全球观测到的极端气温和降水极端气候变化Word格式文档下载.docx
《全球观测到的极端气温和降水极端气候变化Word格式文档下载.docx》由会员分享,可在线阅读,更多相关《全球观测到的极端气温和降水极端气候变化Word格式文档下载.docx(21页珍藏版)》请在冰豆网上搜索。
这些指标是来自每天的温度和降水数据。
该指数的发展,包括一个用户友好的软件包,免费提供给国际社会研究,不仅涉及etccdmi成员还有其他许多科学家,包括许多作者。
总之,定义了27指数和两个软件包,一个用R(RClimDex)和其它FORTRAN(fclimdex),开发。
一个网站,http:
//工业/seos.uvic.ca/etccdmi,致力于这方面的努力提供了所有的指标综合描述、质量控制程序和相关文献的参考资料。
它还提供了一个免费下载的软件包以及详细的用户手册。
通过设置每个索引的精确公式,并使用相同的软件包,在不同的国家或地区进行的分析可以无缝地结合在一起。
[4]第二etccdmi努力协调区域研讨会,解决以往全球研究[如数据的可用性和分析差距的目的,弗里奇etal.,2002]。
在世界的许多地方有足够的日常数据在数字形式在国家一级,虽然访问数字日报数据仍然可以在某些地区有问题[页等,2004]。
此外,由于种种原因,一些机构不愿透露数据。
一个解决这个问题的etccdmi提出举行区域气候变化研讨会仿照亚洲太平洋网络(APN)车间[曼顿etal.,2001;
彼得森等,2001;
格利菲斯等人,2005]。
APN的方法是汇集来自不同国家的科学家在亚太地区。
这些与会者把他们自己的日常数据的车间。
在国际专家的指导下,在研讨会期间,他们使用标准程序和软件进行数据质量控制和计算指标。
APN的方法使得数据交换指标。
虽然一些与会者选择不分享他们的原始日常数据,他们提出的衍生指数系列可用于区域和全球分析。
两区域气候变化研讨会于2001在牙买加举行,包括加勒比地区[彼得森etal.,2002]在摩洛哥,覆盖非洲[伊斯特林etal.,2003;
mokssit,2003]。
认识到这些研讨会的成功之处和存在的问题,etccdmi举行的五额外的研讨会在2004和2005年初的南非(M.新等人。
证据的趋势在日常的极端气候在南方
和西部非洲,向地球物理学研究杂志,2005)、巴西[Haylocketal.,2006;
Vincentetal,2005],土耳其[北京etal.,2006;
Zhangetal.,2005a],瓜地马拉的[立etal.,2005]和印度[彼得森,2005;
克莱因坦克等,2006]提供额外的覆盖范围为非洲,南美洲,中东,中美洲和南亚中部。
2。
数据
2.1。
日常数据
[6]有三个国际日报数据集免费提供给研究界。
他们是
(1)表面的GCOS网络(GSN)数据集[彼得森etal.,1997],
(2)欧洲气候评估(ECA)数据集[kleintanketal.,2002],(3)每日全球历史气候网(GHCN日报)数据集[格里森等人。
2002]。
非洲经委会的数据被用来覆盖欧洲在这
分析,而GHCN日常数据用于美国和巴西。
GSN数据被用来补充这些数据的来源,主要是在非洲。
从车间的索引数据被用来覆盖各自的地区,数据以前没有可用。
车间的数据细节在相关车间报告或论文描述。
从APN车间数据也包括在内。
[7]数据还提供了作者的机构在世界的一些地方,这些地区的数据从上述来源不可用或质量较差。
虽然高品质的日报站数据集的发展水平不同,从一个国家到另一个,我们包括最好的可用数据集。
加拿大提供精心同质化的每日温度高达2003的210站[文森特等人,2002]和高品质
降水数据集[Mekis和霍格,1999]。
澳大利亚的温度记录已调整的不均匀性,在每天的时间表以分布的不连续性[特里温不同部位的大小帐户,
2001]。
站,可能会受到城市化的影响被排除在外,虽然最近的研究[例如,彼得森,2003;
帕克,2004;
彼得森和欧文,2005]表明,城市化的影响不大,对大规模的温度趋势的影响。
