英语原文共 12 页，剩余内容已隐藏，支付完成后下载完整资料

长江—淮河流域夏季热浪高发的时间是否可预测？

MIAONI GAO

北京师范大学环境演变与自然灾害教育部重点实验室，北京师范大学系统科学学院，北京，中国

Bin WANG

夏威夷大学大气气象系和国际太平洋研究中心，檀香山 南京信息工程大学球系统建模中心，中国南京

杨静

地表过程与资源生态国家重点实验室，灾害减灾与应急管理研究院，地理科学学院，

北京师范大学，北京，中国

董文杰

中山大学大气科学学院，广东，中国

（2017年5月22日收到的稿件，2017年10月20日的最终形式

长江-淮河流域（YHRB)是我国夏季[7-8月（JA)]热浪高发的核心区域。该极端闷热天气是由当地西太平洋副热带高压有关的降压异常所控制，1961年至2015年期间，在YHRB地区上空的热浪日数（HWDs)在JA呈现出较大的年际和年代际变化。hwd总数的预测具有重要的社会和科学意义。长江-淮河流域（YHRB）是夏季高峰期[7月和8月（JA）]中国闷热热潮发生的核心区域。极度炎热和闷热的天气由连接西太平洋副热带高压的下降高压异常局部控制。在1961年至2015年期间，JA对YHRB的热浪日（HWDs）表现出较大的年度和年代际变化。预测JA中的HWD总数具有重要的社会和科学意义。夏季HWD之前是热带太平洋的纬向偶极SST趋势模式和北大西洋上的经向三极SST异常模式。前者意味着从早春衰败的太平洋厄尔尼诺现象到夏季正在发展的东太平洋拉尼娜现象的快速转变，这增强了西太平洋副热带高压，并通过改变沃克环流来增加对YHRB的压力。北大西洋三极海温异常从前一个冬季持续到JA，并激发全球遥相关模式，在YHRB上形成高压异常。为了预测JA HWD，使用上述两个预测因子建立了1个月的预测模型。前向滚动后报在1981-2015年间实现了0.66的显着相关技能，1996-2015年的独立预测技能达到0.73。这些结果表明夏季HWD的可预测性来源，并提供潜在可预测性的估计，表明总方差的约55％可能是可预测的。该研究还揭示了动态模型提高其预测技能的更大可能性。

1、引言

热浪（HW）在极端天气事件中受到广泛关注，因为它们对人类健康，社会，经济和生态系统有广泛影响。（例如，Easterling et al.，2000；国家科学院，工程学院和 医学2016年）。多项研究报告表明，近几十年来中国的HW事件呈上升趋势（例如，Ding and Ke，2015；You et al.，2016)，并将以更高的频率和更长的持续时间在未来发生（IPCC 2013)。因此，提高HW预测的需求越来越大，尤其是夏季hwd总天数的季节预测，其时间尺度对于防灾减灾和水资源管理具有重要意义。

动力模型对我国夏季气温的预测能力如何？以往的研究发现，目前的动力模型在预测我国高温HW发生的核心区——长江-淮河流域（YHRB)的季节平均值和极端高温方面能力较差。例如，Wang et al.（2009b)评估了一个多模型集成（MME)的1个月领先季节预测技能，该多模型集成（MME)由14个参与气候预测的动态模型执行，并将其应用于1981-2003年全球夏季2米气温（CliPAS)。他们发现YHRB的时间相关系数得分极低，小于0.1。根据英国气象局季节预报系统和Hamilton et al.（2012)、Pepler et al.（2015)提出的bles项目的回顾性预测，YHRB夏季极端高温日数的预测技巧与平均温度的预测技巧相似。此外，我们评估了欧洲中期天气预报中心（ECMWF)的动态模型重预报的相关表现，该中心参与了亚季节性到季节性（S2S)预报项目。1995-2014年7-8月hwd与YHRB的平均相关技能与观测值为0.28。动力模型的预测能力有限，促使我们建立了基于物理的HW预测经验模型。了解HW的年际变化的根本原因对于构建PEM至关重要。大量研究已经确定了导致中国HW年际变化的因素，包括夏季土壤水分的影响（Zhang and Wu，2011），北大西洋涛动（太阳2012），青藏高原积雪（Wu et al.，2016），太平洋海面温度（SST）（Zhou and Wu，2016），以及赤道印度洋和太平洋上的冬夏季SST（Lei et al.，2009）。然而，这些研究中的大多数都集中在气候变量和HW事件之间的同时联系上。对于YHRB而言，季节性时间尺度上闷热HW的可预测性来源仍然难以捉摸。

