气候变化研究进展, 2025, 21(5): 671-683 doi: 10.12006/j.issn.1673-1719.2025.012

气候变化影响

人类活动对中国东部极端热暴露事件的影响

罗皓月1, 孙颖,2, 张玉霞2

1 重庆市气象服务中心， 401147 重庆

2 气候系统预测与变化应对全国重点实验室/中国气象局气候预测研究重点开放实验室/国家气候中心， 100081 北京

The influence of human activities on extreme heat exposure events in eastern China

LUO Hao-Yue1, SUN Ying,2, ZHANG Yu-Xia2

1 Chongqing Meteorological Service Centre, Chongqing 401147, China

2 State Key Laboratory of Climate System Prediction and Risk Management/China Meteorological Administration Climate Studies Key Laboratory/National Climate Centre, China Meteorological Administration, Beijing 100081, China

通讯作者: 孙颖，女，研究员，sunying@cma.gov.cn

收稿日期: 2025-01-13   修回日期: 2025-04-28  

基金资助: 国家自然科学基金(42025503)
国家自然科学基金(U2342228)
中国气象局重点创新团队“气候变化检测与应对”(CMA2022ZD03)

Received: 2025-01-13   Revised: 2025-04-28  

作者简介 About authors

罗皓月，女，助理工程师

摘要

人口暴露度是衡量地区或国家面对极端天气气候事件风险的重要指标。虽然已有大量关于极端高温事件的归因工作，但关于人类活动对极端热暴露影响的研究仍很匮乏。本文基于国际耦合模式比较计划第6阶段（CMIP6）数据和全球网格化人口数据（GlobPoP)，以破纪录的2022年中国极端热暴露事件为例，将事件归因框架从事件本身拓展到事件影响层面，提出了人类活动影响极端热暴露事件的归因方法。以日最高气温超过35℃和40℃阈值定义的极端高温和人口暴露度（Tx35E和Tx40E）为指标，发现1990—2022年中国极端高温日数和极端热暴露持续增加，东部增长趋势最明显。偏差订正后CMIP6多模式归因分析表明，人类活动增加了类似中国东部2022年极端热暴露事件发生概率，使长江以南和长江以北初夏35℃极端热暴露事件的发生概率分别增加了1.4倍和2.4倍。人类活动还增加了极端热暴露度和暴露比例。盛夏高温日数越多，人类活动对热暴露度值和暴露比例的影响越明显。长江以南和长江以北分别有3.2%（46.5×106人∙d）和1.2%（17.9×106人∙d）的总人口因人类活动而额外暴露于盛夏35℃以上的极端高温中。对于Tx40E，虽然长江以南和长江以北40℃以上的极端高温事件较少，但人类活动仍加剧了热暴露事件的发生概率，并带来了额外的极端热暴露。

关键词： CMIP6; 极端高温; 热暴露; 极端事件归因

Abstract

Heat exposure is a key indicator for assessing the risks of extreme weather and climate events. While substantial research has focused on the attribution of extreme heat events, studies on the attribution of heat exposure remain limited. By using the Coupled Model Intercomparison Project Phase 6 (CMIP6) models and global gridded population (GlobPoP), this paper proposes an attribution method for heat exposure, exemplified by the record-breaking 2022 extreme heat event in China. Using extreme heat and heat exposure to daily maximum temperatures exceeding 35℃ and 40℃ (Tx35E and Tx40E) as indicators, it’s found that both the number of extreme heat days and heat exposure have increased during 1990-2022, with the most pronounced growth in eastern China. Based on bias-corrected model data, human activities increase the probability of early summer Tx35E events in 2022 by 1.4 times in the south of the Yangtze River and 2.4 times in the north of the Yangtze River. Human activities also lead to additional extreme heat exposure and exposure ratio. In summer, with more extreme heat days, the influence of human activities on heat exposure and exposure ratio becomes more evident. Specifically, human activities lead to extra exposure of 46.5 million and 17.9 million person∙d (3.2% and 1.2% of the total population) to temperatures above 35℃ in the south and north of the Yangtze River, respectively. Although extreme heat events above 40℃ are relatively rare, human activities still increase the likelihood of Tx40E events and lead to additional heat exposure.

Keywords： CMIP6; Extreme heat; Heat exposure; Extreme event attribution

PDF (3310KB) 元数据 多维度评价 相关文章 导出 EndNote| Ris| Bibtex  收藏本文

本文引用格式

罗皓月, 孙颖, 张玉霞. 人类活动对中国东部极端热暴露事件的影响[J]. 气候变化研究进展, 2025, 21(5): 671-683 doi:10.12006/j.issn.1673-1719.2025.012

LUO Hao-Yue, SUN Ying, ZHANG Yu-Xia. The influence of human activities on extreme heat exposure events in eastern China[J]. Advances in Climate Change Research, 2025, 21(5): 671-683 doi:10.12006/j.issn.1673-1719.2025.012

引言

人类活动引发的气候变化已深刻影响全球各地的极端天气气候事件（后文简称“极端事件”)。自20世纪50年代以来，全球陆地地区以及中国的极端高温呈现出与变暖一致的显著变化，暖昼（TX90p）和暖夜（TN90p）增多，年最大日最高气温（TXx）和年最大日最低气温（TNx）上升，极端高温事件呈现出更频繁、更强烈的变化特征[1-4]。人类活动被认为是这些变化的主要驱动因素，如果没有人类活动对气候系统的影响，过去10年内观测到的许多极端高温事件几乎不可能发生[5]。

