西南地区东部大官山山地降水梯度变化特征分析

基于2019年1月~2020年12月西南地区东部大官山降水观测数据,分析了降水随海拔高度的变化特征。结果表明：2019~2020年,大官山降水量总体随海拔升高而增大,多年平均梯度变化率为1.32%/100 m,最大降水高度在海拔1900 m左右。各季降水梯度变化率中,夏、秋季高,冬、春季低,夏季为3.31 mm/100 m,秋季为1.39 mm/100 m,冬季为0.50 mm/100 m,春季为0.67 mm/100 m。各月降水梯度变化率中,7月最高,达5.06 mm/100 m,1月和11月最低,分别为0.23 mm/100 m和0.29 mm/100 m。降水日数和小雨日数随高度的线性变化趋势较明显,平均上升率分别为2.86 d/100 m和2.56 d/100 m。大雨日数在海拔1900 m左右最大,暴雨日数在海拔2500 m左右最大。降水日变化表现出多峰值特征,降水量和降水强度均在06~09时达到最大,降水频率也随海拔高度升高而增大,其中,高海拔降水频率在15时左右达到最大。降水随海拔高度的变化与天气过程密切相关,持续阴雨天气过程降水量的梯度变化较为平缓,暴雨天气过程降水量随海拔的升高而升高,局地阵雨中单次过程降水量与海拔高度相关性不明显。     

商丘市气温日较差变化特征分析

利用商丘市8站1961-2006年逐日最高、最低气温资料,计算并分析了商丘市年、季及月气温日较差的线性变化趋势,结果表明:年最低气温呈明显上升趋势,最高气温上升趋势不显著,气温日较差呈显著减小趋势;春、夏、冬季季平均气温日较差均呈减小趋势,其中春季和冬季的减小趋势显著,秋季呈弱的增加趋势;全年有10个月的气温日较差呈减小趋势,其中1、3、5、8月气温日较差显著减小,1月减小幅度最大.城市化发展对气温日较差变化有一定影响,距城区较近的台站平均气温日较差显著减小,而距城区较远的台站气温日较差减小趋势不显著.     

近40年重庆夏季气温变化的特征分析

利用1971—2010年的NCEP资料和重庆市5个站点气温观测资料,采用气候倾向估计、线性拟合、MK检验等方法,对重庆夏季气温变化的区域特征进行分析。结果表明:重庆市的夏季平均气温在15℃至27℃的幅度内变化,重庆西部和四川盆地东部的区域平均气温最高,四川盆地沿长江一带的平均气温较低;重庆近40a夏季平均气温变化总体呈升温趋势,其中酉阳、奉节和万州的升温趋势较明显,气候倾向率分别达到0.072℃/10a、0.288℃/10a和0.154℃/10a,沙坪坝和梁平平均气温的变化趋势较平缓,气候倾向率分别为0.009℃/10a和-0.002℃/10a;平均最高气温、平均最低气温和平均气温日较差整体呈现升高的变化趋势;MK检验表明重庆市的气温变化整体比较平稳,没有特别明显的突变年份。     

1981—2015年招远市气温变化特征分析

文章利用招远国家气象观测站1981—2015年气温观测资料,运用趋势滑动平均和线性倾向估计方法对招远气象站气温变化特征进行了分析。结果表明:1981—2015年招远气象站年平均气温以0.22℃/10a的速率呈明显上升趋势,且具有明显的阶段性变化特征。季节平均气温均以不同速率上升,冬季气温上升趋势最为显著。年平均最高气温、最低气温均呈上升趋势,年平均最低气温上升趋势最显著。受热岛效应的影响,年平均最低气温的上升速率远大于年平均最高气温。除夏季平均最高气温呈缓慢下降趋势,其他季节均呈上升趋势,且冬季平均最低气温上升趋势最为明显。平均最低气温的快速上升使得气温日较差呈减小趋势。     

