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

全球每日气温和降水极端气候的变化

L. V. Alexander,1,2,3 X. Zhang,4 T. C. Peterson,5 J. Caesar,1 B. Gleason,5

A. M. G. Klein Tank,6 M. Haylock,7 D. Collins,8 B. Trewin,8 F. Rahimzadeh,9 A. Tagipour,9 K. Rupa Kumar,10 J. Revadekar,10 G. Griffiths,11 L. Vincent,4

D. B. Stephenson,12 J. Burn,12 E. Aguilar,13 M. Brunet,13 M. Taylor,14 M. New,15 P. Zhai,16 M. Rusticucci,17 and J. L. Vazquez-Aguirre18

摘要：由每日气温和降水量得出的气候变化指数，并以极端事件为主的数据用来计算和分析。通过对各项指标的精确计算，并利用专门设计的软件进行分析，将不同的国家被无缝地结合在一起。利用以数据计算出的结果，提出关于极端温度和降水指数趋势的最新和全面的全球图。通过由世界各地众多科学家提供的区域和高质量的台站数据。编制了1951-2003年的季节和年度指数。计算网格化领域的趋势并检验其统计意义。结果显示，与气候变暖相关的极端气温发生了广泛而显著的变化，特别是那些由日最低气温导出的指数。全球超过70%的土地面积样本显示，寒冷夜晚的年发生显著减少，而温暖夜晚的年发生显著增加。一些地区经历了这些指数的两倍以上。这意味着全球每日最低气温的分布。每天最高温度指数也有类似的变化，但幅度较小。降水变化范围广、幅度大，但变化幅度较小与温度变化的空间相干性有直接联系。从近200个温度和600个降水站得到的指数概率分布完整的1901-2003年的数据，覆盖了北部很大的区域。并对1901-1950年、1951-1978年和1979-2003年期间的半球中纬度地区(以及澳大利亚部分地区的降水)进行了分析。结果表明，整个20世纪气候都在显著变暖。温度指数分布的差异是在最近两个周期和与最低温度有关的指数之间尤其明显。对季节时间序列可用的那些指数的分析表明，这些变化在四个季节都有所发生，尽管它们通常在9月至11月最不明显。但降水指数总体上呈下降趋势，在整个20世纪都是潮湿的。

一.导言

1.介绍

几十年来，大多数利用观测温度和降水数据分析全球长期气候变化的方法都集中在平均值的变化上。几个广受尊重的月度数据集提供了全球范围内合理的空间覆盖[例如，琼斯和莫伯格(Jones and Moberg)， 2003年;Peterson和Vose, 1997]。然而，分析极端情况的变化，如热浪持续时间的变化或温度超过其长期第90个百分位数的天数的变化，需要每天以数字形式提供数据。不幸的是，对于世界上大部分地区的国际研究团体来说，这些数据并不容易获得[Folland et al.， 2001]。在Groisman等人[1999]和Frich等人[2002]较早的对极端指数的“全球”分析中，几乎没有中美洲和南美洲、非洲和南亚大部分地区的数据。Kiktev等人[2003]等后续研究对部分指标进行了网格化更新，但空间覆盖仍然较差。

[3]世界气象组织气候学联合委员会(CCl)/世界气候研究方案(WCRP)气候变化和可预测性项目(CLIVAR)气候变化探测、监测和指数专家组(ETCCDMI)协调了两项相互补充的工作，以便能够对极端情况进行全球分析。其中一项努力是协调制定一套主要侧重极端情况的气候变化指数。这些指数是根据日气温和降水数据得出的。编制这些指数，包括向国际研究界免费提供的用户友好的软件包，不仅涉及ETCCDMI成员，也涉及许多其他科学家，包括许多作者。总共定义了27个索引，并开发了两个软件包，一个用R (RClimDex)编写，另一个用FORTRAN (FClimDex)编写。一个网站,http://ccma/seos.uvic。ca/ETCCDMI致力于提供所有指标的全面描述，质量控制程序的细节和相关文献的参考。它还提供了软件包的免费下载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，在不同国家或不同地区进行的分析可以无缝地结合在一起。

[4] ETCCDMI的第二项工作是协调区域讲习班，以解决以往全球研究中数据可用性和分析方面的差距[例如，， Frich等，2002]。在世界上的许多地方，有足够的国家层面的数字形式的日常数据，尽管在一些地区访问数字的日常数据仍然存在问题[Page et al.， 2004]。此外，由于种种原因，一些机构不愿透露数据。ETCCDMI提出的解决这一问题的方法是举办以亚太网络(APN)为模型的区域气候变化研讨会[Manton et al.， 2001;Peterson等，2001;Griffiths等，2005]。APN的方法是把科学家聚集在一起