为了理解极端事件的发生原因，一些研究从人为外强迫影响的角度进行了归因分析，其主要目的是回答人类活动是否改变了特定事件的发生概率或强度[6-9]。Stott等[10]在2003年欧洲热浪的归因研究中首次评估了人类活动对单个或者某一类极端事件的影响。他们使用HadCM3耦合模式计算了可归因风险（FAR）[11]，指出人类活动使2003年欧洲破纪录热浪事件的发生风险至少增加了一倍[10]。这项开创性研究不仅为极端事件归因分析提供了重要方法，也成为了该领域研究的重要里程碑。随后，全球范围内的极端事件归因研究迅速展开。美国气象学会公报（BAMS）还将每年全球极端事件的归因研究整合成专刊发布，以回应公众对这些事件原因日益增长的关注[12]。这些研究多采用耦合模式或观测海表温度和海冰驱动的大气模式大样本试验进行极端事件的归因，比如哈德莱中心的HadGEM3-A以及HadGEM3-GA6事件归因系统[13-15]。此外，环流相似法和经验法也是事件归因的常用方法，常作为气候模式方法的补充[16]。

中国是全球气候变化的敏感区[17]。近年来，极端高温事件在中国多个季节和区域频繁发生。2013年夏季中国东部破纪录热浪，35℃以上的高温日数达到31 d，极端高温引发的干旱造成了约590亿元的直接经济损失[18]。2015年夏季，中国西部遭遇罕见高温，新疆吐鲁番站连续10 d日最高气温超过45℃[19]。2018年，中国东部经历了有记录以来最热的春季，超过900个气象站的平均气温刷新历史纪录[20]。2023年华北初夏破纪录热浪，北京站连续3 d气温超过40℃，观测史上首次出现此类情况[21]。人类活动被认为是这些极端事件增多和增强的重要因素[18-23]。例如，2015年中国西部夏季破纪录的年最大日最高气温（TXx）和年最大日最低气温（TNx）事件，在没有人类活动的情况下，这种事件是千年一遇的。然而，在有人类活动的世界中，此类事件发生的概率变为16年一遇[23]。人类活动还加剧了秋季的极端湿热事件，2021年9月，华南地区超过75%的气象站点经历了破纪录的极端湿热。国际耦合模式比较计划第6阶段（CMIP6）模式模拟结果表明，如果没有人类活动，类似2021年的极端湿热事件几乎不可能发生[24]。

关于极端高温事件的归因研究已取得显著进展，但目前尚没有人类活动影响人口暴露度的归因研究。极端高温下的人口暴露度（后文简称“极端热暴露”）指暴露于极端高温事件下的累计人次，常定义为极端高温日数与暴露在该高温事件下人口数的乘积[25-26]。以往的研究在计算热暴露方面已有大量成果[27]，并指出未来中国的极端热暴露可能会增加[28-29]。Jones等[25]还提出了一种将热暴露变化量拆解为人口因素、气候因素和组合因素的分解法，用以评估各因素在极端热暴露变化中的贡献。结果表明，人口因素、气候因素和组合因素对美国极端热暴露的贡献分别为37%、29%和32%。Gao等[30]采用类似方法，将热暴露拆解为人口因素、城市化引起的变暖和二者的组合作用，结果显示城市化引起的变暖对极端热暴露的贡献可达24.2%。这一分解法已被广泛用于热暴露变化的原因分析中[28,31-32]。然而，组合因素已包含气候变化的部分贡献，类似的分解方法可能无法准确估计气候变化对极端热暴露的单独影响，导致气候变化的作用被低估。

综上所述，极端高温事件的归因研究已有明显进展，但关于人类活动对极端热暴露事件影响的归因研究还较少。本文将极端事件归因研究的内容扩展至极端热暴露归因，采用传统的概率比归因分析方法，并提出人类活动对热暴露影响的衡量指标，探讨人类活动对极端热暴露事件发生概率的影响，为量化人类活动对暴露度的影响提供新的视角。2022年夏季，中国遭遇自1961年以来最强的持续性热浪，近10亿人遭受35℃以上的极端高温[33]，导致直接经济损失512亿元①(① www.mem.gov.cn/xw/yjglbgzdt/202301/t20230113_440478.shtml。)。本文以此次破纪录高温事件为例，基于CMIP6和全球网格化人口数据（GlobPoP)，估算人类活动对2022年中国极端热暴露事件的影响。

1 数据和方法

1.1 观测数据

使用国家气象信息中心提供的日最高气温均一化数据集[34]，该数据集涵盖了1961—2023年2419个气象站的观测数据。在数据处理过程中，首先根据各气象站全年日最高气温的缺测情况对数据进行筛选，剔除缺失数据超过30%（≥19年）的站点，最终保留2331个站点。随后，计算每个站点的极端高温指标，并将这些分布不均的站点数据进行格点化处理，统一为2°×2° 的网格分辨率。由于观测数据站点分布密集，分辨率的选取对结果的影响并不大。区域加权平均时，剔除存在缺测或未曾出现超过35℃或40℃高温的网格，以避免网格数不一致对趋势分析带来的影响。本文选取的研究时段为1990—2022年，并分为初夏（5—6月）和盛夏（7—8月）进行对比研究。

