北半球人體不舒適天數歸因分析及其未來預估

李萬玲 郝鑫

摘要 基于NCEP／NCAR再分析資料及6個CMIP6全球氣候模式模擬資料，對1961—2014年北半球濕熱指數表征的熱不舒適天數與風寒指數表征的冷不舒適天數歷史變化進行歸因分析，并預估未來（2015—2100年）4種不同情景下不舒適天數的變化趨勢。結果表明：歷史時期北半球中低（中高）緯度地區熱（冷）不舒適天數偏多且不舒適天數顯著增加（減少）。其中，高緯度（中緯度）地區能夠檢測到歷史全強迫，人為強迫和溫室氣體強迫的影響，且溫室氣體強迫主導了冷（熱）不舒適天數變化。低緯度地區，熱不舒適天數顯著增加可歸因于人為溫室氣體強迫作用，氣溶膠強迫能夠產生相反的作用降低熱不舒適的發生率，冷不舒適天數則受氣候系統內部的調控作用。未來熱（冷）不舒適天數將持續增加（減少），其中ssp585與ssp370情景下舒適度變化顯著，ssp126與ssp245情景下，2080年后北半球人類遭受的冷熱不舒適感將維持在穩定的水平。

關鍵詞人體舒適度;濕熱指數;風寒指數;溫室氣體;氣溶膠;人為強迫

人體舒適度是一項根據人體與周圍環境之間熱量交換原理，評價人體在各種氣候環境下舒適程度的氣象指標（劉梅等，2002）。由于室內環境條件具有相對穩定性和可控性，因此室內人體舒適度影響研究受到了廣泛關注（Fransson et al.，2007;段培永等，2011;胡曉倩等，2014）。近年來戶外舒適度的研究不斷增加（Dunjic＇，2019）。室外微氣候環境溫度、濕度和風速等參數對舒適度有重要影響，其中溫度是最重要的參數（Liu et al.，2016）。低濕度條件下，由于人體蒸發較多，低濕度對主觀愉悅感受產生積極影響，而當濕度變為70％以上時人體會感到疲勞不適（Tsutsumi et al.，2007）。高溫、高濕、干冷等氣象條件也會引起人體調節功能發生異常，導致內分泌系統發生紊亂，使得呼吸道疾病、過敏等發病率顯著提高（Sloan et al.，2011;Bergmann，2016）。

為了定量評價人體在日常生活中對舒適程度的主觀感受，近年來許多研究相繼提出了多種表征人體舒適度的指數，這些指數廣泛應用于氣象相關業務中，能夠對生產生活、交通旅游、城市規劃、醫療衛生等公共生活領域起到一定的指示作用（Dunjic＇，2019）。例如，表征人體在典型的無風和太陽輻射的環境中的生理平衡溫度（Hppe，1999;鄭有飛等，2007），通過考慮人體自身和環境的多重復雜生理物理過程評價人類機體在周圍溫度完全不同時也能在特定極限內保持體溫能力的通用熱氣候指數（Fiala et al.，2012）。已有許多研究基于這些人體舒適度指數探討各種氣候條件下人體舒適度的變化特征。Mekis et al.（2015）利用濕熱指數（Humidex）和風寒指數（Wind Chill Index，WCI）研究極端高溫事件在北美地區的時空分布特征，發現熱高溫事件顯著增加的站點大多數位于55°N以南的中緯度地區，而近60 a間極端冷事件在北美加拿大地區均顯著減少。基于通用熱氣候指數歐洲和亞洲等地同樣表現出相似的舒適度地理分布特征，即熱氣候指數值隨緯度增加而減小，說明冷事件多發生在高緯度地區，熱事件多發生在低緯度地區（Blazejczyk et al.，2012;樂滿等，2019;Wu et al.，2019）。另有學者利用預測平均評價指數和熱感覺評價指數對南歐、北美和亞洲中緯度溫帶氣候區的熱環境進行比較分析，發現南歐和北美城市熱指數較高，而亞洲相對較低，南歐大部分地區的非舒適環境都是因為溫度過高，而亞洲則多因冷不舒適環境（Zhang et al.，2017）。Wu et al.（2017）基于有效溫度同時研究發現對于冷日數偏多的東亞地區，過去幾十年冷日數顯著減少，熱日數顯著增加。

考慮到降雨、霧霾會伴隨相對濕度的強烈變化（張小曳等，2013;尹志聰等，2019），大氣溫度對人類機體對流散熱的影響（喬平等，2018），已有的研究結果表明人體舒適度相對于工業化前時期已產生較明顯的差別（Moore et al.，2019），未來幾十年受氣候條件和人口暴露度影響熱舒適條件可能也會發生改變（Roshan et al.，2010;Gao et al.，2018;于恩濤和孫建奇，2019;周波濤等，2020）。但氣候變化背景下，人體舒適度的研究多針對舒適度方法的開發與改進、城市建設對舒適度的影響與舒適度對旅游衛生部門的支持上（Dunjic＇，2019;Song et al.，2019;Di et al.，2021），尚未發現文獻定量分析引起冷熱舒適度變化的主要外強迫信號。因此，本研究將探討北半球陸地地區冷、熱人體舒適度在1961—2014年間的時空變化特征;歷史時期不同緯度區域的人體舒適度變化分別進行定量檢測歸因，探討影響人體舒適變化的主要因素;此外，還將進一步定量預估北半球人體舒適度在不同共享社會經濟途徑情景下的變化情況，以期對惡劣氣候的提前防備以及打造更利于人類生活的舒適環境提供理論參考。

