长三角城市群夏季高温对未来全球增暖的响应

王莹 马红云 李海俊

(1 南京信息工程大学 气象灾害预报预警与评估协同创新中心/气象灾害教育部重点实验室/大气科学学院气侯与应用前沿研究院(ICAR)，南京 210044；2 江西省气象局，南昌 330000)

引 言

改革开放以来，中国城市化水平日益提高，尤其是东部地区，城市化水平已达55%，并逐渐形成了以长三角、珠三角和京津翼3个特大规模城市群为代表的我国东部大规模沿海城市带。随着城市面积的持续增长[1]，城市人口将会直接受到由温室气体引起的气候变暖的影响[2]。工业革命以来，全球平均表面温度明显增加，1880—2012年增加了(0.85±0.2) ℃。气候变暖会引发一系列的气候和环境变化，例如海平面上升、水圈循环变化、海洋酸化、极端天气气候事件频率及强度增加等[3]。

近几十年来，由于自然变化以及人类活动的影响，大范围气候异常现象频发，其中高温事件尤为引人注目。例如，2003 年夏季席卷全球的一系列高温热浪事件，使整个欧亚大陆的死亡率在短期内急剧上升[4]; 同年，我国大范围持续性高温事件影响了大多数省市，多地最高气温连续突破历史记录，持续时间之长也是自有观测记录以来历史罕见[5]。高温事件给社会经济乃至人民生命财产造成了严重的影响。国内外已有不少对夏季高温的研究[6-7]，通过对欧洲地区[8]、加拿大[9]和中国[10]等区域的研究显示，近年来高温日数和极端高温事件出现频次和强度稳步上升，增加较为显著。叶殿秀等[10]研究表明，近几十年来中国地区除新疆西南部增加较小外，其余地区高温频次增长趋势系数最大超过0.8，增长速率为7.8次/(10 a)，高温事件强度呈显著正趋势的区域继续增加，增加最多的是经济较发达的长江沿岸、长江三角洲以及东南沿海地区。

随着全球增暖，越来越多的学者开始关注增暖1.5 ℃/2.0 ℃水平下极端气候的变化[11]。Karmalkar, et al[12]预估美国毗邻地区变暖最快的是东北地区，当全球增暖达到2.0 ℃时，东北地区预计增暖3.0 ℃；King, et al[13]发现与增暖2.0 ℃相比，在增暖1.5 ℃的情况下，世界变暖的频率至少降低24%，且限制欧洲大陆的变暖具有非常明显的好处，包括更少的极端高温和极端降水；对澳大利亚大陆的预估结果也是如此[14]。LI, et al[15]定量分析表明，与2.0 ℃温升阈值相比，控制全球增暖在1.5 ℃以内，将使东亚极端高温事件强度、频率和持续时间的增幅减少35%～46%。李纵横等[16]利用CMIP5中的8个模式的结果，对我国江淮地区夏季未来极端高温进行了预估，结果表明：在RCP2.6情景下，2000s末江淮地区夏季极端高温日数将可能达20 d左右；在 RCP4.5 情景下，2000s末极端高温日数可能达40 d左右；在RCP8.5情景下，2000s末极端高温日数将可能达约70 d。

与城市极端高温相关的一个重要指数是人体舒适度，且高温是与天气相关死亡率增加的主要原因[17]。2003年欧洲高温热浪事件导致的死亡人数超过35 000人[18],研究表明，城市气温每升高0.5 ℃，居民的死亡风险将提高两倍[19],并且城市地区的超额死亡率显著高于其周边的郊区和乡村地区[20-22]。

