摘要
基于中国区域1961—2020年逐日气温站点观测资料,考虑极端事件的时空关联性,利用群发性极端事件识别方法,对近60年中国群发性高温天气、酷热天气、极端高温、极端低温及剧烈降温等5类极端温度事件进行了识别并建立了数据集,分析了不同类型群发性极端温度事件的演变特征。结果表明:群发性高温及酷热天气事件主要发生于夏季,高发区位于新疆地区和江淮流域,综合强度排名前十的事件有7次发生于2000年以后,且持续时间和影响范围显著增强;群发性剧烈降温事件主要发生于除夏季外的其余三个季节,内蒙古及东北南部发生频率最高,长江以南地区次之,近年来群发性剧烈降温事件发生频数略有下降,但持续时间、影响范围及降温强度却保持稳定;群发性极端高温事件和极端低温事件在全年全区域均有发生,在全球变暖背景下,前者各项指标呈显著上升趋势,而后者呈显著下降趋势。本数据集的建立为深入理解极端温度事件的演变规律及机理提供了数据基础。
Abstract
In the context of global warming, extreme weather and climate events have become more frequent, particularly since the 21st century, exhibiting significant clustering, persistence, complexity and extremity. Under the influence of the same weather system, extreme temperature events of the same type often display spatiotemporal clustering, manifested by spatial correlation and temporal persistence. Previous studies based on single-stations analyses have been unable to effectively capture the evolution and movement of weather systems, thus limiting the ability to assess the clustering characteristics of extreme temperature events. In our previous works, we proposed a simplified method for identifying clustered extreme weather and climate events, which has been demonstrated to be effective. Using daily observed temperature records from 1961 to 2020, this study established a dataset of five types of clustered extreme temperature events in China by incorporating spatiotemporal correlations. These include hot weather, scorching weather, extreme high temperature, extreme low temperature, and severe cooling events. The results indicate that hot and scorching weather events primarily occur in summer, with high-frequency located in Xinjiang region and the Changjiang-Huaihe River Basin. Notably, seven of the ten most intense summer clustered scorching weather events since 1961 occurred after 2000, showing significantly prolonged duration and expanded affected areas. Clustered severe cooling events predominantly occur in seasons other than summer, with high frequency in Nei Monggol and the southern part of Northeast China. While the duration, affected area, and intensity of severe cooling events have remained relatively stable, their frequency has exhibited a slight decline. Clustered extreme high and extreme low temperature events occur throughout the year across various regions. In response to global warming, extreme high-temperature events show an increasing trend, whereas extreme low-temperature events demonstrate a decline in multiple indices. This dataset developed in this study, spanning from 1961 to 2020, provides a comprehensive foundation for understanding the characteristics and long-term trends of clustered extreme temperature events. Further supplement and update will incorporate the latest observational data to refine and expand the dataset. In addition, methodology employed can be extended to identify other extreme events, such as extreme precipitation events, compound extreme events, and high-impact weather and climate events. The establishment of this dataset lays a crucial foundation for in-depth study on the mechanisms, impacts, and predictability of extreme temperature events in a changing climate.