阿勒泰地区近47年最高最低气温变化特征分析

利用阿勒泰地区7个气象站1962-2008年月均最高和最低气温、月均总云量和低云量实测资料,采用自然正交函数展开、趋势分析等方法,分析了该地区四季月均最高、最低气温的变化趋势及相应距平场的时空演变特征。研究表明：该地区除春季最高气温升温不明显外,春季最低气温及其余季节的最高、最低气温均呈显著的升温趋势,且最高、最低气温都在冬季上升幅度最大。四季最高、最低气温时空分布上自西向东大致呈高-低-高的分布,增温明显的中心区域集中在西部的吉木乃和东部的富蕴,变率较小的区域为阿勒泰。阿勒泰地区气温日较差近47年呈显著减小趋势,日较差的减小与最高、最低气温的升温幅度不一致有关,也与云量呈现显著的负相关。     

菏泽市最高和最低气温变化特征分析

利用菏泽1998—2017年20a逐日平均气温和最高、最低气温数据,统计分析平均气温和平均最高、最低气温的月、旬变化特征,以每2℃为一个区间,按月统计分析逐日最高、最低气温以及当日与翌日最高、最低气温的变幅在各区间的样本及出现频率。结果表明:夏、冬季日最高、最低气温及气温日较差分布区间跨度小,气温变化较稳定;春、秋季日最高、最低气温及气温日较差分布区间跨度大,气温变化不稳定。各月最高、最低气温及气温日较差出现频率在均值附近最大,随后向两侧递减;近年冬季有缩短的倾向,严寒天气减少,夏季酷暑天气增多;春季到夏季、秋季到冬季各有两次气温快速升降期。     

深圳流感发病的气象诱因及预测建模研究

深圳市在人口结构和经济社会发展方面很特殊,而对于其热带向副热带过渡的气候特征对流感发病的影响仍缺乏深入研究。本研究收集长序列（2003—2019年）的深圳市流感样病例（Influenza Like Illness,ILI）监测数据,采用分布滞后非线性模型（DLNM）系统分析了ILI与多种气象因子的关联,并分别使用Prophet时间序列和多元逐步回归模型对流感风险进行预报。近17年来深圳ILI发病在2003—2009年增加、2010—2014年平稳、2015—2019年下降,年周期特征凸显;多数年份发病率呈夏季单峰型,与高温、高湿的气候背景高度相符;个别年份在年末出现次高峰,常与大规模暴发疫情有关。DLNM揭示,高温对ILI风险的即时性影响较强,气温达到29.9℃,相对危险度值（RR）可达1.237（95%置信区间（95%CI）:1.203—1.272）;而低温效应在滞后2—3周起主导作用。70%—75%的湿度范围对应ILI高风险段, 70%相对湿度的RR为1.089（95%CI:1.046—1.135）。偏高的湿度与高温共存可诱使ILI最高风险点出现,即二者有协同增强效应,在其长夏短冬气候下尤其需要注意。ILI危险度在气温日较差为4—6℃或>9℃时均有显著增加,即日内温差对流感的活跃程度亦有显著影响;由于深圳的风速整体较小,其影响整体较弱。Prophet时间序列模型和逐步回归模型的回报准确率相近（>86%）,而同时考虑了气象因子和前期发病人数的回归模型预测准确率更高（>80%）。简言之,深圳市ILI风险与温、湿度的非线性协同影响关系最为密切,其发病率很大程度上是可预测的。      

大方县近49a气温变化特征分析

利用1961—2009年大方县国家气象观测站49 a的逐年平均气温、平均最高与最低气温、极端最高与最低气温资料,应用最小二乘法拟合一元线性回归方程法,分析大方县49 a来气温的变化特征。结果表明,大方县年平均气温以0.1℃/10 a的线性趋势增加,极端最低气温增温幅度明显,其线性倾向率达0.5℃/10 a。     

