自1950年以来全球极端日气温的变化外文翻译资料

 2022-11-13 03:11

英语原文共 11 页，剩余内容已隐藏，支付完成后下载完整资料

自1950年以来全球极端日气温的变化

S. J. Brown,[1] J. Caesar,1 and C. A. T. Ferro[2]

摘要：从一个新的准全局数据集观测的日常温度异常的极值分析表明自1950年以来大多数地区极端日最高和最低温度（日最高温度大于98.5%的百分位阈值的日数或日最低温度小于1.5%的百分位阈值的日数）都在上升。我们通过具有时变参数的极值分布的拟合确定异常的极端日常温度的改变。和一个耦合气候模式产生的非受迫性的自然变化相比，大于高阈值的温度异常超标值的分布变化在大多数地区的10%水平上一个定常分布上有统计学意义。自1950年以来，极值分布位置参数的最大升温趋势出现在加拿大和欧亚大陆，那里的日最高温度通常上升1-3℃。表现出升温趋势的总面积显著大于由于非强迫自然变异性的，对于大多数区域，升温幅度较大，并且覆盖了每日最低温度比最高温度更大的区域。而相对较小的冷却区域符合非强迫自然气候变化。北大西洋涛动（NAO）对很多地区冬季极端日温有显著影响。负NAO作为一个标准差，使欧亚大陆的冬季极端日温降低2℃，使美国东北部的温度升高。

1.介绍

历史上恶劣天气对生态系统、经济和社会的影响一直存在，最近的一个例子是发生在2003年的欧洲夏季热浪。这次热浪造成的与高温有关的死者达22000至35000名，同时造成近140亿美元的农业损失[Schauml;r 和Jendritzky, 2004]。越来越多来自气候模型的证据表明，至少某些类型的极端事件将在未来变得更加频繁和严重。[Cubas等，2001；Kharin和Zwies，2000；Kharin和Zwies，2005；Meel等，2005；Tebaldi等，2006]。这种预测引起了关于极端事件的性质是否已经改变以及是否由于人为活动引起的问题。

由于适合于研究极端事件的日常观测数据的有限可用性和同质性问题，文献中报道的用于研究极端变化的日常观测数据变化比研究平均温度等气候系统的其他方面的数据更少。Frich等[2002]使用各种极端温度和降水指数，发现在大多数陆地地区日最低温度高于90%的天数都有所增加，而且霜冻天数和植物生长季节长度也有相应的减少与增加。暴雨事件出现的更加频繁，潮湿的空气带来显著的更高的降雨量。Kiktev等[2003]一般用更稳健的统计方法证实这些结果，但没有发现全年5天内最大降雨量的增加趋势是显著的。Alexander等[2006]使用具有更大覆盖范围的更新指数数据集，发现在超过70%的采样区域中，降水在寒夜的年发生率显著减少，而在暖夜的年发生率显著增加。尽管存在相当大的空间变异性和混合显著性，大多数降水指数都表明空气越来越湿润。Caesar等[2006]使用秩统计量估计自1946年以来日最高和最低气温(分别为Tmax和Tmin)第5至95个百分点的变化，发现北半球冬季和春季出现了最大的气温上升幅度。克里斯蒂蒂Christidis等[2005]发现温室气体和气溶胶的人为排放对全球年最大和最小Tmin和年最小Tmax模式具有显著影响。这些研究一般使用简单经验技术(例如，来自秩统计的百分数或给定期间(通常是1年)内的最大值/最小值)或被允许使用的数据(例如来自Frich等[2002]和Alexander等[2006]的指数）来研究。如果感兴趣是具有多年重复周期的极端事件的区域，那么其他方法可能有用的。本文将平稳和非平稳的极值分布拟合到日最高和最低温度的观测值上，以确定自1950年以来这种极端日温度是否发生了变化。

2.观测数据和模型数据

气候研究人员New等[2000年]多年来已经获得了接近全球覆盖范围的长期网格化月温度数据集，但是关于日时间尺度的数据仅限于用于气候研究的足够长的数据集的区域[例如，Janowiak等，1999]。这里我们使用新的网格日温度数据集，它不但具有Caesar等[2006]的日最高和最低温度的准全局覆盖，并且从1950年1月扩展至2004年12月。我们利用New[2000]等的角距离加权算法，将一个本来是由2500个台站组成的3.75经度网络划分成2.5纬度网格。为了避免偏差，特别是在高海拔变化的地区，异常值被网格化，对于温度极小值和最大值，我们在每天的温度和正常值之间计算异常值作为差异。通过1961年至1990年期间记录的日平均温度计算感兴趣的两个日历日内正常值的积日变化，因此，异常是除去平均年循环的结果。这要求各台站在参考期内至少有20年的数据可用，而且在366个日历日中至少有350个日正常值，否则它们将被排除在进一步考虑之外。从图2中可以看出，北美、欧亚大陆、南非和澳大利亚的覆盖面很好，但非洲、中东、印度和南美洲的部分覆盖面较差。由于对南极洲和格陵兰岛的观察也很少，因此他们在这项研究中被省略了。站点覆盖的时变性质有可能像大多数网格化观测数据那样，将非气候信号引入该数据集。然而，只限制为跨越整个记录的台站将把空间覆盖范围减少到几个小区域。在解释结果时，我们需要记住观察数据中的这些潜在限制。