极端天气气候事件的发生容易引发气象灾害，给人民生命财产安全及社会可持续性发展带来严重的影响。在全球变暖背景下，极端天气气候事件愈加频繁，特别是21世纪以来，极端天气气候事件呈现显著的群发性、持续性、极端性及复合性等特征（Alexander et al.，2006; Wigley，2009; 任国玉等，2010; Donat et al.，2016; Zhao，2020; Chen et al.，2021; 余荣和翟盘茂，2021; Ning et al.，2022; 陈海山等，2024）。大量观测事实表明，基于大气环流演变规律，受同一天气系统影响，同类型极端天气气候事件往往在时空尺度上表现出群发性，即体现为空间的关联性及时间的持续性。中国由于特殊的地理分布和气候特点，极端天气气候事件的群发性特征更为显著，例如我国2008年1月的冰冻雨雪天气过程，2021年7月的河南暴雨事件，2022、2023年江淮流域夏季高温热浪事件等。针对以前基于单站的极端事件研究无法体现天气系统发生发展和移动特征从而不能很好地解决极端天气气候事件群发性问题，人们发展了一些方法并利用这些方法对群发性极端事件进行了客观识别和定量描述，为理解气候灾害的变化规律及预测评估提供了客观的参考依据（杨萍等，2010; Ding and Qian，2011; Qian et al.，2011; 龚志强等，2012; Ren et al.，2012）。但由于方法的复杂性及局限性限制了它们的推广应用，况雪源等（2014）、Kuang et al.（2019）在对这些方法进行比较的基础上，对Ren et al.（2012）的区域性极端气候事件识别方法加以改进，提出了一个简化的识别群发性极端天气气候事件的方法，并将该方法应用于中国日最高温度超过35℃群发性高温事件及北半球冬季群发性极端低温事件的识别，从识别结果与实发情况对比来看，该方法简单有效，物理意义明确，识别结果准确。本文基于上述方法，利用中国1961—2020年逐日气温资料，考虑极端温度事件的时空关联性，对5类群发性极端温度事件进行识别并建立数据集，分析其时空变化特征，提供进一步研究极端事件变化规律及成因的数据基础，为短期气候预测及防灾减灾工作提供了理论参考。
1 数据及方法
1.1 研究数据
本文所用资料来自国家气候中心的中国724个气象观测站逐日数据，包括平均气温、最高气温及最低气温3个要素，时段为1961年1月1日—2020年12月31日共计60 a，站点分布如图1所示。
图1中国区域724个气象观测站分布
Fig.1Spatial distribution of 724 meteorological stations across China
1.2 群发性极端事件识别方法
本文所用到的群发性极端事件识别方法原理是基于逐日单站极端事件，结合同一天气系统影响下极端事件的时空关联性，将发生同类极端事件的站点进行归并，提取出能体现天气系统发生发展及影响的群发性极端事件过程，并建立能表征群发性极端事件过程的发生时段、影响范围及发生强度等度量指标（况雪源等，2014）。识别过程主要包括以下4个步骤（图2）:
1）单站极端事件的识别:对单站逐日要素进行检测，判断其是否出现单站极端事件。
2）单日群发性极端事件的识别:考虑同一天气系统的影响，确定扫描范围Dc，然后对单日达到极端事件的站点进行扫描分组（同组间最近两站点距离不超过Dc，而不同组间最近两站点距离必须大于Dc），根据组内站点数是否达到群发性极端事件空间站点阈值Qc，确定单日发生的群发性极端事件。
3）群发性极端事件持续性的识别与归并:对于群发性极端事件是否持续，本文通过将当日满足群发性极端事件标准的组与前一日群发性极端事件（原事件）进行重合站点数的计算后加以判断，如果重合站点数达到阈值标准Oc，则将该组并入原事件，原事件持续; 如果重合站点数达不到标准，则该组成为新事件; 如果原事件没有新组并入，则原事件结束。
4）对于识别出的群发性极端事件，本文建立以下指标对事件影响范围及持续时间等指标进行度量。持续天数（DAL）:事件的开始日到结束日之间的总天数; 影响站数（TAS）:事件影响的总站数; 累积强度（QA）:过程中各站与极端阈值之差的绝对值总和; 平均强度（QM）:各站平均强度之和除以影响站数; 平均最大强度（XMM）:事件过程中各站与极端阈值之差绝对值的最大值平均; 极端最大强度（XEM）:事件过程中所有站点与极端阈值之差绝对值的最大值; 平均中心经度（MLON）:受影响站点位置的经度平均值（以影响天数为权重）; 平均中心纬度（MLAT）:受影响站点位置的纬度平均值（以影响天数为权重）；综合强度:MTEN=0.4×D*AL+0.4×T*AS+0.1×Q*M+0.1×X*MM（上标*表示标准化值）。
2 群发性极端温度事件数据集的建立
2.1 群发性极端温度事件识别结果