澳大利亚的降水数据也来自一个高品质的降水数据集[Haylock和尼科尔斯,2000]。
美国的温度数据进行日常统计均匀性试验GHCN站在最高和最低温度选择没有检测到任何的不均匀性,[门内和威廉姆斯,2005]。
这位前USSR降水资料进行均匀调节[Groisman和Rankova,2001]。
对于一些国家过国家的数据集是不容易的,例如,阿根廷[rusticucci和barrucand,2004],中国[翟etal.,2005],印度,伊朗[拉希姆扎德和Asgari,2003]和墨西哥,作者
选择站的基础上,他们的知识,最好的站在自己的国家和/或最近的分析。
其余的数据主要来自ghcndaily数据集,例如,巴西提供的,和哈德利中心的档案。
在所有情况下,至少一个论文作者有原站记录以便参考总是可以使在分析过程中出现质量问题的原始数据。
数据质量和同质性
[8]在大多数情况下,作者提供的数据是质量控制和指数计算使用标准的软件,然后整理本研究。
质量控制水平不同国家(见上文)
但在所有情况下,试图使用最好的数据源。
数据由车间使用的是RClimDex的质量控制程序。
这个质量控制程序的主要目的是确定
在数据处理的错误,如手动键控错误。
负日降水量被删除,每天最高和最低温度被设置为一个缺失值,如果每日最高温度小于每天最低温度。
日最大值异常值
最低温度也被确定。
这些值是由用户定义的范围之外的。
在这项研究中,范围被定义为躺在四个标准差(STD)的气候均值的一天的值,即[平均值=4性病]。
每日温度值在此范围内手动检查和编辑的情况下,由车间参与者谁是他们自己的日常数据知识。
[9]统计检验一般不适用于在车间分析的降水数据,但任何明显的异常值,仔细检查图形识别,手动检查。
仔细车间后分析和数据处理以外的车间进行了类似的测试离群值,但方法从源到源的变化。
统计检验,局部知识
调查站的历史或与相邻站的比较都可以应用,以确定是否外围沉淀值是错误的。
这是识别多日的沉淀积累,会出现错误的逐日降水[Viney和贝茨记录尤为重要,2004]。
这些发生时累计雨量值报告为每日总数。
例如,从中提取数据进行每日GHCN巴西拒绝如果
一个失踪的观察[Haylock等人在雨量值大于1毫米,2006]了。
即使在数据进行了处理和整理这项研究,每年的时间序列的总降水量和昼夜温度范围为每个站进行了评估,以确定离群值,可能已经错过了在最初的质量控制程序。
[10]数据质量是一个相对容易的问题来解决与数据不均匀性相关的问题相比。
在站的位置的变化引起的错误的异常和人工步骤的变化,观察程序和实践的变化,仪器仪表等[2003]阿吉等人,进行趋势分析,不可靠,不一定有处理数据的不均匀性[彼得森等人一致的做法,1998]。
为此,RClimDex可以用一个软件包,称为rhtest确定阶跃变化串联
车站温度时间序列。
rhtest是基于对整个系列[王线性趋势两相回归模型,2003]。
除了最初的几个车间的数据,在一个稍微不同的基于类似的技术方案,rhtest已用于从最常用的研究站的温度数据的不均匀性试验。
其他异常包括最齐站使用的wijngaard等人定义。
[2003]ECA的气温和降水资料和齐站经门内和威廉姆斯[2005]美国的使用。
[11]如果站数据被认为是不均匀的,那么他们被排除在分析之外。
不均匀的数据没有调整的两个主要原因(虽然注意到一些数据源已经调整,
例如,Groisman和rankova[2001]和Vincent等人[2002]对包含在这项研究之前)。
首先,一直只有有限的成功日期调整每天的温度[例如,文森特等人,2002]。
第二,作为许多站我们
已经有许多不同的气候条件下,调整温度将是一个非常复杂的任务,很难做好[阿吉等人,2003]。
这是可能的,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。
这突出了访问站元数据的重要性,我们通常缺乏。
2.3。
指数
[27项指标的etccdmi推荐十六14]与温度相关,十一是降水的关系。
他们来自每天最高和最低温度和日降水量。
一个完整的描述
该指标可以从http:
