month和DPT对 AT为显著的正相关影响因子，表明高温、高湿是叠加产生极端热感的重要因素；SC则表现为对AT具有主导地位的负相关影响因子，说明云层在调节太阳辐射、减缓地表升温方面具有一定的缓冲作用。因此，未来在研究极端热事件成因时，应进一步重视这些气象因子的综合作用与交互影响。

4.2 结论

（1）从时间序列和UBUF统计图来看，1979—2018年，年极高温、年均极高温、夏日天数、热浪事件和极热事件总体上呈上升趋势，分别在1999、1998、1997、1999、1999年发生突变。省级尺度极热事件极高频和次高频分布区域以2.7 d/10a和0.99 d/10a（基于40年增长的平均值）不断扩大，分布范围从东南沿海逐步扩展至华中、华北及西部内陆地区，同时由离散分布演变为集中连片分布。
（2）近40年来，中国年极高温和极热事件的增长率存在区域差异，最高增长率集中于黑龙江至西藏的东北—西南条带。北京、重庆、甘肃等6个省份的年极高温增速超过全国平均水平。夏日天数表现出显著的空间正相关性，表现为先减弱后增强，主要是以南部、西南部的高-高集聚和北部、东北部的低-低集聚连片分布的2种空间形态。
（3）从AT的气象驱动因子看，Month和DPT为显著的正相关影响因子；Hour、SLP和SC为显著的负相关因子。

真诚感谢两位匿名评审专家在论文评审过程中所付出的时间和精力。评审专家对行文梳理、结论精炼等方面的修改意见，使本文获益匪浅。本研究使用的关键数据来源于毛克彪团队提供的中国1979—2018年逐日近地面气温数据以及NCDC数据资源。数据的公开与共享为本文的气温变化分析奠定了重要的基础。特别感谢这些团队的支持，使本研究得以顺利开展。在此，向所有为本研究提供帮助的个人和机构表示诚挚的谢意。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
Coumou D, Robinson A, Rahmstorf S. Global increase in record-breaking monthly-mean temperatures. Climatic Change, 2013, 118(3): 771-782.

[2]
World Meteorological Organization.WMO Statement on the State of the Global Climate in 2019. Geneva: World Meteorological Organization, 2020, WMO-No.1248: 6-7.

[3]
World Meteorological Organization.WMO Statement on the State of the Global Climate in 2023. Geneva: World Meteorological Organization, 2024, WMO-No.1347: 3-4.

[4]
Meehl G A, Tebaldi C, Walton G, et al. Relative increase of record high maximum temperatures compared to record low minimum temperatures in the U.S. Geophysical Research Letters, 2009, 36(23): L23701.

[5]
Fischer E M, Schär C. Consistent geographical patterns of changes in high-impact European heatwaves. Nature Geoscience, 2010, 3(6): 398-403.

[6]
Cowan T, Purich A, Perkins S, et al. More frequent, longer, and hotter heat waves for Australia in the twenty-first century. Journal of Climate, 2014, 27(15): 5851-5871.

[7]
Francis J A, Vavrus S J. Evidence linking Arctic amplification to extreme weather in mid-latitudes. Geophysical Research Letters, 2012, 39(6): L06801.

[8]
Seneviratne S I, Nicholls N, Easterling D, et al. Changes in climate extremes and their impacts on the natural physical environment// Managing the Risks of Extreme Events and Disasters to Advance Climate Change Adaptation. Cambridge: Cambridge University Press, 2012: 109-230.

[9]
周雅清, 任国玉. 中国1956—2008年极端气温事件变化特征分析. 气候与环境研究, 2010, 15(4): 405-417.

[Zhou Yaqing, Ren Guoyu. Variation characteristics of extreme temperature indices in China's mainland during 1956-2008. Climatic and Environmental Research, 2010, 15(4): 405-417.]

[10]
Li L C, Yao N, Li Y, et al. Future projections of extreme temperature events in different sub-regions of China. Atmospheric Research, 2019, 217: 150-164.

[11]
Hu X F, Cao J, Qian Y G, et al. Extreme heat events in mainland China from 1981 to 2015: Spatial patterns, temporal trends, and urbanization impacts. Sustainable Cities and Society, 2024, 100: 104999.

[12]
Zhu B Y, Sun B, Li H, et al. Interdecadal variations in extreme high-temperature events over Southern China in the early 2000s and the influence of the Pacific decadal oscillation. Atmosphere, 2020, 11(8): 829.

[13]
Fang S, Mao K B, Xia X Q, et al. Dataset of daily near-surface air temperature in China from 1979 to 2018. Earth System Science Data, 2022, 14(3): 1413-1432.

[14]
Hirsch R M, Slack J R. A nonparametric trend test for seasonal data with serial dependence. Water Resources Research, 1984, 20(6): 727-732.

[15]
Seenu P Z, Jayakumar K V. Comparative study of innovative trend analysis technique with Mann-Kendall tests for extreme rainfall. Arabian Journal of Geosciences, 2021, 14(7): 536.

[16]
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. Journal of Climate, 2019, 32(24): 8489-8509.

[17]
Moran P A P. Notes on continuous stochastic phenomena. Biometrika, 1950, 37(1/2): 17-23.

[18]
Anselin L. Local indicators of spatial association-LISA. Geographical Analysis, 1995, 27(2): 93-115.

[19]
Uyanık G K, Güler N. A study on multiple linear regression analysis. Procedia-Social and Behavioral Sciences, 2013, 106: 234-240.

[20]
韦仕丽, 杨春艳, 韦垒, 等. 气候变暖背景下兴义市近60年气候变化特征分析. 农业灾害研究, 2024, 14(1): 222-224.