1.2 模式数据

本文使用CMIP6②(② https://esgf-node.llnl.gov/search/cmip6/。)的3套试验的逐日日最高气温数据，包括考虑了温室气体、气溶胶和土地利用等所有人类活动和自然外强迫的历史气候模拟试验（ALL)、仅考虑了火山爆发和太阳辐射自然强迫的历史试验（NAT）以及共享社会经济路径SSP5-8.5情景试验[35]。其中，ALL和NAT试验的时间范围分别为1850—2014年和1850—2020年，SSP5-8.5代表化石燃料发展和全球化加速的高排放情景，时间跨度为2015—2100年[36]。早期不同排放情景的差异并不明显，因此采用SSP5-8.5情景的资料将ALL试验的数据延长至2022年。表1为本文使用的12个CMIP6模式，涵盖了ALL和NAT试验共147个run的资料，这些模式来自不同机构和研究小组，采用了多样的建模方法，在气候学研究中得到了广泛应用[37-39]。

表1   本文使用的CMIP6模式

Table 1  The CMIP6 models used in this study

新窗口打开| 下载CSV


模式数据处理时，采用双线性插值将数据转换至与观测数据相同的2°×2° 网格上，尽可能避免低分辨率向高分辨率插值带来的影响，并保留区域特征。然后，在每个模式的网格上计算极端高温指标。进行区域加权平均时，以观测极端高温指标包含的网格点为基准，确保模式与观测使用的网格点一致。

1.3 人口数据

人口数据来源于Liu等[40]制作的GlobPoP，该数据集涵盖了1990—2022年连续的全球人口分布，分辨率约为1 km。该数据集基于一个聚类分析和统计学习的数据融合框架生成，经过了两层空间和时间的验证。验证结果表明该数据集在全球范围内具有较高的准确性，在中国等8个代表性国家和城市中表现良好[40]。人口数据已调整至与模式和观测数据相同的2°×2° 分辨率。具体而言，对每个2°×2° 网格内的1 km分辨率人口数据进行汇总求和，并将所得总人口数作为该网格的人口值。

1.4 极端高温和热暴露指标

表2为本文使用的极端高温和热暴露指标。极端热暴露定义为每个网格极端高温日数和该网格人口数的乘积[25]。

表2   极端高温和热暴露指标

Table 2  Extreme heat and heat exposure indicators

新窗口打开| 下载CSV


1.5 模式偏差订正

本文使用的极端高温指标是在日最高气温数据上基于35℃和40℃的绝对阈值计算的，模式对日最高气温年循环的模拟偏差影响极端高温指标的模拟结果。因此使用Sun等[41]提出的年循环偏差订正法订正模式数据。这一方法主要订正了模式的气候态，模式的变率并未改变，该方法在35℃、40℃绝对阈值指标的订正上表现良好[42]。根据HadCRUT4数据集的观测结果，1986—2015年间全球地表平均温度比工业革命前（1850—1900年）高0.686℃[43]。因此首先计算观测（1986—2015年）中国日最高气温（Tmax）的年循环，并对其进行了15 d平滑处理。然后计算每个CMIP6模式温升0.686℃时的30年，这30年被认为是模式最接近观测的30年（对于CanESM5而言，温升最接近0.686℃的30年为1974—2003年)，并计算模式这30年中国地区Tmax的年循环。模式年循环的计算也进行15 d平滑。最后，对每个模式而言，减去自身温升0.686℃时的年循环，再加上观测的年循环，完成对模式的偏差订正，即

${T}_{\mathrm{max}\_\text{cor}}={T}_{\mathrm{max}}-{\overline{T}}_{\mathrm{max}\_\text{cyc}}+{\overline{T}}_{\mathrm{max}\_\text{obs_cyc}}。$

式中，Tmax_cor为订正后的模式数据，Tmax为原始模式数据，${\overline{T}}_{\mathrm{max}\_\text{cyc}}$为模式0.686℃温升时的30年年循环，${\overline{T}}_{\mathrm{max}\_\text{obs_cyc}}$为观测（1986—2015年）的30年年循环。另外，与工业革命前相比，全球地表平均温度高出0.686℃的时段采用了Seneviratne等[43]的方法：对每个模式，计算全球1850—2100年地表平均温度的加权平均，并以工业革命前的水平为标准，做距平处理。对上述全球地表平均温度距平时间序列进行30 a窗口期的中心滑动平均。将最接近0.686℃温升的年份设为中心年y，该模式达到0.686℃温升水平的时段为[y-15，y+14]。

1.6 极端热暴露的归因

考虑到极端高温下人口暴露度的特点，采用了两套指标来进行归因。一个是采用传统的风险比（RR）估计方法，计算极端热暴露事件在有无人类活动的强迫试验中发生概率的变化（公式2)。由于人口在不同强迫试验中并没有发生变化，这里计算得到的RR和只考虑极端高温的结果类似，除非受到模式样本数和不同分布函数拟合的影响。另一套则考虑到人口暴露度的特点，计算在不同强迫试验中人口暴露度值的绝对变化以及暴露比例的变化。这种估算方法对于热暴露归因具有重要意义，因为可以估算在人为强迫发生的情况下，有多少人口被额外地暴露在极端高温中，从而估计产生社会影响最大的区域，为某一地区极端事件早期预警和气候变化适应政策的制定提供重要数据支撑。风险比的计算公式为

$\text{RR}={P}_{ALL}/{P}_{NAT}。$

其中，PALL和PNAT分别为极端热暴露事件在ALL和NAT强迫下的发生概率。RR>1，表明人类活动增加了事件的发生概率；RR<1，表明人类活动减少了事件的发生概率；RR≈1，表明人类活动对事件发生概率的影响较小。概率估算采用核密度估计（KDE)，KDE是一种用于估计随机变量概率密度函数的非参数方法，不要求事先对数据的概率分布做出假设，而是通过样本本身估计其概率密度分布，具有较强的灵活性和适应性。