//cccma.seos.uvic.ca/etccdmi/list_27_indices.html列表。
什么之中的一个
指数有一个用户依赖的阈值,我们选择不进行分析,在本研究中。
指数选择主要用于评估全球气候变化的许多方面,包括强度的变化,频率图1。
本研究所提供的(a)温度及(b)雨量站的位置。
颜色代表不同的数据源,在主文本中描述。
通过作者从日常的数据集GHCN是美国和巴西的部分数据。
括号中的数字表示的温度和降水事件的持续时间stations.and总数。
他们代表的事件发生了几次,每赛季或每年给他们更强大的统计特性比极端的措施,这是远远不够的尾巴的分布,以便在一些年内不被观察到。
指数可分为5个不同的类别:
[15]1。
基于分位数的指标包括冷夜发生(TN10p),温暖的夜晚发生(暖),冷天发生(TX10p),温暖的日子发生(TX90p),非常湿天(r95p)和极端湿天
(r99p)。
基于分位数的指数样本温度最冷和温暖的十分位数为最高和最低温度,使我们能够评估在何种程度上的极端变化。
降水指数
这类代表降雨落第九十五以上的金额(r95p)和第九十九(r99p)百分位数和包括,但不限于,一年中最极端降水事件。
[16]2。
绝对指数代表一个季节或一年内的最大值或最小值。
他们包括最高日最高温度(TXX),每日最高最低温度(TNX),最低日最高气温(TXN),最低日最低温度(TNN),最大一日降水量(rx1day)和5日最大降水量(rx5day)。
[17]3。
阈值指标定义为数天,温度和降水值瀑布上方或下方的固定阈值,包括霜冻日数年发生(FD),冰天年发生(ID),夏日的年发生率(SU),热带夜年发生(TR),强降水天数>10毫米(R10)和很重的降水日数>20毫米(R20)。
这些指标不一定
对所有气候都有意义,因为定义中使用的固定阈值可能不适用于地球上的任何地方。
然而,以往的研究[例如,弗里奇等人2002年;
kiktevetal.,2003]表明,诸如FD的温度指标,日最低温度低于0C具有一致的趋势,在中纬度地区的第二十下半年
世纪。
此外,在这些指标的变化会对社会或生态系统的特定领域产生深远的影响。
因此我们在我们的研究包括指标,即使他们中的一些人可能并不提供真正的全球'
'
spatial覆盖或是真正的极端。
[18]4。
时间指标定义过度的温暖,寒冷的时期,在生长季长度情况下湿润或干燥或时间的温和。
他们包括寒流持续时间指标(CSDI),温暖的法术的持续时间指标
(WSDI),生长季节的长度(GSL),连续干旱天数(CDD)和连续阴雨天(CWD)。
这些指标在靠近弗里奇等人的全局分析。
[2002]。
热浪持续指数(HWDI)由弗里奇等人定义。
[2002]已发现有统计学强大的因为它有一个倾向,有太多的零价值[kiktevetal.,2003]。
这是因为弗里奇等人。
[2002]使用固定阈值的5C以上气候学计算指数。
这个阈值太高,在许多地区,如热带地区,每天的温度变化低。
为了克服这个问题,这etccdmi取代该指标与温暖的法术持续时间指标(WSDI)是采用基于分位数阈值计算。
该指数采样日间极大值我们也选择对夜间极小的法术(CSDI)。
CDD指数是一年中最长的干旱期长而粗
索引被定义为一年内最长的湿咒语。
这类指标还包括生长季节的长度(GSL)这一指标在北半球中高纬的唯一有意义的就是一般。
三.方法论
【22】我们对指数的时间变化进行了两种不同的分析。
一个检查站和网格点数据的趋势,和其他比较经验概率分布函数(PDF)的各个时期在第二十世纪。
首先,我们描述了网格数据的网格化方法。
3.1。
网格索引
[23]本研究所提供的台站不均匀分布于全球陆地区域。
这种不均匀的分布使得它难以准确地计算全球平均。
一个简单的平均数据从所有可用的站将导致一个表示偏向高密度的地区。
弗里奇等人。
[2002]解决这个问题,通过细化站网络,使大约有一站每250000平方公里。
虽然这种方法产生一个更均匀的分布式网络,它是在丢弃其他有用的信息的成本。
最大化站的数量有助于减少随机不均匀性的影响。