1 數據與方法

1.1 數據

本文選取NCEP／NCAR再分析資料集逐日平均10 m高度風場、2 m高度氣溫以及近地面相對濕度數據（Kalnay et al.，1996），水平分辨率為2.5°×2.5°，研究時段為1961—2014年。為進行人體舒適度檢測歸因與未來預估，本文還使用CMIP6（https：／／esgf-node.llnl.gov／projects／cmip6／）6個全球氣候模式（表1）不同試驗數據。歷史試驗類包括：1）歷史全強迫模擬（historical），即涵蓋研究時段內所有外部強迫的歷史變化;2）歷史自然強迫模擬（hist-nat），例如火山爆發、太陽活動的強迫;3）歷史溫室氣體濃度的外強迫模擬（hist-GHG），例如考慮CO2，CH4以及N2O等溫室氣體的強迫;4）歷史氣溶膠濃度模擬（hist-aer）;5）工業化前非強迫控制模擬的參照試驗piControl（CTL）。未來預估試驗為四種共享社會經濟途徑情景（ssp126、ssp245、ssp370、ssp585）下的未來預估試驗。歷史試驗類數據涵蓋時間段為1961—2014年，未來預估試驗涵蓋的時間段為2015—2100年。在計算過程中，為了賦予每個模式以相同的權重，本文在計算中均以所選模式的集合平均值，代表模式的模擬結果。

1.2 方法

1.2.1 Humidex

選取Humidex定量表征熱不舒適天數。Humidex通過溫度和濕度量化人體的熱舒適程度，能夠反映過熱過濕情況下人體的不適感，被認為是最穩健和最有效的舒適指數之一（Sirangelo et al.，2020）。Humidex計算公式如下（Mekis et al.，2015）：

H=T+59×6.11×e5 417.753×1273.16-1273.16+Tdew-10。（1）

其中：5 417.753是根據水分子量、蒸發潛熱、氣體常數所確定的常量;273.16為開爾文冰熔點;變量T為地面2 m處溫度（℃），Tdew為近地面露點溫度（℃）。本研究中將該指數H≥40的天數認定為熱不舒適天，此時人類會感到極不舒適，應當完全杜絕不必要的戶外活動（Mekis et al.，2015）。由于無法從再分析數據中直接得到露點溫度Tdew，本文采用迭代法計算露點溫度，即在水汽含量不變的前提下，通過不斷降溫使得氣團達到飽和，則此時得到的溫度即為露點溫度Tdew。

1.2.2 WCI

選取了WCI定量表征冷不舒適天數。WCI表征了由于低溫空氣流過而導致體溫下降，人體表面通過傳導、蒸發、對流和輻射而失去熱量，人類對低溫和風的一種感受程度，其多應用于研究低溫和高風速對人體舒適度的影響，受各國學者廣泛使用和推薦（Osczevski and Bluestein，2005;Lin et al.，2019;Kargapolova，2020）。WCI有兩種不同的計算公式（Mekis et al.，2015）。對于低風速情況（V10 m<5 km·h-1），計算公式為：

WCI=T+-1.59+0.134 5T5V10 m。 （2）

對于高風速（V10 m<5 km·h-1），計算公式為：

WCI=13.12+0.621 5T-11.37×V0.1610 m+0.396 5TV0.1610 m。? （3）

其中：V10 m為距離地面10 m高度處的風速（km·h-1），T為距離地面2 m高度處溫度（℃）。本文研究中將WCI≤-30作為冷不舒適的閾值（Mekis et al.，2015）。

1.2.3 最優指紋法

本研究基于再分析資料和CMIP6多模式模擬資料對1961—2014年歷史時期熱不舒適天數和冷不舒適天數變化情況分別使用最優指紋法進行檢測歸因。該方法的計算模型為下式（4）和（5）所示的回歸方程（Ribes et al.，2013）：

