近60年中國群發性極端溫度事件演變特征及數據集的建立

極端天氣氣候事件的發生容易引發氣象災害，給人民生命財產安全及社會可持續性發展帶來嚴重的影響。在全球變暖背景下，極端天氣氣候事件愈加頻繁，特別是21世紀以來，極端天氣氣候事件呈現顯著的群發性、持續性、極端性及復合性等特征（Alexanderetal.，2006;Wigley，2009；任國玉等，2010；Donatetal.，2016；Zhao，2020;Chen etal.，2021;余榮和翟盤茂，2021；Ningetal.，2022；陳海山等，2024）。大量觀測事實表明，基于大氣環流演變規律，受同一天氣系統影響，同類型極端天氣氣候事件往往在時空尺度上表現出群發性，即體現為空間的關聯性及時間的持續性。中國由于特殊的地理分布和氣候特點，極端天氣氣候事件的群發性特征更為顯著，例如我國2008年1月的冰凍雨雪天氣過程，2021年7月的河南暴雨事件，2022、2023年江淮流域夏季高溫熱浪事件等。針對以前基于單站的極端事件研究無法體現天氣系統發生發展和移動特征從而不能很好地解決極端天氣氣候事件群發性問題，人們發展了一些方法并利用這些方法對群發性極端事件進行了客觀識別和定量描述，為理解氣候災害的變化規律及預測評估提供了客觀的參考依據（楊萍等，2010；DingandQian，2011;Qianetal.，2011;龔志強等，2012；Renetal.，2012）。但由于方法的復雜性及局限性限制了它們的推廣應用，況雪源等（2014）、Kuangetal.（2019）在對這些方法進行比較的基礎上，對Renetal.（2012）的區域性極端氣候事件識別方法加以改進，提出了一個簡化的識別群發性極端天氣氣候事件的方法，并將該方法應用于中國日最高溫度超過 群發性高溫事件及北半球冬季群發性極端低溫事件的識別，從識別結果與實發情況對比來看，該方法簡單有效，物理意義明確，識別結果準確。本文基于上述方法，利用中國1961—2020年逐日氣溫資料，考慮極端溫度事件的時空關聯性，對5類群發性極端溫度事件進行識別并建立數據集，分析其時空變化特征，提供進一步研究極端事件變化規律及成因的數據基礎，為短期氣候預測及防災減災工作提供了理論參考。

1 數據及方法

1. 1 研究數據

本文所用資料來自國家氣候中心的中國724個氣象觀測站逐日數據，包括平均氣溫、最高氣溫及最低氣溫3個要素，時段為1961年1月1日—2020年12月31日共計60a，站點分布如圖1所示。

1.2群發性極端事件識別方法

本文所用到的群發性極端事件識別方法原理是基于逐日單站極端事件，結合同一天氣系統影響下極端事件的時空關聯性，將發生同類極端事件的站點進行歸并，提取出能體現天氣系統發生發展及影響的群發性極端事件過程，并建立能表征群發性極端事件過程的發生時段、影響范圍及發生強度等度量指標（況雪源等，2014）。識別過程主要包括以下4個步驟（圖2）：

1）單站極端事件的識別：對單站逐日要素進行檢測，判斷其是否出現單站極端事件。

2）單日群發性極端事件的識別：考慮同一天氣系統的影響，確定掃描范圍 D_c ，然后對單日達到極端事件的站點進行掃描分組（同組間最近兩站點距離不超過 D_c ，而不同組間最近兩站點距離必須大于D_c ），根據組內站點數是否達到群發性極端事件空間站點閾值 ，確定單日發生的群發性極端事件。

3）群發性極端事件持續性的識別與歸并：對于群發性極端事件是否持續，本文通過將當日滿足群發性極端事件標準的組與前一日群發性極端事件（原事件）進行重合站點數的計算后加以判斷，如果重合站點數達到閥值標準 o_c ，則將該組并人原事件，原事件持續；如果重合站點數達不到標準，則該組成為新事件；如果原事件沒有新組并入，則原事件結束。