事实上,没有一处是在这世界上我们有太多的气候数据,此外,车站被保留的选择是主观的,尤其是在网络比较密集的地区。
为了比较观察指标与全球气候模型模拟,kiktev等人。
【2003】网格的一些弗里奇等人。
[2002]指标数据到一个常规的经纬度网格,采用改进的谢巴德角距离加权版本(ADW)算法[1968]谢巴德。
这是因为新算法等。
[2000]发现它是最合适的方法
网格不规则间隔的数据相比,其他几种方法。
一种改进的新方法。
[2000]和kiktev等人。
[2003]也已用于网格每日最高和最低温度[凯撒等人,2006]。
我们采用这种方法的网格索引到一个正常的纬度经度网格加权每个站根据其距离和角度从搜索半径的中心。
网格化方法论的详细描述
在附录A中给出
3.2。
趋势分析与领域意义
【24】一些指数数据不具有高斯分布,在这种情况下,一个简单的线性最小二乘估计是不恰当的。
因此,我们使用了一个非参数肯德尔的tau基斜率估计,
1968]计算趋势,因为这种方法不承担的残差分布和强大的离群值的影响,在系列。
然而,正相关(通常是在气候数据的时间序列)
将这个测试不可靠[例如,vonStorch,1995;
张,最终,2004],所以我们也考虑在残差序列相关的测试时,趋势的统计意义。
采用迭代过程,
最初由张等人提出。
[2000]和[2001]王斯威尔后细化,计算趋势的大小和测试他们的统计学意义。
这种方法是由王和斯威尔[2001],附录A。
应用该方法在计算趋势
网格点时间序列的意义。
为了提供一个整体的画面,全球时间序列也计算平均可用网格在每个赛季或每年。
在本文中,一个趋势被认为是有统计学意义的,如果它
在5%级显著。
[25]评估我们的结果的整体(现场)意义也是很重要的。
利夫齐和陈[1983]表明,在一个有限数量的依存时间序列要远大于趋势集体意义
名义水平,即在我们的情况下,5%级。
我们实施kiktev等类似的技术。
[2003]确定我们的结果是否具有现场显著性。
这是用一个移动领域创造1000个引导
BlockBootstrap重采样技术[1997]威尔克斯,用一个固定的块大小的2个指标(见kiktev等人。
[附录]2003,详细描述了bootstrappingmethod)。
零假设是,从实际站数据估计的趋势模式是由于气候噪声。
因此我们估计之间的差异1000个引导领域和实际趋势来源
从站的数据来定义一套合适的趋势,可能会出现自然气候变异单独。
我们使用这些残差估计的95%置信区间,每个网格点有一零个趋势。
对于每个字段,表示由网格点的总面积显着的趋势计算。
然后,我们计算这些地区的第九十五个百分点,如果该地区的实际趋势超过这一点,那么我们的趋势可以说是现场显着,因为这种方法是计算昂贵的,领域的意义
仅计算年度指数。
4。
结果
【27】在本节中,我们首先给出了温度指数的趋势分析,然后是降水指数。
4.1。
温度指数,1951-2003
[28]当平均超过全球,几乎所有的温度指标显示在the1951–2003期显著变化。
温度指数的趋势,如下所示,反映了最高和最低温度的增加。
也有一个更大的百分比的土地面积显着变化的最低温度极端极端最高温度极端。
趋势的幅度也普遍较大的最低温度有关的极端。
这一发现与以前的研究,使用每月的全球数据,例如,琼斯等人。
[1999]和使用每日数据的区域研究,例如,严等。
4.1.1。
绝对和百分位温度
【29】图2显示了在百分位为基础的温度指数在1951和2003之间极端的年代际趋势。
虽然这percentilebased温度指数的定义计算的百分比,单位转换成易于理解的日子。
从表1,我们看到,74%(73%)的土地面积抽样显示显着减少(增加)
每年发生的寒冷夜晚(温暖的夜晚)。
表1还表明,这些变化是为所有的温度指标除年最大日最高气温显著(TXX)。
每年最大的变化
与最低温度上升相对应的极端值超过欧亚大陆(图2a和2b)。
克莱因坦克等[2006]和颜等人。
[2002]表明,这种变暖已经发生自20世纪初。
在温暖的夜晚(这一指数的频率增加了一倍以上)超过北非和南部的南部(图2b)每年都会有大幅度的增长。