因此，在本研究中，我们试图回答两个问题:1)YHRB夏季HWDs总量可预测性的来源是什么?2)hwd在YHRB上的年际变异性可以预测到什么程度?本文的其余部分的结构如下。第2节介绍了研究中使用的数据集和方法。HWD的定义与大气环流同步相关。

关于HWDs的描述请参见第3节在第4节我们通过YHRB检测HWD的两个SST预测变量，并解释这两个预测变量和预测值之间的物理联系。在第5节，我们建立一个PEM来预测HWD并估计其可预测性。最后，对全文进行了总结和讨论见第6节。

2、数据和方法

2.1、数据

新发布的中国国家气候数据集（CN05.1）来自中国国家气候中心，具有1961年至2015年期间的高空间分辨率（0.25°），用于描述HWD，包括每日最高温度Tmax和相对湿度（Xu et al.，2009；Wu and Gao，2013）。月平均大气环流，2米气温，辐射通量和总云量来自国家环境预测中心（NCEP-国家大气研究中心（NCAR）再分析数据集，空间分辨率为2.5°，压力为17同期垂直水平（Kalnay et al.，1996年；NOAA/OAR/ESRL PSD ，1996)。此外，美国国家海洋和大气管理局（NOAA)提供2°空间分辨率的月海表温度扩展重建海表温度（Huang et al.，2015)。

利用ECMWF在1995-2014年期间参与S2S预测项目的模型的预测结果来评价动力模型的性能（Vitart et al.，2015，2017)。7月和8月的重新预测分别从6月15日和7月16日开始，得到了15天的提前预测。hwd是通过对10个扰动预测的结果进行平均得出的。由于没有相对湿度，hwds是指Tmax超过35 ℃的区域平均累积日数（huang et al.，2010)，这与第三节定义不同。

我们在七月至八月（JA）专注于HWD有两个原因。首先，JA是以中国东部地区高湿度为特征的HW的旺季（图1a，also Ding and Ke，2015；ao et al.，2018）。其次，西太平洋副热带高压（WPSH）在JA的向北迁移为YHRB上的HW发生提供了强大的大尺度环流背景（Wang et al.，2009a)。

2.2、方法

图1.（a) 1961-2015年JA中国各网格夏季平均累积HWD（天数²¹）55个。（b)1961-2015年历年平均累积HWD指数的时间序列。（c)中国各网格累积HWDs平均值与各频段累积HWD（天数²¹）之间的相关性图。（a)，（c)中的黑色矩形表示YHRB。黑点表示95%置信水平下结果显著的位置

与纯统计模型相比，PE是一种基于对预测变量和预测值之间物理联系的理解的新方法.预测变量和下边界变量之间的相关图用于识别与训练周期间PEM的预测物理连接并且显着相关的预测变量（Wang et al.，2015）。由于每月的下边界变量在过去55年有显著的趋势（图未显示)，这可能受到来自人为强迫等年际变率的不同机制的支配，因此通过剔除时间序列的最小二乘线性趋势，将预测变量和每月的下边界变量从人为强迫等年际变化机制中剔除，以关注HWD的选择三种验证方法对PEM的可预测性进行了估计。首先，通过建立回归函数，在1961-2015的每个时间步骤中从训练样本中剔除三年，实现了留三交叉验证（（Michaelsen 1987）并对中心缺失年进行预测。其次，利用预测年之前20年的训练数据周期所获得的预测因子，建立了前向滚动预测模型，并对未来10年进行预测，例如，我们在1961-80培训期间用数据建立了第一个预测模型来预测1981年到1990年的HWD，然后在1971-90培训期间用数据建立第二个PEM来预测HWDs。从1991年至2000年，等等。注意，由于数据不同，每个周期的预测函数也不同。第三，采用独立预测，选取预测因子，利用1961-1995年期间的数据建立预测模型，预测1996-2015年JA HWDs。预测方程在独立预测模型中不包含未来信息（Wang et al.，2015)。注意，PEM的预测技巧表示观测到的HWDs与后推的相关系数。

3、HWD在YHRB上的年际变化

3.1、HWD的定义

通过设定某一区域的局部阈值温度，提出了几个合理的HWs识别指标（如Anderson and Bell，2011；Smith et al.，2013；Teng et al.，2013；Wu et al.，2016)。由于JA地区超过YHRB的HWs不仅具有极高的温度，而且具有与中国西北地区干旱HW事件不同的高湿度（Ding and Ke，2015)，因此我们用于识别中国HWDs的标准包括Tmax和相对湿度阈值。HWD是指Tmax超过35 ℃（Huang et al.，2010)，相对湿度超过60% （Ding and Ke，2015)的一天。