本文选取我国长三角城市群区域进行研究，长三角城市群是我国最大的城市群，根据2014年人口普查显示，人口达1.5亿，因此未来将面临较大的高温风险[23-24]。2015年，《巴黎协定》明确提出将全球平均升温控制在相对于工业化前水平2.0 ℃以内，并努力将其控制在1.5 ℃以内， 以降低气候变化的风险与影响[25]。在不同的碳排放路径下，增暖达到1.5 ℃/2.0 ℃的时间有所不同，很多学者进行了预估[26-28]。根据美国大气研究中心NCAR提供的全球气候系统模式CESM在RCP4.5排放情景下对未来的预估结果，本文将增暖1.5 ℃的时间段设为2025—2034年，未来增暖2.0 ℃的时间段设为2042—2051年，该时间段的选取与孔莹等[29]、翟盘茂等[30]的研究结果较为一致。

本文着重讨论RCP4.5情景下增暖1.5 ℃/2.0 ℃期间长三角城市群区域的气温变化情况，特别是高温热浪发生的频次和强度变化，同时结合未来人口预估数据，进一步给出高温影响人口数的预估，这将有助于制定提高中国东部城市人口舒适性的政策措施，为应对气候变化进行的城市规划提供依据。

1 模拟试验与方案设计

全球气候模式是目前预测未来气候变化、研究气候变化及其响应的主要工具。政府间气候变化专门委员会第五次评估报告(IPCC AR5) 基于CMIP5(第五阶段全球耦合模式比较计划) 对多个全球气候模式开展了从模式评判到未来气候预估的研究，并为开展高分辨率区域性气候变化研究提供了源数据[31-32 ]。此外，CMIP5 在CMIP3(第三阶段全球耦合模式比较计划)的基础上引入了新的温室气体排放情景——RCPs(Representative Concentration Pathways， 代表性浓度路径情景) ，包括 4 个情景，这些情景纳入了气候政策对温室气体及气溶胶排放的影响，并优化了生物物理及海陆气交换过程[31 ]。其中，RCP8.5为 CO2高排放路径，RCP6 和 RCP4.5 都为中间稳定路径[33-34 ]。

由美国国家大气研究中心(NCAR)开发的CESM模式是基于CCSM4模式发展的地球系统模式。根据CMIP5试验计划，CESM模式进行了20 世纪气候模拟(1951—2005年)、RCP4.5情景的气候预估(2006—2100年)等试验。该研究选取CESM模式提供的 经ERA-interim数据偏差矫正的历史模拟数据集中1996—2005 年作为历史气候现状的代表年，该代表年选取参考CHEN, et al[35]的历史数据集的时段选择(1995—2005年)；同时，利用RCP4.5情景气候预估试验结果提供的增暖1.5 ℃/2.0 ℃前后10 a作为未来代表年以模拟未来情景下的城市群气候特征。基于CESM模式提供的侧边界条件，采用WRFv3.9.1进行区域动力降尺度，对历史时期和未来增暖1.5 ℃(2025—2034年)/2.0 ℃(2042—2051年)时期分别模拟，时段从每年的5月31日00时至9月1日06时(世界时,下同)，两重嵌套及地表覆盖类型如图1所示，空间分辨率分别为15 km和5 km，中心经纬度为(31.5°N，119°E)，d01和d02的格点数分别为91×97、91×112。与历史时期进行对比的观测数据来自中国地面气候资料日值数据集(V3.0)，供选取了26个台站资料，位置如图1b中黑色圆点所示。

图1 模拟的区域：(a)水平分辨率分别为15 km和5 km的两层镶嵌设置；(b)模拟区域最内层的地表覆盖类型(黑点是中国地面气候资料日值数据集中的26个观测台站)

本文使用中国土地覆盖数据集ChinaLC，如图1b所示，其中红色代表城市，城市周围大片黄色区域不是传统的灌溉农田，是农田退化后形成的农田和自然植被交错的镶嵌体下垫面，其物理特征物理介于城市和农田之间[38]。该数据集包括中国及周边区域1981、1990、2000、2010年四期5 km和30 km分辨率土地覆盖产品[36]。YANG， et al[37]以Google Earth 高分辨率遥感影像选取的验证样本作为真实地表信息，评价了国际上现有的7种大尺度土地覆盖产品在中国区域的精度。结果表明，ChinaLC在中国区域的总体精度均高于国际上现有的大尺度土地覆盖产品。