y=∑ni=1βixi+ε。（4）

i=xi+εxi。（5）

式（4）中：y表示觀測值，本文中為再分析資料計算所得的不舒適天數;xi是通過再分析所得的不舒適天數對所研究的不同外部強迫（歷史全強迫ALL、歷史溫室氣體強迫GHG、歷史氣溶膠強迫AER、NAT、歷史人為強迫ANT）的氣候響應（Zhang et al.，2013）;βi是通過調整指紋值產生的使模擬結果與再分析結果之間達到最佳匹配效果的標度因子。n為所考慮的外強迫因子的數量，本研究定量分析個體外強迫單獨貢獻和綜合（NAT+GHG+AER）外強迫效應;ε是由工業化前非強迫控制模擬試驗CTL估計出的高斯分布隨機殘差項所表示的內部氣候變異因子，包含3 078年樣本數據，其中一部分數據（29個不重疊的54 a樣本）用于計算尺度因子βi的5％～95％（即90％）不確定性區間，另一部分（28個不重疊的54 a樣本）用于數據預白化。最優指紋因子βi的5％～95％不確定性區間可以直觀的體現人體舒適度變化的檢測歸因結果。判斷最優指紋因子βi的不確定性區間與關鍵量0和1的關系，便可得到模式模擬的不同外強迫氣候響應和再分析變化的方向和強度的一致性，進而分析內部變率和外部強迫的影響程度（Allen and Stott，2003）。當尺度因子βi大于0則表示兩信號的方向一致，即該外強迫信號對研究對象的影響可以被探測到;當尺度因子βi包含1則表示兩信號變化具有一致的方向和強度;當尺度因子βi大于0且包含1則表示該強迫因子通過一致性檢驗，若其在多信號檢測與歸因過程中同時被探測到，則表示所研究區域的不舒適天數變化可歸因為此因子的影響，該外強迫可被分離占據主導地位（Allen and Stott，2003）。式（5）中：假設xi是未知量，εxi是根據具有與內部可變性相關的隨機項的集合平均值。此外，本文還進行了殘差一致性檢驗（Allen and Stott，2003），以確定殘差項的可靠性。同時，本文將1961—2014年期間不同外強迫下不舒適天數的多模式集合平均趨勢值與54（共有54 a樣本）之積乘以尺度因子（5％～95％的邊界），并將再分析結果中不舒適天數的趨勢值（90％不確定性范圍）乘以54 a周期，用以定量研究人體不舒適天數的可歸因變化。

2 北半球人體舒適度歷史時空變化特征

圖1為北半球1961—2014年期間全年熱不舒適天數和冷不舒適天數氣候態分布和線性變化傾向。歷史時期北半球熱不舒適天數氣候態呈現低緯度偏多，高緯度偏少的空間分布型（圖1a）。中低緯度地區熱不舒適天數顯著增加，如低緯度撒哈拉沙漠地區年熱不舒適天數增加量可達1.2～2.4 d，非洲北部、阿拉伯半島、印度半島、中南半島和亞洲西部部分地區年熱不舒適天數有0.6～1.2 d的顯著增加趨勢，高緯度地區熱不舒適天數無明顯變化趨勢（圖1c）。相反，冷不舒適天數氣候態則呈現中高緯度地區偏多，低緯度地區偏少的空間分布型（圖1b）。北半球中高緯度地區冷不舒適天數顯著減少，亞洲北部、歐洲北部、北美、格陵蘭島及青藏高原地區年冷不舒適天數減少0.6～1.2 d，亞洲中部冷不舒適天數則有弱的增加趨勢（圖1d）。可見，北半球熱／冷不舒適天數氣候態分布和線性趨勢變化具有明顯的地域性差異。

基于上述結果，本文將分別針對高緯度地區（60°～90°N）、中緯度地區（30°～60°N）、低緯度地區（0°～30°N）3個不同緯度區域的人體舒適度變化進行分析（圖2）。高、中、低緯度平均熱不舒適天數均呈現出顯著增加趨勢。其中，中緯度地區（圖2c）和低緯度地區（圖2e）熱不舒適天數有明顯的年際變化和年代際增加趨勢，其增長趨勢分別為0.770 d／（10 a）和3.458 d／（10 a），高緯度地區（圖2a）熱不舒適天數增長趨勢較小，為0.017 d／（10 a）。中高緯度冷不舒適天數則總體呈現出與之相反的年代際減少趨勢，下降趨勢分別為2.830 d／（10 a）（圖2b）和0.812 d／（10 a）（圖2d），低緯度（圖2f）地區冷不舒適天數極少，無顯著增減趨勢。

3 冷暖不舒適天數變化檢測與歸因

3.1 模式模擬能力評估

為了對歷史時期北半球高、中、低緯度地區熱不舒適天數和冷不舒適天數變化進行最優指紋法分析，本文首先對CMIP6模式的歷史氣候態及線性變化趨勢再現能力進行評估，確定不同模式歷史模擬結果的可靠性。

不同模式及多模式集合平均與再分析結果的氣候態差值場顯示，IPSL-CM6A-LR（圖3f）模式對低緯度地區熱不舒適天數氣候態略有低估，其他模式（圖3b—g）則對低緯地區熱不舒適天數氣候態有所高估。對于冷不舒適天數，模式在青藏高原和格陵蘭島地區的再現能力存在一定的不足，如CanESM5（圖4b）和IPSL-CM6A-LR（圖4f）模式均高估了兩地的冷不舒適天數。總體來看，CMIP6模式基本能再現歷史不舒適天數的氣候態分布，模式之間存在一定差異，多模式集合平均（圖3a、4a）模擬能力明顯強于6種模式分別的模擬結果，其能在一定程度上減小模式之間的不確定性。