4）對于識別出的群發性極端事件，本文建立以下指標對事件影響范圍及持續時間等指標進行度量。持續天數（ D_AL ）：事件的開始日到結束日之間的總天數；影響站數（ T_AS ）：事件影響的總站數；累積強度（ ）：過程中各站與極端閾值之差的絕對值總和；平均強度（ Q_?M ）：各站平均強度之和除以影響站數；平均最大強度（ ?X_MM ）：事件過程中各站與極端閾值之差絕對值的最大值平均；極端最大強度（ X_?EM ）：事件過程中所有站點與極端閾值之差絕對值的最大值;平均中心經度（ M_LON ）：受影響站點位置的經度平均值（以影響天數為權重）；平均中心緯度（ M_LAT ）：受影響站點位置的緯度平均值（以影響天數為權重）;綜合強度： M_TEN=0.4×D_AL^?+0.4×T_AS^?+ （上標 * 表示標準化值）。

2 群發性極端溫度事件數據集的建立

2.1群發性極端溫度事件識別結果

中國氣象業務上將日最高氣溫超過 35‰ 的天氣稱為高溫天氣，日最高氣溫超過 38⁹C 的天氣稱為酷熱天氣，此外依據世界氣象組織對極端事件的定義，本文還選取了高于 95% 和低于 5% 的閾值作為極端高溫事件及極端低溫事件的單站標準。這里要說明的是極端閾值是基于不同月份計算的，比如1月的樣本數量為1860（31d乘以60a），選取其 95% 百分位作為極端高溫的閾值來確認1月某天是否發生單站極端事件，其他月份同理。在此基礎上，結合中國對強冷空氣及寒潮的定義，本文還考慮了 ^48h 或 24h 平均氣溫下降超過 10% 的劇烈降溫事件。在此基礎上，遵循圖2群發性極端事件識別流程，通過對群發性高溫天氣事件、群發性酷熱天氣事件、群發性極端高溫事件、群發性極端低溫事件、群發性劇烈降溫事件進行了識別和輸出，本文建立了1961年1月1日—2020年12月31日基于連續日值的5種類型群發性極端溫度事件數據集。考慮影響天氣系統的特點及與觀測結果的對比，本文對不同類型群發性極端溫度事件的掃描半徑 D_c 統一設定為 500km ，但空間群發站點閾值及重合站數閾值的數值稍有不同，單站指標及識別結果詳見表1。

2.2群發性極端溫度事件發生區域分布特征

圖3給出了不同類型群發性極端溫度事件發生頻率區域分布（群發性高溫天氣事件在以前工作中已有介紹，此處未再給出，下同）。可以看到，群發性酷熱天氣事件主要發生在新疆盆地及長江中下游和黃淮地區，兩個區域出現群發性酷熱天氣事件的原因是不同的。前者主要是受地形地勢的影響，新疆盆地海拔低，植被少，夏季天氣晴朗，地表溫度高，風速小，地表感熱輸送強，局地氣溫升高快，易出現酷熱天氣；后者主要是受夏季西太平洋副熱帶高壓控制所致。從群發性極端高溫及低溫事件的分布來看，全國都有出現，其中東部地區更甚，這主要由于單站極端高（低）溫的定義是基于各站百分位閾值而不是固定閾值，而東部地區站點密集度高則是該區域發生頻率高的原因之一。從群發性劇烈降溫事件來看，發生頻率最高的區域為內蒙古中部及東北地區南部，其次為東北北部和華南地區，這種區域分布特征是由冷空氣的路徑與強度所決定的。

2.3綜合強度前10位群發性極端溫度事件

基于夏季酷熱天氣和冬季劇烈降溫事件是人們關注的焦點，表2列出了綜合強度位于前十的夏季群發性酷熱天氣事件和冬季群發性劇烈降溫事件。從夏季群發性酷熱天氣事件可以看出，有7次發生于2000年以后，占了 70% ，其中4次發生于2011—2020年，與全球變暖的趨勢相一致，夏季酷熱天氣的持續時間和影響范圍也明顯增強，其中綜合強度第一的群發性酷熱天氣事件發生于2003年7月13日—8月11日，持續時間長達30d，影響站數達153站，平均強度達 1.1‰ ，最大強度為 5.3‰ ，綜合強度為6.70；處于第三位的群發性酷熱天氣事件發生于2013年8月4—18日，持續時間長達15d，影響站數達160站，平均強度達1.3C ，最大強度為 6.0°C ，綜合強度為4.15。此外，前十位中另外3次發生于1961—1970年，占30% ，而1971—2000年則無一次占據前10位，這表明群發性酷熱事件可能存在顯著的年代際變化特征。