(图2b)。
4.1.2。
所有其他温度指数
【32】每年发生的寒流显著减少(图3a),而每年暖化的发生显著增加(图3b)。
这两个结果都具有显著性(见表1)。
然而,趋势
在温暖的法术是更大的幅度是大幅上升,该指数自上世纪90年代初以来有关。
在寒冷期显著下降主要发生在俄罗斯中部和北部,对中国和北部
然而,加拿大很大一部分美国显示了这一指数的显著增加。
在美国中部和东部,加拿大和部分地区的欧洲和俄罗斯的温暖法术的显着增加。
在温暖的法术这增加是在以往的研究中如弗里奇等人强调。
[2002]和克莱因坦克等。
[2002]虽然这些指标的定义各不相同的研究。
图3C显示,西部部分地区的年霜日数有显著下降
欧洲、俄罗斯和中国的很大一部分。
比较这些结果与kiktev等人的结果。
[2003]虽然一些地区的意义有所不同。
霜冻日最大负趋势出现在
西藏高原(图3C)。
霜日的年平均减少了约16天平均(图3C)在全球各地的地方,这个指数可以定义。
每年发生的冰日是
也显着减少对俄罗斯中部和中国东部和西部(未显示)。
[33]和弗里奇等人的比较。
[2002],我们创造的极端温度范围指数(ETR)从年度最高日最高气温和日最低温度之间的差异最小
(图3)。
尽管研究证实在ETR呈显著下降的趋势,我们的改进全球覆盖建议减少出口退税可能大于由弗里奇等人建议。
[2002]在大多数热带地区,南美洲或非洲没有数据。
然而,我们的研究可能会受到抽样的不确定性主要在20世纪50年代。
4.1.3。
季节性的结果
【35】四季变暖。
图4和图5显示了季节变化的趋势和时间序列的全球异常的季节性发生的寒冷和温暖的夜晚,在所有季节和这两个指标,我们再次看到
在上世纪70年代中期气候的强烈变化。
表2显示,季节性更多地表现在最低气温的显著变化最大的温度比气温指数用最少的变化通常
子期发生。
这仍然是有效的,即使我们分析每个半球分别。
[36]增加冷夜的季节性发生,一般都是无意义的。
同样,减少在温暖的夜晚的季节发生通常是无意义的。
大多数在任何季节显著变暖
发生在亚洲。
季节性结果表明,几乎所有的温度变化表明变暖是显着的1951和2003之间(未显示)。
每年以来1985以上的长期平均发生的
在DJF和MAM的温暖的夜晚(图5A和5B)。
同样,每年自1988以来一直低于这些季节的寒冷的夜晚发生的长期平均(图4a和4b)。
4.2。
降水指数,1951-2003
【37】我们发现降水指数普遍增加。
当与温度的变化相比,我们看到一个较小的空间相干模式的变化和较低水平的统计意义。
其他研究表明,极端降水增加。
最值得注意的是,Groisman等人。
[2005]发现在非常强烈降水的广泛增长(定义为上图)4。
如图2,但对于冷夜的季节发生(TN10p)在天
(一)十二月二月三月–,(b)–可能,(c)六月–月,和(d)九月十一月–。
日降水事件0.3%)在中纬度地区。
然而,他们的指数更是“极限比任何的指标,我们研究并因此直接比较是不可能的两者之间的研究。
4.2.1。
年度业绩
[38]因为小相关量表的网格降水指数与温度指标相比具有更小的空间范围。
在网格上计算的趋势没有什么意义(表1)。
然而,
当平均在全球范围内,我们看到一个显着增加的降水指数除了连续干旱天数(CDD)和连续阴雨天(CWD),反射噪声的滤波,使得它更容易检测到一个明显的趋势。
请注意,在这些指数的趋势是占主导地位的多雨地区。
kiktev等人。
[2003]和弗里奇等人。
[2002]也发现R10明显增加但这些研究没有发现显著增加
4.2.1。
4.2.2。
[42]的降水指数只有两已计算季节性:
最大一日降水总量(rx1day)和5日最大降水总量(rx5day)。
对rx5day空间覆盖率比rx1day因为它有一个更大的相关长度尺度(见附录一)。
图7显示rx5day季节性趋势。
几乎在所有的季节,有一个增加在该指数虽然在六月–月不明显(图7C)。
有显着的变化,极少数地区除了十二月–一月在美国南部和俄罗斯北部和加拿大的显著增加(图7A),3月–北印度和南巴西可能(图7B)和美国东南部和其他一些小的地