人口暴露度绝对值的变化分别为Tx35EALL-Tx35ENAT和Tx40EALL-Tx40ENAT，人口暴露比例分别为Tx35EALL/POP、Tx35ENAT/POP和Tx40EALL/POP、Tx40ENAT/POP。其中，POP代表当前中国总人口。事件归因通常以事件发生年为中心，选取前后若干年的数据构建大样本集合，以代表事件发生年的气候状况。但由于受到模式资料和人口资料的限制（人口资料只到2022年，NAT试验只到2020年)，本文选取事件发生年前、最接近其气候状况的11 a作为窗口期，汇总每个模式成员在该窗口期内热暴露的数据，构建大样本集合，以此估计极端热暴露事件的概率密度分布。具体来说，对于发生在2022年的极端热暴露事件，在ALL试验中选取了2012—2022年的数据构建大样本集合，而NAT试验则使用了2010—2020年的数据。这种计算方案给出的归因结果会偏保守但是对归因的定性估计影响不大。为了量化概率比估算中的不确定性，本文采用了1000次bootstrap自助抽样法计算95%置信区间（CI)。该方法通过从原始数据中有放回地抽取相同长度的样本，重复1000次概率和RR的计算，根据计算结果的2.5%和97.5%百分位数确定95%置信区间。

2 结果分析

2.1 1990—2022年中国极端高温和极端热暴露的变化

1990—2022年中国极端高温日数的观测结果（图1a和1b）表明，Tx35D在中国东部和西北地区呈现明显增加趋势，西北地区35℃以上极端高温日数增加可达5.2 d/(10 a)（p<0.05)，华南局部趋势达到7.0 d/(10 a)（p<0.05)。对于更极端的40℃以上高温，Tx40D的增加趋势主要集中在西北和长江中上游地区的部分格点，最大趋势位于西北，达到3.3 d/(10 a)（p<0.05)，其他地区40℃以上极端高温日数趋势不明显。结合人口数据后，热暴露的变化与极端高温存在明显的空间分布差异（图1c和1d)。Tx35E主要集中于中国东部人口稠密的区域，如长江流域、华北和华南地区，其增加趋势远超西北地区。对于40℃以上热暴露，华北和西南Tx40D的趋势不如西北强烈，但是结合人口数据后，华北和长江中上游地区成为暴露度快速增加的地区，长江中上游Tx40E增加趋势达到6.7×106人∙ d/(10 a)（p<0.05)，超过西北地区的最大趋势。西北虽是极端高温日数增加的“热点”区域，但由于人口较少，极端高温事件带来的人口暴露风险低于东部人口密集区。在中国东部，极端高温的快速增加使这些区域极端高温事件人口暴露风险增加。因此，东部地区（长江以南和长江以北）被选为本研究的重点，以深入探讨人类活动对极端热暴露的可能影响。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1   1990—2022年5—8月中国Tx35D (a)、Tx40D (b)、Tx35E (c)和Tx40E (d)线性趋势的空间分布

注：图中打点区域通过0.05水平的显著性检验，红色方框标注了东部区域（长江以南和长江以北）。

Fig. 1   Spatial distribution of linear trends for Tx35D (a), Tx40D (b), Tx35E (c), and Tx40E (d) in China from May to August during 1990-2022


2.2 中国东部破纪录极端高温和极端热暴露事件

1990—2022年中国东部人口持续增长，区域平均人口在2021年达到峰值（图2a)。35℃和40℃及以上极端高温日数也呈上升趋势（图2b和2d)，并在2022年分别达到历史最大值13.2 d和1.9 d。Tx35E和Tx40E同样表现出增加趋势（图2c和2e)，在2022年分别达到239.2×106人∙ d和32.7×106人∙ d的历史最高值。受人类活动与自然变率的共同影响，2022年成为中国东部历史上最热的一年[44-45]。盛夏（7—8月）极端高温日数和极端热暴露均在2022年达到历史最大值，2022年还是初夏（5—6月）极端高温日数和极端热暴露的第二高年份。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2   1990—2022年5—8月中国东部区域平均人口(a)、Tx35D (b)、Tx35E (c)、Tx40D (d)和Tx40E (e)的距平时间序列（相对于1995—2014年）

注：五角星代表最大值出现的年份。

Fig. 2   Changes of population (a), Tx35D (b), Tx35E (c), Tx40D (d), and Tx40E (e) in eastern China from May to August during 1990-2022 (relative to 1995-2014)


本文选择2022年作为研究人类活动对极端热暴露影响的典型年份，并提出暴露度归因的方法是有意义的。为全面分析人类活动对极端热暴露的影响，将中国东部划分为长江以南和长江以北。

2022年的观测结果（图3）显示，对于Tx35E，长江以南地区初夏的热暴露较往年（1995—2014年）偏多8.3×106人∙ d，而在盛夏时节，较往年偏多297.2×106人∙ d，约是初夏热暴露的36倍。长江以北盛夏的热暴露偏多为初夏的1.3倍，表明2022年长江以北的极端高温虽以盛夏为主，但初夏的高温也不容忽视。对于Tx40E，长江以南初夏热暴露的变化较小，盛夏期间热暴露增加了55.3×106人∙ d。而在长江以北，初夏40℃及以上热暴露增幅明显高于盛夏，是盛夏热暴露的2倍以上。这种分布特征主要和2022年极端高温的出现时间有关，在长江以南，40℃以上的极端高温主要出现在盛夏，受西太平洋副热带高压的影响；在长江以北，40℃以上极端高温主要出现在初夏，中高纬度大气环流异常是主要的影响因子[46-48]。