为了讨论未来增温对人口影响，未来人口数据采用姜彤等[39]在2010年第六次中国人口普查数据的基础上利用 IPCC 发布的可持续发展 (SSP1)、中度发展 (SSP2)、局部或不一致发展 (SSP3)、不均衡发展 (SSP4)、常规发展 (SSP5) 这 5 种共享社会经济路径，率定人口—发展—环境分析(PDE)模型中的人口生育率、死亡率、迁移率、教育水平等参数，得到的 2011—2100 年中国和 31 个省 (区/市) 人口变化预估。

2 结果与讨论

2.1 模式评估

为了评估模式的模拟效果，图2给出了历史时期2 m气温的观测数据与WRF模拟数据的频次对比。记每日每个站点平均气温为一次，总计23 920次，由此可见，在大于29 ℃及小于23 ℃的温度区间，观测数据与模拟数据的温度频次分布基本接近，中间温度段有一定偏差，可能和温度区间的设置有关，总体上各个温度段的频次变化趋势相同。此外，图3给出了2 m气温的观测数据与模拟结果的空间分布对比。在本文所选取的长三角区域中，一共有26个观测点，通过逐一比对，观测数据与模拟数据的吻合率达到了85.2%，为了更好地对观测与模拟数据进行比较，本文引入了统计变量进行检验，包括认同指数(Index of Agreement, IA)、准确率(Hit Rate, HR)、相关系数(R)、均方根误差(Root Mean Square Error, RMSE)、平均误差(Mean Error, ME)、标准化平均误差(NME)、平均偏差(Mean Bias, MB)、标准化平均偏差(NMB)和标准差(Standard Deviation, STD)。其中，认同指数(IA)和准确率(HR)是近几年用来描述两数列之间相关性的统计参数，可以更好地体现观测与模拟的相关性，观测数据与模拟结果的认同指数是指观测对模拟有用或者有价值的判断和评估，数值在0～1之间，认同指数越大说明越具有参考价值；准确率与选取的标准值大小有关，气温的标准值为2 K，差异小于标准值的样本数与总样本数的比值就是准确率其中HR与选取的标准值大小有关，气温的标准值为2 K；STDo表示观测数据的标准差，STDF表示模拟数据的标准差。具体计算方法如下：

图2 观测数据与WRF模拟结果的2 m气温的频率对比(纯色代表观测数据，网格代表WRF模拟结果)

图3 观测数据(a)与WRF模拟结果(b)的2 m气温的空间分布

(1)

(2)

(3)

(4)

(5)

(6)

(7)

如表1所示，认同指数IA达到0.891，相关系数R为0.874(P<0.01)，准确率HR为77.8%，且ME和MB都很小，分别为0.876和0.548。综上，观测数据与模拟结果具有很好的空间吻合率，CESM模式资料作为侧边界资料可以为未来的模拟提供可信、可靠的数据，本文采用的降尺度方法可以较为可靠地模拟研究区域气象要素的空间分布。

表1 观测数据与模拟结果的统计参数及数值

2.2 增暖1.5 ℃/2.0 ℃情景下气象要素空间变化

图4给出了历史时期、增暖1.5 ℃时期和2.0 ℃时期下2 m气温和比湿的空间分布。总体来看，历史时期和未来模拟预测的各气象要素的空间分布较为相似，气温高、比湿小的区域主要集中在江皖浙的城市区域，以及城市周围的镶嵌体地区，体现出了城市化效应，且随着全球不断增暖，这种效应变得更加明显。为了进一步分析对不同温升阈值响应差，图5给出了RCP4.5情景下增暖1.5 ℃/2.0 ℃时期和历史时期气象要素的空间分布差异场。增暖1.5 ℃下内陆地区的增温、增湿较沿海区域更多，与历史时期相比，区域平均气温上升0.8 ℃，比湿上升0.065 g·kg-1。增暖2.0 ℃时，区域平均气温将上升1.47 ℃，比湿增加0.131 g·kg-1；从空间分布来看，安徽中南部镶嵌体区域的增温较周围区域大，杭州湾城市群较其他城市区域增温更多，苏皖北部地区的比湿将显著增加。