模式是否能再現研究對象的多年變化趨勢是評估模式模擬能力的重要指標（Notz，2014）。進一步通過分析6種不同模式對北半球熱不舒適天數（圖5）和冷不舒適天數（圖6）線性趨勢的模擬結果，發現模式能在一定程度上再現北半球中低緯度地區（中高緯度地區）熱不舒適天（冷不舒適天）多發區發生頻次不斷增多（減少）的特征。模式對北半球冷不舒適天數減少趨勢有所高估（圖1d、6）。從空間相關系數結果來看，其中CanESM5（圖5b、6b）、IPSL-CM6A-LR（圖5f、6f）、MIROC6（圖5g、6g）多模式集合平均（圖5a、6a）對熱不舒適天數趨勢變化的模擬結果與再分析結果最為接近。值得注意的是，對于高緯度地區模式結果表明熱不舒適天數顯著增加，再分析結果則未呈現出這一特征，GFDL-ESM4模式（圖6d）模擬結果在北歐表現出與再分析結果相反的變化趨勢。

各模式對于舒適度的模擬總體與再分析結果基本一致，但受不同模式自身缺陷和模式成員所使用的初始場和邊界條件的影響（鄭益群等，2002;葛全勝等，2010），模式結果存在一定的偏差。模式集合平均結果則能很好地再現冷熱不舒適天數氣候態分布特征與多年線性傾向結果，具有較高的可靠性，因此，下文針對多模式集合平均結果進行深入分析。

3.2 北半球人體舒適度檢測歸因

通過不同歷史外強迫試驗對人體舒適度變化進行檢測歸因，探究影響不同緯度地區冷熱不舒適天數變化的主導因素和影響信號。圖7為不同外強迫影響下年平均不舒適天數的異常時間序列。結果表明全強迫和溫室氣體強迫呈現出一致的變化情況，即20世紀90年代以前，北半球中低緯度地區熱不舒適天數較歷史平均偏少，中高緯地區冷不舒適天數偏多，90年代以后對應地區熱不舒適天數不斷增加，冷不舒適天數則減少。氣溶膠強迫僅對熱帶熱不舒適天數的影響與高緯度冷不舒適天數的影響呈現出相反的變化趨勢，但其影響程度極弱，自然強迫則無明顯影響。高緯度熱不適天數年代際變化不顯著，不同外強迫也無顯著影響（圖7a），但低緯度受全強迫和溫室氣體強迫影響，冷不適天數存在微弱的下降趨勢（圖7f）。結果表明溫室氣體強迫可能影響不舒適天數的變化，但氣溶膠強迫和自然因素影響不顯著。

圖8最優指紋法定量檢測歸因結果表明，單信號ALL、GHG、ANT對北半球高緯度熱不舒適天數的變化具有正效應（圖8a），同時GHG的正效應也能在三信號AER、GHG和NAT協同作用中檢測到（圖8d），說明人為溫室氣體強迫是影響高緯熱不舒適天數變化的重要因素。中緯度地區，單信號ALL、GHG、NAT和ANT在歷史熱不舒適天數變化中均能夠被探測到（圖8b）;三信號共同強迫下，GHG信號被檢測到且能從不同外強迫信號中分離出來（圖8e），表明溫室氣體強迫在中緯度人體舒適度變化起主導作用。在低緯度地區（圖8c），單信號ALL、GHG和ANT信號對低緯度熱不舒適天數的影響能夠被探測到，且三種信號尺度因子的最佳估計值均接近單位1，表明這些強迫的影響與實際的熱不舒適天數變化具有較高的一致性，能夠顯著影響熱舒適度變化;AER對其產生負效應，不利于熱帶熱不適天數的發生，這進一步驗證了上文分析中AER強迫下低緯度熱不適天數呈弱下降趨勢的結論;三信號組合強迫中溫室氣體的正效應和氣溶膠的負效應都能被探測到（圖8f），因此，對于北半球低緯度熱不舒適的顯著增加可以歸因為人為因素的影響，其中人為溫室氣體排放能夠起到主導作用，氣溶膠強迫則能抑制熱不舒適天數的發生。