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3   2022年长江以南和长江以北初夏和盛夏Tx35E (a)和Tx40E (b)的观测值（相对于1995—2014年）

Fig. 3   Observed 2022 anomalies of Tx35E (a) and Tx40E (b) for early summer and summer in the south and north of the Yangtze River (relative to 1995-2014)


2.3 CMIP6模式对极端高温模拟的性能评估和偏差订正

为探讨2022年极端热暴露事件中人类活动的作用，进一步评估了CMIP6模式的模拟能力，以确保分析结果的准确性和可靠性。图4为观测和偏差订正前后12个模式模拟的中国东部极端高温指标的原始序列。偏差订正前，各模式对极端高温日数的模拟存在较大差异，不确定性范围较宽。例如，MIROC6和FGOALS-g3明显高估了极端高温日数（Tx35D和Tx40D）的变化，而IPSL-CM6A-LR和GFDL-ESM4则低估了Tx35D的变化。多模式集合平均结果普遍高估了极端高温日数，但对盛夏中国东部的Tx35D存在明显低估。由于本文使用的极端高温指标是基于逐日气温计算的，因此使用年循环偏差订正法对模式数据进行偏差订正。偏差订正后的结果提升了模式对Tx35D和Tx40D的模拟能力，MIROC6和FGOALS-g3对Tx35D和Tx40D的高估以及IPSL-CM6A-LR和GFDL-ESM4对Tx35D的低估得到了明显改善，单个模式以及多模式集合平均的结果均更接近观测到的变化，模拟结果的不确定性范围也明显减小。虽然模式对极端高温趋势和年际变率的模拟上仍有不足，但是与偏差订正前相比，年循环偏差订正法明显提升了模式对极端高温指标的模拟能力，归因分析将利用这些偏差订正后的数据进行。

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4   模式偏差订正前后，1990—2022年中国东部初夏和盛夏Tx35D（a,b,e,f）和Tx40D（c,d,g,h）的原始序列

Fig. 4   Original time series of Tx35D (a, b, e, f) and Tx40D (c, d, g, h) for early summer and summer in eastern China from 1990 to 2022, before and after bias correction


2.4 2022年极端热暴露事件的归因

不同强迫下极端热暴露的概率密度（PDF）分布（图5）显示，对于Tx35E，在长江以南和长江以北，盛夏和初夏的PDF在ALL强迫和NAT强迫下都表现出明显的分离。在长江以南（图5a)，2022年初夏观测极端热暴露较1995—2014年偏多8.3×106人∙ d，ALL强迫下类似事件发生概率为0.38（0.35~0.40)，NAT强迫下类似事件发生概率为0.27（0.23~0.30)，人类活动使类似事件发生概率增加1.4倍（图6a)。PDF线的分离在盛夏（图5b）更明显，不过由于2022年长江以南的观测阈值处于ALL和NAT试验下PDF线的尾部，且NAT试验下类似事件发生概率接近0，无法估算其风险比，说明如果没有人类活动影响，类似事件不会发生（图6a)，但也可能是受模式性能的影响。在长江以北（图5e)，ALL强迫下类似事件发生概率为0.08（0.06~0.09)，NAT强迫下类似事件发生概率为0.03（0.02~0.04)，人类活动使类似事件发生概率增加2.4倍（图6c)。在盛夏，人类活动使类似2022年长江以北极端热暴露事件的发生概率增加2.0倍（图5f和6c）。

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5   盛夏和初夏长江以南和长江以北Tx35E（a,b,e,f）和Tx40E（c,d,g,h）在ALL和NAT强迫下的概率密度分布（相对于1995—2014年）

注：垂直线条表示2022年事件的观测值。

Fig. 5   Probability density distributions of Tx35E (a, b, e, f) and Tx40E (c, d, g, h) for early summer and summer in the south and north of the Yangtze River, under ALL and NAT forcing (relative to 1995-2014)


图6

新窗口打开| 下载原图ZIP| 生成PPT

图6   不同强迫下2022年长江以南和长江以北初夏和盛夏极端热暴露事件Tx35E（a,c）和Tx40E（b,d）的发生概率与风险比及其95%不确定性区间

Fig. 6   Risk ratio, probability, and their 95% uncertainty intervals for extreme heat exposure events Tx35E (a, c) and Tx40E (b, d) in early summer and summer of 2022 in the south and north of the Yangtze River


对于Tx40E，由于样本少，PDF拟合的不确定性增大。虽然ALL和NAT的PDF分布也存在一定分离，但相较于Tx35E，40℃以上极端热暴露事件的分离程度不明显，这可能和样本太少带来的不确定性有关。在长江以南地区（图5c)，ALL强迫下的PDF分布虽然没有明显向右偏移，但PDF线的峰值明显增加，人类活动使类似2022年初夏极端热暴露事件的发生概率增加1.1倍（图6b)。在盛夏，2022年的观测阈值处于PDF线的尾部，NAT强迫下类似事件发生概率很小，人类活动使其发生概率增加了6.8倍（3.4~22.1）（图6b)。在长江以北，人类活动使类似2022年初夏和盛夏极端热暴露事件的发生概率分别增加1.7倍和1.5倍（图5g、5h和6d)。无论是Tx35E还是Tx40E，风险比都大于1，说明人类活动增加了极端热暴露事件的发生概率。