1961—2013年石家庄市气温变化特征分析

文章利用石家庄市1961—2013年气温资料,采用滑动平均、线性趋势图、M-K突变检验等方法对石家庄近53a的气温变化特征进行了分析。结果表明:近53a平均气温上升趋势明显,20世纪80年代后期升温显著;年平均最高气温增温率仅为0.107℃/10a,增温趋势平缓,而年平均最低气温增温率为0.594℃/10a,呈明显的逐年上升趋势,说明气候变暖趋势显著;高温日数的增加,气候变暖趋势已成为必然。四季平均气温呈线性上升趋势,春季、冬季变化幅度最大且具有继续升温的趋势,是造成气候变暖的主要原因。而夏季、秋季变化幅度较小。     

中国西南地区地面平均相对湿度变化分析

本文利用1966~2013年中国地面气候资料月值数据集中的相对湿度数据,采用线性拟合、Mann-Kendall检验和小波分析等方法对中国西南地区的相对湿度变化特征进行了分析。结果显示西南地区年平均相对湿度值为66.44%,其中1966~2000年其值呈微弱上升态势,2000~2013年下降较快,从68%降至62%。年均相对湿度年际变化的突变检验可知在1990~2000年增长较快,在2007年发生突变;小波分析显示其存在约为3a和7a的短周期,以及约24a的长周期。月平均相对湿度的年内变化呈“单峰单谷”型,谷值57.62%出现在3月,峰值74.82%出现在9月。进入新世纪以来,年均相对湿度快速下降至62%,非常接近61.8%的人体最佳舒适程度,表明该地区居民可获得更好的舒适感,气候宜居条件变好。      

中国东部地区冬夏季相对湿度变化特征

利用中国东部315个台站近50a（1963-2012年）月平均地面相对湿度和降水量资料,对中国东部地区冬夏季相对湿度的变化特征进行了分析和比较,并讨论了相对湿度与降水的空间耦合关系。结果表明：1）冬季相对湿度的低值区集中在黄淮北部、华北和东北南部,高值区出现在35°N以南地区和东北北部,呈现出中部小、南北大的空间分布特征;夏季相对湿度较冬季明显增大,低值区主要集中在内蒙古中东部,表现出从东部沿海向内陆地区递减的特征。2）冬夏季相对湿度的高（低）值区,其相对变率偏小（大）,即湿润（干旱）区的相对湿度较为（不）稳定。3）近50a来,东部大部分地区冬夏季相对湿度普遍表现为下降趋势,其中冬季东北北部及夏季东南部沿海、内蒙古中东部及东北西部相对湿度的下降趋势最为显著。4）东部地区冬夏季相对湿度与同期降水存在很好的同位相对应关系：相对湿度高（低）湿区对应多（少）雨区。其中冬季显著耦合区位于40°N以南地区;夏季相对湿度与降水的关系较冬季复杂,显著耦合区首先位于35°N以北地区,其次位于35°N以南地区,但江淮和华南存在反向的空间变化。     

中国华东地区夏季高温的时空特征和年际变化

利用中国华东地区1961-2004年夏季（7-8月）气温观测资料,分析了该区域夏季气温的总体变化特征,指出华东地区夏季气温具有降低的长期趋势。定义3项判别标准,得出该区域44a来有10个异常高温夏季。旋转经验正交函数（REOF）展开表明,华东地区夏季平均气温场可分为3个区域：北区气温在21世纪初有明显上升,中区和南区气温无显著突变;各区域气温以2a、3～4a的周期振荡为主;20世纪90年代以来,异常高温年出现频繁。     

A New Circulation Index to Describe Variations in Winter Temperature in Southwest China

A new circulation index (I_SW) that can realistically describe winter temperature variations over Southwest China is defined based on analysis of the NCEP/NCAR reanalysis data (version 1) and the observations at 585 stations in China. The study period is from January 1961 to February 2011. The relationship between I_SW and general circulation patterns in East Asia is also analyzed. Results show that I_SW successfully captures the variations in winter temperature over Southwest China. High I_SW values correspond to the intensified Mongolian high, the weakened Aleutian low, increases in the strength of the Middle East westerly jet stream over the south of the Tibetan Plateau (TP), and decreases in the strength of the subtropical westerly jet over the north of the TP. Meanwhile, the East Asian trough deepens and extends southwestward, making it easier for the cold air mass from the north to intrude Southwest China along the trough. These circulation patterns lead to a decrease in winter temperature over Southwest China (and vice versa). In addition to the East Asian winter monsoon, the two westerly jets that dominate the upper level circulation over East Asia also exert important influences on winter temperature in Southwest China, especially the Middle East westerly jet to the south of the TP.     