從表2給出的排名前10的冬季群發性劇烈降溫事件中可以看出，2000年以后出現了2次（2008年12月3—6日；2010年1月20—23日）。由于全球變暖背景下社會經濟脆弱性增加，所以劇烈降溫會造成很大的危害，需要引起關注。位于第一的事件發生于1996年2月14—19日，劇烈降溫持續了6d，影響了402站，分布于我國中東部地區。為了更細致地刻畫這次劇烈降溫事件的演變特征，圖4給出了該事件逐日劇烈降溫區域演變情況。可以看到，冷空氣從2月14日開始入侵中國北方地區，新疆北部和內蒙古部分站點出現顯著降溫，隨著冷空氣的東移南下，2月15日東北和華北大部地區出現劇烈降溫，2月16日降溫區域出現在江淮流域，2月17日則南移到長江以南的江南地區，2月18日集中于華南地區，2月19日則是華南沿海區域，至此歷時6d的劇烈降溫過程結束。由此可見，識別出的群發性劇烈降溫事件較好地呈現了冷空氣的影響路徑和強度，其可作為研究冬季冷空氣影響及預報的重要依據。

3群發性極端溫度事件時間變化特征

3.1發生頻數年內分布特征

圖5給出了不同類型群發性極端溫度事件發生頻率的年內分布情況。可以看到，群發性酷熱天氣事件基本發生在夏季，其中以7月最多，約占總數的 43% ，8月和6月次之，分別約占總數的25% ，5月和9月次數雖少（只占約 7% ），但仍有出現。群發性極端高溫事件及極端低溫事件在全年均有發生，這是因為它們是用相對閾值定義而決定的。相對而言，群發性極端高溫事件在春夏季較多，月發生率為 9%～11% ，后冬次之，為 7%～ 9% ，秋季到初冬最少，基本在 7% 以下。群發性極端低溫事件發生率較高的月份為5月和7月，發生率約為 10% ，最少的在2月，只有 6% 左右（這個月天數最少亦是一個重要原因）。而群發性劇烈降溫事件主要發生在除夏季之外的其他3個季節，冷暖交替顯著的深秋初冬及初春季節最為明顯，而溫度變化比較平穩的夏季特別是7月則很少出現如此劇烈的降溫事件。

3.2年際變化特征

圖6給出了不同類型群發性極端溫度事件各種指標的年際變化。可以看到，群發性酷熱天氣事件和極端高溫事件的發生頻數都呈現顯著上升趨勢，這與全球變暖趨勢一致對應，其中酷熱天氣事件的持續時間和影響范圍有顯著的年代際變化特征，在1980年前相對偏高，1980—2000年偏低，2000年以后持續時間顯著加長、影響范圍顯著增大。群發性極端高溫事件的幾個指標皆呈現上升趨勢，其中發生頻數及持續時間上升趨勢更為顯著，分別達到每十年增加2次和0.2d；而群發性極端低溫事件則相反，4個指標皆出現了下降趨勢，發生頻數及持續時間每十年分別下降3.2次和 0.25d 。從群發性劇烈降溫事件的變化來看，除了發生頻數略呈下降趨勢外，其持續時間、影響范圍及強度并沒有明顯的下降趨勢，與前期基本持平，保持穩定。