图7为人类活动对极端热暴露以及人口暴露比例（不同强迫下的热暴露与总人口之比）的影响。从整体上看，人类活动导致极端热暴露和人口暴露比例增加。对于Tx35E，多模式集合平均结果显示长江以南地区，人类活动使初夏热暴露增加了0.5×106人∙ d（NAT：24.8×106人∙ d，ALL：25.3×106人∙ d)，暴露比例的增加不明显。在盛夏，受高温日数增多的影响，人类活动使极端热暴露增加了46.5×106人∙ d，暴露比例增加了3.2%（NAT：4.7%，ALL：7.9%)。在长江以北，人类活动使初夏热暴露增加了5.5×106人∙ d，暴露比例总体变化不大（NAT：3.6%，ALL：4.0%)。而在盛夏，人类活动使极端热暴露增加了17.9×106人∙ d（NAT：76.5×106人∙ d，ALL：94.4×106人∙ d)，暴露比例增加了1.2%（NAT：5.3%，ALL：6.5%)。对于Tx40E，虽然长江以南和长江以北初夏很少出现40℃以上天气，样本比较少，但人类活动还是增加了极端热暴露度和暴露比例。

图7

新窗口打开| 下载原图ZIP| 生成PPT

图7   不同强迫下Tx35E（a,b,e,f）和Tx40E（c,d,g,h）热暴露值和人口暴露比例

注：CMIP6多模式集合平均结果，垂直线条表示模式5%~95%百分位值。

Fig. 7   Heat exposure and exposure ratio under different forcings for Tx35E (a, b, e, f) and Tx40E (c, d, g, h). (CMIP6 multi-model ensemble mean, vertical lines represent the 5%−95% model percentile range)


3 结论和讨论

以往的研究大多关注热暴露的变化，少有研究关注人类活动对极端热暴露事件的影响。本文将气候变化归因研究扩展至极端热暴露这一领域，基于CMIP6模式数据和GlobPoP人口数据，估计了人类活动对中国东部2022年破纪录极端热暴露事件的影响。

结果表明，1990—2022年中国35℃和40℃以上极端高温日数和极端热暴露呈现增加趋势，但极端高温日数和极端热暴露趋势的空间分布存在明显差异。西北地区极端高温日数增加更快，但在人口密集的东部地区，极端热暴露的增加趋势更明显。2022年，受人类活动和气候系统内部变率（如海温和海冰等）的影响，中国出现了破纪录的高温事件，极端高温日数和极端热暴露均创下历史新高。CMIP6各模式对极端高温日数的模拟存在较大差异，不确定性范围较宽。采用年循环偏差订正法后，单个模式以及多模式集合平均对极端高温指标的模拟能力得到提高，模拟结果的不确定性范围减少。

基于偏差订正后的结果，对2022年极端热暴露事件进行归因分析。结果表明，人类活动使长江以南和长江以北2022年初夏35℃极端热暴露事件的发生概率分别增加1.4倍和2.4倍，使长江以北盛夏35℃极端热暴露事件的发生概率增加了2.0倍。人类活动还增加了极端热暴露度和暴露比例，长江以南和长江以北初夏35℃极端高温条件下的人口暴露分别增加了0.5×106人∙ d和5.5×106人∙ d，相当于0.04%和0.4%的总人口因人类活动而额外暴露于极端高温之中。盛夏期间，随高温日数增多，人类活动导致的热暴露值和暴露比例更高。对于Tx40E，由于受样本数量的限制，人类活动对事件影响的估计存在较大不确定性，但人类活动还是增加了长江以南和长江以北极端热暴露事件的发生概率，并带来额外的热暴露度。

人口基数的自然增长是暴露度变化的因素之一，本研究从区域和季节差异的角度展开，揭示了在人类活动强迫下，极端热暴露事件发生概率的变化，并量化了人类活动导致人口暴露度增加的数量以及人口暴露比例的变化，对气候变暖下区域适应高温和气候变化的政策制定具有重要意义，同时也对了解不同区域的高温暴露情况，提前发布高温预警，合理判断暴露热点区域并进行区域适应和应对提供了重要的科学基础。

参考文献

Dunn R J H, Alexander L V, Donat M G, et al.

Development of an updated global land in situ-based data set of temperature and precipitation extremes: HadEX3

[J]. Journal of Geophysical Research: Atmospheres, 2020, 125: e2019JD032263

[本文引用: 1]

Zhang P F, Ren G Y, Xu Y, et al.

Observed changes in extreme temperature over the global land based on a newly developed station daily dataset

[J]. Journal of Climate, 2019, 32 (24): 8489-8509

尹红, 孙颖.

基于ETCCDI指数2017年中国极端温度和降水特征分析

[J]. 气候变化研究进展, 2019, 15 (4): 363-373.

Yin H, Sun Y.

Characteristics of extreme temperature and precipitation in China in 2017 based on ETCCDI indices

[J]. Climate Change Research, 2019, 15 (4): 363-373 (in Chinese)

Qian C, Zhang X B, Li Z.

Linear trends in temperature extremes in China, with an emphasis on non-Gaussian and serially dependent characteristics

[J]. Climate Dynamics, 2018, 53 (1-2): 533-550

[本文引用: 1]

IPCC. Climate change: the physical science basis[M]. Cambridge: Cambridge University Press, 2021

[本文引用: 1]

Stott P A, Christidis N, Otto F E L, et al.

Attribution of extreme weather and climate-related events

[J]. WIREs Climate Change, 2016, 7: 23-41

[本文引用: 1]

Sun Y, Zhang X B, Ding Y H, et al.

Understanding human influence on climate change in China

[J]. National Science Review, 2021, 9 (3): nwab113

Peterson T C, Stott P A, Herring S.

Explaining extreme events of 2011 from a climate perspective

[J]. Bulletin of the American Meteorological Society, 2012, 93 (7): 1041-1067

Knutson T, Kossin J P, Mears C, et al.