[Wei Shili, Yang Chunyan, Wei Lei, et al. Analysis of climate change characteristics in Xingyi City in recent 60 years under the background of climate warming. Agricultural Catastrophe Research, 2024, 14(1): 222-224.]

[21]
韩雪萌. 世界气象组织警告:小心极端气候变化. 金融时报, 2024-04-03( 8).

[Han Xuemeng. World Meteorological Organization warns: Beware of extreme climate change. Financial News, 2024-04-03(8).]

[22]
崔童, 孙林海, 张驰, 等. 2022年夏季中国极端高温事件特点及成因初探. 气象与环境科学, 2023, 46(3): 1-8.

[Cui Tong, Sun Linhai, Zhang Chi, et al. Characteristics and causes of extreme heat events in China in summer 2022. Meteorological and Environmental Sciences, 2023, 46(3): 1-8.]

[23]
Kendall M G. A new measure of rank correlation. Biometrika, 1938, 30(1/2): 81-93.

[24]
Lesk C, Rowhani P, Ramankutty N. Influence of extreme weather disasters on global crop production. Nature, 2016, 529(7584): 84-87.

[25]
Van Aalst M K. The impacts of climate change on the risk of natural disasters. Disasters, 2006, 30(1): 5-18.

DOI PMID

[26]
赵宗慈, 罗勇, 黄建斌. 全球变暖和厄尔尼诺事件. 气候变化研究进展, 2023, 19(5): 663-666.

[Zhao Zongci, Luo Yong, Huang Jianbin. Global warming and El Niño events. Advances in Climate Change Research, 2023, 19(5): 663-666.]

[27]
Hu Z Z, Kumar A, Huang B H, et al. Interdecadal variations of ENSO around 1999/2000. Journal of Meteorological Research, 2017, 31(1): 73-81.

[28]
Wang B, Wu R G, Fu X. Pacific-east Asian teleconnection: How does ENSO affect East Asian climate? Journal of Climate, 2000, 13(9): 1517-1536.

[29]
Kelejian H H, Prucha I R. On the asymptotic distribution of the Moran I test statistic with applications. Journal of Econometrics, 2001, 104(2): 219-257.

[30]
章静. 增暖背景下中国干旱变化及未来耕地暴露度研究. 南京: 南京信息工程大学硕士学位论文, 2022: 49-51.

[Zhang Jing. Drought Change and Future Cultivated Land Exposure in China under the Background of Warming. Nanjing: Nanjing University of Information Science & Technology, 2022: 49-51.]

[31]
魏思浩.1979—2100年中国寒区范围分布与变化及其对气候变化的响应. 兰州: 兰州大学硕士学位论文, 2023: 77-78.

[Wei Sihao. Spatial Distribution and Variation of Cold Regions in China from 1979 to 2100 and Their Response to Climate Change. Lanzhou: Lanzhou University, 2023: 77-78.]

[32]
卫仁娟, 潘妮, 钟馨, 等. 四川省极端高温干旱复合事件变化特征研究. 水文, 2024, 44(6): 60-67, 75.

[Wei Renjuan, Pan Ni, Zhong Xin, et al. Study on the variation characteristics of extreme high temperature and drought compound events of Sichuan Province. Journal of China Hydrology, 2024, 44(6): 60-67, 75.]

[33]
郑小华, 娄盼星, 马永永. 1961—2018年陕西极端气温时空变化特征. 气象与环境学报, 2021, 37(3): 81-87.

[Zheng Xiaohua, Lou Panxing, Ma Yongyong. Spatial and temporal variation characteristics of extreme temperature in Shaanxi province from 1961 to 2018. Journal of Meteorology and Environment, 2021, 37(3): 81-87.]

[34]
董苗.1960—2015年银川城市热岛效应的变化特征及城市化对其的影响. 兰州: 西北师范大学硕士学位论文, 2017: 62-63.

[Dong Miao. Variation Characteristics of the Urban Heat Island Effect in Yinchuan from 1960 to 2015 and the Impact of Urbanization. Lanzhou: Northwest Normal University, 2017: 62-63.]

[35]
Gong X W, Wang X Y, Li Y Q, et al. Observed changes in extreme temperature and precipitation indices on the Qinghai-Tibet Plateau, 1960-2016. Frontiers in Environmental Science, 2022, 10: 888937.

[36]
Yang X Y, Sun X H, Tang L. Multifactor mathematical modeling and analysis of the impact of extreme climate on geological disasters. Water, 2024, 16(15): 2211.

[37]
Yan W B, He Y L, Cai Y, et al. Analysis of spatiotemporal variability in extreme climate and potential driving factors on the Yunnan Plateau (southwest China) during 1960-2019. Atmosphere, 2021, 12(9): 1136.

[38]
Eyring V, Gillett N P, Achuta Rao K M, et al. Human influence on the climate system //Climate Change 2021: The Physical Science Basis. Cambridge: Cambridge University Press. 2023: 423-552.

[39]
罗鑫玥, 陈明星. 城镇化对气候变化影响的研究进展. 地球科学进展, 2019, 34(9): 984-997.

DOI

[Luo Xinyue, Chen Mingxing. Research progress on the impact of urbanization on climate change. Advances in Earth Science, 2019, 34(9): 984-997.]

DOI

[40]
张海燕.21世纪中国高温人口暴露及其健康风险预估. 兰州: 西北师范大学硕士学位论文, 2023: 63-65.

[Zhang Haiyan. Population Exposure to Extreme Heat and Estimation of Related Health Risks in China in the 21st Century. Lanzhou: Northwest Normal University, 2023: 63-65.]

Options
文章导航

/

〈 〉