另一种网格化的变换方法是确定各个站极端温度的统计量，然后将这些统计量网格化。这样可以在空间中给定点更好的表示极端情况，如此可以避免在不同地点的不同严重程度的个别事件之间进行插值。然而，我们希望从用于帮助气候模型验证、检测和归因研究的数据集中分析出极端情况。气候模型只产生在整个网格盒上平均的温度，因此网格观测的构造要被设计成最匹配模型的。如何确定气候模型网格箱尺度上的未来预测与点位置相关是一个重要问题，但不在本文的研究范围。

我们分析了日最大和最小温度（分别为xTmax、nTmax、xTmin和nTmin）的极大值和极小值。而本文的重点是研究一年中任何一天可能发生的极端温度异常（ANN），即汇集全年所有天的数据来提供极端温度异常变化的一般描述。在存在强烈的季节变化和可能较高的原始温度矩的区域，ANN结果可能由单个季节的极端情况支配。为了评估这一点，本文还分析了季节数据，其结果如图S1-S8.1所示。北大西洋振荡(NAO)对北半球的冬季温度有重要影响[Hurrell和van Loon，1997]，而它对极端温度的影响会下面中被单独研究。

理想情况下，会有足够长的观测记录，以确定任何观测到的趋势是否超出了自然变异的预期。这在这里是不可能的，因此来自HadCM3大气-海洋大气环流模型[Gordon等，2000]的数据被用于确定非强迫内部自然气候变异的水平（即来自气候系统的混沌性质而不是来自自然气候，像火山这样的气候强迫物）。从控制气候模拟（CNTRL）中获取1500年的每日温度，在模型达到接近平衡后保持其中的处于工业化前的水平不变。

3.极值方法论

尽管通常限于广义极值(GEV)分布，极端值分布的使用在气候研究[例如，Zwiers and Kharin，1998；Kharin and Zwiers，2000；Wettstein and Mearns，2002；Zhang et al.，2004；Kharin and Zwiers，2005]中日益普遍。NS应用于一个周期内的最极端值，一般是年最大值或最小值。虽然这应用起来更简单，但是使用年度极端值会导致大量数据减少，并且可能不能完全捕捉所有极端事件。例如，一个记录中的两个最大事件可能发生在同一年。极值分析可以适用于包括顶部R值，这在一定程度上减轻了这些问题的难度[张等，2004 ]。下面采用一种阈值替代方法。此外，很少有人研究了观测极值特征的趋势，NoGaJ等的研究〔2006〕是一个罕见的例子。随着气候变化在这个世纪中加速发展[Cubasch等，2001]，如果要正确描述极端温度的演变，气候稳定的假设将难以成立。Kharin和Zwiers[2005]证明了在未来的排放遵循IPCC SRES A2情景[Nakienovic和Swart，2001]下可能出现的极端温度和降水的非平稳性质。然而，未来极端预测中的不确定性似乎由气候建模中的不确定性支配[Kharin等，2007]。本文研究是否有任何证据表明从年周期观察到的温度异常下降到高于或低于低阈值的量是不稳定的。

图一 由拟合标记点过程极值分布得出的回报水平曲线，对于包含伦敦的网格盒，该曲线位于每日Tmax数据的顶部1.5％。圆代表经验回报水平，重实线代表拟合的回报值，而轻线代表相应的5-95%的不确定性范围。非实线表示返回水平曲线，其中根据图例调整分布参数。

为了在分析中包括更多的极值数据，而不仅仅是用年度最大值或最小值，我们使用峰值超过阈值模型来描述高于高阈值的所有超出值。假定超量是根据泊松过程发生的，并且这些过剩是通过超过阈值以上的假设遵循广义帕累托分布[Katz等，2002 ]。在x大于u的条件下，在任何级别x之上的期望超额数每年被写入：

其中、、和分别被称为位置、尺度和形状参数[Coles，2001；Katz等，2005 ]。

这种标记点过程（MPP）模型的公式保证了尺度参数对阈值u是不变的，并且这些参数与GEV分布中年最大值的参数是等价的。MPP参数由最大似然估计[Coles，2001]，优先于其他估计过程，以便能够在参数中包括用于建模趋势的协变量，以及施加约束以确保在估计模型下所有观察到的超出是可行的。从这种模型中确定给定概率的估计超出值是有用的，通常称为平均每百万年经历一次的回报水平(zm)[Coles，2001]：