中国气象业务上将日最高气温超过35℃的天气称为高温天气，日最高气温超过38℃的天气称为酷热天气，此外依据世界气象组织对极端事件的定义，本文还选取了高于95%和低于5%的阈值作为极端高温事件及极端低温事件的单站标准。这里要说明的是极端阈值是基于不同月份计算的，比如1月的样本数量为1 860（31 d乘以60 a），选取其95%百分位作为极端高温的阈值来确认1月某天是否发生单站极端事件，其他月份同理。在此基础上，结合中国对强冷空气及寒潮的定义，本文还考虑了48 h或24 h平均气温下降超过10℃的剧烈降温事件。在此基础上，遵循图2群发性极端事件识别流程，通过对群发性高温天气事件、群发性酷热天气事件、群发性极端高温事件、群发性极端低温事件、群发性剧烈降温事件进行了识别和输出，本文建立了1961年1月1日—2020年12月31日基于连续日值的5种类型群发性极端温度事件数据集。考虑影响天气系统的特点及与观测结果的对比，本文对不同类型群发性极端温度事件的扫描半径Dc统一设定为500 km，但空间群发站点阈值及重合站数阈值的数值稍有不同，单站指标及识别结果详见表1。
2.2 群发性极端温度事件发生区域分布特征
图3给出了不同类型群发性极端温度事件发生频率区域分布（群发性高温天气事件在以前工作中已有介绍，此处未再给出，下同）。可以看到，群发性酷热天气事件主要发生在新疆盆地及长江中下游和黄淮地区，两个区域出现群发性酷热天气事件的原因是不同的。前者主要是受地形地势的影响，新疆盆地海拔低，植被少，夏季天气晴朗，地表温度高，风速小，地表感热输送强，局地气温升高快，易出现酷热天气; 后者主要是受夏季西太平洋副热带高压控制所致。从群发性极端高温及低温事件的分布来看，全国都有出现，其中东部地区更甚，这主要由于单站极端高（低）温的定义是基于各站百分位阈值而不是固定阈值，而东部地区站点密集度高则是该区域发生频率高的原因之一。从群发性剧烈降温事件来看，发生频率最高的区域为内蒙古中部及东北地区南部，其次为东北北部和华南地区，这种区域分布特征是由冷空气的路径与强度所决定的。
图2群发性极端事件识别流程图
Fig.2Schematic flow chart illustrating the methodology for identifying clustered extreme event
表11961—2020年中国5类群发性极端温度事件数据集
Table1Summary of the dataset containing five types of clustered extreme temperature events in China from 1961 to 2020
注：考虑到方法的通用性及原始站数差异，这里Qc为空间站点阈值与总站数的百分比，Oc为重合站点阈值与空间站点阈值的百分比.
2.3 综合强度前10位群发性极端温度事件
基于夏季酷热天气和冬季剧烈降温事件是人们关注的焦点，表2列出了综合强度位于前十的夏季群发性酷热天气事件和冬季群发性剧烈降温事件。从夏季群发性酷热天气事件可以看出，有7次发生于2000年以后，占了70%，其中4次发生于2011—2020年，与全球变暖的趋势相一致，夏季酷热天气的持续时间和影响范围也明显增强，其中综合强度第一的群发性酷热天气事件发生于2003年7月13日—8月11日，持续时间长达30 d，影响站数达153站，平均强度达1.1℃，最大强度为5.3℃，综合强度为6.70; 处于第三位的群发性酷热天气事件发生于2013年8月4—18日，持续时间长达15 d，影响站数达160站，平均强度达1.3℃，最大强度为6.0℃，综合强度为4.15。此外，前十位中另外3次发生于1961—1970年，占30%，而1971—2000年则无一次占据前10位，这表明群发性酷热事件可能存在显著的年代际变化特征。
图3不同类型群发性极端温度事件发生频率的空间分布（圆点大小正比于站点次数与事件总次数的比值）:（a）酷热天气事件;（b）极端高温事件;（c）极端低温事件;（d）剧烈降温事件
Fig.3Spatial distributions of occurrence frequency for different types of clustered extreme temperature events （The dot size is proportional to the occurrence rate at each station relative to the total number of clustered events) : (a) scorching weather events； (b) extreme high-temperature events； (c) extreme low-temperature events and； (d) severe cooling events