来自亚太地区不同的国家。这些参与者把他们自己的日常数据带到研讨会上。在国际专家的指导下，他们在讲习班期间进行了数据质量控制，并使用标准程序和软件计算指数。APN方法使交换指数数据成为可能。虽然一些参与者选择不分享他们最初的每日数据，但他们将导出的指数系列提供给区域和全球分析。2001年在牙买加举办了两次区域气候变化讲习班，覆盖加勒比区域[Peterson et al.， 2002]，在摩洛哥举办了两次区域气候变化讲习班，覆盖非洲地区[Easterling et al.， 2003;Mokssit, 2003]。认识到这些研讨会的成功和存在的问题，ETCCDMI于2004年和2005年初在南非(M. New et al.， Evidence of daily climate trends over southern and west Africa, to Journal of Geophysical Research, 2005)、巴西(Haylock et al.， 2006;文森特等，2005]，土耳其[Sensoy等，2006;张等，2005a]，危地马拉[Aguilar等，2005]，印度[Peterson, 2005;Klein Tank等人，2006]，为非洲、南美、中东、中美洲和中南亚提供额外的覆盖。

本文的目的是对观测到的全球温度和降水极端值提供最全面的分析。为此，我们使用来自所有可能来源的高质量日常数据。这些数据包括(1)国际社会可以免费获得的数据，(2)以前没有的所有ETCCDMI研讨会的数据，以及(3)只有我们的一些共同作者才能获得的数据。论文组织如下。我们将在第2节中描述数据。本节详细描述了日常数据的来源、数据质量控制和均匀性测试程序，以及指标的定义和计算。在第三部分，我们提供了一个详细的分析指标数据，包括网格化和趋势计算。结果见第4节。我们在第5节中对结果进行了一些讨论，然后在第6节中给出了结论。

二.资料与方法

1.1每日数据

有三个国际每日数据集免费提供给研究团体。它们是(1)GCOS地表网络(GSN)数据集[Peterson et al.， 1997]，(2)欧洲气候评估(ECA)数据集[Klein Tank et al.， 2002]和(3)每日全球历史气候变化网络(GHCN-Daily)数据集[Gleason et al.， 2002]。在本分析中，ECA数据用于覆盖欧洲，而GHCN-Daily数据用于美国和巴西。GSN数据主要用于补充这些数据来源，主要在非洲。研讨会的指数数据用于覆盖以前没有数据的地区。有关工作坊资料的详情载于有关的工作坊报告或文件内。来自APN研讨会的数据也包括在内。

[7]数据也是由作者的机构提供的，这些机构提供的是世界上一些地区的数据，这些地区没有上述来源的数据，或者质量较差。虽然高质量的每日站数据集的发展水平因国家而异，但我们纳入了可用的最佳数据集。加拿大为210个气象站提供了到2003年为止的精心均匀的每日温度[Vincent et al.， 2002]和高质量的降水数据集[Mekis and Hogg, 1999]。考虑到分布的不同部分的不连续程度，澳大利亚的温度记录在每日的时间尺度上对不均匀性进行了调整[Trewin, 2001]。虽然最近的一些研究[例如,彼得森,2003;帕克,2004;Peterson和Owen, 2005]表明城市化的影响对大规模的温度趋势几乎没有影响。澳大利亚的降水数据也来自高质量的降水数据集[Haylock and Nicholls, 2000]。美国的温度数据是从GHCN-Daily站点中选取的，在这些站点中，对最高和最低温度的统计同质性测试没有发现任何不均匀性[Menne and Williams, 2005]。前苏联的降水数据均质性调整[Groisman and Rankova, 2001]。对某些国家的凯利国家没有现成的数据集,例如,阿根廷(阿利和Barrucand, 2004)、中国(翟et al ., 2005),印度、伊朗(Rahimzadeh和Asgari, 2003)和墨西哥,作者选择了站的基础上他们的知识最好的站在自己的国家和/或最近的分析。其余数据主要来自GHCN-Daily数据集，例如巴西和哈德利中心档案。在所有情况下，至少有一名作者可以查阅原始站记录，以便在分析过程中出现质量问题时，始终可以参考原始数据。