對于冷不舒適天數變化，高緯度地區（圖8g），單信號ALL、GHG和ANT對高緯冷不舒適天數的影響均能被檢測到;GHG能進一步從三信號的綜合影響中分離（圖8j），主導高緯地區冷不舒適天數的變化;此外前文分析發現AER強迫下高緯度冷不舒適天數異常時間序列增加趨勢極弱，最優指紋結果定量得出AER不能被檢測的結論，進一步論證了上文分析的不確定性。中緯度地區，單信號ALL、GHG和ANT對冷不舒適天數的影響都能被檢測到（圖8h），GHG信號同時能在多信號協同影響中檢測到（圖8k），表明溫室氣體對北半球中緯度冷不舒適天數減少具有正的貢獻，這與歷史外強迫異常時間序列分析結論一致。由于低緯度冷不舒適天數發生頻率極低，其年代際變率不顯著，單信號（圖8i）和多信號（圖8l）均不能檢測到任何外強迫作用的影響，因此內部變率可能維持了低緯度冷不舒適天數發生的穩定性。

為了定量分析不同外強迫導致的不舒適天數變化，圖9進一步分析了熱不舒適天數和冷不舒適天數變化的歸因結果。熱不舒適天數在高緯度（圖9a）、中緯度（圖9b）和低緯度（圖9c）地區分別增加了0.09（0.01～0.17） d、4.16（2.59～5.58） d和19.09（12.40～25.08） d，其中高緯度地區和中緯度地區ALL、GHG和NAT信號可以發現與再分析結果類似的變化，同時低緯度地區AER強迫下熱不舒適天數變化了6.40（4.11～8.70） d，而NAT強迫下熱不舒適天數的可歸因變化很小。對于冷不舒適天數高緯度地區（圖9d）和中緯度地區（圖9e）冷不舒適天數減少了-15.28（-20.42～-9.57） d和-4.38（-6.84～-1.76） d，ALL、GHG和ANT變化與再分析結果一致，表明三者降低了中高緯度冷不舒適天數。低緯度地區冷不舒適天數變化不明顯，且各類外強迫的可歸因變化很小。

4 北半球人體舒適度未來預估

人體舒適度檢測歸因結果表明，歷史時期北半球不同緯度區域受到人為強迫和自然強迫不同程度的影響。進一步預估未來不同共享社會經濟途徑情景下北半球高、中、低緯度地區年平均人體舒適度的變化情況。如圖10a所示，未來預估結果顯示高緯度地區自2060年以后熱不舒適天數在4種共享社會經濟途徑情景中表現出明顯的差異，可持續發展與低輻射強迫情景ssp126下，熱不舒適天數幾乎不變;中度發展與中等輻射強迫情景ssp245下，熱不舒適天數略有增加;局部發展與中等輻射強迫情景ssp370下，熱不舒適天數增幅顯著，增量可達1 d／（10 a）;高速發展與高輻射強迫情景ssp585下，熱不舒適天數增幅較ssp370情景增加一倍，且不同模式結果差異較大，結果存在較大的不確定性。中緯度地區（圖10c），熱不舒適天數在ssp126情景下長期穩定在20～25 d，到2060年后甚至有弱的減少趨勢;ssp245情景下，熱不舒適天數逐年增加，到2080年以后維持在30 d左右;ssp370與ssp585情景下，熱不舒適天數增幅分別為0.3 d／a和0.5 d／a左右，表明人體舒適度顯著降低。低緯度地區（圖10e）與中緯度地區較為一致，ssp126與ssp245情景下，熱不舒適天數在2080年以前有弱的增加趨勢，2080年以后則維持穩定，ssp370與ssp585情景下，兩者熱不舒適天數均顯著增加，到2100年北半球低緯度地區年平均熱不舒適天數占全年總天數的70％～75％。對于冷不舒適天數，模式結果表明未來高緯度地區人類將經歷更少的冷不舒適天數（圖10b），其中ssp126與ssp245情景下，冷不舒適天數持續減少，到2080年以后分別維持在110～120 d和90～100 d，ssp370情景下年平均冷不舒適天數在未來將減少60 d左右，ssp585情景下則減少80 d左右。中緯度地區冷不舒適天數變化與高緯度地區基本一致（圖10d），即ssp126與ssp245情景下冷不舒適天數先減少后趨于穩定，ssp370和ssp585情景下冷不舒適天數逐年下降，其中ssp585情景下下降趨勢明顯強于ssp370情景。對于熱帶地區（圖10f），ssp126、ssp245與ssp370情景下冷不舒適天數常年維持在1 d左右，ssp585情景下人體冷不舒適天數持續減少，至世紀末將趨于消失。

5 結論和討論

本文重點研究了北半球高緯度地區，中緯度地區和低緯度地區全年熱不舒適天數和冷不舒適天數歷史時空變化特征并對其進行檢測歸因，并進一步預估了不同情景下未來冷熱不舒適天數的變化情況。主要結論如下：

1）1961—2014年北半球中低緯度地區熱不舒適發生天數偏多，中高緯度地區冷不舒適發生天數偏多，北半球中低緯度地區熱不舒適天數與中高緯度地區冷不舒適天數具有明顯的年代際變化特征，其中中低緯度地區熱不舒適天數顯著增加，中高緯度地區冷不舒適天數顯著減少。