3.3 年代際差異

圖7給出了不同類型不同等級群發性極端溫度事件發生頻數的年代際差異（20世紀60年代對應時段為1961—1970年，其余類推）。從群發性酷熱天氣事件來看，20世紀60—80年代發生頻數略微下降，之后直至21世紀10年代，群發性酷熱天氣事件發生頻數持續上升，特別是21世紀以來上升幅度更為顯著，并伴隨持續時間加長、影響范圍增大及強度加劇，這與全球變暖的趨勢是相一致的。群發性極端高溫事件發生頻數的年代際變化與酷熱天氣事件類似，經歷了前3個年代下降之后的反轉上升之勢，只是群發性極端高溫事件在21世紀10年代比00年代略有下降。從群發性極端低溫事件的變化來看，20世紀60年代—21世紀10年代發生頻數持續下降，同時強度及影響區域亦相應減小。與前3類事件不同，群發性劇烈降溫事件雖然頻數略有下降，但總體來說，各項指標基本保持平穩；然而，這種變暖情況下的劇烈降溫事件會帶來更大的社會危害，值得進一步關注及研究。

綜上所述，不論是從發生頻數、持續時間、影響站數還是從綜合強度來看，2000年以后的群發性極端高溫及酷熱天氣事件影響日益嚴重。此外，雖然受全球變暖影響，近年來中國群發性極端低溫事件發生頻數和強度有所下降，但劇烈降溫事件卻保持穩定，這種情況值得關注。

結論與討論

本文基于中國區域1961—2020年724站點逐日氣溫觀測資料，利用群發性極端事件識別方法，對近60年來發生的群發性高溫天氣、酷熱天氣、極端高溫、極端低溫及劇烈降溫共5類極端溫度事件進行了識別并建立了數據集，分析了不同類型群發性極端溫度事件的時空變化特征。結果表明：高溫及酷熱天氣事件主要發生在夏季，高發區位于新疆地區和江淮流域，綜合強度前十位的夏季群發性酷熱天氣事件有7次發生于2000年以后，持續時間和影響范圍明顯增強。群發性極端高溫事件和極端低溫事件在全年全區域均有發生，在全球變暖背景下，前者在各項參數上均呈現上升趨勢，而后者相反，呈現下降趨勢。群發性劇烈降溫事件主要發生于除夏季外的其余3個季節，內蒙古及東北南部發生頻率最高，長江以南大部地區次之，雖然群發性降溫事件的發生頻率略有下降，但其持續時間、影響范圍及降溫強度卻保持穩定。因此，不論是從發生頻數、持續時間、影響站數還是從綜合強度來看，21世紀以來的群發性酷熱天氣事件及極端高溫事件是前所未有的顯著，與此同時，群發性劇烈降溫事件亦需引起關注。

在研究過程中，有幾個問題需要說明：

1）在群發性極端事件識別方法中，有3個參數（掃描半徑、空間站點閾值及重合站點閾值）是人為給定的，具有一定的主觀性，不同的參數取值會對結果造成些許差異。本文的幾個值是通過與實際觀測結果對比而確定的，后期工作會進一步研究如何客觀確定參數取值。

2）本文分別對全國2437個站點資料及 0.5^°× 0.5^° 的格點資料（CN05.1）進行過事件識別，但由于前者中國東西部站點的疏密度差異太大，使得統一的群發性空間站點閾值具有不合理性，從而會導致高估東部事件而低估西部事件，而后者均勻格點資料是通過對前者站點值插值得到，會導致站點極端值的部分信息丟失，從而引起識別結果的誤差。因此，使用站點分布相對均勻且保留了原始極端值信息的700多個站點觀測值進行群發性極端溫度事件的識別更為合理。

3）群發性事件識別方法在用于劇烈降溫事件時，如果天氣系統移動較快，出現劇烈降溫站點沒有時間上的前后重疊，那么會出現一次冷空氣影響過程識別出多個事件的情況，這需要進一步改進。

4）本文識別的5類群發性極端溫度事件中，除高溫及酷熱天氣事件主要發生在夏季外，其余幾類事件在全年所有季節均有發生且存在明顯的季節差異，下一步可針對不同的季節進行比較分析。

5）在全球變暖背景下，中國近幾年極端高溫事件頻繁發生，比如前述提到的2022和2023年的夏季高溫，本文只給出了1961—2020年群發性極端溫度事件的變化及數據集，后期我們將根據資料的獲取情況進一步補充更新數據集。此外，我們還可以將方法應用到群發性極端降水事件、群發性復合極端事件、群發性災害天氣氣候事件等其他極端事件的識別中，以提供我國極端氣候變化研究的數據基礎。

參考文獻（References）

ReseachoneatherandimateetreesoveChinabriefintroductionandtpr gress of theNationalKeyRamp;DProgramofChinaforEarthSystemandGlobal Change[J].Trans AtmosSci，47（1）：3-45.（inChinese）.