1.2.数据质量和同质性

在大多数情况下，作者提供的数据经过质量控制，并使用标准软件计算指标，然后进行本研究的整理。各国的质量控制水平各不相同(见上文)，但在所有情况下都试图使用尽可能最好的数据来源。对车间提供的数据采用RClimDex中的质量控制程序。该质量控制程序的主要目的是识别数据处理中的错误，如手动键控中的错误。去掉负的日降水量，如果日最高气温小于日最低气温，则将日最高气温和最低气温都设置为缺失值。此外，还确定了日最高温度和最低温度的异常值。这些值超出了用户定义的范围。在本研究中，范围被定义为位于当天气候平均值的四个标准差(std)之内，即[平均值plusmn;4 std]。超出此范围的每日温度值由了解自己每日数据的研讨会参与者根据具体情况手动检查和编辑。

[9]统计检验一般不适用于车间分析的降水数据，但通过仔细检查图表确定的任何明显的异常值均适用

手动检查。采用了认真的车间后分析，并对车间外处理的数据进行了类似的异常值测试，但方法因来源而异。统计检验、局部知识、对站史的调查或与邻近站的比较，都可以用来判断一个外围降水值是否错误。识别在日降水量记录中可能出现错误的多天时降水积累尤为重要[Viney and Bates, 2004]。当日积月累的降雨量被报告为日积月累时，就会出现这种情况。例如，如果在一次缺失的观测之后降雨量下降超过1毫米，来自巴西GHCN-Daily的数据就会被拒绝[Haylock et al.， 2006]。即使在为本研究处理和整理数据之后，仍然对每个站点的年总降水量时间序列和日平均温度范围进行了重新评估，以确定在初始质量控制程序中可能遗漏的异常值。

与与数据不均匀性相关的问题相比，[10]数据质量是一个相对容易解决的问题。错误的异常值和由于站点位置、观察程序和实践的变化、仪器的变化等引起的人为的步长变化[Aguilar et al.， 2003]使得趋势分析不可靠，而且并不总是有一致的方法来处理数据的不均匀性[Peterson et al.， 1998]。由于这个原因，RClimDex可以与一个名为RHtest的软件包一起使用，该软件包可以识别站点温度时间序列中的步骤变化。RHtest是基于整个系列线性趋势的两阶段回归模型[Wang, 2003]。除了前几次工作坊的数据，采用了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站点的温度数据的不均匀性。其他例外包括对ECA温度和降水数据使用Wijngaard等人[2003]定义的最均匀的气象站，以及对美国使用Menne和Williams[2005]确定的最均匀的气象站。

如果站点数据被确定为不均匀的，则将其排除在分析之外。不均匀数据没有进行调整主要有两个原因(尽管注意，一些数据源在纳入本研究之前已经进行了调整，如Groisman and Rankova[2001]和Vincent等人[2002])。首先，迄今为止，在调节每日气温方面只取得了有限的成功。， Vincent等，2002]。其次，由于我们有许多气象站覆盖许多不同的气候，因此温度的调整将是一项极其复杂的任务，很难做好[Aguilar et al.， 2003]。一些步骤的变化可能是真实的，而不是由于数据中的不均匀性问题。这突出了访问通常缺少的站点元数据的重要性。

[12]的非均质性，如温度的逐步变化，没有被考虑在内。尽管Peterson和Owen[2005]认为，与实际气候变化和变化的幅度相比，城市化对整个气象站网络平均数据的影响是最小的，但这种不均匀性可能通过城市化发生。这种不均匀性的问题虽然可以解决，但也很难解决

图1所示。可供本研究使用的(a)气温及(b)降水站位置。这些颜色表示主文本中描述的不同数据源。美国和巴西部分地区的数据是由作者从GHCN-Daily数据集中获得的。括号内的数字表示站点总数。

可能通过比较邻近站点的数据来处理。然而，我们的车站网络通常不够密集，无法采用这种方法。

图1为本研究使用的2223个温度站和5948个降水站的位置。虽然降水台站较多，但总体上比气温台站分布不均匀。在对指标进行网格化时，使用了所有站点。然而，在计算趋势时，我们选择只考虑网格框，其中考虑的时间段内的数据至少完成了80%，且不早于1999年结束。大多数为本研究提供数据的电台网络在20世纪下半叶具有良好的时间覆盖，因此我们主要关注这一时期。然而，大约200个温度(取决于指数)和608个降水站的一个子集有足够的数据来反映整个20世纪的变化

对至少一个指标进行

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[19530]，资料为PDF文档或Word文档，PDF文档可免费转换为Word