图1给出了这样的MPP模型的返回水平曲线的示例，该模型适用于（如后所述）包含伦敦的gridbox的xTmax数据。经验回报水平和实际数据的概率被包括为点。为了说明不同分布参数的作用，叠加单方面改变位置、比例和形状参数时获得的曲线。位置参数类似于正态分布的平均值，所以m的增加均匀分布将移动到更高的值，同时均匀地增加所有极值。而和则确定极端的程度随稀有性而变化的速率。

上面描述的MPP模型假定固定极值，通过允许参数在整个数据记录中线性地依赖时间来模拟非平稳性，Kharin和ZWier[2005 ]和Celes[2001]等，给出了：

其中协变量T是观测期间的日期范围从0到1。更复杂的时间相关性没有被研究，因为线性形式可以认为是对任何非平稳性的一个适当的一阶近似，并且避免发现非线性，而非线性仅仅是自然内部气候变异的产物。此外，观测周期相对较短，因此如果引入更复杂的时间相关性，则存在过于拟合的危险。将这种方法应用于未来的气候预测如全球平均温度可能需要更复杂的协变量，因为未来的温度变化不可能是线性的[Cubasch等，2001]。在稍后的描述中我们将NAO作为协变量。

阈值u也由随时间线性变化的阈值代替，以确保在整个记录中获得超标值。对于每个网格点，通过拟合在网格点处记录的所有温度异常的线性回归，然后均匀地移动所拟合的回归曲线，直到超过数据的预定比例为止，这样可以分别获得与时间有关的阈值。下面给出的结果对应于前1.5%的数据。对于分布较低的尾部，在该极值选择之前，数据已经被否定。阈值选择的灵敏度是通过用0.75%和3%的阈值重复分析来确定的。

如果超值连续性彼此独立，那么统计分析更简单。这大约是通过只保留每个网格点10维、非重叠窗口内的最大（或最小）温度来实现的。通过使用宽度为5天和30 天的重复分析来确定对该分光窗口的宽度的灵敏度。

采用两种方法评估MPP参数中非平稳性的重要性。第一种是通过在10％水平下进行的似然比检验，确定对一个模型获得的数据的拟合是否显著优于用更简单模型获得的拟合。例如，如果模型之间的偏差超过1 自由度的开方分布的上10%分位数，具有与时间相关的位置参数的模型被认为比具有定常位置参数的相同模型明显更好地描述数据[Celes，2001]。

位置参数是发现显著非平稳性的唯一参数。对于尺度或形状，或这三个参数的组合，没有发现有关时间或NAO依赖性，除了对于场不显著的小区域之外，与静态MPP模型或仅依赖于位置的模型相比有显著的改进。虽然文献[Brabson等，2005年；Kharin和Zwiers，2005年]中讨论了极端分布的更复杂的变化，但是这里使用的方法无法从现有的观测数据中发现任何这种变化。因此，仅进一步考虑我们的MPP模型：平稳模型(STAT)、具有线性趋势(LTREND)的位置参数、具有NAO相关性(L-NAO)的位置参数和具有线性趋势和NAO相关性(L-TREND-NAO)的位置参数。

第二个显著性检验遵循Kaloy和吴某（2005）的方法来确定场的意义。许多网格点可能由于纯粹的非受迫的自然变化而呈现变暖趋势，并且这些网格点具有相当大的空间一致性。我们将试验使用CNTRL的1500年每日数据分成30个50年周期的样本，从中以与观测数据相同的方式计算与时间相关的参数。对于每一个样本，计算具有显著趋势的网格点的百分比，从中估计出该区域的5-95％的置信区间，该区域可能由于HadCM3模拟的非受迫自然变化而呈现显著升温趋势。然而，与Karoly和Wu[2005]不同，CNTRL增加50年样本数量和提高置信区间的精度的重新采样是不可行的，因为这要求的运算能力过高。这样自然变异小样本的结果将意味着表2的显著性检验是不太显著的。然而，除了四个被认为与自然变异性显著不同的区域之外，所有区域都比测试阈值大至少10％（以面积百分比计），这表明结果具有一定程度的可信性。

我们通过Kolmogorov-Smirnov拟合优度测试来确定每个MPP模型表示的阈值过量分布的精度。具体地，假设时刻t的温度超过阈值，并且时刻t的MPP参数是()。如果MPP是

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[18365]，资料为PDF文档或Word文档，PDF文档可免费转换为Word

原文和译文剩余内容已隐藏，您需要先支付 30元 才能查看原文和译文全部内容！立即支付

以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。

您可能感兴趣的文章