2）CMIP6的6個氣候模式的多模式集合平均結果能很好重現北半球熱、冷不舒適天數的氣候態分布及線性變化趨勢。基于此的檢測歸因結果表明，ALL，ANT和GHG信號能在北半球高緯度較弱的熱不舒適天數增加趨勢和較強的冷不舒適天數減少趨勢中檢測到，其中GHG主導高緯度地區冷不舒適天數的變化;ALL、GHG和ANT三種外強迫對中緯度冷熱不舒適天數的影響均能被檢測到，其中GHG主導中緯度熱不舒適天數顯著的年代際增加趨勢;低緯度地區，強烈的熱不舒適天數增加現象可歸因為人為溫室氣體強迫作用，此外氣溶膠能夠產生相反的作用減少熱不舒適的發生，但冷不舒適的產生則可能受氣候系統內部的調控作用。

3）未來ssp585與ssp370情景下北半球人類將經歷更多的熱不舒適天數，到2100年北半球熱帶年平均熱不舒適天數占全年總天數的70％～75％，同時中高緯度人類經受的冷不舒適感將大幅減少。此外，在ssp245和ssp126情景下，北半球冷熱不舒適天數將在21世紀中后期維持在穩定的水平。在全球變暖背景下，溫室氣體排放與人體舒適度密切相關，未來堅持可持續發展不斷減少溫室氣體排放對生存環境的影響是構建人類舒適環境，提高居民幸福感的重要保障。

以上結論主要基于NCEP／NCAR再分析資料和CMIP6模式模擬資料，由于所需氣象變量的限制，本文僅使用了6種模式模擬資料，所用模式數量較少，若能增加所使用的模式數量，結果可能會更為準確，該工作有待今后進一步分析驗證。

致謝：感謝NCEP／NCAR提供的近地面氣溫、相對濕度和風速再分析資料，CMIP6提供的多種模式資料。

參考文獻（References）

Allen M R，Stott P A，2003.Estimating signal amplitudes in optimal fingerprinting，part I：theory［J］.Climate Dyn，21（5／6）：477-491.doi：10.1007／s00382-003-0313-9.

Bergmann K C，2016.Weather conditions and climate change have an effect on allergies［J］.Allergo J Int，25（5）：131-137.doi：10.1007／s40629-016-0119-z.

Blazejczyk K，Epstein Y，Jendritzky G，et al.，2012.Comparison of UTCI to selected thermal indices［J］.Int J Biometeorol，56（3）：515-535.doi：10.1007／s00484-011-0453-2.

Di Napoli C，Barnard C，Prudhomme C，et al.，2021.ERA5-HEAT：a global gridded historical dataset of human thermal comfort indices from climate reanalysis［J］.Geosci Data J，8（1）：2-10.doi：10.1002／gdj3.102.

段培永，郭東東，李慧，等，2011.一種基于數據的夏季居住環境熱舒適度控制方法［J］.山東建筑大學學報，26（1）：1-7. Duan P Y，Guo D D，Li H，et al.，2011.A novel data-based thermal comfort control method for living environments in summer［J］.J Shandong Jianzhu Univ，26（1）：1-7.（in Chinese）.

Dunjic＇ J，2019.Outdoor thermal comfort research in urban areas of Central and Southeast Europe：a review［J］.Geogr Pannonica，23（4）：359-373.doi：10.5937／gp23-24458.

Fiala D，Havenith G，Brde P，et al.，2012.UTCI-Fiala multi-node model of human heat transfer and temperature regulation［J］.Int J Biometeorol，56（3）：429-441.doi：10.1007／s00484-011-0424-7.

Fransson N，Vstfjll D，Skoog J，2007.In search of the comfortable indoor environment：a comparison of the utility of objective and subjective indicators of indoor comfort［J］.Build Environ，42（5）：1886-1890.doi：10.1016／j.buildenv.2006.02.021.

Gao X J，Wu J，Shi Y，et al.，2018.Future changes in thermal comfort conditions over China based on multi-RegCM4 simulations［J］.Atmos Ocean Sci Lett，11（4）：291-299.doi：10.1080／16742834.2018.1471578.

葛全勝，王紹武，方修琦，2010.氣候變化研究中若干不確定性的認識問題［J］.地理研究，29（2）：191-203. Ge Q S，Wang S W，Fang X Q，2010.An uncertainty analysis of understanding on climate change［J］.Geogr Res，29（2）：191-203.doi：10.1038／ngeo208.（in Chinese）.

Hppe P，1999.The physiological equivalent temperature-a universal index for the biometeorological assessment of the thermal environment［J］.Int J Biometeorol，43（2）：71-75.doi：10.1007／s004840050118.

胡曉倩，張蓮，蔣東榮，2014.遺傳神經網絡在室內環境熱舒適度融合評價中的應用研究［J］.重慶理工大學學報（社會科學）（9）：102-107. Hu X Q，Zhang L，Jiang D R，2014.Research on genetic neural network fusion for evaluation of indoor thermal comfort degree［J］.J Chongqing Univ Technol Soc Sci（9）：102-107.（in Chinese）.