从表2给出的排名前10的冬季群发性剧烈降温事件中可以看出，2000年以后出现了2次（2008年12月3—6日; 2010年1月20—23日）。由于全球变暖背景下社会经济脆弱性增加，所以剧烈降温会造成很大的危害，需要引起关注。位于第一的事件发生于1996年2月14—19日，剧烈降温持续了6 d，影响了402站，分布于我国中东部地区。为了更细致地刻画这次剧烈降温事件的演变特征，图4给出了该事件逐日剧烈降温区域演变情况。可以看到，冷空气从2月14日开始入侵中国北方地区，新疆北部和内蒙古部分站点出现显著降温，随着冷空气的东移南下，2月15日东北和华北大部地区出现剧烈降温，2月16日降温区域出现在江淮流域，2月17日则南移到长江以南的江南地区，2月18日集中于华南地区，2月19日则是华南沿海区域，至此历时6 d的剧烈降温过程结束。由此可见，识别出的群发性剧烈降温事件较好地呈现了冷空气的影响路径和强度，其可作为研究冬季冷空气影响及预报的重要依据。
表21961—2020年中国综合强度前十位的夏季群发性酷热事件和冬季群发性剧烈降温事件
Table2Top ten most intense summer clustered scorching weather events and winter clustered severe cooling events ranked by composite intensity from 1961 to 2020
3 群发性极端温度事件时间变化特征
3.1 发生频数年内分布特征
图5给出了不同类型群发性极端温度事件发生频率的年内分布情况。可以看到，群发性酷热天气事件基本发生在夏季，其中以7月最多，约占总数的43%，8月和6月次之，分别约占总数的25%，5月和9月次数虽少（只占约7%），但仍有出现。群发性极端高温事件及极端低温事件在全年均有发生，这是因为它们是用相对阈值定义而决定的。相对而言，群发性极端高温事件在春夏季较多，月发生率为9%~11%，后冬次之，为7%~9%，秋季到初冬最少，基本在7%以下。群发性极端低温事件发生率较高的月份为5月和7月，发生率约为10%，最少的在2月，只有6%左右（这个月天数最少亦是一个重要原因）。而群发性剧烈降温事件主要发生在除夏季之外的其他3个季节，冷暖交替显著的深秋初冬及初春季节最为明显，而温度变化比较平稳的夏季特别是7月则很少出现如此剧烈的降温事件。
3.2 年际变化特征
图6给出了不同类型群发性极端温度事件各种指标的年际变化。可以看到，群发性酷热天气事件和极端高温事件的发生频数都呈现显著上升趋势，这与全球变暖趋势一致对应，其中酷热天气事件的持续时间和影响范围有显著的年代际变化特征，在1980年前相对偏高，1980—2000年偏低，2000年以后持续时间显著加长、影响范围显著增大。群发性极端高温事件的几个指标皆呈现上升趋势，其中发生频数及持续时间上升趋势更为显著，分别达到每十年增加2次和0.2 d; 而群发性极端低温事件则相反，4个指标皆出现了下降趋势，发生频数及持续时间每十年分别下降3.2次和0.25 d。从群发性剧烈降温事件的变化来看，除了发生频数略呈下降趋势外，其持续时间、影响范围及强度并没有明显的下降趋势，与前期基本持平，保持稳定。
图41996年2月14—19日（a—f）典型群发性剧烈降温事件的演变过程（圆点表示当日出现剧烈降温的站点）
Fig.4Daily evolution of the representative clustered severe cooling event observed during (a—f) February 14—19, 1996. Dot represents the meteorological station where the severe cooling event occurred on the calendar day
图5不同类型群发性极端温度事件发生频率（单位：%）的年内分布特征:（a）酷热天气事件;（b）极端高温事件;（c）极端低温事件;（d）剧烈降温事件
Fig.5Annual occurrence frequency （units:%) of different types of clustered extreme temperature events: (a) scorching weather events; (b) extreme high temperature events; (c) extreme low temperature events; (d) severe cooling events
3.3 年代际差异
图7给出了不同类型不同等级群发性极端温度事件发生频数的年代际差异（20世纪60年代对应时段为1961—1970年，其余类推）。从群发性酷热天气事件来看，20世纪60—80年代发生频数略微下降，之后直至21世纪10年代，群发性酷热天气事件发生频数持续上升，特别是21世纪以来上升幅度更为显著，并伴随持续时间加长、影响范围增大及强度加剧，这与全球变暖的趋势是相一致的。群发性极端高温事件发生频数的年代际变化与酷热天气事件类似，经历了前3个年代下降之后的反转上升之势，只是群发性极端高温事件在21世纪10年代比00年代略有下降。从群发性极端低温事件的变化来看，20世纪60年代—21世纪10年代发生频数持续下降，同时强度及影响区域亦相应减小。与前3类事件不同，群发性剧烈降温事件虽然频数略有下降，但总体来说，各项指标基本保持平稳；然而，这种变暖情况下的剧烈降温事件会带来更大的社会危害，值得进一步关注及研究。