ChenYiaoeeableitoteee （6）：e2021GL092549.DOI：10.1029/2021g1092549.

DingT，QianWogacalesdpatosofiddtateetsina6d Atmos Sci，28（2） ：322-337.D01：10.1007/s00376-010-9236-7.

DonatMGdeiiod'sst 513.DOI：10.1038/nclimate2941.

龔志強，王曉娟，崔冬林，等，2012.區域性極端低溫事件的識別及其變化特征[J].應用氣象學報，23（2）：195-204．GongZQ，WangXJ，Cui D Letalcestas （in Chinese）.

況雪源，王遵婭，張耀存，等，2014.中國近50年來群發性高溫事件的識別及統計特征[J].地球物理學報，57（6）：1782-1791．KuangXY，Wang ZY，Zhangeilacestnsf Geophys，57（6）：1782-1791.（in Chinese）.

KuangXY，agtlacteioflteeeetsoaud futureprojectioertisieosJorpltol，86./8.

NingGCudiiaitsia. DOI：10.1002/joc.7561.

QianWH，SanXLZuYF，21aingregiodougheventsin969JdtosSi28（2）1-D s00376-009-9239-4.

RenFMCuioaetitfiaefioatets]ate） 10.1175/JCLI-D-11-00489.1.

任國玉，封國林，嚴中偉，2010.中國極端氣候變化觀測研究回顧與展望[J].氣候與環境研究，15（4）：37-353．RenGY，FengGL，Yan ZW， 2010.Progressitiiftetrdsia’sdos）i.

WigleyTML9.eeectofcaginlatehefreqecfbsoluteetreeevetsJage97）：7-7/ s10584-009-9654-7.

楊萍，侯威，封國林，2010.中國極端氣候事件的群發性規律研究[J].氣候與環境研究，15（4）：365-370．YangP，HouW，FengGL，2010.Astudy ofthecharacteristicsof thecluster extreme events inChina[J].Clim EnvironRes，15（4）：365-370.（inChinese）.

余榮，翟盤茂，2021.關于復合型極端事件的新認識和啟示[J].大氣科學學報，4（5）：645-649．YuR，ZhaiPM，2021.Advancesinscientificunderstanding on compound extreme events[J].Trans Atmos Sci，44（5）：645-649.（in Chinese）.

ZhaoWJ2EtreeeathdateevetsinaderaigateJNatlev3894/9

Establishment of dataset for clustered extreme temperature events in China and their variation over the past 6O years

KUANG Xueyuan，ZHANG Yaocun，HUANG Danqing，XUE Daokai，CHENG Kemeng

SchoolofAtmosphericSciences，NanjingUniversity，Nanjing21oo23，China

AbstractIn 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 correlationand temporal persistence.Previous studies based on single-stations analyses have been unable to efectively capture the evolution and movement of weather systems， thus limiting the ability to assssthe 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 adataset of five types ofclustered 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 hotand scorching weather events primarily occur in summer，with highfrequency 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 2O00，showing significantly prolonged durationand expanded afected areas.Clustered severe cooling events predominantlyoccur in seasons other than summer，with high frequency in Nei Monggoland the southern part of Northeast China.While the duration，affected area，and intensity of severe coling 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 2O20，provides acomprehensive foundation for understanding the characteristics and longterm trends of clustered extreme temperature events.Further supplement and update will incorporate the latest observational data torefine and expand the dataset.In adition，methodology employed can beextended to identify other extreme events，such as extreme precipitation events，compound extreme events，and high-impact weather and climate events.The establishmentof this dataset lays a crucial foundation for in-depth studyon the mechanisms，impacts，and predictability of extreme temperature events in a changing climate.

KeywordsChina; clustered extreme temperature events ;evolution characteristics;dataset establishment DOI：10. 13878/j.cnki.dqkxxb.20240607001

（責任編輯：張福穎）