Kalnay E，Kanamitsu M，Kistler R，et al.，1996.The NCEP／NCAR 40-year reanalysis project［J］.Bull Amer Meteor Soc，77（3）：437-471.doi：10.1175／1520-0477（1996）077<0437：tnyrp>2.0.co;2.

Kargapolova N，2021.Numerical stochastic model of non-stationary time series of the wind chill index［J］.Methodol Comput Appl Probab，23（1）：257-271.doi：10.1007／s11009-020-09778-x.

樂滿，王式功，張志薇，等，2019.1961—2014年中國大陸舒適度時空變化［J］.蘭州大學學報，55（4），455-462. Le M，Wang S G，Zhang Z W，et al.，2019.Analysis of spatio-temporal changes in human comfort levels from 1961—2014 in China Mainland［J］.J Lanzhou U，55（4）：455-462.（in Chinese）.

Lin L J，Luo M，Chan T O，et al.，2019.Effects of urbanization on winter wind chill conditions over China［J］.Sci Total Environ，688：389-397.doi：10.1016／j.scitotenv.2019.06.145.

劉梅，于波，姚克敏，2002.人體舒適度研究現狀及其開發應用前景［J］.氣象科技，30（1）：11-14，18. Liu M，Yu B，Yao K M，2002.Research status and development application prospects of human comfort［J］.Meteorol Sci Technol，30（1）：11-14，18.（in Chinese）.

Liu W W，Zhang Y X，Deng Q H，2016.The effects of urban microclimate on outdoor thermal sensation and neutral temperature in hot-summer and cold-winter climate［J］.Energy Build，128：190-197.doi：10.1016／j.enbuild.2016.06.086.

Mekis ，Vincent L A，Shephard M W，et al.，2015.Observed trends in severe weather conditions based on humidex，wind chill，and heavy rainfall events in Canada for 1953—2012［J］.Atmosphere-Ocean，53（4）：383-397.doi：10.1080／07055900.2015.1086970.

Moore F C，Obradovich N，Lehner F，et al.，2019.Rapidly declining remarkability of temperature anomalies may obscure public perception of climate change［J］.Proc Natl Acad Sci U S A，116（11）：4905-4910.doi：10.1073／pnas.1816541116.

Notz D，2014.Sea-ice extent and its trend provide limited metrics of model performance［J］.Cryosphere，8（1）：229-243.doi：10.5194／tc-8-229-2014.

Osczevski R，Bluestein M，2005.The new wind chill equivalent temperature chart［J］.Bull Amer Meteor Soc，86（10）：1453-1458.doi：10.1175／bams-86-10-1453.

喬平，張珺，謝祥永，等，2018.氣象因子變化對人體舒適度影響相關性分析［J］.信息系統工程（8）：149-150. Qiao P，Zhang J，Xie X Y，et al.，2018.Correlation analysis of influence of meteorological factor changes on human comfort［J］.Inf Syst Eng（8）：149-150.（in Chinese）.

Ribes A，Planton S，Terray L，2013.Application of regularised optimal fingerprinting to attribution.Part I：method，properties and idealised analysis［J］.Climate Dyn，41（11／12）：2817-2836.doi：10.1007／s00382-013-1735-7.

Roshan G R，Ranjbar F，Orosa J A，2010.Simulation of global warming effect on outdoor thermal comfort conditions［J］.Int J Environ Sci Technol，7（3）：571-580.doi：10.1007／BF03326166.

Sirangelo B，Caloiero T，Coscarelli R，et al.，2020.Combining stochastic models of air temperature and vapour pressure for the analysis of the bioclimatic comfort through the Humidex［J］.Sci Rep，10：11395.doi：10.1038／s41598-020-68297-4.

Sloan C，Moore M L，Hartert T，2011.Impact of pollution，climate，and sociodemographic factors on spatiotemporal dynamics of seasonal respiratory viruses［J］.Clin Transl Sci，4（1）：48-54.doi：10.1111／j.1752-8062.2010.00257.x.

Song Y，Mao F B，Liu Q，2019.Human comfort in indoor environment：a review on assessment criteria，data collection and data analysis methods［J］.IEEE Access，7：119774-119786.doi：10.1109／ACCESS.2019.2937320.

Tsutsumi H，Tanabe S I，Harigaya J，et al.，2007.Effect of humidity on human comfort and productivity after step changes from warm and humid environment［J］.Build Environ，42（12）：4034-4042.doi：10.1016／j.buildenv.2006.06.037.

Wu F F，Yang X H，Shen Z Y，2019.Regional and seasonal variations of outdoor thermal comfort in China from 1966 to 2016［J］.Sci Total Environ，665：1003-1016.doi：10.1016／j.scitotenv.2019.02.190.