图6不同类型群发性极端温度事件发生频数（1）、持续时间（2）、影响范围（3）及强度（4）的年际变化（蓝色实线为线性趋势）:（a）酷热天气事件;（b）极端高温事件;（c）极端低温事件;（d）剧烈降温事件
Fig.6Interannual variations of frequency (1) , duration (2) , affected area (3) , and intensity (4) of different clustered extreme temperature events. The blue line represents the linear trend: (a) scorching weather events; (b) extreme high temperature events; (c) extreme low temperature events; (d) severe cooling events
综上所述，不论是从发生频数、持续时间、影响站数还是从综合强度来看，2000年以后的群发性极端高温及酷热天气事件影响日益严重。此外，虽然受全球变暖影响，近年来中国群发性极端低温事件发生频数和强度有所下降，但剧烈降温事件却保持稳定，这种情况值得关注。
4 结论与讨论
本文基于中国区域1961—2020年724站点逐日气温观测资料，利用群发性极端事件识别方法，对近60年来发生的群发性高温天气、酷热天气、极端高温、极端低温及剧烈降温共5类极端温度事件进行了识别并建立了数据集，分析了不同类型群发性极端温度事件的时空变化特征。结果表明：高温及酷热天气事件主要发生在夏季，高发区位于新疆地区和江淮流域，综合强度前十位的夏季群发性酷热天气事件有7次发生于2000年以后，持续时间和影响范围明显增强。群发性极端高温事件和极端低温事件在全年全区域均有发生，在全球变暖背景下，前者在各项参数上均呈现上升趋势，而后者相反，呈现下降趋势。群发性剧烈降温事件主要发生于除夏季外的其余3个季节，内蒙古及东北南部发生频率最高，长江以南大部地区次之，虽然群发性降温事件的发生频率略有下降，但其持续时间、影响范围及降温强度却保持稳定。因此，不论是从发生频数、持续时间、影响站数还是从综合强度来看，21世纪以来的群发性酷热天气事件及极端高温事件是前所未有的显著，与此同时，群发性剧烈降温事件亦需引起关注。
图7不同类型不同等级群发性极端温度事件发生频数的年代际差异:（a）酷热天气事件;（b）极端高温事件;（c）极端低温事件;（d）剧烈降温事件
Fig.7Distribution of occurrence frequency for different grades of duration, affected area, and intensity of clustered extreme temperature events across six decades: (a) scorching weather events； (b) extreme high temperature events； (c) extreme low temperature events； (d) severe cooling events
在研究过程中，有几个问题需要说明:
1）在群发性极端事件识别方法中，有3个参数（扫描半径、空间站点阈值及重合站点阈值）是人为给定的，具有一定的主观性，不同的参数取值会对结果造成些许差异。本文的几个值是通过与实际观测结果对比而确定的，后期工作会进一步研究如何客观确定参数取值。
2）本文分别对全国2 437个站点资料及0.5°×0.5°的格点资料（CN05.1）进行过事件识别，但由于前者中国东西部站点的疏密度差异太大，使得统一的群发性空间站点阈值具有不合理性，从而会导致高估东部事件而低估西部事件，而后者均匀格点资料是通过对前者站点值插值得到，会导致站点极端值的部分信息丢失，从而引起识别结果的误差。因此，使用站点分布相对均匀且保留了原始极端值信息的700多个站点观测值进行群发性极端温度事件的识别更为合理。
3）群发性事件识别方法在用于剧烈降温事件时，如果天气系统移动较快，出现剧烈降温站点没有时间上的前后重叠，那么会出现一次冷空气影响过程识别出多个事件的情况，这需要进一步改进。
4）本文识别的5类群发性极端温度事件中，除高温及酷热天气事件主要发生在夏季外，其余几类事件在全年所有季节均有发生且存在明显的季节差异，下一步可针对不同的季节进行比较分析。
5）在全球变暖背景下，中国近几年极端高温事件频繁发生，比如前述提到的2022和2023年的夏季高温，本文只给出了1961—2020年群发性极端温度事件的变化及数据集，后期我们将根据资料的获取情况进一步补充更新数据集。此外，我们还可以将方法应用到群发性极端降水事件、群发性复合极端事件、群发性灾害天气气候事件等其他极端事件的识别中，以提供我国极端气候变化研究的数据基础。