根据上述每个网格的HWD定义的55个夏季平均累计HWD，YHRB（25°-35°N，110°-122°E）是中国HW发生的中心（图1a）。本研究并没有对每个网格上的HWDs进行预测，而是将每个峰值夏季（JA)核心区域的累积HWDs平均值作为预测值，时间序列如图1b所示。YHRB期间的hwd无明显趋势[0.11天（10年)21]，但呈现出较大的年、年变化这种大规模的预测降低了每个网格干扰，有助于更好地理解。

图2.同时（JA）大气环流和温度异常回归到平均在YHRB上的HWD。示出了回归的（a）850-hPa风（向量；ms21）和2-m空气温度（阴影；8C）；（b）850hPa的位势高度（等值线； gpm）和500 hPa的垂直速度[阴影；1023Pa s21，正（负）值表表示下降（上升）运动]；（c）总云量（％）；（d）向下太阳辐射（W m22）异常。黑色矩形代表YHRB。在（a）中仅显示了在95％置信水平下显着的风。圆点表示结果在95％置信水平下的显着位置[在（b）中，垂直速度和位势高度分别为白点和黑点]。

控制HW发生的主要物理机制从相关系数图（图1c)可以看出，这种综合预测方法也可以很好地代表YHRB上每个网格的hwd

3.2、与YHRB HWDs同时发生的大气环流

为了理解什么控制了HWDs总数的年际变化，我们首先研究了JD中与HWD相关的大气环流和温度异常（图2和图3）。当在YHRB上发生低层气旋（高压）异常时，由于异常下降运动导致的绝热加热和由于云层减少引起的太阳辐射增加，局部表面温度升高（图2)。与YHRB相比，这种反气旋异常的形成可能进一步归因于赤道SST太平洋上空的异常和中高纬度地区的对流层波列（图3）。一方面，与HWDs相关，赤道东太平洋（EP）上的负SST异常和沿赤道太平洋的东风具有正在发展的相关的上层环流最突出的特征是Rossby波列，其具有正压结构，包括连续的压力槽和从欧亚大陆到北美和北大西洋的山脊，类似于环球遥相关（CGT）发现Ding and Wang.（2005）（图3b）。该波列的正中心位于欧洲俄罗斯，东亚，北太平洋，北美和北大西洋上，导致在YHRB上形成低水平的反气旋异常。大气环流同时发生的特点为寻找预报因子提供了有益的信息。

图3.同时（JA）大气环流和温度异常在YHRB上回归到HWD平均的值。显示的是回归的（a）850-hPa风（向量；ms21），SST（阴影；8C），陆地上2m的气温（阴影；8C）和850hPa的位势高度（轮廓，红色为正，蓝色为负）和（b）200-hPa风（向量：ms21）和200-hPa位势高度（阴影：gpm）异常。绿色矩形代表YHRB。仅显示了在95％置信水平下显著的风和温度异常。圆点表示在95％置信水平下的位势高度异常显著

4、YHRB上HWD的预测因子

为了在YHRB上识别出有物理意义的hwd预测因子，研究了预测因子与下边界变量（SST、2 m空气层温度和slp)之间的相关图。从12月到5月，我们重点研究了三种类型的前兆:季节性平均值（如DJF)、短期趋势（如4月平均-2月平均)和长期趋势（如4月平均-12月平均)。选择这些类型的预测因子的原因已经在之前的研究中讨论过（Yim et al.，2014；Wang et al.，2015)。

根据相关图，选取训练期间与YHRB内HWDs有物理联系且与HWDs有显著相关性的两个最佳SST前兆信号。

图4.综合HWD在YHRB的相关性图（a）SST趋势（4月至5月减2月至3月）和（b）DJF的SST。多边形显示了（a）EP-SST预测器的位置和（b）中用于HWD的NA-SST预测器。点表示在95％置信水平下结果显著的位置

第一个信号是西太平洋k形区域的短期海温平均趋势减去EP三角区域40°S-30°N、

130°E-64°W的短期海温平均趋势。请注意，海表温度的趋势是通过从4 - 5月的海表温度中减去2-3月的平均海表温度来计算的。第二个信号是SST平均超过45°-75°N，60°W-0°加上SST平均值超过0°-30°N，75°-5°W减去SST平均值20°-50°N，DJF为100°-65°W（图4和表格1）。请注意，只有在定义的地区电网的相关系

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[18310]，资料为PDF文档或Word文档，PDF文档可免费转换为Word