图4 历史时期(a、d)、增暖1.5 ℃时期(b、e)和2.0 ℃时期(c、f)下2 m气温(a—c，单位：℃)和比湿(d—f,单位：g·kg-1)10 a平均空间分布

图5 增暖1.5 ℃时期—历史时期(a、c)和增暖2.0 ℃时期—历史时期(b、d)下2 m气温(a、b;单位：℃)和比湿(c、d;单位：g·kg-1)的空间分布差异

2.3 增暖1.5 ℃/2.0 ℃情景下高温日数及舒适度指数时空变化

2.3.1 不同升温阈值下高温日数和舒适度指数的时间变化

将日最高气温≥35 ℃定义为一个高温日，若持续时间在5 d以上，则定义为一次高温热浪。高温热浪频次指1 a发生高温热浪的次数，高温热浪强度指夏季所有高温热浪过程中满足高温日的累积数[40-41]，高温热浪及其指数的变化是基于整个区域每个格点进行计算，然后再做区域平均。图7给出了3个时间段高温热浪频次和强度的时间变化。

如图6所示，无论是高温热浪频次还是强度均随全球增暖而增加。统计显示，历史时期、增暖1.5 ℃和增暖2.0 ℃时期10 a平均高温热浪频次分别为1.9、2.8和3.9次，而强度分别为22.1、37.8和50.7 ℃·d。这表明区域平均高温热浪频次在RCP4.5情景下增温1.5 ℃/2.0 ℃时期较历史时期分别增加了47%和100%，热浪强度分别增加了71%和129%。

图6 历史时期(1996—2005年；黑色线)、增暖1.5 ℃时期(2025—2034年；红色线)和2.0 ℃时期(2042—2051年；蓝色线)下高温热浪频次(a；单位：次)、高温热浪强度(b；单位：℃·d)的年变化

高温热浪对人体感觉有重要影响，为了进一步探讨人体舒适度对不同升温阈值的响应，本文引进了人体舒适度指数进行分析：THI指数[42]。THI，又名温湿指数，综合考虑气温和湿度的影响，反映人体与周围环境的热量交换，是人类对气候直接感受的第一指标，计算方法如下：

(8)

其中：t和RH分别代表气温(℃)和相对湿度(%)，且THI指数等级划分如表2所示。

表2 人体舒适度指数的划分等级

图7给出了THI指数在3个时间段(历史时期、增暖1.5 ℃时期和2.0 ℃时期)的日变化曲线，可以看到，一方面，3个时间段的日变化特征十分一致，THI指数都呈单峰单谷变化，都在05时达到谷值，在15时达到峰值，即05时舒适度最大，15时舒适度最小，会感觉极不舒适；另一方面，随着全球变暖，THI数值明显呈上升趋势，人体觉得不舒适的时间段延长。在RCP4.5情景下增暖1.5 ℃时期，1 d中THI≥26的持续时间为10 h，比历史时期增加2 h，到增暖2.0 ℃时，50%及以上人口觉得不舒适的时间持续可达15 h。

图7 历史时期(1996—2005年；黑色实线)、增暖1.5 ℃时期(2025—2034年；红色实线)和2.0 ℃时期(2042—2051年；蓝色实线)下 THI指数的日变化