Detection and attribution of climate change. In: climate science special report: fourth national climate assessment

[R]. USA: U.S. Global Change Research Program, 2017

[本文引用: 1]

Stott P A, Stone D A, Allen M R.

Human contribution to the European heatwave of 2003

[J]. Nature, 2004, 432: 610-614

[本文引用: 2]

Allen M.

Liability for climate change

[J]. Nature, 2003, 421 (6926): 891-892

[本文引用: 1]

Peterson T C, Hoerling M P, Stott P A, et al.

Explaining extreme events of 2012 from a climate perspective

[J]. Bulletin of the American Meteorological Society, 2013, 94 (9): 1-74

[本文引用: 1]

Christidis N, Stott P A, Scaife A A, et al.

A new HadGEM3-A-Based system for attribution of weather- and climate-related extreme events

[J]. Journal of Climate, 2013, 26 (9): 2756-2783

[本文引用: 1]

Ciavarella A, Christidis N, Andrews M, et al.

Upgrade of the HadGEM3-A based attribution system to high resolution and a new validation framework for probabilistic event attribution

[J]. Weather and Climate Extremes, 2018: 9-32

Walters D, Boutle I, Brooks M, et al.

The met office unified model global atmosphere 6.0/6.1 and Jules global land 6.0/6.1 configurations

[J]. Geoscientific Model Development, 2017, 10 (4): 1487-1520

[本文引用: 1]

Stott P, Christidis N, Otto F, et al. Attribution of extreme weather events in the context of climate change[M]. Washington, DC: the National Academies Press, 2016

[本文引用: 1]

中国气象局气候变化中心. 中国气候变化蓝皮书(2021)[M]. 北京: 科学出版社, 2021.

[本文引用: 1]

China Meteorological Administration Climate Change Centre. Blue book on climate change in China (2021)[M]. Beijing: Science Press, 2021 (in Chinese)

[本文引用: 1]

Sun Y, Zhang X B, Zwiers F W, et al.

Rapid increase in the risk to extreme summer heat in eastern China

[J]. Nature Climate Change, 2014, 4: 1082-1085

[本文引用: 2]

Chen W, Dong B W.

Drivers of the severity of the extreme hot summer of 2015 in western China

[J]. Journal of Meteorological Research, 2019, 32 (6): 1002-1010

[本文引用: 1]

Lu C H, Sun Y, Christidis N, et al.

Contribution of global warming and atmospheric circulation to the hottest spring in eastern China in 2018

[J]. Advances in Atmospheric Sciences, 2020, 37 (11): 1285-1294

[本文引用: 1]

Qian C, Ye Y B, Jiang J C, et al.

Rapid attribution of the record-breaking heatwave event in North China in June 2023 and future risks

[J]. Environmental Research Letters, 2024, 19 (1): 014028

[本文引用: 1]

Song L C, Dong S Y, Sun Y, et al.

Role of anthropogenic forcing in 2014 hot spring in northern China

[J]. Bulletin of the American Meteorological Society, 2015, 96 (12): 111-114

DOI:10.1175/BAMS-D-15-00111.1     

Sun Y, Song L C, Yin H, et al.

Human influence on the 2015 extreme high temperature events in western China

[J]. Bulletin of the American Meteorological Society, 2016, 97 (12): 102-106

[本文引用: 2]

Wang D Q, Sun Y.

Effects of anthropogenic forcing and atmospheric circulation on the record-breaking welt bulb heat event over southern China in September 2021

[J]. Advances in Climate Change Research, 2022, 13 (6): 778-786

[本文引用: 1]

Jones B, O’neill B C, Mcdaniel L, et al.

Future population exposure to US heat extremes

[J]. Nature Climate Change, 2015, 5 (7): 652-655

[本文引用: 3]

Xie W X, Zhou B T, Han Z Y, et al.

Substantial increase in daytime-nighttime compound heat waves and associated population exposure in China projected by the CMIP6 multimodel ensemble

[J]. Environmental Research Letters, 2022, 17 (4): 045007

[本文引用: 1]

He T, Wang N, Tong Y D, et al.

Anthropogenic activities change population heat exposure much more than natural factors and land use change: an analysis of 2020-2100 under SSP-RCP scenarios in Chinese cities

[J]. Sustainable Cities and Society, 2023, 96: 104699

[本文引用: 1]

Liu Z, Anderson B, Yan K, et al.

Global and regional changes in exposure to extreme heat and the relative contributions of climate and population change

[J]. Scientific Reports, 2017, 7 (1): 43909

[本文引用: 2]

Zhang G W, Zeng G, Liang X Z, et al.

Increasing heat risk in China’s urban agglomerations

[J]. Environmental Research Letters, 2021, 16 (6): 064073

[本文引用: 1]

Gao S J, Chen Y H, Chen D L, et al.

Urbanization-induced warming amplifies population exposure to compound heatwaves but narrows exposure inequality between global north and south cities

[J]. npj Climate and Atmospheric Science, 2024, 7 (1): 154

[本文引用: 1]

Lin H, Yu X, Lin Y M, et al.

Spatiotemporal variations of precipitation extremes and population exposure in the Beijing-Tianjin-Hebei region, China

[J]. Water, 2024, 16 (24): 3594

[本文引用: 1]

Sikarwar A, Golaz V.

Substantial increase in population exposure to multiple environmental burdens in sub-Saharan Africa (2000-2019)

[J]. Environmental Research Letters, 2024, 19 (4): 044068

[本文引用: 1]

Mallapaty S.