Wu J，Gao X J，Giorgi F，et al.，2017.Changes of effective temperature and cold／hot days in late decades over China based on a high resolution gridded observation dataset［J］.Int J Climatol，37：788-800.doi：10.1002／joc.5038.

尹志聰，王會軍，段明鏗，2019.近幾年我國霾污染實時季節預測概要［J］.大氣科學學報，42（1）：2-13. Yin Z C，Wang H J，Duan M K，2019.Outline of the real-time seasonal haze pollution prediction in China in recent years［J］.Trans Atmos Sci，42（1）：2-13.（in Chinese）.

于恩濤，孫建奇，2019.基于多區域模式集合的中國西部干旱區極端溫度未來預估［J］.大氣科學學報，42（1）：46-57. Yu E T，Sun J Q，2019.Extreme temperature projection over northwestern China based on multiple regional climate models［J］.Trans Atmos Sci，42（1）：46-57.（in Chinese）.

Zhang N，Cao B，Wang Z，et al.，2017.A comparison of winter indoor thermal environment and thermal comfort between regions in Europe，North America，and Asia［J］.Build Environ，100（117）：208-217.

Zhang X B，Wan H，Zwiers F W，et al.，2013.Attributing intensification of precipitation extremes to human influence［J］.Geophys Res Lett，40（19）：5252-5257.doi：10.1002／grl.51010.

張小曳，孫俊英，王亞強，等，2013.我國霧-霾成因及其治理的思考［J］.科學通報，58（13）：1178-1187. Zhang X Y，Sun J Y，Wang Y Q，et al.，2013.Factors contributing to haze and fog in China［J］.Chin Sci Bull，2013，58（13）：1178-1187.（in Chinese）.

鄭益群，錢永甫，桂祈軍，等，2002.初、邊值條件對區域氣候模擬的影響［J］.大氣科學，26（6）：794-806. Zheng Y Q，Qian Y F，Gui Q J，et al.，2002.Effects of initial／lateral boundary conditions on regional climate simulations［J］.Chin J Atmos Sci，26（6）：794-806.（in Chinese）.

鄭有飛，余永江，談建國，等，2007.氣象參數對人體舒適度的影響研究［J］.氣象科技，35（6）：827-831. Zheng Y F，Yu Y J，Tan J G，et al.，2007.Influence of meteorological parameters on human comfort index［J］.Meteorol Sci Technol，35（6）：827-831.（in Chinese）.

周波濤，徐影，韓振宇，等，2020.“一帶一路”區域未來氣候變化預估［J］.大氣科學學報，43（1）：255-264. Zhou B T，Xu Y，Han Z Y，et al.，2020.CMIP5 projected changes in mean and extreme climate in the Belt and Road region［J］.Trans Atmos Sci，43（1）：255-264.（in Chinese）.

·ARTICLE·

Attribution analysis of human discomfort days in the Northern Hemisphere and their prediction in the future

LI Wanling1，HAO Xin1，2，3

1School of Atmospheric Sciences，Nanjing University of Information Science and Technology，Nanjing 210044，China;

2Collaborative Innovation Center on Forecast and Evaluation of Meteorological Disasters／Key Laboratory of Meteorological Disaster，Ministry of Education，Nanjing University of Information Science and Technology，Nanjing 210044，China;

3Nansen-Zhu International Research Center，Institute of Atmospheric Physics，Chinese Academy of Sciences，Beijing 100029，China

Abstract This study analyzes the spatiotemporal variation of heat discomfort days characterized by Humidex and cold discomfort days represented by Wind Chill Index in different latitudes （high latitudes，middle latitudes，and low latitudes） of the northern hemisphere during 1961—2014，using NCEP／NCAR reanalysis data and simulations from six CMIP6 models.The investigation focuses on the attribution of these discomfort days.The results show a significant increase in the frequency of heat discomfort in the middle and low latitudes，and a significant decrease in the frequency of cold discomfort in the middle and high latitudes of the northern hemisphere.Furthermore，using the optimal fingerprint method，we find that the increased frequency of heat discomfort in middle latitude and the decreased frequency of cold discomfort in high latitude can be attributed to ALL，ANT，and GHG forcings，with GHG forcing dominating changes in the frequency of heat discomfort in mid-latitude areas and the frequency of cold discomfort in high-latitude areas.In the low latitudes，the significant increase in the frequency of heat discomfort can be attributed to anthropogenic greenhouse gas forcing，while AER has the opposite effect.The frequency of cold discomfort may be attributed to the internal variability of the climate system.In the future，the frequency of heat （cold） discomfort in the middle and low latitudes （middle and high latitudes） is expected to increase （decrease） under the uncoordinated and rapid development with higher radiative forcing.However，low radiative forcing and sustainable development can ensure a stable level of human comfort.

Keywords thermal comfort;humidex;wind chill index;greenhouse gases;aerosol;anthropogenic forcing

doi：10.13878／j.cnki.dqkxxb.20210519001

（責任編輯：袁東敏）