2.3.2 不同升温阈值下高温日数及舒适度指数的空间变化

为了更全面地对东部城市群的未来气候进行评估，图8给出了不同升温阈值下高温日数和THI指数的空间分布，这与图4中2 m气温的空间变化趋势较为接近。

图8 历史时期(a、d)、增暖1.5 ℃时期(b、e)和2.0 ℃时期(c、f)下高温日数(a—c;单位：次)和THI指数(d—f)的空间分布

整体上看，历史时期和未来不同升温阈值下的高温日数和THI指数的空间分布特征较相似，变化趋势也接近，即随着全球增暖，高温日数急剧增加，人体舒适度大大降低，且范围迅速扩张。变化最明显的区域主要集中在江皖浙的城市区域，以及城市周围的镶嵌体部分，这表明城市化效应的显著性变化。

结合未来人口预估数据深入分析，进一步给出了高温影响人口数的预估。10 a累积的高温日数超过300 d时，增暖1.5 ℃/2.0 ℃时期覆盖区域分别影响了1 495.8和3 862.9万人；THI指数超过27(即100%的人觉得炎热不适)时，RCP4.5情景下增暖1.5 ℃/2.0 ℃时期覆盖区域影响的人口分别达到了1 796.6万人和7 399.5万人，分别占未来增暖1.5 ℃/2.0 ℃时期总人口的近10%和40%，因此与2.0 ℃升温阈值相比，控制增暖在1.5 ℃以内，极不舒适覆盖区域影响的人口数预计可减少5 602.9万人，约占该地区总人口的30%。

2.3.3 不同升温阈值下高温日数增加的可能原因

高温天气的形成原因是多方面多角度的，它不仅与全球气候变暖的大背景有关，还与大气环流异常有关，同时太阳活动、城市建设及生态环境恶化等诸多因素也是导致高温日数不可忽视的重要因素。

前文已描述过全球气候增暖的背景，下文将通过对不同增暖时期的环流场进行分析，阐释长三角城市群高温热浪增加的原因。图9给出了在不同增温阈值下7月的平均位势高度和环流场。可以看出，3个时期都受大陆高压控制。其中在历史时期，5 880 gpm线穿过了长三角城市群，并都是西南气流。而到了增暖1.5 ℃时期，长三角城市群区域500 hPa出现了一个闭合高压中心，中心位置在沿海附近，且位势高度达到了5 908 gpm，风速也有所减小，同样在增暖2.0 ℃时期也有一个闭合高压中心，但闭合高压中心位置相比增暖1.5 ℃时期更靠近内陆，大约在(31.45°N，117.45°E)，这种高层闭合高压，并且结合该地区底层出现的持续高温热浪，有利于天气系统的持续和稳定，是高温热浪出现并增加的重要条件。

图9 历史时期(a)、增暖1.5 ℃时期(b)和2.0 ℃时期(c)下7月平均位势高度和环流场

3 结论

(1)CESM历史时期动力降尺度模拟结果与观测数据的相关性都很好，时间相关系数高达0.874，同时具有很好的空间吻合率，表明利用CESM模式结果进行动力降尺度对长三角城市群地表气温的时空变化特征具有良好的模拟能力，因此该模式可用于对该城市群未来气象要素变化的预估研究。

(2)基于WRF/UCM的降尺度预估结果表明，在RCP4.5情景下到达全球增温1.5 ℃/2.0 ℃时期，长三角城市群区域夏季平均气温、比湿、高温热浪指数等与历史时期相比均有显著升高。且在空间分布上较为相似，变化最大的主要集中在镶嵌体和城市下垫面，这种空间分布格局体现出了城市化效应，并且随着全球不断增暖，这种效应变得更加明显。

(3)结合未来人口预估数据集，受高温影响的长三角城市群人口数明显增加，THI指数超过27时，增暖1.5 ℃时期覆盖影响人数接近1 800万，而到增温2.0 ℃时为7 400万人左右，由此可见若将增温控制在1.5 ℃内，因高温觉得极不舒适的人数将减少30%。