China’s extreme weather challenges scientists trying to study it

[J]. Nature, 2022, 609 (7929): 888

[本文引用: 1]

Cao L J, Zhu Y N, Tang G L, et al.

Climatic warming in China according to a homogenized data set from 2419 stations

[J]. International Journal of Climatology, 2016, 36 (13): 4384-4392

[本文引用: 1]

徐川, 赵天保, 张京朋, 等.

CMIP6模式模拟的人类活动和自然强迫对全球地表气温多尺度变化的影响

[J]. 地球物理学报, 2024, 67 (2): 477-491.

[本文引用: 1]

Xu C, Zhao T B, Zhang J P, et al.

Effects of human activities and natural forcings on multiscale changes of global land surface air temperature simulated by CMIP6 models

[J]. Chinese Journal of Geophysics, 2024, 67 (2): 477-491 (in Chinese)

[本文引用: 1]

O’neill B C, Tebaldi C, van Vuuren D P, et al.

The Scenario Model Intercomparison Project (ScenarioMIP) for CMIP 6

[J]. Geoscientific Model Development, 2016, 9 (9): 3461-3482

[本文引用: 1]

Guo J H, Wang X Q, Fan Y R, et al.

How extreme events in China would be affected by global warming: insights from a bias-corrected CMIP6 ensemble

[J]. Earth’s Future, 2023, 11 (4): e2022EF003347

[本文引用: 1]

Zhang C W, Wu G C, Zhao R Z, et al.

The performance of CMIP6 models in describing the temperature annual cycle in China from 1961 to 2014

[J]. Theoretical and Applied Climatology, 2023, 154 (1-2): 705-715

Zhu H H, Jiang Z H, Li L.

Projection of climate extremes in China, an incremental exercise from CMIP5 to CMIP6

[J]. Science Bulletin (Beijing), 2021, 66 (24): 2528-2537

[本文引用: 1]

Liu L L, Cao X, Li S J, et al.

A 31-year (1990-2020) global gridded population dataset generated by cluster analysis and statistical learning

[J]. Scientific Data, 2024, 11 (1): 124

DOI:10.1038/s41597-024-02913-0      PMID:38267476      [本文引用: 2]

Continuously monitoring global population spatial dynamics is crucial for implementing effective policies related to sustainable development, including epidemiology, urban planning, and global inequality. However, existing global gridded population data products lack consistent population estimates, making them unsuitable for time-series analysis. To address this issue, this study designed a data fusion framework based on cluster analysis and statistical learning approaches, which led to the generation of a continuous global gridded population dataset (GlobPOP). The GlobPOP dataset was evaluated through two-tier spatial and temporal validation to demonstrate its accuracy and applicability. The spatial validation results show that the GlobPOP dataset is highly accurate. The temporal validation results also reveal that the GlobPOP dataset performs consistently well across eight representative countries and cities despite their unique population dynamics. With the availability of GlobPOP datasets in both population count and population density formats, researchers and policymakers can leverage the new dataset to conduct time-series analysis of the population and explore the spatial patterns of population development at global, national, and city levels.© 2024. The Author(s).

Sun Y, Hu T, Zhang X B.

Substantial increase in heat wave risks in China in a future warmer world

[J]. Earth’s Future, 2018, 6 (11): 1528-1538

[本文引用: 1]

Zhang Y X, Sun Y, Hu T.

Changes in extreme high temperature warning indicators over China under different global warming levels

[J]. Science China: Earth Sciences, 2024, 67 (6): 1895-1909

[本文引用: 1]

Seneviratne S I, Hauser M.

Regional climate sensitivity of climate extremes in CMIP6 versus CMIP5 multimodel ensembles

[J]. Earths Future, 2020, 8 (9): e2019EF001474

[本文引用: 2]

Tang S K, Qiao S B, Wang B, et al.

Linkages of unprecedented 2022 Yangtze River valley heatwaves to Pakistan flood and triple-dip La Niña

[J]. npj Climate and Atmospheric Science, 2023, 6 (1): 44

[本文引用: 1]

Hua W J, Dai A G, Qin M H, et al.

How unexpected was the 2022 summertime heat extremes in the middle reaches of the Yangtze River?

[J]. Geophysical Research Letters, 2023, 50 (16): e2023GL104269

[本文引用: 1]

史印山, 谷永利, 林艳.

京津冀高温天气的时空分布及环流特征分析

[J]. 气象, 2009, 35 (6): 63-69.

[本文引用: 1]

Shi Y S, Gu Y L, Lin Y.

Analysis of the temporal and spatial distribution and circulation features of high temperatures in Beijing, Tianjin and Hebei

[J]. Meteorological Monthly, 2009, 35 (6): 63-69 (in Chinese)

[本文引用: 1]

Gong H N, Ma K J, Hu Z Y, et al.

Attribution of the August 2022 extreme heatwave in southern China: role of dynamical and thermodynamical processes

[J]. Bulletin of the American Meteorological Society, 2024, 105 (1): 193-199

Xu K, Lu R Y, M J Y, et al.

Circulation anomalies in the mid-high latitudes responsible for the extremely hot summer of 2018 over Northeast Asia

[J]. Atmospheric and Oceanic Science Letters, 2019, 12 (4): 231-237

[本文引用: 1]

/

〈 〉

京ICP备11008704号-4
版权所有 © 《气候变化研究进展》编辑部
地址：北京市海淀区中关村南大街46号　邮编：100081　电话/传真：(010)58995171　E-mail：accr@cma.gov.cn
本系统由北京玛格泰克科技发展有限公司设计开发　技术支持：support@magtech.com.cn