东亚冬季风的变化与中国气温异常的关系

分析了近40年(1951—1990年)东亚冬季(12、1、2月)季风的变化及其与中国气温的关系。用两个指标定义冬季风：一个为IWS,表示冬季风的强度,另一个为IWE,表示冬季风向南扩展的程度。IWS的的主要周期为11.0年和2.2年,IWE的主要周期为7.3年和3.1年。IWS与全国气温的关系除西南高原地区外,均为明显负相关。IWE和全国气温的关系与IWS有所不同,高相关区沿东部和南部沿海及长江上游,形成Ｕ形分布。50年代IWS为正,IWE为负,所以我国北方偏冷,但Ｕ形带的气温则偏高。80年代相反,IWS     

祁连山东部高温天气气候分析和预报

通过对１９８０～１９９７年祁连山东部武威、民勤日最高气温≥３４℃日数统计得出,高温天气主要集中在７～８月;分析了高温出现的天气形势和气候规律,从而建立相应的高温短期预报工具。     

高温环境下相对湿度测量误差及干湿球系数计算

对干湿球系数A与环境温度t的关系进行了研究。结果指出,A不仅与风速有关,也与环境温度有关,如果不考虑风速和环境温度,使用干湿球测湿法获得的测量结果没有使用价值。t〉40℃以后,随着t的升高,使用A的拟合公式计算得到的相对湿度值其误差愈来愈大,在相对湿度较低时情况更为明显。为此提出了在40℃〈t〈80℃范围内A的计算公式。经验证,使用此计算公式获得A值后再计算出相对湿度,其误差小于1．4％。     

中国地面相对湿度非均一性检验及订正

利用加拿大环境部气候研究中心研发的PMTred和PMFT方法,选取均一的邻近站为参考站,使用相关系数权重平均构建参考序列,结合元数据信息,对1951-2014年中国2400多个国家级地面站月平均相对湿度进行了非均一性检验与订正,并分析了造成相对湿度序列非均一的主要原因。结果表明,中国地面相对湿度资料存在较严重的非均一问题,68%的台站存在断点,人工观测转自动观测、迁站和时次变化是造成序列非均一的主要原因。整套资料负订正量所占比例较高,订正范围主要集中在-5%～0之间,这种负订正量与人工转自动观测后相对湿度观测值偏低有密切关系。这也使得订正后中国平均相对湿度趋势与订正前存在明显差异,订正前中国平均相对湿度呈下降趋势,订正后相对湿度没有趋势性变化。     

Multi-fractal Behaviors of Relative Humidity over China

The multi-fractal behaviors of relative humidity over China are studied using the multi-fractal detrended fluctuation analysis (DFA) method. Three multi-fractal parameters (the spectrum width Δα, the asymmetry Δα as , and the long-range correlation exponent α 0 ) of the singularity spectrum are introduced to quantify the multi-fractal behaviors. The results show that multi-fractality exists in daily humidity records over most stations in China and is mainly due to the broad distribution of the probability density of the sequence values. Strong multifractal behaviors over some stations in the Yunnan, Guangdong, and Inner Mongolia provinces are obvious. These behaviors are mainly caused by different longrange correlations between large and small fluctuations. The asymmetry of the singularity of relative humidity records is weak, except for a small number of stations in the far east and west of China, where the singularity spectrum is left-skewed. Finally, the long-range correlations in North China are stronger than those in South China, which indicates better predictability in North China. By studying the parameters of the multi-fractal spectrum, various data of long-range power law correlations of the relative humidity records are obtained, which may provide theoretical support for climate prediction.